DANILO A.

VERDUGO CHAURA

RÁSTER CON R

ESTO VA DE FILAS, COLUMNAS, COTAS Y PÍXELES

Isabel, Alonso y Sofía, gracias por su apoyo y paciencia.
 ISBN: 978-956-404-972-4 (Versión papel)
Doi: 10.5281/zenodo.5959446
Segunda edición, febrero 2022.
Inscrito en el registro de propiedad intelectual en el Depar-
tamento de Derechos Intelectuales (DDI), Servicio Nacional del
Patrimonio Cultural.
Los textos e imágenes publicados en esta obra están sujetas
(excepto que se indique lo contrario) a una licencia de Recono-
cimiento - Compartir igual (BY-SA) v.3.0 España de Creative
Commons.
Puedes modificar la obra, reproducirla, distribuirla o comuni-
carla públicamente siempre que citéis el autor y la fuente (Danilo
A. Verdugo Chaura), y siempre que la obra derivada quede sujeta
a la misma licencia que el material original.
La licencia completa se puede consultar en:
[Link]
Índice general

Prefacio
Mensaje Preliminar al libro
Área temática del libro
Organización y Características del Libro
Público objetivo
Usos previos de los materiales
Usos sugeridos del libro
Recursos suplementarios
Reconocimientos
Retroalimentación

I PLATAFORMA R 1

Antecedentes Generales 3
1.1 Historia y Origen . . . . . . . . . . . . . . . . . . . 3
1.2 Diseño de la Plataforma R . . . . . . . . . . . . . . 5
1.3 RStudio . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Características Principales . . . . . . . . . . . . . . 6
1.5 Instalación de Plataforma R y RStudio . . . . . . . 7
1.6 Consideraciones Preliminares . . . . . . . . . . . . 8

Paquetes 13
1.7 Búsqueda . . . . . . . . . . . . . . . . . . . . . . . 13
1.8 Instalación . . . . . . . . . . . . . . . . . . . . . . . 15
1.8.1 Cuadro Diálogo . . . . . . . . . . . . . . . . 15
1.8.2 Función [Link]() . . . . . . . . . . 15
1.9 Actualización . . . . . . . . . . . . . . . . . . . . . 16
Sintaxis Básica de R 17
1.10 Operaciones Numéricas . . . . . . . . . . . . . . . 17
1.11 Asignación . . . . . . . . . . . . . . . . . . . . . . . 20
1.12 Naturaleza Vectorial . . . . . . . . . . . . . . . . . 22
1.12.1 Función c() para crear vectores . . . . . . . 23
1.12.2 Uso de Secuencias para crear vectores . . 24
1.12.3 Usar Repetición para la creación de vec-
tores . . . . . . . . . . . . . . . . . . . . . . 24
1.12.4 Uso de Patrones para crear vectores . . . 24
1.12.5 Vectores Lógicos y Caracteres . . . . . . . . 26

Operación Vectorial 27
1.13 Operaciones Numéricas . . . . . . . . . . . . . . . 27
1.14 Valores Faltantes . . . . . . . . . . . . . . . . . . . 28
1.15 Indexado y Subconjunto . . . . . . . . . . . . . . . 29
1.15.1 Índice Numérico Positivo . . . . . . . . . . 29
1.15.2 Índice Numérico Negativo . . . . . . . . . . 29
1.15.3 Vector Lógico . . . . . . . . . . . . . . . . . 30
1.16 Edición de Contenido . . . . . . . . . . . . . . . . 30
1.17 Opciones Avanzadas . . . . . . . . . . . . . . . . . 31
1.17.1 Nombrar los Componentes de un Vector . . 31
1.17.2 Información Adicional . . . . . . . . . . . . 31

Factores 33
1.18 Factores Nominales . . . . . . . . . . . . . . . . . . 33
1.19 Factores Ordinales . . . . . . . . . . . . . . . . . . 34

Matrices 35
1.20 Operaciones Numéricas . . . . . . . . . . . . . . . 36
1.21 Indexado y Subconjunto . . . . . . . . . . . . . . . 38
1.22 Edición de Contenido . . . . . . . . . . . . . . . . 39
1.23 Opciones Avanzadas . . . . . . . . . . . . . . . . . 39
1.23.1 Nombres de Filas y Columnas . . . . . . . . 39
1.23.2 Modificar Tamaño de Matrices . . . . . . . 40
1.23.3 Información Adicional . . . . . . . . . . . . 41

Dataframes 43
1.24 Creación . . . . . . . . . . . . . . . . . . . . . . . . 44
 1.25 Operaciones Numéricas . . . . . . . . . . . . . . . 45
1.26 Indexado y Subconjunto . . . . . . . . . . . . . . . 45
1.26.1 Opciones Avanzadas . . . . . . . . . . . . . 46
1.26.2 Modificar Tamaño o Estructura . . . . . . . 46
1.26.3 Nombres de Filas y Columnas . . . . . . . . 48
1.26.4 Información Adicional . . . . . . . . . . . . 49

Array 51
1.27 Operaciones Numéricas . . . . . . . . . . . . . . . 51
1.28 Indexado y Subconjunto . . . . . . . . . . . . . . . 53
1.29 Edición de Contenido . . . . . . . . . . . . . . . . 53
1.30 Opciones Avanzadas . . . . . . . . . . . . . . . . . 54
1.30.1 Nombres de Filas y Columnas . . . . . . . . 54
1.30.2 Información Adicional . . . . . . . . . . . . 55

Fechas 57
1.31 Operaciones con Fecha . . . . . . . . . . . . . . . . 57
1.31.1 Formato de Fechas . . . . . . . . . . . . . . 57
1.31.2 Cambio de Formato . . . . . . . . . . . . . 59

Hora 61
1.32 Formato POSIX . . . . . . . . . . . . . . . . . . . 62
1.33 Operando con el tiempo . . . . . . . . . . . . . . . 63
1.34 Conversión entre zonas horarias . . . . . . . . . . . 64

Colores 65
1.35 Colores en R . . . . . . . . . . . . . . . . . . . . . 66
1.35.1 Sistema por Nombres . . . . . . . . . . . . 66
1.35.2 RColorBrewer . . . . . . . . . . . . . . . . . 68
1.36 Paquete colorspace . . . . . . . . . . . . . . . . . . 71
1.36.1 Uso de Colores . . . . . . . . . . . . . . . . 72
1.36.2 Detalle de Paletas . . . . . . . . . . . . . . 73
1.36.3 Usando Modificadores . . . . . . . . . . . . 78

II PROYECTOS EN R 81

Desarrollando un Proyecto R 83
2.1 Organización de Archivo . . . . . . . . . . . . . . . 85
 2.1.1 ¿Cómo organizar los archivos dentro de un
proyecto? . . . . . . . . . . . . . . . . . . . 85
2.1.2 ¿Cómo organizar el código dentro de cada
archivo? . . . . . . . . . . . . . . . . . . . . 85
2.2 Manejo de Carpetas . . . . . . . . . . . . . . . . . 86
2.2.1 here . . . . . . . . . . . . . . . . . . . . . . 86
2.3 Archivos Script . . . . . . . . . . . . . . . . . . . . 86
2.4 Manejo de objetos . . . . . . . . . . . . . . . . . . 88
2.5 Consejos Prácticos para escribir R . . . . . . . . . 89

R como Lenguaje de Programación 91

2.6 Estructuras de Programación . . . . . . . . . . . . 94
2.6.1 Comandos Condicionales . . . . . . . . . . 94
2.6.2 Bloque de Código . . . . . . . . . . . . . . 95
2.6.3 Funciones . . . . . . . . . . . . . . . . . . . 96
2.6.4 Ciclos y Repeticiones . . . . . . . . . . . . . 96

III INFORMACIÓN RÁSTER 99

Introducción al Concepto Ráster 101

3.1 Modelo Geográfico . . . . . . . . . . . . . . . . . . 102
3.1.1 Entidades Discretas . . . . . . . . . . . . . 102
3.1.2 Campos . . . . . . . . . . . . . . . . . . . . 102
3.2 Modelo de Datos . . . . . . . . . . . . . . . . . . . 102
3.3 Modelo de Almacenamiento . . . . . . . . . . . . . 103
3.4 Conversión de Objeto a Ráster . . . . . . . . . . . 104
3.4.1 Objeto RasterLayer . . . . . . . . . . . . . 104
3.4.2 Objeto RasterBrick . . . . . . . . . . . . . . 105
3.4.3 Objeto RasterStack . . . . . . . . . . . . . . 107
3.4.4 addLayer y dropLayer . . . . . . . . . . . . 108

Operaciones Básicas 109

3.5 Estructura Interna slots . . . . . . . . . . . . . . . 110
3.6 Propiedades Geométricas . . . . . . . . . . . . . . 112
3.7 Estadísticas Generales . . . . . . . . . . . . . . . . 113
3.8 Nombre de Capas . . . . . . . . . . . . . . . . . . . 114
3.9 Indexado y Subconjuntos . . . . . . . . . . . . . . 115
3.9.1 Número de Celdas . . . . . . . . . . . . . . 115
 3.9.2 Filas y Columnas . . . . . . . . . . . . . . . 116

Sistemas Coordenados de Referencia (CRS) 119

3.10 Fundamentos . . . . . . . . . . . . . . . . . . . . . 119
3.10.1 Identificación y Extracción . . . . . . . . . 121
3.10.2 Transformación Ráster . . . . . . . . . . . . 121
3.10.3 Transformación Vectorial . . . . . . . . . . 123

Área de Estudio 127

3.11 Vector de Coordenadas . . . . . . . . . . . . . . . . 127
3.12 Definición Interactiva . . . . . . . . . . . . . . . . . 128
3.13 Conexión Remota a Unidades Políticas . . . . . . . 129

IV GEOMORFOMETRÍA 135

Introducción a la Geomorfometría 137

4.1 Definición de Conceptos . . . . . . . . . . . . . . . 137
4.2 Historia . . . . . . . . . . . . . . . . . . . . . . . . 138

Pasos Preliminares 143

4.3 Descargar Información Topográfica . . . . . . . . . 143
4.3.1 Por Lista de Coordenadas . . . . . . . . . . 144
4.3.2 Definición Interactiva . . . . . . . . . . . . 146
4.3.3 División Política . . . . . . . . . . . . . . . 146
4.4 Preparación del MDR . . . . . . . . . . . . . . . . 148
4.4.1 Recorte del MDR . . . . . . . . . . . . . . . 148
4.4.2 Cambio de Proyección . . . . . . . . . . . . 149
4.4.3 Cambio de Resolución . . . . . . . . . . . . 151
4.5 Funciones Adicionales Importantes . . . . . . . . . 154
4.5.1 Extraer Información con el Cursor . . . . . 154
4.5.2 Dibujar Elementos Gráficos en Mapa . . . . 155
4.5.3 Recortar Mapa Creado por Coordenadas . . 156
4.5.4 Recortar Geométricamente un objeto Ráster 157
4.5.5 Realizar Zoom . . . . . . . . . . . . . . . . 157
4.6 Manejo de Archivos Ráster . . . . . . . . . . . . . 158
4.6.1 Grabar . . . . . . . . . . . . . . . . . . . . 158
4.6.2 Leer . . . . . . . . . . . . . . . . . . . . . . 158
4.6.3 Formatos . . . . . . . . . . . . . . . . . . . 159
Descripción Básica del Relieve 163
4.7 Análisis Exploratorio de Datos . . . . . . . . . . . 163
4.8 Preparación de los Datos . . . . . . . . . . . . . . . 164
4.9 Recuento y Valores Específicos . . . . . . . . . . . 164
4.9.1 Contar . . . . . . . . . . . . . . . . . . . . . 165
4.9.2 Máximo . . . . . . . . . . . . . . . . . . . . 166
4.9.3 Mínimo . . . . . . . . . . . . . . . . . . . . 166
4.10 Medidas de Tendencia Central . . . . . . . . . . . . 166
4.10.1 Promedio . . . . . . . . . . . . . . . . . . . 166
4.10.2 Mediana . . . . . . . . . . . . . . . . . . . . 166
4.11 Medidas de Propagación o Extensión . . . . . . . . 167
4.11.1 Rango . . . . . . . . . . . . . . . . . . . . . 167
4.11.2 Cuartil Inferior y Superior . . . . . . . . . . 167
4.11.3 Rango Intercuantil . . . . . . . . . . . . . . 167
4.11.4 Varianza . . . . . . . . . . . . . . . . . . . . 168
4.11.5 Desviación Estándar . . . . . . . . . . . . . 168
4.11.6 Coeficiente de Variación . . . . . . . . . . . 169
4.12 Medidas de Forma de Distribución . . . . . . . . . 169
4.12.1 Asimetría . . . . . . . . . . . . . . . . . . . 169
4.12.2 Curtosis . . . . . . . . . . . . . . . . . . . . 170
4.13 Comparación de Estadísticas Básicas . . . . . . . . 170

Análisis Geomorfométrico del Relieve 173

4.14 Algoritmo Básico . . . . . . . . . . . . . . . . . . . 173
4.15 Atributos Geomorfométricos Básicos . . . . . . . . 175
4.16 Funciones de la Primera Derivada . . . . . . . . . . 176
4.16.1 Pendiente . . . . . . . . . . . . . . . . . . . 177
4.16.2 Superficie . . . . . . . . . . . . . . . . . . . 178
4.16.3 Aspecto . . . . . . . . . . . . . . . . . . . . 179
4.16.4 Sombreado . . . . . . . . . . . . . . . . . . 179
4.17 Funciones de la Segunda Derivada . . . . . . . . . 181
4.17.1 Curvaturas . . . . . . . . . . . . . . . . . . 181
4.18 Cálculo de Parámetros . . . . . . . . . . . . . . . . 183
4.19 Medidas Estadísticas . . . . . . . . . . . . . . . . . 189
4.19.1 Comando Focal . . . . . . . . . . . . . . . . 190
4.20 Cálculo de Parámetros Geomorfométricos . . . . . 196
Batimetría 201
4.21 marpap . . . . . . . . . . . . . . . . . . . . . . . . 202
4.21.1 Descarga de Datos Batimétricos . . . . . . 202
4.22 Descarga Datos de Relieve . . . . . . . . . . . . . . 206
4.23 Fusión MDR - Batimetría . . . . . . . . . . . . . . 207
4.23.1 Usando función merge() . . . . . . . . . . 207
4.23.2 Usando función cover() . . . . . . . . . . . 208
4.23.3 Corregir NA . . . . . . . . . . . . . . . . . . 208
4.23.4 Número de Datos muy grande . . . . . . . . 209

V PRODUCTOS CARTOGRÁFICOS 211

Visión Cartográfica 213

5.1 Composición . . . . . . . . . . . . . . . . . . . . . 213
5.1.1 Caso 1, Provincia Cordillera, Chile. . . . . . 214
5.1.2 Caso 2, Mapa Pendiente. . . . . . . . . . . 215
5.2 Caso 3, Islas Galapagos . . . . . . . . . . . . . . . 216
5.2.1 Extrayendo datos con geonames . . . . . . 216
5.2.2 Convirtiendo a SpatialPointsDataFrame . . 220
5.2.3 Configuración de Elementos Gráficos: Puntos221
5.2.4 Límites Internacionales en Alta Resolución 223
5.3 Caso 4, Mejoras Cartográficas . . . . . . . . . . . . 225
5.3.1 Trabajando Con Cuadrículas . . . . . . . . 225
5.3.2 Distribuyendo Curvas de Nivel . . . . . . . 227
5.3.3 Símbolos Proporcionales . . . . . . . . . . . 228
5.3.4 Norte Real . . . . . . . . . . . . . . . . . . 230
5.3.5 Confección del Plano . . . . . . . . . . . . . 231

Gráficos y Productos Adicionales 235

5.4 Boxplots . . . . . . . . . . . . . . . . . . . . . . . . 235
5.5 Histogramas . . . . . . . . . . . . . . . . . . . . . . 236

VI APLICACIÓN DE DATOS RÁSTER 241

POBLACIÓN 243
6.1 Proyecto Worldpop . . . . . . . . . . . . . . . . . . 243
6.2 Descarga de Datos . . . . . . . . . . . . . . . . . . 244
6.2.1 Descripción de Datos . . . . . . . . . . . . . 250
 6.3 División Política Administrativa . . . . . . . . . . 251
6.4 Población Nacional . . . . . . . . . . . . . . . . . . 252
6.4.1 Consultas locales . . . . . . . . . . . . . . . 253
6.5 Población por distrito . . . . . . . . . . . . . . . . 254
6.5.1 Densidad por Distrito . . . . . . . . . . . . 256
6.6 Tasa Crecimiento . . . . . . . . . . . . . . . . . . . 258
6.7 Mapeando la Tasa de Crecimiento . . . . . . . . . 260
6.8 Pirámides de Población . . . . . . . . . . . . . . . 260
6.8.1 Datos por Estructura de Edad y Sexo . . . 262
6.8.2 Área de Estudio . . . . . . . . . . . . . . . 263
6.8.3 Descarga de Datos . . . . . . . . . . . . . . 263
6.8.4 RasterStack . . . . . . . . . . . . . . . . . . 264
6.8.5 Paquete pyramid . . . . . . . . . . . . . . . 266

CLIMA 267
6.9 El Archivo CEDA . . . . . . . . . . . . . . . . . . 267
6.10 Obtención de Datos . . . . . . . . . . . . . . . . . 270
6.10.1 Búsqueda y Descarga . . . . . . . . . . . . 270
6.11 Formato NetCDF . . . . . . . . . . . . . . . . . . . 272
6.11.1 brick netCFD, Estructura Interna . . . . . 273
6.12 Extracción de Datos Climáticos . . . . . . . . . . . 276
6.12.1 Paquete rnaturalearth . . . . . . . . . . . . 276
6.12.2 Respaldo en disco (tif) . . . . . . . . . . . . 277
6.12.3 Estadísticos Básicos . . . . . . . . . . . . . 278
6.12.4 Buscar Celdas con Valores Extremos . . . . 281
6.12.5 Función en subconjuntos de Capas . . . . . 283
6.13 Muestreos . . . . . . . . . . . . . . . . . . . . . . . 285
6.13.1 Muestreo por Coordenadas: Capitales . . . 285
6.13.2 Respaldo en disco (.csv) . . . . . . . . . . . 288
6.13.3 Muestreo Regular . . . . . . . . . . . . . . . 288
6.13.4 Muestreo Aleatorio . . . . . . . . . . . . . . 289
6.13.5 Muestreo Estratificado . . . . . . . . . . . . 290
6.14 Diagramas Climáticos . . . . . . . . . . . . . . . . 291
6.14.1 Paquete climatol . . . . . . . . . . . . . . . 292
6.15 Serie Temporal . . . . . . . . . . . . . . . . . . . . 295
6.15.1 Continuidad de los Datos . . . . . . . . . . 295
6.15.2 Carga de Datos . . . . . . . . . . . . . . . . 295
 6.15.3 Objeto timeserie . . . . . . . . . . . . . . . 296
6.15.4 Descomposición de Series de Tiempo . . . . 298
6.15.5 Análisis de Estacionalidad . . . . . . . . . . 299
6.15.6 Visualización de Lags (retrasos) . . . . . . . 300
6.16 Serie Temporal Ráster . . . . . . . . . . . . . . . . 301
6.16.1 Paquete rts . . . . . . . . . . . . . . . . . . 302
6.16.2 Herramientas de Subconjuntos . . . . . . . 303
6.16.3 Operaciones Sobre un rst . . . . . . . . . . 306

VII OBSERVACIÓN DE LA TIERRA 309

Introducción 311
7.1 Energía Electromagnética . . . . . . . . . . . . . . 312
7.1.1 Fundamentos Históricos y Físicos . . . . . . 312
7.1.2 Fenómeno Eléctrico . . . . . . . . . . . . . 312
7.1.3 Fenómeno Magnético . . . . . . . . . . . . . 313
7.2 La Relación Electricidad Magnetismo . . . . . . . . 313
7.2.1 El Concepto de Campo . . . . . . . . . . . 315
7.2.2 El Electromagnetismo . . . . . . . . . . . . 315
7.3 Cómo se Produce y Transporta la Energía . . . . . 317
7.3.1 Las Ondas . . . . . . . . . . . . . . . . . . . 317
7.3.2 Cuantos y Dualidad de la Luz . . . . . . . . 318
7.3.3 El Fotón . . . . . . . . . . . . . . . . . . . . 319
7.3.4 Relación entre Teoría Ondulatoria y Cuántica319
7.4 El Espectro Electromagnético . . . . . . . . . . . . 320
7.4.1 Espectro Visible (VIS) . . . . . . . . . . . . 320
7.4.2 Infrarrojo Cercano (NIR), Próximo o Re-
flejado . . . . . . . . . . . . . . . . . . . . . 321
7.4.3 Infrarrojo Medio (MIR) . . . . . . . . . . . 321
7.4.4 Infrarrojo Térmico (TIR) . . . . . . . . . . 321
7.4.5 Microondas (MW) . . . . . . . . . . . . . . 322
7.5 Conceptos Básicos y sus Unidades . . . . . . . . . 322
7.5.1 Ángulo Sólido . . . . . . . . . . . . . . . . . 322
7.5.2 Magnitudes Radiométricas . . . . . . . . . . 322
7.5.3 Importancia de la Temperatura . . . . . . . 327
7.6 Radiación de Cuerpo Negro . . . . . . . . . . . . . 327
7.6.1 Ley de Planck . . . . . . . . . . . . . . . . . 328
 7.6.2 Ley de Desplazamiento de Wien . . . . . . 330
7.6.3 Ley de Stefan-Boltzmann . . . . . . . . . . 331
7.6.4 Ley de Kirchhoff . . . . . . . . . . . . . . . 331

EEM 335
7.7 Flujo de la EEM . . . . . . . . . . . . . . . . . . . 335
7.8 Interacción EEM con la Atmósfera . . . . . . . . . 336
7.8.1 La Atmósfera . . . . . . . . . . . . . . . . . 336
7.8.2 Absorción . . . . . . . . . . . . . . . . . . . 337
7.8.3 Dispersión . . . . . . . . . . . . . . . . . . . 338
7.8.4 Emisión . . . . . . . . . . . . . . . . . . . . 340
7.9 Últimos pasos . . . . . . . . . . . . . . . . . . . . . 340
7.9.1 DN a TOA . . . . . . . . . . . . . . . . . . 341
7.9.2 TOA a BOA . . . . . . . . . . . . . . . . . 342

Resoluciones de Imagen 345

7.10 Resolución Espacial . . . . . . . . . . . . . . . . . 346
7.11 Resolución Espectral . . . . . . . . . . . . . . . . . 347
7.11.1 Firma Espectral . . . . . . . . . . . . . . . 348
7.11.2 Import Dataset . . . . . . . . . . . . . . . . 350
7.11.3 Procesando en R . . . . . . . . . . . . . . . 353
7.12 Resolución Radiométrica . . . . . . . . . . . . . . . 355
7.13 Resolución Temporal . . . . . . . . . . . . . . . . . 356
7.14 Resolución angular . . . . . . . . . . . . . . . . . . 357

VIII MISIONES ESPACIALES 359

Imágenes Satelitales Libres 361

8.1 Plataforma Búsqueda y Descarga . . . . . . . . . . 361
8.1.1 Descarga de Datos . . . . . . . . . . . . . . 365

Misiones MODIS 367

8.2 Terra y Aqua . . . . . . . . . . . . . . . . . . . . . 367
8.3 MOD09A1 . . . . . . . . . . . . . . . . . . . . . . . 369
8.4 MODIS en R . . . . . . . . . . . . . . . . . . . . . 371
8.4.1 Mapeo RGB . . . . . . . . . . . . . . . . . 374

Misiones Landsat 377

8.5 Niveles de Procesamiento . . . . . . . . . . . . . . 378
 8.6 Landsat 9 . . . . . . . . . . . . . . . . . . . . . . . 379
8.6.1 Sensores OLI-2 y TIRS-2 . . . . . . . . . . 379
8.7 Landsat 8 . . . . . . . . . . . . . . . . . . . . . . . 380
8.7.1 Sensores OLI y TIRS . . . . . . . . . . . . 380
8.8 Landsat 7 . . . . . . . . . . . . . . . . . . . . . . . 383
8.8.1 Falla del Corrector de Línea de Escaneo . . 383
8.9 Landsat 4-5 . . . . . . . . . . . . . . . . . . . . . . 385
8.10 Descarga de Datos para Landsat . . . . . . . . . . 387
8.11 Landsat 9 en R . . . . . . . . . . . . . . . . . . . . 389
8.12 Landsat 8 en R . . . . . . . . . . . . . . . . . . . . 392
8.12.1 Metadatos . . . . . . . . . . . . . . . . . . . 393
8.13 Procesando las Bandas en R . . . . . . . . . . . . . 394
8.13.1 QA_pixel . . . . . . . . . . . . . . . . . . . 394
8.13.2 QA_RADSAT . . . . . . . . . . . . . . . . 396
8.13.3 Bandas OLI . . . . . . . . . . . . . . . . . . 399
8.13.4 Imágenes en Color Real . . . . . . . . . . . 400
8.13.5 TIRS . . . . . . . . . . . . . . . . . . . . . 400

Misiones Sentinel 407

8.14 Sentinel-2 . . . . . . . . . . . . . . . . . . . . . . . 408
8.14.1 Sensor MSI . . . . . . . . . . . . . . . . . . 409
8.14.2 Niveles de Procesamiento . . . . . . . . . . 410
8.14.3 Productos Adicionales Especiales . . . . . . 412
8.15 Descarga de Imágenes Sentinel-2 . . . . . . . . . . 414
8.16 Imágenes Sentinel-2 en R . . . . . . . . . . . . . . 421
8.16.1 Set de Imágenes a 10m . . . . . . . . . . . . 423
8.16.2 Set de Imágenes a 20 m . . . . . . . . . . . 425
8.16.3 Set de Imágenes de 60 m . . . . . . . . . . 427
8.17 Productos Adicionales Especiales . . . . . . . . . . 428
8.17.1 TCI . . . . . . . . . . . . . . . . . . . . . . 428
8.17.2 AOT . . . . . . . . . . . . . . . . . . . . . . 430
8.17.3 WVP . . . . . . . . . . . . . . . . . . . . . 430
8.17.4 SCL . . . . . . . . . . . . . . . . . . . . . . 430
8.17.5 Máscaras de Probabilidad . . . . . . . . . . 431
8.18 Sentinel-3 . . . . . . . . . . . . . . . . . . . . . . . 432
8.18.1 Sensor SLSTR . . . . . . . . . . . . . . . . 432
8.18.2 Temperatura Superficie Mar (SST) . . . . . 433
 8.18.3 Temperatura Superficie Terrestre (LST) . . 433
8.19 Descarga de Datos . . . . . . . . . . . . . . . . . . 435
8.20 Sentinel-5p . . . . . . . . . . . . . . . . . . . . . . 436
8.21 Sensor TROPOMI . . . . . . . . . . . . . . . . . . 437
8.22 Niveles de Procesamiento: L1, L2 . . . . . . . . . . 437
8.23 Productos L2 . . . . . . . . . . . . . . . . . . . . . 438
8.23.1 CO. Columna Total de Monóxido de Carbono438
8.23.2 CH2 O. Columna vertical troposférica de
Formaldehído . . . . . . . . . . . . . . . . . 438
8.23.3 N O2 . Columna troposférica de Dióxido de
Nitrógeno . . . . . . . . . . . . . . . . . . . 439
8.23.4 O3 . Columna total de Ozono . . . . . . . . 439
8.23.5 SO2 . Columna total de Dióxido de Azufre . 440
8.23.6 CH4 . Proporción de mezcla aire seco pro-
mediada de la columna de Metano . . . . . 441
8.23.7 U V AI. Índice de Aerosoles . . . . . . . . . 441
8.24 Acceso a los Datos . . . . . . . . . . . . . . . . . . 442
8.25 Descarga de Imágenes Sentinel-5p . . . . . . . . . . 443
8.26 Procesando en R . . . . . . . . . . . . . . . . . . . 447
8.26.1 Gestión del Contenido NetCDF . . . . . . . 447
8.26.2 Data Espacial Sentinel-5p . . . . . . . . . . 449
8.26.3 Mapa de Distribución de Monóxido de Car-
bono . . . . . . . . . . . . . . . . . . . . . . 451
8.26.4 Mapa de Distribución de Formalheído . . . 453
8.26.5 Mapa de Distribución de Monóxido de Dió-
xido Nitrógeno . . . . . . . . . . . . . . . . 454
8.26.6 Mapa de Distribución de Ozono . . . . . . . 455
8.26.7 Mapa de Distribución de Dióxido Azufre . . 456
8.26.8 Mapa de Distribución de Monóxido de Me-
tano . . . . . . . . . . . . . . . . . . . . . . 457

Teledetección Termal 459

8.27 El Descubrimiento del Infrarrojo . . . . . . . . . . 459
8.27.1 Temperatura de la Superficie Terrestre (LST)460
8.27.2 MODIS . . . . . . . . . . . . . . . . . . . . 461
8.27.3 Landsat 8 . . . . . . . . . . . . . . . . . . . 465
8.27.4 Sentinel-3 . . . . . . . . . . . . . . . . . . . 466
IX APLICACIÓN 473

Mosaico 475
9.1 Creación . . . . . . . . . . . . . . . . . . . . . . . . 475
9.1.1 Marcas de Estado . . . . . . . . . . . . . . 478
9.1.2 Mapa y Leyenda Categórica . . . . . . . . . 481
9.1.3 Enmascarado Categórico . . . . . . . . . . . 482

Modelamiento Armónico 485

9.2 Series Temporales Incompletas . . . . . . . . . . . 485
9.3 Modelamiento Armónico . . . . . . . . . . . . . . . 485
9.3.1 Estimación del Modelo . . . . . . . . . . . . 486
9.3.2 Aplicación Ráster . . . . . . . . . . . . . . . 491
9.3.3 Serie Temporal NDVI . . . . . . . . . . . . 493
9.4 Animación . . . . . . . . . . . . . . . . . . . . . . . 496

Bandas 499
9.5 Combinación de Bandas . . . . . . . . . . . . . . . 499
9.5.1 Falso Color . . . . . . . . . . . . . . . . . . 501
9.5.2 Caso ‘Separación de Suelo’ . . . . . . . . . 502
9.5.3 Caso ‘Separación Zona Cultivos o Inundadas’504
9.5.4 Caso ‘Aplicaciones Geológicas 1’ . . . . . . 504
9.5.5 Caso ‘Aplicaciones Geológicas 2’ . . . . . . 504
9.5.6 Índice de Factor Óptimo (OIF) . . . . . . . 504
9.6 Razón de Bandas . . . . . . . . . . . . . . . . . . . 513
9.7 Gráficos de Dispersión . . . . . . . . . . . . . . . . 518
9.7.1 Correlación entre Bandas . . . . . . . . . . 520

Umbrales (Thresholding) 523

9.8 Método de Otsu . . . . . . . . . . . . . . . . . . . 524
9.8.1 Paquetes del Proyecto BioConductor . . . . 524
9.9 Caso Práctico . . . . . . . . . . . . . . . . . . . . . 526
9.10 Procesamiento de Ráster Binario . . . . . . . . . . 526
9.10.1 Parches . . . . . . . . . . . . . . . . . . . . 526
9.10.2 Cálculo de Áreas . . . . . . . . . . . . . . . 527
9.10.3 Conversión a una capa Vectorial . . . . . . 530

Revisión Histórica 533

 9.11 Historia con Landsat . . . . . . . . . . . . . . . . . 533

Índices Espectrales 535

9.12 Fundamentos . . . . . . . . . . . . . . . . . . . . . 535
9.13 Consideraciones Vegetación . . . . . . . . . . . . . 535
9.13.1 Interacción EEM - Vegetación . . . . . . . . 537
9.13.2 Parámetro Foliar . . . . . . . . . . . . . . . 537
9.13.3 Parámetros Dosel . . . . . . . . . . . . . . . 537
9.13.4 Preparación del área de estudio . . . . . . . 538
9.14 Diseño de Índices Espectrales . . . . . . . . . . . . 540
9.15 Índices Generales de Vegetación . . . . . . . . . . . 540
9.15.1 Índice Razón Vegetal (RVI) . . . . . . . . . 540
9.15.2 Índice Vegetal de Diferencia Normalizada
(NDVI) . . . . . . . . . . . . . . . . . . . . 543
9.16 Índices con Reducción de Efecto Suelo . . . . . . . 544
9.16.1 Índice Vegetación Ajustado por Suelo (SAVI)544
9.16.2 SAVI Modificado o MSAVI . . . . . . . . . 547
9.17 Reducción Efectos Atmosféricos . . . . . . . . . . . 548
9.17.1 Índices EVI . . . . . . . . . . . . . . . . . . 548
9.17.2 EVI2 o EVI a dos bandas . . . . . . . . . . 549
9.17.3 Índice de Vegetación Resistente a la At-
mósfera, ARVI. . . . . . . . . . . . . . . . . 550
9.17.4 ARVI2 Modificado. . . . . . . . . . . . . . . 551
9.17.5 Índice de Vegetación Libre de Aerosoles AFRI552
9.18 Reducción Efectos del Suelo y Atmosféricos . . . . 553
9.18.1 Índice Global de Monitoreo Ambiental GEMI553
9.18.2 Comparativa VI . . . . . . . . . . . . . . . 554
9.19 Índice Relativos a Incendios Forestales . . . . . . . 554
9.19.1 Extracción de los Datos . . . . . . . . . . . 555
9.19.2 Índice Área Quemada BAI . . . . . . . . . 559
9.19.3 Índice Razón Normalizado Quemado NBRI 559
9.19.4 NBRI Diferenciado, DNBRI . . . . . . . . . 560
9.19.5 Índice Razón Normalizado Quemado Ter-
mal 1 NBRT1 . . . . . . . . . . . . . . . . . 563
9.20 Índices Diseñados para Agua . . . . . . . . . . . . 564
9.20.1 Preparación Imagen de prueba . . . . . . . 564
9.20.2 NDWI . . . . . . . . . . . . . . . . . . . . . 565
 9.20.3 MNDWI . . . . . . . . . . . . . . . . . . . . 566
9.20.4 EWI . . . . . . . . . . . . . . . . . . . . . . 568
9.20.5 AWEI . . . . . . . . . . . . . . . . . . . . . 569
9.20.6 NDWI ponderado, WNDWI . . . . . . . . . 570

Algal Bloom 573

9.21 Algal Bloom 2019 Montevideo . . . . . . . . . . . . 573
9.21.1 Crear rasterStack 31 de enero . . . . . . . . 574
9.21.2 Crear rasterStack 16 de mayo . . . . . . . . 575
9.21.3 Procesamiento de las escenas . . . . . . . . 575
9.21.4 Tratamiento B11 . . . . . . . . . . . . . . . 576
9.21.5 FAI . . . . . . . . . . . . . . . . . . . . . . 577

Clasificación 583
9.22 Conceptos y Fundamentos . . . . . . . . . . . . . . 583
9.23 Tipos de Clasificación . . . . . . . . . . . . . . . . 584
9.23.1 Clasificación Supervisada . . . . . . . . . . 584
9.23.2 Clasificación No Supervisada . . . . . . . . 587
9.24 Tipos de Clases . . . . . . . . . . . . . . . . . . . . 588
9.25 Ventajas y Desventajas del Método No Supervisado 589
9.25.1 Ventajas . . . . . . . . . . . . . . . . . . . . 589
9.25.2 Desventajas y limitaciones . . . . . . . . . . 590
9.26 Ventajas y Desventajas del Método Supervisado . . 591
9.26.1 Ventajas . . . . . . . . . . . . . . . . . . . . 591
9.26.2 Desventajas y limitaciones . . . . . . . . . . 591
9.27 Análisis de las Estadísticas de Entrenamiento . . . 592
9.28 Problema de Asociar la Firma Espectral con una
Clase . . . . . . . . . . . . . . . . . . . . . . . . . . 601
9.29 Concepto de Endmember . . . . . . . . . . . . . . 602

Métodos de Clasificación en R 603

9.30 Preparación de la Imagen . . . . . . . . . . . . . . 603
9.31 Técnicas para Extracción de Muestras . . . . . . . 604
9.31.1 DrawPoly() . . . . . . . . . . . . . . . . . . 604
9.31.2 Dibujo RGB . . . . . . . . . . . . . . . . . 604
9.32 Extracción de Datos Espectrales . . . . . . . . . . 605

Clasificación Supervisada en R 609

 9.33 Mapeador de Ángulos Espectrales (SAM) . . . . . 609
9.34 Análisis de Mezcla Espectral de Múltiples End-
member (MESMA) . . . . . . . . . . . . . . . . . . 611

Clasificación No Supervisada en R 615

9.35 Método Agrupamiento kmeans . . . . . . . . . . . 615
9.35.1 Algunas Consideraciones . . . . . . . . . . . 616
9.36 Cálculo del Número de Grupos . . . . . . . . . . . 616
9.36.1 Método Elbow . . . . . . . . . . . . . . . . 618
9.37 Clasificación No Supervisada unsuperClass() . . . . 620
9.38 Análisis de Componentes Principales (PCA) . . . . 620
9.38.1 Consideraciones de Uso . . . . . . . . . . . 622

ANEXOS 627

ANEXO I 629
1.39 II PROYECTOS EN R . . . . . . . . . . . . . . . 629
1.39.1 Preparación . . . . . . . . . . . . . . . . . . 629
1.40 III INFORMACIÓN RÁSTER . . . . . . . . . . . 630
1.40.1 Introducción al Concepto Ráster . . . . . . 630
1.40.2 Operaciones Básicas . . . . . . . . . . . . . 631
1.41 IV GEOMORFOMETRÍA . . . . . . . . . . . . . . 633
1.41.1 Descargar Información Topográfica . . . . . 633
1.41.2 Descripción Básica del Relieve . . . . . . . 635
1.41.3 Análisis Geomorfométrico del Relieve . . . 636
1.41.4 Medidas Estadísticas . . . . . . . . . . . . . 640
1.41.5 Batimetría . . . . . . . . . . . . . . . . . . 648
1.42 V APLICACIÓN DE DATOS RÁSTER . . . . . . 652
1.42.1 Clima . . . . . . . . . . . . . . . . . . . . . 652
1.43 VI OBSERVACIÓN DE LA TIERRA . . . . . . . 654
1.43.1 Introducción . . . . . . . . . . . . . . . . . 654
1.43.2 EEM Flujo . . . . . . . . . . . . . . . . . . 656
1.43.3 Resoluciones de Imagen . . . . . . . . . . . 660
1.43.4 Misiones Espaciales . . . . . . . . . . . . . 662
1.43.5 Misiones Landsat . . . . . . . . . . . . . . . 665
1.43.6 Misiones Sentinel . . . . . . . . . . . . . . . 671

Índice alfabético 679

Bibliografía 687
Índice de figuras

1.1 John Chambers creador de S 3

1.2 Ross Ihaka y Robert Gentleman, los creadores de R 4
1.3 Serie animada Peanuts (Snoopy) basada en los comics de
Charles Schulz 5
1.4 Configuración por defecto 9
1.5 Configuración sugerida 9
1.6 Opción de menú para configuración general 10
1.7 Panel de configuración general 11
1.8 Selección para configuración de colores 11
1.9 Configuración de paneles y cuadros 12

1.10 Sitio web de búsqueda de contenido asociado a R, modo

’Package’ 14
1.11 Panel Packages 15
1.12 Opciones de Instalación vía RStudio 16
1.13 Opciones de Instalación vía RStudio 16

1.14 Panel Environment 21

1.15 Tabla de Colores por Nombre 67

1.16 Cynthia ’Cindy’ Brewer 68
1.17 Paletas de colores, ColorBrewer 70
1.18 Paleta Vik, 5 colores 71
1.19 Paleta Vik, 10 colores 71
1.20 Paleta Lisbon, 20 colores 71
1.21 Paleta colores ’qualitative_hcl()’ 72
1.22 Nombres propios para crear paleta 73
1.23 Paleta de Colores Cualitativos, generado con 74
1.24 Paleta de Colores Secuenciales de único matiz, generado con 75
1.25 Paleta de Colores Secuenciales de múltiple matiz, generado
con 76
1.26 Paleta de Colores Divergentes, generado con 77
1.27 Oscurecer (izquierda) o Iluminar (derecha) una paleta de
colores 78
1.28 Desaturación de colores un 40% (izquierda) y 100% (dere-
cha) 79
1.29 Aplicando transparencia, Mapa base en blanco y negro (iz-
quierda), mapa en colores (centro) y superposición con trans-
lucencia de un 50% (derecha) 79

2.1 Opción Menú Nuevo Proyecto 83

2.2 Opciones de Creación de proyectos 83
2.3 Tipo de Proyecto 84
2.4 Opciones de Ubicación y nombre de Proyecto 84
2.5 Opción Menú Nuevo Archivo Script 87
2.6 Editor de Textos 87

3.1 Representación de Modelos Vector y Ráster 102

3.2 Modelo de Representación Ráster 105
3.3 Conceptualización de RasterBrick 107

3.4 Objeto ráster (los números indican el valor contenido en cada

celda) 110
3.5 Objeto ráster con el número de orden de celdas 115
3.6 Objeto ráster (los números indican la combinación (fila, co-
lumna) para cada) 117
3.7 Objeto ráster producto del subconjunto 117

3.8 Diferencias en el método de estimación de valores 122

3.9 Objeto ráster proyectado a nuevo CRS 122
3.10 Objeto ráster proyectado a nuevo CRS y resolución menor
al original 123
3.11 Sistema coordenado de la extensión de la imagen base 125

3.12 Polígono por Coordenadas 128

3.13 Captura de pantalla del funcionamiento de la sesión inter-
áctiva Mapview, al mover el ratón actualiza la geometría y
los datos asociados 130
3.14 División Político Administrativa 132
3.15 Mapa generado con la función gadm_plot() 133

4.1 Trabajo de Pieter Bruinz 139

4.2 Mapa de curvas de nivel de Francia, Dupain-Triel 1791 139
4.3 Charles Hutton (1737–1823) 139
4.4 Manual de Von Sonkla (1873) y Texto de Penck 1894 (Foto-
grafía cortesía de [Link]) 140
4.5 Impresión de un Modelo Digital 141

4.6 MDR y objeto poligono creado por coordenadas 145

4.7 MDR y polígono generado en sesión mapview 147
4.8 MDR y polígonos GDAM 148
4.9 MDR recortado por extensión del área de estudio (arriba) 150
4.10 MDR Proyectado a UTM H19S 151
4.11 Objeto poligono transformado a CRS del MDR 152
4.12 MDR y área de estudio, generado con Sesión Interáctiva 153
4.13 MDR y área de estudio, generado con Descarga de División
Política 154
4.14 Recorte de MDR vía coordenadas 156
4.15 Recorte geométrico de objeto ráster 157

4.16 División Administrativa de Segundo Nivel 165

4.17 Tipos de Distribución 169
4.18 Tipos de Curtosis 170
4.19 Divisiones Administrativas Comparadas 171

4.20 Formas de designación de las celdas vecinas en una ventana

3x3, por Orden (superior) o Coordenado (inferior) 173
4.21 Ejemplo Numérico de Algoritmo Geomorfométrico, cálculo
del Promedio 174
4.22 Mapa de pendiente (°) para los datos del ejemplo anterior
(Notar la reducción de filas y columnas) 177
4.23 Mapa de Superficie 178
4.24 Mapa de aspecto (°) para los datos del ejemplo anterior (No-
tar la reducción de filas y columnas) 179
4.25 Mapa de Insolación para los datos del ejemplo anterior (No-
tar la reducción de filas y columnas) 180
4.26 Mapa de Sombreado para los datos del ejemplo anterior (No-
tar la reducción de filas y columnas) 180
4.27 Sección Normal en la superficie S en el punto P es una curva
que resulta de la intersección de dicha superficie y un plano
que pasa a través del vector N ortogonal a S 181
4.28 En una curva plana un círculo de radio R que es el mejor
ajustado a esta curva en un punto dado, la Curvatura será
el inverso de R o 1/R 181
4.29 Cuatro direcciones generadas naturalmente en la superficie
S 182
4.30 Mapa de Curvatura de Perfil (PERFC) para los datos del
ejemplo anterior 182
4.31 Mapa de Curvatura Planimétrica o Plana (PLANC) para los
datos del ejemplo anterior 183
4.32 Provincia Coordillera, Chile 185
4.33 Modelo Digital de Pendientes(°) 186
4.34 Modelo Digital de Aspecto(°) 186
4.35 Sombreado Digital de Relieve 187
4.36 Curvatura Planimétrica (izquierda) 188
4.37 Curvatura de Perfil (izquierda) 189
4.38 Cálculo Promedio Focal 191
4.39 Uso parámetro NAonly= TRUE 192
4.40 Cálculo Focal, distintas funciones 193
4.41 Mapa Original (izquierda), Mapa de Celdas Estimadas a par-
tir de valores al sur-este de la celda central (derecha) 194
4.42 MDR original y cuatro parámetros geomorfométricos 196
4.43 Área de estudios, Municipio de Lérida, Colombia 197
4.44 Zoom Área de Estudio, cálculo de la desviación estándar 197
4.45 Área de Estudio, cálculo del promedio con un kernel 5x5 198
4.46 Zoom Área de Estudio, cálculo TPI 198
4.47 Zoom Área de Estudio, cálculo RUGOSIDAD 199

4.48 Levantamiento batimétrico (cortesía [Link]) 201

4.49 Es importante elegir bien parámetros nlon y nlat en comando
griddify 204
4.50 Islas Galapagos, UTM H16S 206
4.51 Modelo de Relieve, zoom 5 207
4.52 MDR batimétrico (izquierda), topografía (centro) y MDR
producto de función ’cover()’ con los valores NA en magen-
ta 208
4.53 Errores de Alineación o celdas NA en verde (izquierda) 208

5.1 Área de estudios, Provincia Coordillera, Chile 215

5.2 Área de estudios, Provincia Coordillera, Chile 217
5.3 Parámetros de Configuración de Gráficos 221
5.4 Islas Galapagos, Ecuador 223
5.5 Islas Galapagos, [Link] Organizados 225
5.6 Trazado de paralelos y meridianos calculados con ’graticu-
le’ 227
5.7 Portada del libro ’Oceanographic Analysis with R de Dan
Kelley 231
5.8 Provincia Coordillera, Chile 234

5.9 Islas Galapagos, UTM H16S 235

5.10 Boxplot del modelo batimetria 236
5.11 Histograma del modelo digital del relieve (incluye batime-
tría) del Archipielago de las Galápagos 237
5.12 Modelo de Relieve 238
5.13 Histograma del Relieve del Archipielago de las Galápagos 238
5.14 Histograma de pendiente (°) 239
5.15 Histograma del aspecto (°) 239

6.1 Sitio del proyecto WorldPop 245

6.2 Data disponible para descarga y consulta (resaltada en gris
la usada en la presente guía) 245
6.3 Descripción técnica y detalle de los tipos de datos generados
y mentenidos (resaltada en gris la utilizada en la presente
guía) 246
6.4 Caso Práctico de búsqueda para Uruguay 246
6.5 Dónde encontrar el link de descarga (clic derecho) 247
6.6 Población Uruguay año 2000 251
6.7 Distritos Uruguay 253
6.8 Tasa de Crecimiento período 2000-2020 por distritos Uru-
guay 259
6.9 Tasa de Crecimiento período 2000-2020 por distritos Uru-
guay, ascendente 260
6.10 Tasa de Crecimiento Poblacional 261
6.11 Pirámide de Población Municipio de Tarvita, Bolivia 2016 266

6.12 Primer paso de registro en el sitio del CEDA 268

6.13 Datos que se solicitan para registrar el nombre de usua-
rio 269
6.14 Barra de búsqueda del catálogo disponible de datos 269
6.15 Catálogo más reciente de datos climáticos disponibles 270
6.16 Detalle de archivo a descargar (ejemplo de precipitaciones) 271
6.17 Precipitación Media Anual 1901 275
6.18 Precipitación Acumulada año 1901 275
6.19 Temperatura Máxima Período Enero-Marzo 1901 276
6.20 Precipitación Media Anual 1901 277
6.21 Precipitación Media Mensual Enero 1901 279
6.22 Temperatura Máxima Mensual, período Enero 1901 - Di-
ciembre 2020 280
6.23 Precipitación Media Mensual, período Enero 1901 - Diciem-
bre 2020 280
6.24 Temperatura Mínima Mensual, período Enero 1901 - Diciem-
bre 2020 281
6.25 Índice de la capa donde cada celda contiene la Temperatura
Máxima 282
6.26 Diferencia Precipitación Acumulada Verano 2018 vs Verano
1948 283
6.27 Temperatura máxima, promedio mensual (1901-2020) 284
6.28 Mapa de capitales de sur América 286
6.29 Muestreo Sistemático (izquierda) y Muestreo Aleatorio (de-
recha) 290
6.30 Muestreo Estratificado 291
6.31 Diagrama Climático Walter-Lieth, Asunción 1901 294
6.32 Precipitación Media Mensual Enero 1901 294
6.33 Interfaz gráfica interáctiva creada por función ts_plot() 298
6.34 Barra completa de Herramientas 298
6.35 Interfaz gráfica interactiva creada por función ts_decompose()
del paquete TSstudio 298
6.36 Interfaz gráfica interactiva creada por función ts_seasonal()
del paquete TSstudio 300
6.37 Interfaz gráfica interáctiva creada por función ts_lags() del
paquete TSstudio 301
6.38 Año 2012, precipitaciones media mensual (mm/mes) 305
6.39 Período 1981-84, precipitaciones máximas anuales (mm/mes) 307

7.1 Muestra de Ámbar 312

7.2 Físico Inglés Sir [Link] 313
7.3 Los Propileos de Magnesia del [Link]ía 313
7.4 Daguerrotipo de Hans Christian Ørsted 313
7.5 Grabado de André-Marie Ampère por Ambrose Tardieu 314
7.6 Retrato de Michael Faraday pintado por H.W 314
7.7 Las limaduras de hierro permiten mostrar la dirección del
campo magnético de un imán permanente 315
7.8 Grabado de James Clerk Maxwell por G 315
7.9 Onda electromagnética 316
7.10 Descripción general de una onda 317
7.11 Max Planck 318
7.12 Espectro Electromagnético 320
7.13 Definición de ángulo sólido donde o es el área y r la distan-
cia 323
7.14 Fotografía de William Thomson, primer Barón Kelvin 327
7.15 Idealización aproximada de un cuerpo negro como un peque-
ño agujero en un recinto aislado 327
7.16 Curvas de Emitancia Espectral de Cuerpo Negro a varias
temperaturas 329
7.17 Wilhelm Wien, físico esloveno, fuente 330
7.18 Longitud de Onda y Emitancia Espectral de Cuerpo Negro
a varias temperaturas 330
7.19 Jožef Stefan, físico esloveno, fuente 331
7.20 Ludwig Eduard Boltzmann, físico austríaco, fuente 331
7.21 Gustav Robert Kirchhoff fuente 332
7.22 Esquema básico del flujo de la EEM en la EO 336
7.23 Modelo Atmósfera Estándar, Presión (superior) y Tempera-
tura (inferior) versus Altitud 336
7.24 Transmitancia de la atmósfera terrestre y su relación con las
moléculas absorbentes 338
7.25 Dispersión atmosférica y de partículas 340
7.26 Emisión TIR, adicional a la emisión general 341
7.27 Comparación BOA-TOA 343

7.28 Firmas Espectrales en Imágen Pancromática, Multi e Hiper-

espectral para cuatro coberturas de suelo 348
7.29 Sitio Web del Proyecto Librería Espectral ECOSTRESS de
la NASA 349
7.30 Ficha de descarga de archivos de librerías 349
7.31 Formulario de contacto para informar los archivos solicita-
dos 349
7.32 Correo con link de descarga 350
7.33 Detalle de opción ’Importar Datos Externos’ 351
7.34 Detalle de opciones para buscar o escribir el nombre del ar-
chivo a leer 351
7.35 Detalle de opción ’Importar Datos Externos’ 352
7.36 Detalle de opción ’Importar Datos Externos’ con los pará-
metros usados para cargar nuestro archivo de texto 352
7.37 Detalle de las opciones para importar los datos a nuestra
sesión R 353
7.38 Firma Espectral del Árbol Acacia Caven (Aromo), librería
ASTER v2 353
7.39 Ejemplos de firmas espectrales organizadas por grupos de
tipos de cobertura 354
7.40 Comparación resoluciones radiométricas 355

8.1 Vista principal [Link] 361

8.2 Ventana de Login o de Registro, paso obligatorio 362
8.3 Parámetros para crear y refinar una búsqueda, detalles en
texto 362
8.4 Opciones para refinar la búsqueda, fecha inicial y final 363
8.5 Lista para seleccionar meses particulares 363
8.6 Porcentaje de cobertura nubosa aceptable para las imágenes
seleccionadas 363
8.7 Lista de tipos de datos disponibles para descarga de la misión
MODIS (izquierda) y Landsat (derecha) 364
8.8 Mensaje que alerta de la realización de la consulta y botón
para cancelar 364
8.9 Resultado de la búsqueda 365
8.10 Opciones Disponibles en archivo seleccionados 365
8.11 Opciones de descarga (depende del producto o tipo de datos
a descargar, en el ejemplo MODIS) 365

8.12 Satélite Terra 367

8.13 Satélite Aqua 367
8.14 Distribución y espesor de bandas en sensor MODIS 369
8.15 Descripción Gráfica del método stretch Lineal 374
8.16 Descripción Gráfica del método stretch Histograma 374
8.17 Ploteo de las imágenes utilizadas en el ejercicio usando las
bandas RGB 375

8.18 Satélite Landsat 1, 2 y 3 377

8.19 Satélite Landsat 4, 5 377
8.20 Representación Artística de Satélite Landsat 6 377
8.21 Satélite Landsat 7 377
8.22 Satélite Landsat 8 y 9 377
8.23 Costa Kimberley, Australia 378
8.24 Distribución y espesor de bandas en sensor OLI-2 (1 a 9) y
TIRS-2 (10-11) Landsat 9 381
8.25 Distribución y espesor de bandas en sensor OLI (1 a 7) y
TIRS 1(10) Landsat 8 383
8.26 Distribución y espesor de bandas en sensor ETM+ de Land-
sat 7 384
8.27 Distribución y espesor de bandas en sensor TM de Landsat
4-5 386
8.28 Lista de tipos de datos disponibles para descarga de produc-
tos de la misión Landsat (Misiones 4 al 9) 387
8.29 Detalle ficha ’Additional Criteria’ configurado para seleccio-
nar imágenes de la misión Landsat 9 388
8.30 Composición Color Verdadero (RGB) 391
8.31 Área para descargar imágenes Landsat 8, Región Libertador
General Bernado O’Higgins, Chile 392
8.32 Visualización de Metadados en panel ’View’ 393
8.33 Ejemplo de Máscara de QA píxel ’Claro’ 396
8.34 Bandas Imagen Landsat 8 OLI 401
8.35 Composición Color Verdadero (RGB) Imagen Landsat 8 OLI 402
8.36 Composición Falso Color (NIR,R,G) Imagen Landsat 8 OLI 403
8.37 Banda Termal (B10), temperatura superficial en grados cel-
sius 405

8.38 Satélite Sentinel 1 407

8.39 Satélite Sentinel 2 407
8.40 Satélite Sentinel 3 408
8.41 Satélite Sentinel 4 408
8.42 Satélite Sentinel 5 408
8.43 Satélite Sentinel 5p 408
8.44 Distribución y espesor de bandas en MSI 411
8.45 Vista inicial del sitio [Link] 415
8.46 Panel de configuración de búsquedas en sitio ’[Link]/dhus’ 416
8.47 Cuadro de dialogo para logear o crear una cuenta 416
8.48 Modos del mapa web 417
8.49 Vista principal del sitio ’[Link]’ 417
8.50 Cuadro de dialogo con opciones avanzadas de búsqueda 418
8.51 Selección de Satélite Sentinel 418
8.52 Opciones de procesamiento disponibles para escenas Sentinel-
2 418
8.53 Caja de Texto para ingresar el rango de nubosidad aceptable
en la búsqueda (nótese el formato específico) 419
8.54 Vista de detalle de la imagen seleccionada 419
8.55 Lista de las escenas que cumplen con los criterios de búsque-
da 420
8.56 Detalle Fort Liberté Haití, isla La Española 425
8.57 Detalle Fort Liberté Haití, isla La Española 426
8.58 Detalle Fort Liberté Haití, isla La Española 428
8.59 Visualización de la imagen en el panel ’Viewer’ 429
8.60 Producto AOT, Imagen Sentinel-2 a 60 m 430
8.61 Producto WVP, Imagen Sentinel-2 a 60 m 430
8.62 Producto SCL, Imagen Sentinel-2 a 60 m 431
8.63 Producto Probabilidad de Nubes, Imagen Sentinel-2 a 60
m 431
8.64 Seleccionar el instrumento disponible 435
8.65 Productos disponibles publicamente para los instrumentos
Sentinel-3 435
8.66 Vista inicial del sitio [Link] 443
8.67 Panel de configuración de búsquedas en sitio ’[Link]/dhus’ 444
8.68 Cuadro de dialogo para logear con los datos de invitado 444
8.69 Modos del mapa web 444
8.70 Vista general de aplicación web para descarga de datos Sentinel-
5p 445
8.71 Cuadro de dialogo con opciones avanzadas de búsqueda 445
8.72 Lista de Productos Nivel 2 Disponibles 446
8.73 Nivel de Procesamiento de los Productos Disponibles 447
8.74 Categoría de Temporalidad Disponibles 447
8.75 Vista de detalle de la imagen seleccionada 447
8.76 Retrato de Gordon Miller Bourne Dobson, Walter Stone-
man 450
8.77 Distribución de Monóxido Carbono, 12 octubre 2021 452
8.78 Distribución de Formalheído, 12 octubre 2021 453
8.79 Distribución de Dióxido Nitrógeno, 12 octubre 2021 454
8.80 Distribución de Ozono, 12 octubre 2021 455
8.81 Distribución de Dióxido Azufre, 13 octubre 2021 456
8.82 Distribución de Metano, 11 octubre 2021 457

8.83 William Herschel, astrónomo germano-británico 459

8.84 Termómetros midiendo temperaturas de diferentes colores
según experimento realizado por Herschel 459
8.85 Detalle Islas Canarias, Mapa Temperaturas (en K) 465
8.86 Detalle Islas Canarias, Mapa Temperaturas (en K) 466
8.87 Detalle Islas Canarias, Mapa Temperaturas (en K) 471

9.1 Distribución de Imágenes y polígono Límite República de

Níger 476
9.2 Mosaico (RGB) formado por las imágenes disponibles y el
límite de la República de Níger 476
9.3 Mosaico (RGB) formado por las imágenes disponibles y el
límite de la República de Níger 477
9.4 Mapa categórico de los estados relativos a la ’Nubosidad’ en
la banda de calidad de estados 482
9.5 Imagen Enmascarada por cada categoría 484

9.6 a) Curva Coseno representativa de la primera armónica 486

9.7 Serie Original, valores NDVI MODIS, frecuencia 8 días 488
9.8 Curva NDVI ajustada por un término (superior), dos térmi-
nos (centro) y tres términos (inferior) 490
9.9 Captura de pantalla con mapa interactivo con los datos rás-
ter NDVI contenido en paquete ’rHarmonics’ 491
9.10 Doce primeras fechas del set NDVI, con los píxeles faltantes
en color magenta 492
9.11 Serie temporal NDVI modelada con trés términos compo-
nentes 493
9.12 NDVI MODIS, año 2016, serie temporal corregida 494
9.13 NDVI Medio Mensual 495
9.14 NDVI Estacional 2016 496
9.15 Captura de pantalla con visor de imágenes de windows con
una vista de la animación GIF 497

9.16 Combinación 500

9.17 Modelo Aditivo 500
9.18 Combinación de bandas espectrales 503
9.19 Combinación de bandas espectrales 503
9.20 Combinación de bandas espectrales 504
9.21 Combinación de bandas espectrales 505
9.22 Combinación de bandas espectrales 505
9.23 Comparación de combinación de bandas espectrales con el
mayor (superior) y menor (inferior) valor de OIF 510
9.24 Combinación de bandas espectrales con los nueve mayores
valores OIF 511
9.25 Combinación de bandas espectrales con los nueve menores
valores OIF 512
9.26 Razón de bandas Abram 514
9.27 Razón de bandas Kaufmann 515
9.28 Razón de bandas Chica-Olma 516
9.29 Razón de bandas Sultán 517
9.30 Gráfico de Dispersión R/NIR en Imagen Landsat Desem-
bocadura Río Mataquito(superior) e Imagen MODIS de la
región Tamonrasset, Algeria (inferior) 519
9.31 Gráficos de Dispersión para la imagen Landsat 8 OLI de la
desembocadura del Río Mataquito Chile 521

9.32 Profesor Nobuyuki Otsu 524

9.33 Índice MNDWI, Sector Lago Cardiel, Provincia de Santa
Cruz, Argentina 524
9.34 Cuerpos de agua 526
9.35 Caso de Vecindad tipo ’Reina’ donde se utilizan los 8 vecinos
a la celda central 527
9.36 Caso de Vecindad tipo ’Torre’ donde se utilizan los cuatro
vecinos, superior, derecho, inferior e izquierdo 527
9.37 Cuerpos de agua identificados por función clump() 527
9.38 Área de los Cuerpos de Agua (ha) 528
9.39 Histograma de áreas estimado mediante la función ’clumpSi-
ze()’ 529
9.40 Cuerpos de agua superiores a 20.000 ha 530
9.41 Detalle de la conversión de ráster a vectorial 530
9.42 Detalle de la conversión de ráster a vectorial 531
9.43 Polígonos resultantes proyectados y usados como capa adi-
cional en una sesión ’mapview’ 532

9.44 Crecimiento Urbano 1985-2020 534

9.45 Contraste Rojo - Infrarrojo cercano en la vegetación 535

9.46 Interacción de la Energía Electromagnética con la estructura
interna de la hoja vegetal 537
9.47 Comparación de cobertura foliar entre dos plantas teóri-
cas 537
9.48 Factores que dominan la respuesta espectral para dos tipos
de vegetación 538
9.49 Máscara por valor 21824, pixel Claro (izquierda) y enmasca-
rado de la zona de estudio (derecha) 539
9.50 Histograma de valores en rasterLayer RVI ’hist(freq(rvi))’ 542
9.51 Índice RVI 542
9.52 Índice NDVI 545
9.53 Influencia del brillo del suelo en el NDVI (superior) y SAVI
(inferior) 546
9.54 Índices SAVI y sus modificaciones 547
9.55 Índices EVI y EVI2 550
9.56 Índices ARVI y ARVI2 552
9.57 Índice AFRI 553
9.58 Índice GEMI 554
9.59 Río Mataquito, RGB 554
9.60 Índice Vegetales 555
9.61 Imagen Landsat 8 OLI/TIRS, Región de Provincia de Muğla,
Turquía 557
9.62 Composición de Bandas, Color verdadero RGB Pre incendio
(izquierda, arriba), Color verdadero RGB en incendio (dere-
cha, arriba), SWIR2/SWIR1/R (izquierda, abajo) y SWIR2/NIR/B
(derecha, abajo) 558
9.63 Índice BAI 559
9.64 Índice NBRI 560
9.65 SEVERIDAD, medido vía Diferencia de NBRI pre y post
incendio de Muğla, Turquía 563
9.66 Índice NBRT1 564
9.67 Imagen Landsat 8 OLI/TIRS, Sector Lago Cardiel, Provin-
cia de Santa Cruz, Argentina 565
9.68 Índice NDWI, Sector Lago Cardiel, Provincia de Santa Cruz,
Argentina 566
9.69 Índice NDWI2, Sector Lago Cardiel, Provincia de Santa Cruz,
Argentina 567
9.70 Índice MNDWI, Sector Lago Cardiel, Provincia de Santa
Cruz, Argentina 567
9.71 Índice EWI 569
9.72 Índice AWEI, no sombra 570
9.73 Índice AWEI, sombra 571
9.74 Índice WNDWI parámetro alpha de 0.1, Sector Lago Cardiel,
Provincia de Santa Cruz, Argentina 572

9.75 Tweet del 2 de febrero de 2019, donde se alerta de un brote

de cianobacterias en las costas de Uruguay 573
9.76 Detalle Costas de Montevideo, 16 de mayo 2019, composición
RGB 576
9.77 Detección de algas, composición Color Verdadero R,G,B 579
9.78 Detección de algas, respuesta banda NIR 579
9.79 Detección de algas, composición Falso Color NIR,R,G 579
9.80 Detección de algas, composición Falso Color SWIR,NIR,R 580
9.81 Detección de algas, índice FAI post fenómeno (superior), al-
gal bloom (inferior) 581
9.82 Vista de Detalle en la detección de algas 582

9.83 Selección de Campos de Entrenamiento para Clase ’MAR’ 585

9.84 Cinco áreas de entrenamiento, cinco clases 593
9.85 Firmas Espectrales de las clases de entrenamiento 596
9.86 Gráficos de Dispersión Espectral 597
9.87 Gráficos de Dispersión Espectral 598

9.88 Dos polígonos de muestreo para clases agua en la esquina

Superior derecha 606

9.89 Relación entre espectros, uno de test, otro de referencia 609

9.90 Efecto de la iluminación en el vector espectral de una cober-
tura 610
9.91 Medida de separación (a) entre dos coberturas (C, D) 610
9.92 Clasificación de imagen, método SAM (parámetro ’angles’
=F) 610
9.93 Valor Angular asignado por el cálculo SAM para cada cate-
goría 611
9.94 Coberturas estimadas con MESMA, y error RMSE 613

9.95 Número Óptimo de Cluster, método de Elbow 619

9.96 Clasificación no supervisada (kmeans, cuatro categorías) 620
9.97 Representación gráfica de los cuatro primeros componen-
tes 624
9.98 Composición RGB, r=comp.1, g=comp.2, b=comp.3 625
Índice de cuadros

1.1 Funciones más Comunes 28

1.2 caracteres para Formatear Fechas 58

1.3 caracteres para Formatear el tiempo 62

1.4 Propiedades de Paletas en Paquete ColorBrewer. 69

2.1 Operadores Lógicos 95

2.2 Funciones Lógicas 95

3.1 Nombre de Unidades por Nivel de Detalle. 131

4.1 Tamaño de Celda(m) por Nivel de Zoom y Latitud 144

4.2 Tipos de Archivo de Salida. 160
4.3 Continuación... 161

4.4 Comparativa de Estadísticas Descriptivas. 172

5.1 Cuadro Parcial Distancias (km). 223

6.1 Nombre de Variables disponibles en sitio web. 268

7.1 Magnitudes Físicas. 324

7.2 Resoluciones de las misiones y sensores cuyos productos se-

rán descritos y procesados con R en el texto. 347

8.1 Resumen de Bandas MODIS. 370

8.2 Resumen de Propiedades Genéricas para la misión Landsat
4 al 9. 379
8.3 Bandas Landsat 9 (OLI-2/TIRS-2). 380
8.4 Bandas Landsat 8 (OLI/TIRS). 382
8.5 Bandas Landsat 7 (ETM+). 384
8.6 Bandas Landsat 4-5 (TM). 386
8.7 Descripción de Valores Banda QA Pixel más importantes. 397

8.8 Bandas MSI, S2A [S2B]. 410

8.9 Códigos Tabla de Clases SCL. 413
8.10 Productos Adicionales Especiales MSI. 413
8.11 Nombre de los Productos TROPOMI Nivel 2. 442

9.1 Descripción de Estados Banda QA. 479

9.2 Continuación... 480

9.3 Set de Imágenes ciudad Las Vegas, Nevada, EEUU. Período

1985 al 2020. Misiones Landsat 5, 7 y 8. 533

9.4 Categorías de gravedad de quemaduras según proyecto FI-

REMON (USGS). 561

9.5 Promedio de Clases. 594

9.6 Desviación Estándar de Clases. 595
9.7 Tabla de Separabilidad para las cinco clases de entrenamien-
to. Para las bandas espectrales y su promedio. Datos obte-
nidos a partir de imagen Sentinel-2. 599
9.8 Continuación. 600
9.9 Continuación. 600

9.10 Importancia de cada banda en la construcción de los prime-

ros tres componentes principales. 623
 NOTA DEL AUTOR: El libro que tienes en tus manos
a sido escrito, diseñado, corregido y editado íntegramente con
la aplicación RStudio (RStudio Team [2020]), usando el es-
tándar Rmarkdown (Allaire et al. [2021], Xie et al. [2018a],
Xie et al. [2020]) basado en el increíble trabajo del proyecto
LATEX([Link]), utilizando el diseño y formato del proyecto tuf-
te (Xie and Allaire [2021]). Las citas bibliográficas se mantienen
y formatean con el excelente programa de código abierto JabRef
(JabRef Development Team [2021]).
Prefacio

Mensaje Preliminar al libro

El presente texto existe gracias a la buena y muy sana cos-

tumbre de documentar todos los procesos, tareas, búsquedas y
reflexiones acerca de un tema académico o de un proceso prácti-
co; cada nota debe ser descrita en tus propias palabras y siempre
asociando las fuentes. Así contarás con material suficiente para
enfrentar cualquier objetivo que te impongas.

Área temática del libro

Los fenómenos geográficos se desarrollan de manera continúa

sobre una extensión de la superficie terrestre (en, sobre o bajo
ella), y ha sido un desafío constante crear un modelo de represen-
tación tan simple para ser almacenado, procesado y visualizado
con facilidad y tan complejo que permita perder el mínimo de
información crítica y versátil que permita mantener el nivel de
detalle proporcional a la riqueza del mundo real.
Ese modelo se ha denominado modelo ráster y es el tema
principal del presente libro, su origen, fundamentos, propiedades
y algunos usos serán descritos en detalle.
Para ello, se basará en la Plataforma R y RStudio, unas de
las herramientas informáticas más poderosas en la actualidad.
Desde la instalación de las aplicaciones, pasando por una guía
básica de su utilización, hasta una detallada descripción del tra-
bajo con dicho modelo.
Organización y Características del Libro
Este libro es una introducción a conceptos, técnicas y aplica-
ciones de los modelos ráster. Este libro se centra en la creación de
modelos, descripción y propiedades cubriendo conceptos teóricos
y prácticos.
Todos los capítulos presentan nuevos conceptos que se ilustran
con casos prácticos utilizando datos reales y lo más actualizados
posibles. En cada capítulo se presenta un área del conocimiento
geográfico y como un modelo ráster se adapta para su uso parti-
cular. Los pasos para cumplir con este objetivo se implementan
mediante el uso de la herramienta R y es presentado en cua-
dros con código debidamente comentados. Esto permite al lector
aprender resolviendo problemas que pueden fácilmente ser gene-
ralizados a otros problemas.
Este libro no pretende cubrir todo el conjunto de usos y téc-
nicas ni mucho menos proporcionar una colección completa de
referencias.
Actualmente, el uso de los modelos ráster es un campo cre-
ciente y emergente, por lo que se anima a los lectores a buscar
permanentemente métodos y referencias utilizando palabras cla-
ve en la red.

Público objetivo
Este libro está dirigido a estudiantes de pregrado y graduados
recientes de disciplinas técnicas. Además, este libro también es-
tá dirigido a profesionales que sigan cursos cortos de educación
continua y a investigadores de diversas áreas de las geociencias
que se encuentren siguiendo cursos de autoaprendizaje.
Se requieren habilidades básicas en informática, matemáti-
cas y estadística, como conocimientos básicos en ciencias geo-
máticas y geográficas. El código de programación en R siempre
es beneficioso, sin embargo, incluso si el lector es nuevo en R, no
debería ser un problema, ya que adquirir los conceptos básicos
son manejables en un corto período de tiempo. Toda la evaluación
del código ha sido realizada en plataformas Windows, aunque se
insta a los usuarios explorar las versiones disponibles para otros
SO.

Usos previos de los materiales

Partes de los materiales presentados se han utilizado en clases
de pre grado de Sensores Remotos y Teledetección en la Univer-
sidad Tecnológica Metropolitana de Santiago de Chile.

Usos sugeridos del libro

Este libro se puede utilizar en cualquier curso de introducción
a las geociencias y/o geoinformática. También servirá de apoyo al
enfoque basado en áreas temáticas y casos reales para introducir
nuevos conceptos.
Las soluciones implementadas en código R desarrolladas para
diferentes problemas son un buen conjunto de ejercicios para los
estudiantes. Además, estos códigos pueden servir como base
cuando los estudiantes enfrenten proyectos más grandes.

Recursos suplementarios
Este libro va acompañado de un conjunto de archivos de datos,
nativos y preprocesados necesarios para resolver los casos prácti-
cos. El material se encuentra disponible en el siguiente repositorio
de GitHub:
[Link]/daniloverdugo/raster_con_R

Reconocimientos
Me gustaría agradecer tanto a mi familia por su amor y apoyo
durante todo el tiempo transcurrido que pasé al escribir este texto
y más difícil aún, cuando no escribía este libro.
También deseo expresar un público reconocimiento a los ex-
celentes profesionales y estimados amigos que han aportado su
tiempo valioso y ordenados estrictamente por alfabeto, Gisella
Araya, Nicolás Cea, Elizabeth Díaz, Adrián Morgado, Francis-
co Páez, Tomás Pizarro, Diego Soza, Patricio Lamparein y Ana
María Marangunic.
 Todas sus valiosas observaciones, su cuidadosa revisión, han
logrado convertir una serie de textos a una obra práctica y de
utilidad general. Les ofrezco mi más profundo y sincero agradeci-
miento por su tiempo, que hoy es uno de los tesoros más grandes
que disponemos.

Retroalimentación
Los comentarios y críticas constructivas del lector son muy
apreciados. Para informar errores, sugerencias o comentarios por
favor escribir: dynageo@[Link].
Danilo Verdugo, Malloco, Chile
I PLATAFORMA R
Antecedentes Generales

1.1 Historia y Origen

R es un sistema o una plataforma que surge de un entorno

computacional diseñado originalmente para el cálculo estadísti-
co. Nace como un dialecto de S el cual es un lenguaje de progra-
mación desarrollado por John Chambers (Figura 1.1) y otros en
la antigua “Bell Telephone Laboratorios”, originalmente miem-
bro de AT & T Corp. S se inicia en 1976 como un programa
interno de análisis estadístico. En 1988 el sistema fue reescrito
desde FORTRAN a C y empezó a parecerse al sistema que te-
nemos hoy en día (esto fue en la versión 3 del lenguaje S). Lo
importante de destacar es el espíritu original por el cual fue dise-
ñado el sistema: facilitar el análisis de datos, primero para ellos
y eventualmente, para otros.
John Chambers describe el anhelo al momento de diseñar el
lenguaje S con que “los usuarios comenzaran en un entorno in- Figura 1.1: John
teractivo, donde no pensaran conscientemente en sí mismos co- Chambers creador de
S.
mo programadores. Entonces, cuando sus necesidades fuesen más
claras y su sofisticación aumentara, deberían ser capaces de tran-
sitar gradualmente a la programación, cuando lenguaje y sistema
serían más importantes”. La clave fue la transición de usuario a
desarrollador. Ellos querían construir un lenguaje que fácilmente
podría dar servicio a ambos tipos de usuario. Técnicamente, nece-
sitaban construir un lenguaje que fuese adecuado para el análisis
de datos interactivo (basada en línea de comandos), así como pa-
ra la escritura de programas (como los lenguajes tradicionales de
programación).
4 PLATAFORMA R

Figura 1.2: Ross Ihaka

y Robert Gentleman,
los creadores de R.

En 1991, Ross Ihaka y Robert Gentleman (Figura 1.2) en

el Departamento de Estadística de la Universidad de Auckland
crean R. Inspirado en la filosofía de S pero como un proyecto
totalmente abierto. En 1993, se hace público. La experiencia de
Robert y Ross sobre el desarrollo de R está documentada en un
interesante artículo de 1996 en el Journal of Computational and
Graphical Statistics [Ihaka and Gentleman, 1996].
Hoy R se ejecuta en casi cualquier sistema operativo o pla-
taforma informática estándar ¡incluso en una playstation 3! Una
característica interesante en muchos proyectos de código abierto
son las versiones frecuentes. Estos días se produce una liberación
anual importante, por lo general en octubre, donde se incorporan
nuevas características principales y lanzadas al público. A lo lar-
go del año, se realizarán lanzamientos de corrección de errores en
pequeña escala, según sea necesario. Los lanzamientos frecuen-
tes y ciclo de liberación regular indican un permanente y activo
desarrollo del software donde se asegura que los errores serán tra-
tados de una manera oportuna. Por supuesto, el árbol principal
de código fuente de R se encuentra bajo el control de un peque-
ño grupo de desarrolladores. Al momento de escribir estas líneas
(mayo 2021) nos encontramos en la versión 4.0.5 o Shake and
Throw.
 Antecedentes Generales 5

Es interesante notar el dato anecdótico que los nombres pro-

pios con que se han designado desde la primera versión liberada
Great Pumpkin (versión 2.14.0, noviembre 2011) o Trick or Treat
(versión 2.15.2, octubre 2012) entre muchas otras hacen referen-
cia a un capítulo específico de la serie animada Peanuts (Figura
1.3).
Otra de las ventajas clave que R posee avanzadas capacidades
Figura 1.3: Serie
gráficas con calidad de publicación cuya existencia se ha asegura- animada Peanuts
do desde el principio del proyecto mediante el control muy fino (Snoopy) basada en
en todos los aspectos de la composición gráfica. los comics de Charles
Schulz.

1.2 Diseño de la Plataforma R

El éxito alcanzado por el proyecto R no tiene nada que ver

con las herramientas en sí mismas, sino más bien con lo activa
que sea la comunidad de usuarios, hoy miles de ellos en todo el
mundo se han unido para realizar contribuciones como también
ayudar a otros a usar R para todo tipo de nuevas e insospechadas
aplicaciones.
El sistema R base o core o núcleo de la plataforma se com-
pone de las herramientas mínimas para su funcionamiento que
se encuentra disponible para varios sistemas operativos: Linux,
Windows, Mac e incluso su Código Fuente en la denominada Red
Exhaustiva de Archivos R (Comprehensive R Archive Network,
CRAN.
[Link], es una red de servidores ftp y web en todo
el mundo que almacenan versiones idénticas y actualizadas de
código y documentación para R)

1.3 RStudio

Aunque R posee un diseño muy avanzado e inteligente a me-

dida que se realizan rutinas para análisis de datos, gráficos, o se
generan archivos temporales de esos mismos procesos o se des-
cargan e instalan diversos paquetes de código adicionales se hace
muy difícil de mantener y menos aún generar procedimientos cla-
ros, organizados y replicables en distintos entornos informáticos,
6 PLATAFORMA R

siendo esta última capacidad crítica para la aproximación científi-

ca al análisis de datos. RStudio también es una herramienta libre
que hace más fácil el trabajo con R, van der Loo and De Jonge
[2012] definen sus principales características como:
• Editor de texto, explorador de archivos, visualizador de gráfi-
cos todo en el mismo entorno.
• Trabaja directo con una instalación subyacente de R.
• Organiza el código y mantiene múltiples proyectos.
• Mantiene mi investigación reproducible.
• Mantiene los paquetes en la instalación de R.
• Crea y comparte reportes.
• Comparte el código y colabora con otros usuarios.
RStudio hoy es una aplicación y una fundación dedicada al
soporte de sus productos de código abierto 1 como al servicio co- 1
[Link]
mercial de capacitación y consultoría en temas estadísticos y R.
Su fundador J.J. Allaire también inventa el lenguaje de progra-
mación web ColdFusion, Windows Live Writer (programa para
escribir y publicar blog), FitNow y LoseIt ambas aplicaciones
móviles para ejercicio y pérdida de peso entre otros proyectos
tecnológicos.

1.4 Características Principales

Algunas propiedades que hacen de RStudio el editor ideal para
trabajar con R (tomado de van der Loo and De Jonge [2012]):
Integración con la consola R: Escribe comandos directamen-
te en R dentro de RStudio.
Ejecución de código: Ejecuta código directo desde el editor.
Paréntesis inteligente: Cierre automático de paréntesis, ilumi-
na selección, cierre de comillas automático. Termina de escribir
la palabra previamente iluminada de un menú intellisense.
Ayuda en línea: Acceso directo a la ayuda de lenguaje y sin-
taxis. Atajos de teclado: Tareas repetitivas son asociadas a
combinación de teclas. Integra Ayuda, Permite navegar y buscar
en las páginas de ayuda nativas de R.
Explorador de objetos e Historia: Se puede inspeccionar ca-
da objeto creado en la sesión actual de R y su explorador de
 Antecedentes Generales 7

historia permite recorrer los comandos utilizados desde el actual

hasta el primero de la sesión.
Navegar por el código: Saltar entre funciones, llamadas y re-
portes, visor de datos y visualización tipo grilla para explorar el
contenido de los objetos en la sesión actual.
Menús de Importar datos: Para los tipos más comunes de
archivo, ofrece un sistema de menú que genera el código R ne-
cesario. Integración gráfica con zoom, paneo y capacidades de
exportación.
Gestión de proyectos: Facilita el manejo y control de varios
proyectos. Control de versión e integra los sistemas de control git
y svn.
Generación de Documentos: Genera pdf, html y otros for-
matos de reporte usando RMarkdown, Sweave o knitr.
Publicación: Publicar reportes y rutinas directo a la web de
[Link].

1.5 Instalación de Plataforma R y RStudio

Primero se debe descargar el paquete de instalación desde el

sitio web [Link] siguiendo el link CRAN y buscar en
el listado de servidores espejo el más cercano a la ubicación del
usuario. Luego, seleccionar la versión correspondiente al sistema
operativo de la máquina a instalar. A continuación, prestar aten-
ción y ubicar el link install R for the first time en el apartado
base.
Finalmente, encontramos el link para la descarga del paque-
te instalador, siempre será le versión más reciente. Ejecutar el
programa y seguir los pasos indicados por el asistente.2 2
Es importante seña-
lar que el nombre de
Una vez terminada la instalación de R procedemos a instalar el
usuario de la sesión
programa RStudio desde el sitio [Link] y buscar en la Windows donde se rea-
lista de productos RStudio Desktop. A continuación, seleccionar lizará la instalación
no existan espacios e
la versión Open Source Edition que es libre de pago. Finalmen- idealmente no conten-
te seguir la secuencia de botones correspondiente hasta llegar ga tildes. De ser así,
es recomendable crear
al punto de descarga del paquete de instalación. Poner especial
una nueva sesión con
atención en seleccionar el que corresponda a su versión de siste- un nombre sin espacios
ma operativo. Ejecutar el programa y seguir los pasos indicados ni tildes.
8 PLATAFORMA R

por el asistente.

1.6 Consideraciones Preliminares

El entorno de trabajo de RStudio posee una configuración por

defecto que presenta una distribución de funcionalidades orienta-
da al uso como entorno interactivo de cálculo y proceso de datos
mediante línea de comandos contenido en la ventana Console y
una vista general de los objetos y variables creadas en la sesión
actual en la ventana Environment (Figura 1.4).
El tipo de trabajo descrito en el presente texto utiliza metodo-
logías más complejas y extensas que trabajar solo como calcula-
dora o proceso de datos. Por lo tanto, vamos a sugerir una nueva
distribución de ventanas que optimicen el trabajo en un tipo de
archivos que permiten ir escribiendo largas secuencias de coman-
dos que van desarrollando las tareas de manera secuencial y por
seguridad buscamos grabar en disco un archivo que la próxima
vez me permita repetir dicha secuencia y continuar o modificar
según el caso. Los archivos creados tendrán la extensión .R y los
denominaremos scripts.

Una mejor disposición de ventanas es la sugerida en la figura

1.5. Donde se privilegia el panel izquierdo para extender a altura
completa el editor de texto y maximizar el área disponible para
escribir y editar scripts y mantiene el panel derecho la consola
con su línea de comando.
Otro aspecto importante es el uso de un color de fondo obscuro
que reduce la fatiga visual cuando se sienta frente al monitor
durante períodos muy prolongados.
Otra característica configurada por defecto es que al momento
de salir de una sesión, es guardar el espacio de trabajo lo que sig-
nifica que se crea una imagen de las variables y funciones actuales
en un archivo llamado ”.RData”.
Cuando se vuelve a abrir R desde el mismo directorio de tra-
bajo, el espacio de trabajo se cargará y todas estas cosas estarán
disponibles. Pero no recomendamos ese comportamiento. Cargar
un espacio de trabajo guardado convierte el script cuidadosamen-
Antecedentes Generales 9

Figura 1.4: Configura-

ción por defecto.

Figura 1.5: Configura-

ción sugerida.
10 PLATAFORMA R

te escrito donde todo sucede lógicamente de acuerdo con un plan

a algo parecido a un cajón de sastre, lleno de páginas y cuadernos
variados que pueden ser o no pertenecientes al trabajo actual.
Para configurar nuestro programa recomendamos cambiar al-
gunos parámetros en la configuración general de la aplicación,
para ellos debemos ir a la opción de menú Tools/Global Op-
tions. (Figura 1.6).
El cuadro de dialogo resume un gran número de parámetros
que abarcan detalles del funcionamiento general de RStudio (Fi-
gura 1.7).
Los siguientes cambios son necesarios para configurar los as-
pectos mencionados en punto anterior:
Figura 1.6: Opción de
• General: Para quitar la carga automática de variables y fun- menú para configura-
ciones de la última sesión, debemos en el grupo Workspace ción general.

quitar el check de Restore .RData into… y seleccionar la opción

Never de la lista Save workspce to .RData… (Figura 1.7).
• Appearance: La configuración de colores en el editor de texto
y los otros cuadros se selecciona en la lista Editor theme: y se
debe tener especial cuidado en elegir aquel con un fondo negro
o muy obscuro (Figura 1.8).
• Pane Layout: La distribución de los espacios disponibles para
optimizar el editor de texto y mantener la línea de comando
visible se configura siguiendo las opciones en indicadas en la
figura 1.9).
Antecedentes Generales 11

Figura 1.7: Panel de

configuración general.

Figura 1.8: Selección

para configuración de
colores.
12 PLATAFORMA R

Figura 1.9: Configura-

ción de paneles y cua-
dros.
Paquetes

El sistema base, tal como se describe en 1.2, es capaz de ejecu-

tar rutinas y código encapsulado en forma de módulos o paque-
tes (packages) que amplifican y diversifican las posibilidades de
cómputo, gráfica, conexiones remotas, generación de documentos
y un gran, gran etc.

El sistema base o core también se forma de un conjunto de

paquetes.

Además de las funciones más fundamentales el sistema base

incluye los paquetes utils, stats, datasets, graphics, grDevices,
grid, methods, tools, parallel, compiler, splines, tcltk, stats4 y
algunos paquetes recomendados: boot, class, cluster, codetools,
foreign, KernSmooth, lattice, mgcv, nlme, rpart, survival, MASS,
spatial, nnet, Matrix.
Cuando se descarga una instalación nueva de R desde CRAN,
se obtiene todos los paquetes mencionados, que representa un
gran porcentaje de la funcionalidad del sistema.

1.7 Búsqueda
Además de la gran cantidad de paquetes instalados por defec-
to, existe una gran cantidad de paquetes opcionales disponibles.
• A noviembre 2021 existen 18.407 paquetes en CRAN que han
sido desarrollados por los usuarios y programadores alrededor
del mundo cada uno de ellos diseñado para un campo en es-
pecial.
14 PLATAFORMA R

• También hay muchos paquetes asociados con el proyecto Bio-

conductor3 , (detalles en 9.8.1). 3
[Link]
• Las personas a menudo hacen sus propios paquetes y los ha-
cen disponibles en sus sitios web personales; en realidad no
hay manera confiable de realizar un seguimiento de cuántos
paquetes están disponibles de este modo.
• Hay una serie de paquetes que se desarrollan en los repositorios
de GitHub y BitBucket pero no existe ninguna lista fiable de
todos estos paquetes.

El mejor método para buscar en la web, nuevos paquetes es

utilizar el sitio [Link] (Figura 1.10) usando palabras claves y
potenciado por el motor de búsqueda de Google.

Figura 1.10: Sitio web

de búsqueda de conte-
nido asociado a R, mo-
do ’Package’.

Generalmente los resultados siempre serán múltiples y varia-

dos.
 Antecedentes Generales 15

1.8 Instalación

Una vez identificado un paquete que ofrece las funcionalidades

deseadas se debe instalar en nuestro ambiente R y dejarlo dispo-
nible para cuando se necesite. El entorno RStudio cuenta con un
panel específico (Figura 1.11).

Figura 1.11: Panel

Packages.

Que junto al listado de paquetes ya instalados se dispone de

opciones para instalar y actualizar (1.9) los
existentes.

1.8.1 Cuadro Diálogo

El botón Install levanta un cuadro de diálogo con las opciones
de configuración (Figura 1.12) para instalar paquetes disponibles
en CRAN o los paquetes descargados en formato .zip de sitios no
oficiales.

1.8.2 Función [Link]()

Un segundo método de instalación es utilizar la función R es-
crita directamente en la consola y reemplazando nombre por el
paquete deseado.
16 PLATAFORMA R

Figura 1.12: Opciones

de Instalación vía RS-
tudio.

[Link]("nombre")

1.9 Actualización

El botón del panel paquetes levanta el cuadro de

diálogo diseñado para la selección de los paquetes a actualizar. La
lista solo muestra aquellos disponibles de actualización (Figura
1.13).

Figura 1.13: Opciones

de Instalación vía RS-
tudio.
Sintaxis Básica de R

1.10 Operaciones Numéricas

De acuerdo con la configuración de ventanas descrita en el

punto anterior la ventana Console se encuentra en la esquina
superior derecha junto a las ventanas Terminal y Jobs. En ella
trabajaremos interactivamente mediante la línea de comando, su
uso puede ser comparado con el uso de una calculadora electró-
nica que siempre está a la espera del ingreso de una instrucción
a continuación del símbolo >.
La dinámica de uso es ir ingresando el texto que define la
operación o instrucción a realizar y finalizar con la tecla Intro:
1 + 2 + 3
Y R responde con la evaluación inmediata de la operación:
[1] 6
Los espacios en blanco son removidos automáticamente y la
orden es evaluada normalmente:
1+2 + 3
[1] 6
Cuando la instrucción se extiende por más de una línea, R
se encarga de interpretar la estructura y completitud para ser
evaluada:
12 + 3 -
5 +
5
[1] 15
18 PLATAFORMA R

También puedes usar el símbolo ‘punto y coma’ (;) para sepa-

rar secuencias de instrucciones, pero escritas en la misma línea
de código.
El editor ofrece algunas facilidades al usuario como el historial
de órdenes de las instrucciones digitadas en orden reverso para
evitar el retipeo de una instrucción muy extensa. Recorrer con las
flechas verticales hasta encontrar el texto buscado y solo editar
los cambios requeridos. También cuenta con un potente motor de
finalización inteligente que permite obtener ayuda a medida que
se escribe nombre de funciones o comandos y cuando se trabaja
con scripts también nombres de funciones o variables. Por último,
para limpiar todo el texto escrito presionar la tecla escape.
Se pueden utilizar los símbolos aritméticos tradicionales +,
-, *, / y ∧ 4 . Además se encuentran disponibles las funciones 4
El acento circunflejo
log, exp, sin, cos, tan, sqrt entre muchas otras bien conocidas.
∧ se utiliza para la
potenciación (se obtie-
También existe el valor de pi. ne combinando las te-
clas alt+94) también
1 + 2 - 3 * 4 / 5**6; sin(0.33); acos(0.253) ; sqrt(4) se puede reemplazar
con ∗∗. Además, exis-
[1] 2.999232 te la operación módulo
[1] 0.324043 (%%) y la división en-
tera (%/%).
[1] 1.315016
[1] 2
9 %% 4
[1] 1
13.5 %/% 2
[1] 6
pi

[1] 3.141593
También se debe tener en cuenta que los números muy gran-
des o pequeños serán automáticamente convertidos a notación
científica.
1/100000000000000000
[1] 1e-17
 Sintaxis Básica de R 19

1*100000000000000000
[1] 1e+17
En operaciones más complejas se recomienda el uso de () para
fijar el orden o precedencia de las operaciones. Se acepta anidar
los paréntesis (()).
3 * 5 + 1
[1] 16
3 * (5 + 1)
[1] 18
1 + (3 + (1 + 2) / 3)
[1] 5
Las operaciones lógicas se realizan utilizando ciertos símbolos
o combinaciones de ellos para obtener resultados lógicos:
2 == 3
[1] FALSE
2 < 3
[1] TRUE
Revisa cuadro 2.1 para una lista completa de los caracteres y
su significado en las operaciones lógicas.
Otros componentes del lenguaje R son: valor lógico verdadero
TRUE y falso FALSE, infinitud positiva Inf y negativa -Inf, no
disponible NA, no es un número NaN y nulo o vacío NULL.
Finalmente, no podemos intercambiar mayúsculas o minúscu-
las al momento de escribir los nombres de instrucciones (por ej.
sin no es igual a Sin). Y en R todo es un objeto que pertenecen
a cierto tipo de clases. Así cada uno de ellos tendrá comporta-
mientos y usos diferentes.
class(1)
[1] "numeric"
class("palabra")

[1] "character"
20 PLATAFORMA R

class(sqrt)

[1] "function"
class(1 != 1)
[1] "logical"
class(TRUE)
[1] "logical"
class([Link]())

[1] "Date"

1.11 Asignación

El proceso de almacenar cualquiera de los objetos ya descritos,

o el resultado de las operaciones en memoria RAM y hacerlo
persistente a lo largo de la sesión actual de trabajo se denomina
asignación. Resultados intermedios se deben ir asignado con un
nombre fácilmente identificable y memorizables.5 5
Los nombres de los
Es conveniente adoptar un estilo de escritura para los nombres objetos deben en lo
posible resumir el con-
de los objetos y para ellos existen varios métodos entre los cuales tenido, evitar nombres
podemos destacar: genéricos como a u
X y no ambiguos co-
• lowercase: todominusculas. mo variable o constan-
te. Pueden contener
• UPPERCASE: TODOMAYUSCULAS. letras, números, pun-
• UpperCamelCase: PrimeraMayusculaSiguientesBajas. tos y guiones o barra
baja (_). Siempre de-
• lowerCamelCase: primeraMinusculaSiguientesMayusculas. be comenzar con una
• [Link]: [Link]. letra o punto.
• snake_case: separada_por_guion_bajo.

En el sitio web [Link] donde se discuten buenas

prácticas para el uso de R se recomienda el último tipo.
La forma de realizar una asignación tiene la forma general:

nombre = valor (1.1)

Donde nombre es el identificador o nombre del objeto o varia-

ble que se busca crear y almacenar en memoria, = el operador
 Sintaxis Básica de R 21

de asignación (no confundir con ==) y valor es el contenido a

almacenar.6 6
En R se ha uti-
lizado tradicionalmen-
radio_estimado = 135.45 te como operador de
asignación <- que vie-
nombre será sintácticamente válido cuando consta de letras, ne desde la primera
números o punto y comienza con una letra o el punto, pero no versión de R, dado que
seguido de un número. Los nombres como “.2var” no son válidos, su origen proviene del
lenguaje S y a la vez
ni tampoco las palabras reservadas. éste fue inspirado por
En la actualidad el uso <- o = es casi indistinto, pero en casos el lenguaje APL (A
Programming Langua-
muy específicos (y técnicos) existen diferencias. En nuestro libro ge, Kenneth Iverson en
recomendamos el uso de <- ya que es un poco más cómodo de 1957-62) que utilizaba
tipear que el carácter =. dicho carácter ya que
el símbolo = se utili-
variable <- (112.33 - 45) / 105 zaba solo para prueba
de igualdad.
Una vez escrita la asignación y presionado intro se realiza la
operación, se crea el objeto en memoria con nombre variable y
la línea de comando se limpia. Para conocer el resultado de la
operación podemos:

Figura 1.14: Panel En-

vironment.

1. Buscar el resultado en el panel Environment en la esquina

inferior derecha (Figura 1.14).

2. Escribir la asignación dentro de un juego de paréntesis redon-

dos () que obliga imprimir el resultado de la evaluación de la
22 PLATAFORMA R

expresión.

(variable <- (112.33 - 45) / 105)

[1] 0.6412381

3. Volver a escribir el nombre y presionar intro.

variable
[1] 0.6412381

4. Utilizar el comando print().

print(variable)

[1] 0.6412381
El principal objetivo de almacenar en memoria es la reutiliza-
ción de dichos contenidos:
radio_inicial <- 15.43 + 36.315 * (3 * 5)
(area_base <- pi * radio_inicial ** 2)

[1] 985748.9
Al asignar un nuevo contenido con el mismo nombre, el ante-
rior se elimina de memoria y se crea un nuevo objeto.
x <- 5
x <- "hola"
x
[1] "hola"
El comando ls() me permite listar todos los objetos almacena-
dos en mi sesión actual y rm(list = ls()) borrará la totalidad
de objetos de mi sesión actual.

1.12 Naturaleza Vectorial

En todas las ocasiones que hemos escrito una operación aritmé-

tica o impreso un resultado R crea automáticamente un vector 7 7
Un Vector es el ti-
po de objeto más bási-
con una longitud que corresponde a los valores por almacenar.
co del lenguaje R. Un
Si estudiamos el ejemplo siguiente: vector puede contener
cero o más objetos,
y siempre serán de la
misma clase.
 Sintaxis Básica de R 23

5
[1] 5
ls()
[1] "area_base" "radio_inicial" "variable" "x"
Vemos un [1] antecediendo al número 5 que indica que se trata
del primer (y único en este caso) elemento, mientras que en el
caso del comando ls() la lista de respuesta por cada renglón que se
extienda en la consola antecederá su correspondiente [] señalando
la posición en el vector generado automáticamente.

1.12.1 Función c() para crear vectores

La creación manual de vectores usando elementos individuales

se realiza mediante la función c().
En el siguiente ejemplo hemos incorporado dos nuevos elemen-
tos:

• ; (punto y coma) que nos permite separar dos instrucciones

en la misma línea.
• # (almohadilla o numeral) sirve para crear COMENTARIOS:
textos que no serán evaluados por R.

c(1, 4, 8, 11) #Sin asignar a nombre de objeto

[1] 1 4 8 11
x <- c(2, 4, 6, 8); print(x)

[1] 2 4 6 8
y <- c(x, 100, 101, 102); y

[1] 2 4 6 8 100 101 102

z <- c("azul", "rojo", "verde", "amarillo"); (z)

[1] "azul" "rojo" "verde" "amarillo"

24 PLATAFORMA R

1.12.2 Uso de Secuencias para crear vectores

Una secuencia numérica se construye usando el operador :.
Por ejemplo:
1:30
Es equivalente a c(1, 2, 3, ... , 30), también es capaz de
crear secuencias negativas y/o usar valores decimales. Comprueba
las siguientes operaciones y sus resultados:
30 : 1
-10 : -8
1.5 : 5
La prioridad del comando : es máxima y siempre será eva-
luado al inicio. Compara las secuencias obtenidas entre 1:5-1 y
1:(5-1).

1.12.3 Usar Repetición para la creación de vectores

El comando rep() genera un vector con la repetición de un
valor un número determinado de veces. También se puede repetir
un texto, una fecha o una secuencia definida con la opción :.
Revisar usando alguna de las formas de ayuda en línea los
argumentos, nombres y usos para el comando rep:
rep(1, 5); rep('a', 5)

[1] 1 1 1 1 1
[1] "a" "a" "a" "a" "a"
rep(c(1:3, 7), 3); rep(x = 1:2, times = 3, each=3)

[1] 1 2 3 7 1 2 3 7 1 2 3 7
[1] 1 1 1 2 2 2 1 1 1 2 2 2 1 1 1 2 2 2

1.12.4 Uso de Patrones para crear vectores

El comando seq() genera patrones regulares. Posee múltiples
parámetros o argumentos con nombre para configurar el patrón.
Los dos primeros desde (from), hasta (to) tendrían el mismo
comportamiento que los parámetros del comando :, un tercero
paso (by) define el incremento y posee un valor por defecto de 1
 Sintaxis Básica de R 25

y un cuarto argumento define el número de elementos que debe

contener la secuencia ([Link])8 . 8
La mayoría de
En los ejemplos siguientes vemos el uso del comando usando funciones en R poseen
parámetros o argu-
los argumentos en orden preciso sin utilizar sus nombres: mentos con nombre
que permiten ajustar
seq(1, 10) #from=2, to=10 el funcionamiento. El
orden y sus nombres
[1] 1 2 3 4 5 6 7 8 9 10 lo encuentras usando
la ayuda en línea. En
seq(1, 10, 2) #from=2, to=10, by=2 R el sistema es muy
poderoso y fácil de
[1] 1 3 5 7 9 utilizar, basta ubicar
el cursor sobre el
También al poseer valores por defecto se puede abreviar su
nombre de comando
uso: y presionar F1 y un
panel con información
seq(to = 5) detallada con:
Descripción: Breve
[1] 1 2 3 4 5 descripción de funcio-
namiento.
seq(from = 3) Uso: Sintaxis con el
orden y nombres de
[1] 1 2 3 argumentos.
Argumentos: Lista
Pero la verdadera utilidad de los argumentos con nombres es
detallada y en orden
la libertad en el orden de uso: correspondiente de los
argumentos.
seq(to = 9, from = 1) Detalles: Información
adicional.
[1] 1 2 3 4 5 6 7 8 9 Valor: El objeto que
retorna.
seq(by = 1.5, from = 1, to = 9) Ejemplos: Código R
con alternativas de
[1] 1.0 2.5 4.0 5.5 7.0 8.5 uso.
Será desplegada
seq(from = 10, by = -3, [Link]= 5) en el panel inferior
derecho. También
[1] 10 7 4 1 -2 puedes escribir en la
consola el símbolo de
seq(by = 3, [Link]= 6) interrogación y a con-
tinuación el nombre
[1] 1 4 7 10 13 16 del comando: ?seq
o usar el comando
La misma lógica se aplica al trabajo con fechas: help('seq').
seq([Link]("1910/1/1"), [Link]("1912/1/1"), "years")

[1] "1910-01-01" "1911-01-01" "1912-01-01"

26 PLATAFORMA R

seq(from= [Link]("2000/1/1"), by = "month", [Link] = 3)

[1] "2000-01-01" "2000-02-01" "2000-03-01"

inicio <- [Link]("1999-12-17")
fin <- [Link]("2000-3-7")
seq(from= fin,
to= inicio,
by = "-1 month")

[1] "2000-03-07" "2000-02-07" "2000-01-07"

1.12.5 Vectores Lógicos y Caracteres

Además de los vectores numéricos y fechas R soporta del tipo
lógico y texto. En el caso de vectores lógicos solo puede tomar
dos valores: FALSE (falso) y TRUE (verdadero), también son
válidos F y T.
Generalmente son construidos a partir del uso de los operadores
lógicos (ver Cuadro 2.1) en condiciones. Por ejemplo:
enteros <- 1:6
(prueba <- enteros <=3)

[1] TRUE TRUE TRUE FALSE FALSE FALSE

Donde prueba almacena un vector de la misma longitud que
enteros y cuyo contenido será tanto True o False dependiendo si
o no cumplen la condición.
También vectores de texto o caracteres pueden ser creados. Los
textos o frases deben ser escritos entre comillas (”) o comillas
simples (’), por ejemplo 'Este texto está entre comillas.'.
Generalmente utilizada en la construcción de vectores con c().
rep(x=c('x','y'), times= 4)

[1] "x" "y" "x" "y" "x" "y" "x" "y"

Operación Vectorial

1.13 Operaciones Numéricas

Toda operación en R se realiza utilizando los vectores elemento

a elemento. Si poseen distinta longitud el resultado tendrá la
longitud del mayor y los restantes serán reciclados9 . 9
Reciclar es repetir un
vector de longitud me-
x <- c(100, 800) nor tantas veces como
y <- 2:7 sea necesario para al-
canzar la longitud del
y + x + 3 mayor utilizado en la
operación. Puede usar
[1] 105 806 107 808 109 810 una fracción para coin-
Donde el vector x se repite tres veces, el número 3 seis veces cidir la longitud y se-
rá informado con un
todo para igualar la longitud del vector y. mensaje de alerta.
Algunas funciones se aplican a cada uno de los elementos y
otros devuelven un cálculo que se aplica sobre todo el vector
(Ver listado de las más comunes en Cuadro 1.1):
x <- 3:6; x

[1] 3 4 5 6
x**2 #Elevar al cuadrado
[1] 9 16 25 36
sum(x) #Suma el contenido
[1] 18
Podemos mencionar que existen comandos que retornan el vec-
tor con un nuevo orden, sort(x) que retorna un vector del mis-
mo largo de x ordenados ascendente o descendente vía parámetro
decreasing y para revertir el orden de los elementos: rev(X)
28 PLATAFORMA R

Cuadro 1.1: Funciones

más Comunes
Función Definición
lenght() Largo o número de elementos
min() Mínimo
max() Máximo
range() Rango
mean() Promedio
median() Mediana
sum() Suma
prod() Producto
var() cuasi-Varianza
sd() Desviación Estándar

1.14 Valores Faltantes

Puede ocurrir que no todos los componentes de un vector sean

conocidos, para R son valor no disponible o NA. Generalmen-
te una operación que incluya un valor NA dará como resultado
un NA. La razón es simple, si no se puede definir o expresar en
términos concretos todos los elementos que participan en la ope-
ración no se puede conocer o expresar en términos concretos el
resultado.
x <- c(1, 2, 3, 4, NA, 6)
mean(x)
[1] NA
Para resolver el problema, existe el parámetro [Link]=TRUE
(remover NA) que precisamente indica que la operación se lleve
a cabo e ignore cualquier NA (o NaN10 ): 10
NaN corresponden a
otro tipo de valores
mean(x, [Link] = TRUE) faltantes, hace refe-
rencia a una expre-
[1] 3.2 sión numérica indefini-
da como por ej. 0/0 o
La función [Link](x) retorna un vector lógico de longitud si-
Inf-Inf.
milar a X con TRUE si corresponde a NA y FALSE en caso
contrario.
 Operación Vectorial 29

[Link](x)
[1] FALSE FALSE FALSE FALSE TRUE FALSE
Finalmente, no confundir el término NA con un texto “NA”:
[Link](c("NA", NA))

[1] FALSE TRUE

1.15 Indexado y Subconjunto

R posee varios métodos para acceder a elementos individuales

o subconjuntos a través de las operaciones de indexación, la forma
de alcanzar el i-ésimo elemento de un vector x es mediante la
sintáxis x[i].

1.15.1 Índice Numérico Positivo

El índice i puede ser un valor, una secuencia o un vector de

números enteros positivos11 que definen los elementos a retornar: 11
Puede contener índi-
ces repetidos.
x <- 11:19
x[2]
[1] 12
x[c(2, 2, 2, 5:9)]

[1] 12 12 12 15 16 17 18 19
Si el índice es mayor que la longitud del vector retornará NA:
x[10]
[1] NA

1.15.2 Índice Numérico Negativo

Si los índices son negativos los valores deben ser excluidos:

x[-2]
[1] 11 13 14 15 16 17 18 19
30 PLATAFORMA R

x[c(-2, -4, -(6:9))]

[1] 11 13 15

1.15.3 Vector Lógico

Debe ser un vector de la misma longitud que el vector a evaluar

y contiene valores verdaderos o falsos y serán retornados aquellos
que corresponden a valores TRUE12 . 12
Para invertir la selec-
ción (rescatar los ele-
x <- 1:5 mentos de índices fal-
test <- c(TRUE, TRUE, TRUE, FALSE, FALSE) sos) debe aplicar el
operador de negación
x[test] !, x[!test].
[1] 1 2 3 El proceso inverso que
devuelve los índices
Una forma de construir un vector lógico es en respuesta a
de los elementos que
condiciones lógicas donde los elementos que cumplen la condición cumplen una condi-
son devueltos: ción se realiza con el
comando wich():
x[x < 3] > c(12, 5, 6, 9, 11)
> wich(x <= 9)
[1] 1 2 [1] 2 3 4
Y las versiones
x[x > 4 | x < 3] más especializa-
das [Link]() y
[1] 1 2 5 [Link]() que
retornan el índice del
x[x**2 > 4 & x < 5] menor y mayor valor
del vector.
[1] 3 4

1.16 Edición de Contenido

Tal como un vector puede ser indexado para obtener valores

determinados, podemos usar los mismos métodos para modificar
sus valores:
x <- 1:5; x[2] <- 1000
x[c(4, 5)] <- 100
x
[1] 1 1000 3 100 100
 Operación Vectorial 31

1.17 Opciones Avanzadas

Un vector puede recibir información adicional que construye
un objeto más completo y que facilita su uso y comprensión de
su contenido.

1.17.1 Nombrar los Componentes de un Vector

El manejo de un índice numérico puede ser complicado rela-
cionarlo con el contenido, así la función names() permite asociar
cada elemento del vector con un nombre propio, en el siguiente
ejemplo asignamos una letra mayúscula o minúscula, nombres de
mes por ejemplo:
x <- 1:5; names(x) <- LETTERS[1:5]; x[c('B', 'D')]

B D
2 4
Mediante el uso, por ejemplo, de alguna de las constantes in-
ternas:
• LETTERS: Las 26 letras mayúsculas del alfabeto latino.
• letters: Las 26 letras minúsculas del alfabeto latino.
• [Link]: Abreviación tres letras para nombres de los me-
ses del año en inglés.
• [Link]: Nombre completo meses del año en inglés.

1.17.2 Información Adicional

R permite incorporar un texto informativo a un vector con el
objeto de asociar algún antecedente importante para el mismo u
otros usuarios:
comment(x) <- "texto adicional aclaratorio."
Para ver el contenido asociado al vector x use :
attributes(x)
$names
[1] "A" "B" "C" "D" "E"

$comment
[1] "texto adicional aclaratorio."
Factores

Un dato que adopta un valor desde un conjunto finito de valo-

res se denomina data categórica, por ejemplo, el color de ojos, el
estado civil o país de origen. Ellos siempre serán discretos (toman
un valor específico).
Cuando no implican una relación de orden (color azul no es
más importante que color negro, o casado es menos importante
que soltero) hablamos de data nominal y cuando si existe una
relación de orden de algún tipo (sano es mejor que enfermo, joven
es menor que anciano) hablamos de data ordinal, ambas son
categóricas, pero se diferencian en su relación de orden y en R
ese tipo de datos se denominan factores.
Un vector de caracteres puede ser convertido en factores utili-
zando la función factor():
niveles <- c("A", "B", "C", "B")
(factores <- factor(niveles))
[1] A B C B
Levels: A B C

1.18 Factores Nominales

El resultado de la conversión a factor fue:

[1] A B C B
Levels: A B C
Donde vemos además de la lista de valores ahora sin las ”” ya
que no son textos. Aparece el ítem Levels que señala los niveles
o categorías disponibles en el nuevo vector de tipo nominal. El
34 PLATAFORMA R

orden con que los presenta es en estricto orden alfabético. Vemos

que la clase o categoría base es dos, el método para reordenar
nuestros niveles es incorporar el parámetro levels:
factores <- factor(niveles, levels = c("A", "B", "C"))
o ejecutar la función:
levels(factores) <- c("A", "B", "C")
Y al explorar su contenido vemos la secuencia de niveles como
se buscaba:
factores
[1] A B C B
Levels: A B C

1.19 Factores Ordinales

Hasta ahora tenemos un vector de clases o categorías en la
secuencia que deseamos, pero no contiene información relativa a
orden o magnitud, por lo tanto no es capaz de ser evaluada por
operaciones lógicas:
factores > 'B'
Warning in [Link](factores, "B"): '>' not meaningful for factors
[1] NA NA NA NA
Para convertir nuestra data a formato ordinal debemos agregar
el parámetro ordered = TRUE que indica a R que existirá un
orden definido por los niveles de levels.
factores <- factor(niveles,levels= c("A","B","C"), ordered= TRUE)
Y así nuestro vector tendrá la capacidad de ser evaluado:
factores < 'B'
[1] TRUE FALSE FALSE FALSE
factores == 'C'
[1] FALSE FALSE TRUE FALSE
Matrices

Un vector posee un índice por lo tanto es unidimensional, si

agregamos una segunda dimensión se convierte en bidimensional
y se denomina matriz.
La función en R para construir una matriz es matrix() y
requiere dos parámetros de dimensión, además de los datos. La
primera dimensión corresponde al número de filas y la segunda
dimensión corresponde al número de columnas.
matrix(1:8, 2, 4)

[,1] [,2] [,3] [,4]

[1,] 1 3 5 7
[2,] 2 4 6 8
Aunque se recomienda utilizar los parámetros con nombre por
facilidad de uso:
matrix(nrow = 5, ncol = 3)

[,1] [,2] [,3]

[1,] NA NA NA
[2,] NA NA NA
[3,] NA NA NA
[4,] NA NA NA
[5,] NA NA NA
matrix(1:15, ncol = 3, nrow = 5)

[,1] [,2] [,3]

[1,] 1 6 11
[2,] 2 7 12
[3,] 3 8 13
36 PLATAFORMA R

Si necesita convertir
[4,] 4 9 14
un vector x evitando
[5,] 5 10 15 duplicar el objeto a
una matriz puede
El parámetro byrow cambia la forma de asignar los datos de
intentarlo así:
columna en columna a fila por fila: > dim(x) <-
c(num_filas,
matrix(1:15, ncol = 3, nrow = 5, byrow = T) num_columnas)
Donde dim es una
[,1] [,2] [,3] función que redefine
[1,] 1 2 3 las dimensiones de la
matriz.
[2,] 4 5 6
[3,] 7 8 9
[4,] 10 11 12
[5,] 13 14 15

1.20 Operaciones Numéricas

Las matrices responden a las mismas reglas de operación que

los vectores realizando las operaciones elemento a elemento:
(mi_matriz <- matrix(1:6,nrow=2, ncol=3))

[,1] [,2] [,3]

[1,] 1 3 5
[2,] 2 4 6
mi_matriz * 2

[,1] [,2] [,3]

[1,] 2 6 10
[2,] 4 8 12
mi_matriz + 2 / mi_matriz ** 3

[,1] [,2] [,3]

[1,] 3.00 3.074074 5.016000
[2,] 2.25 4.031250 6.009259
Y así podemos aplicar las funciones detalladas en 1.1:
length(mi_matriz) #largo del vector

[1] 6
 Matrices 37

min(mi_matriz) #encuetra valor mínimo

[1] 1
max(mi_matriz) #encuentra valor máximo

[1] 6
range(mi_matriz) #encuentra el rango

[1] 1 6
mean(mi_matriz) #promedio

[1] 3.5
median(mi_matriz) #mdiana

[1] 3.5
sum(mi_matriz) #sumatoria

[1] 21
prod(mi_matriz) #producto de todos elementos

[1] 720
var(mi_matriz) #varianza

[,1] [,2] [,3]

[1,] 0.5 0.5 0.5
[2,] 0.5 0.5 0.5
[3,] 0.5 0.5 0.5
sd(mi_matriz) #desviación estándar

[1] 1.870829
Y existe una serie de funciones especialmente diseñadas para
matrices.
dim(mi_matriz) #Dimensión de la matriz, fila x columna

[1] 2 3
nrow(mi_matriz) #Número de filas

[1] 2
38 PLATAFORMA R

ncol(mi_matriz) #Número de columnas

[1] 3
rowSums(mi_matriz, [Link] = T) #Suma elementos por filas

[1] 9 12
colSums(mi_matriz, [Link] = T) #Suma elementos por columnas

[1] 3 7 11
rowMeans(mi_matriz) #Promedio por filas

[1] 3 4
colMeans(mi_matriz) #Promedio por columnas

[1] 1.5 3.5 5.5

1.21 Indexado y Subconjunto

Las mismas reglas aplicadas a los vectores son aplicables a las

matrices, considerando sí que el índice i en x[i, ] será la i-ésima
fila, el índice j en x[ , j] será la j-ésima columna y x[i, j] refiere
al ij-ésimo elemento de x. Los índices i y j deben ser vectores
numéricos.
(mi_matriz <- matrix(1:6, 3, 2, byrow = T))

[,1] [,2]
[1,] 1 2
[2,] 3 4
[3,] 5 6
mi_matriz[2, 1]

[1] 3
mi_matriz[c(1, 3), 2]

[1] 2 6
mi_matriz[1, ]

[1] 1 2
 Matrices 39

mi_matriz[2:3, ]

[,1] [,2]
[1,] 3 4
[2,] 5 6
mi_matriz[, 1]

[1] 1 3 5
mi_matriz[, 1:2]

[,1] [,2]
[1,] 1 2
[2,] 3 4
[3,] 5 6

1.22 Edición de Contenido

Modificar valores se hace aplicando las mismas técnicas del

punto anterior, se selecciona un subconjunto y se asignan los va-
lores:
mi_matriz[3, 2] <- 45.66 #modificar un valor
mi_matriz[, 1] <- 333 #modificar toda la columna
mi_matriz[c(1, 2), ] <- 777 #modificar todas las filas
mi_matriz

[,1] [,2]
[1,] 777 777.00
[2,] 777 777.00
[3,] 333 45.66

1.23 Opciones Avanzadas

1.23.1 Nombres de Filas y Columnas

Para facilidad de uso también contamos con un método para
asignar nombres a filas y columnas y usar esos nombres como
índices:
40 PLATAFORMA R

rownames(mi_matriz) <- LETTERS[1:3]

colnames(mi_matriz) <- c("uno", "dos")

mi_matriz

uno dos
A 777 777.00
B 777 777.00
C 333 45.66
mi_matriz[,'uno']

A B C
777 777 333
mi_matriz['B','uno']

[1] 777
También podemos usar las mismas funciones y un índice para
cambiar su nombre:
rownames(mi_matriz)[3] <- "Letra C"
mi_matriz

uno dos
A 777 777.00
B 777 777.00
Letra C 333 45.66

1.23.2 Modificar Tamaño de Matrices

Agregar información (cambiando el tamaño de la matriz) se
realiza mediante las funciones cbind() y rbind(), la primera
agrega a continuación un nueva columna de datos y la segunda
filas:
datos_columna <- c(100, 200,300)
mi_matriz <- cbind(mi_matriz, nombre_col= datos_columna)
datos_fila <- c(1000, 2000, 3000)
(mi_matriz <- rbind(mi_matriz, nombre_fil= datos_fila))

uno dos nombre_col

A 777 777.00 100
 Matrices 41

B 777 777.00 200

Letra C 333 45.66 300
nombre_fil 1000 2000.00 3000

1.23.3 Información Adicional

Por último, también contamos con la función comment() para
asociar información adicional al objeto.

comment(mi_matriz) <- "Información Adicional"

attributes(mi_matriz)

$dim
[1] 4 3

$dimnames
$dimnames[[1]]
[1] "A" "B" "Letra C" "nombre_fil"

$dimnames[[2]]
[1] "uno" "dos" "nombre_col"

$comment
[1] "Información Adicional"
Dataframes

Un vector y una matriz pueden guardar solo datos del mis-

mo tipo. Para resolver esta limitación se ha definido el objeto
dataframe.
Un dataframe es una lista de variables del mismo número de
filas con nombres de fila únicos. Si no se incluyen variables, los
nombres de las filas determinan el número de filas.
Los nombres de las columnas no deben estar vacíos y los
intentos de utilizar nombres vacíos no es admitido. Se permi-
ten nombres de columna duplicados, pero debe usar la opción
[Link] = FALSE al momento de crearlo. Sin embargo, no
todas las operaciones conservarán los nombres de columna dupli-
cados: por ejemplo, un subconjunto tipo matriz forzará que los
nombres de columna en el resultado sean únicos.
Si se construye un dataframe a partir de varios objetos de-
ben tener el mismo número de filas, aunque factores y textos se
reciclarán un número entero de veces si fuese necesario.
Si los nombres de fila no se proporcionan al momento de crea-
ción, los nombres de fila se toman del primer componente que
tenga nombres adecuados, por ejemplo, un vector con nombre o
una matriz con nombres de fila o un dataframe. Si se proporcionó
como NULL o no se encontró ningún componente adecuado, los
nombres de fila son la secuencia entera que comienza en uno (y
dichos nombres de fila se consideran ‘automático’).
44 PLATAFORMA R

1.24 Creación

Un dataframe, es una estructura matricial cuyas colum-

nas pueden ser de diferentes tipos (numérico, lógico, factor
y carácter, etc.).
Los vectores deben tener la misma longitud:
numeros <- c(2, 3, 5)
textos <- c("aa", "bb", "cc")
logicos <- c(TRUE, FALSE, TRUE)
dataframe <- [Link](numeros, textos, logicos)
dataframe
numeros textos logicos
1 2 aa TRUE
2 3 bb FALSE
3 5 cc TRUE
Los nombres de cada columna pueden ser definidos al momento
de crear el objeto:
dataframe <- [Link]("numericos"= numeros,
"textual"= textos,
"bool"= logicos)
dataframe
numericos textual bool
1 2 aa TRUE
2 3 bb FALSE
3 5 cc TRUE
También es posible convertir una matriz a dataframe de ma-
nera directa:
m1 <- matrix(1:12, nrow = 4, ncol = 3)
m1
[,1] [,2] [,3]
[1,] 1 5 9
[2,] 2 6 10
[3,] 3 7 11
[4,] 4 8 12
 Dataframes 45

[Link](m1)
V1 V2 V3
1 1 5 9
2 2 6 10
3 3 7 11
4 4 8 12
Para revisar el detalle y su estructura:
str(dataframe)
'[Link]': 3 obs. of 3 variables:
$ numericos: num 2 3 5
$ textual : chr "aa" "bb" "cc"
$ bool : logi TRUE FALSE TRUE

1.25 Operaciones Numéricas

Como el objeto dataframe acepta distintos tipos de datos, las
operaciones aritméticas deben ser realizadas sobre las columnas
numéricas:
dataframe$numericos * 2
Aprovechamos de mencionar que un mecanismo de creación de
columna y con nombre en la misma operación:
dataframe$cuadrado <- dataframe$numericos ** 2
dataframe
numericos textual bool cuadrado
1 2 aa TRUE 4
2 3 bb FALSE 9
3 5 cc TRUE 25

1.26 Indexado y Subconjunto

Subconjunto por número de filas:
dataframe[2:3, ]

numericos textual bool cuadrado

2 3 bb FALSE 9
46 PLATAFORMA R

3 5 cc TRUE 25
Subconjunto por nombre de columnas:
dataframe[ , c("bool","textual")]

bool textual
1 TRUE aa
2 FALSE bb
3 TRUE cc
Subconjunto por número de fila y nombre de columnas:
dataframe[c(1,2), c("bool","cuadrado")]

bool cuadrado
1 TRUE 4
2 FALSE 9

1.26.1 Opciones Avanzadas

También podemos usar condiciones lógicas para crear subcon-
juntos:
dataframe[dataframe$bool==TRUE,]

numericos textual bool cuadrado

1 2 aa TRUE 4
3 5 cc TRUE 25
dataframe[dataframe$bool==TRUE & dataframe$numericos <5, ]

numericos textual bool cuadrado

1 2 aa TRUE 4
La función subset() provee un formato más económico para
realizar subconjuntos:
subset(dataframe, bool == T & numericos < 5)

numericos textual bool cuadrado

1 2 aa TRUE 4

1.26.2 Modificar Tamaño o Estructura

Las formas de consultar el tamaño y geometría de un objeto:
 Dataframes 47

dim(dataframe)
[1] 3 4
nrow(dataframe)
[1] 3
ncol(dataframe)
[1] 4
Podemos agregar una columna siempre y cuando contenga el
mismo número de filas:
vector <- c("uno","dos","tres")
dataframe <- cbind(dataframe, "adicional"= vector)
str(dataframe)
'[Link]': 3 obs. of 5 variables:
$ numericos: num 2 3 5
$ textual : chr "aa" "bb" "cc"
$ bool : logi TRUE FALSE TRUE
$ cuadrado : num 4 9 25
$ adicional: chr "uno" "dos" "tres"
Y el correspondiente comando para agregar filas:
vector <- c(7,"dd", NA, 0,"cuatro")
str(rbind(dataframe,vector))

'[Link]': 4 obs. of 5 variables:

$ numericos: chr "2" "3" "5" "7"
$ textual : chr "aa" "bb" "cc" "dd"
$ bool : chr "TRUE" "FALSE" "TRUE" NA
$ cuadrado : chr "4" "9" "25" "0"
$ adicional: chr "uno" "dos" "tres" "cuatro"
Si estudiamos con cuidado el resultado, notaremos que la co-
lumna numéricos aparece como carácter eso se produce si inten-
tamos agregar una fila usando rbind() y c(), ya que convierte
todas las columnas en una clase de carácter. Esto se debe a
que todos los elementos del vector creado por c() deben ser de la
misma clase, por lo que todos son forzados a la clase de caracteres
que obliga a todas las variables en el marco de datos a la clase
48 PLATAFORMA R

de caracteres.
Para agregar filas de manera adecuada, necesitamos convertir
los elementos que se agregan a un dataframe y asegurarnos de que
las columnas sean de la misma clase que el dataframe destino.
agregar_fila <- [Link](numericos= 9,
textual= "RR",
bool= FALSE,
cuadrado= 110,
adicional= "cuatro")
(dataframe <- rbind(dataframe, agregar_fila))

numericos textual bool cuadrado adicional

1 2 aa TRUE 4 uno
2 3 bb FALSE 9 dos
3 5 cc TRUE 25 tres
4 9 RR FALSE 110 cuatro

1.26.3 Nombres de Filas y Columnas

rownames(dataframe) <- c("fila1", "fila2", "fila3", "fila4")

dataframe
numericos textual bool cuadrado adicional
fila1 2 aa TRUE 4 uno
fila2 3 bb FALSE 9 dos
fila3 5 cc TRUE 25 tres
fila4 9 RR FALSE 110 cuatro
colnames(dataframe) <- c("col_1", "col_2", "col_3")
dataframe
col_1 col_2 col_3 NA NA
fila1 2 aa TRUE 4 uno
fila2 3 bb FALSE 9 dos
fila3 5 cc TRUE 25 tres
fila4 9 RR FALSE 110 cuatro
 Dataframes 49

1.26.4 Información Adicional

comment(dataframe) <- "Texto informativo adicional"

attributes(dataframe)
$names
[1] "col_1" "col_2" "col_3" NA NA

$[Link]
[1] "fila1" "fila2" "fila3" "fila4"

$class
[1] "[Link]"

$comment
[1] "Texto informativo adicional"
Array

Un vector posee un índice por lo tanto es unidimensional, una

matriz posee dos dimensiones y es bidimensional y para objetos
de una dimensión superior R provee la función array(). Siempre
todos los datos deben ser del mismo tipo.
Esta nueva dimensión la llamaremos capas, niveles o layers indis-
tintamente en este libro.
(y <- array(data = 1:3**3, dim = c(3, 3, 3)))
, , 1

[,1] [,2] [,3]

[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9

, , 2

[,1] [,2] [,3]

[1,] 10 13 16
[2,] 11 14 17
[3,] 12 15 18

, , 3

[,1] [,2] [,3]

[1,] 19 22 25
[2,] 20 23 26
[3,] 21 24 27

1.27 Operaciones Numéricas

Un array responde a las mismas reglas de operación que los

vectores o matrices realizando las operaciones elemento a elemen-
52 PLATAFORMA R

to:
y/3 + y**3
, , 1

[,1] [,2] [,3]

[1,] 1.333333 65.33333 345.3333
[2,] 8.666667 126.66667 514.6667
[3,] 28.000000 218.00000 732.0000

, , 2

[,1] [,2] [,3]

[1,] 1003.333 2201.333 4101.333
[2,] 1334.667 2748.667 4918.667
[3,] 1732.000 3380.000 5838.000

, , 3

[,1] [,2] [,3]

[1,] 6865.333 10655.33 15633.33
[2,] 8006.667 12174.67 17584.67
[3,] 9268.000 13832.00 19692.00
Y así podemos aplicar las funciones detalladas en 1.1:
length(y); min(y); max(y); range(y)

[1] 27
[1] 1
[1] 27
[1] 1 27
mean(y); median(y); sum(y); prod(y)

[1] 14
[1] 14
[1] 378
[1] 1.088887e+28
var(y); sd(y)

[1] 63
[1] 7.937254
 Array 53

1.28 Indexado y Subconjunto

Si en las matrices, el índice i en x[i„] será la i-ésima fila, el

índice j en x[,j,] será la j-ésima columna el índice k en x[„k]
corresponde al k-ésimo nivel, así x[i,j,k] refiere al ijk-ésimo ele-
mento de x.
Los índices i, j, k deben ser vectores numéricos.
mean(y[, , 1]) #Promedio de nivel 1

[1] 5
mean(y[, , 2:3]) #Promedio de niveles 2 y 3

[1] 18.5
mean(y[, , c(1,3)]) #Promedio de nivel 1 y 3

[1] 14
mean(y[1, ,]) #Promedio de la primera fila (todos los niveles)

[1] 13

1.29 Edición de Contenido

Modificar valores se hace aplicando las mismas técnicas del

punto anterior, se selecciona un subconjunto y se asignan los va-
lores:
y[1, 2, 2] <- 45.66 #modificar un valor
y[,,1] <- 0 #modificar todo el nivel

y
, , 1

[,1] [,2] [,3]

[1,] 0 0 0
[2,] 0 0 0
[3,] 0 0 0

, , 2

[,1] [,2] [,3]

[1,] 10 45.66 16
[2,] 11 14.00 17
54 PLATAFORMA R

[3,] 12 15.00 18

, , 3

[,1] [,2] [,3]

[1,] 19 22 25
[2,] 20 23 26
[3,] 21 24 27

1.30 Opciones Avanzadas

1.30.1 Nombres de Filas y Columnas

Para facilidad de uso también contamos el método dimnames()

para asignar nombres por dimensión:
dimnames(y)[[1]] <- LETTERS[1:3] #Nombre de Filas
dimnames(y)[[2]] <- LETTERS[12:14] #Nombre de Columnas
dimnames(y)[[3]] <- c("UNO", "DOS", "TRES") #Nombre de Niveles

y
, , UNO

L M N
A 0 0 0
B 0 0 0
C 0 0 0

, , DOS

L M N
A 10 45.66 16
B 11 14.00 17
C 12 15.00 18

, , TRES

L M N
A 19 22 25
B 20 23 26
C 21 24 27

y[,'M','DOS']

A B C
45.66 14.00 15.00
 Array 55

1.30.2 Información Adicional

Por último, también contamos con la función comment() para
asociar información adicional al objeto.
comment(y) <- "Información Adicional"
attributes(y)

$dim
[1] 3 3 3

$dimnames
$dimnames[[1]]
[1] "A" "B" "C"

$dimnames[[2]]
[1] "L" "M" "N"

$dimnames[[3]]
[1] "UNO" "DOS" "TRES"

$comment
[1] "Información Adicional"
Fechas

Una fecha denota un día en particular, que denota un período

de tiempo que tiene un comienzo y un final diferente. Aunque sus
demarcaciones exactas y su duración pueden ser controvertidas,
normalmente pensamos en una fecha como un período de 24 horas
en un lugar en particular.
La instrucción [Link]() se utiliza para obtener la fecha
actual. Y pertenece a una clase particular Date, que define un
objeto que posee una serie de propiedades específicas que vamos
a revisar a continuación.

1.31 Operaciones con Fecha

Las fechas son almacenadas internamente como el número de

días transcurridos a partir del 1 de enero de 1970. Un objeto tipo
date es convertido a número con [Link]().
Para reconocer un texto como objeto fecha debe ser entendido
por el sistema y debido a la diversidad de formatos utilizados
existe una manera de ‘explicar’ al sistema cual es el que se utiliza
o deseamos utilizar (Cuadro 1.2).

1.31.1 Formato de Fechas

En el siguiente ejemplo vamos a convertir varios textos a objeto
fecha.
[Link]('07/ene/23',format= '%d/%b/%y')

[1] "2023-01-07"
58 PLATAFORMA R

Cuadro 1.2: caracteres

para Formatear Fechas
Símbolo Definición
%d Día
%m Mes Numérico
%b Mes 3 letras
%B Mes Nombre
%y Año Dos Dígitos
%Y Año 4 Dígitos

[Link]('07/enero/2023',format= '%d/%B/%Y')

[1] "2023-01-07"
[Link]('enero-07-2023',format= '%B-%d-%Y')

[1] "2023-01-07"
Puede ocurrir que las fechas a procesar no estén en el lenguaje
de la máquina y no puede reconocer nombres o abreviaturas.
[Link]('07/jan/23',format= '%d/%b/%y')

[1] NA
[Link]('07/january/23',format= '%d/%B/%y')

[1] NA
Para ello R soluciona el problema aplicando una configuración
local mediante el comando [Link]().
[Link]("LC_TIME", locale = "C")

[1] "C"
[Link]('07/jan/23',format= '%d/%b/%y')

[1] "2023-01-07"
[Link]('07/january/23',format= '%d/%B/%y')

[1] "2023-01-07"
Y para cambiar de regreso a español:
 Fecha y Hora 59

[Link]("LC_TIME", locale = "Spanish")

[1] "Spanish_Spain.1252"
[Link]('07/ene/23',format= '%d/%b/%y')

[1] "2023-01-07"
[Link]('07/enero/23',format= '%d/%B/%y')

[1] "2023-01-07"
Para la extracción de los componentes de una fecha, se pueden
utilizar los comandos weekdays, months, days, quarters.
weekdays([Link]('07/ene/23',format= '%d/%b/%y'))

[1] "sábado"
Y como la mayoría de los demás objetos se pueden aplicar
operaciones aritméticas.
[Link](x = "13/Abril/2021",
format = "%d/%B/%Y") - [Link](x = "07/Ago/20",
format = "%d/%b/%y")

Time difference of 249 days

fechas <- c([Link](x = "13/Abril/2021", format = "%d/%B/%Y"),
[Link](x = "07/Ago/20", format = "%d/%b/%y"),
[Link](x = "23/Dic/19", format = "%d/%b/%y"))

mean(fechas)
[1] "2020-08-14"
min(fechas)
[1] "2019-12-23"
max(fechas)
[1] "2021-04-13"

1.31.2 Cambio de Formato

Si desea usar fechas en un formato distinto al que ya posee
o tiene definido, puede hacerlo usando la función format() del
60 PLATAFORMA R

paquete base.
La fecha actual como se encuentra definida por el sistema:
(fecha <- [Link]())

[1] "2022-02-25"
La puedo expresar utilizando los caracteres de formato defini-
dos en el cuadro 1.2:
format(fecha, "%d %B %Y")

[1] "25 febrero 2022"

Hora

El tiempo denota un instante o momento particular dentro de

un período de tiempo más largo. Por lo tanto, el tiempo se suele
considerar como un punto dentro de un día. Mientras que un día
típico dura 24 horas, un punto en el tiempo no tiene duración
(es decir, su comienzo y final son idénticos). La medición y los
informes de tiempos inevitablemente plantean muchos problemas
sobre convenciones (AM o PM), su precisión (Minutos, segundos
o milisegundos) y ubicación (Husos o zonas horarias).
Para especificar con precisión una hora en particular también
se requiere especificar la fecha dentro de la cual está incrusta-
do. Por tanto, nuestras definiciones de objetos de tiempo serán
necesariamente más complejas que las de objetos de fecha.
El paquete base, responde a la pregunta de San Agustín ¿Qué
es entonces el tiempo? con no menos de tres clases de objetos
para representar fechas y horas:
• Date: representa la fecha de los días sin considerar los tiempos
(revisada en el punto anterior).
• POSIXct: la principal clase de fecha y hora para representar
la hora del calendario.
• POSIXlt: una clase adicional de fecha y hora para representar
la hora local (como listas).
“POSIXct” es más conveniente para incluir en objetos de datos
como un dataframe, y “POSIXlt” está más cerca de los formula-
rios legibles por humanos. Existe una clase virtual “POSIXt” de
la que heredan ambas clases: se utiliza para permitir operaciones
como la resta para mezclar ambas clases.
La hora actual se obtiene con la función:
62 PLATAFORMA R

[Link]()

[1] "2022-02-25 11:43:48 -03"

Que retorna un objeto POSIXct que se compone de una fecha
y una hora en una zona horaria determinada.
ahora <- [Link]()
class(ahora)
[1] "POSIXct" "POSIXt"
El tiempo se cuenta desde “1970-01-01 00:00:00 UTC” (una
fecha arbitraria).
Para conocer la zona horaria existe la función13 : 13
Para conocer la lista
zonas horarias por su
[Link]() nombre usar OlsonNa-
mes().
[1] "America/Santiago"

1.32 Formato POSIX

El acrónimo POSIX significa “Interfaz de sistema operativo
portátil” y define estándares para mantener la compatibilidad
entre diferentes sistemas operativos de computadora (con la “X”
implicando Unix, debido a su independencia de un fabricante en
particular). Define un estándar para expresar y acordar especifi-
caciones de conversión.
En el código, se usa dentro de una cadena de caracteres y se
introduce con el símbolo %, generalmente seguido de una sola
letra (cuadro 1.3).

Cuadro 1.3: caracte-

res para Formatear el
Símbolo Definición tiempo

%H Hora dos dígitos (0-23)

%I Hora dos dígitos (0-12)
%M Minutos dos dígitos (0-59)
%p Indicador AM/PM
%S Segundos dos dígitos (0-59)
%Z Zona horaria o desplazamiento UTC
Estos símbolos existen y comparten con los símbolos de fe-
 Fecha y Hora 63

chas14 : 14
Para revisar la ex-
tensa lista de códigos
format(ahora, "%A %I:%M") escribe en la consola
?strftime.
[1] "viernes 11:43"
format(ahora, "%H:%M:%S (%Z)")

[1] "11:43:48 (-03)"

format(ahora, "%H:%M:%S")

[1] "11:43:48"

1.33 Operando con el tiempo

El objeto tiempo también es capaz de realizar operaciones al-

gebraicas.
ahora
[1] "2022-02-25 11:43:48 -03"
Sumar 30 segundos:
(despues_s <- ahora + 30)

[1] "2022-02-25 11:44:18 -03"

Sumar 30 minutos:
(despues_m <- ahora + (30 * 60))

[1] "2022-02-25 12:13:48 -03"

Sumar 30 horas (notese el ajuste de la fecha):
(despues_h <- ahora + (30 * 60 * 60))

[1] "2022-02-26 17:43:48 -03"

despues_h - ahora

Time difference of 1.25 days

La función difftime() soporta las siguientes unidades “auto”,
“secs”, “mins”, “hours”, “days” y “weeks”.
difftime(despues_h, ahora, units = "weeks")

Time difference of 0.1785714 weeks

64 PLATAFORMA R

Una función útil que también trabaja con tiempos es trunc().

Toma un argumento x, permite especificar el tiempo units de
interés y trunca los enteros de cualquier unidad más pequeña a
cero:
trunc(ahora, units= "mins")

[1] "2022-02-25 11:43:00 -03"

trunc(ahora, units= "months")

[1] "2022-02-01 -03"

trunc(ahora, units= "years")

[1] "2022-01-01 -03"

1.34 Conversión entre zonas horarias

En general, hemos visto que la base R proporciona un amplio
soporte para crear y computar con fechas y horas. Al mismo
tiempo, tratar con tres clases diferentes y sus relaciones con otros
tipos de datos (específicamente: números) es un desafío. Aunque
la mayoría de las complicaciones provienen de las complejidades
inherentes de fechas y horas, las clases y los comandos R básicos
para fechas y horas se han ido desarrollando con el tiempo y se
vuelven cada vez más poderosos.
Convertir entre zonas horarias, una operación muy compleja
se realiza de manera muy práctica. Por ejemplo, deseo conocer
la hora de término de un viaje de 15 horas en una zona horaria
diametralmente opuesta (note que usamos la versión de hora local
lt), entonces, ¿qué hora sería en 15 horas más en Shangái?
[Link]([Link]() + (15 * 60 * 60), tz = "Asia/Shanghai")

[1] "2022-02-26 13:43:50 CST"

Colores

Todo proceso, mapa o datos finalmente debe ser desplegado en

pantalla o papel mediante una salida gráfica, ya sea en formato de
cartografía, reportes, diagramas o gráficos y el color juega un rol
importante en la capacidad de transmitir el mensaje apropiado
incluso puede ser más importante que la calidad de la data “buena
data, mala salida, error de lectura”.
HSV (valor de saturación de tono) es una simple transfor-
mación del espacio RGB (rojo-verde-azul) que ha sido una op-
ción conveniente para las paletas de colores en muchos sistemas
de software. Sin embargo, los colores HSV aunque capturan las
propiedades perceptivas de tono, colorido, saturación, croma las
propiedades de luminosidad, brillo, luminancia y valor lo hace de
manera deficiente y, en consecuencia, las paletas correspondien-
tes no suelen ser una buena opción para gráficos estadísticos y
visualización de datos.
Por el contrario, los colores HCL (tono-croma-luminancia) son
más adecuados para capturar la percepción humana del color, así
se pueden derivar mejores conjuntos de colores en función de estas
coordenadas.
Un sistema básico de manejo de colores es usar su nombre
propio para la definición, R de manera interna maneja un listado
de 657 colores con nombres propios y provee de las herramientas
para revisarlos.
Sistemas más convenientes se han diseñado, como el conjunto
de colores que tienen una relación lógica entre ellos, las paletas
de colores.
Conceptualmente, se distinguen tres tipos de paletas:
66 PLATAFORMA R

• Cualitativo: para codificar información categórica, es decir,

cuando no se dispone de un orden particular de categorías y
cada color debe recibir el mismo peso perceptual.

• Secuencial: para codificar información ordenada o numérica,

es decir, donde los colores van de mayor a menor (o viceversa).

• Divergente: diseñado para codificar información numérica

alrededor de un valor neutral central, es decir, donde los colores
divergen de neutral a dos extremos.
En R por la importancia y relevancia que tienen las capaci-
dades gráficas se han desarrollado varias herramientas para el
manejo del color siendo los paquetes destacables:

• grDevices (R Core Team [2021]) Paquete componente de

Plataforma R.
• RColorBrewer (Neuwirth [2014])
• colorspace (Zeileis et al. [2020], Zeileis et al. [2009], Stauffer
et al. [2009])

1.35 Colores en R

1.35.1 Sistema por Nombres

R provee nombres de colores que se pueden utilizar con una
especificación al parámetro col= en las funciones gráficas. Ver
figura 1.15 para revisar la lista y colores.
El color “transparent” no es un color y, por lo tanto, no figura
en la lista, pero se acepta como especificación de color.
Pare revisar un vector de caracteres que contiene todos los
nombres de colores integrados usar:

colors()
 Colores 67

white aliceblue antiquewhite antiquewhite1 antiquewhite2 antiquewhite3 antiquewhite4 aquamarine aquamarine2 aquamarine3
aquamarine4 azure azure2 azure3 azure4 beige bisque bisque2 bisque3 bisque4
black blanchedalmond blue blue2 blue3 blue4 blueviolet brown brown1 brown2
brown3 brown4 burlywood burlywood1 burlywood2 burlywood3 burlywood4 cadetblue cadetblue1 cadetblue2
cadetblue3 cadetblue4 chartreuse chartreuse2 chartreuse3 chartreuse4 chocolate chocolate1 chocolate2 chocolate3
chocolate4 coral coral1 coral2 coral3 coral4 cornflowerblue cornsilk cornsilk2 cornsilk3
cornsilk4 cyan cyan2 cyan3 cyan4 darkgoldenrod darkgoldenrod1 darkgoldenrod2 darkgoldenrod3 darkgoldenrod4
darkgray darkgreen darkkhaki darkmagenta darkolivegreen darkolivegreen1 darkolivegreen2 darkolivegreen3 darkolivegreen4 darkorange
darkorange1 darkorange2 darkorange3 darkorange4 darkorchid darkorchid1 darkorchid2 darkorchid3 darkorchid4 darkred
darksalmon darkseagreen darkseagreen1 darkseagreen2 darkseagreen3 darkseagreen4 darkslateblue darkslategray darkslategray1 darkslategray2
darkslategray3 darkslategray4 darkturquoise darkviolet deeppink deeppink2 deeppink3 deeppink4 deepskyblue deepskyblue2
deepskyblue3 deepskyblue4 dimgray dodgerblue dodgerblue2 dodgerblue3 dodgerblue4 firebrick firebrick1 firebrick2
firebrick3 firebrick4 floralwhite forestgreen gainsboro ghostwhite gold gold2 gold3 gold4
goldenrod goldenrod1 goldenrod2 goldenrod3 goldenrod4 gray gray1 gray2 gray3 gray4
gray5 gray6 gray7 gray8 gray9 gray10 gray11 gray12 gray13 gray14
gray15 gray16 gray17 gray18 gray19 gray20 gray21 gray22 gray23 gray24
gray25 gray26 gray27 gray28 gray29 gray30 gray31 gray32 gray33 gray34
gray35 gray36 gray37 gray38 gray39 gray40 gray42 gray43 gray44 gray45
gray46 gray47 gray48 gray49 gray50 gray51 gray52 gray53 gray54 gray55
gray56 gray57 gray58 gray59 gray60 gray61 gray62 gray63 gray64 gray65
gray66 gray67 gray68 gray69 gray70 gray71 gray72 gray73 gray74 gray75
gray76 gray77 gray78 gray79 gray80 gray81 gray82 gray83 gray84 gray85
gray86 gray87 gray88 gray89 gray90 gray91 gray92 gray93 gray94 gray95
gray96 gray97 gray98 gray99 green green2 green3 green4 greenyellow honeydew
honeydew2 honeydew3 honeydew4 hotpink hotpink1 hotpink2 hotpink3 hotpink4 indianred indianred1
indianred2 indianred3 indianred4 ivory ivory2 ivory3 ivory4 khaki khaki1 khaki2
khaki3 khaki4 lavender lavenderblush lavenderblush2 lavenderblush3 lavenderblush4 lawngreen lemonchiffon lemonchiffon2
lemonchiffon3 lemonchiffon4 lightblue lightblue1 lightblue2 lightblue3 lightblue4 lightcoral lightcyan lightcyan2
lightcyan3 lightcyan4 lightgoldenrod lightgoldenrod1 lightgoldenrod2 lightgoldenrod3 lightgoldenrod4 lightgoldenrodyellow lightgray lightgreen
lightpink lightpink1 lightpink2 lightpink3 lightpink4 lightsalmon lightsalmon2 lightsalmon3 lightsalmon4 lightseagreen
lightskyblue lightskyblue1 lightskyblue2 lightskyblue3 lightskyblue4 lightslateblue lightslategray lightsteelblue lightsteelblue1 lightsteelblue2
lightsteelblue3 lightsteelblue4 lightyellow lightyellow2 lightyellow3 lightyellow4 limegreen linen magenta magenta2
magenta3 maroon maroon1 maroon2 maroon3 maroon4 mediumorchid mediumorchid1 mediumorchid2 mediumorchid3
mediumorchid4 mediumpurple mediumpurple1 mediumpurple2 mediumpurple3 mediumpurple4 mediumseagreen mediumslateblue mediumspringgreenmediumturquoise
mediumvioletred midnightblue mintcream mistyrose mistyrose2 mistyrose3 mistyrose4 moccasin navajowhite navajowhite2
navajowhite3 navajowhite4 navy oldlace olivedrab olivedrab1 olivedrab2 olivedrab3 olivedrab4 orange
orange2 orange3 orange4 orangered orangered2 orangered3 orangered4 orchid orchid1 orchid2
orchid3 orchid4 palegoldenrod palegreen palegreen1 palegreen3 palegreen4 paleturquoise paleturquoise1 paleturquoise2
paleturquoise3 paleturquoise4 palevioletred palevioletred1 palevioletred2 palevioletred3 palevioletred4 papayawhip peachpuff peachpuff2
peachpuff3 peachpuff4 peru pink pink1 pink2 pink3 pink4 plum plum1
plum2 plum3 plum4 powderblue purple purple1 purple2 purple3 purple4 red
red2 red3 rosybrown rosybrown1 rosybrown2 rosybrown3 rosybrown4 royalblue royalblue1 royalblue2
royalblue3 royalblue4 salmon salmon1 salmon2 salmon3 salmon4 sandybrown seagreen seagreen1
seagreen2 seagreen3 seashell seashell2 seashell3 seashell4 sienna sienna1 sienna2 sienna3
sienna4 skyblue skyblue1 skyblue2 skyblue3 skyblue4 slateblue slateblue1 slateblue2 slateblue3
slateblue4 slategray slategray1 slategray2 slategray3 slategray4 snow snow2 snow3 snow4
springgreen springgreen2 springgreen3 springgreen4 steelblue steelblue1 steelblue2 steelblue3 steelblue4 tan
tan1 tan2 tan4 thistle thistle1 thistle2 thistle3 thistle4 tomato tomato2
tomato3 tomato4 turquoise turquoise1 turquoise2 turquoise3 turquoise4 violet violetred violetred1
violetred2 violetred3 violetred4 wheat wheat1 wheat2 wheat3 wheat4 yellow yellow2
yellow3 yellow4

Figura 1.15: Tabla de

Colores por Nombre.
68 PLATAFORMA R

1.35.2 RColorBrewer
Paquete diseñado para la selección de paletas de color espe-
cialmente diseñadas para cartografía temática y basadas en los
estudios de percepción del color realizados por Cynthia Brewer
(Figura 1.16) en la universidad de PennState durante el 2001-2.
Para obtener detalles y herramientas de selección de paleta
interactivas, consultar [Link]
El paquete RColorBrewer (Neuwirth [2014]) presenta una serie
de comandos que permiten revisar las paletas y modificarlas para Figura 1.16: Cynthia
obtener un vector de colores. ’Cindy’ Brewer. Geo-
gráfo.
Por primera y única vez instalar el paquete RColorBrewer:
[Link]("RColorBrewer")
Y en cada sesión de trabajo se debe cargar el paquete con el
comando library().
library(RColorBrewer)
Revisar cuadro 1.4 para ver nombres y propiedades básicas de
paletas disponibles y figura 1.17 para explorar los colores dispo-
nibles.
Y para mostrar gráficamente colores y nombres en el panel
Plots: [Link]().
La sintaxis para obtener el listado de colores en R es:
mi_paleta <- [Link](n = 4, name = "Greens")
El objeto mi_paleta contiene el número de colores definido y
no pueden ser más que los descritos en el cuadro 1.4. El comando
colorRampPalette(mi_paleta)(n) donde el valor n correspon-
de al número final de colores obtenidos por interpolación de los
colores definidos en el parámetro mi_paleta.
colores <- colorRampPalette(mi_paleta)(10)
 Colores 69

Cuadro 1.4: Propieda-

des de Paletas en Pa-
N° Colores Categoría Contra Daltonismo quete ColorBrewer.

BrBG 11 div TRUE

PiYG 11 div TRUE
PRGn 11 div TRUE
PuOr 11 div TRUE
RdBu 11 div TRUE
RdGy 11 div FALSE
RdYlBu 11 div TRUE
RdYlGn 11 div FALSE
Spectral 11 div FALSE
Accent 8 qual FALSE
Dark2 8 qual TRUE
Paired 12 qual TRUE
Pastel1 9 qual FALSE
Pastel2 8 qual FALSE
Set1 9 qual FALSE
Set2 8 qual TRUE
Set3 12 qual FALSE
Blues 9 seq TRUE
BuGn 9 seq TRUE
BuPu 9 seq TRUE
GnBu 9 seq TRUE
Greens 9 seq TRUE
Greys 9 seq TRUE
Oranges 9 seq TRUE
OrRd 9 seq TRUE
PuBu 9 seq TRUE
PuBuGn 9 seq TRUE
PuRd 9 seq TRUE
Purples 9 seq TRUE
RdPu 9 seq TRUE
Reds 9 seq TRUE
YlGn 9 seq TRUE
YlGnBu 9 seq TRUE
YlOrBr 9 seq TRUE
YlOrRd 9 seq TRUE
70 PLATAFORMA R

YlOrRd Figura 1.17: Paletas de

YlOrBr colores, ColorBrewer.
YlGnBu
YlGn
Reds
RdPu
Purples
PuRd
PuBuGn
PuBu
OrRd
Oranges
Greys
Greens
GnBu
BuPu
BuGn
Blues

Set3
Set2
Set1
Pastel2
Pastel1
Paired
Dark2
Accent

Spectral
RdYlGn
RdYlBu
RdGy
RdBu
PuOr
PRGn
PiYG
BrBG
 Colores 71

1.36 Paquete colorspace

Por primera y única vez instalar el paquete colorspace

utilizando la sintaxis:
[Link]("colorspace")
Y en cada sesión de trabajo se debe cargar el paquete con el
comando library.
library(colorspace)
El paquete cuenta con una serie de comandos que facilitan la
exploración de secuencias colores (que llamaremos paletas) y que
permiten ver directamente en el panel Plots los colores que la
componen y mediante el parámetro n chequear distintos niveles
de detalles:
hcl_palettes(palette = "vik", plot = TRUE, n = 5)

Diverging Figura 1.18: Paleta

Vik, 5 colores.
Vik

hcl_palettes(palette = "vik", plot = TRUE, n = 10)

Diverging Figura 1.19: Paleta

Vik, 10 colores.
Vik

hcl_palettes(palette = "Lisbon", plot = TRUE, n = 20)

Diverging Figura 1.20: Paleta

Lisbon, 20 colores.
Lisbon

Se cuenta con un gran número de paletas para cada uno de los

tres tipos de paletas descritas en el punto anterior, así el coman-
do hcl_palettes(plot=FALSE) imprime un listado de nombres
para efectos de búsqueda y selección:
72 PLATAFORMA R

hcl_palettes(plot=FALSE)
HCL palettes

Type: Qualitative
Names: Pastel 1, Dark 2, Dark 3, Set 2, Set 3, Warm, Cold, Harmonic, Dynamic

Type: Sequential (single-hue)

Names: Grays, Light Grays, Blues 2, Blues 3, Purples 2, Purples 3, Reds 2,
Reds 3, Greens 2, Greens 3, Oslo

Type: Sequential (multi-hue)

Names: Purple-Blue, Red-Purple, Red-Blue, Purple-Orange, Purple-Yellow,
Blue-Yellow, Green-Yellow, Red-Yellow, Heat, Heat 2, Terrain,
Terrain 2, Viridis, Plasma, Inferno, Rocket, Mako, Dark Mint,
Mint, BluGrn, Teal, TealGrn, Emrld, BluYl, ag_GrnYl, Peach,
PinkYl, Burg, BurgYl, RedOr, OrYel, Purp, PurpOr, Sunset,
Magenta, SunsetDark, ag_Sunset, BrwnYl, YlOrRd, YlOrBr, OrRd,
Oranges, YlGn, YlGnBu, Reds, RdPu, PuRd, Purples, PuBuGn, PuBu,
Greens, BuGn, GnBu, BuPu, Blues, Lajolla, Turku, Hawaii, Batlow

Type: Diverging
Names: Blue-Red, Blue-Red 2, Blue-Red 3, Red-Green, Purple-Green,
Purple-Brown, Green-Brown, Blue-Yellow 2, Blue-Yellow 3,
Green-Orange, Cyan-Magenta, Tropic, Broc, Cork, Vik, Berlin,
Lisbon, Tofino

Y desde el listado podemos explorar los nombres y reemplazan-

do el parámetro hcl_palettes(plot=TRUE) se genera una carta
de colores y buscar por paletas. Además se pueden generar listas
de paletas por tipo (ver figuras 1.23, 1.24, 1.25, 1.26)

1.36.1 Uso de Colores

Los comandos qualitative_hcl(n, palette), sequential_hcl(n,

palette) y diverging_hcl(n, palette) retornan un vector de
n colores correspondientes a la paleta definida por su nombre en
palette, los nombres de color serán expresados en códigos hexa-
decimales.
qualitative_hcl(5, palette = "Pastel 1")

[1] "#FFC5D0" "#E2D4A8" "#A8E1BF" "#A4DDEF" "#E4CBF9"

sequential_hcl(4, palette = "Purples 2")

[1] "#3C2692" "#7C76AB" "#BCBAD1" "#F1F1F1"

Figura 1.21: Paleta

colores ’qualitati-
ve_hcl()’.
 Colores 73

Una función que requiere definir un color o un vector de co-

lores aceptan un vector de códigos hexadecimales (Figura 1.21)
generado por las funciones para la construcción de las paletas.
#carga de un modelo raster
volcan <- raster(volcano)
#define paleta de colores mediante paleta
colores <- qualitative_hcl(30, palette = "Pastel 1")
#genera plano usando colores
plot(volcan, col= colores)
También un vector con ‘nombres propios’ (Figura 1.22) se pue-
de utilizar .
plot(volcan, col=c("blue","red","magenta"))

1.36.2 Detalle de Paletas Figura 1.22: Nombres

propios para crear pa-
A continuación, observamos en detalle cada paleta por tipo leta.
con sus colores y nombre como el comando que la genera para
ser recreada en su panel Plots.
74 PLATAFORMA R

Qualitative Figura 1.23: Paleta

de Colores Cualita-
tivos, generado con:
hcl_palettes(’qualitative’,n=
Pastel 1 6, plot= TRUE)

Dark 2

Dark 3

Set 2

Set 3

Warm

Cold

Harmonic

Dynamic
 Colores 75

Sequential (single−hue) Figura 1.24: Paleta

de Colores Secuen-
ciales de único
Grays matiz, generado con:
hcl_palettes(’sequential
(single-hue)’,n= 7,
Light Grays plot= TRUE)

Blues 2

Blues 3

Purples 2

Purples 3

Reds 2

Reds 3

Greens 2

Greens 3

Oslo
76 PLATAFORMA R

Sequential (multi−hue) BluGrn YlOrBr

Purple−Blue Teal OrRd

Red−Purple TealGrn Oranges

Red−Blue Emrld YlGn

Purple−Orange BluYl YlGnBu

Purple−Yellow ag_GrnYl Reds

Blue−Yellow Peach RdPu

Green−Yellow PinkYl PuRd

Red−Yellow Burg Purples

Heat BurgYl PuBuGn

Heat 2 RedOr PuBu

Terrain OrYel Greens

Terrain 2 Purp BuGn

Viridis PurpOr GnBu

Plasma Sunset BuPu

Inferno Magenta Blues

Rocket SunsetDark Lajolla

Mako ag_Sunset Turku

Dark Mint BrwnYl Hawaii

Mint YlOrRd Batlow

Figura 1.25: Paleta

de Colores Secuen-
ciales de múltiple
matiz, generado con:
hcl_palettes(’sequential
(multi-hue)’,n= 6,
plot= TRUE)
 Colores 77

Diverging

Blue−Red

Blue−Red 2

Blue−Red 3

Red−Green

Purple−Green

Purple−Brown

Green−Brown

Blue−Yellow 2

Blue−Yellow 3

Green−Orange

Cyan−Magenta

Tropic

Broc

Cork

Vik

Berlin

Lisbon

Tofino

Figura 1.26: Paleta

de Colores Divergen-
tes, generado con:
hcl_palettes(’diverging’,n=
6, plot= TRUE)
78 PLATAFORMA R

1.36.3 Usando Modificadores

Usando la figura 1.22 vamos a revisar una serie de funciones del
paquete colorspace, dedicadas a modificar una paleta de colores.
• darken/lighten: Funciones para modificar una paleta para os-
curecer o iluminar la paleta de colores, el parámetro amount,
monto o magnitud del efecto (Figura 1.27).

#Aplicación de modificador 'lighten'

plot(volcan,
col= lighten(col = c("blue","red","magenta"),
amount = 0.75))

Figura 1.27: Oscurecer

(izquierda) o Iluminar
(derecha) una paleta
180 180
de colores.
160 160

140 140

120 120

100 100

• desaturate: Función que modifica el monto de croma (cantidad

de color o tono) de una paleta, el parámetro amount monto o
magnitud del efecto, 0 no efecto y 1 total desaturación (Figura
1.28).

#Aplicación modificador 'desaturate'

plot(volcan,
col= desaturate(col = c("blue","red","magenta"),
amount = 0.4))

• adjust_transparency: Función que agrega un factor de trans-

lucencia a los colores, con valor de 1 para opaco y 0 para
transparencia total (Figura 1.29).

#ajuste transparencia por modificador"

plot(volcan,
col= adjust_transparency([Link](n = 255),
 Colores 79

Figura 1.28: Desatura-

ción de colores un 40%
(izquierda) y 100%
180 180
(derecha).
160 160

140 140

120 120

100 100

alpha = 0.5),
add=T)

180 180 180

160 160 160

140 140 140

120 120 120

100 100 100

Figura 1.29: Aplican-

do transparencia, Ma-
pa base en blanco y
negro (izquierda), ma-
pa en colores (cen-
tro) y superposición
con translucencia de
un 50% (derecha).
II PROYECTOS EN R
Desarrollando un Proyecto R

Al iniciar todo trabajo más complejo que unas líneas en R, es

buena práctica trabajar con el concepto de Proyecto en RStudio.
Facilita la organización del trabajo todo dentro de una carpeta y
mediante subcarpetas dividir por temas o niveles de proceso. Figura 2.1: Opción
En una sesión inicial ir a menú File - New Project… (Figura Menú Nuevo Proyec-
to.
2.1) y seguir los pasos del asistente.

Figura 2.2: Opciones

de Creación de proyec-
tos.

1. Crear un proyecto en una carpeta nueva, existente o asociado

a un repositorio de control web como git, programa de control
de versiones diseñado por Linus Torvalds, para la eficiencia,
confiabilidad y compatibilidad en el mantenimiento de versio-
nes (Wikipedia) o Apache Subversion,o SVN, programa para
el control de versiones open source basado en un repositorio
similar a un sistema de ficheros (Wikipedia). Seleccionar una
carpeta nueva (Figura 2.2).
84 PROYECTOS EN R

2. Seleccionar New Proyect (otras opciones generan proyectos

para crear un paquete o una aplicación web) (Figura 2.3).

Figura 2.3: Tipo de

Proyecto.

3. Se debe escribir el nombre y seleccionar la carpeta superior

(Figura 2.4).

Figura 2.4: Opciones

de Ubicación y nombre
de Proyecto.
 Preparación 85

2.1 Organización de Archivo

La forma en que se organizan los archivos ayuda a que el código

sea más legible. De manera similar, la forma en que se organiza
el código dentro de un archivo tiene un impacto significativo en
la legibilidad.
Los archivos también pueden tener propósitos específicos. Al-
gunos pueden contener solo funciones que serán utilizadas por
otros archivos, algunos pueden usarse para actualizar paquetes,
etc.

2.1.1 ¿Cómo organizar los archivos dentro de un proyecto?

• Utilizar la función de proyectos de RStudio cada vez que co-
mience a trabajar en un nuevo proyecto.
• Mantenga todos los archivos de origen de un proyecto en un
directorio y use rutas relativas para acceder a ellos.
• Separe los archivos que contienen funciones que serán utiliza-
das por otras partes del código del núcleo del código.
• Tenga en cuenta en qué directorio de trabajo se encuentra al
obtener un script.

2.1.2 ¿Cómo organizar el código dentro de cada archivo?

• Comience cada archivo con un comentario que diga quién lo
escribió y cuándo, qué contiene y cómo encaja en el programa
más grande.
• Luego cargar todos los paquetes requeridos.
• A continuación, los archivos requeridos de origen (otro script
r), si los hubiera.

Entonces agregar nuestro código y dividirlo en archivos sepa-

rados (generalmente <2000–3000 líneas).

La instalación de cada paquete debe ser realizado en la consola

ya que se realiza una primera vez y estará disponible para las
futuras sesiones.
86 PROYECTOS EN R

2.2 Manejo de Carpetas

Se deben crear carpetas donde organizar la información y pro-
ductos, se pueden crear por medio de Windows o directamente
utilizando código R. La función [Link](nombre) crea una
carpeta o chequear si existe, [Link](nombre).
Crear una carpeta llamada nombre dentro de la carpeta raíz
(1.36.3, paso 1):
[Link]("nombre")
Y para crear una carpeta dentro la recién creada nombre (si
existe, genera un mensaje de alerta):
[Link]("nombre/nombre1")
Para chequear la existencia de una carpeta:
[Link]("nombre")
[1] TRUE

2.2.1 here
En la carpeta seleccionada se genera un archivo de extensión
‘.Rproj’. Recomendamos instalar y cargar en la sesión actual el
paquete here (Müller [2020]) que permite crear rutas de di-
rectorios o localiza los archivos de manera relativa a la
carpeta raíz.
library(here)
Un ejemplo de sintaxis y uso (solo para referencia):
(here("carpeta", "subcarpeta", "[Link]"))

2.3 Archivos Script

Desde este punto vamos a escribir código R que se reutilizará
para replicar metodologías o tareas de análisis y el modo más
práctico es crear un archivo scripts (.r) (Figura 2.5).

Y usando el editor de texto (Figura 2.6) (¡y no la consola!)

vamos construyendo nuestros programas o rutinas.
 Preparación 87

Figura 2.5: Opción

Menú Nuevo Archivo
Script.

Figura 2.6: Editor de

Textos.
88 PROYECTOS EN R

Para ejecutar el código, existen varias alternativas:

• Posicionar el cursor en la línea y presionar la combinación

control + enter.
• Iluminar el texto (seleccionar) y presionar la combinación con-
trol + enter.
• Ejecutar todo el código del archivo script con la combinación
control + shift + s.

2.4 Manejo de objetos

Cuando se crea un objeto muy grande (en términos de data) o

que tarda en ser descargado de la web o el proceso de construc-
ción sea muy complejo se recomienda almacenarlo en disco y la
próxima vez que se ejecute el archivo script (ver 2.3) el objeto se
carga directo desde disco con el consiguiente ahorro de tiempo.
El método ideal es identificar el objeto que se desea almacenar
y leer desde disco, R provee de dos funciones básicas, para grabar
en disco saveRDS() y para leer desde disco readRDS().
En el siguiente ejemplo, un supuesto objeto creado en el pro-
cesamiento será almacenado en la carpeta (carpeta del pro-
yecto)/RAW / con el nombre de [Link]⊛ .
El símbolo ⊛ que aparece adjunto al nombre hace referencia
que dicho archivo se encuentra disponible en el sitio github del
texto.
objeto <- c(1:1000)
saveRDS(objeto, here("raw", "[Link]"))
En este ejemplo guardamos objeto en la carpeta de salida defi-
nida en la función here (que debe existir previamente). Y es here
quien se encarga de realizar todas las operaciones internas de che-
quear el carácter separador, ubicar la carpeta raíz del proyecto y
validar toda la dirección.
El proceso inverso, leer desde disco a un objeto R, el co-
mando requiere la dirección y nombre del archivo que contiene
el objeto a leer ⊛ . Se recomienda utilizar el mismo nombre del
objeto original:
 Preparación 89

objeto <- readRDS(here("raw", "[Link]"))

2.5 Consejos Prácticos para escribir R

Algunas recomendaciones básicas para escribir código R, para
facilitar la lectura y comprensión del código.

• Colocar espacios alrededor de todos los operadores (=, +, -,

<-, etc.).
• Utilizar <-, no =, para la asignación.
• Siempre use comentarios para marcar secciones de código.
• Comentar el código detalladamente. Los comentarios deben
explicar por qué, no el qué.
• Cada línea de un comentario debe comenzar con el símbolo de
comentario y un solo espacio.
• Una llave de apertura nunca debe ir en su propia línea y siem-
pre debe ir seguida de una nueva línea; una llave de cierre
siempre debe ir en su propia línea, a menos que vaya seguida
de otra.
• Siempre sangra el código dentro de las llaves.
• Mantener sus líneas de menos de 80 caracteres. Esta es la
cantidad que cabrá cómodamente en una página impresa en
un tamaño razonable.
Si nota que se está quedando sin espacio, esto probablemente
sea una indicación de que debe encapsular parte del trabajo en
una función separada.
R como Lenguaje de Programación

Hasta este punto se ha escrito y utilizado código paso a paso,

utilizando R desde la consola como una calculadora, con cada
línea de código ejecutándose individualmente, y alguna función
ocasional se ha aplicado individualmente a un conjunto de datos
o atributos específicos.
En nuestro recién creado archivo Script (.r) y utilizando el
editor de texto vamos a escribir desde ahora en adelante nuestro
código r expresado en varias líneas. Usando identación.
Muy a menudo, en el uso de data ráster, nos gustaría hacer lo
mismo repetidamente, pero ajustando algunos de los parámetros
en cada iteración, por ejemplo, aplicando el mismo algoritmo a
diferentes datos, diferentes atributos o usando diferentes umbra-
les.
El objetivo de este capítulo es introducir algunos principios
básicos de programación que permitirán hacer muchas cosas re-
petidamente en un solo bloque de código.
Estos son los conceptos básicos para escribir programas de
computadora.
En el análisis y mapeo de datos ráster, con frecuencia que-
remos aplicar el mismo conjunto de comandos una y otra vez,
para recorrer los datos o listas de datos, o modificando los datos
dependiendo de si se cumple alguna condición o no. Estos tipos
de acciones repetidas están respaldados por funciones, bucles
y condiciones lógicas.
Unos pocos ejemplos simples sirven para ilustrar cómo la pro-
gramación en R combina estas ideas a través de funciones con
comandos condicionales, bucles y variables.
92 PROYECTOS EN R

Por ejemplo, considere la siguiente variable altura_arbol:

altura_arbol <- c(5.2, 9.1, 4.3, 3.2, 6.2)
Es posible que deseemos imprimir el primer elemento de es-
ta variable si tiene un valor menor que 6: este es un comando
condicional ya que la operación (en este caso imprimir un con-
tenido) se realiza de forma condicional (es decir, si se cumple la
condición).
if (altura_arbol[1] < 6) {
cat('árbol pequeño\n')
} else {
cat('árbol grande\n')
}
árbol pequeño
Alternativamente, es posible que deseemos examinar todos los
elementos de la variable altura_arbol y, dependiendo de si ca-
da valor individual cumple con la condición, realizar la misma
operación.
Podemos realizar operaciones repetidamente utilizando una
estructura de bucle de la siguiente manera, observe la construc-
ción del bucle for en la forma:
for (variable in secuencia) {código R}
Esto se ilustra en el siguiente código:
for (i in 1:5) {
if (altura_arbol[i] < 6) {
cat('árbol', i, 'es pequeño\n')
} else {
cat('árbol', i, 'es grande\n')
}
}
árbol 1 es pequeño
árbol 2 es grande
árbol 3 es pequeño
árbol 4 es pequeño
árbol 5 es grande
 Preparación 93

Una tercera situación es cuando deseamos realizar el mismo

conjunto de operaciones, grupo de funciones condicionales o en
bucle una y otra vez, quizás a diferentes datos. Podemos hacer
esto agrupando código y definiendo nuestras propias funciones.
medir_altura_arbol <- function(lista, marca) {
for (i in 1:length(lista)) {
if (lista[i] < marca) {
cat('árbol', i, 'es pequeño\n')
} else {
cat('árbol', i, 'es grande\n')
}
}
}

medir_altura_arbol(altura_arbol, 5)

árbol 1 es grande
árbol 2 es grande
árbol 3 es pequeño
árbol 4 es pequeño
árbol 5 es grande
medir_altura_arbol(altura_arbol, 8)

árbol 1 es pequeño
árbol 2 es grande
árbol 3 es pequeño
árbol 4 es pequeño
árbol 5 es pequeño
otro_arbol <- c(4.5, 9.44,11.3,3.66)
medir_altura_arbol(lista = otro_arbol,
marca = 8)
árbol 1 es pequeño
árbol 2 es grande
árbol 3 es grande
árbol 4 es pequeño
Note como el código de la función medir_altura_arbol(lista,
marca) modifica el ciclo original desde for (i in 1:5) a for
94 PROYECTOS EN R

(1:length(lista)) para definir el número de veces que vamos

a repetir el ciclo. El parámetro marca se define para dar mayor
flexibilidad al usuario.

2.6 Estructuras de Programación

En los ejemplos de arriba, se han introducido un número de

conceptos claves para la programación. Ahora vamos a explicar
algunos aspectos importantes.

2.6.1 Comandos Condicionales

Un comando condicional prueba por una condición si es ver-
dadera (TRUE) o falsa (FALSE), y si la respuesta es verdadera
algunas acciones deben ser realizadas.
Las operaciones condicionales se componen por if y else.
La instrucción if es seguida por la condición, la expresión que
es evaluada, y una consecuencia será ejecutada si la condición
resulta verdadera.
x <- 9
if (x > 0) cat("es positivo")

es positivo
En el siguiente ejemplo, no se cumple la condición y nada
ocurre:
x <- -9
if (x > 0) cat("es positivo")
También la instrucción if posee una alternativa que será eje-
cutada o evaluada cuando la condición sea falsa.
x <- -9
if (x > 0) cat("es positivo") else cat("es negativo")

es negativo
Las operaciones condicionales son compuestas por uno o más
operadores lógicos (Cuadro 2.1). Además, R contiene una serie
de funciones lógicas que también se pueden usar para evaluar
condiciones, un ejemplo en cuadro 2.2) pero existen muchas otras.
 Preparación 95

Cuadro 2.1: Operado-

res Lógicos
Símbolo Definición
== Es igual
!= Distinto
> Mayor
>= Mayor o igual
< Menor
<= Menor o igual
& Y
| O
! Negación
Cuadro 2.2: Funciones
Lógicas
Función Descripción
any(x) TRUE si alguna condición es verdadera
all(x) TRUE si todas las condiciones son verdaderas
[Link](x) TRUE si x es valor numérico
[Link](x) TRUE si x es TRUE or FALSE
[Link](x) TRUE si x es carácter

Un ejemplo de su uso:
listado <- c(4.5, 9.44,11.3,3.66)
if (all(listado > 0)) cat("todos los valores positivos")

todos los valores positivos

listado <- c(4.5, 9.44, -11.3, -3.66)
if (any(listado > 0)) cat("algunos valores son positivos")

algunos valores son positivos

any(listado == 0)

[1] FALSE

2.6.2 Bloque de Código

Grupos de instrucciones son llamados bloque de código y
en R deben ser contenidos entre símbolos corchetes { y }.
96 PROYECTOS EN R

2.6.3 Funciones
En la introducción creamos la función:
medir_altura_arbol <- function(lista, marca) {
for (i in 1:length(lista)) {
if (lista[i] < marca) {
cat('árbol', i, 'es pequeño\n')
} else {
cat('árbol', i, 'es grande\n')
}
}
}
Que podemos diagramar de la siguiente forma:
nombre <- function(lista de argumentos) {expresiones R}
Las expresiones R conforman un bloque de código que recibe
un nombre y puede recibir una lista de argumentos que nos per-
mite evaluar el código con distintos valores que el usuario desea
utilizar.
Dentro del bloque de código se pueden crear nuevos objetos
(variables) que incluso pueden tener el mismo nombre que objetos
externos al bloque, solo existen dentro del bloque.

2.6.4 Ciclos y Repeticiones

En la introducción creamos un ciclo controlados por la secuen-
cia for (1:length…) {} que define un cierto número de veces (cada
uno de los componentes del vector).
R posee por su naturaleza vectorial (1.12) varias formas para
crear secuencias (1.12.2), definir patrones (1.12.4) o repeticiones
(1.12.3) que pueden ser usados para el control de un ciclo.
for (val in seq(0, 1, by= 0.25)){
}
Otra forma de controlar los ciclos es mediante el uso de condi-
ciones, útiles cuando se desea ejecutar un bloque de código hasta
que una condición lógica sea verdadera.
Las funciones repeat() y ‘kreak“ permiten la construcción de
dicho tipo de ciclo:
 Preparación 97

i <- 1; n <- 200

repeat{
cuadrado <- i * i
if (cuadrado > n) break
i <- i + 1
}
cat("El primer número que excede",n, "es", cuadrado)

El primer número que excede 200 es 225

También es posible incluir ciclo dentro de las funciones como
en el siguiente ejemplo:
primer_mayor_cuadrado <- function(n){
i <- 1
repeat{
cuadrado <- i * i
if (cuadrado > n) break
i <- i + 1
}
return (cuadrado)
}

primer_mayor_cuadrado(13256)

[1] 13456
III INFORMACIÓN RÁSTER
Introducción al Concepto Ráster

Los fenómenos geográficos se desarrollan de manera continua

sobre una extensión de la superficie terrestre (en, sobre o bajo
ella) aunque convertir la realidad a una expresión simple que se
pueda ser incorporado a un programa informático no es nada de
simple.
El primer paso es describir variables independientes de la ma-
nera más precisa posible y para ello se requiere la construcción
de un modelo de aquella variable que represente esa realidad y
pueda servir para estudiar en profundidad ya no en la realidad
sino sobre el modelo en sí.
El problema básico es como reducir una cantidad casi infinita
de detalles en un monto que permita su almacenamiento y su
representación. El método ideal es extraer una serie de valores
representativos que siguiendo una estrategia permita replicar el
fenómeno.
Si podemos enumerar los pasos o niveles que llevan de la reali-
dad a un conjunto de datos numéricos dependiendo del nivel de
abstracción requerido son tres:

• Modelo Geográfico: Modelo conceptual de la realidad geográ-

fica.
• Modelo de Datos: Tomar el modelo anterior con sus caracte-
rísticas y reducirlo a una serie finita de elementos.
• Modelo de Almacenamiento: Esquemas de almacenamiento fí-
sico del modelo de datos.
102 INFORMACIÓN RÁSTER

3.1 Modelo Geográfico

El modelo geográfico es la base del sistema ya que modela teó-

ricamente la realidad geográfica y su comportamiento. Es una
conceptualización o esquema mental que permita entender el fe-
nómeno geográfico en sí, el espacio que ocupa, la variable tratada
y cómo se comporta en ese espacio. Existen varios modelos y ba-
sados en Couclelis [1992] podemos mencionar:

• Entidades Discretas
• Campos

3.1.1 Entidades Discretas

Se basa en el supuesto de que el espacio geográfico se encuentra
vacío y sobre él existen distintos elementos que lo rellenan. Di-
chos elementos poseen características propias y constantes dentro
de límites bien definidos que pueden extenderse desde la dimen-
sión cero (punto), dimensión uno (arco o línea), dimensión dos
(polígono) y superiores.

3.1.2 Campos
Si consideramos que sobre el espacio geográfico se desarro-
llan los elementos de manera continua (principalmente variables
físicas) vamos a encontrar que para cada punto existe su corres-
pondiente magnitud.
Así una vía o un curso de agua se adapta naturalmente al
modelo de entidades discretas y la altitud o temperatura se com-
porta de manera más natural en el modelo de campos.

3.2 Modelo de Datos

Vamos a clasificar los modelos detallados en dos grupos, mo-

delo de representación ráster y modelo de representación vecto-
rial.(Figura 3.1, basado en Galton [2001]).
El modelo ráster se basa en una subdivisión regular del espa-
cio geográfico generalmente cuadradas ordenadas en una grilla Figura 3.1: Represen-
tación de Modelos
Vector y Ráster
 Introducción al Concepto Ráster 103

regular continua como una matriz. Pueden tener más de un valor

(atributos o bandas) asociado a cada celda.
El modelo vectorial no divide el espacio en su totalidad sino
por medio de una serie de elementos geométricos con valores (atri-
butos) asociados y cada uno de ello relacionado con los objetos
geográficos presentes.

3.3 Modelo de Almacenamiento

Los modelos de almacenamiento plantean básicamente un es-

quema de cómo convertir dichas unidades en valores numéricos
de la forma más eficiente. Es decir, cómo escribir dichos valores
en un soporte digital o guardarlos en la memoria del ordenador
de la mejor manera posible.
Los modelos de almacenamiento deben atender principalmente
a dos necesidades básicas, que son las que definirán su idoneidad
para cada tarea y tipo de dato:

• Minimizar el espacio ocupado por los datos.

• Maximizar la eficiencia de cálculo.

En R el modelo de almacenamiento ráster se implementa vía

el paquete1 raster Hijmans [2021] que permite: 1
Todas las funciones
y conjuntos de datos
de R se almacenan en
“leer, escribir, manipular, analizar y modelar datos espaciales en paquetes. Solo cuan-
grilla cuadricular. El paquete implementa funciones básicas y de do se carga un paque-
alto nivel. Se admite el procesamiento de archivos muy grandes.” te, su contenido está
disponible. Esto se ha-
ce tanto por eficiencia
Como primer paso si no se ha realizado anteriormente debemos (la lista completa to-
instalar el paquete solo la primera vez raster: maría más memoria y
tardaría más en buscar
[Link]('raster') que en un subconjun-
to).
Luego (y en las sesiones futuras directamente avanzar a este
paso) se debe activar el código contenido en el paquete para la
sesión actual con:
library(raster)
104 INFORMACIÓN RÁSTER

3.4 Conversión de Objeto a Ráster

3.4.1 Objeto RasterLayer

Cuando a partir de un objeto bidimensional (matriz) se crea

un objeto especialmente diseñado para el análisis de datos ráster
en una variable:
mat <- matrix(1:36, 6, 6)
mat
[,1] [,2] [,3] [,4] [,5] [,6]
[1,] 1 7 13 19 25 31
[2,] 2 8 14 20 26 32
[3,] 3 9 15 21 27 33
[4,] 4 10 16 22 28 34
[5,] 5 11 17 23 29 35
[6,] 6 12 18 24 30 36
Utilizando la función raster construimos un objeto RasterLa-
yer (Figura 3.2):
base <- raster(mat)
base
class : RasterLayer
dimensions : 6, 6, 36 (nrow, ncol, ncell)
resolution : 0.1666667, 0.1666667 (x, y)
extent : 0, 1, 0, 1 (xmin, xmax, ymin, ymax)
crs : NA
source : memory
names : layer
values : 1, 36 (min, max)

Información fundamental que es almacenada que describe la

información contenida es:
dimensions: Descripción geométrica del modelo, número de filas,
columnas.
resolution: Tamaño (en m.) de las celdas en eje x e y.
extent: Coordenadas extremas del área cubierta por el modelo.
crs: Sistema de referencias de coordenadas. Proyección del mapa.
 Introducción al Concepto Ráster 105

Objeto RasterLayer Figura 3.2: Modelo

6 Columnas x 6 Filas de Representación
Ráster.
1 7 13 19 25 31

2 8 14 20 26 32

3 9 15 21 27 33

4 10 16 22 28 34

5 11 17 23 29 35

6 12 18 24 30 36

source: Dónde reside la información (en archivo o memoria) de

las celdas contenidas en el modelo.
names: Nombre de la capa o variable.
values: Rango numérico del contenido en los valores del modelo.

3.4.2 Objeto RasterBrick

Un RasterBrick es un objeto ráster de varias capas. Por lo
general, se crean a partir de un archivo de varias capas (bandas);
pero también pueden existir enteramente en la memoria. Son si-
milares a un RasterStack (que se puede crear con stack, ver
3.4.3).

El tiempo de procesamiento debería ser más corto cuando se

usa un RasterBrick. Sin embargo, son menos flexibles ya que
solo pueden apuntar a un único archivo.

Se puede crear un RasterBrick a partir de objetos RasterLayer,

desde un RasterStack o desde un archivo (multicapa). También
se puede crear a partir de un array tridimensional:
106 INFORMACIÓN RÁSTER

arr <- array(data = 1:6**3, dim = c(6, 6, 3))

arr
, , 1

[,1] [,2] [,3] [,4] [,5] [,6]

[1,] 1 7 13 19 25 31
[2,] 2 8 14 20 26 32
[3,] 3 9 15 21 27 33
[4,] 4 10 16 22 28 34
[5,] 5 11 17 23 29 35
[6,] 6 12 18 24 30 36

, , 2

[,1] [,2] [,3] [,4] [,5] [,6]

[1,] 37 43 49 55 61 67
[2,] 38 44 50 56 62 68
[3,] 39 45 51 57 63 69
[4,] 40 46 52 58 64 70
[5,] 41 47 53 59 65 71
[6,] 42 48 54 60 66 72

, , 3

[,1] [,2] [,3] [,4] [,5] [,6]

[1,] 73 79 85 91 97 103
[2,] 74 80 86 92 98 104
[3,] 75 81 87 93 99 105
[4,] 76 82 88 94 100 106
[5,] 77 83 89 95 101 107
[6,] 78 84 90 96 102 108
El comando brick convierte el objeto array a RasterBrick que
contendrá la misma información que el rasterlayer incorporando
el detalle para una de las capas contenidas en él (Figura 3.3).
 Introducción al Concepto Ráster 107

multi <- brick(arr)

multi
class : RasterBrick
dimensions : 6, 6, 36, 3 (nrow, ncol, ncell, nlayers)
resolution : 0.1666667, 0.1666667 (x, y)
extent : 0, 1, 0, 1 (xmin, xmax, ymin, ymax)
crs : NA
source : memory
names : layer.1, layer.2, layer.3
min values : 1, 37, 73
max values : 36, 72, 108

layer.1 layer.2 Figura 3.3: Concep-

tualización de Raster-
Brick.
1 7 13 19 25 31 37 43 49 55 61 67
2 8 14 20 26 32 38 44 50 56 62 68
3 9 15 21 27 33 39 45 51 57 63 69
4 10 16 22 28 34 40 46 52 58 64 70
5 11 17 23 29 35 41 47 53 59 65 71
6 12 18 24 30 36 42 48 54 60 66 72

layer.3
73 79 85 91 97 103
74 80 86 92 98 104
75 81 87 93 99 105
76 82 88 94 100 106
77 83 89 95 101 107
78 84 90 96 102 108

3.4.3 Objeto RasterStack

Un RasterStack es una colección de objetos RasterLayer con
la misma extensión espacial y resolución. Se puede crear un
RasterStack a partir de objetos RasterLayer, o de distintos ar-
108 INFORMACIÓN RÁSTER

chivos ráster, o ambos.

El tiempo de procesamiento debería ser más largo cuando se usa

un RasterStack. Sin embargo, son más flexibles ya que pueden
apuntar a distintos archivos.

Revisaremos en detalle el uso del comando stack(), en elcaso

práctico de carga de datos de población (ver 6.2).

3.4.4 addLayer y dropLayer

Comandos especializados en agregar una capa a un objeto Ras-
ter o remover una capa desde RasterStack o RasterBrick.
Siempre el objeto devuelto es un RasterStack (a menos que no
se haya proporcionado nada para agregar o quitar, en cuyo caso
se devuelve el objeto original).
Sintaxis :

• addLayer (x, ...)

• dropLayer (x, i, ...)

Donde x es objeto ráster e i un valor entero que define el o los

índices de las capas que se eliminarán.
... Siempre definen argumentos adicionales. Para las capas
que se agregarán por addLayer. Ninguno implementado para dro-
pLayer).
Operaciones Básicas

No olvidemos que si en nuestra sesión actual no hemos cargado

el paquete raster debemos iniciar con este paso:
library(raster)
A diferencia del capítulo anterior vamos a crear un objeto Ras-
terLayer desde cero, utilizando parámetros con nombre para de-
finir tanto el número de columnas y filas como la ubicación geo-
gráfica:
(base <- raster(ncol= 9,
nrow= 9,
xmx= -70,
xmn= -71,
ymx= -32,
ymn= -33
)
)
class : RasterLayer
dimensions : 9, 9, 81 (nrow, ncol, ncell)
resolution : 0.1111111, 0.1111111 (x, y)
extent : -71, -70, -33, -32 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
Así tenemos la definición geométrica, tamaño, resolución y ubi-
cación pero no contiene datos. Para efectos de nuestra demostra-
ción vamos a asociar un vector de valores aleatorios2 de la misma 2
runif genera núme-
longitud que el número de celdas (Figura 3.4): ros aleatorios en el
rango min, max.
110 INFORMACIÓN RÁSTER

values(base) <- [Link](runif(ncell(base),

min = 1,
max=6)
)
base
class : RasterLayer
dimensions : 9, 9, 81 (nrow, ncol, ncell)
resolution : 0.1111111, 0.1111111 (x, y)
extent : -71, -70, -33, -32 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
source : memory
names : layer
values : 1, 5 (min, max)

2 4 5 2 1 4 3 5 5 Figura 3.4: Objeto rás-

ter (los números indi-
1 2 3 2 3 2 2 2 5 can el valor contenido
en cada celda).
3 5 5 4 2 2 1 3 3

5 1 5 3 1 2 1 1 3

3 3 2 2 5 2 5 3 5

3 4 1 4 4 2 3 5 5

5 2 2 2 1 1 4 1 5

5 5 5 5 1 5 5 5 4

1 5 1 5 1 4 3 2 5

3.5 Estructura Interna slots

El objeto RasterLayer creado en el punto anterior, automáti-
camente e internamente asocia una serie de atributos y propieda-
des que en R se denominan slots (ranuras). Cada ranura tiene un
nombre y una clase asociada. La extracción de un slot devuelve
un objeto de esa clase.
Tenga en cuenta que el operador @ (arroba) para extraer o
modificar el contenido de un slot, función primitiva y reside en el
 Operaciones Básicas 111

paquete base.
Para listar los slots que componen un objeto debemos usar:

slotNames(base)
[1] "file" "data" "legend" "title" "extent" "rotated"
[7] "rotation" "ncols" "nrows" "crs" "history" "z"
Y para revisar el contenido basta usar el nombre:

slot(base, name = 'extent')

class : Extent
xmin : -71
xmax : -70
ymin : -33
ymax : -32
O usar el formato objeto@nombre:
base@file
An object of class ".RasterFile"
Slot "name":
[1] ""

Slot "datanotation":
[1] "FLT4S"

Slot "byteorder":
[1] "little"

Slot "nodatavalue":
[1] -Inf

Slot "NAchanged":
[1] FALSE

Slot "nbands":
[1] 1
112 INFORMACIÓN RÁSTER

Slot "bandorder":
[1] "BIL"

Slot "offset":
[1] 0

Slot "toptobottom":
[1] TRUE

Slot "blockrows":
[1] 0

Slot "blockcols":
[1] 0

Slot "driver":
[1] ""

Slot "open":
[1] FALSE

3.6 Propiedades Geométricas

Nuestro objeto rasterlayer posee una serie de propiedades que

se pueden revisar mediante los mismos comandos que ya hemos
estudiado para las matrices:
dim(base); ncol(base); nrow(base)

[1] 9 9 1
[1] 9
[1] 9
Y algunos especialmente diseñado para él:
xres(base) #Tamaño eje x

[1] 0.1111111
 Operaciones Básicas 113

yres(base) #Tamaño eje y

[1] 0.1111111
res(base) #Tamaño en ambos ejes

[1] 0.1111111 0.1111111

ncell(base) #Número total de elementos
[1] 81
extent(base) #retorna objeto extensión

class : Extent
xmin : -71
xmax : -70
ymin : -33
ymax : -32

3.7 Estadísticas Generales

Los valores contenidos en el objeto ráster pueden ser explora-

dos utilizando estadísticos globales mediante el comando cellStats:
cellStats(base,stat=min) #valor mínimo

[1] 1
cellStats(base,stat=max) #valor máximo

[1] 5
El comando acepta el paso del parámetro mediante un ‘texto’
que funciona más rápido en ráster grandes.
cellStats(base, 'mean') #Promedio de los valores

[1] 3.135802
cellStats(base,'sd') #Desviación estándar

[1] 1.52277
cellStats(base, 'sum') #Sumatoria

[1] 254
114 INFORMACIÓN RÁSTER

Para extraer el contenido y su frecuencia existen unique y

freq que retorna un vector con todos los elementos duplicados
removidos y el segundo construye una tabla de frecuencia para
los valores contenidos (realiza por defecto un redondeo a número
entero y se puede controlar con el parámetro digits).
unique(base)

[1] 1 2 3 4 5
freq(base, digits= 0)

value count
[1,] 1 15
[2,] 2 18
[3,] 3 14
[4,] 4 9
[5,] 5 25

3.8 Nombre de Capas

También podemos acceder a los nombres de las capas y modi-

ficarlas por claridad u ordenamiento de la data:

names(base) <- 'mi_variable'

base
class : RasterLayer
dimensions : 9, 9, 81 (nrow, ncol, ncell)
resolution : 0.1111111, 0.1111111 (x, y)
extent : -71, -70, -33, -32 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
source : memory
names : mi_variable
values : 1, 5 (min, max)
 Operaciones Básicas 115

3.9 Indexado y Subconjuntos

3.9.1 Número de Celdas

Un objeto ráster se almacena internamente como un vector
con sus elementos ordenados secuencialmente, iniciando en 1 en
la esquina superior izquierda, aumenta a la derecha y hacia abajo.
El último número es igual al número de celdas. La organización
se ilustra en la Figura 3.5.

1 2 3 4 5 6 7 8 9 Figura 3.5: Objeto rás-

ter con el número de
10 11 12 13 14 15 16 17 18 orden de celdas.

19 20 21 22 23 24 25 26 27

28 29 30 31 32 33 34 35 36

37 38 39 40 41 42 43 44 45

46 47 48 49 50 51 52 53 54

55 56 57 58 59 60 61 62 63

64 65 66 67 68 69 70 71 72

73 74 75 76 77 78 79 80 81

Así podemos extraer información por su ids:

base[10]
[1] 1
base[2:6]
[1] 4 5 2 1 4
Y usando este tipo de numeración encontramos una serie de
funciones que permiten obtener coordenadas reales a partir del
número de celda:

xFromCell(base,1) #Coordenada x de celda 1

[1] -70.94444
116 INFORMACIÓN RÁSTER

yFromCell(base,1) #Coordenada y de celda 1

[1] -32.05556
xyFromCell(base,1:3) #Vector coordenada de celda 1 a 3

x y
[1,] -70.94444 -32.05556
[2,] -70.83333 -32.05556
[3,] -70.72222 -32.05556
Y su recíproco; a partir de coordenadas x e y obtener el número
de celda.

cellFromXY(base, c(-70.4,-32.8)) #Número de celda

[1] 69
Y la forma de realizar una prueba de validez de ids:
validCell(base,0) #id fuera del vector

[1] FALSE
validCell(base,82) #id fuera del vector

[1] FALSE
validCell(base,1)

[1] TRUE

3.9.2 Filas y Columnas

El siguiente método de identificación de elementos es el par

de valores [fila, columna]. Las filas incrementan hacia abajo y co-
lumnas hacia la derecha. De 1 a ncol y 1 a nrow. Ver figura 3.6.

El método de acceso es similar al detallado para las matrices:

base[2,5]

[1] 3
base[1:3,1:3]
 Operaciones Básicas 117

Figura 3.6: Objeto rás-

−32.0
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (1,7) (1,8) (1,9) ter (los números indi-
can la combinación (fi-
(2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (2,7) (2,8) (2,9) la, columna) para ca-
−32.2

da).
5
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (3,7) (3,8) (3,9)
−32.4

(4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (4,7) (4,8) (4,9) 4

(5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (5,7) (5,8) (5,9) 3

−32.6

(6,1) (6,2) (6,3) (6,4) (6,5) (6,6) (6,7) (6,8) (6,9) 2

(7,1) (7,2) (7,3) (7,4) (7,5) (7,6) (7,7) (7,8) (7,9)

1
−32.8

(8,1) (8,2) (8,3) (8,4) (8,5) (8,6) (8,7) (8,8) (8,9)

(9,1) (9,2) (9,3) (9,4) (9,5) (9,6) (9,7) (9,8) (9,9)

−33.0

−71.0 −70.8 −70.6 −70.4 −70.2 −70.0

[1] 2 4 5 1 2 3 3 5 5 2 4 5

Y utilizando el parámetro drop=FALSE retorna un objeto ras- 1 2 3

terlayer (Figura 3.7): 3 5 5

base[1:3,1:3, drop=FALSE] Figura 3.7: Objeto rás-

ter producto del sub-
class : RasterLayer conjunto.
dimensions : 3, 3, 9 (nrow, ncol, ncell)
resolution : 0.1111111, 0.1111111 (x, y)
extent : -71, -70.66667, -32.33333, -32 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
source : memory
names : layer
values : 1, 5 (min, max)
Con este tipo de numeración tenemos una serie de funciones
que permiten obtener coordenadas reales a partir de la informa-
ción de filas y columnas:

xFromCol(base,1) #Coordenada x de columna 1

[1] -70.94444
118 INFORMACIÓN RÁSTER

yFromRow(base,1) #Coordenada y de fila 1

[1] -32.05556
El inverso:
colFromX(base, -70.15) #Columna para coordenada x

[1] 8
rowFromY(base, -32.18) #Fila para coordenada y

[1] 2
Mientras que conversión de fila y columna a número de celdas:

cellFromRowCol(base,2,2)

[1] 11
Y número de celda a fila y columna:

colFromCell(base, 28)

[1] 1
rowFromCell(base, c(1,5,15))

[1] 1 1 2
rowColFromCell(base, c(1,5,15))

row col
[1,] 1 1
[2,] 1 5
[3,] 2 6
Sistemas Coordenados de Referencia (CRS)

3.10 Fundamentos

En los atributos destacados del objeto base aparece el ítem

crs con el texto +proj=longlat +datum=WGS84 +no_defs que
corresponde al sistema de coordenadas utilizado por defecto, el
sistema mundial para dispositivos GPS o WGS84. El WGS84
(World Geodetic System 1984) es un sistema geodésico de coor-
denadas geográficas usado mundialmente, que permite localizar
cualquier punto de la Tierra (sin necesitar otro de referencia)
por medio de tres unidades dadas (x,y,z). El texto esta formatea-
do de acuerdo con el estándar que utiliza la aplicación PROJ 3 3
La sintaxis PROJ es
[Link] PROJ contributors [2021]. una lista de paráme-
tros antecedidos por
Los sistemas de coordenadas son muy variados y han sido sis- +.
tematizados bajo el nombre genérico de EPSG4 y esta estructu- 4
European Petroleum
ra es la manera práctica y recomendada de uso en R; el mismo Survey Group o EPSG
(1986–2005) fue una
sistema WGS84 corresponde bajo esta nomenclatura al código organización científica
EPSG:4326. El sitio de la iniciativa es [Link] vinculada a la industria
del petróleo europea.
y se recomienda su visita y estudio. Formada por especia-
Cuando se utiliza un CRS, debes considerar que existen los listas del campo de
la geodesia, topogra-
sistemas de coordenadas proyectadas y geográficas, también
fía y cartografía apli-
que existen muchos tipos de sistemas de coordenadas. cadas en la explora-
Los CRS se definen básicamente por: ción petrolífera. EPSG
compiló y difundió el
conjunto de paráme-
• Marco de medición, que puede ser geográfico (coordenadas
tros geodésicos EPSG
esféricas) o planimétrico (coordenadas proyectadas sobre un como una base de da-
plano). tos que contiene elip-
soides, datums, siste-
mas de coordenadas,
• Unidad de medición, generalmente serán metros (¡o pies!) para proyecciones cartográ-
ficas, etc.
120 INFORMACIÓN RÁSTER

sistemas de coordenadas proyectadas o grados decimales para

latitud/longitud).
Encontramos otras propiedades, como un esferoide de refe-
rencia, un datum y parámetros de proyección como uno o
más paralelos estándar, un meridiano central o posibles cambios
en las direcciones de x e y.
Existen dos tipos comunes de sistemas de coordenadas que se
utilizan en el análisis espacial:
• Un sistema de coordenadas geográficas utiliza una su-
perficie esférica, de tres dimensiones para definir ubicaciones
en la tierra (en donde las coordenadas se miden desde el cen-
tro de la tierra). La latitud y la longitud definen un sistema de
coordenadas esféricas o globales.

• Un sistema de coordenadas proyectadas se define en una

superficie plana, de dos dimensiones, como un mapa impreso
o visualizado, por lo tanto, también se denomina proyección
cartográfica. Una proyección cartográfica utiliza fórmulas ma-
temáticas para relacionar las coordenadas esféricas del globo
con coordenadas planares, planas.
A diferencia de un sistema de coordenadas geográficas, un sis-
tema de coordenadas proyectadas posee longitudes, ángulos y
áreas constantes en las dos dimensiones. Sin embargo, todas las
proyecciones cartográficas que representan la superficie de la tie-
rra en un mapa plano crean distorsiones en algún aspecto de la
distancia, el área, la forma o la dirección ya que se trata de
poner datos en tres dimensiones en un plano de dos dimensiones.
Cuando selecciona una referencia espacial para almacenar y re-
muestrear los datos ráster, debe elegir la proyección que minimiza
el tipo de distorsión que más le preocupa.
Como las proyecciones producen distintos tipos de distorsio-
nes, se diseñan con fines específicos. Datos a gran escala en
un área limitada, otra se puede utilizar para un mapa a pequeña
escala del mundo o minimizar la distorsión de una o más carac-
terísticas de datos (distancia, área, forma o dirección), etc.
Minimizar estas limitaciones utilizamos proyecciones cartográ-
ficas que se adapten al uso, la ubicación geográfica y la ex-
 Operaciones Básicas 121

tensión deseados.

3.10.1 Identificación y Extracción

Para identificar el CRS de un objeto ráster usamos:

crs(base)
CRS arguments: +proj=longlat +datum=WGS84 +no_defs
y para definir en un objeto que carece de él (por ejemplo,
construido manualmente como en el capítulo anterior) se utiliza
con la sintaxis de asignación:
crs(objeto) <- crs('descripción PROJ o código EPSG')

3.10.2 Transformación Ráster

Un ráster consta de celdas rectangulares del mismo tamaño
(en términos de las unidades del CRS aunque su tamaño real
puede variar) y no es posible transformar celda a celda. Así, las
estimaciones de los valores de las celdas nuevas deben realizarse
en función de los valores de las celdas antiguas. Si los valores son
datos de clase o categóricos, normalmente se utiliza el vecino más
cercano (en R es método ‘ngb’), si la información es continúa se
realiza algún tipo de interpolación (en R el método es bilineal
‘bilinear’). Figura 3.8.
Para definir el CRS destino debemos usar el código EPSG en
un texto con formato +init=epsg:CODIGO_EPSG y automática-
mente la función construirá y agregará todos los parámetros.
utm19 <- crs("+init=epsg:32719") # UTM 19S WGS84
utm19
CRS arguments:
+proj=utm +zone=19 +south +datum=WGS84 +units=m +no_defs
Y así la transformación de CRS se realiza con el comando
projectRaster (Figura 3.9).
base_proj <- projectRaster(from = base,
crs = utm19,
122 INFORMACIÓN RÁSTER

Vecino más cercano Interpolación bilineal Figura 3.8: Diferencias

(ngb) (bilinear) en el método de esti-
mación de valores.
2 4 5 2 1 4 3 5 5 2 4 5 2 1 4 3 5 5
1 2 3 2 3 2 2 2 5 1 2 3 2 3 2 2 2 5
3 5 5 4 2 2 1 3 3 3 5 5 4 2 2 1 3 3
5 1 5 3 1 2 1 1 3 5 2 5 3 1 2 1 1 3
3 3 2 2 5 2 5 3 5 3 3 2 2 4 2 5 3 5
3 4 1 4 4 2 3 5 5 3 4 1 4 4 2 3 5 5
5 2 2 2 1 1 4 1 5 5 3 2 2 1 1 4 2 4
5 5 5 5 1 5 5 5 4 5 5 5 5 2 4 5 5 4
1 5 1 5 1 4 3 2 5 1 4 2 4 2 3 3 2 4

method= 'ngb') # method= 'bilinear'

Figura 3.9: Objeto rás-

6460000

2 4 5 2 1 4 3 5 5 ter proyectado a nuevo

CRS.
1 2 3 2 3 2 2 2 5
5
3 5 5 4 2 2 1 3 3
6420000

4
5 1 5 3 1 2 1 1 3

3 3 2 2 5 2 5 3 5 3

3 4 1 4 4 2 3 5 5
6380000

2
5 2 2 2 1 1 4 1 5
1
5 5 5 5 1 5 5 5 4

1 5 1 5 1 4 3 2 5
6340000

300000 340000 380000 420000

En la figura 3.8 tenemos los valores obtenidos con distintos

métodos de interpolación y podemos comparar sus resultados con
los valores originales en la figura 3.4).
En el caso anterior hemos tomado un objeto ráster y es pro-
yectado a un nuevo CRS, un segundo método que da más control
sobre el proceso es agregar a la operación de transformación un
objeto existente para que así la alineación del nuevo objeto sea
correcta y precisa. También en el momento de realizar el proce-
so, se puede cambiar la resolución (el tamaño de la celda) del
producto final.
En nuestro caso vamos a crear un objeto ráster a partir del
objeto original:
 Operaciones Básicas 123

base_h19s <- projectExtent(base, utm19)

Y modificamos su atributo de resolución:

res(base_h19s) <- 10000 # también (x,y) ej. c(10000,15000)

Y usamos este objeto como molde de destino donde verter la
información del objeto fuente y crear el nuevo objeto de salida
(Figura 3.10:
base_h19s_10k <- projectRaster(from = base,
to = base_h19s,
method = 'ngb')

base_h19s_10k
class : RasterLayer
dimensions : 11, 10, 110 (nrow, ncol, ncell)
resolution : 10000, 10000 (x, y)
extent : 311072.4, 411072.4, 6349127, 6459127 (xmin, xmax, ymin, ymax)
crs : +proj=utm +zone=19 +south +datum=WGS84 +units=m +no_defs
source : memory
names : mi_variable
values : 1, 5 (min, max)

2 4 5 2 1 4 3 5 5 Figura 3.10: Objeto

ráster proyectado a
1 2 3 2 3 2 2 2 5
nuevo CRS y resolu-
1 2 3 2 3 2 1 3 3 ción menor al original.
3 5 5 4 2 2 1 3 3

5 1 5 3 1 2 1 1 3

3 3 2 2 5 2 5 3 5

3 4 1 4 4 2 3 5 5 5

3 2 2 2 1 1 4 1 5 5

5 2 2 2 1 1 4 1 5 5

5 5 5 5 1 5 5 5 4 4

1 5 1 5 1 4 3 2 2 5

3.10.3 Transformación Vectorial

Hemos revisado la transformación de objetos ráster y ahora
vamos a transformar objetos vectoriales, la función extent(x)
124 INFORMACIÓN RÁSTER

extrae de un rasterLayer o un objeto espacial (vector) un objeto

extent pero no contiene información definida de un CRS.
ext <- extent(base)
crs(ext)
[1] NA
La función as(objeto, clase) convierte un objeto al tipo
clase.
polygon <- as(object = ext,
Class = 'SpatialPolygons')
polygon

class : SpatialPolygons
features : 1
extent : -71, -70, -33, -32 (xmin, xmax, ymin, ymax)
crs : NA
Y se debe asignar un crs() válido para las coordenadas que
contiene (Figura 3.11, izquierda):
crs(polygon) <- crs("+proj=longlat +datum=WGS84 +no_defs")
polygon

class : SpatialPolygons
features : 1
extent : -71, -70, -33, -32 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
La función spTransform(objeto, crs) transforma el objeto
a un nuevo sistema definido por el crs. En el ejemplo vamos
a convertir nuestro objeto polygon por ejemplo a la proyección
sinusoidal (EPSG: 6974) (Figura 3.11, derecha):
proj_sinu <- "+proj=sinu +lon_0=0 +x_0=0 +y_0=0 +ellps=WGS84 +datum=WGS84 +units=m +no_defs"

ext_sinusoidal <- spTransform(x = polygon,

crs(x = proj_sinu)
)
 Operaciones Básicas 125

−3500000
−32.2

COORDENADAS N

−3600000
Latitud

−32.6
−33.0

−3700000

−71.0 −70.6 −70.2 −6700000 −6600000

Longitud COORDENADAS E
Figura 3.11: Sistema
coordenado de la ex-
tensión de la imagen
base. Sistema Coorde-
nado Geográfico (iz-
quierda). Extensión de
la imagen proyectada
al sistema Sinusoidal
(derecha).
Área de Estudio

Al comenzar a trabajar en los conceptos básicos del procesa-

miento digital del terreno debemos definir el área de estudio y
vamos a desarrollar tres métodos para definir esa área.

3.11 Vector de Coordenadas

El método más simple y directo es crear el área de estudio me-

diante una lista de coordenadas y comandos del paquetes Simple
Features o sf (Pebesma [2018]) diseñado para trabajar con objetos
geográficos en formato vectorial codificados de manera estándar
(ver en Wikipedia Simple Features).

1. Instalar si fuese necesario y cargar en memoria:

library(sf)

2. Crear dos vectores con las coordenadas del polígono:

lng <- c(-71.37663, -71.31071, -71.17888,

-71.19535, -71.32719, -71.37663)
lat <- c(-34.77340, -34.68528, -34.73500,
-34.81855, -34.84337, -34.77340)

3. Convertir objeto Vector a lista combinando ambos vectores:

lista <- list(cbind(lng, lat))

4. Convertir el objeto lista en un objeto sf estándar:

128 INFORMACIÓN RÁSTER

pol <- st_polygon(lista)

5. Incorporar información de proyección y convertir al objeto

final (Figura 3.12):

poligono <- st_sf(st_sfc(pol), crs= 4326)

El parámetro crs= 4326 configura el sistema coordenado de re-

ferencia al sistema mundial para dispositivos GPS, los datos se
expresan en latitud y longitud.

Para conocer más detalles, alternativas y usos de los sistemas

coordenados, revisar el punto 3.9.2.

34.7°S
Y el objeto final poligono será utilizado posteriormente para

34.8°S
la obtención de la información topográfica (Ver 4.3.1).
71.4°W 71.2°W

Figura 3.12: Polígono

3.12 Definición Interactiva por Coordenadas

Un segundo método, requiere una conexión a internet al mo-

mento de utilizar una interfaz gráfica interáctiva para definir el
área sobre un mapa web utilizando diversas herramientas de di-
bujo.
Primero debemos cargar los paquetes mapview y mapedit (Ap-
pelhans et al. [2020a], Appelhans et al. [2020b]) que son los en-
cargados de la creación del entorno gráfico para el despliegue del
mapa base, herramientas de dibujo, coordenadas entre otros.
Por primera y única vez instalar los paquetes utilizando la
sintaxis apropiada:
[Link]("mapview")
[Link]("mapedit")

1. Leer en memoria los paquetes:

library(mapview)
library(mapedit)
 Operaciones Básicas 129

2. Algunos parámetros de configuración importantes de la he-

rramientas es definir las capas de cartografía base las cuales
sirven de referencia para el trazado de elementos (vector de
textos en parámetro basemaps), desde un gran número de op-
ciones disponibles en sitio web leaflet providers preview 5 . En 5
https:
el ejemplo siguiente se han seleccionado tres tipos bases car- //leaflet-extras.
[Link]/
tográficas, dos de ESRI y uno del proyecto OSM. leaflet-providers/
Además se configura el color y transparencia de los elementos preview/
trazados ([Link]).
Por último, un parámetro para ubicar en la ventana el cuadro
de herramientas con parámetro: [Link].

mapviewOptions(basemaps = c('[Link]',
"[Link]",
"[Link]"
),
[Link] = rgb(50,220,230,
alpha = .90,
maxColorValue = 255
),
[Link] = "topright")
Finalmente se define el nombre del objeto que recibirá el pro-
ducto de la sesión interáctiva realizada en la pestaña Viewer
de RStudio (Figura 3.13):

area_vista <- editMap()

Para terminar la sesión y recuparar los elementos trazados se
debe clicar en el botón Done en la esquina inferior derecha.
Y el objeto final area_vista será utilizado posteriormente para
la obtención de la información topográfica (Ver punto 4.3.2).

3.13 Conexión Remota a Unidades Políticas

En 2009 es creada por Robert J. Hijmans una base de datos

global de límites administrativos con el objeto de contar con todos
los países en alta resolución [Link] y hoy mediante el
130 INFORMACIÓN RÁSTER

Figura 3.13: Captura

de pantalla del fun-
cionamiento de la se-
sión interáctiva Map-
view, al mover el ratón
actualiza la geometría
y los datos asociados.

paquete GADMTools Decorps [2021] esta disponible para usua-

rios de R y obtener directamente el objeto poligonal para crear
mapas, o en nuestro caso definir el área de estudio.
1. Instalar (si no se ha realizado previamente) y cargar el paquete
en la sesión actual:

library(GADMTools)

2. Definir los parámetros de configuración antes de realizar la

descarga:
• 1. Código ISO:
La Organización Internacional de Estandarización (ISO) re-
presenta países, territorios dependientes y áreas de interés espe-
cial bajo el código ISO_3166-1_alpha-3 que se compone de
tres caracteres alfabéticos6 que intentan resumir o representar el 6
Listado completo de
nombre original. Por ejemplo: Argentina ARG, Bangladesh BGD, países y código en:
[Link]/wiki/ISO_3166-
Chile CHL, Francia FRA. El parámetro fileNames corresponde a 1_alpha-3
ese código.
 Operaciones Básicas 131

Una función de ayuda para buscar los códigos, nombres y es-

tándares se utiliza la función ccodes() que devuelve un detallado
objeto dataframe.
ccodes()

• 2. Nivel de Detalle:

La información se organiza por niveles o jerarquía política y

de acuerdo con el país reciben distintos nombres (cuadro 3.1).
El parámetro level debe incluir el nivel que corresponda al nivel
de detalle de los objetos a descargar y hará variar el tamaño del
archivo resultante (Figura 3.14).

Cuadro 3.1: Nombre

de Unidades por Nivel
Nivel Perú Chile Francia de Detalle.

1 Región Región Région

2 Provincia Provincia Département
3 Distrito Comuna Arrondissement
4 Canton
5 Commune

• 3. Definir Carpeta de Salida:

La sesión actual se encuentra ubicada en la carpeta raíz del

proyecto y si no definimos el nombre de una carpeta en el pará-
metro basefile el archivo será descargado allí, se recomienda uti-
lizar siempre una carpeta especial dentro del proyecto dedicada
exclusivamente a información base o cruda.
Si previamente no has creado la carpeta debes utilizar el co-
mando: [Link](nombre) que crea la carpeta nombre dentro
de la carpeta del proyecto, si existe informa con un mensaje y ter-
mina sin realizar cambios. Descargando directamente el archivo
con los datos.
El texto que especifica la ruta debe separar usamos la función
here().

3. Realizar la descarga:
132 INFORMACIÓN RÁSTER

peru_nivel_1 <- gadm_sp_loadCountries("PER",

level = 1,
basefile = here("RAW"))

peru_nivel_2 <- gadm_sp_loadCountries("PER",

level = 2,
basefile = here("RAW"))

peru_nivel_3 <- gadm_sp_loadCountries("PER",

level = 3,
basefile = here("RAW"))
0°

0°

0°
5°S

5°S

5°S
10°S

10°S

10°S
15°S

15°S

15°S

80°W 75°W 70°W 80°W 75°W 70°W 80°W 75°W 70°W

Figura 3.14: División

Político Administrati-
Si un nivel no existe, el sistema informa mediante un mensaje va. Perú Niveles 1, 2 y
de alarma, intenta descargar un nivel 4 de Perú. 3 (izquierda a derecha)

peru_nivel_4 <- gadm_sp_loadCountries("PER",

level = 4,
basefile = here("RAW"))

4. Procesos post descarga:

• Para generar un mapa básico utilizar el comando:

gadm_plot() (Figura 3.15).

• Revisar el contenido de los nombres de las unidades po-

líticas: listNames() del nivel correspondiente (los comando
sort corresponde a una función del paquete R base que orde-
na ascendente o descendentemente el contenido de un vector,
head un comando del paquete utils que retorma el inicio de un
vector y tail retorna registros al final del vector):
 Operaciones Básicas 133

head(sort(listNames(peru_nivel_1,level = 1)))

[1] "Amazonas" "Ancash" "Apurímac" "Arequipa" "Ayacucho" "Cajamarca"

• Selección y filtraje de unidades por su nombre: gadm_subset().

puno_piura <- gadm_subset(peru_nivel_1,

level = 1,
regions = c("Puno","Piura"))

Figura 3.15: Mapa ge-

nerado con la función
−6 gadm_plot()

−9
lat

−12

−15

−81 −78 −75 −72 −69

long

Y el objeto final puno_piura⊛ será utilizado posteriormente

para la obtención de la información topográfica (Ver 4.3.3).
Tal como se describe en 2.4 almacenamos la data en disco
usando nuestra carpeta de datos raw y tal como se recomienda,
usamos el mismo nombre del objeto original:
saveRDS(puno_piura, here("raw", "puno_piura.rds"))
Y para el proceso inverso, cargar en memoria desde disco:
puno_piura <- readRDS(here("raw", "puno_piura.rds"))
IV GEOMORFOMETRÍA
Introducción a la Geomorfometría

4.1 Definición de Conceptos

Geomorfometría es la ciencia del análisis cuantitativo

del relieve. Esta es una aproximación cartográfica y computacio-
nal al manejo de los valores de altitud de la superficie terrestre
(Tobler [1976]) que hereda sus grandes principios de las matemá-
ticas, ciencia de la tierra y más recientemente de la ciencia de
la informática. Es importante destacar que el término geomorfo-
metría se ha acuñado para diferenciarlo de la morfometría usada
en otras ciencias tales como la biología o medicina, y podemos
encontrar sus primeras referencias a mediados de la década del
40.
Cabe señalar que podemos encontrar dos corrientes en el análi-
sis geomorfométrico: específico, que analiza las formas del relieve
de una manera discreta (landforms) y general, tratando la super-
ficie de una manera continua.
Donde nuestros pies se apoyan es universalmente comprendido
por ser la interfaz entre el suelo o la roca desnuda y la atmós-
fera. Pero encontrar un término aceptado transversalmente para
nombrar dicha capa y la ciencia que se encarga de su medición
geométrica ha sido más difícil, la representación numérica de
la superficie terrestre es descrita por términos tales como terrain
modelling, terrain analysis o science of topography. Mientras que
la descripción cuantitativa, o medidas de la forma de la
superficie terrestre se presenta en la bibliografía con términos
tales como topographic attributes o properties, land-form para-
meters, morphometric variables, terrain information, terrain at-
138 GEOMORFOMETRÍA

tributes, geomorphometric parameters, land-surface parameters o

geomorphometric attributes. Siendo este último el usado en el
presente texto: atributo geomorfométrico, por sus implicacio-
nes cualitativas pero mensurables inherentes en la definición del
término atributo.
A pesar del amplio uso del término terreno1 resulta impreciso. 1
Terreno viene del la-
El término terreno significa distintas cosas según el especialista, tín terrenum, que pue-
de ser traducido como
desde la superficie terrestre, suelo, vegetación, incluso un pun- de la tierra.
to de vista socioeconómico de un área y no tiene precisamente
implicaciones de la forma. Entonces el término tan usado como
terrain analysis es confuso ya que implica la larga tradición del
trabajo cualitativo o la interpretación de los procesos de inter-
pretación de imágenes. Entonces consideramos el uso del término
relieve (relief) como sinónimo de la morfología de la superficie
terrestre con especial acento en la variación de la elevación y po-
demos recomendar que dicho parámetro se ajusta mucho mejor
al concepto de procesamiento entonces, un poco más preciso es
el término digital relief modelling que involucra los conceptos
de procesamiento informático y el acceso a los valores de cota o
a su procesamiento.
Así, el término Modelo Digital de Relieve, MDR (digital
relief model) se convertirá en el sujeto de estudio mediante el uso
de atributos geomorfométricos, mientras que la Geomorfo-
metría será la ciencia encargada de su estudio.

4.2 Historia

La geomorfometría inicia con la medida sistemática de la ele-

vación sobre el nivel del mar de puntos del terreno, sabemos con
seguridad que en el antiguo Egipto se realizaron los primeros tra-
bajos, como también el cálculo de alturas por la proyección de
sombras descrito por el filósofo griego Tales de Mileto (625-546
A.C), pero el concepto actual de contorno de elevación usado pa-
ra describir superficies continuas del terreno data de 1584 con el
trabajo pionero del topógrafo holandés Pieter Bruinz que dibuja
líneas de igual profundidad (en un primitivo intento de curva de
nivel) en el Río Spaarne (Figura 4.1).
 Introducción a la Geomorfometría 139

Figura 4.1: Trabajo de

Pieter Bruinz.

Con su aporte, fueron en los siglos siguientes muchos los tra-

bajos realizados con la misma técnica, pudiendo destacar por su
envergadura y ambición el trabajo de Dupain-Triel en 1791, que
consistió en la publicación de un primitivo mapa de curvas de
nivel de Francia (Figura 4.2).

Figura 4.2: Mapa de

curvas de nivel de
Francia, Dupain-Triel
1791.

En 1774 el matemático británico Charles Hutton (Figura 4.3)

fue asignado para resumir los trabajos realizados por Charles
Manson, astrónomo que buscaba estimar la masa de la Tierra.
Hutton uso un lápiz para conectar los puntos de igual altitud en
las montañas escocesas de Schiehallion, desarrollando el concepto
de isohipsa.
Este método a probado ser una muy efectiva forma de repre-

Figura 4.3: Charles

Hutton (1737–1823).
140 GEOMORFOMETRÍA

sentar la topografía y es una de las más importantes innovaciones

en la historia de la cartografía, por su conveniencia, exactitud, y
fácil comprensión.
Afines del siglo XVIII e inicio del XIX, en Europa surge un ex-
plosivo auge de trabajos de levantamientos topográficos de mayor
precisión, los estudios de esas elevaciones y su comportamiento
fueron estudiados cualitativamente, principalmente por ingenie-
ros militares, fundando la orografía2 , mientras que las cotas y 2
Orografía viene del
los parámetros derivados de ellas dan paso a la orometría3 . latín montañas y para
dibujar.
Desde Alemania y Austria, la cuna de la geomorfometría, sur- 3
Orometría viene del
gen dos hitos principales. El breve (19 páginas) capítulo de oro- latín montañas y para
medir.
metría en el manual de Von Sonklar de 1873 que presenta doce
medidas cuantitativas de la morfología de las montañas, el cual
estimula un sinnúmero de publicaciones sobre la caracterización
de la superficie terrestre. Y uno de los mejores compendios de la
temprana ciencia de la geomorfometría (¡que incluye críticas al
texto de Sonklar!), fue el capítulo más grande y completo en el
texto de 1894 de Albrecht Penck (Figura 4.4).

Figura 4.4: Manual de

Von Sonkla (1873) y
Texto de Penck 1894
(Fotografía cortesía de
[Link])

Ya a mediados del siglo XIX los mapas de curvas de nivel

han alcanzado un mayor desarrollo y disponibilidad, el análisis
del relieve florece. Medidas del mayor y menor punto en un área
de estudio (generalmente un cuadrado o círculo) cuantifican la
dimensión vertical del relieve, expresando la altura relativa. En
1911 se desarrolla el primer mapa cuantitativo de relieve local
(o relativo), usando los rangos de elevación de una grilla de 5
 Introducción a la Geomorfometría 141

x 5 km cuadrados. Geógrafos y luego geomorfólogos miden las

áreas encerradas por curvas de nivel para generar gráficos de ele-
vación versus área. Esta curva hipsométrica puede ser acumulada
e integrada para estudios comparativos de diversas regiones.
Con el auge de la computación digital a mediados de la década
de los cincuenta la geomorfometría tuvo un acelerado progreso,
mientras que el arreglo de grillas de elevaciones era preparadas
por los geofísicos para la corrección por gravedad, los ingenieros
civiles proyectaban autopistas y el ejercito investigaba tácticas de
combate, el concepto de modelo digital fue descrito abiertamente
en el MIT (en 1958) pero no tuvo un uso generalizado hasta
finales de los 60.
Su potencial e importancia se vio restringido por las limitacio-
nes de los computadores digitales de ese período. Algunos mode-
los digitales fueron preparados fotogramétricamente o levantados
en terreno, incluso laboriosamente interpolados a mano de mapas
de contornos. La digitalización semi automática de toda la super-
ficie de [Link]. a una resolución de 63 m a partir de los mapas
de contornos escala 1:250.000 en el período 1963-1972 distribuido
finalmente por el USGS marcó la explosión de disponibilidad de
dichos productos (U.S. Army Map Service, 1963).
Los primeros mapas y diagramas de los resultados geomorfo-
métricos fueron limitados a pantallas de baja resolución (tubos
de rayos catódicos) y solo 128 caracteres alfanuméricos impresos
por línea en papel de 38 cm de ancho (Figura 4.5) utilizando so-
breimpresión de caracteres para lograr mayor número de tonos
de gris.
El procesamiento digital de la información ha sido implemen-
tado por diversos programas computacionales de una manera se-
cuencial, donde cada celda es calculada utilizando alguna fórmula Figura 4.5: Impresión
de un Modelo Digital.
y a continuación la celda siguiente, y así hasta completar la zona
de interés.
Hoy con la capacidad de acceder a los núcleos de procesamien-
to gráfico de las tarjetas de video, el poder de cómputo de un
número masivo de procesadores en paralelo aumenta las posibili-
dades de acelerar los algoritmos de cálculo.
Pasos Preliminares

En este capítulo revisaremos los pasos iniciales para preparar

nuestra sesión en R para comenzar posteriormente con los análisis
y usaremos como área de estudio los definidos en el punto 3.10.3. Como primer paso de-
El paquete elevatr (Hollister et al. [2020]) provee acceso a ser- bemos instalar el pa-
quete que recomenda-
vicios web de información topográfica y será utilizado para des- mos realizarlo siempre
carga. en la consola y lue-
go cargar en memo-
ria el paquete requeri-
4.3 Descargar Información Topográfica do con library(elevatr)
en el script.

La función principal para descargar la información es:

area_mdr <- get_elev_raster(locations, z, src)
Los parámetros de configuración son los siguientes:
locations: Un polígono que defina el área de estudio. z: Valor
del cual depende el tamaño de la celda y se estima a partir de la
ecuación 4.1.

celda = cos(ϕ ∗ π/180) ∗ 2 ∗ π ∗ 6378137m)/(256 ∗ 2ZOOM ) (4.1)

Donde ϕ corresponde a la latitud geográfica promedio la región

a descargar, ZOOM el nivel de detalle de la información, que es
un valor que va de 1 a 14. Un ejemplo para latitudes media y alta
la podemos revisar en el cuadro 4.1.
src: La fuente de datos vía servicios web, hoy (junio 2021)
conecta con:

• [Link]
• Amazon Web Services Terrain Tiles
144 GEOMORFOMETRÍA

• USGS Elevation Point Query Service

Cuadro 4.1: Tamaño

de Celda(m) por Nivel
Zoom 0° -45° -60° de Zoom y Latitud

1 78271 55346 39135

2 39135 27673 19567
3 19567 13836 9783
4 9783 6918 4891
5 4891 3459 2445
6 2445 1729 1222
7 1222 864 611
8 611 432 305
9 305 216 152
10 152 108 76
11 76 54 38
12 38 27 19
13 19 13 9
14 9 6 4

4.3.1 Por Lista de Coordenadas

En el punto 3.11 se construye el objeto poligono mediante una
lista de coordenadas y descargamos el MDR desde Amazon Web
Services y un zoom de 11 (∼ 60 m).
area_dtm <- get_elev_raster(locations = poligono,
z= 11,
src= "aws")
Y obtenemos un objeto RasterLayer:
class : RasterLayer
dimensions : 1379, 2240, 3088960 (nrow, ncol, ncell)
resolution : 0.0003138821, 0.0003138821 (x, y)
extent : -71.54297, -70.83987, -35.02988, -34.59704 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
source : [Link]
names : file21150e332809
values : -32768, 32767 (min, max)
 Pasos Preliminares 145

plot(area_dtm)
plot(poligono, add=T)

Figura 4.6: MDR y ob-

jeto poligono creado
por coordenadas.
−34.6

2000
−34.7

1500
−34.8

1000
−34.9

500
−35.0
−35.1

−71.5 −71.4 −71.3 −71.2 −71.1 −71.0 −70.9

Nótese el parámetro add=T de la función plot agrega contenido

al gráfico creado en el paso anterior (Figura 4.6).

Que se encuentra almacenado en una carpeta temporal donde

fue descargado con un nombre generado automáticamente:
filename(area_dtm)

[1] "C:\\Users\\[Link]\\AppData\\Local\\Temp\\RtmpcdbsY4\\[Link]"
Conviene por seguridad almacenar en disco con nombre y ruta
conocido⊛ :
writeRaster(area_dtm, here("raw", "area_dtm.grd"))
Para leer desde disco y construir un nuevo objeto⊛ :
146 GEOMORFOMETRÍA

area_dtm <- raster(here("raw", "area_dtm.grd"))

4.3.2 Definición Interactiva

En el punto 3.12 se construye el objeto area_vista mediante
una sesión mapview y descargamos el MDR desde Amazon Web
Services y un zoom de 12 (∼ 36 m).
dtm <- get_elev_raster(area, z= 12, src="aws")
Y obtenemos el correspondiente RasterLayer:
dtm
class : RasterLayer
dimensions : 8055, 12004, 96692220 (nrow, ncol, ncell)
resolution : 0.0001684019, 0.0001684019 (x, y)
extent : -73.91602, -71.89452, -15.96132, -14.60485 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
source : [Link]
names : file1a5f86daa1349
values : 425, 6405 (min, max)

plot(dtm)
plot(area_vista, add=TRUE)

4.3.3 División Política

En el punto 3.13 se construye el objeto puno_piura⊛ con da-
ta proveniente del sitio [Link] y descargamos el MDR desde
Amazon Web Services y un zoom de 9 (~300m).
El objeto descargado y procesado por el paquete GADMTools
(Decorps [2021]) pertenecen a un “tipo” particular, especialmente
diseñado para su uso:
class(puno_piura)

[1] "gadm_sp"
Debemos extraer la información espacial en un formato están-
dar y compatible para los otros paquetes y se realiza utilizando
el símbolo $ que permite explorar identificadores con nombre y
almacenarlo en un nuevo objeto ahora compatible.
 Pasos Preliminares 147

Figura 4.7: MDR y po-

lígono generado en se-
−14.5

sión mapview.

6000
−15.0

5000

4000

3000
−15.5

2000

1000
−16.0

−73.5 −73.0 −72.5 −72.0

area_puno_piura <- puno_piura$spdf

elev <- get_elev_raster(area_puno_piura, z= 9, src='aws')

Y obtenemos el correspondiente RasterLayer (Figura 4.8):

elev
class : RasterLayer
dimensions : 10784, 10484, 113059456 (nrow, ncol, ncell)
resolution : 0.001341376, 0.001341376 (x, y)
extent : -81.5625, -67.49952, -17.97882, -3.513421 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
source : [Link]
names : file2072835f83c54
values : -7409, 8657 (min, max)

plot(elev)
plot(area_puno_piura, add=TRUE)
148 GEOMORFOMETRÍA

Figura 4.8: MDR y po-

−4

lígonos GDAM.
−6

6000
−8

4000
2000
−10

0
−2000
−12

−4000
−6000
−14
−16

−80 −78 −76 −74 −72 −70 −68

4.4 Preparación del MDR

El MDR del área de trabajo que ha sido obtenido directo des-

de el servicio web tiene algunas características que deben ser co-
rregidos con el objeto de optimizar y hacer más compatible los
productos a realizar.

4.4.1 Recorte del MDR

No siempre el área de estudio corresponde exactamente a un
MDR ya que se compara con los productos almacenados en los
servidores y se obtienen aquellos que cubren el área solicitada por
lo tanto puede ocurrir que el área de estudio sea más pequeña que
el área cubierta por el MDR.
Para ello vamos a realizar un recorte (crop) obteniendo así un
RasterLayer que coincide con la extensión del polígono, pasado a
la función (Figura 4.9, superior).
dtm_crop <- crop(area_dtm, poligono)
También se puede realizar un recorte además de la extensión
 Pasos Preliminares 149

del área de estudio usar la forma exacta del área de estudio4 4

El comando mask (o
(Figura 4.9, inferior). cualquier otro) tam-
bién podría existir en
dtm_mask <- mask(dtm_crop, poligono) otros paquetes (y el
nombre podría chocar
con alguno de los car-
gados en la sesión ac-
tual) se puede especifi-
4.4.2 Cambio de Proyección car de qué paquete de-
sea ejecutar la función
dtm_mask con la sintaxis paque-
te::función.
class : RasterLayer
dimensions : 504, 630, 317520 (nrow, ncol, ncell)
resolution : 0.0003138821, 0.0003138821 (x, y)
extent : -71.37661, -71.17887, -34.84344, -34.68524 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
source : memory
names : file21150e332809
values : 184, 828 (min, max)
El MDR está definido WGS84 un sistema coordenado universal
(ver punto 3.9.2) basado en latitud y longitud donde las coorde-
nadas son expresadas en grados, minutos, segundos y cualquier
información generada se expresa usando esas mismas unidades.
Por ejemplo, la información relativa al tamaño de la celda
(resolution : 0.0003138821, 0.0003138821 (x, y)) son difíciles de
apreciar o entender, vamos a convertir a un sistema de referencia
donde las unidades de medida sean metros (m) y el proceso lo
llamaremos Proyección (Figura 4.10).
La primera tarea es seleccionar el sistema coordenado de re-
ferencia de destino (revisar detalles en 3.9.2) y buscar su código
EPSG para realizar la proyección:
utm19 <- crs("+init=epsg:32719")
dtm_proj <- projectRaster(dtm_mask, crs = utm19)
class : RasterLayer
dimensions : 526, 657, 345582 (nrow, ncol, ncell)
resolution : 28.7, 34.8 (x, y)
extent : 282108.7, 300964.6, 6141570, 6159875 (xmin, xmax, ymin, ymax)
crs : +proj=utm +zone=19 +south +datum=WGS84 +units=m +no_defs
source : memory
names : file21150e332809
values : 184.0229, 827.2889 (min, max)
 150 GEOMORFOMETRÍA

Figura 4.9: MDR re-

−34.70

cortado por extensión

del área de estudio
(arriba). MDR enmas-
carado por el área de
800
estudio (abajo).
700
−34.75

600
500
400
300
−34.80

200

−71.35 −71.30 −71.25 −71.20

−34.70

800
700
−34.75

600
500
400
300
−34.80

200

−71.35 −71.30 −71.25 −71.20

 Pasos Preliminares 151

Figura 4.10: MDR

6160000

Proyectado a UTM
H19S.
6155000

800
700
600
6150000

500
400
300
200
6145000

285000 290000 295000 300000

Al revisar el MDR resultante vemos que ahora está en un nuevo

sistema coordenado y los valores de resolución son x = 28.7m e
y = 34.8m con las coordenadas de extensión expresados en m.

4.4.3 Cambio de Resolución

El próximo paso es ajustar el tamaño de la celda a valores
enteros (e idealmente iguales en ambos ejes):
dtm_proj_ext <- projectExtent(dtm_proj, crs = utm19)
res(dtm_proj_ext) <- 30

dtm_proj_30m <- projectRaster(from = dtm_proj,

to= dtm_proj_ext,
method = 'bilinear')
Algunos pequeños ajustes que mejoran nuestro objeto:
names(dtm_proj_30m) <- 'DTM'
print(dtm_proj_30m)
 152 GEOMORFOMETRÍA

class : RasterLayer
dimensions : 610, 629, 383690 (nrow, ncol, ncell)
resolution : 30, 30 (x, y)
extent : 282108.7, 300978.7, 6141575, 6159875 (xmin, xmax, ymin, ymax)
crs : +proj=utm +zone=19 +south +datum=WGS84 +units=m +no_defs
source : memory
names : DTM
values : 184.5201, 825.2792 (min, max)
Ahora es el turno de transformar el objeto poligono que define
el área de estudio que sigue en coordenadas geográficas. Nuestro
polígono se construyó a partir de un listado de coordenadas (ver
3.11) construido mediante el paquete sf que también posee una
función para transformar su CRS.
poligono_geom <- sf::st_transform(x = poligono, crs = utm19)
6160000

Figura 4.11: Objeto

poligono transformado
a CRS del MDR.
6155000

800
700
600
6150000

500
400
300
6145000

200

285000 290000 295000 300000

Ahora, mismo procedimiento para el caso de dibujo del área de

estudio mediante una sesión interactiva, ver punto 3.12 (Figura
4.12):
 Pasos Preliminares 153

dtm_ext <- projectExtent(dtm, utm19)

res(dtm_ext) <- 50
dtm_20m <- projectRaster(from = dtm,
to= dtm_ext,
method = 'bilinear')
pol_proj <- sf::st_transform(x = pol, utm19)

Figura 4.12: MDR y

8400000

área de estudio, gene-

rado con Sesión Inter-
áctiva.
8350000

6000

5000

4000
8300000

3000

2000
8250000

1000
8200000

0 50000 100000 150000

Y finalmente, el caso de la división política descargada del

servicio GADM, ver punto 3.13 (Figura 4.13):
elev_proj_ext <- projectExtent(elev, utm19)
res(elev_proj_ext) <- 1500
elev_proj_150m <- projectRaster(from = elev,
to= elev_proj_ext,
method = 'bilinear')
area_puno_piura_proj <- spTransform(x = area_puno_piura, utm19)
 154 GEOMORFOMETRÍA

Figura 4.13: MDR y

9500000

área de estudio, gene-

rado con Descarga de
División Política.

6000
9000000

4000
2000
0
−2000
8500000

−4000
−6000
8000000

−5e+05 0e+00 5e+05

4.5 Funciones Adicionales Importantes

Una vez trazado un mapa con el comando plot() se despliega

en la pestaña Plots y R posee una serie de comandos que per-
miten interactuar con dicho dibujo o ploteo. Vamos a repasarlos
en detalles ya que facilitan mucho el trabajo siempre dentro de
la misma plataforma R.

4.5.1 Extraer Información con el Cursor

Mediante la función click() permite extraer sobre un mapa
valores de la ubicación del click y opcionalmente sus coordenadas
o número de celda.
En el siguiente ejemplo se inicia con el trazado del mapa sobre
cual extraer la información, luego realizando tres click del ratón,
extraer tres (n=3) muestras junto a sus coordenadas (xy=T) y
el número de celdas (cell=T)5 . 5
Función con interac-
ción del usuario se fi-
plot(elev_ext) nalizan, 1) Presiona-
cl <- click(elev_ext, n=3, xy=T, cell=T) do tecla ESC, 2) Pre-
sionando botón Finish
(barra de título de la
pestaña Plots).
 Pasos Preliminares 155

cl
x y cell value
1 292662 8565406 1597 493.4250
2 285162 8548906 2329 929.0102
3 232662 8548906 2294 1899.7384
La función retorna un objeto de clase dataframe y por como-
didad podemos convertir a matriz con el comando:

m <- [Link](cl)
Y así podemos utilizar los mecanismos estudiados en punto
1.21.
m[,'value'] #valores de celdas

[1] 493.4250 929.0102 1899.7384

m[1,] #Primer registro

x y cell value
292662.010 8565405.751 1597.000 493.425
m[2:3, 3] #números de celda

[1] 2329 2294

4.5.2 Dibujar Elementos Gráficos en Mapa

Usando el mismo mecanismo podemos realizar dibujos de tres
tipos básicos:
• Polígono: Por defecto retorna un objeto SpatialPolygons del
paquete sp.
• Línea: Por defecto retorna un objeto SpatialLines del paquete
sp.
• Extensión: Por defecto retorna un objeto Extent del paquete
raster.

plot(elev_ext)
objeto <- drawPoly()
objeto <- drawLine()
objeto <- drawExtent()
 156 GEOMORFOMETRÍA

4.5.3 Recortar Mapa Creado por Coordenadas

Si cuento con las coordenadas que definen una ventana rec-
tangular de corte puedo usar el comando extent() para crear
un objeto Extent. El comando también acepta varias formas de
definir sus coordenadas: extraer límites de un objeto ráster, pue-
de crear a partir de una matriz de 2x2 o un vector de longitud 4
con la estructura xmin, xmax, ymin, ymax (Figura 4.14).
El objeto Extent se usa para extraer un subconjunto de celdas
y usando el parámetro drop= FALSE devuelve un nuevo Raster-
Layer.
ext <- extent(c(210000,310000,8500000,8600000))
mdt_ext <- elev_proj_150m[ext, drop= FALSE]
plot(mdt_ext)

Figura 4.14: Recorte

8500000 8520000 8540000 8560000 8580000 8600000

de MDR vía coordena-

das.

5000

4000

3000

2000

1000

220000 240000 260000 280000 300000

 Pasos Preliminares 157

4.5.4 Recortar Geométricamente un objeto Ráster

Recortar directamente el objeto trazado en pantalla se realiza
con el comando select() que retorna directamente un objeto
RasterLayer (Figura 4.15).
plot(elev_ext)
elev1 <- select(elev_ext, use="pol") # también use='rec'
plot(elev1)

Figura 4.15: Recorte

geométrico de obje-
to ráster. ([Link])
Clicar en ventana y
para terminar presio-
ne ’Finish’ o ’ESC’
([Link]) Presenta-
ción del polígono dibu-
jado ([Link]) Obje-
to RasterLayer que re-
torna ([Link]) Plot
del RasterLayer retor-
nado.

4.5.5 Realizar Zoom

Sobre el mapa definir un área con dos clics y se levanta una
ventana con el zoom correspondiente, allí puede exportar a di-
versos formatos o pasar contenido a una variable entre otras op-
158 GEOMORFOMETRÍA

ciones.
plot(elev_ext)
zoom(elev_ext)

4.6 Manejo de Archivos Ráster

4.6.1 Grabar
El modelo ráster construido se debe guardar en disco, para
efectos de respaldo, ahorro de tiempo de proceso, evitar recrear
cada vez, etc.
La sintaxis para guardar archivo es: writeRaster(modelo,
nombre_archivo, overwrite, format, bylayer, suffix)
Donde los parámetros son:

• modelo: El objeto ráster a guardar.

• nombre_archivo: Nombre y ruta del archivo de salida. Se re-
comienda el uso del comando here (ver 2.2.1).

Opcionales:

• format: Formato de salida (ver 4.6.3). Si no se incluye el sis-

tema intenta extraerlo de la extensión del nombre del archivo,
si no es capaz se usará el formato por defecto.
• overwrite: Parámetro lógico (TRUE o FALSE) que permite
sobre escribir un archivo existente.
• bylayer: Parámetro lógico (TRUE o FALSE) que define es-
cribir un archivo separado por cada capa o layer (Si el objeto
es un rasterBrick o rasterStack).
• suffix: Lista de nombres o números de misma longitud que
las capas contenidas en el modelo. Si se usa bylayer=TRUE.
(Valores entre nlayers(x) o names(x)). Si un objeto es guar-
dado en disco, adjunto al nombre se incluye el símbolo ⊛ que
indica que se encuentra disponible en el sitio github del texto.

4.6.2 Leer
Leer un archivo ráster se realiza con la función raster() o
brick() dependiendo si el archivo contiene una o más capas.
 Pasos Preliminares 159

La sintaxis es muy simple y similar en ambos casos:

objeto <- raster(nombre_archivo)
objeto <- brick(nombre_archivo)
• nombre_archivo: Nombre y ruta del archivo a ser leído. Se
recomienda el uso del comando here (ver 2.2.1).

> Es importante señalar que el mismo comando raster(),

brick()o stack() posee una serie de funciones adicionales, por
ej. crear un objeto vacío ‘desde la nada’ o definir la geometría
básica pero sin datos entre varias otras.

4.6.3 Formatos
Cuando una función escribe un archivo en el disco, el forma-
to del archivo está determinado por el argumento format si se
proporciona, o por la extensión del archivo (si se conoce la ex-
tensión).
En otros casos, se utiliza el formato predeterminado es raster,
pero esto se puede cambiar usando rasterOptions. Los formatos
disponibles se pueden revisar en el cuadro 4.2.
lst <- writeFormats()
160 GEOMORFOMETRÍA

Cuadro 4.2: Tipos de

Archivo de Salida.
Nombre Detalle
raster R-raster
SAGA SAGA GIS
IDRISI IDRISI
IDRISIold IDRISI (img/doc)
BIL Band by Line
BSQ Band Sequential
BIP Band by Pixel
ascii Arc ASCII
CDF NetCDF
ADRG ARC Digitized Raster Graphics
BAG Bathymetry Attributed Grid
BMP MS Windows Device Independent Bitmap
BT VTP .bt (Binary Terrain) 1.3 Format
BYN Natural Resources Canada’s Geoid
CTable2 CTable2 Datum Grid Shift
EHdr ESRI .hdr Labelled
ELAS ELAS
ENVI ENVI .hdr Labelled
ERS ERMapper .ers Labelled
FITS Flexible Image Transport System
GPKG GeoPackage
GS7BG Golden Software 7 Binary Grid (.grd)
GSBG Golden Software Binary Grid (.grd)
GTiff GeoTIFF
GTX NOAA Vertical Datum .GTX
HDF4Image HDF4 Dataset
HFA Erdas Imagine Images (.img)
IDA Image Data and Analysis
ILWIS ILWIS Raster Map
INGR Intergraph Raster
 Pasos Preliminares 161

Cuadro 4.3: Continua-

ción...
Nombre Detalle
ISCE ISCE raster
ISIS2 USGS Astrogeology ISIS cube (Version 2)
ISIS3 USGS Astrogeology ISIS cube (Version 3)
KRO KOLOR Raw
LAN Erdas .LAN/.GIS
Leveller Leveller heightfield
MBTiles MBTiles
MRF Meta Raster Format
netCDF Network Common Data Format
NGW NextGIS Web
NITF National Imagery Transmission Format
NTv2 NTv2 Datum Grid Shift
NWT_GRD Northwood Numeric Grid Format .grd/.tab
PAux PCI .aux Labelled
PCIDSK PCIDSK Database File
PCRaster PCRaster Raster File
PDF Geospatial PDF
PDS4 NASA Planetary Data System 4
PNM Portable Pixmap Format (netpbm)
RMF Raster Matrix Format
ROI_PAC ROI_PAC raster
RRASTER R Raster
RST Idrisi Raster A.1
SAGA SAGA GIS Binary Grid (.sdat, .sg-grd-z)
SGI SGI Image File Format 1.0
Terragen Terragen heightfield
VICAR MIPL VICAR file
Descripción Básica del Relieve

4.7 Análisis Exploratorio de Datos

A partir del trabajo de Tukey [1977] se han comenzado a
afianzar y difundir las técnicas del análisis exploratorio de da-
tos (EDA) como herramientas que permiten realizar un estudio
inicial de los mismos en aproximaciones previas a la realización
de procedimientos estadísticos de mayor complejidad, las aplica-
ciones incluidas en el Análisis Exploratorio de Datos Espaciales
tienen por objetivo que el investigador cuente con información
estructural del comportamiento de una variable.
Aplicación que además de este comportamiento estructural,
permite descubrir errores en la codificación de los datos, deter-
minar casos anómalos y la posibilidad de comprobar supuestos
necesarios para la aplicación de la mayoría de los análisis poste-
riores.
Como un modelo MDR se compone de un arreglo matricial
de datos podemos utilizarlos para realizar dichos análisis explo-
ratorio sobre la muestra contenida y así describir el área que
representa a escala global.
En Smith et al. [2018] presenta los siguientes grupos de esta-
dísticas descriptivas:
• Recuento y Valores Específicos.
• Medidas de Tendencia Central.
• Medidas de Propagación.
• Medidas de Forma de Distribución.
Como primer paso vamos a seleccionar un área de estudio y
preparar un set de datos a modo de ejemplo.
164 GEOMORFOMETRÍA

4.8 Preparación de los Datos

En la siguiente secuencia de comandos R vamos a descargar

la división administrativa de Argentina Nivel 2, seleccionamos
el Departamento Azul y descargamos el MDR, lo recortamos y
enmascaramos por el polígono. Usamos la proyección UTM H20S
y cambiamos la resolución a 60m (Figura 4.16).
arg_nivel_2 <- gadm_sp_loadCountries("ARG",
level = 2,
basefile = "RAW/")
azul <- gadm_subset(arg_nivel_2,
level = 2,
regions = c("Azul"))
azul <- azul$spdf

dtm_azul <- get_elev_raster(azul, z= 10, src = 'aws')

dtm_azul_f <- crop(dtm_azul, azul)

dtm_azul_f <- mask(dtm_azul_f, azul)
utm20 <- crs("+init=epsg:32720")
dtm_azul_proj <- projectExtent(dtm_azul_f, utm20)
res(dtm_azul_proj) <- 60

dtm_azul_utm <- projectRaster(from = dtm_azul_f,

to= dtm_azul_proj,
method = 'bilinear')

azul_proj <- spTransform(x = azul, utm20)

4.9 Recuento y Valores Específicos

Son las medidas más simples y directas que podemos realizar

sobre una serie finita de valores. Nos permiten evaluar el monto
de la data disponible.
 Descripción Básica del Relieve 165

Figura 4.16: División

5980000
Administrativa de Se-
gundo Nivel. Partido
Azul (ARG).

350
5940000

300

250

200
5900000

150

100
5860000

740000 780000 820000 860000

4.9.1 Contar
El total de celdas del MDR obtenido con ncell() y el total
de celdas NA mediante el cálculo de frecuencia de NAs freq(x,
value=NA). Y por diferencia tenemos las celdas con información.
Un dato derivado de los totales son el área del MDR (en nuestro
caso metros ya que se encuentra proyectado).
nna <- freq(dtm_azul_utm,value=NA)
celdas <- ncell(dtm_azul_utm) - nna
El área ráster la obtenemos calculando el tamaño de la celda
res(x)[1] * res(x)[2] por el número de celdas con informa-
ción y dividimos por 1e6 para expresar en km2 .
area_raster <- (res(dtm_azul_utm)[1] *
res(dtm_azul_utm)[2]) *
celdas
(area_raster_km2 <- area_raster/1e6)

[1] 6578.568
Para fines de comparación calculamos el área del polígono me-
diante el comando area(x) dónde x corresponde a un objeto
geométrico.
166 GEOMORFOMETRÍA

(area_polygon_km2 <- area(azul_proj)/1e6)

[1] 6571.835
¿Por qué la diferencia?

4.9.2 Máximo

(maximo <- cellStats(dtm_azul_utm, 'max'))

[1] 363.5457

4.9.3 Mínimo

(minimo <- cellStats(dtm_azul_utm, 'min'))

[1] 57.20885

4.10 Medidas de Tendencia Central

Entre las medidas estadísticas básicas se encuentran varias for-

mas de promedios o valores medios. Dado que estas estadísticas
intentan proporcionar una única medida para resumir una gran
cantidad de valores, se centran en representar todo el conjunto de
datos a través de valores centrales en lugar de valores extremos
y, por lo tanto, se denominan medidas de tendencia central.

4.10.1 Promedio
O media aritmética a menudo se indica con el símbolo µ. En
muchos casos es la muestra mejor estimada (sin sesgo) de valor
medio.
(promedio <- cellStats(dtm_azul_utm, 'mean'))

[1] 141.7225

4.10.2 Mediana
La mediana es el valor que corresponde a la mitad del set
ordenado de valores.
 Descripción Básica del Relieve 167

(mediana <- median(dtm_azul_utm, [Link] = T))

[1] 126.9042

4.11 Medidas de Propagación o Extensión

La medida básica de propagación o extensión de un conjunto

de datos es el rango, la diferencia entre el máximo y mínimo,
aunque da una información limitada con respecto al patrón o
forma de propagación.

4.11.1 Rango

(rango <- maximo - minimo)

[1] 306.3369

4.11.2 Cuartil Inferior y Superior

En la secuencia ordenada de datos el 25% de los elementos son
menores o iguales que este valor (cuartil inferior) y el 75% de
los datos son menores o iguales al valor correspondiente (cuartil
superior). Con el mismo comando se pueden extraer otros valores
agregando el porcentaje al vector definido por el parámetro probs
y si el objeto ráster es muy grande controlar el número de celdas
a muestrear con el parámetro ncells.
(quantiles <- quantile(dtm_azul_utm, probs=c(0.25, 0.75)))

25% 75%
93 182

4.11.3 Rango Intercuantil

La diferencia entre los valores del cuartil superior e inferior
cubre el 50% medio de la distribución. Es una medida sólida de
la propagación ya que no se ve afectada por valores atípicos en
las colas superior e inferior de la muestra.
168 GEOMORFOMETRÍA

rango_interq <- quantiles[2] - quantiles[1]

names(rango_interq) <- "" #Remover nombre del valor
rango_interq

89

4.11.4 Varianza
La varianza es la diferencia cuadrática promedio de los valores
en un conjunto de datos de la media de su población, µ, o de
la media de la muestra (también conocida como varianza de la
muestra, donde los datos son una muestra de una población más
grande).
Esta medida de dispersión es una de las más utilizadas y, a
menudo, se describe como la desviación cuadrática media (DME).
Las diferencias se elevan al cuadrado para eliminar el efecto de los
valores negativos (de lo contrario, la suma sería 0). Sin embargo,
el proceso de cuadratura tiene otros resultados. Estos incluyen
aumentar considerablemente la ponderación otorgada a valores
grandes (positivos o negativos), con el resultado de que la va-
rianza puede ser grande como resultado de la contribución de
unos pocos valores atípicos por lo tanto no se considera una es-
tadística sólida. El tamaño de la varianza también está fuera de
escala con los datos originales y normalmente se ajusta tomando
la raíz cuadrada para cambiar la escala de la medida a los da-
tos, dando la desviación cuadrática media de la raíz (RMSD) o
desviación estándar (σ).
La varianza de la población a menudo se indica con el símbolo
σ2 .
(varianza <- var([Link](dtm_azul_utm), [Link] = T))

[1] 3540.502

4.11.5 Desviación Estándar

Es la raíz cuadrada de la varianza. También se podrá calcular
con sqrt(varianza). Se representa con la letra σ.
 Descripción Básica del Relieve 169

(desviacion <- cellStats(dtm_azul_utm, 'sd'))

[1] 59.50212

4.11.6 Coeficiente de Variación

Cuando se desea hacer referencia a la relación entre el tamaño
del promedio y la variabilidad de la variable, se utiliza el coeficien-
te de variación. Su fórmula expresa la desviación estándar como
porcentaje del promedio, mostrando una interpretación relativa
del grado de variabilidad, Por ejemplo, si el Coeficiente de varia-
ción es menor o igual al 80%, significa que la media aritmética es
representativa del conjunto de datos, por ende, el conjunto de da-
tos es Homogéneo. Por el contrario, si el Coeficiente de variación
supera al 80%, el promedio no será representativo del conjunto
de datos (por lo que resultará Heterogéneo).
(cv <- desviacion/promedio * 100)

[1] 41.98494

4.12 Medidas de Forma de Distribución

Las medidas de forma de distribución permiten conocer que

forma tiene la curva que representa la serie de datos de la muestra. Asimétrica Negativa

4.12.1 Asimetría
Mide si la curva tiene una forma simétrica, es decir, si respecto
al centro de esta (centro de simetría) los segmentos de curva que
Simétrica

quedan a derecha e izquierda son similares (Figura 4.17).

Los resultados pueden ser los siguientes:

• Cero: distribución simétrica. Existe la misma concentración Asimétrica Positiva

de valores a la derecha y a la izquierda de la media.

• Positiva: distribución asimétrica positiva. Existe mayor con-
centración de valores a la derecha de la media que a su izquier-
da. Figura 4.17: Tipos de
Distribución
• Negativa: distribución asimétrica negativa. Existe mayor con-
centración de valores a la izquierda de la media que a su de-
170 GEOMORFOMETRÍA

recha.

(asimetria <- cellStats(dtm_azul_utm,'skew',[Link]=T))

[1] 0.7094864

4.12.2 Curtosis
Mide si los valores de la distribución están más o menos con- a
centrados alrededor de los valores medios de la muestra. Señala b
c

cuan aguda es la zona media de la por lo que también es conocida

como medida de apuntamiento (Figura 4.18). Figura 4.18: Tipos de
Curtosis: (a) Leptocúr-
• Cero: Una distribución normal perfecta. Se denomina Meso- tica. (b) Mesocúrtica.
cúrtica. (c) Platicúrtica.
• Positiva: Una distribución con las colas más pesadas y la
zona media más aguda, más en “punta”. Se denomina curva
Leptocúrtica.
• Negativa: Colas más livianas, zona media más achatada. Se
denomina curva Platicúrtica.

(curtosis <- moments::kurtosis(dtm_azul_utm,[Link] = T))

[1] 2.437521

4.13 Comparación de Estadísticas Básicas

Usando las estadísticas descriptivas se realiza la comparación
entre dos áreas distintas (Figura 4.19). El cuadro 4.4 muestra los
valores obtenidos. Se invita al lector realizar el mismo ejercicio.
 Descripción Básica del Relieve 171

Partido Azul (ARG) Figura 4.19: Divisiones

5980000

Administrativas Com-
paradas.

350
5940000

300
250
200
5900000

150
100
5860000

750000 800000 850000

Provincia Chapare (BOL)

8250000
8200000

5000

4000

3000
8150000

2000

1000
8100000

100000 150000 200000 250000 300000 350000

172 GEOMORFOMETRÍA

Cuadro 4.4: Compa-

rativa de Estadísticas
Azul(ARG) Chapare(BOL) Descriptivas.

Recuento y Valores Específicos

Número de Celdas 1827380.00 3580775.00
Área (km²) 6578.57 12890.79
Mínimo 57.21 -100.87
Máximo 363.55 6141.14
Tendencia Central
Promedio 141.72 1272.38
Mediana 126.90 591.70
Propagación o Extensión
Rango 306.34 6242.01
Quartil Inferior 93.00 213.45
Quartil Superior 182.00 2145.60
Rango Interquartil 89.00 1932.14
Varianza 3540.50 1713605.33
Desviación Estándar 59.50 1309.05
Coeficiente Variación 41.98 102.88
Forma y Distribución
Asimetría 0.71 0.98
Curtosis 2.44 2.62
Análisis Geomorfométrico del Relieve

4.14 Algoritmo Básico

La realización de operaciones geomorfométricas dentro de un

modelo ráster implica calcular cantidades intermedias (sobre el
mismo conjunto de celdas de interés) que luego se utilizan para
calcular el producto final. La mayoría de los algoritmos geomor-
fométricos funcionan a través de operación de vecindad: un
procedimiento que mueve una pequeña matriz regular de celdas
(denominada tanto sub-ventana, filtro, kernel) sobre todo el mo-
delo desde la parte superior izquierda a la esquina inferior dere- Z1 Z2 Z3

cha y repite una fórmula matemática en cada ubicación de esta

cuadrícula de muestreo. Z4 Z5 Z6

Las celdas o píxeles vecinos en una ventana de muestreo se

definen comúnmente en relación a un píxel central, ubicación
Z7 Z8 Z9

para la que un parámetro es derivado. En principio, hay varias

formas de designar píxeles vecinos, se utiliza una forma secuencial Z(−1,1) Z(0,1) Z(1,1)

de las celdas desde arriba a abajo e izquierda derecha (Figura 4.20

superior) o forma de un sistema de coordenado con el origen en Z(−1,0) Z(0,0) Z(1,0)

la celda central (Figura 4.20 inferior).

Calcular un valor derivado de un modelo puede ser una simple Z(−1,−1) Z(0,−1) Z(1,−1)

repetición de una fórmula dada sobre el área de interés. Considere Figura 4.20: Formas
un modelo ráster muy pequeño de solo 6 × 6 píxeles. Realizamos de designación de las
celdas vecinas en una
un zoom en los valores (en este ejemplo elevaciones) una ventana
ventana 3x3, por Or-
de 3 filas y 3 columnas (un kernel de 3x3) y derivar un parámetro den (superior) o Coor-
deseado (promedio) con una calculadora de bolsillo, figura 4.21. denado (inferior).

[Link](4) rnorm(n, mean, sd):

función para generar
ras <- raster(matrix(rnorm(36, mean = 5, sd = 1), n números aleatorios
que siguen la distribu-
ción normal, centrada
en mean y una disper-
sión sd.
174 GEOMORFOMETRÍA

nrow = 6, byrow = T),

xmn=0, xmx=6, ymn=0, ymx=6)

5.22 4.46 5.89 5.6 6.64 5.69 5.6 6.64 5.69

Figura 4.21: Ejemplo
Numérico de Algorit-
mo Geomorfométrico,
3.72 4.79 6.9 6.78 5.57 5.02 5.15 5.51 6.78 5.57 5.02
cálculo del Promedio.
5.38 4.95 5.03 5.17 6.17 4.96 5.21 5.56 5.17 6.17 4.96

4.9 4.72 6.54 5.17 6.31 6.29 4.9 4.72 6.54 5.17 6.31 6.29

5.59 4.72 6.26 5.91 4.07 6.24 5.59 4.72 6.26 5.91 4.07 6.24

5.15 6.05 4.25 3.52 5.86 4.6 5.15 6.05 4.25 3.52 5.86 4.6

1 Extraer los valores dentro de la ventana 3x3 centrada en el

píxel central:

muestra = 5.22, 4.46, 5.89, 3.72, 4.79, 6.9, 5.38, 4.95, 5.03 (4.2)

2 Aplicar cálculo:

z1 + z2 + z3 + z4 + z5 + z6 + z7 + z8 + z9
x̄ = (4.3)
9
3 Reemplazar el Valor del píxel central.
4 Mover la ventana al píxel central siguiente.
5 Barrer toda la extensión del modelo.

Un caso especial es el tratamiento de las celdas del borde o mar-

gen del modelo. Generalmente se ignora el proceso en donde la
ventana no obtiene valores para todos los vecinos o aplicar una
solución alternativa, un padding o relleno virtual, con el prome-
dio del modelo o repetir el valor adyacente o con una constante,
etc.

A continuación presentaremos diferentes formulaciones (cada

una de ellas con un grado diferente de complejidad matemática)
para extraer atributos geomorfométricos básicos del MDR, luego
discutir la importancia y la interpretación de cada uno.
 Análisis Geomorfométrico del Relieve 175

4.15 Atributos Geomorfométricos Básicos

Tal como se describe en 4.1 el estudio cuantitativo del relieve

se realiza a través de atributos geomorfométricos que no requieren
información adicional al contenido en el modelo, ni conocimiento
de los procesos formativos ni los procesos que afectan al relieve. El
valor refleja la morfometría local en cada celda y serán divididos
en dos grupos, geométricos y medidas estadísticas.
Los parámetros geométricos son aquellos basados en un
análisis de las propiedades geométricas de la superficie terrestre.
Esto incluye pendiente, aspecto y curvaturas junto a otros valo-
res derivados de ellos. Entre todos los parámetros que se utilizan
para caracterizar una superficie terrestre, las que se describen en
esta parte del capítulo son probablemente aquellos con la base
matemática más sólida. No debemos olvidar que la superficie te-
rrestre en sí misma es una superficie en un sentido matemático
y, como tal, puede analizarse utilizando todos los conceptos de
geometría diferencial. Los parámetros como la pendiente o el as-
pecto son fáciles para calcular con unas pocas ideas geométricas
básicas.
Para realizar este análisis matemático, primero necesitamos
una función matemática describiendo la superficie terrestre y de
ésta extraer nuevos parámetros.
El trabajo fundacional para definir las primeras y segundas
derivadas de una superficie (que son necesarias para el cálculo
de pendiente, aspecto y curvaturas) se basan en los trabajos de
Evans [2019] , Shary [1995], Zevenbergen and Thorne [1987] y el
método modificado Evans-Young (Shary et al. [2002]).
El algoritmo de cálculo fija un polinomio de segundo orden
a una ventana de 3x3 (Evans [2019], Young and Evans [1978],
Pennock et al. [1987]):

rx2 ty 2
z= + sxy + + px + qy + z0 (4.4)
2 2
Donde p, q, r, s, t, z0 son coeficientes determinados por:

∂z z3 + z6 + z9 − z1 − z4 − z7
p= = (4.5)
∂x 6d
176 GEOMORFOMETRÍA

∂z z1 + z2 + z3 − z7 − z8 − z9
q= = (4.6)
∂y 6d

∂2z z1 + z3 + z4 + z6 + z7 + z9 − 2(z2 + z5 + z8)

r= 2
=
∂x 3d2
(4.7)

∂2z −z1 + z3 + z7 − z9
s= = (4.8)
∂x∂y 4d2

∂2z z1 + z2 + z3 + z7 + z8 + z9 − 2(z4 + z5 + z6)

t= =
∂y 2 3d2
(4.9)

5z5 + 2(z2 + z4 + z6 + z8) − (z1 + z3 + z7 + z9)

z0 = (4.10)
9
Horn [1981] propone utilizar un estimador de diferencias finitas
de tercer orden, de modo que las derivadas este-oeste y sur-norte
son6 : 6
El paquete raster uti-
liza para el cálculo de
la pendiente esta mo-
∂z (z3 + 2z6 + z9) − (z1 − 2z4 − z7) dificación.
p= = (4.11)
∂x 8d

∂z (z1 + 2 ∗ z2 + z3) − (z7 − 2z8 − z9

q= = (4.12)
∂y 8d

4.16 Funciones de la Primera Derivada

Las primeras propiedades morfométricas de un terreno que se
pueden estudiar son resultantes de las primeras derivadas parcia-
les de la superficie. Un concepto básico del cálculo vectorial im-
plica la primera derivada parcial es la gradiente. Dado un campo
escalar (similar las elevaciones contenidas en el MDR) el gradien-
te es un campo vectorial apuntando en la dirección en la que la
variación máxima en los valores de ese campo escalar ocurre. La
expresión del gradiente en dos dimensiones es:
 Análisis Geomorfométrico del Relieve 177

∂z ∂z
▽Z̄ = ( , ) (4.13)
∂x ∂y
Las dos principales propiedades geométricas se pueden derivar
del gradiente son su longitud (módulo) y su dirección. Cuando es-
tos conceptos se aplican a la geomorfometría, constituyen dos de
los parámetros más importantes de la superficie terrestre: pen-
diente y aspecto. 39.9 34.9 16.16 27.73

27.58 25.02 20.07 11.05

utm19 <- crs("+init=epsg:32719")
24.95 25.06 11.57 21.82
crs(ras) <- utm19
15.07 31.55 40.09 32.57
pendiente <- terrain(x= ras, opt= "slope", unit="degrees")

Figura 4.22: Mapa de

4.16.1 Pendiente pendiente (°) para los
datos del ejemplo an-
terior (Notar la reduc-
La pendiente del gradiente refleja la tasa máxima de cam-
ción de filas y colum-
bio de los valores de elevación: nas).

pendiente = arctan(|▽Z̄|) (4.14)

y reemplazando en 4.14 las expresiones 4.11 y 4.12 resulta:

pendiente = arctan( (4.15)

√
p2 + q 2 )
que indica el ángulo entre el plano horizontal y el tangencial a la
superficie. Tenga en cuenta que el plano tangencial está definido
por el propio vector de gradiente y es, por tanto, normal a la
superficie. También es normal que la línea de contorno pase a
través del punto.
Si tomamos los datos de muestra de la figura 4.21 (izquier-
da) y aplicamos la fórmula de pendiente 4.15 resulta el mapa de
pendientes en grados (°) de la figura 4.22.
En R utilizamos el comando terrain() del paquete raster
con la opción opt='slope' y configuramos la salida en grados
sexagesimales con el parámetro unit='degrees'

Se recomienda usar la opción unit=‘degrees’ cuando el producto

sea visualización de los datos, pero considerar que si la utilización
de este dato en otros procesos análiticos sea expresado en unidad
de radianes, unit=‘radians’.
178 GEOMORFOMETRÍA

El objeto RasterLayer debe tener definido su sistema coordenado

crs.

pendiente <-terrain(RasterLayer, opt='slope', unit='degrees')

El uso de la pendiente es importante en los más diversos
campos de la ciencia y su uso tan extendido a generado una
serie de parámetros derivados para usos específicos como erosión,
ecología, humedad del suelo, estabilidad de taludes y un largo
etc.
Como ejemplo del proceso de utilización de un atributo para
derivar uno nuevo revisaremos el concepto de superficie.

4.16.2 Superficie

Si consideramos una celda con resolución d, su área es calcula-

da como area = d2 pero es una área planimétrica o proyectada,
no considera el desarrollo de la superficie por efecto de la pen-
diente, aquella es un área_real y muy útil, por ejemplo el área 1.3 1.22 1.04 1.13

a reforestar no será la misma superficie, en estudio de habitat 1.13 1.1 1.06 1.02

el análisis de cantidad de alimento puede ser afectada por las 1.1 1.1 1.02 1.08

diferencias entre área versus superficie. 1.04 1.17 1.31 1.19

Luego, la superf icie de una celda con AREA y pendiente será

(Berry [1996]): Figura 4.23: Mapa de
Superficie. El valor re-
presenta la superficie
(área proyectada es 1).
AREA
superf icie = (4.16)
cos(pendiente)

Donde AREA es la superficie de la celda y pendiente debe ser

expresado en radianes.
En R aplicamos la fórmula 4.16 directo sobre nuestro Raster-
Layer de pendiente (°) y obtenemos un modelo ráster donde cada
celda representa la superficie (Figura 4.23):
superficie <- 1/cos(pendiente * (pi/180))
plot(superficie)
 Análisis Geomorfométrico del Relieve 179

4.16.3 Aspecto
El segundo atributo básico es el aspecto que se define como
el ángulo entre la dirección del Norte y la proyección horizontal
del vector de la gradiente contado en sentido horario en cualquier
punto de la superficie (Shary et al. [2002]).
El aspecto es un valor no negativo entre 0° y 360°.

q
aspecto = arctan( ) (4.17)
p
En R utilizamos el comando terrain() del paquete raster
con la opción opt='aspect' y configuramos la salida en grados 272.6 252.9 160.2 120

sexagesimales con el parámetro unit='degrees' (Figura 4.24). 279.4 230.1 193.8 43

284.9 322 68.1 227.6

aspecto <-terrain(RasterLayer, opt='aspect',
287 183.5 153.7 214.1
unit='degrees')

Figura 4.24: Mapa de

aspecto (°) para los
Se recomienda usar la opción unit=‘degrees’ cuando el producto datos del ejemplo an-
sea visualización de los datos, pero considerar que si la utilización terior (Notar la reduc-
de este dato en otros procesos análiticos sea expresado en unidad ción de filas y colum-
nas).
de radianes, unit=‘radians’.

El objeto RasterLayer debe tener definido su sistema coordenado

crs.

4.16.4 Sombreado
Con la combinación de pendiente y el aspecto se puede utili-
zar para generar los denominados mapas de relieve sombreado.
Estos mapas intentan crear imágenes que reflejan la topografía
del MDR, por lo que son más claras y más intuitivo para el ojo
humano. Estos se han utilizado de forma rutinaria desde la dé-
cada de 1980 para mejorar la apariencia visual del relieve (Horn
[1981]).
Los mapas en relieve sombreados se pueden utilizar como imá-
genes independientes o, mejor, se pueden ir utilizando para alte-
rar la representación de otras imágenes que contienen diferentes
parámetros de diferentes tipos de información por superposición
180 GEOMORFOMETRÍA

(Figuras 5.1, 4.37). Este efecto se logra utilizando un mapa de

relieve sombreado y modificando el brillo de los píxeles de acuer-
do con los valores que contiene. Así da el usuario una impresión
del espacio 3D.
Los valores de cada celda se calculan aplicando modelos de in-
solación simplificados, ignorando la influencia del relieve circun-
dante y considerar la insolación como un parámetro local (Figura
4.25).
Considerando al sol en una posición definida por su azimut ϕ
y elevación θ sobre el horizonte, la insolación de una celda con
aspecto a y pendiente s viene dado por Shary et al. [2005]:

100 tan(s) sin(θ)

[ ]
F =√ − cos(θ) sin(ϕ − a) (4.18)
1 + tan2 (s) tan(s)

En R, debemos simplificar los componentes de la formula origi-

nal en pequeños componentes por facilidad de escritura y facilitar
la revisión. Donde theta es el ángulo de elevación del sol en gra- 8.58 5.62 45.38 60.64

dos y convertidos a radianes multiplicando por pi/180 y alpha 28.78 17.46 29.83 71.98

es el azimut solar en grados y convertido a radianes multiplicado 34.67 56.17 71.3 22.84

por pi/180. También se consideran las coberturas pendiente y 45.39 16.78 26.98 5.05

aspecto expresadas en radianes.

theta <- 35 * pi/180 Figura 4.25: Mapa de
Insolación para los da-
phi <- 315 * pi/180 tos del ejemplo ante-
f0 <- 100 * tan(pendiente) rior (Notar la reduc-
ción de filas y colum-
f1 <- sqrt(1+ tan(pendiente)^2) nas).
f2 <- sin(theta)/tan(pendiente)
f3 <- cos(theta) * sin(phi-aspecto)
f <- f0 / f1 * (f2 - f3)
plot(f)
Aunque el paquete raster provee una función que encapsula
todo bajo el comando hillshade() que necesita como paráme-
tros de ingreso la pendiente, aspecto el ángulo solar y dirección
(azimut) (Figura 4.26):
Figura 4.26: Mapa de
sombreado <-hillShade(slope = pendiente,
Sombreado para los
aspect = aspecto, datos del ejemplo an-
terior (Notar la reduc-
ción de filas y colum-
nas).
 Análisis Geomorfométrico del Relieve 181

angle = 35,
direction = 315,
normalize = F)
plot(sombreado)

4.17 Funciones de la Segunda Derivada

El siguiente paso en el análisis de los atributos geomorfométri-

cos locales son las que se desprenden de las segundas derivadas.
Estos están relacionados con la concavidad y convexidad de la
superficie.

4.17.1 Curvaturas
El parámetro que describe esto se llama curvatura. Un con-
cepto importante para la comprensión es el significado geométrico
de las curvaturas es la llamada sección normal de una superficie Figura 4.27: Sección
(Figura 4.27). Normal en la superfi-
cie S en el punto P
Una sección normal es una curva plana, cuya curvatura se es una curva que resul-
define como 1/R, donde R es el radio de un círculo que mejor se ta de la intersección de
dicha superficie y un
ajusta a esta curva en un punto dado (Figura 4.28). plano que pasa a tra-
La curvatura k de una curva plana z(x) viene dada por la vés del vector N orto-
fórmula (Hengl and Reuter [2009]): gonal a S. Modificado
de Shary (1995).
∂2z
k=[ (
∂z 2
)2 ]1.5 (4.19)
∂y
1+ ∂x

Figura 4.28: En una

Una forma general de introducir una curvatura en una su-
curva plana un círcu-
perficie es definir una sección curva plana en él y luego usar la lo de radio R que es el
fórmula anterior para representar esta curvatura como función mejor ajustado a esta
curva en un punto da-
f (p, q, r, s, t) de la primera y segunda derivadas parciales de ele- do, la Curvatura será
vación (ver ecuaciones 4.5, 4.6, 4.7, 4.8, 4.9). el inverso de R o 1/R.
El punto de contacto entre el círculo y la superficie se centrará
en la celda a calcular, en un punto de la superficie terrestre con
pendiente y aspecto. De ese punto de contacto y siguiendo a Shary
et al. [2002] se generan cuatro direcciones naturales (ver figura
4.29).
182 GEOMORFOMETRÍA

aa′ y bb′ son físicamente definidas por el campo gravitacional

de la tierra, mientras que las otras dos son definidas por la super-
ficie: cc′ el valor máximo de la sección curva plana y dd′ el valor
mínimo.

Figura 4.29: Cuatro

direcciones generadas
naturalmente en la
superficie S. Toma-
do de Hengl and
Reuter(2009).

Los nombres de las curvaturas para cada una de las cuatro

secciones son:
• PERFC: Curvatura de Perfil (o Vertical): Sección aa′ (Figura
4.30). 0.07 0.1 0.05 0.05 0.15 0.02

• PLANC: Curvatura Planimétrica (o Plana): Sección bb′ (Fi- 0.08 −0.06 0.31 0.31 −0.13 0.08

gura 4.31). 0.14 −0.08 −1.49 −0.15 0.55 0.05

0.15 −0.42 0.48 −0.75 0.31 0.08

Y como información complementaria agregaremos Curvatura
0.19 −0.14 0.06 0.12 −1.81 0.26
Máxima, sección cc′ y Curvatura Mínima, Sección dd′ .
0.01 0.21 0.03 0.02 0.29 0.01
El cálculo de curvaturas se realizará utilizando el método Ze-
Figura 4.30: Mapa de
venbergen and Thorne [1987] que redefine los parámetros de las Curvatura de Perfil
derivadas parciales como: (PERFC) para los da-
tos del ejemplo ante-
∂z z6 − z4 rior.
p= = (4.20)
∂x 2d
∂z z2 − z8
q= = (4.21)
∂y 2d

∂2z z4 + z6 − 2z5
r= 2
= (4.22)
∂x d2

∂2z −z1 + z3 + z7 − z9
s= = (4.23)
∂x∂y 4d2
 Análisis Geomorfométrico del Relieve 183

1.43 −0.31 0.29 −0.2 0.33 0.99

∂2z z2 + z8 − 2z5 −0.6 −0.01 1.05 1.12 −0.62 −0.08

t= 2
= (4.24)
∂y d2 0.43 0.04 −0.13 −0.58 0.61 −0.16

y las fórmulas para el cálculo de curvaturas son: −0.23 −0.16 1.4 −0.66 0.39 0.17

0.24 −1.29 0.94 1.01 −1.92 0.57

−2(rq 2 + tq 2 + spq) 0.81 0.53 −0.15 −0.52 0.85 0.59

P ERF C = (4.25)
(p2 + q 2 ) Figura 4.31: Mapa de
Curvatura Planimétri-
2(rq 2 + tp2 − spq) ca o Plana (PLANC)
P LAN C = (4.26) para los datos del
(p2 + q 2 )
ejemplo anterior.
En la práctica R vamos a utilizar el paquete spatialEco (Evans
Como primer paso de-
[2021]) implementa dichas fórmulas con el comando curvature() bemos instalar el pa-
y vía parámetro type se configura el tipo de curvatura a calcular: quete que recomenda-
mos realizarlo siempre
PLANC <- curvature(ras, type = 'planform') en la consola y lue-
go cargar en memoria
PERFC <- curvature(ras, type = 'profile')
el paquete requerido
La curvatura de perfil (PERFC) representa la dirección de la con library(spatialEco)
en el script.
pendiente máxima y la curvatura de la forma en planta o plani-
metrica (PLANC) es perpendicular a la dirección de la pendiente
máxima.
Los valores negativos en la curvatura del perfil indican que
la superficie es convexa hacia arriba, mientras que los valores
positivos indican que la superficie es cóncava hacia arriba.
Los valores positivos en la curvatura de la forma en planta in-
dican que la superficie es lateralmente convexa, mientras que los
valores negativos indican que la superficie es lateralmente cónca-
va. Un valor cero (0) en una o ambas, indican que la superficie
es plana.

4.18 Cálculo de Parámetros

Vamos a poner en práctica los atributos recién descritos en
un modelo digital de relieve. Creamos nuestro modelo ráster si-
guiendo los pasos de selección y descarga (ver 4.3.3), proyección,
recorte y enmascarado (ver 4.36):
utm19 <- crs("+init=epsg:32719")
#Descarga de área de estudio
cl_nivel_2 <- gadm_sp_loadCountries("CHL", level = 2,
184 GEOMORFOMETRÍA

basefile = "RAW/")
#Seleccionamos un polígono específico
cordillera <- gadm_subset(cl_nivel_2, level = 2,
regions = c("Cordillera"))
#Extraemos la componente geométrica
cordillera <- cordillera$spdf
#Projectamos CRS
cordillera_proj <- spTransform(cordillera, utm19)
#Descarga de información topográfica
dtm_cordillera <- get_elev_raster(cordillera, z= 10,src= 'aws')
#Recorte y enmascarado por el polígono
dtm_cordillera_f <- crop(dtm_cordillera, cordillera)
dtm_cordillera_f <- mask(dtm_cordillera_f, cordillera)
#Preparamos la proyección
dtm_cordillera_proj <- projectExtent(dtm_cordillera_f, utm19)
#Ajustamos la resolución espacial
res(dtm_cordillera_proj) <- 50
#Realizamos el cambio CRS
dtm_cordillera_utm <- projectRaster(from = dtm_cordillera_f,
to= dtm_cordillera_proj,
method = 'bilinear')
Generamos un mapa de relieve basado en un set de colores del
paquete colorspace (Figura 4.32).
colores <- sequential_hcl(n = 100, palette = "YlOrRd", rev = T)
plot(dtm_cordillera_utm, col= colores, asp=1)
Aprovechamos de guardar en disco nuestro MDR para ser uti-
lizado en el capítulo de diseño cartográfico (ver 4.23.4) utilizando
el formato .grd y respetando el nombre del objeto creado⊛ .
writeRaster(dtm_cordillera_utm,
here("raw","dtm_cordillera_utm.grd"),
overwrite=T)
Atributos geomorfométricos usando la función terrain() y hillsha-
de():
 Análisis Geomorfométrico del Relieve 185

Figura 4.32: Provincia

6340000
Coordillera, Chile. Mo-
6320000
6300000
delo Digital de Relieve.

6000

5000
6280000

4000

3000
6260000

2000
6240000

1000
6220000
6200000

320000 340000 360000 380000 400000 420000 440000

pen <- terrain(dtm_cordillera_utm, opt='slope',

unit='degrees')
aspec <- terrain(dtm_cordillera_utm, opt= "aspect",
unit= "degrees")
hill <- hillShade(slope = pen, aspect = aspec,
angle=35, direction=315)
Mapa de pendientes (Figura 4.33).
colores <- sequential_hcl(100, palette = "Reds", rev = T)
plot(pen, col= colores, asp=1)
Mapa de Aspecto (Figura 4.34).
colores <- qualitative_hcl(100, palette = "Set 2",
rev = T, c = 90)
plot(aspec, col= colores, asp=1)

Para el cálculo del sombreado se requieren los parámetros de

pendiente y aspecto en radianes.

Mapa de Sombreado utilizando una escala de grises (Figura

4.35).
186 GEOMORFOMETRÍA

Figura 4.33: Mode-

6340000

lo Digital de Pendien-
tes(°).
6320000
6300000

70

60
6280000

50

40
6260000

30

20
6240000

10

0
6220000
6200000

320000 340000 360000 380000 400000 420000 440000

Figura 4.34: Modelo

6340000

Digital de Aspecto(°).
6320000

350
6300000

300

250
6280000

200
6260000

150

100
6240000

50

0
6220000
6200000

320000 340000 360000 380000 400000 420000 440000

 Análisis Geomorfométrico del Relieve 187

rampa <- [Link](n = 9, name = "Greys")

#rev(), invierte el vector
colores <- rev(colorRampPalette(rampa)(100))
plot(hill, col= colores, asp=1, legend=F)

Figura 4.35: Sombrea-

6340000

do Digital de Relie-
ve. Notar que la pale-
6320000

ta de colores se obtie-
ne del paquete RColor-
Brewer.
6300000
6280000
6260000
6240000
6220000
6200000

320000 340000 360000 380000 400000 420000 440000

Cálculo de Curvaturas:
planform <- curvature(dtm_cordillera_utm, type = "planform")
profilec <- curvature(dtm_cordillera_utm, type = "profile")
Diseño de paleta colores (divergente ya que el atributo curva-
tura posee valores positivos y negativos):
rampa <- [Link](n = 11, name = "RdGy")
colores <- colorRampPalette(rampa)(80)
Dibujo del área de trabajo y definición de zona de detalle me-
diante la creación de un objeto extent y superpuesto al mapa
(Figura 4.36):
plot(planform, axes=F, col=colores, asp=1)
ext <- extent(c(383000,385000,6240000,6242000))
plot(ext, add=T)
Recorte de la zona de estudio mediante la solución propuesta
188 GEOMORFOMETRÍA

en 4.5.3 y ploteo del mapa detalle:

plan_clip <- planform[ext, drop=F]
plot(plan_clip,axes=F, legend=F, col=colores, asp=1)

0.010
0.005
0.000
−0.005
−0.010
−0.015

Figura 4.36: Curvatura

Planimétrica (izquier-
Dibujo del área de trabajo y definición de zona de detalle me-
da). Detalle del área
diante la creación de un objeto extent y dibujo sobre el mapa destacada (derecha).
(Figura 4.37):
plot(profilec, axes=F, col=colores, asp=1)
ext <- extent(c(383000,385000,6240000,6242000))
plot(ext, add=T)
Recorte de la zona de estudio mediante la solución propuesta
en 4.5.3 y ploteo del mapa detalle:
plof_clip <- profilec[ext, drop=F]
plot(plof_clip, axes=F, legend=F, col=colores, asp=1)
 Análisis Geomorfométrico del Relieve 189

0.010

0.005

0.000

−0.005

−0.010

Figura 4.37: Curvatu-

ra de Perfil (izquier-
da). Detalle del área
4.19 Medidas Estadísticas destacada (derecha).

En el punto 4.6.3 se describen los estadísticos básicos que des-

criben en su totalidad nuestro MDR, mientras que en el Análisis
local (conocido como vecindario), implica realizar operaciones
con los valores de una celda dada y las celdas que la rodean has-
ta una cierta distancia (kernel 3x3, 4x4, 5x5 y más) (ver 4.14).
Mientras que, como hemos visto, los parámetros geomorfométri-
cos geométricos suelen hacer uso de una ventana cuadrada de
3×3, el análisis local estadístico también puede utilizar vecinda-
rios de diferentes tamaños. Cualquiera que sea el tamaño y la
forma del vecindario considerado, el cálculo de los parámetros
derivados se lleva a cabo de la misma manera y es simplemen-
te utilizando la totalidad de los valores contenidos dentro de los
límites.
Los primeros parámetros a considerar son los primeros cuatro
momentos de la distribución de un valor 7 , a saber, el valor medio, 7
Los momentos de
la desviación estándar, el coeficiente de asimetría y el coeficiente una función son medi-
das cuantitativas rela-
de curtosis. cionadas con la forma
Calcular el valor medio de la elevación sirve como filtro para de la gráfica de la fun-
ción (Wikipedia).
reducir el ruido y eliminar, entre otras cosas, depresiones falsas
de una sola celda. Sin embargo, existen métodos más sofistica-
dos para esto, que dan mucho mejores resultados (Jenson and
Domingue [1988], Martz and De Jong [1988], Morris and Heer-
190 GEOMORFOMETRÍA

degen [1988]), ya que no tocan aquellas celdas que constituyen la

depresión.
Otros parámetros estadísticos, como la mediana, se puede uti-
lizar para obtener un resultado similar. Tenga en cuenta que mu-
chas medidas estadísticas se superponen con medidas geométri-
cas. Por ejemplo, la desviación estándar está fuertemente corre-
lacionada con la pendiente.

4.19.1 Comando Focal

En el paquete raster encontramos la función focal(), que me-

diante una operación de vecindad calcula un ráster de salida en
donde el valor para cada celda de salida es una función de los
valores de todas las celdas de entrada que están en una vecin-
dad especificada alrededor de esa ubicación (un kernel de 3x3,
5x5, 7x7, etc). La función que se realiza en la entrada será una
estadística, como el máximo, el promedio o la suma de todos los
valores que se encuentran en esa vecindad.
La función focal trabaja con una matriz de factores (la ventana
móvil) y debe poseer un tamaño impar pero no necesariamente
cuadrada (por ej. 3x5, 5x5, 7x3), estos factores definen el peso
o aporte de la celda en el valor final. Por ejemplo, en un kernel
de 3x3, el promedio es la sumatoria de cada uno de los 9 valores
multiplicado por su correspondiente peso w fijado en 1/9:

i=9
(4.27)
∑
promedio = Zi ∗ w i
i=1

Y expresado en términos de R debemos construir un objeto

matrix con el tamaño y valores (pesos) requerido:
(matriz <- matrix(1/9, nc=3, nr=3))

[,1] [,2] [,3]

[1,] 0.1111111 0.1111111 0.1111111
[2,] 0.1111111 0.1111111 0.1111111
[3,] 0.1111111 0.1111111 0.1111111
Y pasarlo al comando focal():
 Análisis Geomorfométrico del Relieve 191

promedio <- focal(raster_original, w=matriz)

También se debe considerar el efecto borde (no se puede posi-
cionar un kernel en las filas y columnas extremas) ya que algunas
celdas de la ventana “quedan fuera” del modelo y por tanto no se
pueden calcular. Debemos decidir que hacer, y tenemos dos op-
ciones, ignorar aquellas celdas y cambiar el tamaño del ráster de
salida o proveer al sistema de un valor para “extender” (padding)
el modelo y aplicar la ventana móvil.
El parámetro pad puede ser TRUE o FALSE dependiendo de si
deseo extender o no el modelo. Aplicar la corrección debe proveer
un valor para rellenar mediante padValue (Figura 4.38).
promedio <- focal(raster_original, w=matriz, pad=FALSE)
o:
media <- cellStats(raster_original,'mean') #Usar promedio
promedio <- focal(raster_original, w=matriz,
pad=TRUE, padValue= media)

5.22 4.46 5.89 5.6 6.64 5.69 5.01 5.24 5.62 5.95 5.72 5.54

3.72 4.79 6.9 6.78 5.57 5.02 5.15 5.51 5.97 5.73 4.97 5.15 5.51 5.97 5.73 5.58

5.38 4.95 5.03 5.17 6.17 4.96 5.96 5.71 4.43 4.69 5.04 5.96 5.71 5.61

4.9 6.54 5.17 6.31 6.29 4.64 4.82 4.2 4.97 4.93 5.58

5.59 4.72 6.26 4.07 6.24 4.73 4.83 4.05 4.66 4.67 5.5

5.15 6.05 4.25 3.52 5.86 4.6 5.39 5.35 4.55 4.46 4.5 5.3

Figura 4.38: Cálculo

Promedio Focal. (izq)
valores originales (cen-
Si se utiliza una ventana mayor (por ej. 5x5) se debe prestar tro) sin padding y re-
moción de valores NA
atención en proveer los pesos correspondientes: (der) padding con pro-
matrix(1/25,nrow=5,ncol=5). medio global sin remo-
ver NA.

También se debe considerar la presencia de valores NA y si

serán removidos del cálculo ([Link]=TRUE) y notar que el cálculo
solo devolverá NA si todos los valores son NA.
Generalmente remover los valores nulos no es buena idea por-
192 GEOMORFOMETRÍA

que podría desbalancear el efecto de los pesos asignados.

El último parámetro muy importante es NAonly=TRUE que so-
lo aquellas celdas que son NA serán reemplazadas con el valor
calculado (Figura 4.39).

5.22 4.46 5.89 5.6 6.64 5.69 5.22 4.46 5.89 5.6 6.64 5.69
Figura 4.39: Uso
parámetro NAonly=
TRUE. Solo se cal-
3.72 4.79 6.9 6.78 5.57 5.02 3.72 4.79 6.9 6.78 5.57 5.02
culan los valores
NA.
5.38 4.95 5.03 5.17 6.17 4.96 5.38 4.95 5.03 5.17 6.17 4.96

4.9 6.54 5.17 6.31 6.29 4.9 4.82 6.54 5.17 6.31 6.29

5.59 4.72 6.26 4.07 6.24 5.59 4.72 6.26 4.66 4.07 6.24

5.15 6.05 4.25 3.52 5.86 4.6 5.15 6.05 4.25 3.52 5.86 4.6

Además de los pesos, opcionalmente se puede indicar la función

a combinar en el cálculo. Esta función debe aceptar múltiples
valores (es un conjunto de valores vecinos) y debe retornar un
solo valor (el que se asigna a la celda central), por ejemplo:
matriz <- matrix(1, nc=3, nr=3) #matriz de unos
promedio <- focal(raster_original, w=matriz, fun=mean)
En la figura 4.40 se muestra el resultado de las funciones (en
orden izquierda - derecha, arriba abajo): Valores iniciales, mean,
min, sd, sum y modal. Todos aplican padding con el promedio
global y no remueven valores NA.
La combinación de formula con una matriz de pesos organi-
zada de manera especial permiten destacar, ignorar, suavizar o
fortalecer el impacto en el cálculo final, por ejemplo necesitamos
construir un cálculo focal que busca estimar el valor central a
partir del valor máximo de la esquina inferior derecha de una
matriz de 3x3:
matriz_sur_este = matrix(c(0,0,0,0,1,1,0,1,2), nrow=3)
print(matriz_sur_este)

[,1] [,2] [,3]

[1,] 0 0 0
[2,] 0 1 1
 Análisis Geomorfométrico del Relieve 193

Original Promedio

5.22 4.46 5.89 5.6 6.64 5.69 5.01 5.24 5.62 5.95 5.72 5.54

3.72 4.79 6.9 6.78 5.57 5.02 4.97 5.15 5.51 5.97 5.73 5.58

5.38 4.95 5.03 5.17 6.17 4.96 4.99 5.28 5.67 5.96 5.71 5.61

4.9 6.54 5.17 6.31 6.29 5.21 5.42 5.41 5.59 5.55 5.58

5.59 4.72 6.26 4.07 6.24 5.32 5.43 5.21 5.25 5.26 5.5

5.15 6.05 4.25 3.52 5.86 4.6 5.39 5.35 5.12 5.02 5.06 5.3

Mínimo Desviación Estándar

3.72 3.72 4.46 5.39 5.02 5.02 0.59 0.89 0.81 0.64 0.59 0.45

3.72 3.72 4.46 5.03 4.96 4.96 0.57 0.89 0.86 0.69 0.67 0.53

3.72 3.72 4.79 5.03 4.96 4.96 0.57 1.01 0.9 0.73 0.68 0.52

4.72 4.72 4.72 4.07 4.07 4.07 0.31 0.67 0.7 0.86 0.83 0.76

4.72 4.25 3.52 3.52 3.52 4.07 0.41 0.81 1.13 1.17 1.09 0.78

4.72 4.25 3.52 3.52 3.52 4.07 0.35 0.62 0.92 0.96 0.92 0.64

Suma

45.13 47.14 50.57 53.53 51.45 49.86

44.69 46.34 49.56 53.73 51.57 50.2

39.91 42.21 45.32 53.62 51.41 50.47

41.72 43.38 37.84 44.71 44.36 50.2

42.59 43.46 36.49 41.97 42.05 49.53

48.47 48.19 40.96 40.12 40.46 47.72

Figura 4.40: Cálculo

Focal, distintas funcio-
nes.
194 GEOMORFOMETRÍA

[3,] 0 1 2
Y usaremos el valor máximo global para realizar el padding y
no sufrir efecto de borde:
maximo_global <- cellStats(ras,'max')
Y pasamos los parámetros al comando focal para obtener nues-
tro nuevo modelo ráster (Figura 4.41):
impacto_sur_este <- focal(raster_original,
w= matriz_sur_este,
fun= max,
pad= T,
padValue= maximo_global)

Figura 4.41: Mapa

5.22 4.46 5.89 5.6 6.64 5.69 9.57 13.79 13.55 11.13 10.03 13.79
Original (izquierda),
Mapa de Celdas
3.72 4.79 6.9 6.78 5.57 5.02 9.91 10.07 10.34 12.33 9.91 13.79
Estimadas a partir
de valores al sur-este
5.38 4.95 5.03 5.17 6.17 4.96 9.43 13.08 10.33 12.62 12.58 13.79
de la celda central
(derecha).
4.9 4.72 6.54 5.17 6.31 6.29 9.43 12.51 11.82 8.14 12.48 13.79

5.59 4.72 6.26 5.91 4.07 6.24 12.1 8.49 7.04 11.72 9.19 13.79

5.15 6.05 4.25 3.52 5.86 4.6 13.79 13.79 13.79 13.79 13.79 13.79

La facilidad de expresar una función en término de fórmulas y

pesos permiten expresar o definir nuevos parámetros geomorfo-
métricos, como ejemplo vamos a revisar tres valores que describen
el relieve (basado en Wilson et al. [2007]). Figura \ref{fig:geomorfo-
focal-7:
TRI : Terrain Ruggedness Index o índice de rugosidad del te-
rreno es el promedio de las diferencias absolutas entre el valor de
la celda central y sus 8 vecinos.
Expresado en el comando focal vamos primero a definir una
matriz de pesos uno (todas las celdas tienen similar aporte):
matriz_pesos <- matrix(1, nrow=3, ncol=3)
Primero vamos escribir la cabecera o definición:
• function(x, ...): Es una función que recibe un objeto x
 Análisis Geomorfométrico del Relieve 195

(nuestro modelo ráster) y puede o no recibir parámetros adi-

cionales ..., símbolo que le indica a R que pueden existir
parámetros adicionales.

• abs(x[-5]-x[5]): Diferencia (resta) absoluta de los valores

de la ventana móvil (menos el valor central x[−5]) contra el
valor central [5] y este resultado se debe:

• sum( )/8: Promediar; sumando todas las diferencias y divi-

diendo por 8 (recuerda que removimos el índice x[5] o celda
central).

Finalmente todo se pasa como parámetros al comando focal

del paquete ráster:
TRI <- focal(raster_original,
w=matriz_pesos,
fun=function(x, ...) sum(abs(x[-5]-x[5]))/8
)
TPI: Topographic Position Index o índice de Posición Topo-
gráfica es la diferencia entre el valor de la celda central y el valor
medio de de las 8 celdas vecinas. En R quedaría:
TPI <- focal(raster_original,
w=matriz_pesos,
fun=function(x, ...) x[5] - mean(x[-5])
)
RUGOSIDAD: es la diferencia entre los valores máximo y
mínimo en la ventana móvil.
rugosidad <- focal(raster_original,
w=matriz_pesos,
fun=function(x, ...) max(x) - min(x)
)
196 GEOMORFOMETRÍA

ORIGINAL TRI TPI RUGOSIDAD

5.22 4.46 5.89 5.6 6.64 5.69 0.44 1.06 0.78 0.56 1.07 0.4 0.23 −0.88 0.31 −0.4 1.03 0.17 1.67 3.18 2.44 1.51 1.76 1.62

3.72 4.79 6.9 6.78 5.57 5.02 1.4 0.76 1.56 0.94 0.57 0.65 −1.4 −0.41 1.56 0.91 −0.18 −0.63 1.67 3.18 2.44 1.86 1.82 1.68

5.38 4.95 5.03 5.17 6.17 4.96 0.48 0.72 0.75 0.92 0.73 0.73 0.48 −0.29 −0.59 −0.89 0.51 −0.73 1.67 3.18 2.18 1.86 1.82 1.35

4.9 4.72 6.54 5.17 6.31 6.29 0.38 0.71 1.3 0.82 0.81 0.8 −0.29 −0.71 1.3 −0.52 0.81 0.8 0.88 1.82 1.82 2.47 2.24 2.24

5.59 4.72 6.26 5.91 4.07 6.24 0.49 0.83 1.22 1.01 1.55 0.86 0.38 −0.72 1.15 0.66 −1.41 0.83 1.34 2.3 3.02 3.02 2.79 2.24

5.15 6.05 4.25 3.52 5.86 4.6 0.37 0.84 1.26 1.8 0.9 0.93 −0.26 0.79 −1.08 −1.8 0.8 −0.79 1.33 2.01 2.74 2.74 2.72 2.17

Figura 4.42: MDR ori-

ginal y cuatro pa-
4.20 Cálculo de Parámetros Geomorfométricos rámetros geomorfomé-
tricos.

Creamos nuestro modelo ráster siguiendo los pasos de selección

y descarga (ver 4.3.3), proyección, recorte y enmascarado (ver
4.37):
utm18 <- crs("+init=epsg:32718")
col_nivel_2 <- gadm_sp_loadCountries("COL", level = 2,
basefile = "RAW/")
lerida <- gadm_subset(col_nivel_2, level = 2,
regions = c("Lérida"))
lerida <- lerida$spdf
lerida_proj <- spTransform(lerida, utm18)
dtm_lerida <- get_elev_raster(lerida, z= 11,
src = 'aws')
dtm_lerida_f <- crop(dtm_lerida, lerida)
dtm_lerida_f <- mask(dtm_lerida_f, lerida)
dtm_lerida_proj <- projectExtent(dtm_lerida_f, utm18)
res(dtm_lerida_proj) <- 40
dtm_lerida_utm <- projectRaster(from = dtm_lerida_f,
to= dtm_lerida_proj,
method = 'bilinear')
El área de estudio (Figura 4.43).
#paleta de colores
colores <- sequential_hcl(100, palette = "YlOrRd", rev = T)
plot(dtm_lerida_utm, col= colores, asp=1)
Cálculo de la desviación estándar mediante la función focal()
(Figura 4.44).
 Análisis Geomorfométrico del Relieve 197

Figura 4.43: Área de

10545000
estudios, Municipio de
Lérida, Colombia. Mo-
delo Digital de Relieve.
10540000

1500
10535000

1000

500
10530000
10525000

500000 505000 510000 515000

#Estimación y mapa de la desviación estándar

d_estandar <- focal(dtm_lerida_utm, w=matrix(1,3,3), fun=sd)
colores <- sequential_hcl(100, palette = "GnBu", rev = F)
plot(d_estandar, col= colores, asp=1)

Figura 4.44: Zoom

10545000

Área de Estudio,
cálculo de la desvia-
ción estándar.
50
10540000

40

30
10535000

20

10
10530000
10525000

500000 505000 510000 515000

Cálculo de la media usando un kernel de 5x5 con focal() (Fi-

gura 4.45).
198 GEOMORFOMETRÍA

d_estandar <- focal(dtm_lerida_utm, w=matrix(1,25,25), fun='mean')

colores <- sequential_hcl(100, palette = "YlOrRd", rev = T)
plot(d_estandar, col= colores, asp=1)

Figura 4.45: Área de

10545000

Estudio, cálculo del

promedio con un ker-
nel 5x5.
1400
10540000

1200

1000
10535000

800

600

400
10530000
10525000

500000 505000 510000 515000

Cálculo del factor TPI (Figura 4.46).

TPI <- focal(dtm_lerida_utm, w=matrix(1,5,5),
fun=function(x,...) x[5] - mean(x[-5]))
colores <- diverging_hcl(100, palette = "Red-Green")
plot(TPI, col= colores, asp=1)

Figura 4.46: Zoom

10545000

Área de Estudio,
cálculo TPI.
10540000

100

50
10535000

−50

−100
10530000
10525000

500000 505000 510000 515000

 Análisis Geomorfométrico del Relieve 199

Cálculo de la rugosidad (Figura 4.47).

rug <- focal(dtm_lerida_utm, w=matrix(1,5,5),
fun=function(x,...) max(x) - min(x))
colores <- diverging_hcl(100, palette = "Red-Green")
plot(rug, col= colores, asp=1)

Figura 4.47: Zoom

10545000

Área de Estudio,
cálculo RUGOSIDAD.

200
10540000

150
10535000

100

50
10530000
10525000

500000 505000 510000 515000

Batimetría

La batimetría es el equivalente submarino de la altimetría. El

nombre proviene del griego profundo, y medida. Es el estudio de
las profundidades marinas, de la tercera dimensión de los fondos
lacustres o marinos. Un mapa batimétrico (o carta batimétrica)
normalmente muestra el relieve del fondo o terreno como isóba-
tas8 , y puede también dar información adicional de navegación 8
La isóbata es una
en superficie. curva que se utili-
za para la representa-
Originalmente, batimetría se refería a la medida de la pro- ción cartográfica de los
fundidad oceánica. Las primeras técnicas usaban segmentos de puntos de igual pro-
fundidad en el océano
longitud conocida de cable o cuerda pesada, descolgadas por el y en el mar, así como
lateral de un barco. La mayor limitación de esta técnica es que en lagos de grandes
mide la profundidad en un solo punto cada vez, por lo que es muy dimensiones. También
es usado para repre-
ineficiente. También es muy imprecisa, ya que está sujeta a los sentar la profundidad
movimientos del barco, las mareas, y las corrientes que puedan de formaciones geoló-
gicas, tanto su techo
afectar al cable. como su base (Wikipe-
Los datos usados hoy en día para la confección de mapas ba- dia).
timétricos provienen normalmente de un sonar montado bajo la
quilla o en el lateral de un buque, lanzando una onda de sonido
hacia el fondo marino (Figura 4.48). La cantidad de tiempo que
tarda el sonido en ir a través del agua, rebotar en el fondo y
volver, informa al equipo de la profundidad real.
Años atrás, se podía calcular la media de cada uno de los
impulsos individuales de un sonar para confeccionar un mapa
continuo en lugar de una medición de puntos. Hoy día se puede
usar un sonar de barrido ancho, consistente en docenas de ondas
simultáneas, muy estrechas y adyacentes entre sí, formando un Figura 4.48: Le-
vantamiento bati-
abanico de entre 90◦ y 180◦ . métrico (cortesía
[Link]).
202 GEOMORFOMETRÍA

El abanico de ondas sonoras formado por los sonares de barrido

ancho permite una resolución y precisión muy altas. En general,
aunque depende de la profundidad, permite a un buque cubrir
mucha más superficie del fondo marino que a base de mediciones
individuales.

4.21 marpap

El paquete marmap (Pante and Simon-Bouhet [2013]) está

diseñado para descargar, trazar y manipular datos batimétri-
cos y topográficos en R.
Puede consultar la base de datos de batimetría y topografía
ETOPO1 alojada por la NOAA (Amante and Eakins [2009]).
El paquete ofrece funciones para consultar datos (batimetría,
información de muestreo, etc.) que están disponibles de forma
interactiva haciendo clic en los mapas de marmap. Los datos
batimétricos y topográficos también se pueden utilizar para cal-
cular las áreas de superficie proyectadas dentro de los intervalos
de profundidad / altitud especificados, y restringir el cálculo de
distancias de trayectoria más cortas realistas (Pante and Bouhet
[2015]).

4.21.1 Descarga de Datos Batimétricos

La función principal para obtener la data es [Link]()
que consulta la base de datos ETOPO1 alojada en el sitio web
de la NOAA9 , dadas las coordenadas del área de interés y la 9
[Link]
resolución deseada.
Los usuarios tienen la opción de escribir directamente los da-
tos descargados en un archivo (keep=TRUE) con el objeto de si
se realiza una consulta idéntica (es decir, utilizando resolución
y latitud idéntica), [Link]() cargará datos del archivo
escrito previamente en el disco en lugar de consultar la base de
datos NOAA.
Este comportamiento debe usarse preferentemente por:

1. Para reducir la cantidad de consultas innecesarias al sitio web

de la NOAA.
 Batimetría 203

2. Para reducir el tiempo de carga de datos.

Si el usuario desea realizar varias consultas idénticas al sitio

web de la NOAA sin cargar los datos escritos en el disco, el usua-
rio debe modificar el nombre del archivo de datos. La estructura
de los archivos es compuesto por una cabecera marmap_coord,
las coordenadas que definen el área, el detalle de la resolución
y la extensión del archivo ‘.csv’. Un ejemplo basado en nuestro
próximo ejercicio:
marmap_coord_-92.724609;-2.88211;-86.616211;2.722527_res_1.csv
Alternativamente, el archivo de datos se puede mover fuera
del directorio de trabajo actual y así preservarlo. R provee una
serie de funciones para el trabajo con archivos, entre los más
importantes podemos destacar:
[Link](..., showWarnings = TRUE)
[Link](...)
[Link](...) Como primer paso de-
bemos instalar el pa-
[Link](from, to) quete, recomendamos
[Link](file1, file2) realizarlo siempre en la
consola y luego cargar
El área de estudio se define por las coordenadas geográficas en memoria el paquete
extremas, longitud y latitud mínimas y longitud y latitud máxima requerido con library()
en el inicio del script.
y un valor de resolución (entero entre 1 y 4) que define el tamaño
de la grilla en minutos a descargar.
Primero vamos a definir el área geográfica de estudio y defi-
nir el sistema de proyección donde llevaremos nuestros datos y
productos gráficos:
utm16 <- crs("+init=epsg:32716")
marco <- extent(c(-92.72461, -86.61621, -2.88211, 2.722527))

Se recomienda usar la técnica de 4.3.2 para definir interactiva-

mente la zona.

Y opcionalmente la carpeta path, para almacenar los datos

descargados (solo si keep=TRUE):
204 GEOMORFOMETRÍA

bati_galapagos <- [Link](lon1 = marco[1],

lon2 = marco[2],
lat1 = marco[3],
lat2 = marco[4],
resolution = 1,
keep = TRUE,
path = here("raw"))
El objeto esta definido como una clase especialmente diseñada
para el paquete:
summary(bati_galapagos)
Bathymetric data of class 'bathy', with 366 rows and 336 columns
Latitudinal range: -2.9 to 2.7 (2.9 S to 2.7 N)
Longitudinal range: -92.7 to -86.6 (92.7 W to 86.6 W)
Cell size: 1 minute(s)

Depth statistics:
Min. 1st Qu. Median Mean 3rd Qu. Max.
-3860 -3063 -2464 -2335 -1988 1581

First 5 columns and rows of the bathymetric matrix:

-2.9 -2.88328358208955 -2.8665671641791 -2.84985074626866
-92.7 -3585 -3567 -3544 -3524
-92.6832876712329 -3573 -3553 -3523 -3496
-92.6665753424658 -3562 -3538 -3505 -3473
-92.6498630136986 -3551 -3528 -3491 -3454
-92.6331506849315 -3543 -3518 -3481 -3442
-2.83313432835821
-92.7 -3515
-92.6832876712329 -3482
-92.6665753424658 -3453
-92.6498630136986 -3430
-92.6331506849315 -3414

Convertimos a clase de objeto [Link] (objeto estándar R)

que permite aplicar funciones directamente:
bati_xyz <- [Link](bati_galapagos)

head(bati_xyz)

x y z
1 -92.70000 2.7 -2512 Figura 4.49: Es im-
portante elegir bien
2 -92.68329 2.7 -2514 parámetros nlon y
3 -92.66658 2.7 -2528 nlat en comando grid-
dify. 10x10 (arriba),
4 -92.64986 2.7 -2534 250x250 (centro) y
5 -92.63315 2.7 -2513 500x500 (inferior).
Color magenta indica
valores NA.
 Batimetría 205

6 -92.61644 2.7 -2492

A continuación, removemos los datos con elevación o cota ma-
yor a cero convirtiendo en registros NA:
bati_xyz[bati_xyz$z > 0,] <- NA
Ahora contamos con una lista de puntos coordenados con lon-
gitud, latitud y elevación (negativo para valores bajo cero y NA
sobre el nivel del mar).

Puede ocurrir que el objeto resulte ser demasiado grande o pesa-

do para su manejo óptimo. Algunos consejos en el punto 4.23.4.

El siguiente paso es convertir ese conjunto de datos xyz espa-

ciados irregularmente y transformarlos en un objeto ráster con
dimensiones especificadas por el usuario griddify.
griddify() se basa en varias funciones del paquete ráster, espe-
cialmente rasterizer() que transfiere valores asociados a obje-
tos vectoriales a celdas ráster y transfiere dichos valores de las
celdas a otro sistema coordenado o nuevo tamaño de celda con
resample().
Si una celda no contiene ningún valor de profundidad o altitud
en la matriz xyz se agrega un NA en esa celda. Luego se aplica
una interpolación bilineal para completar la mayoría de las celdas
que faltan.
En el caso que una celda llegue a contener más de un valor de
profundidad o altitud en la matriz xyz se calcula el valor medio.
La resolución final del modelo ráster son los parámetros núme-
ro de columnas nlon y número de filas nlat. Se debe considerar
la resolución de descarga, el número y distribución de puntos xyz
y el tamaño del área de estudio para definirlos (Figura 4.49).
En la conversión se ignoran los valores NA [Link]() para
mantener así la tierra emergida sin modelo:
bati_raster <- griddify([Link](bati_xyz),
nlon= 250,
nlat= 250)
Y graficamos nuestro modelo con una lista de colores prove-
 206 GEOMORFOMETRÍA

niente de la paleta Blues del paquete colorbrewer (ver 1.35.2)

y un nuevo parámetro muy oportuno del comando plot colNA=
'magenta' que iluminan celdas NA (Figura 4.50) que ha sido pro-
yectado a sistema coordenado UTM H16S (ver 3.10.2) y cambio
de resolución a 1000 × 1000 m:
bati_exten <- projectExtent(object = bati_raster,
crs = utm16)
res(bati_exten) <- 1000
bati_reproj <- projectRaster(from = bati_raster,
to = bati_exten,
crs=utm16,
method = "bilinear")

Figura 4.50: Islas Ga-

10300000

lapagos, UTM H16S.

(color magenta indica
valores NA).

0
10100000

−500
−1000
−1500
−2000
9900000

−2500
−3000
−3500
9700000

−1e+05 1e+05 3e+05 5e+05

4.22 Descarga Datos de Relieve

La descarga de data topográfica se realiza usando la extensión
del modelo batimétrico bati_raster y bajamos el nivel de zoom
(en cuadro 4.1 aproximadamente el nivel de zoom 7 corresponde
 Batimetría 207

al pixel de batimetría).
En la figura 4.51 se muestra el modelo descargado y super-
puesta la extensión del área de estudio se aprecia que el primero
es más extenso.
islas_galap <- get_elev_raster(bati_raster,
src="aws",
z=7,
neg_to_na = T)
mdr_crop <- crop(islas_galap,
y = bati_raster)
A diferencia de las ocasiones anteriores recortamos primero
y luego proyectamos. Así tenemos un modelo más pequeño Figura 4.51: Modelo
de Relieve, zoom 5.
sobre el cual realizar las operaciones posteriores con el objeto de Área de estudio desta-
optimizar los recursos de proceso. cada en rojo.
Con el modelo más pequeño (más liviano) proyectamos para
hacer coincidir con el modelo de batimetría (Figura 4.50) usando
el mismo modelo de batimetría como referencia.

ATENCIÓN: Se usa el modelo de destino ‘to = bati_reproj’

como referencia para realizar la proyección.

mdr_reproj <- projectRaster(from = mdr_crop,

to = bati_reproj, #modelo batimétrico!!
method = "bilinear")

4.23 Fusión MDR - Batimetría

4.23.1 Usando función merge()

merge(): Fusionar objetos ráster para formar un nuevo objeto
ráster con una extensión espacial más grande. Si los objetos se
superponen, los valores obtienen prioridad en el mismo orden
que los argumentos (se superponen). Los valores NA se ignoran
(excepto cuando se define el parámetro overlap = FALSE).
Los objetos ráster deben tener el mismo origen y resolu-
ción. En las áreas donde los objetos ráster se superponen, se
208 GEOMORFOMETRÍA

conservan los valores del objeto ráster que está primero en la se-
cuencia de argumentos. Si prefiere usar el promedio de valores
de celda o hacer otro cálculo, puede usar mosaic() en lugar de
merge.
mdr_final <- merge(x= bati_reproj, y= mdr_reproj, tolerance= 0.25)

4.23.2 Usando función cover()

cover(x, y): Reemplaza valores NA de un objeto ráster x con
los valores de otro ráster y para formar un nuevo objeto ráster
con la misma extensión espacial.
mdr_final <- raster::cover(x = bati_reproj, y = mdr_reproj)

Figura 4.52: MDR ba-

timétrico (izquierda),
topografía (centro) y
4.23.3 Corregir NA MDR producto de fun-
ción ’cover()’ con los
La corrección de posibles valores NA resultantes en cualquie- valores NA en magen-
ta.
ra de los procesos descritos (Figura 4.53, izquierda) se corrige
utilizando el promedio de los valores vecinos.
mdr_corr <- focal(mdr_final, w=matrix(1, nrow=3, ncol=3),
[Link]=T, NAonly=T, fun='mean')

Figura 4.53: Errores de

Alineación o celdas NA
en verde (izquierda).
Modelo Digital del Re-
lieve incluye batime-
tría (derecha).

El MDR creado (Figura 4.53, derecha) será almacenado en

disco para su posterior uso en el punto 5.3.5 para la creación de
productos cartográficos más refinados⊛ .
 Batimetría 209

writeRaster(x = mdr_corr,
filename = here("raw","bati_galapagos.grd"),
overwrite=T)

4.23.4 Número de Datos muy grande

Los archivos de datos que contienen información batimétrica
pueden volverse enormes rápidamente (por ej. decenas a cientos
de megabytes en memoria o millones de registros de coordena-
das), especialmente si se descargan datos alta resolución regis-
trados en grandes áreas. marmap normalmente puede importar
archivos xyz tan grandes y crear un objeto bathy pero trabajar
con tales objetos puede ser difícil (si no imposible) dependiendo
de la cantidad de RAM disponible en su computadora (Pante
and Bouhet [2015]).
Para revisar el tamaño estimado de la memoria que usa el
objeto existe la función [Link]():
print([Link](bati_xyz), units="MB")

[1] NA NA
O revisar el número de registros:
nrow(bati_xyz)

[1] 122976
En tal caso, se recomienda extraer un subconjunto de datos:
1. seleccionar una región más pequeña de un objeto bathy con-
servando su resolución.
2. Reducir la resolución del objeto bathy en toda el área.
3. Una combinación de las 2 primeras, es decir, disminuir la re-
solución del objeto bathy seleccionando un área más pequeña.
Para la opción 1, puede usar [Link]() o subsetBathy() para
seleccionar un área más pequeña de un objeto más grande.
subsetBathy() permite la selección de un área no rectangular
dentro de un gran objeto bathy para crear un objeto nuevo más
pequeño aunque de la misma resolución. Esta función también
tiene un modo interactivo para que pueda seleccionar un área
de interés haciendo clic en un mapa.
210 GEOMORFOMETRÍA

Para la opción 2, no hay una solución incorporada en marmap.

Sin embargo, es sencillo disminuir la resolución de un objeto bathy
ya que es sólo un matriz con una clase especial. Si tienes un gran
objeto llamado data, una posible solución sería:
Bajar la resolución de los datos por un factor de n:
n <- 2
data_baja_res <- data[seq(1, nrow(data), by = n),
seq(1, ncol(data), by = n)]
Y volver a convertir a clase bathy:
class(data_baja_res) <- "bathy"
data_baja_res es ahora un nuevo objeto con una resolución
2 veces menor que el objeto original.
La opción 3 es solo una combinación de los 2 métodos ante-
riores: primero, crear un objeto de baja resolución y luego usar
[Link]() o subsetBathy() para extraer una región más peque-
ña de él.
V PRODUCTOS CARTOGRÁFICOS
Visión Cartográfica

5.1 Composición

R además de las opciones gráficas básicas que hemos revisado

hasta ahora, posee capacidades avanzadas de composición carto-
gráfica.
El comando plot() posee el parámetro add= que le indica a
R que el gráfico actual se debe superponer sobre el último ploteo
activo con una transparencia definido en alpha= con valor 1 opaco
y 0 transparencia total. Así logramos componer un mapa con el
sombreado como base y las alturas sobreimpresas.
Usando la misma técnica se superpone el trazado del polígono
de la unidad administrativa; el orden del primer plot define la
base y los subsiguientes escriben sobre el anterior.
En el siguiente ejemplo incorporamos dos funciones que no
han sido revisado hasta ahora: scalebar() y compassRose().
El primero incorpora una escala gráfica que posee una serie de
parámetros de configuración que permiten afinar su presentación
y diseño. El segundo pertenece al paquete sp que inserta una rosa
náutica y posee parámetros básicos de ubicación y tamaño.
Utilizaremos el MDR guardado en disco en el punto 4.18 es
cargado en memoria:
dtm_cordillera_utm <- raster(here("raw", "dtm_cordillera_utm.grd"))
Y calculamos el sombreado:
pen <- terrain(dtm_cordillera_utm, opt='slope', unit='radians')
aspec <- terrain(dtm_cordillera_utm, opt= "aspect", unit= "radians")
hill <- hillShade(pen, aspec, angle=35, direction=315)
214 CARTOGRAFÍA

5.1.1 Caso 1, Provincia Cordillera, Chile.

La composición cartográfica se construye agregando capas de
dibujo. En la figura 5.1 se dibuja el sombreado, sobre ella la
altitud coloreada con un factor de transparencia. Finalmente se
incorpora una escala gráfica y un símbolo de norte.
#Creación y manejo de colores
rampa <- [Link](n = 9, name = "Greys")
colores <- rev(colorRampPalette(rampa)(100))
colores1 <- sequential_hcl(100, palette = "YlOrRd", rev = T)
#Agregar plot sobre plot
plot(hill,
legend=F,
axes=T,
box=F,
col= colores,
asp=1)
plot(dtm_cordillera_utm,
col=colores1,
legend=F,
add=TRUE,
alpha=0.55,
asp=1)
scalebar(40000,
xy=c(340000, 6204000), #coordenadas de inserción
type='bar', #'line'
divs=3,
below="kilometros",
label= c("0","20","40"),
adj=c(0.5,-1.25))
sp::compassRose(340000,6330000, cex = 0.75)
 Productos Cartográficos 215

Figura 5.1: Área de es-

6340000 N
tudios, Provincia Co-
W E ordillera, Chile. Som-
6320000

S breado y Modelo Digi-

tal del Relieve.
6300000
6280000
6260000
6240000
6220000

0 20 40
6200000

kilometros

320000 340000 360000 380000 400000 420000 440000

5.1.2 Caso 2, Mapa Pendiente.

El siguiente ejemplo incluye funciones para agregar curvas de
nivel, filtrar una cobertura por valor (pendiente) y aplicar un
recorte mediante objeto extent para realizar una vista de detalle.
Especial atención requiere el uso del modificador de color (ver
1.36.3) adjust_transparency() que incorpora un factor de trans-
parencia o (alpha) a la paleta de colores permitiendo la superpo-
sición de varias capas de gráficos combinando el color de salida.
La composición cartográfica se realiza paso a paso:

1. Configuración de colores.

rampa <- [Link](n = 9, name = "Greys")

colores <- rev(colorRampPalette(rampa)(100))
paleta <- colorRampPalette(c("deepskyblue3"))
paleta1 <- colorRampPalette(c("indianred4"))

2. Definir el área de interés y recortar por su extensión.

216 CARTOGRAFÍA

ext <- extent(c(380000,390000,6240000,6250000))

hill_clip <- hill[ext, drop=F]
pen_clip <- pen[ext, drop=F]
dtm_clip <- dtm_cordillera_utm[ext, drop=F]

3. Preparar la capa de pendiente donde cada menor o igual a 45°

(convertidos a radián) asignar como NA y las celdas restantes
asignados a 1.

pen_clip[pen_clip <= (45 * pi/180)] <- NA

pen_clip[] <- 1

4. Generar la imagen por la superposición de cada uno de los

ploteos.

plot(hill_clip, axes= T, legend= F, col= colores, asp= 1, box= F)

plot(pen_clip, add= T, alpha= 0.45, axes= F, col= paleta(1),
legend= F, asp= 1)
contour(dtm_clip, asp= 1, axes= F, add= T,
col= adjust_transparency(paleta1(1),0.6),
nlevels= 20)
scalebar(4000, xy= c(385700, 6240300),
type= 'bar', divs= 3,
below= "kilometros",
label= c("0","2","4"),
adj= c(0.5,-1.75)
)
La función contour(x, asp, axes, add, col, nlevels) del
paquete raster que genera a partir de un ráster x un conjunto de
nlevels isolíneas, trazadas en el color col.

5.2 Caso 3, Islas Galapagos

5.2.1 Extrayendo datos con geonames

La base de datos geográfica de GeoNames está disponible
para descargar de forma gratuita bajo una licencia de atribución
de creative commons1 . Contiene más de 25 millones de nombres 1
Creative commons
es una organización
sin fines de lucro
dedicada a promover
el acceso y el inter-
cambio de cultura
(Wikipedia).
 Productos Cartográficos 217

Figura 5.2: Área de es-

6250000
3400
3300
tudios, Provincia Co-
ordillera, Chile. Som-

1800
3100 2800
3000
breado y Modelo Digi-
tal del Relieve se agre-
6248000

3400

160
3200 2900

gan curvas de nivel

0
y destacan celdas con
pendiente mayor a 45°.

1800
2400

1600
6246000

3500

1700
2300
3200
3400 2600
3400 2900 1900

1800
3100

3300
1700
6244000

3100
1800 2200
3000
2300
2800 2700
2500
2300 2000
2200
23
2500 00
2600 2100 2700
2400
6242000

2800 2500 2800

2700 2600
2900
3000
3100
0
290 3300
2400
00
32

3400

3100
3200 00

2700
0 30
340 0 2 4

0
250
0
230

0
6240000

00

260
2800
36
3300

3500 kilometros

382000 384000 386000 388000 390000

geográficos y consta de más de 11 millones de características úni-

cas, de las cuales 4,8 millones corresponde a lugares poblados y
13 millones de nombres alternativos.
Se puede acceder a los datos de forma gratuita a través de
varios servicios web y una exportación diaria de la base de da-
tos. GeoNames ya está atendiendo hasta más de 150 millones de
solicitudes de servicios web por día.
GeoNames está integrando datos geográficos como nombres de
lugares en varios idiomas, elevación, población y otros de diversas
fuentes. Todas las coordenadas lat/long están en WGS84 (World
Geodetic System 1984). Los usuarios pueden editar, corregir y
agregar nuevos nombres manualmente utilizando una interfaz wi-
ki fácil de usar.
El paquete geonames (Rowlingson [2019]) requiere crear un id
de usuario registrando en el sitio del proyecto 2 y así tener acceso 2
[Link]
al servicio web en el cual se pueden consultar datos geográficos Como primer paso de-
globales como áreas administrativas, lugares poblados, datos me- bemos instalar el pa-
quete que recomenda-
teorológicos, etc.
mos realizarlo siempre
Luego de instalado y cargado en memoria, el primer paso es en la consola y lue-
go cargar en memoria
el paquete requerido
con library(geonames)
en el script.
218 CARTOGRAFÍA

configurar una variable global con el nombre de usuario registra-

do:

options(geonamesUsername="XXXXXXXXXXXX" )
El paquete ofrece varias opciones que permiten realizar con-
sultas y recuperar datos, entre los que podemos destacar:

• GNcities(): Buscar ciudades dentro de un área definida por

coordenadas geográficas extremas.
• GNfindNearbyPlaceName(): Buscar localidades pobladas has-
ta cierta distancia de la coordenada.
• GNfindNearByWeather(): Regresa información del clima de
la estación más cercana a las coordenadas dadas.
• GNearthquakes(): Recientes temblores dentro del área geo-
gráfica definida por sus coordenadas extremas.
• GNwikipediaSearch(): Busca términos existentes en la pla-
taforma Wikipedia relacionados con el texto buscado.

Ejemplos de Uso y sintaxis mínima:

ciudades <- GNcities(1,-90,-1,-91, lan="es", maxRows = 20)
lugares <- GNfindNearbyPlaceName(-0.1,-90.5,300,maxRows = 50)
clima <- GNfindNearByWeather(-0.1,-90.5)
temblor <- GNearthquakes(1,-90,-1,-91, maxRows = 20)
wiki <- GNwikipediaSearch("Islas Galapagos")
Vamos a descargar datos de localidades cercanas y las agrega-
remos a nuestro mapa, la técnica se puede aplicar a los resultados
de los otros comandos detallados anteriormente:
lugares <- GNfindNearbyPlaceName(-0.1,-90.5,300,maxRows = 50)
Vamos a crear una lista con los nombres de columnas y su
posición (o índice) que componen la data:
names(lugares)
[1] "adminCode1" "lng" "distance"
[4] "geonameId" "toponymName" "countryId"
[7] "fcl" "population" "countryCode"
[10] "name" "fclName" "adminCodes1.ISO3166_2"
[13] "countryName" "fcodeName" "adminName1"
[16] "lat" "fcode"
 Productos Cartográficos 219

Para revisar el contenido de los campos revisaremos los tres

primeros registros y así confirmar que sea data que necesitamos
rescatar:
head(lugares, n=3)

adminCode1 lng distance geonameId toponymName

1 01 -90.2718 43.87898 3651163 Seymour
2 01 -90.25289 54.69618 3651449 Santa Cruz
3 01 -90.31713 70.17233 3660250 Bellavista
(continuación:)
countryId fcl population countryCode name
1 3658394 P 0 EC Seymour
2 3658394 P 0 EC Santa Cruz
3 3658394 P 0 EC Bellavista
(continuación:)
fclName adminCodes1.ISO3166_2 countryName
1 city, village,... W Ecuador
2 city, village,... W Ecuador
3 city, village,... W Ecuador
(continuación:)
fcodeName adminName1 lat fcode
1 populated place Galápagos -0.42356 PPL
2 populated place Galápagos -0.52755 PPL
3 populated place Galápagos -0.70733 PPL
Revisado el contenido se debe crear un vector con los índices
de los campos mínimos necesarios e idealmente en el orden lon-
gitud, latitud, var1, var2, …, varn y usar el vector para crear un
subconjunto (ver 1.21):
etiquetas <- lugares[,c(2,16, 5,8)]
Usando las técnicas de indexado podemos revisar el resultado
y confirmar nuestro conjunto final de datos:
etiquetas[1:3,]

lng lat toponymName population

1 -90.2718 -0.42356 Seymour 0
2 -90.25289 -0.52755 Santa Cruz 0
220 CARTOGRAFÍA

3 -90.31713 -0.70733 Bellavista 0

5.2.2 Convirtiendo a SpatialPointsDataFrame

Antes de poder agregar nuestros datos a los mapas debemos

convertir el objeto R de clase geoname a un objeto de clase Spa-
tialPointsDataFrame del paquete sp (Pebesma and Bivand
[2005], Bivand et al. [2013]) que proporciona clases y métodos
para tratar con datos espaciales en R. Las estructuras de da-
tos espaciales implementadas incluyen puntos, líneas, polígonos
y ráster; cada uno de ellos con o sin datos de atributos.
Primero vamos a extraer las columnas de coordenadas asegu-
rándonos que el formato sea numérico y creando con ellas un
objeto matrix, usando los nombres de las columnas en el objeto
organizado en el paso anterior.
lng <-[Link](etiquetas[ ,"lng"])
lat <-[Link](etiquetas[ ,"lat"])
coords <- cbind(lng,lat)
Luego crear el componente de atributos a partir de las colum-
nas restantes:
data <- etiquetas[, c(3,4)]
Y finalmente, asociar el texto estándar del sistema coordenado
WGS84:
proy <- crs("+proj=longlat +datum=WGS84 +no_defs")
Para integrar todo en el comando que construye el objeto bus-
cado:

spdf <- SpatialPointsDataFrame(coords= coords, data= data,

proj4string = proy)
Si desea mejorar la calidad del objeto final se pueden cambiar
los nombres de los atributos asociados:
names(spdf) <- c("nombre", "poblacion")
 Productos Cartográficos 221

spdf
class : SpatialPointsDataFrame
features : 14
extent : -91.03333, -89.55706, -1.34853, -0.42356 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
variables : 2
names : nombre, poblacion
min values : Bellavista, 0
max values : Tomás de Berlanga, 8996

5.2.3 Configuración de Elementos Gráficos: Puntos

Ya tenemos los datos que deseamos agregar a nuestro mapa,
para ello debemos configurar los parámetros con los que deseamos
darle su forma, tamaño, color entre otras propiedades.
La mayoría de los comandos gráficos (Figura 5.3) comparten
los mismos parámetros de configuración:

• lwd: Grosor de línea.

• lty: Tipo de línea.
• cex: Tamaño de punto y funciona no como valor absoluto sino
como factor de aumento o reducción del valor por defecto.
• col: Color de elemento, puede usr el código, el nombre propio,
componentes RGB o valores hexadecimales.
• pch: Forma del punto.

1 2 3 4 Figura 5.3: Paráme-

lwd
tros de Configuración
de Gráficos
p l b o
type

1 2 3 4 5 6
lty

cex/4

col

pch
0 5 10 15 20
222 CARTOGRAFÍA

El trazado de elementos gráficos se realiza agregando “capa”

sobre “capa” de un elemento base que define el área gráfica dispo-
nible, el sistema coordenado y las propiedades físicas del dibujo:
tamaño del gráfico, ubicación en el canvas, etc.
Las funciones de trazado deben ser consecutivas e ininterrum-
pidas. Sino, se debe volver a iniciar la secuencia de dibujo.
Vamos a usar como base el mapa de batimetría construido en
el punto 4.21.1 y usaremos una paleta divergente:
colores <- diverging_hcl(100, palette = "Vik", rev = F)
plot(bati_raster, col=colores, legend=F, axes=F, box=F)
Y agregaremos sobre el mapa los puntos creados en 5.2.2:
points(spdf, pch=17, col="green", cex=.75)
Finalmente, Agregamos los textos utilizando una serie de pro-
piedades específicas para textos (revisar la ayuda en la plataforma
RStudio):
text(spdf, spdf$nombre, cex=1, pos=3, offset=c(0.25,6),
family="serif", font=3, halo=T)
Resultado de los pasos anteriores:
Un problema es la superposición de textos y/o símbolos, pro-
ducto de la cercanía geográfica, escala del mapa o tamaño de
elementos gráficos.
Una de tantas posibles soluciones es detectar aquellos elemen-
tos cercanos y darle otras propiedades gráficas, para ello vamos
a utilizar la función:
spDists() que devuelve una matriz de distancias utilizando
métodos de distancia euclidiana o círculo máximo que es el
círculo resultante de una sección a una esfera por un plano que
pase por su centro y la divide en dos hemisferios. Así, la distancia
más corta entre dos puntos de la superficie de una esfera siempre
será el arco de círculo máximo que los une (Wikipedia), si x es
un objeto espacial y se encuentra proyectado.
Estimación de las distancias:
dist_matrix <- spDists(spdf)
Agregamos los nombres de fila y columnas por los nombres de
 Productos Cartográficos 223

Figura 5.4: Islas Gala-

pagos, Ecuador.

Seymour
Seymour
Santa
Santa Cruz
Cruz
Bellavista
Bellavista
Puerto Ayora
Puerto Ayora
Santo
Santo
Tomás
Tomás de
de Tomás
Tomás
Berlanga
BerlangaPuerto
Puerto Baquerizo Moreno
El Progreso
Progreso
Baquerizo
El Moreno
Puerto Villamil
Puerto Villamil
Santa
Santa
Puerto
PuertoLas
Las María
María
Friedo
Cuevas
Friedo
Cuevas
Velasco
Velasco Ibarra
Ibarra
La
La Baronesa
Baronesa

las localidades para facilitar su análisis:

rownames(dist_matrix) <- spdf$nombre
colnames(dist_matrix) <- spdf$nombre
De la inspección de los valores podemos seleccionar aquellos
que se encuentren más cerca y removerlos del trazado u aplicar
otras soluciones.

Cuadro 5.1: Cuadro

Seymour Santa Cruz Bellavista Parcial Distancias
(km).
Seymour 0.0 11.7 31.8
Santa Cruz 11.7 0.0 21.1
Bellavista 31.8 21.1 0.0

5.2.4 Límites Internacionales en Alta Resolución

Como ya revisamos en 6.12.1, el paquete rnaturalearth (South
[2017]) provee un detallado set de datos espaciales para agregar
a nuestros productos cartográficos.
A continuación, descargamos los datos en alta resolución (si
224 CARTOGRAFÍA

no se ha instalado previamente, debe instalar el paquete rnatu-

ralearthhires y agregar a la sesión actual con:
library(rnaturalearthhires) que agrega la data a la ins-
talación estándar.
mundo <- rnaturalearth::ne_countries(scale = "large")
Y recortamos (crop) los polígonos usando la extensión (extent)
de la capa ráster, la cual es extendida dos filas y columnas en
cada dirección (para asegurar una buena cobertura de los datos
recortados) mediante el uso de la función extend(x, y) que toma
el objeto x y aumenta usando el parámetro y como medida de la
extensión.
mapa <- crop(mundo,
extend(extent(bati_raster),
y= 2))
Finalmente se compone el producto realizando en una sola
llamada las capas gráficas.
#Preparar los colores
colores <- diverging_hcl(100, palette = "Vik", rev = F)
# Impresión MDR
plot(bati_raster, col=colores, legend=F, axes=F, box=F, asp=1)
# Impresión de Cobertura Poligonal
plot(mapa, col= c("#8B3626"), add=T)
# Impresión de puntos importantes
points(spdf[c(2,3,7,12,14),],
pch=17,
col="green",
cex=.75, asp=1)
#Agregar el texto
text(spdf[c(2,3,7,12,14),],
spdf[c(2,3,7,12,14),]$nombre,
cex=1,pos=3,
offset=c(0.25,6),
family="serif",
font=3, halo=T, asp=1)
 Productos Cartográficos 225

Figura 5.5: Islas Gala-

pagos, [Link]
Organizados.

Santa
Santa Cruz
Cruz
Bellavista
Bellavista
Puerto
Puerto
Puerto Villamil
Puerto Villamil Baquerizo Moreno
Baquerizo Moreno

La Baronesa
La Baronesa

5.3 Caso 4, Mejoras Cartográficas

5.3.1 Trabajando Con Cuadrículas

Las cuadrículas son las líneas de longitud y latitud que se
muestran en un mapa proyectado, y definir y dibujar estas líneas
no ha sido fácil de automatizar.
El paquete R graticule (Sumner [2021]) proporciona las he-
rramientas para crear y dibujar estas líneas mediante una serie
de parámetros ajustables.
Primero calculamos la extensión del área de estudio (nuestro
caso es el MDR desarrollado en 4.18) y realizar los ajustes y
configuración de la cuadrícula.
#projectamos la extensión del modelo a coor. geográfica
ext <- projectExtent(object = dtm_cordillera_utm,
crs = crs("+proj=longlat"))
#extraemos solo objeto extenaión
(bb <- ext@extent)
class : Extent
226 CARTOGRAFÍA

xmin : -70.83107
xmax : -69.7324
ymin : -34.37077
ymax : -33.02605
Las coordenadas extremas son redondeadas para ajustar los
decimales.
xini <- round(bb[1], 1)
xfin <- round(bb[2], 1)
yini <- round(bb[3], 1)
yfin <- round(bb[4], 1)
Otro aspecto es importante la cantidad de divisiones en ambos
ejes, (depende de la ‘forma’ de la extensión), en nuestro caso
vamos a realizar 2x2 cuadrángulos.
lons <- seq(xini, xfin, length = 3)
lats <- seq(yini, yfin, length = 3)
Para efecto de diseño estético agregamos una ‘pestaña’ para
indicar los rótulos de las coordenadas.
xl <- range(lons) + c(-0.01, 0.01)
yl <- range(lats) + c(-0.01, 0.01)
Así hemos construido varios vectores, los cuales definen la ubi-
cación y número líneas a trazar:
#longitudes, latitudes
lons; lats

[1] -70.80 -70.25 -69.70

[1] -34.4 -33.7 -33.0
Se generan los vértices para trazar las líneas en el sistema coor-
denado del MDR con graticule(lons, lats, proj, xlim, ylim)
para cada longitud contenida en el vector lons, latitud lats des-
de las coordenadas extremas xlim, ylim.
utm19 <- crs("+init=epsg:32719")
grat <- graticule::graticule(lons = lons,
lats = lats,
proj = utm19,
 Productos Cartográficos 227

xlim = xl,
ylim = yl)
Y la función graticule_labels() calcula y compone la posi-
ción de los textos para cada línea trazada (Figura 5.6).
labs <- graticule::graticule_labels(lons = lons,
lats = lats,
xline = max(xl),
yline = max(yl),
proj = utm19) 70.8°W70.25°W69.7°W
33°S

6300000
Así, tenemos trazados y textos de coordenadas geográficas, 33.7°S

descritas en coordenadas proyectadas que pueden ser usadas co-

6200000
mo una capa gráfica adicional a nuestro mapa final.
34.4°S

250000 350000 450000

Figura 5.6: Trazado de

paralelos y meridianos
5.3.2 Distribuyendo Curvas de Nivel calculados con ’grati-
cule’.
Otro aspecto que vamos a mejorar en este caso práctico, es la
creación de curvas de nivel o isohipsas en una secuencia contro-
lada y separar entre primarias y secundarias, como los aspectos
gráficos del trazado.
El primer paso es extraer el rango válido de elevaciones del
MDR, con ese parámetro se realiza el diseño gráfico de las curvas
de nivel, definiendo la equidistancia (separación entre curvas
sucesivas) en múltiples de 5, 10, 25, 50 o 100 m. Así la legibilidad
e interpretación de las magnitudes involucradas en más simple y
directa.
(zlim <- cellStats(dtm_cordillera_utm, stat = "range"))

[1] 428.000 6514.183

Usando la función round() para redondear a magnitudes exac-
tas (idealmente enteros), el parámetro digits usa un valor ne-
gativo, el redondeo se realiza a la potencia señalada por el índice
(por ejemplo -1 a la decena, -2 centena, -3 unidad de mil y así).
zini <- round(x = zlim[1], digits = -2)
zfin <- round(x = zlim[2], digits = -3)
En función de los valores, se definen los valores de equidistan-
228 CARTOGRAFÍA

cia, 500 m para las curvas índices o primarias y 100 m para las
curvas de nivel secundaria.
crv_primaria <- seq(500, zfin, by=500)
crv_secundaria <- seq(zini, zfin, by=100)

5.3.3 Símbolos Proporcionales

Por último, vamos a estudiar una forma de representar mag-
nitudes puntuales que sean de fácil lectura.
El tamaño de la representación dependerá de la magnitud de
la variable. En términos de datos, la magnitud corresponde pro-
porcionalmente al área de un símbolo del punto.
Por ejemplo, si un valor de un dato es cinco veces el de otro,
el área del símbolo de punto será cinco veces más grande. La
relación se expresa de la siguiente manera:

πri2 vi
2
= (5.1)
πrmax vmax
Donde ri es el radio del círculo que se va a dibujar, rmax radio
del círculo más grande del mapa, vi valor de la variable por el
cual será dibujado y vmax el máximo valor de la variable.
Resolviendo para ri , obtenemos:
( )0.5
vi
ri = × rmax (5.2)
vmax
Es bien sabido que el área percibida del trazado de símbolos
proporcionales no coincide con su área matemática; más bien, nos
inclinamos a subestimar el área de símbolos más grandes. Como
una solución a este problema, es razonable modificar el área de
círculos más grandes para que coincida con el área percibida.
Flannery [1971] derivó experimentalmente un exponente de
función de potencia de 0.5716 para ajustar esta discordancia.
Creando una escala de percepción (Tanimura et al. [2006]):
( )0.57
vi
ri = × rmax (5.3)
vmax
Esta solución todavía se cita y se utiliza ampliamente para el
mapeo de símbolos proporcionales. Dado que la escala perceptiva
 Productos Cartográficos 229

ajusta el área de círculos para tener en cuenta la subestimación,

el área del círculo más grande en la escala perceptual es mayor
que la escala matemática.
En este caso práctico vamos a utilizar información de terre-
motos obtenidos con la función GNearthquakes() del paquete
geonames.
Para el área de estudio extraído en el punto anterior llamamos
la función para rescatar los 100 más recientes terremotos con una
magnitud igual o superior a 4,5.
temblor <- GNearthquakes(north = bb[3],
east = bb[2],
south = bb[4],
west = bb[1],
maxRows = 100,
minMagnitude = 4.5)
La función devuelve un dataframe con siete variables. El único
inconveniente es que a pesar de tener columnas de significado
numérico se expresan como caracteres, el primer paso es cambiar
de formato.
str(temblor)
'[Link]': 3 obs. of 7 variables:
$ datetime : chr "2021-01-24 00:07:09" "2017-08-02 07:26:40" "2020-05-23 13:26:24"
$ depth : chr "110.82" "92" "127.45"
$ lng : chr "-70.2208" "-70.6255" "-69.8723"
$ src : chr "us" "us" "us"
$ eqid : chr "us7000d2s4" "us2000a3js" "us70009p3k"
$ magnitude: chr "5.8" "5.4" "5.2"
$ lat : chr "-33.3594" "-33.2117" "-33.5218"
Para ello existe el paquete hablar (Sjoberg [2020]) contiene
una serie de herramientas sencillas para convertir columnas a
nuevos tipos de datos. Como funciones intuitivas para columnas
con valores perdidos. Luego de instalar el paquete cargamos en
memoria con library(hablar). Contiene la función retype(x)
convierte el vector o dataframe x de carácter a numérico si el
total de la columna contiene textos válidos.
temblor <- hablar::retype(temblor)
230 CARTOGRAFÍA

str(temblor)
tibble [25 x 7] (S3: tbl_df/tbl/[Link])
$ datetime : POSIXct[1:25], format: "2021-01-24 00:07:09" "2017-08-02 07:26:40" ...
$ depth : num [1:25] 110.8 92 127.5 109.3 81.7 ...
$ lng : num [1:25] -70.2 -70.6 -69.9 -70.4 -70.5 ...
$ src : chr [1:25] "us" "us" "us" "us" ...
$ eqid : chr [1:25] "us7000d2s4" "us2000a3js" "us70009p3k" "us20005hz4" ...
$ magnitude: num [1:25] 5.8 5.4 5.2 5.1 5 4.9 4.9 4.8 4.8 4.8 ...
$ lat : num [1:25] -33.4 -33.2 -33.5 -33.9 -33.5 ...
Con las columnas convertidas a números podemos, identifican-
do las columnas correspondientes a sus coordenadas, convertir el
objeto a un objeto espacial con la función coordinates(x) <-
valor con un objeto valor que representa las coordenadas para
cada registro.
coordinates(temblor) <- temblor[c("lng", "lat")]
#Es importante asignar el CRS que corresponda
crs(temblor) <- crs("+proj=longlat")
Para que coincidan con nuestro mapa proyectamos y cambia-
mos de CRS.
puntos_utm <- spTransform(temblor,
CRSobj= crs("+init=epsg:32719"))
Utilizando la ecuación 5.3 y basado en el valor de la magnitud
del sismo, calculamos un valor de escala para diseñar nuestros
símbolos.
mag <- temblor$magnitude
scale <- (mag / max(mag) ^ 0.57) * 5

5.3.4 Norte Real

El paquete oce (Kelley and Richards [2021]) diseñado para
el análisis de datos oceanográficos, incluyendo las mediciones
‘ADCP’, mediciones realizadas con flotadores ‘argo’, mediciones
‘CTD’, series cronológicas del nivel del mar, datos topográficos y
costeros, entre otros varios.
Proporciona funciones especializadas para calcular las propie-
dades del agua de mar, como temperatura potencial en la ecua-
ción de estado ‘UNESCO’ o ‘TEOS-10’. Produce gráficos que se
 Productos Cartográficos 231

ajustan a las convenciones de literatura oceanográfica. Este pa-

quete se analiza ampliamente en el libro de Dan Kelley Análisis
Oceanográfico con R, publicado en 2018 por ‘Springer-Verlag’ con
ISBN 978-1-4939-8842-6.
Una de las funciones contenidas en el paquete es magneticField(
longitude, latitude, time) que obtiene el ángulo de declina-
ción magnética para una fecha time en la coordenada longitude,
latitude.
Figura 5.7: Portada
Ese ángulo será utilizado para modificar la orientación del sím- del libro ’Oceano-
bolo de norte que agregaremos al mapa final. graphic Analysis with
Creamos el objeto espacial en la coordenada (long = −70.9, lat = R de Dan Kelley.
−33).
#Creamos el objeto espacial
p <- SpatialPoints(coords = cbind(-70.9,-33),
proj4string=crs("+proj=longlat"))
#transformamos al CRS del mapa
ubicar <- spTransform(x = p,
CRSobj= CRS("+init=epsg:32719"))
Y calculamos el ángulo de declinación para el punto p.
decl <- oce::magneticField(longitude = p@coords[1],
latitude = p@coords[2],
time = [Link]())

5.3.5 Confección del Plano

Un truco para mejorar el diseño de planos es crear un objeto

que extienda el área gráfica, generamos la extensión del MDR y
extendemos su extensión. En este ejemplo 15 km.
e <- extend(extent(hill),15000)
Creamos los sets de colores para cada capa del mapa final.
rampa <- [Link](n = 9, name = "Greys")
colores <- rev(colorRampPalette(rampa)(100))
pal <- colorRampPalette(c("indianred4"))
232 CARTOGRAFÍA

#Capa base, la extensión del mapa base

plot(e, col="white", xlab="", ylab="")
#Se agrega mapa de sombreado
plot(hill, legend=F, axes=T, box=F, add=T,
col= colores, alpha= 0.5, asp=1)
#Primer grupo de curvas, secundarias
contour(dtm_cordillera_utm, asp=1, axes=F,
add=T, col= adjust_transparency(pal(1),0.3),
levels=crv_secundaria, drawlabels=F,
method="flattest", lwd=0.25)
#Segundo grupo de curvas
contour(dtm_cordillera_utm, asp=1, axes=F, add=T,
col= adjust_transparency(pal(1),0.6),
levels=crv_primaria, labcex=0.45,
method="flattest", lwd=0.5)
#Símbolos puntuales proporcionales
points(puntos_utm, bg=adjust_transparency(c("#FFAEB9"),0.25),
col=c("#FF6EB4"), cex=scale * 0.5, pch=21)
#Escribe la magnitud centrado sobre símbolo
text(puntos_utm, labels=temblor$magnitude,
col=c("#8B3A62"), cex=scale * 0.1)
#Agregamos la informacion de fecha y hora
text(puntos_utm, labels= format(temblor$datetime,
format="%d %B %Y\n[%H:%M]"),
col=c("#8B3A62"), cex= scale * 0.075, offset= 1.1, pos=1)
#Trazado de líneas que definen la cuadrícula
plot(grat, add=T, col = "gray60")
#Rótulos de longitud
text(subset(labs, labs$islon),
lab = parse(text = labs$lab[labs$islon]),
pos = 3, col="gray50", cex=0.7)
#Rótulos de latitud
text(subset(labs, !labs$islon),
lab = parse(text = labs$lab[!labs$islon]),
pos = 4, col="gray50", cex=0.7)
#Dibuja escala gráfica
 Productos Cartográficos 233

scalebar(20000, xy=c(370000, 6180000),

type='bar', divs=4, below="kilometros",
label= c("0","10","20"), adj=c(0.5,-1.5)
)
#Símbolo de Norte con declinación
sp::compassRose(x = ubicar[1]@coords[1],
y = ubicar[1]@coords[2],
cex = 0.75, rot = decl$declination)
 234 CARTOGRAFÍA
6350000

N 70.25°W 69.7°W
70.8°W
33°S
W E

00
40

00
50
4.9 40
00

5000
450

00
0
4.5 13 julio 2015

35
00
40
[21:23]
21 agosto 2017 4000

45
4500
[12:11]

00
5.4

3500
4.8 4.8

5000
00
45
02 agosto 2017 15 agosto 2020
14 julio 2021
[07:26] [05:22] [11:18] 4500
4500

4000

5.8
00

55
15

0
1500 4.5 500
0 4.50
24 enero 2021
6300000

00
4.7 26 octubre 2018
4.6

55
25 julio 2016
[00:07]

00
[02:08]
4.5

50
[12:10]
07 julio 2015 15 agosto 2009 4500
0

0
250

550
[13:44] 14 agosto 2017 [00:01]
4000
[11:53]
3000

0 4500
50

0
5.2

450
5

5000
4000

30 abril 2013 23 mayo 2020

0
4.8 [08:57]
2000
400
[13:26]

4000
21 mayo 2020
[22:34]
0
200 4000
4500

4.6 33.7°S
4500
1000 24 noviembre 2020 5500
[01:52]
00

50
50

0
55
00

4.5 1500
6250000

3000
5.1 22 junio 2015
[09:27] 4.8
4.5
4.5
3500

4.8 14 abril 2016 06 septiembre 2012

2000
25[09:45] 4.8 09 [02:07]
mayo 2021
abril 2021
[04:45]
14 abril 2020 [06:37]
[16:05] 21 enero 2019
2500
4000
4500
[20:43]
35 00
3500

2000 0
400 3500
2500

400
0

4000
3500

3500
0
00
3 4000

3000

4.9
3000
27 febrero 2010
[11:28] 4.6 400
3500
0
4000

450
0
31 agosto 2012
6200000

[05:08]
3500

4.6
11 marzo 2019
[22:15] 34.4°S

0 10 20

kilometros

320000 340000 360000 380000 400000 420000 440000

Figura 5.8: Provincia
Coordillera, Chile. Se
agregan la cuadrícula
geográfica, norte con
declinación magnética
y símbolos graduados.
Gráficos y Productos Adicionales

El modelo digital de relieve y batimetría resultante en 4.23.3

fue grabado en disco y ahora, será utilizado para demostrar las
capacidades producción de material gráfico y resúmenes de datos
(Figura 5.9).
batimetria <- raster(here("RAW","bati_galapagos.grd"))
Revisar propiedades básicas del modelo ráster:
structure(batimetria) Figura 5.9: Islas Gala-
pagos, UTM H16S.
class : RasterLayer
dimensions : 622, 680, 422960 (nrow, ncol, ncell)
resolution : 1000, 1000 (x, y)
extent : -135323.2, 544676.8, 9677924, 10299924 (xmin, xmax, ymin, ymax)
crs : +proj=utm +zone=16 +south +datum=WGS84 +units=m +no_defs
source : bati_galapagos.grd
names : layer
values : -3806.533, 1636.28 (min, max)

Descripción básica de la data del modelo ráster:

summary(batimetria)
layer
Min. -3806.533
1st Qu. -3063.429
Median -2461.388
3rd Qu. -1984.523
Max. 1636.280
NA's 1392.000

5.4 Boxplots

Los boxplots, también conocidos como diagramas de cajas y

bigotes, son una representación gráfica que permite resumir las
236 CARTOGRAFÍA

Max.

características principales de los datos (posición, dispersión, asi-

1000
metría, …) e identificar la presencia de valores atípicos. Fue ideado

0
Max(no outliers)

por John Tukey (Tukey [1977]) de la Universidad de Princeton

−1000
(USA).

−2000
3rd Qu.
Median

La caja de un boxplot comienza en el primer cuartil (25%) y

−3000
1st Qu.

termina en el tercero (75%). Por lo tanto, la caja representa

−4000
Min.

el 50% de los datos centrales, con una línea dentro que Figura 5.10: Boxplot
del modelo batimetria.
representa la mediana. A cada lado de la caja se dibuja un seg-
mento con los datos más lejanos sin contar los valores atípicos
(outliers) del boxplot, que, en caso de existir, se representarán
con círculos.
Un dato atípico es aquella observación que está muy
distante del resto de los datos. Se dice que un valor es un
valor atípico si es mayor que Q3 + 1.5 ∗ IQR (valor atípico a
la derecha), o es menor que Q1 − 1.5 ∗ IQR (valor atípico a la
izquierda), siendo Q1 el primer cuartil, Q3 el tercer cuartil y IQR
el rango intercuartil (Q3 − Q1 ) que representa el ancho de la caja.

5.5 Histogramas

El histograma representa la distribución de los valores de un

conjunto de datos, en nuestro caso las celdas de un modelo. Esta
gráfica es útil para:

1. Identificar valores de datos atípicos.

2. Evaluar los valores mínimo y máximo en sus datos.
3. Explorar la distribución general de los valores de elevación
en los datos (es decir, si el área es generalmente plana, mon-
tañosa, alta o baja).

Un histograma nos muestra cómo se distribuyen los datos. Ca-

da bin (contenedor) o barra del gráfico representa el número o la
frecuencia de celdas que se encuentran dentro del rango especifi-
cado por dicho bin.
El argumento breaks permite especificar más o menos bins en
el histograma. Tener en cuenta que este argumento no da como
resultado el número exacto de quiebres, sino los que necesita el
histograma.
 Gráficos y Productos Adicionales 237

Modelo Batimetría
Figura 5.11: Histogra-
Distribución de Elevaciones
ma del modelo digital
5000

del relieve (incluye ba-

timetría) del Archipie-
lago de las Galápagos.
Frecuencia

3000
1000
0

−4000 −3000 −2000 −1000 0 1000 2000

Elevación (m)

Vamos a quitar el elemento batimétrico para revisar la esta-

dística sobre el relieve, y para ellos vamos a utilizar el comando
trim() que ajusta todas las filas y columnas exteriores que solo
tengan el valor definido en el parámetro values.
Para ello, respaldamos nuestro modelo original, usando técni-
cas de subcojunto (ver 1.21) reemplazamos todos las celdas cuya
elevación sea menor a cero por NA. Luego, aplicamos la función
trim.
terreno <- batimetria
terreno[terreno < 0] <- NA
recortado <- trim(terreno, values=NA)
Y revisamos propiedades básicas del modelo ráster:
structure(recortado)
class : RasterLayer
dimensions : 193, 263, 50759 (nrow, ncol, ncell)
resolution : 1000, 1000 (x, y)
extent : -16323.21, 246676.8, 9848924, 10041924 (xmin, xmax, ymin, ymax)
crs : +proj=utm +zone=16 +south +datum=WGS84 +units=m +no_defs
source : memory
names : layer
values : 0, 1636.28 (min, max)

Con la descripción básica de la data del modelo ráster:

summary(recortado)

layer
Min. 0.00000
 238 CARTOGRAFÍA

Figura 5.12: Modelo

de Relieve. Topogra-
fía.

1st Qu. 82.49431

Median 211.98929
3rd Qu. 473.63216
Max. 1636.27979
NA's 44907.00000

Topografía
Distribución de Elevaciones
Figura 5.13: Histogra-
ma del Relieve del Ar-
chipielago de las Galá-
500

pagos.
Frecuencia

300
100
0

0 500 1000 1500

Elevación (m)

Para analizar la variable pendiente generamos el modelo en °

y extraemos su histograma:
 Gráficos y Productos Adicionales 239

pend <- terrain(batimetria, "slope", "degrees")

Topografía
Distribución de Pendientes
Figura 5.14: Histogra-
ma de pendiente (°).
40000 80000
Frecuencia

0 10 20 30 40

Pendiente (°)

Para la variable aspecto también debemos definir la unidad en

°:
aspecto <- terrain(batimetria, "aspect", "degrees")

Topografía
Distribución de Aspecto
Figura 5.15: Histogra-
ma del aspecto (°).
6000
Frecuencia

2000
0

0 50 100 150 200 250 300 350

Aspecto (°)
VI APLICACIÓN DE DATOS RÁSTER
POBLACIÓN

6.1 Proyecto Worldpop

Una comprensión del número, características y la ubicación de

las poblaciones humanas sustenta el trabajo operativo, análisis
de políticas y/o desarrollo científico a nivel mundial en múltiples
sectores.
Sin embargo, las fuentes tradicionales de datos de población a
menudo están desactualizadas, tienen baja granularidad (detalle)
y se actualizan en escalas de décadas.
Nuevas fuentes de datos y los recientes avances metodológi-
cos realizados por el programa WorldPop 1 proporcionan ahora 1
Visite el sitio web del
Proyecto Worldpop:
una alta resolución, datos abiertos y contemporáneos sobre la
[Link]
distribución de la población humana, lo que permite la medición
precisa de las distribuciones, composiciones, características de la
población local, crecimiento y dinámica, a escala nacional y re-
gional.
La población humana mundial crece en más de 80 millones al
año y se prevé que alcance la marca de los 10 mil millones en 50
años.
Se espera que la gran mayoría de este crecimiento se concentre
en países de bajos ingresos y principalmente en áreas urbanas. Los
efectos de un crecimiento tan rápido están bien documentados, y
las economías, el medio ambiente y la salud de las naciones, entre
otros, están experimentando cambios significativos.
Los datos contemporáneos de alta resolución sobre la distribu-
ción de la población humana y su composición son un requisito
previo para la medición precisa de los impactos del crecimiento
244 DATOS RÁSTER

de la población, para monitorear los cambios y para planificar las

intervenciones.
El proyecto WorldPop se inició en 2013 para unir los proyec-
tos centrados en continentes AfriPop, AsiaPop y AmeriPop, con
el objetivo de producir mapas de composición y distribución de
población detallados y de libre acceso para toda América Central
y del Sur, África y Asia.
Una detallada descripción de los métodos de estimación y
cálculo se encuentran en la dirección: [Link]/methods
(Figura 6.1).
En el sitio del proyecto podemos encontrar mapas ráster de
resolución variable dependiendo del tema y formato tif, estructu-
rados por país, tipo y año (Figura 6.2).
Entre los que podemos destacar:
Modelos ráster por país y años para totales de población (ba-
sados en Lloyd et al. [2019]), estructura por sexo y edad (Pezzulo
et al. [2017], Tatem et al. [2013]), nacimientos o movimientos
migratorios (Figura 6.3).

6.2 Descarga de Datos

Paso a paso para ubicar y descargar la data utilizada. Todo
inicia visitando el sitio del proyecto [Link].
En la barra de búsqueda escribimos el nombre de un país (en
el ejemplo Uruguay) se nos presenta una lista con los datos dis-
ponible (Figura 6.4).
Clic en el primer botón disponible Data & Resources y ac-
cesamos a los detalles de la data disponible (Figura 6.5) y busca-
mos el botón para iniciar la descarga Download Entire Data-
set/102.39MB y realizamos un clic derecho sobre él para obte-
ner la dirección de enlace (Figura 6.5).
El enlace de descarga de la base de datos de Uruguay para el
año 2020 es:
“[Link]
2000/URY/ury_ppp_2000_UNadj.tif”

Al revisar los enlaces correspondientes a los años siguientes

podemos detectar que la estructura de carpeta que varía entre
 Población 245

Figura 6.1: Sitio del

proyecto WorldPop.

Figura 6.2: Data dis-

ponible para descarga
y consulta (resaltada
en gris la usada en la
presente guía).
246 DATOS RÁSTER

Figura 6.3: Descrip-

ción técnica y detalle
de los tipos de datos
generados y menteni-
dos (resaltada en gris
la utilizada en la pre-
sente guía).

Figura 6.4: Caso Prác-

tico de búsqueda para
Uruguay
 Población 247

Figura 6.5: Dónde en-

contrar el link de des-
carga (clic derecho).
248 DATOS RÁSTER

año y año son dos carpetas; si las separamos en partes fijas y

móviles podemos construir una lista de nombres con la siguiente
técnica:
url <- paste0("[Link]
2000:2020,
"/URY/ury_ppp_",
2000:2020,
"_UNadj.tif")
url
[1] "[Link]
[2] "[Link]
[3] "[Link]
[4] "[Link]
[5] "[Link]
[6] "[Link]
[7] "[Link]
[8] "[Link]
[9] "[Link]
[10] "[Link]
[11] "[Link]
[12] "[Link]
[13] "[Link]
[14] "[Link]
[15] "[Link]
[16] "[Link]
[17] "[Link]
[18] "[Link]
[19] "[Link]
[20] "[Link]
[21] "[Link]
Usando la misma técnica podemos construir una lista solo con
el nombre de archivo (para realizar la descarga):
dest <- paste0("ury_ppp_",2000:2020,"_UNadj.tif")
dest
[1] "ury_ppp_2000_UNadj.tif" "ury_ppp_2001_UNadj.tif" "ury_ppp_2002_UNadj.tif"
[4] "ury_ppp_2003_UNadj.tif" "ury_ppp_2004_UNadj.tif" "ury_ppp_2005_UNadj.tif"
[7] "ury_ppp_2006_UNadj.tif" "ury_ppp_2007_UNadj.tif" "ury_ppp_2008_UNadj.tif"
[10] "ury_ppp_2009_UNadj.tif" "ury_ppp_2010_UNadj.tif" "ury_ppp_2011_UNadj.tif"
[13] "ury_ppp_2012_UNadj.tif" "ury_ppp_2013_UNadj.tif" "ury_ppp_2014_UNadj.tif"
[16] "ury_ppp_2015_UNadj.tif" "ury_ppp_2016_UNadj.tif" "ury_ppp_2017_UNadj.tif"
[19] "ury_ppp_2018_UNadj.tif" "ury_ppp_2019_UNadj.tif" "ury_ppp_2020_UNadj.tif"
En R contamos con la función [Link]() que permite
descargar archivos desde internet. Básicamente requiere la direc-
 Población 249

ción de origen, el nombre y dirección de destino. La url debe

iniciar con alguno de los esquemas: [Link] [Link] [Link]
[Link]

En nuestro ejemplo vamos a trabajar con 20 archivos, la manera

poco eficiente es realizar la operación el mismo número de veces,
reemplazando el índice de los vectores. En R (desde el aspecto
de lenguaje de programación) posee instrucciones para realizar
series de repetición o ciclos de código, entre varios o muchos
otros vamos a revisar la sintaxis:

for(var in seq){expr}.

Donde:
var: El nombre de una variable.
seq: Una expresión que retorna un vector.
expr: Código R válido.

Nuestra lista de archivos a descargar cuenta con:

ncell(url)
[1] 21
Y buscamos descargar desde la dirección web url a nuestra
carpeta local (definida en here) con el nombre dest, construimos
el ciclo for:
for(i in 1:21){
#i será un número entre 1 y 21.
[Link](url[i], here("raw", dest[i]), mode="wb")
}
Dependiendo de la velocidad de descarga de su conexión inter-
net luego de algunos minutos tendrá en la carpeta definida con
here() los 21 archivos.
Tal como se detalla en 3.4.3 la única forma de construir un
objeto compuesto de archivos distintos es RasterStack.
pop_stack <- stack(here("raw",dest[1:21]))
names(pop_stack) <- [Link](2000:2020)
250 DATOS RÁSTER

Los nombres asignados tendrán un carácter x como prefijo. R

lo hace para evitar nombres de variables que inicien con valores
numéricos (ver 1.11).

6.2.1 Descripción de Datos

El objeto rasterStack se compone además de cada uno de los
rasterLayer de una serie de atributos:
attributes(pop_stack)

$names
[1] "filename" "layers" "title" "extent" "rotated" "rotation"
[7] "ncols" "nrows" "crs" "history" "z" "class"
Y dentro del atributo layers se encuentran almacenados cada
uno de los objetos rastLayer que componen el objeto. Para ex-
traer uno de los layers o capa o ráster podemos usar una de las
alternativas posibles:
r <- pop_stack[[1]]
r <- pop_stack$X2000
r <- pop_stack@layers[[1]]
r
class : RasterLayer
dimensions : 5874, 6418, 37699332 (nrow, ncol, ncell)
resolution : 0.0008333333, 0.0008333333 (x, y)
extent : -58.44292, -53.09458, -34.97458, -30.07958 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
source : ury_ppp_2000_UNadj.tif
names : X2000
El conjunto de datos que componen el RasterStack considera
datos de población de Uruguay para el período 2000-2020 ajusta-
do por la ONU. Los datos se encuentran en formato Geotiff con
una resolución de 3 arco segundo (aproximadamente 100 m en el
ecuador).
La proyección es Sistema de coordenadas geográficas, WGS84.
La unidad del mapa ráster es número de personas por pí-
xel (Figura 6.6, desarrollado con el paquete tmap (Tennekes
 Población 251

[2018])), con los totales de los países ajustados para que coinci-
dan con las estimaciones oficiales de población correspondientes
de las Naciones Unidas que han sido preparadas por la División
de Población del Departamento de Asuntos Económicos y Socia-
les de la Secretaría de las Naciones Unidas2 . 2
[Link]/development/desa/pd/

tm_shape(r)+
tm_raster(style= "quantile",
n=9,
palette= [Link]("BuPu", n = 9),
title= "[Link](2000)") +
tm_layout([Link] = TRUE) +
tm_credits("Fuente: Worldpop Project.",
size=0.6,
position=c("left","bottom"))

Figura 6.6: Población

[Link](2000)
Uruguay año 2000.
0.00000 to 0.00004
0.00004 to 0.00012 Capa Ráster.
0.00012 to 0.00024
0.00024 to 0.00047
0.00047 to 0.00096
0.00096 to 0.00220
0.00220 to 0.00518
0.00518 to 0.01452
0.01452 to 354.17422

Fuente: Worldpop Project.

6.3 División Política Administrativa

Tal como se describe en 3.13 descargamos la división política

administrativa de primer nivel de Uruguay (llamados distritos).
252 DATOS RÁSTER

uruguay <- gadm_sp_loadCountries("URY",

level = 1,
basefile = "RAW/")
A continuación, preparamos el objeto final extrayendo la data
espacial geográfica, removemos columnas de data que no usare-
mos y renombramos la primera columna que corresponde a los
distritos:
uru_geom <- uruguay$spdf
uru_data <- uru_geom[-c(1:3,5:13)] #- borra
names(uru_data)[1] <- "nombre" #renombrar columna
print(uru_data)

class : SpatialPolygonsDataFrame
features : 19
extent : -58.44272, -53.09425, -34.97403, -30.07969 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
variables : 1
names : nombre
min values : Artigas
max values : Treinta y Tres
El mapa se ha desarrollado utilizando el paquete tmap (Ten-
nekes [2018]), figura 6.7.

6.4 Población Nacional

1. Primero vamos a extraer desde el stack de años el total de

población para el año 2000:

(pop_2000 <- cellStats(pop_stack[[1]], 'sum'))

[1] 3319734

2. Y sobre todo el stack para obtener datos globales desde el

2000 al 2020 expresados en millones:
 Población 253

Figura 6.7: Distritos

Uruguay. División Po-
−30.5 Artigas lítico Administrativa.

−31.0
Salto

−31.5
Rivera

−32.0 Paysandú Tacuarembó

Cerro Largo
−32.5
Río Negro

Durazno
−33.0 Treinta y Tres

−33.5 Soriano Flores

Florida
Lavalleja
Rocha
−34.0
Colonia
San José

−34.5 Canelones Maldonado

Montevideo

−35.0
−58 −57 −56 −55 −54

pop_anual_total <- cellStats(pop_stack,'sum')/1e6

X2000 X2001 X2002 X2003 X2004 X2005 X2006 X2007
3.319734 3.325471 3.326046 3.323661 3.321486 3.321799 3.325403 3.331753
X2008 X2009 X2010 X2011 X2012 X2013 X2014 X2015
3.340221 3.349676 3.359273 3.368926 3.378975 3.389436 3.400439 3.412013
X2016 X2017 X2018 X2019 X2020
3.424139 3.436645 3.449290 3.461731 3.473727

6.4.1 Consultas locales

Para consultar directamente al stack por número de celda,
coordenadas, fila y columna (ver 3.9) usamos las distintas opcio-
nes de consulta.
Por coordenada:
extract(pop_stack, cbind(-56.3,-34.82))

X2000 X2001 X2002 X2003 X2004 X2005 X2006

[1,] 6.03028 5.094154 5.047142 4.146567 3.660629 3.194571 5.782102
X2007 X2008 X2009 X2010 X2011 X2012 X2013
[1,] 4.0812 3.366 3.384968 10.21005 9.746797 9.168478 9.593966
X2014 X2015 X2016 X2017 X2018 X2019 X2020
254 DATOS RÁSTER

[1,] 9.944308 10.50004 7.896178 6.623003 6.579251 7.363348 6.563245

Extraer información por número de celda:
(Número calculado con: cellFromXY(pop_stack, cbind(-56.3,-34.82)))
extract(pop_stack, 36508156)

X2000 X2001 X2002 X2003 X2004 X2005 X2006 X2007 X2008

[1,] 6.03028 5.094154 5.047142 4.146567 3.660629 3.194571 5.782102 4.0812 3.366
X2009 X2010 X2011 X2012 X2013 X2014 X2015 X2016
[1,] 3.384968 10.21005 9.746797 9.168478 9.593966 9.944308 10.50004 7.896178
X2017 X2018 X2019 X2020
[1,] 6.623003 6.579251 7.363348 6.563245

6.5 Población por distrito

Primero debemos instalar el paquete exact_extract (Daniel

Baston [2021]) [Link]('exactextractr') (se acon-
seja realizar en la consola) y cargar en memoria con library
(exactextractr) en nuestro archivo script.
El paquete contiene la función exact_extract() que extrae
los valores de las celdas en un ráster que están cubiertos por po-
lígonos en una colección SpatialPolygonDataFrame, en una frac-
ción o totalidad de cada celda que está cubierta por el polígono.
La función puede devolver estos valores directamente o devol-
ver el resultado de una operación de resumen predefinida o una
función R definida por el usuario aplicada a los valores.
Devolver extrayendo valores directamente: Si no se es-
pecifica fun=, exact_extract devolverá una lista con un marco de
datos_dataframe para cada polígono en la colección de la capa.
Operaciones de resumen predefinidas: Los valores de pí-
xeles individuales no siempre son necesarios y solo se requiere
una o más estadísticas de resumen (por ejemplo, media, suma)
para cada polígono.
Se admiten las siguientes operaciones de resumen:

• min: el valor mínimo definido (no NA) en cualquier celda

ráster cubierta total o parcialmente por el polígono.
• max: el valor máximo definido (no NA) en cualquier celda
ráster cubierta total o parcialmente por el polígono.
• count: la suma de fracciones de celdas ráster con valores de-
 Población 255

finidos que no son NA cubiertos por el polígono.

• sum: la suma de los valores de celda ráster definidos (no NA),
multiplicada por la fracción de la celda que está cubierta por
el polígono.
• mean: el valor medio de la celda, ponderado por la fracción
de cada celda que está cubierta por el polígono.
• mediana: el valor de celda mediano, ponderado por la frac-
ción de cada celda que está cubierta por el polígono.
• quantile: cuantiles arbitrarios de valores de celda, especifica-
dos en quantiles, ponderados por la fracción de cada celda que
está cubierta por el polígono.
• mode: el valor de celda más común, ponderado por la fracción
de cada celda que está cubierta por el polígono. Cuando varios
valores ocupan el mismo número máximo de celdas pondera-
das, se devolverá el valor más grande.
• majority: sinónimo de mode.
• minority: el valor de celda menos común, ponderado por la
fracción de cada celda que está cubierta por el polígono. Cuan-
do varios valores ocupan el mismo número mínimo de celdas
ponderadas, se devolverá el valor más pequeño.
• variety: el número de valores distintos en las celdas que están
total o parcialmente cubiertos por el polígono.
• variance: la varianza de la población de los valores de celda,
ponderada por la fracción de cada celda que está cubierta por
el polígono.
• stdev: la desviación estándar de la población de los valores
de celda, ponderada por la fracción de cada celda que está
cubierta por el polígono.
• coefficient_of_variation: el coeficiente de variación de po-
blación de los valores de celda, ponderado por la fracción de
cada celda que está cubierta por el polígono.
• weighted_mean: el valor medio de la celda, ponderado por
el producto de la fracción de cada celda cubierta por el polí-
gono y el valor de un segundo ráster de ponderación propor-
cionado como pesos.
• weighted_sum: la suma de los valores de celda ráster de-
finidos, multiplicada por la fracción de cada celda que está
256 DATOS RÁSTER

cubierta por el polígono y el valor de un segundo ráster de

ponderación proporcionado como pesos.
En todas las operaciones de resumen, los valores de NA en el
ráster primario X se ignoran (es decir, [Link] = TRUE). Si los
valores de NA aparecen en el ráster de ponderación, el resultado
de la operación ponderada será NA. Los valores NA tanto en X
como en ráster de pesos se pueden reemplazar sobre la marcha
utilizando los parámetros default_value y default_weight.
Funciones de resumen definidas por el usuario: Si nin-
guna operación de resumen predefinida es adecuada, se puede
proporcionar una función R definida por el usuario en fun=. La
función se llamará una vez para cada característica y debe de-
volver un solo valor o un marco de datos. Los resultados de la
función para cada característica se combinarán y serán devueltas
por exact_extract.
dis_po <- exact_extract(x = pop_stack,
y = uru_data,
fun="sum")/1e6
Agregamos nombre de registros para mantener ordenado nues-
tro objeto:
[Link](dis_po) <- uru_data$nombre
head(dis_po[1:5])

sum.X2000 sum.X2001 sum.X2002 sum.X2003 sum.X2004

Artigas 0.08254298 0.08152311 0.08044468 0.07935055 0.07830984
Canelones 0.49313606 0.49803175 0.50207963 0.50574044 0.50921734
Cerro Largo 0.08747583 0.08709592 0.08668951 0.08622784 0.08578623
Colonia 0.12114566 0.12169118 0.12201077 0.12225610 0.12247498
Durazno 0.07071064 0.07039380 0.06988729 0.06931055 0.06875884
Flores 0.02472905 0.02471908 0.02472640 0.02472486 0.02467764
Y tenemos nuestro objeto con los distritos por nombre y el
total de población por cada año del período 2000-2020.

6.5.1 Densidad por Distrito

Para el cálculo de la densidad por distrito necesitamos contar
con el área de cada distrito expresado en km2 .
 Población 257

El proceso es directo para crear una nueva columna, nombrarla

y asignarle valores:
uru_data$area_km2 <- round(area(uru_data)/1e6, 2)
Forma de estimar total área:
sum(uru_data$area_km2)

[1] 177465.6
Y el cálculo de la densidad de población es directa:
dis_den <- round(dis_po/uru_data$area_km2,2)
Y corregimos el nombre de las columnas para facilidad y co-
modidad de uso:
colnames(dis_po) <- sprintf("pob%d",2000:2020)
colnames(dis_den) <- sprintf("den%d",2000:2020)
Y finalmente, agregamos las columnas a nuestro objeto prin-
cipal:
uru_data <- cbind(uru_data, dis_po, dis_den)
Y finalmente nuestro objeto de polígonos contiene los siguien-
tes datos:
names(uru_data)

[1] "nombre" "area_km2" "pob2000" "pob2001" "pob2002" "pob2003"

[7] "pob2004" "pob2005" "pob2006" "pob2007" "pob2008" "pob2009"
[13] "pob2010" "pob2011" "pob2012" "pob2013" "pob2014" "pob2015"
[19] "pob2016" "pob2017" "pob2018" "pob2019" "pob2020" "den2000"
[25] "den2001" "den2002" "den2003" "den2004" "den2005" "den2006"
[31] "den2007" "den2008" "den2009" "den2010" "den2011" "den2012"
[37] "den2013" "den2014" "den2015" "den2016" "den2017" "den2018"
[43] "den2019" "den2020"
Además de la información relativa a las coordenadas que defi-
nen los polígonos, información de la proyección asociada y otros.
Cada ítem corresponde a un slot de datos (ver 3.5) y podemos
revisar la lista:
slotNames(uru_data)

[1] "data" "polygons" "plotOrder" "bbox" "proj4string"

258 DATOS RÁSTER

Y los podemos usar para acceder los datos contenidos en ellos:

uru_data[, 1:5]@data

nombre area_km2 pob2000 pob2001 pob2002

URY_1 Artigas 9600.25 0.08254298 0.08152311 0.08044468
URY_12 Canelones 4852.64 0.49313606 0.49803175 0.50207963
URY_13 Cerro Largo 13186.99 0.08747583 0.08709592 0.08668951
URY_14 Colonia 6361.95 0.12114566 0.12169118 0.12201077
URY_15 Durazno 12406.89 0.07071064 0.07039380 0.06988729
URY_16 Flores 5153.86 0.02472905 0.02471908 0.02472640
URY_17 Florida 10728.93 0.07068616 0.07052128 0.07023898
URY_18 Lavalleja 11519.21 0.06852002 0.06812036 0.06760733
URY_19 Maldonado 5079.09 0.13229903 0.13523392 0.13802527
URY_2 Montevideo 474.53 1.36095737 1.36133663 1.35942287
URY_3 Paysandú 13346.56 0.10898330 0.10880420 0.10849514
URY_4 Río Negro 8812.75 0.06134086 0.06138376 0.06140478
URY_5 Rivera 9792.02 0.10810921 0.10790988 0.10750380
URY_6 Rocha 10885.87 0.07499932 0.07457375 0.07414183
URY_7 Salto 15852.28 0.12703530 0.12723262 0.12724349
URY_8 San José 5467.80 0.09925859 0.09990505 0.10030549
URY_9 Soriano 8817.19 0.08679124 0.08651615 0.08613352
URY_10 Tacuarembó 15673.51 0.07832621 0.07815319 0.07798021
URY_11 Treinta y Tres 9453.31 0.05446833 0.05424595 0.05378307

6.6 Tasa Crecimiento

En demografía, geografía de la población y ecología, la tasa de

crecimiento poblacional o tasa de crecimiento demográfico (PGR
de las siglas en inglés: Population growth rate) es la tasa que
indica el crecimiento o decrecimiento de la población.
Específicamente, la tasa de crecimiento demográfico se refiere
ordinariamente al cambio en la población durante un período ex-
presado a menudo como un porcentaje del número de individuos
existentes en un país o lugar a fines de un año sobre la población
inicial en el mismo año (ver fórmula 6.1).
Un valor positivo de la tasa del crecimiento indica que la po-
blación está aumentando, mientras que un valor negativo indica
la declinación de la población. Un valor cero indica que no existe
variación (el mismo número de gente en los dos tiempos medidos).
 Población 259

xt − xt−1
P GR = ∗ 100 (6.1)
xt−1
Y en R utilizando el objeto dataframe creado en el punto 6.5
podemos calcular:
PGR <- (dis_po[,21:2]-dis_po[,20:1]) / dis_po[,20:1] * 100
Si deseamos revisar el resultado ordenado por nombre (Figura
6.8):
PGR_nombre <- PGR[order([Link](PGR)), ]

boxplot(t(PGR_nombre),horizontal=F, las=2, [Link]=.75)

−1
Artigas

Canelones

Cerro Largo

Colonia

Durazno

Flores

Florida

Lavalleja

Maldonado

Montevideo

Paysandú

Río Negro

Rivera

Rocha

Salto

San José

Soriano

Tacuarembó

Treinta y Tres
Figura 6.8: Tasa de
Crecimiento perío-
O deseamos revisar el resultado ordenado por la media (Figura
do 2000-2020 por
6.9): distritos Uruguay.
PGR$mean <- rowMeans(PGR[,1:20]) #columna de apoyo

PGR_mean <- PGR[order(PGR$mean,decreasing = F), ]

boxplot(t(PGR_mean),horizontal=F, las=2,cra=1.2, [Link]=0.75)

260 DATOS RÁSTER

−1
Artigas

Lavalleja

Durazno

Treinta y Tres

Rocha

Soriano

Florida

Cerro Largo

Rivera

Montevideo

Flores

Tacuarembó

Paysandú

Río Negro

Salto

Colonia

San José

Canelones

Maldonado
Figura 6.9: Tasa de
Crecimiento perío-
6.7 Mapeando la Tasa de Crecimiento do 2000-2020 por
distritos Uruguay,
La visualización en formato de mapa del PGR (6.1), la expre- ascendente.

samos como álgebra de mapas (Figura 6.10):

uru_data$var_per <- (uru_data$pob2020 - uru_data$pob2000) / uru_data$pob2020 * 100

tm_shape(uru_data) +
tm_polygons('var_per',
palette=qualitative_hcl(20,
palette = "Pastel 1",
rev = F),
n=7,
style="jenks",
midpoint=0,
title= "Período 2000-2020") +
tm_layout([Link] = TRUE) +
tm_text("nombre",
size = "AREA",
root =5)

6.8 Pirámides de Población

Una pirámide de población (Figura 6.11) es una forma de vi-
sualizar dos variables: edad y sexo. Son utilizados por demógra-
fos, que estudian poblaciones. Una pirámide de población es un
gráfico que muestra la distribución de edades en una población
dividida en el centro entre miembros masculinos y femeninos de
 Población 261

Período 2000−2020 Figura 6.10: Tasa de

−18.35 to −18.35 Crecimiento Poblacio-
−18.35 to −6.33
Artigas −6.33 to −1.13 nal. Por Distritos, Uru-
guay.
−1.13 to 4.19
4.19 to 12.01
12.01 to 17.60
17.60 to 36.77

Salto

Rivera

Paysandú Tacuarembó

Cerro Largo

Río Negro
Durazno
Treinta y Tres

Soriano Flores
Florida
Lavalleja
Rocha
Colonia
San José

Canelones Maldonado

Montevideo

la población. El gráfico comienza desde el más joven en la parte

inferior hasta el más antiguo en la parte superior.
Se llama pirámide de población porque cuando la población
crece (nacen más bebés que personas mueren), el gráfico tiene
la forma de un triángulo. Se puede usar una pirámide de pobla-
ción para comparar las diferencias entre las poblaciones mascu-
linas y femeninas de un área. También muestran el número de
dependientes económicamente (niños y, en ocasiones, personas
mayores) y la estructura general de la población en un momento
dado.
Existen tres tendencias principales en las poblaciones que afec-
tan la forma de una pirámide de población.
La primera es cuando las tasas tanto de fecundidad y mor-
talidad son altas entre los miembros más jóvenes. Este tipo de
población, conocida como expansiva, crea una forma de trián-
gulo agudo en el gráfico. Las pirámides expansivas significan que
la población no aumenta mucho en número total y tiene muchos
jóvenes.
262 DATOS RÁSTER

La segunda tendencia, conocida como constrictiva, es cuando

hay una tasa de mortalidad más baja y la tasa de fecundidad se
mantiene constante. Estas pirámides de población son más anchas
en el medio del gráfico, ya que la población tiene un alto número
de personas de mediana edad y de edad avanzada, pero menos
jóvenes.
La tercera tendencia es estacionaria que es una población con
baja mortalidad y bajas tasas de fecundidad. Estos gráficos tienen
forma cuadrada o pilar en lugar de piramidal. Estas pirámides
de población representan una población estable que no cambiará
significativamente a menos que se produzcan cambios repentinos
en las tasas de fertilidad o mortalidad.
Las pirámides de población son útiles para estudiar el futuro
de una región, así como para examinar las tendencias históricas
y actuales de la población. Si parte de la población se ha visto
afectada por cambios repentinos, como víctimas de conflictos ar-
mados, alta mortalidad femenina en el parto o la migración de
jóvenes trabajadoras de regiones más pobres, el gráfico ofrecerá
una forma de visualizar cómo será afectada la población futura.
También pueden ayudar a dirigir la distribución de servicios del
gobierno y la industria privada para las regiones en función de
las necesidades de la población.

6.8.1 Datos por Estructura de Edad y Sexo

En el mismo sitio, además se encuentra información detallada

de la estructura de la población y siguiendo los mismos pasos
podemos extraer la información y realizar el trazado de pirámides
de población.
Los productos para descarga se componen por estimaciones
del número total de personas por celda (o píxel) desglosadas por
género y grupos de edad (incluidos 0-1 y por 5 años hasta 80+)
por años (desde el 2000 al 2020).
En el siguiente ejercicio usaremos la información del año 2016
para Bolivia.
El conjunto de datos está disponible para descargar en formato
Geotiff con una resolución de 3 grados de arco (aproximadamente
 Población 263

100 m en el ecuador). La proyección es Sistema de coordenadas

geográficas, WGS84.
El contenido de cada celda es el número estimado de hom-
bres/mujeres en cada grupo de edad. El método de cálculo y
estimación se presentan en Pezzulo et al. [2017].

6.8.2 Área de Estudio

Descargamos el nivel 3 (Municipios) de Bolivia y creamos nues-
tro objeto de polígonos en sistema coordenado WGS84.
bolivia <- gadm_sp_loadCountries("BOL",
level = 3,
basefile = "RAW/")
bol_geom <- bolivia$spdf
nombres <- bol_geom$NAME_3

6.8.3 Descarga de Datos

Luego de revisar los link de descarga, podemos resumir el nú-
mero y estructura de archivos por edades siguiendo la secuencia:
edades <- c(0,1, seq(5,80,by= 5))
edades
[1] 0 1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
Y construimos el vector con las direcciones de descarga de los
archivos tif.
urlf <- paste0("[Link]
2016,
"/BOL/bol_f_",
edades,
"_",
2016,
".tif")
urlm <- paste0("[Link]
2016,
"/BOL/bol_m_",
edades,
"_",
2016,
264 DATOS RÁSTER

".tif")
También se debe construir el nombre de archivos de salida:
destf <- paste0("bol_f_",
edades,
"_",
2016,
".tif")
destm <- paste0("bol_m_",
edades,
"_",
2016,
".tif")
Y descargamos utilizando la estructura de ciclo for:
for(i in 1:18){
[Link](urlm[i],
here("raw", destm[i]),
mode="wb")
[Link](urlf[i],
here("raw", destf[i]),
mode="wb")
}

6.8.4 RasterStack
Con el conjunto de archivos (cada uno con su correspondiente
capa) construimos un objeto RasterStack:
popf_bol_2016 <- stack(here("raw", destf[1:18]))
popm_bol_2016 <- stack(here("raw", destm[1:18]))
Y utilizando los polígonos de los municipios extraemos la in-
formación de población por sexo y edad contenido en el stack
utilizando la función sum para el cálculo del total:
f_2016 <- exact_extract(popf_bol_2016,
bol_geom,
"sum")
m_2016 <- exact_extract(popm_bol_2016,
 Población 265

bol_geom,
"sum")
El stack en la posición 1 y 2 contienen los datos de 0-11 meses
y de 1 a 4 años, así que vamos a reorganizar para generar un solo
grupo de 1 a 4 años y coincida así con los grupos superiores (5 a
9, 10 a 15, etc.):
Sumamos las capas 1 y 2 y guardamos en capa 2:
f_2016[2] <- f_2016[1] + f_2016[2]
m_2016[2] <- m_2016[1] + m_2016[2]
Se remueve la capa 1:
f_2016 <- f_2016[-1]
m_2016 <- m_2016[-1]
Y ajustamos el vector con rango de edades removiendo el grupo
‘0’ y ajustamos el contenido del rango superior para que coincida
con la data correspondiente:
edades <- edades[c(-1)]
edades[17] <- "80+"
Finalmente, tenemos una serie de vectores con la información
ordenada para los 319 municipios por fila y 17 columnas con los
valores de población por rango cada 5 años.
Para generar la pirámide de población del municipio “Tarvita”
para el año 2016 buscamos el índice del vector de nombres y con él
extraemos las poblaciones desde el objeto f_2016 para población
femenina y m_2016 para población masculina:
id <- which(nombrespop=="Tarvita")
fem <- [Link](f_2016[id,])
mas <- [Link](m_2016[id,])
titulo <- paste0("Municipio de ", nombrespop[id])

total_f <- [Link](sum(fem))

total_m <- [Link](sum(mas))
Así tenemos vectores con la población por sexos y por rango
etáreos en grupos de 5 años: 1 a 5, 5 a 10, 10 a 15, hasta 80 y
más, para cada uno de los 319 municipios de Bolivia.
266 DATOS RÁSTER

6.8.5 Paquete pyramid

Luego de instalar el paquete pyramid (Nakazawa [2019]) y car-
gar en memoria podemos trazar nuestras pirámides de población.
pyramids(Right = fem,
Left = mas,
Center = edades,
Clab = "Edad",
Rlab = paste0("Mujeres\n(",total_f,")"),
Llab = paste0("Hombres\n(",total_m,")"),
Rcol= "gold",
Lcol= "skyblue",
main= titulo)

Municipio de Tarvita Figura 6.11: Pirámide

de Población Munici-
Hombres Mujeres pio de Tarvita, Bolivia
(6736) Edad (6977) 2016.
80+
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
1
1000 800 600 400 200 0 0 200 400 600 800 1000
CLIMA

6.9 El Archivo CEDA

El Archivo CEDA (por su nombre ingles Centre for Environ-

mental Data Analysis) forma parte del Servicio de Datos Am-
bientales (EDS Environmental Data Service) del NERC (Natural
Environment Research Council) y es responsable de cuidar los
datos de la investigación atmosférica y de observación de la tie-
rra.
Alberga más de 18 Petabytes de datos de modelos climáticos,
satélites, aviones, observaciones meteorológicas y otras fuentes.
El enlace directo a la barra de búsqueda está dado por la
dirección: [Link].
Para acceder a la información primero debemos registrar nues-
tro nombre de usuario y logearnos al sitio y con un simple paso
se registra y logea el usuario (Figuras 6.12 y 6.13) para realizar
búsquedas de los datos utilizando la barra de consultas (Figura
6.14).
Las variables contenidas en CRU TS4.05 se detallan en el cua-
dro 6.1.
Y están disponibles para el período de enero de 1901 - diciem-
bre de 2020.
Los datos de CRU TS4.05 se produjeron mediante interpola-
ción de ponderación de distancia angular (ADW).
Los datos CRU TS4.05 son celdas con un valor mensual ba-
sados en datos de observación mensuales calculados a partir de
datos diarios o subdiarios por los Servicios Meteorológicos Nacio-
nales y otros agentes externos.
268 DATOS RÁSTER

Figura 6.12: Primer

paso de registro en el
sitio del CEDA.

Cuadro 6.1: Nombre

de Variables disponi-
Tema Variable bles en sitio web.

Cloud cover cld

Diurnal temperature range dtr
Ground frost frequency frs
Potential evapotranspiration pet
Precipitation pre
Near-surface temperature minimum tmn
Near-surface temperature tmp
Near-surface temperature maximum tmx
Vapour pressure vap
Wet day frequency wat
 Clima 269

Figura 6.13: Datos que

se solicitan para regis-
trar el nombre de usua-
rio.

Figura 6.14: Barra de

búsqueda del catálogo
disponible de datos.
270 DATOS RÁSTER

Los archivos de datos ASCII y NetCDF contienen valores me-

dios mensuales para los distintos parámetros. Las versiones de
NetCDF contienen una variable entera adicional, “stn”, que pro-
porciona, para cada dato de la variable principal, un recuento
(entre 0 y 8) del número de estaciones utilizadas en esa interpo-
lación. El código de valor faltante para ‘stn’ es -999.

6.10 Obtención de Datos

6.10.1 Búsqueda y Descarga

En la barra de búsqueda comenzaremos con los términos CRU
y TS de Climate Research Unit y Time-Series, los cuales acotan
el universo de resultados obtenidos. De todas las versiones loca-
lizar la más nueva (en junio de 2021) es la versión CRU TS4.05
(Harris et al. [2020]), figura 6.15.

Figura 6.15: Catálogo

más reciente de datos
climáticos disponibles.

Hacer clic en la opción Download y elegir la opción data,

elegir la variable a descargar: pre, tmn y tmx.
Dentro de la carpeta pre buscaremos el archivo comprimido
(.gz) del período 1901-2020 lo mismo en la carpeta tmn y tmx.

Los archivos tendrán los siguientes nombres (julio 2021), figura

6.16:

• cru_ts4.[Link]
• cru_ts4.[Link]
• cru_ts4.[Link]
En esta ocasión hemos descargado manualmente los archivos ya
que se requiere previamente estar logeado en el sitio y no acepta
llamadas directas vía web.

Primero vamos a buscar vía R los archivos con extensión .gz

que ubicamos en la carpeta de data cruda raw.
 Clima 271

Figura 6.16: Detalle

de archivo a descargar
(ejemplo de precipita-
ciones).

lst <- [Link](here("raw"),pattern = ".gz")

lst
character(0)
Utilizando el paquete [Link] (Bengtsson [2020]) (luego de ins-
talado y cargado en memoria) podemos usar la función gunzip()
que comprime y descomprime archivos con formato gzip y bzip2.
El atributo por defecto remove=T indica que el archivo ingresado
será eliminado.
gunzip(here("RAW",lst), remove=T)
La función acepta solo un nombre de archivo a la vez, pero
tenemos una lista con nuestros nombres y direcciones completas,
para estos casos, existe una familia de comandos que permite
aplicar una función sobre una lista o vector.

• lapply: retorna una lista de la misma longitud que el pará-

metro de entrada.
• vapply: retorna un valor.
• sapply: es una versión simplificada y más universal.

La sintaxis básica es sapply(x, fun, ...) dónde x general-

mente es un vector y fun la función a ser aplicada a cada elemento
de x. La versión sapply sería:
272 DATOS RÁSTER

sapply(lst, function(x) gunzip(here("raw", x)))

6.11 Formato NetCDF

Los archivos resultantes se encuentran en el formato NetCDF

de su sigla en inglés Network Common Data Form, “se designa
tanto un formato de archivo para el intercambio de datos cientí-
ficos en arreglos (tablas) como al conjunto de software de código
abierto que permite la creación y acceso a los datos. Se trata de
un formato para datos binarios, que, por medio de la incorpora-
ción de metadatos en el archivo mismo, permite la independen-
cia con respecto al sistema operativo o máquina utilizada para
su uso. NetCDF es utilizado para el almacenamiento, proceso
y evaluación de grandes cantidades de datos, especialmente en
meteorología y ciencias de la tierra.” (Wikipedia).
El paquete ncdf4 (Pierce [2019]) proporciona una interfaz R
para los archivos de datos escritos con la biblioteca netCDF de
Unidata 3 (versión 4 o anterior), que son archivos de datos bina- 3
UNIDATA es una
comunidad de institu-
rios que son portátiles entre plataformas e incluyen información
ciones de educación
de metadatos además de los conjuntos de datos. Con este paque- e investigación con el
te, los archivos netCDF (ya sea la versión 4 o la versión “clásica” objetivo de compartir
datos de geociencias,
3) se pueden abrir y los conjuntos de datos se pueden leer fá- herramientas para
cilmente. También es fácil crear nuevas dimensiones, variables acceder y visualizar
y archivos netCDF, en formato de versión 3 o 4, y manipular esos datos. Financiado
por National Science
archivos netCDF existentes. Foundation (NSF).
Que nos permite abrir, examinar y procesar los datos conteni- [Link].

dos en ellos:
nc_pre <- nc_open(here("RAW",
"cru_ts4.[Link]"))
nc_min <- nc_open(here("RAW",
"cru_ts4.[Link]"))
nc_max <- nc_open(here("RAW",
"cru_ts4.[Link]"))
No olvidar que luego de usado los archivos se debe cerrar la
conexión.
 Clima 273

nc_close(nc_pre)
nc_close(nc_min)
nc_close(nc_max)
También podemos utilizar los mismos comandos (que son mo-
dificados en el paquete correspondiente y aquí otra ventaja de R,
la capacidad para simplificar el acceso a diversos formatos de da-
tos vía las mismas interfaces o funciones) para leer directamente
los datos a un objeto RasterBrick.
pre <- brick(here("RAW","cru_ts4.[Link]"),
varname="pre")

t_min <- brick(here("RAW","cru_ts4.[Link]"),

varname="tmn")

t_max <- brick(here("RAW","cru_ts4.[Link]"),

varname="tmx")

6.11.1 brick netCFD, Estructura Interna

El conjunto de slots que componen la estructura del archivo
es:
slotNames(pre)

[1] "file" "data" "legend" "title" "extent" "rotated"

[7] "rotation" "ncols" "nrows" "crs" "history" "z"
Para chequear las fechas extremas revisamos el primer y último
valor del slot z:
pre[[1]]@z

[[1]]
[1] "1901-01-16"
pre[[nlayers(pre)]]@z

[[1]]
[1] "2020-12-16"
Cada slot tiene su propio contenido estructurado en variables:
274 DATOS RÁSTER

slotNames(pre@data)

[1] "values" "offset" "gain" "inmemory" "fromdisk"

[6] "nlayers" "dropped" "isfactor" "attributes" "haveminmax"
[11] "min" "max" "unit" "names"
El contenido de unit almacena la unidad de los datos:
pre@data@unit

[1] "mm/month"
t_min@data@unit

[1] "degrees Celsius"

t_max@data@unit

[1] "degrees Celsius"

Como primer paso vamos a corregir el nombre de las capas o
layer para facilitar los posteriores trabajos de consulta y búsque-
da, organizando por variable_año_mes (en español).
years <- 1901:2020
meses <- c("Enero", "Febrero", "Marzo", "Abril",
"Mayo", "Junio", "Julio", "Agosto",
"Septiembre", "Octubre", "Noviembre",
"Diciembre")
names(pre) <- paste("pre",rep(years, each=12),
rep(meses, times=119), sep="_")
names(t_min) <- paste("min",rep(years, each=12),
rep(meses, times=119), sep="_")
names(t_max) <- paste("max",rep(years, each=12),
rep(meses, times=119), sep="_")
Con la data estructurada en el objeto stack podemos realizar
fácilmente distintas estadísticas de la data:
Por ejemplo:

1. Precipitación Media Anual 1901 (Figura 6.17).

mean(pre[[1:12]])

2. Precipitación Acumulada Anual 1901 (Figura 6.18).

 Clima 275

sum(pre[[1:12]])

3. Temperatura Máxima período Enero Marzo 1901 (Figura 6.19).

max(t_max[[1:3]])

Precipitación Media Anual (1901)

mm/month
0 to 100
100 to 200
200 to 300
300 to 400
400 to 500
500 to 600
600 to 700

Fuente: Climate Research Unit (CRU).

Figura 6.17: Precipi-

tación Media Anual
1901.

Precipitación Acumulada Anual (1901)

mm/month

0 to 1,000
1,000 to 2,000
2,000 to 3,000
3,000 to 4,000
4,000 to 5,000
5,000 to 6,000
6,000 to 7,000
7,000 to 8,000

Fuente: Climate Research Unit (CRU).

Figura 6.18: Precipi-

tación Acumulada año
1901.
276 DATOS RÁSTER

Temperatura Máxima (Enero−Marzo 1901)

degrees Celsius

−40 to −35
−35 to −30
−30 to −25
−25 to −20
−20 to −15
−15 to −10
−10 to −5
−5 to 0
0 to 5
5 to 10
10 to 15
15 to 20
20 to 25
25 to 30
30 to 35
35 to 40
40 to 45 Fuente: Climate Research Unit (CRU).

Figura 6.19: Tempera-

tura Máxima Período
6.12 Extracción de Datos Climáticos Enero-Marzo 1901.

Primero vamos a definir el área de estudio utilizando infor-

mación geográfica provista por R y vamos a utilizar un nuevo
método a los revisados en 3.10.3.

6.12.1 Paquete rnaturalearth

El paquete rnaturalearth South [2017] provee una serie de in-
formación geográfica provista por el proyecto voluntario Natu-
ral Earth apoyado por la Sociedad de Información Cartográfica
Norte Americana (NACIS)4 compuesta por coordenadas y datos 4 [Link]
asociados de dominio público disponible a diferentes escalas.
El listado de países se puede extraer con la función ne_countries()
y el parámetro returnclass='sp' define el tipo de objeto devuel-
to (compatible con el paquete raster y sus operaciones gráficas).
paises <- ne_countries(returnclass = "sp")
Cada polígono tiene los siguientes atributos:
names(paises)

[1] "scalerank" "featurecla" "labelrank" "sovereignt" "sov_a3"

[6] "adm0_dif" "level" "type" "admin" "adm0_a3"
[11] "geou_dif" "geounit" "gu_a3" "su_dif" "subunit"
 Clima 277

[16] "su_a3" "brk_diff" "name" "name_long" "brk_a3"

[21] "brk_name" "brk_group" "abbrev" "postal" "formal_en"
[26] "formal_fr" "note_adm0" "note_brk" "name_sort" "name_alt"
[31] "mapcolor7" "mapcolor8" "mapcolor9" "mapcolor13" "pop_est"
[36] "gdp_md_est" "pop_year" "lastcensus" "gdp_year" "economy"
[41] "income_grp" "wikipedia" "fips_10" "iso_a2" "iso_a3"
[46] "iso_n3" "un_a3" "wb_a2" "wb_a3" "woe_id"
[51] "adm0_a3_is" "adm0_a3_us" "adm0_a3_un" "adm0_a3_wb" "continent"
[56] "region_un" "subregion" "region_wb" "name_len" "long_len"
[61] "abbrev_len" "tiny" "homepart"
Para definir nuestra área de trabajo como el continente sud-
americano vamos a realizar un subconjunto utilizando el campo
continent (Figura 6.20).
continente <- ne_countries(continent = "South America")

Figura 6.20: Precipi-

tación Media Anual
1901.

Con el área definida vamos a recortar los modelos de precipi-

tación y temperaturas mínimas y máximas (Figura 6.21).
prec_latam <- crop(pre, continente)
tmin_latam <- crop(t_min, continente)
tmax_latam <- crop(t_max, continente)

6.12.2 Respaldo en disco (tif)

Usando la misma función para exportar nuestros ráster expor-
tamos a nuestra carpeta raw en formato tif nuestros RasterStack⊛ :
278 DATOS RÁSTER

writeRaster(x= prec_latam,
filename= here("raw","prec_latam.tif"),
option= c('COMPRESS=LWZ'),
overwrite=T)
writeRaster(x= tmin_latam,
filename= here("raw","tmin_latam.tif"),
option= c('COMPRESS=LWZ'),
overwrite=T)
writeRaster(x= tmax_latam,
filename= here("raw","tmax_latam.tif"),
option= c('COMPRESS=LWZ'),
overwrite=T)
Hay que destacar que la data asociada no se almacena en el
archivo tif, por eso un consejo importante es respaldar las fechas
de cada uno de los layers o capas del objeto para su uso posterior
con el nombre de [Link]⊛ .
saveRDS(prec_latam@z$time,
here("raw", "[Link]"))

6.12.3 Estadísticos Básicos

Ahora que tenemos los datos climáticos crudos cargados en

R, se abren las posibilidades de múltiples cosas por hacer. Por
ejemplo, calcular niveles de precipitación anual o calcular tem-
peraturas medias anuales. También observar tendencias en los
datos, como las condiciones climáticas promedio para cada déca-
da o zonas geográficas y visualizar estos cambios.
El objeto RasterStack contiene:
nlayers(prec_latam)

[1] 1440
Capas o layers que se extienden entre los años 1901 al 2020 y
generamos un vector de fechas para usar en el eje x de nuestros
gráficos extrayendo la información en formato de date (ver 1.31)
vía los slots:
 Clima 279

Figura 6.21: Precipi-

Prec. Media Mensual tación Media Mensual
Enero 1901.
Enero 1901(mm/mes)
0 to 50
50 to 100
100 to 150
150 to 200
200 to 250
250 to 300
300 to 350
350 to 400
400 to 450
450 to 500
500 to 550
550 to 600

Fuente: Climate Research Unit (CRU).

fechas <- tmax_latam@z$time

Ahora, podemos explorar los valores globales con las funciones
que conocemos para los modelos ráster:
1. Temperatura Máxima Mensual: Por cada modelo ráster (tem-
peratura media mensual) se extrae el valor máximo contenido:

temp_maxima <- cellStats(tmax_latam, 'max')

Y graficamos estos datos contra las fechas y agregamos una
línea de tendencias suavizada con lowess(), función que reali-
za los cálculos para el suavizador LOWESS (Cleveland [1979],
Cleveland [1981]) que utiliza regresión polinomial ponderada lo-
calmente (Figura 6.22).
#suavización
lo <- lowess(x = fechas, y = temp_maxima, f = 0.15)
#gráfico de tipo línea
plot(x = fechas, y = temp_maxima, type="l",
xlab= "Años",
280 DATOS RÁSTER

ylab= "Temperatura Máxima Mensual (°C)")

#agregar línea suavizada
lines(x = lo, col="red", lwd=2)

Figura 6.22: Tempera-

40

tura Máxima Mensual,

Temperatura Máxima Mensual (°C)

39

período Enero 1901

- Diciembre 2020.
38

Suavizamiento Lowess
37

(rojo).
36
35
34
33

1900 1920 1940 1960 1980 2000 2020

Años

2. Precipitación Media Mensual: El objeto prec_latam creado

anteriormente contiene la precipitación media mensual para
el continente, ahora extraemos el valor medio para toda la
extensión:

prec_mean <- cellStats(prec_latam, 'mean')

Y graficamos (Figura 6.23):

Figura 6.23: Precipita-

Precipitación Media Mensual (mm/mes)

180

ción Media Mensual,

período Enero 1901
160

- Diciembre 2020.
Suavizamiento Lowess
140

(rojo).
120
100
80
60

1900 1920 1940 1960 1980 2000 2020

Años

3. Temperatura Media Mínima: Y la temperatura media mínima

mensual (Figura 6.24):
 Clima 281

tmin_mean <- cellStats(tmin_latam, 'mean')

Figura 6.24: Tempera-

tura Mínima Mensual,
Temperatura Mínima Mensual (°C)

18

período Enero 1901

- Diciembre 2020.
Suavizamiento Lowess
16

(rojo).
14
12

1900 1920 1940 1960 1980 2000 2020

Años

Si necesitamos extraer el valor extremo (mínimo o máximo)

de toda la muestra podemos usar la combinación:
min(minValue(tmin_latam))

[1] -15.2
También:
min(cellStats(tmin_latam, 'min'))

[1] -15.2

6.12.4 Buscar Celdas con Valores Extremos

Una pregunta distinta es ¿qué celdas tienen el valor mínimo o
máximo (para un RasterLayer), o qué capa tiene el valor mínimo
o máximo (para un RasterStack o RasterBrick)? [Link]() y
[Link]() devuelven el índice de la primera capa que tiene el
valor mínimo o máximo para cada una de las celdas (ver 1.15.3).
Por ejemplo, ¿dónde o cómo se distribuyen las temperaturas
máximas? (Figura 6.25):
maximos <- [Link](tmax_latam)
Una forma de buscar índices por valores contenidos en el nom-
bre de las capas o layers es which(), por ejemplo deseamos en-
contrar los índices que definen las capas del verano de 1948:
282 DATOS RÁSTER

Figura 6.25: Índice de

Temperaturas Máximas la capa donde cada
celda contiene la Tem-
Índice RasterStack
peratura Máxima.
1 to 100
101 to 200
201 to 300
301 to 400
401 to 500
501 to 600
601 to 700
701 to 800
801 to 900
901 to 1,000
1,001 to 1,100
1,101 to 1,200
1,201 to 1,300
1,301 to 1,400
1,401 to 1,500

Fuente: Climate Research Unit (CRU).

verano48_indice <- which(names(prec_latam) =="pre_1947_Diciembre")

verano48_indice_fin <- which(names(prec_latam) =="pre_1948_Febrero")
Y acumulamos las precipitaciones para el período:
p_acum_ver_48 <- sum(prec_latam[[verano48_indice:verano48_indice_fin]])
Mientras el verano 2018:
ver18_indice <- which(names(prec_latam) =="pre_2017_Diciembre")
ver18_indice_fin <- which(names(prec_latam) =="pre_2018_Febrero")
Y la precipitación acumulada:
p_acum_ver_18 <- sum(prec_latam[[ver18_indice:ver18_indice_fin]])
Y la diferencia entre ambos veranos la podemos obtener sim-
plemente por su diferencia (Figura 6.26):
delta <- p_acum_ver_18 - p_acum_ver_48
 Clima 283

Figura 6.26: Diferencia

Verano 2018 − Verano 1948 Precipitación Acumu-
Diferencia en mm/mes lada Verano 2018 vs
Verano 1948.
−800 to −600
−600 to −400
−400 to −200
−200 to 0
0 to 200
200 to 400
400 to 600
600 to 800
800 to 1,000
1,000 to 1,200
1,200 to 1,400

Fuente: Climate Research Unit (CRU).

6.12.5 Función en subconjuntos de Capas

La función stackApply(x, fun, indices) aplica una fun-

ción fun a un subconjunto de un rasterStack o rasterBrick x
combinando las capas como se indice en indices.
Las capas por combinar se indican con los índices vectoriales.
La función utilizada debe devolver un valor único y el número de
capas en el ráster * de salida es igual al número de valores únicos
en los índices. Por ejemplo, si tiene un RasterStack con 6 capas,
puede usar índices = c (1,1,1,2,2,2) y fun = sum.
Esto devolverá un RasterBrick con dos capas. La primera capa
es la suma de las tres primeras capas del RasterStack de entra-
da y la segunda capa es la suma de las tres últimas capas del
RasterStack de entrada.
Los índices se reciclan de manera que los índices = c(1,2) tam-
bién devolverían un RasterBrick con dos capas (una basada en las
capas impares (1,3,5), la otra basada en las capas pares (2,4,6)).
Como ejemplo aplicamos el promedio a los índices 1 al 12 (Figura
284 DATOS RÁSTER

6.27).
stacked <- stackApply(tmax_latam, fun='mean', indices=c(1:12))
names(stacked) <- [Link]
class : RasterBrick
dimensions : 136, 94, 12784, 12 (nrow, ncol, ncell, nlayers)
resolution : 0.5, 0.5 (x, y)
extent : -81.5, -34.5, -55.5, 12.5 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
source : memory
names : Jan, Feb, Mar, Apr, May, Jun, Jul, Aug, Sep, Oct, Nov, Dec
min values : 2.9, 3.0, 2.1, 0.0, -2.3, -3.5, -3.9, -3.3, -1.8, 0.0, 1.1, 1.6
max values : 35.5, 35.6, 36.4, 35.5, 33.9, 33.9, 34.5, 35.5, 36.3, 36.0, 35.6, 35.5

Jan Feb Mar Apr Figura 6.27: Tempe-

Temperatura ratura máxima, pro-
Máxima Mensual medio mensual (1901-
Promedio: 2020).
1901−2020(mm/mes)
−10 to 0
0 to 10
10 to 20
20 to 30
30 to 40
May Jun Jul Aug

Sep Oct Nov Dec

 Clima 285

6.13 Muestreos
Si necesitamos extraer datos de distintos sitios, necesitamos
conseguir sus coordenadas y con ellas construir un objeto espacial
SpatialPointsDataFrame (ver 5.2.2) o un dataframe (ver 1.23.3)
con un nombre o id, latitud y longitud.

6.13.1 Muestreo por Coordenadas: Capitales

El primer método de muestreo está basado en coordenadas de
puntos específicos o conocidos, por ejemplo, capitales nacionales.
Para ello vamos a instalar y cargar el paquete maps (Becker et al.
[2018]) que provee una extensa serie de datos geográficos junto
con herramientas de trazado de mapas.
La data incorporada en el paquete [Link] contiene lo-
calidades pobladas por más de 40 mil habitantes, capitales na-
cionales de cualquier población y muchas pequeñas localidades.
Debes instalar y cargar el paquete para tener la data disponible:
1. Primero vamos a filtrar los registros clasificados como capita-
les (1) y revisar los atributos asociados:

capital <- [Link][[Link]$capital == 1,]

names(capital)

[1] "name" "[Link]" "pop" "lat" "long"

[6] "capital"
2. Convertir el dataframe a un objeto espacial asociando las co-
lumnas de coordenadas lat, long del tipo numérico a objetos
geográficos con:

coordinates(capital) <- c("long","lat")

3. Remover y renombrar columnas no útiles para el ejercicio:

capital <- capital[-c(3,4)]

names(capital) <- c("nombre","pais")

4. Interceptar los puntos con el área de estudio (Figura 6.28):

286 DATOS RÁSTER

cap_latam <- intersect(capital, continente)

5. Si deseamos ajustar una coordenada manual (por ejemplo, por

ajuste de decimal o recorte de la superficie ráster) podemos
acceder al slot de coordenadas coords vía condición lógica de
subconjunto:

cap_latam@coords[cap_latam$nombre=="Lima",]

long lat
-77.05 -12.07
Y tenemos acceso de dos formas:
cap_latam@coords[cap_latam$nombre=="Lima",][1] <- -77
cap_latam@coords[cap_latam$nombre=="Lima",][2] <- -12.04
O con vector:
cap_latam@coords[cap_latam$nombre=="Lima",] <- c(-77.0, -12.04)

Figura 6.28: Mapa de

Caracas
capitales de sur Amé-
Bogota
Georgetown
Paramaribo rica.

Quito

Lima

Brasilia

Sucre

Asuncion

Santiago
Buenos Aires

6. Extraer valores en la ubicación definida por coordenadas geo-

gráficas:
 Clima 287

prec_site <- extract(x = prec_latam,

y = cap_latam,
[Link]=T,
df=T)

7. Ahora podemos asignar los nombres de cada capital a nombre

de filas, agregar como atributos las coordenadas y remover las
columnas que no serán utilizadas:

rownames(prec_site) <- cap_latam$nombre

prec_site <- cbind(prec_site, cap_latam@coords[,1:2])
prec_site <- prec_site[,-1]
Para revisar el contenido y estructura extraemos una pequeña
muestra de los datos:
prec_site[1:3,1439:1442]

pre_2020_Noviembre pre_2020_Diciembre long lat

Asuncion 160.2 159.3 -57.63 -25.30
Bogota 127.6 93.4 -74.09 4.63
Brasilia 174.0 181.6 -47.91 -15.78
Y así obtenemos para cada una de las capitales un objeto da-
taframe con una muestra de 1440 registros con la precipitación
media mensual expresadas en mm/mes más dos columnas con sus
coordenadas long y lat.
De el mismo modo obtenemos la temperatura máxima mensual
reemplazando el RasterStack desde donde extraemos la informa-
ción:
tmax_site <- extract(tmax_latam,
cap_latam,
[Link]=T,
df=T)

rownames(tmax_site) <- cap_latam$nombre

tmax_site <- cbind(tmax_site, cap_latam@coords[,1:2])
tmax_site <- tmax_site[,-1]
tmax_site[4:6,c(1,1440:1442)]

max_1901_Enero max_2020_Diciembre long lat

288 DATOS RÁSTER

Buenos Aires 27.3 28.3 -58.37 -34.61

Caracas 24.1 24.3 -66.93 10.54
Georgetown 29.6 29.9 -58.16 6.79
Y extraemos la temperatura mínima:
tmin_site <- extract(tmin_latam,
cap_latam,
[Link]=T,
df=T)

rownames(tmin_site) <- cap_latam$nombre

tmin_site <- cbind(tmin_site, cap_latam@coords[,1:2])
tmin_site <- tmin_site[,-1]
tmin_site[9:11,c(1,1440:1442)]

min_1901_Enero min_2020_Diciembre long lat

Quito 4.6 4.5 -78.50 -0.19
Santiago 12.0 12.2 -70.64 -33.46
Sucre 10.6 10.4 -65.26 -19.06

6.13.2 Respaldo en disco (.csv)

R provee una serie de funciones que permiten exportar fácil-
mente objetos a distintos formatos de salida. Los datos generados
para las capitales las vamos a exportar a nuestra carpeta raw en
formato csv o separado por comas:
[Link](prec_site, file=here("raw","precipitacion_data.csv"))
[Link](tmin_site, file=here("raw","temp_min_data.csv"))
[Link](tmax_site, file=here("raw","temp_max_data.csv"))

6.13.3 Muestreo Regular

El paquete raster incluye métodos para tomar muestras vía
coordenadas usando las técnicas de muestreo (sampling).
El primero es muestreo regular que sistemáticamente toma
las muestras y solo requiere el número máximo de muestras (aun-
que si se remueven los NA podría ser menor) y el límite geográfico
(Figura 6.29, izquierda):
 Clima 289

regp <- sampleRegular(prec_latam,

size= 100,
[Link]= T,
sp=T,
ext=continente)
Que devuelve un objeto espacial SpatialPointsDataFrame. Pa-
ra convertir a un objeto dataframe y remover aquellos puntos que
no contienen datos (caen fuera del modelo ráster):
regd <-[Link]([Link](regp))

regd[1:5,1440:1442]

pre_2020_Diciembre x y
2 20.9 -72.75 9.75
3 23.0 -67.25 9.75
4 76.3 -61.25 9.75
10 78.7 -72.75 4.25
11 97.0 -67.25 4.25
Y un poco de cosmética para igualar el formato a los obtenidos
en el punto capitales.
regd <- regd[c(1:1440,1442,1441)]
rownames(regd) <- paste0("sitio_", rownames(regd))
names(regd)[c(1441,1442)] <- c("long","lat")
Y el formato final es:
regd[1:3,1439:1442]

pre_2020_Noviembre pre_2020_Diciembre long lat

sitio_2 230.1 20.9 9.75 -72.75
sitio_3 59.0 23.0 9.75 -67.25
sitio_4 124.8 76.3 9.75 -61.25

6.13.4 Muestreo Aleatorio

El segundo método incluido es el muestreo aleatorio (Figura

6.29, derecha):
290 DATOS RÁSTER

rndp <- sampleRandom(x = prec_latam,

[Link]=TRUE,
sp=T,
size = 100,
ext= continente)
Y la conversión a dataframe y edición posterior para igualar
formatos:
rndd <- [Link]([Link](rndp))
rndd <- rndd[c(1:1440,1442,1441)]
rownames(rndd) <- paste0("sitio_",rownames(rndd))
names(rndd)[c(1441,1442)] <- c("long","lat")
rndd[1:3,1439:1442]

pre_2020_Noviembre pre_2020_Diciembre long lat

sitio_1 5.3 14.1 -47.25 -68.25
sitio_2 183.8 255.0 -3.75 -68.75
sitio_3 0.0 0.0 -25.75 -70.25

Figura 6.29: Mues-

treo Sistemático (iz-
quierda) y Muestreo
Aleatorio (derecha).

6.13.5 Muestreo Estratificado

Finalmente, debemos mencionar que también existe el mé-
todo estratificado (Figura 6.30) que se encarga de tomar una
 Clima 291

muestra aleatoria estratificada de los valores de celda de un ob-

jeto ráster (sin reemplazo). Se intenta muestrear celdas en cada
estrato. Para la definición de cada estrato los valores del Raster-
Layer se redondean a números enteros y cada valor representa
un estrato. Dentro de cada uno de ellos se extraen las muestras
definidas:
estratos <- prec_latam[[1]] * 1/10
stratp <- sampleStratified(estratos,
[Link]=TRUE,
sp=T,
size = 5,
ext= continente)

Figura 6.30: Muestreo

Estratificado.

6.14 Diagramas Climáticos

Los diagramas climáticos son herramientas útiles que propor-

cionan un resumen visual de las condiciones climáticas medias de
un lugar durante un período de tiempo específico.
Esta guía explica las diferentes partes de un diagrama climá-
292 DATOS RÁSTER

tico de Walter y Lieth (Walter et al. [1975]) y mostrará cómo

crearlos.

6.14.1 Paquete climatol

El paquete climatol (Guijarro [2019]) implementa dichos grá-
ficos. Los datos climáticos deben pasarse como una matriz 4x12
de datos mensuales (de enero a diciembre), en el siguiente or-
den:

• Fila 1: Precipitación media.

• Fila 2: Temperatura diaria máxima media.
• Fila 3: Temperatura diaria mínima media.
• Fila 4: Temperatura mínima absoluta mensual.

Esta última fila solo se utiliza para determinar los probables

meses de heladas (cuando los mínimos mensuales absolutos son
iguales o inferiores a 0°C).
Y utilizando los datos obtenidos en las capitales (ver 6.13.1)
extraemos los datos para el año 1901 de la ciudad de Asunción
(Figura 6.31):
i <- which(names(prec_latam) =="pre_1901_Enero")
ii <- which(names(prec_latam) =="pre_1901_Diciembre")
prec <- [Link](prec_site["Asuncion",i:ii])
tmax <- [Link](tmax_site["Asuncion",i:ii])
tmin <- [Link](tmin_site["Asuncion",i:ii])
tmina <- [Link](tmin_site["Asuncion",i:ii])
Y generamos la matriz que requerirá la función de dibujo:
data <- matrix(c(prec,tmax,tmin,tmina),
nrow=4,
ncol=12,
dimnames=list(
c("prec","max","min","mina")),
c(1:12)
)
round(data,0)

[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12]
 Clima 293

prec 105 107 88 124 104 47 33 72 91 105 140 31

max 33 32 31 26 25 23 24 25 29 30 31 34
min 22 22 21 16 16 15 15 15 18 20 20 22
mina 22 22 21 16 16 15 15 15 18 20 20 22
Para las estaciones meteorológicas ubicadas en el hemisferio
sur es útil configurar shem=TRUE, para mantener el período de
verano en la zona central del gráfico (el diagrama comenzará la
trama con los datos de julio).
Como describen Walter y Lieth (Walter et al. [1975]), cuan-
do la precipitación mensual es superior a 100 mm, la escala se
aumenta de 2mm/ºC a 20mm/ºC para evitar diagramas dema-
siado altos en lugares muy húmedos. Este cambio se indica con
una línea horizontal negra y el gráfico que se encuentra encima
se rellena en azul sólido.
Cuando el gráfico de precipitación se encuentra debajo del grá-
fico de temperatura (P < 2T ), tenemos un período árido (lleno
de líneas verticales rojas punteadas). De lo contrario, el período
se considera húmedo (rellenado con líneas azules), a menos que
p3line=TRUE que dibuje una línea negra de precipitación con una
escala P = 3T , en este caso, el período en el que 3T > P > 2T
se considera semiárido.
La temperatura media diaria máxima del mes más caluroso y
la temperatura media mínima diaria del mes más frío se utilizan
con frecuencia en los estudios de vegetación y están etiquetadas
en negro en el margen izquierdo del diagrama.
diagwl(data,
est="Asunción (PY)",
mlab="es",
shem=T,
per="1901")
Otro ejemplo, Santiago 2010 (Figura 6.32).
diagwl(data,
est="Santiago (CL)",
mlab="es",
shem=T,
per="2010")
294 DATOS RÁSTER

Asunción (PY) Figura 6.31: Diagra-

1901 23.5C 1047 mm
ma Climático Walter-
300 Lieth, Asunción 1901.
C mm

50 100

40 80

33.5

30 60

20 40

14.6

10 20

0 0
J A S O N D E F M A M J

Santiago (CL) Figura 6.32: Precipi-

2010 13.1C 250 mm
tación Media Mensual
300 Enero 1901.
C mm

50 100

40 80

26.9

30 60

20 40

−0.6

10 20

0 0
J A S O N D E F M A M J
 Clima 295

6.15 Serie Temporal

Cualquier métrica que se mida en intervalos de tiempo re-
gulares constituye una serie temporal. Los datos de series de
tiempo están en todas partes, ya que el tiempo es un componente
de todo lo que es observable. Por ejemplo, datos meteorológicos,
precios de acciones, estadísticas de búsquedas por internet, etc.
son algunos de los más habituales.
Primero vamos a revisar conceptos y prácticas sobre series
temporales medidas sobre un punto geográfico (coordenadas de
ciudades capitales) y a continuación series temporales de áreas
geográficas (objetos RasterBrick).

6.15.1 Continuidad de los Datos

Es muy importante detectar si la serie de datos existe para
cada uno de momentos temporales. Si la serie es continua y no
posee datos faltantes o vacíos. Los datos climáticos utilizados a
continuación han sido corregidos y poseen para cada fecha una
observación, pero no siempre será el caso, y para resolver el pro-
blema se han desarrollado diversas metodologías correctivas (ver
9.3.1).

6.15.2 Carga de Datos

En el presente capítulo vamos a utilizar la data preparada en
el punto 6.13.2. Cargado los archivos csv para las tres variables:
1. Carga de Precipitación Media Mensual. Período Enero 1901 -
Diciembre 2020.

prec_site <- [Link](here("raw","precipitacion_data.csv"),

header=TRUE,
[Link]=1,
sep=",", [Link]=FALSE)
prec_site[1:5,1:3]

pre_1901_Enero pre_1901_Febrero pre_1901_Marzo

Asuncion 105.2 106.9 88.4
Bogota 23.5 71.0 67.9
296 DATOS RÁSTER

Brasilia 256.0 214.0 186.0

Buenos Aires 65.7 57.4 58.0
Caracas 0.1 84.1 24.0
2. Carga de Temperatura Mínima Mensual. Período Enero 1901
- Diciembre 2020.

tmin_site <- [Link](here("raw","temp_min_data.csv"),

header=TRUE,
[Link]=1,
sep=",", [Link]=FALSE)
tmin_site[1:5,1:3]

min_1901_Enero min_1901_Febrero min_1901_Marzo

Asuncion 22.0 22.200001 20.8
Bogota 9.6 9.900001 10.6
Brasilia 17.8 17.900000 17.8
Buenos Aires 16.6 17.200001 15.9
Caracas 13.7 13.600000 14.2
3. Carga de Temperatura Máxima Mensual. Período Enero 1901
- Diciembre 2020.

tmax_site <- [Link](here("raw","temp_max_data.csv"),

header=TRUE,
[Link]=1,
sep=",", [Link]=FALSE)
tmax_site[1:5,1:3]

max_1901_Enero max_1901_Febrero max_1901_Marzo

Asuncion 32.7 32.5 31.0
Bogota 20.3 20.3 20.3
Brasilia 27.1 27.4 27.7
Buenos Aires 27.3 27.3 25.6
Caracas 24.1 24.4 25.1

6.15.3 Objeto timeserie

Para la construcción de un objeto time-serie definido en uno de
los paquetes base stats (R Core Team [2021]) definimos un vector
con valores (la variable a analizar) y especificar la frecuencia de
 Clima 297

los datos (en nuestro caso mensual) y el año de inicio, ambos

datos para internamente definir un vector de misma longitud de
datos en formato Date.
i <- 3
valores <- [Link](tmax_site[i,c(-1441,-1442)]) #remover long,lat
ciudad <- rownames(valores)[i]
Y la función para construir el objeto:
ts_base <- ts(valores,
frequency=12,
start=1901)
Y para la exploración de los datos utilizaremos el paquete TSs-
tudio (Krispin [2020]) que nos presenta interfaces muy modernas
y ágiles.
El comando básico es confirmar que nuestro objeto es un objeto
del tipo ts, sus variables y el número de observaciones:
ts_info(ts_base)

The ts_base series is a ts object with 1 variable and 1440 observations

Frequency: 12
Start time: 1901 1
End time: 2020 12
La opción básica es el trazado del perfil mediante la función
ts_plot() en un panel interactivo (Figura 6.33):
ts_plot(ts_base, width = 1)
En el panel algunas de las funcionalidades importantes se en-
cuentran en el borde superior derecho en forma de barra de he-
rramientas que aparecen al mover el cursor sobre ella (Figura
6.34).
Alguna de las opciones importantes contenidas en la barra:

• Grabar un png de la información desplegada.

• Activar la opción de Zoom.

• Activar la opción de Pan.

• Restaurar la vista.
298 DATOS RÁSTER

Figura 6.33: Interfaz

gráfica interáctiva
creada por función
ts_plot().

Figura 6.34: Ba-

rra completa de
Herramientas.

6.15.4 Descomposición de Series de Tiempo

Los datos de series de tiempo pueden exhibir una variedad de

patrones y, a menudo, es útil dividir una serie de tiempo en varios
componentes, cada uno de los cuales representa una categoría de
patrón subyacente (Figura 6.35):
ts_decompose(ts_base)

Figura 6.35: Interfaz

gráfica interactiva
creada por función
ts_decompose() del
paquete TSstudio.
 Clima 299

La descomposición es una tarea estadística en la que los

datos de la serie temporal se descomponen en varios componentes
o extrayendo la estacionalidad y tendencia de los datos de una
serie. Estos componentes se definen de la siguiente manera:
• Data (observed): la serie de datos.
• Tendencia (trend): el valor creciente o decreciente de la serie.
• Estacionalidad (seasonal): el ciclo a corto plazo que se repite
en la serie.
• Ruido (random): la variación aleatoria en la serie.
Los datos de series de tiempo son una combinación de estos
componentes. Todas las series tienen ruido. Los componentes de
tendencia y estacionalidad son opcionales. En los datos de series
de tiempo, estos componentes se combinan tanto de forma aditi-
va o multiplicativa. Revisar fundamentos en Cowpertwait and
Metcalfe [2009].
Modelo aditivo: El modelo aditivo es aquel en el que la varianza
de los datos no cambia en los diferentes valores de la serie de
tiempo. El componente sistemático es la suma aritmética de los
efectos individuales de los predictores.
El modelo aditivo es lineal y la línea de tendencia aquí es
una línea recta y la estacionalidad tiene la misma frecuencia y
amplitud (altura y ancho del ciclo, respectivamente).
Modelo multiplicativo: El modelo multiplicativo es aquel en el
que a medida que aumentan los datos, también aumenta el patrón
estacional o la varianza. Aquí, los componentes de tendencia y
estacional se multiplican y luego se agregan al componente de
error.
El modelo multiplicativo es no lineal, como cuadrático o expo-
nencial y la tendencia es una línea curva y la estacionalidad tiene
una frecuencia y amplitud crecientes o decrecientes a lo largo del
tiempo.

6.15.5 Análisis de Estacionalidad

La estacionalidad es la repetición de determinadas variacio-
nes en alguna variable cada cierto período, normalmente igual
o menor a un año. En períodos más amplios se suele hablar de
300 DATOS RÁSTER

ciclos, aunque las variaciones cíclicas no son tan frecuentes como

las estacionales y se contrapone a la tendencia (comportamiento
a largo plazo).
El análisis de estacionalidad es uno de los elementos centrales
del proceso de análisis descriptivo de los datos de series de tiempo
vía la función ts_seasonal().
Este proceso generalmente se realiza con el uso de herramien-
tas de visualización de datos y métodos de estadísticas re-
sumidas. El paquete TSstudio proporciona un conjunto de fun-
ciones para gráficos de estacionalidad (Figura 6.36):
ts_seasonal([Link] = ts_base,
type = "all")

Figura 6.36: Interfaz

gráfica interactiva
creada por función
ts_seasonal() del
paquete TSstudio.

La leyenda interáctiva a la extrema derecha del panel de visua-

lización que vía clic permite apagar dicho elemento.

6.15.6 Visualización de Lags (retrasos)

El análisis secuencial de retardos (lags) es un método para
analizar la dependencia secuencial en una serie temporal que re-
presentan diferentes estados del sistema.
 Clima 301

Si el sistema está en un estado A en un momento t, entonces

es más o menos probable que el sistema esté en estado A, en los
momentos t + 1, t + 2, ..., t + k.
El análisis asume que los eventos están secuenciados en el tiem-
po (serie de tiempo) pero no asume intervalos de tiempo iguales
entre eventos.
Un lags es una cantidad fija de tiempo transcurrido; un con-
junto de observaciones en una serie de tiempo se grafican contra
un segundo conjunto de datos posteriores (Figura 6.37).
ts_lags(ts_base,lags = c(12, 24, 36, 48, 60, 72))

Figura 6.37: Interfaz

gráfica interáctiva
creada por función
ts_lags() del paquete
TSstudio.

6.16 Serie Temporal Ráster

Las series temporales de archivos ráster construidos y guarda-

dos en disco en 6.12.2 son cargados con el comando brick() del
paquete raster:
prec_latam <- brick(here("raw", "prec_latam.tif"))
tmin_latam <- brick(here("raw", "tmin_latam.tif"))
tmax_latam <- brick(here("raw", "tmax_latam.tif"))
Como independientemente guardamos el listado de fechas en
formato data de R, leemos como el objeto fechas⊛ :
302 DATOS RÁSTER

fechas <- readRDS(here("raw", "[Link]"))

Y asignamos al slot que define el tiempo de cada capa:
prec_latam@z$time <- fechas
tmin_latam@z$time <- fechas
tmax_latam@z$time <- fechas
También asignamos a los nombres de capas para referencia:
names(prec_latam) <- fechas
names(tmin_latam) <- fechas
names(tmax_latam) <- fechas

6.16.1 Paquete rts

El paquete rts (Naimi [2019]) provee las funciones básicas para
la construcción, edición, manejo y análisis de series temporales
ráster en R.
Lo primero es instalar (desde la consola) y cargar en memoria
el paquete (desde el script si está construyendo uno):
library(rts)
Y usando la función para construir nuestra serie temporal con
el objeto RasterBrick y la lista de nombres construimos un objeto
rts.
prec_ts <- rts(prec_latam,fechas)
Se puede extraer una capa por su índice y convertirla en un
objeto ráster básico:
r <- prec_ts[[2]]
class(r)
[1] "RasterLayer"
attr(,"package")
[1] "raster"
También extraer vía slot raster:
r <- prec_ts@raster$prec_latam.6
class(r)
[1] "RasterLayer"
 Clima 303

attr(,"package")
[1] "raster"

6.16.2 Herramientas de Subconjuntos

El paquete rts posee poderosas herramientas para extraer ca-
pas por plazos de tiempo:
• Por Rango acotado:
1. Entre Fechas concretas: Entre dos fechas concretas siguien-
do el formato YYYYMMDD/YYYYMMDD (el símbolo ‘/’ es
obligatorio).

prec_periodo <- subset(prec_ts, "20190505/20190903")

2. Período Anual: Solo definir año de inicio y fin:

prec_2013_2014 <- subset(prec_ts,"2013/2014")

• Por un límite definido:

1. Fijar el inicio: Todos los años desde (e incluyendo) el fijado
hasta el final.

prec_2014_fin <- subset(prec_ts,"2014/")

2. Fijar el fin: Todo hasta el final del año fijado.

prec_ini_2014 <- subset(prec_ts,"/2014")

3. Fijar el final en detalle: Todo hasta el final del mes fijado.

prec_ini_jun_2014 <- subset(prec_ts,"/2014-06")

• Por fecha particular:

1. Un Año: Seleccionar todo el contenido para un año particular.

prec_2012 <- subset(prec_ts,"2012")

2. Un mes de un año: Seleccionar un mes de un año particular.

304 DATOS RÁSTER

prec_jun_2016 <- subset(prec_ts,"2016-05")

El contenido del objeto prec_2012 (Figura 6.38) se compone de
12 modelos ráster que forman un objeto RasterStack más algunos
parámetros particulares de un objeto rts.
prec_2012
Raster Time Series with monthly periodicity from 2012-01-16 to 2012-12-16
class : RasterStackTS
raster dimensions : 136, 94, 12784, 12 (nrow, ncol, ncell, nlayers)
raster resolution : 0.5, 0.5 (x, y)
raster extent : -81.5, -34.5, -55.5, 12.5 (xmin, xmax, ymin, ymax)
coord. ref. : +proj=longlat +datum=WGS84 +no_defs
min values : 0 0 0 0 0 0 0 0 0 0 ...
max values : 885 802 830 709 782 513 520 656 421 690 ...
Y podemos usar la función plot para trazar un gráfico con su
contenido en formato de mapa:
 Clima 305

Precipitaciones Media Mensual (mm/mes)

2012−01−16 2012−02−15 2012−03−16 2012−04−16
20
0

800 800 800 800

600 600 600 600

−20

400 400 400 400

200 200 200 200

−40

0 0 0 0
−60

2012−05−16 2012−06−16 2012−07−16 2012−08−16

20
0

800 800 800 800

600 600 600 600

−20

400 400 400 400

200 200 200 200

−40

0 0 0 0
−60

2012−09−16 2012−10−16 2012−11−16 2012−12−16

20
0

800 800 800 800

600 600 600 600

−20

400 400 400 400

200 200 200 200

−40

0 0 0 0
−60

−80 −60 −40 −80 −60 −40 −80 −60 −40 −80 −60 −40

Figura 6.38: Año 2012,

precipitaciones media
mensual (mm/mes).
306 DATOS RÁSTER

6.16.3 Operaciones Sobre un rst

El paquete provee también una serie de funciones que permiten
aplicar una función sobre un período temporal dentro de la serie
temporal misma. Los períodos son:
• [Link](x, FUN, …)
• [Link](x, FUN, …)
• [Link](x, FUN, …)
• [Link](x, FUN, …)
• [Link](x, FUN, …)
Y devuelven un nuevo objeto RasterStackTS:
prec_periodo <- subset(prec_ts,"1981/1984")
prec_anuales <- [Link](prec_periodo, FUN = 'max', [Link]=TRUE)
Raster Time Series with yearly periodicity from 1981-12-16 to 1984-12-16
class : RasterStackTS
raster dimensions : 136, 94, 12784, 4 (nrow, ncol, ncell, nlayers)
raster resolution : 0.5, 0.5 (x, y)
raster extent : -81.5, -34.5, -55.5, 12.5 (xmin, xmax, ymin, ymax)
coord. ref. : +proj=longlat +datum=WGS84 +no_defs
min values : 0 0 0 0
max values : 1470 1436 1100 1410
Y el mapa resultante (Figura 6.39).
 Clima 307

Precipitaciones
Máximas Anuales 1981−84 (mm/mes)

1981−12−16 1982−12−16
10
0

1400 1400
−10

1200 1200
1000 1000
−20

800 800
600 600
−30

400 400
200 200
0 0
−40
−50

1983−12−16 1984−12−16
10
0

1400 1400
−10

1200 1200
1000 1000
−20

800 800
600 600
−30

400 400
200 200
0 0
−40
−50

−80 −70 −60 −50 −40 −30 −80 −70 −60 −50 −40 −30
Figura 6.39: Período
1981-84, precipitacio-
nes máximas anuales
(mm/mes).
VII OBSERVACIÓN DE LA TIERRA
Introducción

En la actualidad a tomado relevancia el concepto de Obser-

vación de la Tierra desde el espacio (EO del inglés) que hace
referencia a las actividades de captura de datos de la superficie
terrestre a partir de vehículos espaciales diseñados específicamen-
te para observar en un amplio espectro de la energía radiante de
la tierra.
También al realizar la observación desde lejos (sin contacto
con el objeto de estudio) se denominan ya desde principios de la
década del 60 como técnicas de teledetección.
Las actividades de EO o teledetección incluyen una amplia ga-
ma de técnicas para la adquisición, almacenamiento y transmisión
de los datos los cuales luego deben ser convertidos en información
relevante, que finalmente debe llegar de manera oportuna a una
amplia variedad de usuarios finales potencial para el uso de agri-
cultores, como pescadores, periodistas, glaciólogos, ecologistas,
geógrafos y un amplio etcétera.
De las diversas fuentes de datos hoy las imágenes de satélite de
resolución media (el nivel de detalle observable) y de acceso libre
(gratis en realidad) se han vuelto ampliamente accesibles, pro-
porcionan cobertura mundial con una amplia variación espectral
(región del espectro que pueden sensar) y temporal (período de
tiempo entre las observaciones para el mismo punto geográfico),
lo que les hace aptos para una amplia gama de estudios.
La señal de energía radiante que es detectada y medida por el
sensor satelital es almacenada en la memoria a bordo del satélite
o transmitida a un receptor en tierra para su posterior interpre-
tación.
312 OBSERVACIÓN DE LA TIERRA

La teledetección y la EO también incluyen el análisis y la

interpretación de los datos adquiridos.
La extracción de información relevante requiere de una buena
comprensión de la base física, el proceso de adquisición y un co-
nocimiento sólido de los algoritmos utilizados para procesar los
datos originales.

7.1 Energía Electromagnética

La observación remota requiere algún tipo de interacción ener-

gética entre el objetivo y el sensor. La señal detectada por el sen-
sor puede ser energía solar (generada en el Sol) que es reflejada
por la superficie de la Tierra, como también puede ser energía
emitida desde la superficie por sí misma o la generada por el
mismo sensor que produce su propio pulso de energía.
Todo este proceso tiene una fuerte base física, ya que implica
recopilar señales electromagnéticas (EM) provenientes de objetos
con diferentes propiedades físicas y químicas. Y necesariamente
debemos comenzar con una descripción básica e histórica de la
física que soporta todo este desarrollo.

7.1.1 Fundamentos Históricos y Físicos

Todo comienza con dos fenómenos muy simples y observables
en la vida diaria, uno el típico chispazo que sentimos en la punta
de los dedos luego de caminar sobre una alfombra, o cuando se
erizan los cabellos cuando se roza con un trozo de tela o los rayos
que observamos en una tormenta, todos ellos productos de la
electricidad y dos, el efecto que hace funcionar los imanes o
una brújula, el magnetismo.
Figura 7.1: Muestra
de Ámbar. (foto: De
7.1.2 Fenómeno Eléctrico Hannes Grobe-Trabajo
propio, CC BY-SA
Ya en la antigua Grecia Tales de Mileto notó que al frotar 2.5)
una piedra de ámbar (Figura 7.1) era capaz de atraer por el aire
pequeños objetos (ámbar en griego es élektron y de allí deriva la
palabra electricidad) y trató de buscar una explicación, aunque
para encontrar una verdaderamente moderna del fenómeno de la
 Fundamentos Físicos 313

electricidad, hubo que esperar unos dos mil años por el descubri-
miento del electrón, gracias a los trabajos de Sir J.J. Thompson
(Figura 7.2).
El electrón es una partícula muy ligera y con gran movilidad
que existe dentro de los átomos, una partícula que como responde
a los efectos eléctricos se dice que está cargada eléctricamente; de
hecho, hoy entendemos la electricidad como un movimiento de
electrones en un conductor y esta es la base por ejemplo de toda Figura 7.2: Físico In-
glés Sir [Link].
la electrónica moderna y como electrones hay en todas partes es
muy fácil generar fenómenos eléctricos.

7.1.3 Fenómeno Magnético

También desde la antigüedad (otra vez los griegos y otra vez
Tales de Mileto) constatan una extraña fuerza que entre ciertas
piedras muy comunes en la Región de Magnesia y ahí su nombre:
magnetismo (Figura 7.3). Figura 7.3: Los Pro-
pileos de Magnesia
La explicación moderna a este magnetismo natural se explica del [Link]ía.
también por los electrones que componen la materia. Hay que (foto: De Vadimph-
Trabajo propio,CC
imaginar los electrones como pequeños imanes dentro de los ma- BY-SA 3.0)
teriales normales (aunque por ejemplo en la madera estos peque-
ños imanes están todos desorientados de forma tal que el efecto
general difiere a lo que ocurre en esas piedras especiales).
Estos “pequeños imanes” en los materiales magnéticos están
ordenados según una orientación específica, lo que genera un efec-
to global, lo que genera un gran imán, caracterizado como ya
saben por el polo norte y el polo sur, hoy a estos pequeños ima-
nes en los electrones lo conocemos con el nombre de spin, una
propiedad cuántica muy peculiar.
Los imanes hoy en día los encuentras por todas partes y son
una pieza fundamental del desarrollo moderno.

7.2 La Relación Electricidad Magnetismo

Figura 7.4: Daguerro-
tipo de Hans Christian
Si ambos fenómenos se relacionan íntimamente con los electro- Ørsted.
nes alguna conexión entre el magnetismo y la electricidad debía
existir.
314 OBSERVACIÓN DE LA TIERRA

La primera indicación de que eran fenómenos realmente co-

nectados la observó Hans Christian Ørsted (Figura 7.4) un físico
danés en el siglo 19.
Todo fue a raíz de una observación muy importante pero que
ocurrió de manera casual, durante una demostración en clases al
conectar la corriente en un circuito eléctrico observó que la aguja
de una brújula cercana se desviaba y tras numerosas pruebas y
experimentos llegó esencialmente a la conclusión correcta: el flujo
de cargas -una corriente eléctrica- genera un fenómeno magnético
alrededor del cable y esto da lugar a un nuevo tipo de imanes, el
electroimán.
Si haces pasar una corriente eléctrica por un cable circular
(una espira) se crea un campo magnético como el de un imán
con un polo norte y un polo sur. Este mecanismo es fundamental
en la sociedad moderna dando lugar a los motores eléctricos: la
transformación de electricidad en movimiento.
Ørsted publica sus resultados y un joven científico francés muy
talentoso, André-Marie Ampère (Figura 7.5) decide probar por
Figura 7.5: Grabado
su cuenta, dando con lo que se conoce como la ley de Ampère, de André-Marie Am-
relativa a las fuerzas de dos cables que conducen corriente. père por Ambrose Tar-
dieu.
Michael Faraday (Figura 7.6) un joven inglés sin ninguna for-
mación científica oye de estos nuevos desarrollos y se pregunta si
una corriente eléctrica es capaz de producir magnetismo ¿el mag-
netismo será capaz también de crear una corriente eléctrica? una
intuición maravillosa y muy científica, luego de un arduo trabajo
consiguió probarlo, no sin antes romperse la cabeza ya que esta
intuición venía con una pequeña sutileza, no es la presencia del
imán en el conductor lo que consigue generar una corriente sino
su movimiento.
Es la variación del magnetismo lo que crea la electricidad,
aunque la gran revolución estaba aún por llegar, en todo esto, Figura 7.6: Retrato de
había algo que no le encajaba al joven Faraday, unas fuerzas Michael Faraday pin-
tado por H.W. Pic-
misteriosas la eléctrica y magnética se desplazaban por el aire sin kersgill.
ningún tipo de sustento, esto parecía poco físico para él y varios
experimentos le hicieron apuntar en la dirección correcta: primero
consiguió en un cristal ver una conexión entre la electricidad y la
luz y luego tenía el famoso experimento de las limaduras de hierro
 Fundamentos Físicos 315

que espolvoreadas en un papel y pones debajo un imán ves que

se generaban patrones que recorrían la distancia entre los polos,
para Faraday tenía que existir agua invisible en el aire algo que
no podemos ver pero que de alguna forma estaba guiando las
limaduras (Figura 7.7) tomada de Black [1913]. Figura 7.7: Las lima-
duras de hierro permi-
Faraday llamó a este peculiar fenómeno campo, este concepto
ten mostrar la direc-
resultó ser uno de los conceptos más poderosos de la historia de ción del campo mag-
la ciencia: un objeto altera las propiedades de su entorno cuando nético de un imán per-
manente.
otro cuerpo se acerca a este, es el propio espacio el que ejerce la
acción sobre el cuerpo es una forma de transmitir una fuerza por
el espacio, una forma que usaría el mismo Albert Einstein en su
teoría de la gravedad en la relatividad general.

7.2.1 El Concepto de Campo

El concepto de campo fue una de las ideas más importantes
de la ciencia, hoy en día todas las modernas teorías de fuerzas e
interacciones están basadas en el concepto de campo, la fuerza
eléctrica y magnética se transmiten por medio de campos.
Con esta revolución se está creando una nueva área de la cien-
cia y el puntapié inicial la da un joven escocés James Clerk Max-
well (Figura 7.8). Maxwell era un científico sobresaliente de gran
intuición y una formación matemática muy sólida y ve en el con-
cepto de campo una herramienta fundamental para llevar al pró-
ximo nivel la idea de electricidad y magnetismo apoyado en esta
sorprendente simetría.
Con la ayuda de los desarrollos teóricos previos junto con el
concepto de campo Maxwell desarrolla un todo unificado. Inicial-
Figura 7.8: Grabado de
mente 20 ecuaciones que hoy reducidas a cuatro son las famosas James Clerk Maxwell
ecuaciones de Maxwell uno de los desarrollos más prodigiosos, por G. J. Stodart.

potentes y revolucionarios que han surgido nunca del intelecto

humano.

7.2.2 El Electromagnetismo
Cuando Maxwell se propuso resolver sus ecuaciones observó
algo muy peculiar: la solución de sus ecuaciones eran una onda.
Una onda de electricidad y magnetismo, una onda electromag-
316 OBSERVACIÓN DE LA TIERRA

nética, una onda que se auto sustentaba en el espacio.

Una de las propiedades de esta onda es que la velocidad a
la que se desplaza es exactamente la velocidad de la luz. Ese
descubrimiento le lleva a teorizar:

“Esta velocidad es tan próxima a la de la luz, que parece que te-

nemos sólidas razones para concluir que la propia luz (incluyendo
el calor radiante, y otras radiaciones si las hay) es una pertur-
bación electromagnética en forma de ondas que se propagan de
acuerdo con las leyes del electromagnetismo”.

Como hemos descubierto hasta ahora, si la variación del cam-

po magnético es el que genera el campo eléctrico y viceversa,
podemos pensar en el caso de la luz, tomamos un electrón en el
vacío que de repente oscila, esto hace que se genere el magne-
tismo -un campo magnético- que tiene la propiedad de penetrar
el vacío, luego, ese campo magnético va decreciendo y esta va-
riación a su vez genera un campo eléctrico que se va haciendo
cada vez más grande según el campo magnético va disminuyendo
y en ese momento ocurre lo contrario, el campo eléctrico empie-
za a disminuir lo que va generando un campo magnético y así
sucesivamente. Ambos de forma acoplada se van reformando y
reforzando, permitiendo que la perturbación viaje hasta el infini-
to.
Así el campo eléctrico y el campo magnético en una onda elec-
tromagnética vibran perpendicularmente (90°) entre sí (Figura
7.9).

Figura 7.9: Onda elec-

tromagnética. Fuente:
SuperManu, CC BY-
SA 3.0.
 Fundamentos Físicos 317

7.3 Cómo se Produce y Transporta la Energía

7.3.1 Las Ondas

Una onda se puede describir usando algunos atributos básicos
(Figura 7.10):

Longitud de onda (λ) Figura 7.10: Descrip-

Frecuencia (ν)
ción general de una
onda.
Amplitud (A)

• Amplitud (A): Distancia entre el punto central y la cresta

(punto de altura máxima), la unidad depende del tipo de onda
(m, v/m).

• Longitud de Onda (λ): Distancia entre dos crestas o valles

(punto de altura mínima), se mide en unidad de distancia (m,
mm, µm).

• Frecuencia (ν): Número de crestas que pasan por un punto

dado por unidad de tiempo. La unidad de medida es el hercio
(HZ), que equivale a un ciclo por segundo (un ciclo es el paso
de dos crestas).

• Período (T): Tiempo transcurrido entre el paso de dos cres-

tas por un punto.

• Fase (φ): El ángulo de fase o fase de una onda se refiere a su

desplazamiento hacia la derecha o la izquierda con respecto a
una referencia. Se mide en grados (°) o radianes (rad).
Algunas relaciones que se desprenden de esta descripción son:
1. Frecuencia y Período son recíprocas entre sí:
1
ν= (7.1)
T
318 OBSERVACIÓN DE LA TIERRA

2. La longitud de onda λ y frecuencia ν están inversamente re-

lacionadas:

c = λν (7.2)

s .
Donde c es la velocidad de la luz en el vacío, ~3 × 108 m

7.3.2 Cuantos y Dualidad de la Luz

De acuerdo con la física clásica, la materia estaba compuesta

por partículas que tenían masa, cuya posición en el espacio podía
ser conocida; por otro lado, consideraban que las ondas lumino-
sas no tenían masa, y que su posición en el espacio no podía ser
determinada. Puesto que pensaban que pertenecían a diferentes
categorías, los científicos no tenían una buena comprensión de có-
mo interactuaban la luz con la materia. Sin embargo, esto cambió
en 1900, cuando el físico alemán Max Planck (Figura 7.11) co-
menzó a estudiar cuerpos negros (cuerpos que se calientan hasta
que empiezan a brillar).
Planck encontró que la radiación electromagnética emitida por
un cuerpo negro no podía ser explicada por la física clásica, que Figura 7.11: Max
postula que la materia puede absorber y emitir cualquier canti- Planck. Fuente: Bun-
desarchiv, Bild 183-
dad de radiación electromagnética. Planck observó que, de hecho, R0116-504 CC-BY-SA
la materia absorbía o emitía energía solo en múltiplos enteros del 3.0.
valor hν, donde ν es la frecuencia de la luz absorbida o emitida
y h es la constante de Planck, 6.626 × 10−34 Js. Este fue un des-
cubrimiento sorprendente, pues desafió la idea de que la energía
era continua y que se podía transferir en cualquier cantidad. La
realidad, que descubrió Planck, es que la energía no es continua,
sino que está cuantizada (es decir, que solo puede transferirse en
paquetes individuales o -partículas- de tamaño νh). Cada uno de
estos paquetes de energía es conocido como cuanto (cuantos, en
plural).
El descubrimiento de Planck de que la radiación electromag-
nética está cuantizada cambió para siempre la idea de que la luz
se comporta solamente como onda. En realidad, parecía que la
luz tenía tanto propiedades de onda como de partícula.
 Fundamentos Físicos 319

7.3.3 El Fotón
Los descubrimientos de Planck pavimentaron el camino para
el descubrimiento del fotón. El fotón es la partícula elemental,
o cuanto, de la luz. Como pronto veremos, los átomos y las mo-
léculas pueden absorber o emitir fotones. Cuando un átomo o
una molécula absorbe un fotón, este le transfiere su energía. Ya
que la energía está cuantizada, se transfiere toda la energía del
fotón (recuerda que no puede transferirse en fracciones de cuan-
tos, que son los “paquetes de energía” más pequeños posibles).
El proceso inverso también es verdadero. Cuando un átomo o
una molécula pierde energía, emite un fotón con exactamente la
misma cantidad de energía que perdió. Este cambio en la energía
es directamente proporcional a la frecuencia del fotón emitido o
absorbido, y está dado por la famosa ecuación de Planck:

E = hν (7.3)
donde E es la energía del fotón absorbido o emitido (dada en
joules, J), ν es la frecuencia del fotón (dada en hertz, Hz) y h es
la constante de Planck (6.626 × 10−34 Js).

7.3.4 Relación entre Teoría Ondulatoria y Cuántica

Ahora estamos listos para integrar las naturalezas ondulato-
ria y cuántica de la luz, el movimiento de toda partícula lleva
asociada una onda de longitud λ y de energía E:
De la ecuación 7.2 reorganizamos los componentes para ex-
presar la frecuencia ν en función de la velocidad de la luz c y
longitud de onda λ:

c
ν= (7.4)
λ
y reemplazamos en 7.3 tenemos la energía E de la partícula ex-
presada en términos de dos constantes (c y h) y longitud de onda
λ:
c
E=h (7.5)
λ
Y de la atenta observación de la formula resultante encontra-
mos que a menor longitud de onda mayor energía y viceversa.
320 OBSERVACIÓN DE LA TIERRA

7.4 El Espectro Electromagnético

El espectro electromagnético es el conjunto de todas las fre-
cuencias posibles a las que se produce radiación electromagnética.
El límite teórico inferior del espectro electromagnético es 0 (ya
que no existen frecuencias negativas) y el teórico superior es ∞.
Con los medios técnicos actuales, se han detectado frecuencias
electromagnéticas inferiores a 30Hz y superiores a 2, 9 × 1027 Hz.
Aunque formalmente el espectro es infinito y continuo, se cree
que la longitud de onda electromagnética (distancia entre dos
valores de amplitud máxima de la onda) más pequeña posible es
la longitud de Planck (lP ≈ 1, 616252 × 10−35 m), distancia o
escala de longitud por debajo de la cual se espera que el espacio
deje de tener una geometría clásica (medidas inferiores no pueden
ser tratadas en los modelos de física actuales debido a la aparición
de efectos de gravedad cuántica).
Igualmente, se piensa que el límite máximo para la longitud
de una onda electromagnética sería el tamaño del universo.
En el paquete SpecHelpers Hanson [2017] encontramos la fun-
ción emSpectrum() que dibuja un espectro eletromagnético:
SpecHelpers::emSpectrum(molecular = F, applications = T)

The Electromagnetic Spectrum hc

E = hν =
λ
radio waves microwaves infrared visible ultraviolet x−rays gamma rays

1 10−3 10−6 10−9 10−12

meters millimeters micrometers nanometers picometers
FM NMR MRI microwave oven night vision human vision skin cancer crystallography radioactive
cell TV wi−fi ESR motion detector insect vision medical imaging decay

Figura 7.12: Espec-

En orden decreciente de longitud de onda (y creciente de ener- tro Electromagnético.
Gráfico generado por
gía) encontramos las regiones llamadas ondas de radio, infrarrojo, el paquete SpecHel-
luz visible, ultravioleta, rayos x y rayos gamma (ver figura 7.12). pers.
Algunas de estas regiones del espectro son útiles para la EO.

7.4.1 Espectro Visible (VIS)

La retina del ojo humano es sensible a las ondas electromagné-
ticas con frecuencias entre 0.4 − 0.7µm. Por lo tanto, esta banda
 Fundamentos Físicos 321

de frecuencias se llama región visible del espectro electromagnéti-

co y coincide con las longitudes de onda donde la radiación solar
es máxima.

7.4.2 Infrarrojo Cercano (NIR), Próximo o Reflejado

La región del infrarrojo (IR) cercano NIR (del inglés near IR)
0.7−1.2µm. Esta parte del espectro se encuentra un poco más allá
de la capacidad de percepción del ojo humano y a veces se conoce
también como el infrarrojo reflectante o infrarrojo fotográfico,
porque parte de este espectro (la región (0.7 − 0.9µm) se puede
detectar con películas especiales. El NIR es de especial interés
debido a su sensibilidad para determinar el estado fitosanitario.
También permite diferenciar coberturas vegetales y contenidos de
agua.

7.4.3 Infrarrojo Medio (MIR)

Esta región espectral se encuentra entre las regiones NIR y
TIR. De 1.2 − 8µm. la influencia de la energía del sol sigue sien-
do muy relevante, El intervalo entre 1.3 − 2.5µm es denominado
Infrarrojo de Onda Corta (SWIR) y es utilizado para estimar
contenidos de humedad en vegetación y suelos. Esta región pro-
porciona las mejores estimaciones del contenido de humedad del
suelo y vegetación. De 3−8µm, la señal se vuelve una mezcla con-
tinua de energía reflejada por el sol y emitida por la superficie,
convirtiéndose el componente emitido más relevante a medida
que las longitudes de onda se hacen más largas. El intervalo de
3 − 5µm es particularmente útil para detectar fuentes de altas
temperaturas, como volcanes o incendios forestales.

7.4.4 Infrarrojo Térmico (TIR)

Región 8−14µm. Este es emitido por la energía de superficie de
la Tierra que se usa comúnmente para mapear las temperaturas
de la superficie. La región termal ha sido ampliamente utilizada
para detectar evapotranspiración (ET) vegetal, propiedades del
hielo y las nubes, efectos del calor urbano y para la discriminación
322 OBSERVACIÓN DE LA TIERRA

de rocas.

7.4.5 Microondas (MW)

Para radiaciones superiores a 1cm. Esta región espectral es
donde funcionan los sistemas de radar. Su principal ventaja es
la absorción atmosférica muy baja, lo que nos permite “ver” a
través de las nubes. La radiación de MW también puede penetrar
en las copas de los bosques a varias profundidades y muy útil en
análisis de humedad del suelo y rugosidad superficial. Requiere
de la emisión de un haz energético por parte del sensor.
Las señales recibidas por un sensor en estas diferentes regio-
nes espectrales varían con el tipo de cobertura terrestre y con
las propiedades biofísicas y bioquímicas de los componentes de
la superficie. Pero primero presentamos algunos de los conceptos
básicos de energía y unidades de medida utilizados en teledetec-
ción para comprender mejor las propiedades características de
mediciones espaciales.

7.5 Conceptos Básicos y sus Unidades

7.5.1 Ángulo Sólido

El análisis de un campo de radiación a menudo requiere la
consideración de la cantidad de energía radiante confinada a un
elemento de ángulo sólido. Un ángulo sólido se define como la
relación entre el área o de una superficie esférica interceptada en
el centro del cuadrado de radio r, como se indica en la figura 7.13
basada en Liou [2002]. Puede escribirse como:
Ω = o/r2 (7.6)
Las unidades de ángulo sólido se expresan en términos de este-
reorradián (sr). Una esfera cuya área superficial es 4πr2 el ángulo
sólido correspondiente sería de 4πsr.

7.5.2 Magnitudes Radiométricas

Una observación remota requiere una fuente de energía y un
sensor que puede detectar dicha energía EM emitida (o reflejada)
 Fundamentos Físicos 323

Figura 7.13: Definición

de ángulo sólido donde
o es el área y r la dis-
tancia.

por la superficie de la Tierra hacia el campo de visión del sensor.

La energía electromagnética (EEM) de interés tiene una cierta
intensidad, composición espectral, y dirección (es decir, la energía
puede dirigirse hacia o lejos de la superficie).
A continuación, describimos las unidades comúnmente utiliza-
das en aplicaciones de EO. Las fórmulas para cada uno de estos
términos energéticos se incluyen en el cuadro 7.1.
• Energía Radiante (Q): Medida en julios (J), es la unidad
de energía más básica y se refiere a la energía total irradiada
en todas las direcciones hacia superficie.

• Flujo Radiante (ϕ): medido en vatios (W ), es la cantidad

de julios por segundo (Js−1 = W ) y representa la tasa de
transferencia de energía en todas las direcciones por unidad
de tiempo.

• Densidad de Flujo Radiante: es la tasa de transferencia

de energía por unidad de área medida en vatios por metro
cuadrado (W m−2 ).

• Exitancia Radiante o Emitancia (M ): es la densidad de

flujo radiante que sale de la superficie en todas las direcciones
por unidad de área y por unidad de tiempo (W m−2 ).

• Irradiancia Radiante (E): es la densidad de flujo radiante

que incide sobre la superficie por unidad de área y por unidad
de tiempo (W m−2 ). Es el mismo concepto que la emitancia,
pero en este caso se refiere a la energía que llega a la superficie
en lugar de aquella que sale de la superficie.
324 OBSERVACIÓN DE LA TIERRA

Cuadro 7.1: Magnitu-

des Físicas.
Concepto Fórmula Unidad
Energía Radiante (Q) julios (J)
Flujo Radiante (ϕ) ∂Q/∂t vatios (W )
Irradiancia (E) ∂ϕ/∂A W m−2
Emitancia (M ) ∂ϕ/∂A W m−2
Intensidad Radiante (I) ∂ϕ/∂Ω W sr−1
Radiancia (L) ∂I/∂A cos(Θ) W m−2 sr−1
Radiancia Espectral (Lλ ) ∂L/∂λ W m−2 sr−1 µm−1
Emisividad (ϵ) M /Mn -
Reflectividad (ρ) ϕr /ϕi -
Absortividad (α) ϕa /ϕi -
Transmisividad (τ ) ϕt /ϕi -
Nota:
t: Unidad de Tiempo.
A: Unidad de Área.
Ω: Ángulo sólido.
Θ: Ángulo entre dirección del flujo enegético y la normal.
ϕr : Flujo Reflejado.
ϕa : Flujo Absorbido.
ϕi : Flujo Incidente.
ϕt : Flujo Transmitido.
 Fundamentos Físicos 325

• Intensidad Radiante (I): es la energía total que sale de

la superficie por unidad de tiempo y dentro de una unidad de
ángulo sólido (Ω). Así, la intensidad radiante se mide en vatios
por estereorradián (W sr−1 ).

• Radiancia (L): es la energía total que sale en una determina-

da dirección por unidad de área y ángulo sólido. Es el término
más fundamental en teledetección, ya que describe exacta-
mente lo que mide el sensor. La radiancia es expresada en
vatios por metro cuadrado por estereorradián (W m−2 sr−1 ).
Si expresamos la radiancia en función de las longitudes de onda
a sensar podemos expresar como:
∫ λ2
L (λ1 , λ2 ) = Lλ ∂λ (7.7)
λ1

Donde vemos que es la integral (sumatoria continua) de ener-

gía entre dos longitudes de onda (rango válido del sensor).
Así, los términos de energía anteriores también se pueden ex-
presar en base a longitudes de onda y tienen el sufijo espectral
aplicado a ellos, como radiancia o irradiancia espectral.
Por ejemplo, el término radiación espectral, Lλ , se refiere a
la producción de energía por una unidad de área por unidad
de ángulo sólido y longitud de onda o Lλ = W m−2 sr−1 λ−1 . De
manera similar, la irradiancia espectral, Eλ, se refiere a la energía
incidente sobre una superficie por unidad de longitud de onda.
También hay una serie de términos de energía adimensional,
que varían de 0 a 1, que son ampliamente utilizados para carac-
terizar las propiedades espectrales de la superficie de la Tierra:
• Emisividad (ϵ): es la relación entre la salida radiante de un
superficie (M ) relativa a la de un emisor perfecto a la mis-
ma temperatura (Mn ). Un emisor perfecto también se conoce
como cuerpo negro y tiene emisividad 1. Los materiales natu-
rales, por otro lado, son emisores imperfectos con emisividad
van de 0 a <1. Valores de emisividad en diferentes longitudes
de onda son útiles para caracterizar materiales.

• Reflectividad (ρ): es la relación entre la energía reflejada

por una superficie y la energía incidente sobre esa superficie.
326 OBSERVACIÓN DE LA TIERRA

• Absortividad (α): es la relación entre la energía absorbida

por la superficie y la energía incidente sobre esa superficie.

• Transmitividad (τ ): es la relación entre la energía transmi-

tida a través de una superficie y la energía incidente sobre esa
superficie.
Es importante destacar que por el principio de conservación
de la energía tenemos la relación:

α+ρ+τ =1 (7.8)

A estos términos sin unidades también se les puede agregar

el sufijo espectral, como en la reflectancia espectral. Hay algu-
nas relaciones útiles que se derivan de los términos energéticos
mencionados anteriormente.
El término albedo es la relación entre toda la energía salien-
te y la energía incidente para una superficie determinada. Más
específicamente, albedo es la relación de la emitancia (M ) sobre
la irradiancia (E) sobre todas las longitudes de onda reflectantes
solares o de onda corta y es el equivalente de la reflectancia hemis-
férica, es decir, la reflectancia integrada en todas las direcciones
(Ecuación 7.9).

M
ALBEDO = ρhemisf erico = (7.9)
E
El albedo es una variable fundamental en estudios de balan-
ce energético, modelización climática y estudios de degradación
del suelo. Albedo espectral se refiere a la salida dividida por la
irradiancia para una banda espectral específica (Ecuación 7.10).

Mλ
ALBEDO ESP ECT RAL = ρhemisf erico,λ = (7.10)
Eλ
Es importante tener en cuenta que un sensor satelital no mi-
de las señales hemisféricas de la energía emitidas en todas las
direcciones, sino que mide la radiancia espectral (Lλ) desde un
campo de visión angular estrecho. La radiancia direccional espec-
tral (Lλ) está relacionada con la emitancia espectral hemisférica
(M λ) de la siguiente forma (Slater [1980]):

Mλ = πLλ (7.11)
 Fundamentos Físicos 327

De manera similar, las reflectancias de la superficie derivadas

de las mediciones satélitales son reflectancias direccionales, ya que
se refieren a una geometría de medición específica entre sensor de
satélite y el Sol, en relación con la superficie. La relación entre
el valor de radiancia espectral recibidos por un sensor de satélite
(Lsen(λ) ) y la reflectancia espectral de superficie (ρλ ) se convierte
en:
πLλ
ρλ = (7.12)
E0,λ
donde E0,λ es la irradiancia solar que llega a la superficie.

7.5.3 Importancia de la Temperatura

Las temperaturas son expresadas en unidades Kelvin en ho-
nor al físico británico Willian Thomson primer Barón de Kel- Figura 7.14: Fotogra-
vin (Figura 7.14) quien determinó y fijó el cero absoluto en los fía de William Thom-
son, primer Barón Kel-
−273, 15◦ C. La escala de temperatura de Kelvin constituye la vin. Fuente: Librería
escala natural en la que se anotan las ecuaciones termodinámi- Smithsoniana.
cas y la unidad de temperatura en el Sistema Internacional de
Unidades.

7.6 Radiación de Cuerpo Negro

Las leyes de la radiación del cuerpo negro son básicas para Figura 7.15: Idealiza-
ción aproximada de
comprender la absorción y procesos de emisión. Un cuerpo negro un cuerpo negro co-
(Figura 7.15) es un concepto básico en física y se puede visuali- mo un pequeño aguje-
ro en un recinto ais-
zar considerando una cavidad con un pequeño orificio de entrada. lado. Fuente:AG Cae-
La mayoría del flujo radiante que ingresa a este orificio desde el [Link].
exterior quedará atrapada dentro de la cavidad, independiente-
mente del material y las características superficiales de la pared.
Los reflejos se repiten internamente ocurren hasta que todos los
flujos son absorbidos por la pared. La probabilidad de que cual-
quiera de los flujos entrantes escapará a través del orificio es tan
pequeño que el interior aparece oscuro. El término cuerpo negro
se utiliza para una configuración de material donde la absorción
será completa.
La emisión de un cuerpo negro es lo opuesto a la absorción.
El flujo emitido por cualquier área pequeña de la pared se refle-
328 OBSERVACIÓN DE LA TIERRA

ja repetidamente y en cada encuentro con la pared, el flujo es

debilitado por la absorción y reforzado por una nueva emisión.
Después de numerosos encuentros, la emisión y la absorción al-
canzan una condición de equilibrio con respecto a la temperatura
de la pared.
A continuación, presentamos cuatro leyes fundamentales que
gobiernan la radiación del cuerpo negro, comenzando con la ley
de Planck.

7.6.1 Ley de Planck

La cantidad de energía que contiene un flujo radiante es in-
versamente proporcional a su longitud de onda. La distribución
espectral de dicha radiación EM emitida por un cuerpo negro (un
emisor perfecto) se puede caracterizar por la ley de radiación de
Planck (Figura 7.11) como sigue:

C1
Mn,λ = c2 (7.13)
λ5 e( λT ) −1
Donde:
Mn,λ (W m−2 µm−1 ) indica la emitancia espectral en una lon-
gitud de onda λ en µm.
Constantes C1 = 3, 741 × 108 W m−2 µm4 y C2 = 1, 438 ×
4
10 µm K.
T temperatura en K.
Esta ecuación describe la distribución espectral de salida de un
cuerpo negro a cierta temperatura como una curva suave con un
único máximo (Figura 7.16). La ecuación indica que cualquier ob-
jeto más caliente que el cero absoluto (−273, 15◦ C) emite energía
radiante y que la energía aumenta en proporción a su tempera-
tura.
Veamos un caso práctico, la temperatura promedio del planeta
tierra se ha fijado en 288K y podemos calcular usando la ley de
Planck las longitudes de onda dónde se produce el máximo de
energía radiante:
t_k <- 288
lambda <- seq(8,15,1)
 Fundamentos Físicos 329

SOL (5.778 K)
100.000.000 Figura 7.16: Curvas
de Emitancia Espec-
4.000 K
10.000.000 tral de Cuerpo Negro
a varias temperaturas.
Emitancia Espectral (Wm−2µm−1)

1.000.000
2.000 K

100.000

1.000 K
10.000

1.000
500 K

100
TIERRA (288 K)

10

0.1 0.4 0.7 1.2 8.0 14.0 100.0

λ(µm)

M <- 3.741e8/(lambda^5 * (exp(1.438e4/(lambda * t_k))-1))

names(M) <- lambda
round(M,3)

8 9 10 11 12 13 14 15
22.275 24.778 25.556 25.082 23.816 22.113 20.225 18.312
Encontramos el máximo de energía radiante entorno a los
11 µm que cae dentro del rango del espectro que hemos deno-
minado TIR o infrarrojo térmico (ver 7.4.4).
Y en el caso de sol cuya temperatura estimada es 5778K:
t_k <- 5778
lambda <- seq(0.0,2,0.5)
M <- 3.741e8/(lambda^5 * (exp(1.438e4/(lambda * t_k))-1))
names(M) <- lambda
round(M/1e6,0)

0 0.5 1 1.5 2
NaN 83 34 12 5
Encontramos los máximos de energía radiante en las longitudes
de onda del rango visible (ver 7.4.1) e infrarrojo cercano (ver
 330 OBSERVACIÓN DE LA TIERRA

7.4.2).

7.6.2 Ley de Desplazamiento de Wien

El sol como fuente primaria de energía se encuentra a una
temperatura de aproximadamente 5778 K y de acuerdo a la ley
de radiación del cuerpo negro de Planck (ver 7.6) donde se rela-
ciona la cantidad energía que emite un cuerpo con la distribución
espectral (longitudes de onda de los máximos (Figura 7.16), caen
en el que llamamos espectro visible (ver 7.4.1) y por eso nuestra
visión se ha adecuado precisamente a ese rango.
La superficie terrestre tal como se ve en la figura 7.16 tiene
sus máximos alrededor de las longitudes de onda en el rango 8 –
14 µm identificado anteriormente como TIR (ver 7.4.4). Figura 7.17: Wilhelm
Wien, físico esloveno,
Como se aprecia en estos ejemplos, la temperatura es clave al fuente: [Link].
momento de definir el máximo de emitancia de un objeto (por
lo tanto, el mejor rango de longitud de onda para diseñar nues-
tro sensor) ya que todo objeto con temperatura superior a los
0 K emite energía, requisito básico para ser percibido por dicho
sensor.
La ley de desplazamiento de Wien (Figura 7.17) establece que
la longitud de onda de la intensidad máxima de la radiación del
cuerpo negro λmax es inversamente proporcional a la temperatu-
ra:

1e8 6.000 K Figura 7.18: Longitud

de Onda y Emitancia
Emitancia Espectral (Wm−2µm−1)

Espectral de Cuerpo
Negro a varias tempe-
raturas.

5e7
5.000 K

4.000 K
1e7
0

0 1 2 3 4 5

λ(µm)
 Fundamentos Físicos 331

2.897, 6 µm K
λmax = (7.14)
T
Donde T es la temperatura en unidades Kelvin.
La dependencia de la posición de la intensidad máxima de la
temperatura es evidente a partir de las curvas de cuerpo negro
que se muestran en la figura 7.18.
Si la temperatura del sol la estimamos en 6000 K (la fotosfera)
encontramos el pico de longitud de onda λmax es:
t_sol <- 6000
l_max <- 2898 / t_sol
l_max

[1] 0.483
Valor expresado en µm (Lo ubica dentro del rango visible del
espectro).

7.6.3 Ley de Stefan-Boltzmann

Para conocer el total de la energía radiante espectral de un
cuerpo negro se debe integrar la curva de Planck sobre el dominio
de las longitudes de onda de 0 a ∞.

M (T ) = σ T 4 (7.15) Figura 7.19: Jožef Ste-

fan, físico esloveno,
Donde σ es la constante de Stefan-Boltzmann: fuente: Grabado por
5, 67 × 10−8 W m−2 K −4 y la temperatura T en Kelvin. K. Schönbauer.
La ley fue deducida en 1879 por el físico austriaco Jožef Stefan
(Figura 7.19) y la ley fue derivada en 1884 a partir de considera-
ciones teóricas por Ludwig Boltzmann (Figura 7.20).
La emitancia total de un objeto es función de su temperatura.
Pequeños cambios en la temperatura suponen cambios notables
en su emitancia radiante. Debido a esta dependencia en la cuarta
Figura 7.20: Ludwig
potencia, la emisión de radiación por los cuerpos terrestres cam-
Eduard Boltzmann, fí-
bia considerablemente durante el día o a través de las estaciones. sico austríaco, fuente:
Universität Wien.

7.6.4 Ley de Kirchhoff

Las tres leyes fundamentales anteriores se refieren a la inten-
sidad radiante emitida por un cuerpo negro, que depende de la
332 OBSERVACIÓN DE LA TIERRA

longitud de onda emisora y la temperatura del medio. Un medio

puede absorber radiación de una longitud de onda particular, y
al mismo tiempo también emiten radiación de la misma longi-
tud de onda. La razón a la cual la emisión toma lugar es función
de la temperatura y la longitud de onda. Esta es la propiedad
fundamental de un medio en condiciones de equilibrio termodi-
námico. La declaración física en cuanto a absorción y emisión fue
propuesta por primera vez por el físico Alemán Gustav Kirchhoff
(Figura 7.21).
Para comprender el significado físico de la ley de Kirchhoff,
consideremos un recinto aislado con paredes negras. Suponga que
Figura 7.21: Gustav
este sistema ha alcanzado el estado de equilibrio termodinámico Robert Kirchhoff fuen-
caracterizado por una temperatura uniforme y una radiación iso- te: Librería Smithso-
trópica. Debido a que las paredes son negras, la radiación emitida niana.

por el sistema es absorbido por las paredes. Además, debido a que

existe un equilibrio, la misma cantidad de radiación absorbida por
las paredes también es emitida. Dado que el cuerpo negro absorbe
el máximo posible radiación, tiene que emitir la misma cantidad
de radiación. Si emitiera más, el equilibrio no sería posible y esto
violaría la segunda ley de la termodinámica.
La radiación dentro del sistema se conoce como radiación de
cuerpo negro como ya se ha mencionado, y la cantidad de inten-
sidad radiante es una función de la temperatura y longitud de
onda.
Sobre la base de la discusión anterior, la emisividad de una
longitud de onda dada, ϵλ , de un medio es igual a la absortividad,
αλ ”, de ese medio en equilibrio termodinámico. Por lo tanto,
podemos escribir:

ϵ λ = αλ (7.16)

Un medio con una absortividad αλ absorbe solo αλ veces la

intensidad radiante del cuerpo negro, por lo tanto, emite ϵλ veces
la intensidad radiante del cuerpo negro.
Si en la ecuación 7.8 en su versión espectral, hacemos la trans-
mitividad τλ = 0 (suponiendo un objeto opaco) y usando ϵλ = αλ
reemplazamos resulta:
 Fundamentos Físicos 333

ρλ + ϵ λ = 1 (7.17)

Entonces, para mantener el equilibrio térmico, el exceso de

energía absorbida debe ser emitido:

• Las superficies con alta reflectividad espectral (por ejemplo,

nieve) son muy poco emisivas.

• Las superficies con baja reflectividad espectral (agua) son muy

emisivas.
EEM

7.7 Flujo de la EEM

En la teledetección como en la EO, la energía que emana de

la superficie de la tierra se mide utilizando un sensor montado en
una plataforma de aeronave o nave espacial. Esa medida se usa
para construir una imagen del paisaje debajo de la plataforma.
En principio, cualquier energía procedente de la superficie te-
rrestre puede utilizarse para formar una imagen. La mayoría de
las veces se refleja la luz del sol, por lo que la imagen grabada
es, en muchos sentidos, similar a la vista que tendríamos de la
superficie de la tierra desde un avión, aunque las longitudes de
onda utilizadas en la teledetección suelen estar fuera del alcance
de la visión humana.
La energía recibida también podría provenir de la propia tierra
que actúa como un radiador debido a su propia temperatura. Al-
ternativamente, podría ser energía que se dispersa hasta el sensor
al haber sido irradiado a la superficie por una fuente artificial,
como un láser o un radar.
Siempre que se disponga de una fuente de energía, se podría
utilizar casi cualquier longitud de onda para imaginen las ca-
racterísticas de la superficie terrestre. Sin embargo, existe una
limitación, particularmente cuando se toman imágenes de alti-
tudes de las naves espaciales. La atmósfera terrestre no permite
el paso de radiación en todas las longitudes de onda. Energía en
algunas longitudes de onda son absorbidas por los constituyentes
moleculares de la atmósfera.
Las longitudes de onda para las que hay poca o ninguna absor-
336 OBSERVACIÓN DE LA TIERRA

ción atmosférica forman las que son llamadas ventanas atmosfé-

ricas (ver 7.8.2) y encontramos cierto número de dichas ventanas
en las regiones visible e infrarroja del espectro. Las longitudes de
onda utilizadas para la obtención de imágenes en la teledetec-
ción están claramente restringidas a estas ventanas atmosféricas.
Incluyen las llamadas longitudes de onda ópticas que cubren el
visible y el infrarrojo, las longitudes de onda térmicas y las lon-
gitudes de onda de radio que se utilizan en imágenes de radar y
microondas pasivas de la superficie terrestre.
Cualquiera que sea el rango de longitud de onda que se utilice Figura 7.22: Esquema
para obtener imágenes de la superficie terrestre, el sistema es muy básico del flujo de la
EEM en la EO. Basado
complejo, basado en Olaya [2020] podemos distinguir a los menos
en Olaya [2020]
tres elementos principales en el ciclo o flujo de la EEM.
Siguiendo la figura 7.22 encontramos:
Una Fuente de radiación (A), que puede ser de origen na-
tural o artificial. La radiación emitida por dicha fuente viaja a
través de un medio gaseoso, la atmósfera (C) y llega a la su-
100

perficie terrestre (B) y sufre perturbaciones causadas por los 90

80
Límite Mesopausa

elementos presentes en ella. Los propios objetos pueden ser tam- 70

Altitud (km)
60

bién emisores de radiación que nuevamente viajan por la atmós-

Límite Estratopausa
50
40

fera (C) hasta el receptor (D).

30
20
Límite Tropopausa
10
0

0 200 400 600 800

7.8 Interacción EEM con la Atmósfera Presión (hPa)

7.8.1 La Atmósfera 100

90 Límite Mesopausa
80

El 97% de la masa atmosférica se encuentra entre la superficie 70

Altitud (km)

60

terrestre y los 25 km de altura. La densidad varía a medida que

Límite Estratopausa
50
40

ascendemos producto de la gravedad, menor presión a medida

30
20
Límite Tropopausa

que ascendemos (Figura 7.23, superior).

10
0

La temperatura varía con la altitud debido a la presión, en la −120 −60 0 30

Temperatura (°C)
troposfera la temperatura disminuye con la altitud, en la estra- Figura 7.23: Mode-
tosfera la temperatura permanece constante para luego aumen- lo Atmósfera Están-
dar, Presión (superior)
tar con la altitud, en la mesósfera disminuye, en la termósfera
y Temperatura (infe-
aumenta con la altitud (Figura 7.23, inferior). rior) versus Altitud.
La atmósfera se compone principalmente de gases como el
N2 (78%), O2 (21%), Ar (0, 9%), CO2 (0, 03%), algunas tra-
 Flujo Radiométrico 337

zas de gases nobles y Ozono (O3 ), también vapor de agua (H2 O)

y Aerosoles: partículas sólidas como humo o polvo o partículas
líquidas dispersas en el medio gaseoso como gotas de agua.
Y todo el conjunto reduce el total de energía incidente de
∼ 340 W m−2 a sólo ∼ 173 W m−2 que llegan a la superficie
terrestre.
En conjunto todos estos fenómenos deben ser considerados al
momento de interpretar las señales de respuestas de los objetos y
la superficie terrestre capturados en los sensores correspondientes.
Vamos a clasificar en tres los efectos de la atmósfera:

• Absorción de EEM en determinadas bandas del espectro (ver

figura 7.24).
• Dispersión de determinadas magnitudes de longitud de onda
causadas por los aerosoles y nubes.
• Emisión de EEM por cualquier cuerpo sobre el cero absoluto
adicionales al flujo radiante del sol.

7.8.2 Absorción
La absorción implica que algunas moléculas presentes en la at-
mósfera absorben algunas longitudes de onda, quedando el resto
intactas. Las tres moléculas presentes en la atmósfera que contri-
buyen en mayor medida a la absorción de radiación son el ozono
(O3 ), el dióxido de carbono (CO2 )y el vapor de agua (H2 0).
El ozono absorbe radiación en el rango del ultravioleta. Este
tipo de radiación resulta perjudicial para los seres humanos, por
lo que la desaparición del ozono causaría que la luz del sol pro-
dujese quemaduras en nuestra piel. El dióxido de carbono ab-
sorbe radiación en el rango del infrarrojo. Este tipo de radiación
está asociada a fenómenos térmicos, por lo que el gas contribuye
a que cierta cantidad de calor quede atrapado en la atmósfera.
El vapor de agua absorbe principalmente microondas, y su dis-
tribución varía enormemente a lo largo del planeta. En las capas
de aire por encima de un desierto, por ejemplo, hay una cantidad
muy pequeña de vapor de agua, mientras que sobre los trópicos
esta cantidad es mucho más grande.
La existencia de moléculas en la atmósfera capaces de absor-
 338 OBSERVACIÓN DE LA TIERRA

Longitud de Onda (λ µm)

0.4 1.2 8.0 14.0
Figura 7.24: Transmi-
tancia de la atmósfera
terrestre y su relación
100

con las moléculas ab-

90

sorbentes.
80
70
Transmitancia (%)
60
50
40
30
20
10
0

O2 H2O H2O CO2H2O CO2 O3 H2O CO2 O3 H2O CO2 CO2

Moléculas Absorbentes

ber radiación electromagnética limita el rango de longitudes de

onda que pueden aplicarse a la medición remota de propiedades
atmosféricas. Las zonas del espectro en las que no se produce
absorción se suelen denominar ventanas atmosféricas (Figu-
ra 7.24). En dichas ventanas la transmitancia de la atmósfera
terrestre es máxima.
En la parte inferior de la figura se indican las moléculas de
gas presentes en la atmósfera y su ubicación relativa de aquellas
longitudes de onda que son absorbidas. Mientras que en la parte
superior se representan las longitudes de onda límite de las zonas
que hemos estudiado.

7.8.3 Dispersión
La dispersión de la EEM es causada por el reflejo de la radia-
ción solar entrante por gases, aerosoles y vapor de agua presentes
en la atmósfera. Como resultado, la radiación detectada por el
sensor es una mezcla de energía reflejada tanto por la superficie
como por la atmósfera, por lo tanto, contiene un ruido indeseable
que se debe eliminar durante la recuperación de las propiedades
superficiales.
En la superficie, la irradiancia directa se reduce, mientras que
la difusa aumenta el resplandor (procedente de otros objetos).
 Flujo Radiométrico 339

Los aerosoles se originan tanto por causas naturales como

humanas. Pueden ser oceánicos, causado por el movimiento del
agua, o continental, como en polvo en suspensión o partículas
emitidas por combustión. Debido a que estas partículas atmosfé-
ricas son muy variables en el tiempo y espacio, la corrección de
la dispersión atmosférica es bastante problemática. Sin embargo,
este factor se debe tener en cuenta siempre que se realice una
estimación precisa de la radiancia del suelo.
Se requiere corregir, por ejemplo, cuando las medidas desde el
satélite se comparan con las mediciones radiométricas terrestres
o cuando intentamos detectar cambios entre dos imágenes adqui-
ridas con varios años de diferencia. Normalmente, las mediciones
atmosféricas in situ no están disponibles en tiempos de adquisi-
ción de satélites y, por lo tanto, la corrección de la atmósfera a
menudo debe depender de datos extraídos de la propia imagen.
Algunos métodos pueden implicar cambios en la reflectancia.
Según su origen y las características de los aerosoles, varían
mucho en tamaño, lo que causa diferentes tipos de dispersión, ya
que este proceso es altamente dependiente del diámetro de las
partículas dispersas (Figura 7.25) basada en Richards [2013]).
Los tres tipos principales de dispersión atmosférica son:
• Rayleigh que es causada por partículas más pequeñas que la
longitud de onda de la radiación.
• Mie cuando la partícula es de tamaño similar a la longitud
de onda.
• No Selectiva cuando el tamaño de la partícula es mayor que
la longitud de onda.
La dispersión de Rayleigh depende en gran medida de la lon-
gitud de onda y afecta principalmente a las bandas más cortas.
Provoca, por ejemplo, el color azul del cielo porque el azul es la
longitud de onda más baja del espectro VIS.
La dispersión de Mie también depende de la longitud de onda
de la radiación entrante, aunque en menor grado que la dispersión
de Rayleigh. Aerosoles y polvo atmosférico son la principal causa
de este tipo de dispersión, aunque también es causada por los
incendios forestales o neblina costera.
Finalmente, la dispersión no selectiva afecta por igual a varias
340 OBSERVACIÓN DE LA TIERRA

Figura 7.25: Disper-

sión atmosférica y de
partículas. Modificado
de Richards(2013)

longitudes de onda. Es decir, dispersan las diferentes bandas del

espectro VIS de forma similar por ejemplo, las nubes y la niebla
tienden a aparecer en tonos grises ya dispersan todos los colores.

7.8.4 Emisión
También hay influencias de las emisiones atmosféricas que son
importantes principalmente en el rango termal (TIR). Esta debe
corregirse para obtener con precisión la temperatura de la su-
perficie a partir de imágenes adquiridas por satélite. Todos los
materiales con una temperatura superior al cero absoluto, in-
cluyendo la atmósfera emiten energía radiante que viajará en la
dirección del sensor y será detectado. Así, al igual que con la dis-
persión atmosférica, la señal de la emisión de la atmósfera debe
ser separada de la señal térmica que emite la superficie (Figura
7.26).

7.9 Últimos pasos

Luego de este recorrido de la EEM desde el emisor hasta la
superficie terrestre y de regreso al sensor montado en un vehícu-
lo espacial cruzando la atmósfera y sufriendo todos los efectos
que hemos descrito la EEM impacta en un sensor electrónico y
almacena esa magnitud convertida en un valor numérico.
 Flujo Radiométrico 341

Figura 7.26: Emisión

TIR, adicional a la
emisión general. Ima-
gen Sentinel-2 sobre el
cráter Pu’u ’O’o’ del
complejo volcánico Ki-
lauea (23 mayo 2018),
fuente: ESA.

Finalmente, el receptor retransmite la información a la tierra y

la data capturada va a generar como producto final una imagen
(un objeto ráster), en cuyas celdas o píxeles va a contener un
valor que representan la intensidad de la radiación.
El almacenamiento de datos en unidades de radiancia es difícil
y, por lo tanto, los sensores traducen la radiancia medida en nú-
meros o niveles digitales (DN). Por lo tanto, el rango de energía
medido por el sensor se divide en distintas unidades (los números
o niveles digitales).
La calibración específica del sensor determina la cantidad mí-
nima y máxima de radiación que se puede medir. Los DN expre-
san la cantidad de radiación en relación con estos coeficientes de
calibración específicos del sensor. El número total de DN posibles
es lo que denominamos resolución radiométrica (ver 7.12) del
sensor.

7.9.1 DN a TOA
Como los DN dependen de la calibración del sensor, a medi-
ciones idénticas producen diferentes DN entre los sensores. Los
DN no son físicamente significativos. En lugar de DN, a menudo
nos interesa la reflectancia.
La reflectancia expresa la fracción de radiación reflejada en
342 OBSERVACIÓN DE LA TIERRA

relación con la energía entrante total (es decir, del sol) y se escala
entre 0 y 1. Muchas aplicaciones requieren datos convertidos a
reflectancia y / o corregidos por la influencia de la atmósfera
(Figura 7.27).
Los siguientes pasos son necesarios para convertir DN a (co-
rregido atmosféricamente) reflectancia del fondo de la atmósfera
(BOA):
• Calibración del sensor (DN a radiancia).
• Conversión a reflectancia en la parte superior de la atmósfera
(radiancia a TOA).
• Corrección atmosférica que produce reflectancia del fondo de
la atmósfera (TOA a BOA).
Se puede realizar fácilmente una conversión de DN en lumino-
sidad. Teniendo en cuenta las geometrías de los sensores solares
y la irradiancia solar, podemos inferir fácilmente la reflectancia
de la parte superior de la atmósfera (TOA) a partir de la radia-
ción. Esto facilita, por ejemplo, una comparación de medidas de
diferentes sensores.
En la práctica, esto implica un escalado lineal de los valores
DN que utiliza dos factores de cambio de escala específicos de la
banda. Uno es multiplicativo, uno es aditivo (ver un caso práctico
en las imágenes Landsat en 8.12.1). Con los datos de Landsat
Colección 2 Nivel 2 (ver 8.5) (¡este no es el caso para todos los
sensores!), Podemos usar un solo conjunto de coeficientes para
convertir DN directamente a reflectancia TOA.

7.9.2 TOA a BOA

La corrección atmosférica es el paso final hacia mediciones
comparables de la superficie de la Tierra. Al hacer la corrección
atmosférica, (teóricamente) eliminamos la influencia de la atmós-
fera. Por lo tanto, llamamos al producto reflectancia del fondo de
la atmósfera (BOA). En teoría, el BOA medido por un sensor
espacial debería ser comparable a las mediciones terres-
tres. En el caso práctico de las imágenes Landsat Colección 2
Nivel 2 (ver 8.5) los pasos descritos ya han sido realizados y toda
la data disponible está procesada a nivel de BOA.
Flujo Radiométrico 343

Figura 7.27: Com-

paración BOA-TOA.
Imagen Landsat 8
RGB, TOA (izquier-
da). BOA (derecha).
Área en Nepal mayo3,
2013 (fuente: Michelle
Bouchard, USGS)
Resoluciones de Imagen

Las especificaciones técnicas de la plataforma espacial y las

del sensor mismo determina las resoluciones, espacial, espectral,
radiométrica, angular y temporal (Lia [2020]) de los datos sensa-
dos.
Los distintos tipos de resolución están estrechamente interco-
nectados. La adquisición de imágenes de alta resolución espacial
suele implicar reducir la resolución temporal y/o resolución es-
pectral. Las limitaciones en la transmisión de datos o grabación
a bordo, un sensor será capaz de optimizar solo uno o dos de los
tipos de resolución. Incrementar cualquiera de los cinco tipos de
resoluciones implica una considerable cantidad de transmisión y
procesamiento de datos adicionales, tanto para el sensor como las
instalaciones terrestres de recepción.
La misión de un sistema de teledetección intenta enfatizar la
resolución particular que mejor se adapta a sus requisitos. Si el
sistema está diseñado para detectar fenómenos dinámicos, una
buena cobertura temporal es fundamental, incluso sacrificando
la resolución espacial (satélites meteorológicos). Si la misión está
orientada a la exploración minera, los detalles espectrales y espa-
ciales son más importantes, mientras que la cobertura temporal
se vuelve menos significativa.
Finalmente, identificar la calidad de un sensor basado en su re-
solución espacial es muy simplista. Se requiere una alta resolución
espacial para ciertas aplicaciones (por ejemplo, cartografía urba-
na o agrícola), pero puede ser secundaria para otras aplicaciones,
como detección de incendios o estudios geológicos, evaluación de
riesgos naturales, por ejemplo, requieren una alta resolución tem-
346 OBSERVACIÓN DE LA TIERRA

poral, al igual que el pronóstico del clima. Otras aplicaciones de

teledetección deben optimizar la resolución espectral, como en
la estimación de la productividad de los cultivos o la deman-
da de agua. En consecuencia, el tipo de resolución prioritaria es
fundamental para seleccionar el sensor más adecuado para una
aplicación particular.

7.10 Resolución Espacial

La resolución espacial es la medida más pequeña de un objeto
que puede ser resuelto (capacidad de separar objetos cercanos
y que aparezcan independientes y aislados) por el sensor, o el
área del suelo en el campo instantáneo de vista o (instantaneous
field of view, IFOV )1 del sensor, o la dimensión lineal en el suelo 1
El IFOV Se mide en
representado por cada píxel. metros en el suelo, y
depende de la distan-
La resolución espacial de los sensores electrónicos ópticos de- cia focal de la cáma-
pende de la altura orbital, número de detectores, longitud focal y ra y la altura de la cá-
mara sobre el suelo. Se
configuración del sistema. Los sensores de observación de la Tie- define como la sección
rra en funcionamiento cubren una amplia gama de resoluciones angular observada por
espaciales (ver cuadro 7.2). el sensor en un mo-
mento dado en el tiem-
• Alta con un tamaño de píxel de 0.5 − 4.0 m. po.
• Media con un tamaño de píxel de 10 − 60 m.
• Gruesa con un tamaño de píxel de 100 − 1000 m.
• Muy Gruesa con un tamaño de píxel de 10 − 50 km.
Sensores orientados a aplicaciones globales tienen un tamaño
de píxel entre 200−1000 m y sensores orientado al estudio atmos-
férico suelen tener una resolución espacial muy gruesa 10−50 km.
La resolución espacial juega un papel importante en la inter-
pretación de imágenes porque afecta el nivel de detalle alcanzado.
Solo puede identificar objetos varias veces más grande que el ta-
maño del píxel, aunque se pueden detectar características más
pequeñas cuando existe suficiente contraste radiométrico entre
el objeto y el fondo (por ejemplo, un incendio de alta tempera-
tura puede detectarse incluso si su tamaño es sólo un pequeño
proporción del área total de píxeles).
La selección de la resolución espacial más conveniente está es-
trechamente relacionada con la escala adecuada para el problema
 Resoluciones 347

particular en estudio. Además, resolución espacial afecta la pu-

reza de señal de píxel. Cuanto menor sea el tamaño del píxel,
menor será la probabilidad de que el píxel sea una combinación
de dos o más tipos de cobertura. Un píxel mixto probablemente
tendrá una señal promedio de las coberturas terrestres presentes
dentro del IFOV. Como resultado, ese píxel puede no parecerse
a ninguna de las categorías que componen la mezcla, lo que hará
su identificación más difícil.

Cuadro 7.2: Resolu-

Nivel Satélite Sensor Bits Días Período Espacial Bandas ciones de las misiones
y sensores cuyos pro-
250 B1-B2
ductos serán descritos
Terra/Aqua MODIS 12 1999- 500 B3-B7 y procesados con R en
1000 B8-B36 el texto.
Gruesa 1
Sentinel-3 SLSTR 2016- 300 LST
16
Sentinel-5p TROPOMI 2018- 1100 VARIOS
Landsat 9 OLI-2 14 2021- B1-B9,B10-B11
TIR-2
Landsat 8 OLI 2013- B1-B7,B10
TIRS
Landsat 7 ETM+ 1999- B1-B6
Landsat 5 16 1984- 30 B1-B6
16 2012
TM
Landsat 4 1982- B1-B6
1993
Media
60 B1,B9,B10

Sentinel 2/2A MSI 12 5 2015- 10 B2-B4,B8

20 B5-B7,B8a,B11-B12
Nota:
Los productos Landsat (1-8) hacen referencia al nuevo set distribuido ’Level-2 Science Products’.

7.11 Resolución Espectral

La resolución espectral se refiere al número de bandas pro-
porcionadas por el sensor y sus anchos de banda espectrales. En
términos generales, un sensor proporcionará una mejor capacidad
de discriminación a medida que se adquieren más bandas. Ideal-
mente, esas bandas espectrales deberían ser lo suficiente estrechas
como para identificar características de absorción específicas que
de otra manera podrían verse borrosas.
Entre los sistemas de satélites EO, la peor resolución espec-
tral se encuentra en las imágenes denominadas pancromáticas
348 OBSERVACIÓN DE LA TIERRA

(una sola banda, escala de grises) o imágenes en color RGB (tres

bandas, Red, Green, Blue).
Los sensores remotos espaciales son generalmente:
• pancromáticas una banda (generalmente de mayor resolu-
ción espacial.
• multiespectral capturan algunas pocas bandas, entre 4 − 7.

• hiperespectrales decenas o centenas de bandas.

• ultraespectrales con miles de bandas. En la actualidad se

trabaja en el diseño y pruebas de sensores de este tipo.
Entra las mayores resoluciones entre los sensores de satélites
EO se encuentra el Hyperion a bordo del satélite EO-1 con 220
bandas que cubren de 0.4 a 2.5 µm. El espectrómetro de imágenes
Visible/infrarrojo aerotransportado de la NASA AVIRIS tiene
224 bandas con una cobertura espectral similar.
La selección del número de bandas, ancho y rango espectral
medido por el sensor está relacionada con los objetivos que se
espera alcanzar. Mientras aplicaciones para la minería requieren
múltiples bandas en los rangos del infrarrojo visible, cercano y
medio, sensor satelital meteorológico puede requerir solo una o
dos bandas en el rango visible y varias docenas en los canales in-
frarrojos medios para estimar la composición del gas atmosférico.

Figura 7.28: Firmas

Espectrales en Imágen
Pancromática, Multi
e Hiperespectral para
cuatro coberturas de
suelo.

7.11.1 Firma Espectral

En la figura 7.28 vemos la importancia de una alta resolución
espectral Cada elemento sobre la superficie terrestre tiene
 Resoluciones 349

una respuesta única a las distintas longitudes de onda, esa

forma específica es una firma del material y física del componente,
es lo que denominamos firma espectral. Entonces, para una
imagen con una mayor cantidad y más finas bandas podemos
revisar más fielmente esas formas y compararlas con extensas
librerías e identificar los objetos de estudio.
Los científicos han creado extensas librerías con datos espec-
trales para distintas coberturas o grupos de materiales para ser
usados como referencias, entre ellas vamos a destacar la Bibliote- Figura 7.29: Sitio Web
del Proyecto Libre-
ca Espectral ASTER Versión 2, ([Link]), proyecto ría Espectral ECOS-
desarrollado por Meerdink et al. [2019] y Baldridge et al. [2009] TRESS de la NASA.
(Figura 7.29).
La biblioteca espectral ASTER proporciona una colección com-
pleta de miles de espectros compuesto por una amplia variedad
de materiales naturales y artificiales que cubren la longitud de
onda rango 0, 4µm − 15, 4µm.
La versión 2.0 de la biblioteca espectral ASTER se lanzó el
3 de diciembre de 2008. La biblioteca espectral ASTER incluye
datos de otras tres bibliotecas espectrales:
• Biblioteca espectral de la Universidad Johns Hopkins (JHU).
• Laboratorio de propulsión a chorro (JPL).
• Biblioteca espectral del Servicio Geológico de los Estados Uni-
dos (USGS - Reston).
La biblioteca de espectros se proporciona con más de seis mil
espectros individuales. Figura 7.30: Ficha de
Para su descarga debemos seguir algunos pasos preliminares: descarga de archivos
de librerías.
1. Visitar el sitio web de la librería [Link]. (Figura
7.29).

2. Visitar la ficha Download para explorar las alternativas dis-

ponibles de descarga (Figura 7.30).

3. Previo a la descarga se debe llenar un formulario de contacto

y solicitar los archivos a descargar, y en el correo electrónico Figura 7.31: Formula-
entregado se recibirá el enlace correspondiente. (Figura 7.31). rio de contacto para
informar los archivos
4. En cuestión de minutos, se recibe el correo de acuso recibo solicitados.
con el resumen de la orden y aviso de que se trabaja en ello.
350 OBSERVACIÓN DE LA TIERRA

5. Y finalmente se recibe el correo con el enlace de descarga (Fi-

gura 7.32).

Figura 7.32: Correo

con link de descarga.

7.11.2 Import Dataset

Es importante destacar que los archivos de las firmas espec-
trales se componen de información general respecto a los datos,
o técnicos de la captura entre otros. A continuación, un número
variable de registros en formato de dos columnas, en la prime-
ra longitud de onda (en µm) y un valor de reflectancia (en %),
separados por espacio usando símbolo decimal el punto (.).
Es un formato complejo para una carga directa ya que debemos
separar la cabecera de los datos y luego cada registro separar en
dos valores numéricos con valores decimales.
Para resolver estos casos, RStudio ofrece una forma interactiva
para la carga de datos: Import Dataset, opción en la barra de
herramientas de la ficha Environment (Figura 7.33).

De las alternativas disponibles utilizaremos una función más

completa que la disponible en los paquetes base de R mediante
el paquete readr.
 Resoluciones 351

Figura 7.33: Detalle de

opción ’Importar Da-
tos Externos’.

Activando la opción se presenta un cuadro de dialogo con va-

rios grupos de opciones para seleccionar, configurar, cargar direc-
to a un objeto R a la sesión o generar el código R para pegar en
un archivo script.
El primer paso es seleccionar el archivo de texto buscando el
archivo con el botón Browse… (Figura 7.34).

Figura 7.34: Detalle de

opciones para buscar o
escribir el nombre del
Una vez seleccionado, el sistema puede tardar unos segundos archivo a leer.
en responder y nos entrega una vista preliminar del contenido en
un panel dedicado (Figura 7.35), que responde dinámicamente a
los cambios en los parámetros de lectura disponibles en la parte
inferior del cuadro de dialogo.
Los parámetros más importantes para la lectura son:
• Name: Modificar el nombre del objeto por uno compatible
con los nombres R.
• Skip: Número de líneas de texto al inicio que no son datos.
Ellas son ignoradas.
• Delimiter: Carácter o símbolo que se usa en el archivo para
separar los datos en columnas.
Los parámetros ideales para la lectura de los archivos de firmas
espectrales descargados del sitio de la NASA se pueden revisar
en la figura 7.36.
Finalmente, existen dos formas de rescatar los datos (Figura
7.37):
• Importar el Objeto: a la sesión actual como un dataframe
mediante el botón Import.
352 OBSERVACIÓN DE LA TIERRA

Figura 7.35: Detalle de

opción ’Importar Da-
tos Externos’.

Figura 7.36: Detalle de

opción ’Importar Da-
tos Externos’ con los
parámetros usados pa-
ra cargar nuestro ar-
chivo de texto.
 Resoluciones 353

• Copiar el código: Mediante el ícono se copia al clipboard

y usando la combinación CNTRL+V para pegar en el script o
consola.

Figura 7.37: Detalle

7.11.3 Procesando en R
de las opciones para
importar los datos a
El código generado con la ayuda del cuadro de dialogo se copia
nuestra sesión R.
en nuestro script y se puede modificar ligeramente para refinar el
objeto y mejorar la usabilidad posterior.
Primero se debe cargar el paquete que contiene la función:
library(readr)
Pasamos el nombre del archivo a leer a una variable para fa-
cilidad de reusabilidad.
nombre_file <- "[Link]"

También asignamos los nombres de las columnas.

aromo <- read_table(here("speclib","ecospeclib-all", nombre_file),
col_names = c("wavelength","reflectance"),
col_types = cols(wavelength = col_double(),
reflectance = col_double()),
skip = 20)

Expresamos en formato gráfico para revisar la firma espectral

propiamente tal (Figura 7.38).
100

Aromo
80
Reflectancia (%)

60
40
20
0

0.5 1.0 1.5 2.0 2.5

Longitud de Onda (µm)

Figura 7.38: Firma Es-
pectral del Árbol Aca-
cia Caven (Aromo), li-
brería ASTER v2.
354 OBSERVACIÓN DE LA TIERRA

100

Conífera
Caduco
Pasto Verde
80

Pasto Seco
Reflectancia (%)

60
40
20
0

0.5 1.0 1.5 2.0 2.5

Longitud de Onda (µm)

100

Hielo
Agua Pura
Nieve Gruesa
80

Nieve Fina
Reflectancia (%)

60
40
20
0

0.5 1.0 1.5 2.0 2.5

Longitud de Onda (µm)

100

Basalto
Fosforita
Lodo Obscuro
80

Arcilla Gris
Reflectancia (%)

60
40
20
0

0.5 1.0 1.5 2.0 2.5

Longitud de Onda (µm)

Figura 7.39: Ejemplos

de firmas espectrales
organizadas por gru-
pos de tipos de cober-
tura.
 Resoluciones 355

7.12 Resolución Radiométrica

La resolución radiométrica denota la sensibilidad del sensor, es

decir, su capacidad para discriminar pequeñas variaciones en la
radiación espectral registrada. En los sensores electrónicos ópti-
cos, la imagen es adquirida digitalmente y su resolución radiomé-
trica se expresa comúnmente como el rango de valores utilizados
para codificar la radiancia de entrada o, más precisamente, como
el número de bits utilizados para almacenar la señal de entrada.
Un sistema de sensor de 8 bits puede discriminar 256 radiancias
de entrada diferentes por píxel (28 = 256), por lo tanto, un rango
de números digitales (DN) que va de 0 a 255 (Figura 7.40).

Figura 7.40: Compa-

debido a la mayor velocidad de la transmisión de datos y su ración resoluciones ra-
diométricas.
almacenamiento, la resolución radiométrica de los sensores está
aumentando. Anteriormente, la mayoría de los sensores propor-
cionaban Codificación de 8 bits, mientras que hoy en día varios
tienen entre 11 y 16 bits por píxel (¡uno de 65536 valores!), por
ejemplo, GeoEye, WorldView, MODIS o Landsat 8 OLI.
La resolución radiométrica es más crítica en el análisis digital
que en el visual. El número de niveles de gris que el ojo humano
es capaz de discernir no supera los 64, y no puede distinguir más
de 200.000 colores. Parece redundante tener incluso 256 valores
digitales por banda (16.8 millones de valores en una imagen en
color de tres bandas). Sin embargo, cuando la interpretación es
digital, las computadoras aprovechan todo el rango, en cuyo caso
una alta resolución radiométrica es importante para discriminar
objetos con firmas espectrales similares, lo que no sería posible
con sensores menos sensibles.
356 OBSERVACIÓN DE LA TIERRA

7.13 Resolución Temporal

La resolución temporal se refiere a la frecuencia de observa-

ción (período de revisión) proporcionada por el sensor. Este ciclo
es función de las características orbitales del satélite (altura, ve-
locidad y declinación), así como del FOV2 del sensor. 2
El campo de visión
Sensores con alta resolución temporal tienen una resolución total (field of view,
FOV) es el área obser-
espacial gruesa, ya que podrán observar una mayor área en ca- vada por el satélite en
da adquisición de imágenes. En consecuencia, también tienen un una sola imagen.
campo de visión amplio, que implica problemas geométricos, ya
que la misma área se puede observar desde muy diferentes ángu-
los en un breve tiempo diario, ver 7.14.
Si el sensor observa un área más pequeña (campo de visión más
estrecho), necesitará más órbitas para repetir la misma área ob-
servada y así, las capturas tendrán mayores períodos de tiempo.
Para aliviar este problema, algunos sensores pueden hacer obser-
vaciones fuera del nadir, detectando áreas adyacentes a la órbita
(las capacidades de apuntar generalmente van de 0◦ a 20◦ ). Este
es el caso de las cámaras a bordo de los satélites SPOT o World-
View. Una alternativa a los sensores que miran el nadir es tener
varios satélites con las mismas características. Este es el caso de
la constelación RapidEye (propiedad de una empresa privada),
que proporciona una frecuencia de adquisición global diaria con
una resolución espacial de 6.5 m utilizando cinco satélites.
La resolución temporal de los sistemas de sensores EO varía
según los objetivos de la misión. Los satélites meteorológicos ob-
servan fenómenos muy dinámicos y, por lo tanto, proporcionan la
resolución temporal más alta: los satélites geoestacionarios pue-
den adquirir imágenes cada 15 o 30 minutos, y los satélites en ór-
bita polar, como la NOAA (Estados Unidos), METOP (Europa)
o Fengyun (China), proporcionan al mundo cobertura cada 12 h.
Normalmente, los sensores de mayor resolución espacial ofrecen
menor tiempo resoluciones, de 16 días (como el caso de la serie
Landsat) a 28 días (para Radares ERS). Sin embargo, existe una
tendencia creciente a tener una mayor resolución incluso para sa-
télites de resolución espacial media o alta. Por ejemplo, el satélite
Sentinel-2 de la Agencia Espacial Europea (ESA) proporcionará
 Resoluciones 357

entre 10 y 60 m imágenes de resolución para 13 canales espec-

trales cada 2 a 5 días cuando los dos satélites de la constelación
están activos.

7.14 Resolución angular

El concepto de resolución angular es muy reciente y se refiere
a la capacidad del sensor para hacer observaciones de la misma
área, desde diferentes ángulos de visión (Diner et al. [1999]). Las
variaciones en reflectancia con ángulos de visión e iluminación
variables se denominan función de distribución de reflectancia
bidireccional (BRDF). Y para modelar estos efectos es necesa-
rio observar la superficie desde diferentes direcciones. También,
las observaciones multiangulares son de gran interés en estimar
algunas propiedades atmosféricas como el espesor de la capa de
aerosoles o la altura de las nubes.
VIII MISIONES ESPACIALES
Imágenes Satelitales Libres

8.1 Plataforma Búsqueda y Descarga

El sitio web que centraliza el acceso a datos de la NASA y
otros productos espaciales es: [Link].
Pasos principales para la descarga de imágenes:
1. El sitio se compone de dos unidades principales, la zona de
configuración de la búsqueda (panel izquierdo) y el mapa in-
teractivo para definir el área geográfica de estudio (Figura 8.1).

Figura 8.1: Vista

principal earthexplo-
2. Si no se ha realizado el registro previo, debe realizar el proceso [Link]
paso a paso (con la ayuda del mismo sitio) o logearse median-
362 MISIONES ESPACIALES

te el botón apropiado ubicado en la esquina superior derecha

(Figura 8.2).

Figura 8.2: Ventana de

Login o de Registro,
paso obligatorio.

3. Configurar la búsqueda espacial (Figura 8.3 zona A y B):

• A) Usar servicios de geocodificación (para [Link].) convir-
tiendo una dirección postal en coordenadas geográficas o
para el resto del mundo buscar por nombres propios o tipo
de elemento geográfico. También se puede utilizar archivos
kml generado en la aplicación Google Earth Pro o archivos
shapefile estándar en las aplicaciones genéricamente deno-
minadas SIG.

• B) Definir la zona geográfica por coordenadas y configurar el

método de obtención de coordenadas o el formato de ingreso
de los textos. En la ficha Polygon usar la opción Use Map
y automáticamente la vista actual del mapa (sector derecho) Figura 8.3: Paráme-
se convierte en la zona geográfica de búsqueda. El listado tros para crear y refi-
nar una búsqueda, de-
de vértices puede ser editado, corregido, agregar o eliminar talles en texto.
puntos mediante la interfaz o modificando directamente las
marcas en el mapa arrastrándolas a su nueva ubicación. El
siguiente método disponible es agregar el centro y radio de
un círculo que delimita el espacio geográfico.
Además, se pueden agregar parámetros no espaciales (Figura
8.3 zona C):
 Misión MODIS 363

• C) Rango Temporal mediante el uso de calendario de inicio

y fin (Figura 8.4).

Figura 8.4: Opciones

para refinar la búsque-
da, fecha inicial y final.

También puede filtrar los meses específicos para realizar la

búsqueda (Figura 8.5).

Figura 8.5: Lista para

seleccionar meses par-
ticulares.

Otro parámetro muy importante es fijar el porcentaje de cober-

tura nubosa que se define como el porcentaje del área que cubre
la imagen se encuentra obstruida por nubes (Figura 8.6).

Figura 8.6: Porcenta-

je de cobertura nu-
bosa aceptable para
las imágenes seleccio-
nadas.

El siguiente paso es la definición del tipo de datos. En la pla-

taforma existe un gran número de misiones, sensores y tipos de
364 MISIONES ESPACIALES

datos, figura 8.7 MODIS (izquierda), Landsat (derecha). La pla-

taforma permite selección múltiple.
En el listado vamos a ubicar el grupo NASA LPDAAC
Collections y dentro de las opciones, MODIS Land Surfa-
ce Reflectance- V6.
En las alternativas disponibles para este grupo de productos
encontramos el grupo que corresponde al producto descrito en
8.3, MOD09A1 v6 del sensor MODIS.
También encontramos los productos de la misión Landsat 4-5,
7 y 8 (Figura 8.7, derecha) que revisaremos en detalle en el punto
8.7.

Figura 8.7: Lista de

tipos de datos dispo-
nibles para descarga
de la misión MODIS
(izquierda) y Landsat
(derecha).

Figura 8.8: Mensaje

que alerta de la reali-
Finalmente, para realizar la búsqueda se debe presionar el bo- zación de la consulta y
botón para cancelar.
tón Results », y mientras se despliega el mensaje de búsqueda se
podrá cancelar para redefinir o corregir algún parámetro (Figura
8.8).
 Misión MODIS 365

Figura 8.9: Resultado

de la búsqueda. De-
talle de imágenes que
cumplen los criterios
definidos.

8.1.1 Descarga de Datos

El resultado final es una lista interactiva con todos los produc-
tos que cumplen los parámetros de búsqueda. Para cada uno de
ellos se disponen de varias opciones (Figura 8.9). Figura 8.10: Opciones
Disponibles en archivo
De izquierda a derecha, las opciones son (Figura 8.10): seleccionados.
• Silueta Gráfica de la extensión espacial.
• Visualización Baja Resolución en su ubicación exacta.
• Imagen para comparación entre productos seleccionados
en nueva ventana.
• Visualizar Metadatos y detalles técnicos de la imagen.
• Descarga Directa (Figura 8.11) del archivo a disco local.
• Excluir de Descarga
Figura 8.11: Opciones
El primer sensor que vamos a estudiar es el sensor MODIS y las de descarga (depende
imágenes del set MOD09A1. Descargamos de la lista de opciones del producto o tipo de
datos a descargar, en
las cuatro imágenes más actualizadas que cubran el país de Niger el ejemplo MODIS).
con una baja cobertura nubosa (Figura 8.17):
[Link]
[Link]
[Link]
[Link]
Misiones MODIS

8.2 Terra y Aqua

MODIS o espectrorradiómetro de imágenes de resolución mo-

derada es un instrumento clave a bordo de los satélites Terra
(originalmente conocido como EOS AM-1) y Aqua (originalmen-
te conocido como EOS PM-1). La órbita de Terra alrededor de
la Tierra está programada para que pase de norte a sur a través
del ecuador por la mañana, mientras que Aqua pasa de sur a
norte sobre el ecuador por la tarde. Terra MODIS y Aqua MO-
DIS están viendo toda la superficie de la Tierra cada 1 o 2 días,
adquiriendo datos en 36 bandas espectrales o grupos de longitu-
des de onda (consulte las Especificaciones técnicas de MODIS).
Estos datos mejorarán nuestra comprensión de la dinámica y los
procesos globales que ocurren en la tierra, en los océanos y en la
atmósfera inferior.
Las plataformas Terra y Aqua son parte del Sistema de Obser-
vación de la Tierra (EOS) de la NASA, Terra se lanzó con éxito
en diciembre de 1999 y se encuentra en una órbita casi polar, Figura 8.12: Satélite
sincrónica con el Sol, cruzando el ecuador alrededor de las 10:30 Terra. NASA.
a.m. y p.m. La altura orbital es de 705 km, con un período de
98,88 min y un ciclo de repetición de 16 días.
Lleva cinco sensores (MODIS, CERES, MISR, MOPITT y AS-
TER) diseñado para observaciones globales de tierras, océanos y Figura 8.13: Satélite
variables atmosféricas. Aqua. NASA.

Aqua se lanzó en mayo de 2002 y tiene características orbita-

les similares a Terra, pero con un retraso de 3 horas, por tanto,
cruza el ecuador a la 1:30 y a las 13:30. Este satélite lleva seis
368 MISIONES ESPACIALES

sensores (AIRS, AMSR-E, CERES, HSB y MODIS), con una con-

figuración de instrumentos orientado a estudios oceanográficos.
El sensor principal a bordo de las dos plataformas es MODIS.
Adquiere datos diarios de todo el mundo en 36 bandas espectrales,
a diferentes resoluciones, 250 a 1000 m. Las primeras dos bandas
tienen una resolución espacial más fina (250 m) e incluyen el
rojo y el espectro NIR. Longitudes de onda para monitorear la
actividad de la vegetación.
Se adquieren otras cinco bandas a 500 m de resolución que
cubren el visible y SWIR y están destinados principalmente a la
captura de propiedades de vegetación, nieve y suelo.
El resto de las bandas tienen 1000 m de resolución y cubren
longitudes de onda adicionales en el visible, MIR y TIR. La franja
cubierta por MODIS es de 2300 km, y la frecuencia de observa-
ción es diaria (dos veces cuando se contabilizan los dos satélites).
El programa MODIS se construyó para obtener radiancias (ρ)
calibradas y otros productos finales.
Estos productos se agrupan en tres dominios:
• Productos Atmosféricos, incluyendo aerosoles, agua total
precipitable, nubes y perfiles atmosféricos.
• Productos de Tierra, incluida la reflectancia de la superfi-
cie, temperatura de la superficie, la cobertura del suelo, índices
de vegetación, incendios activos, radiación incidente, evapo-
transpiración, productividad de la planta, albedo, áreas que-
madas, manto de nieve y hielo marino.
• Productos Oceánicos, que incluyen temperatura del mar,
concentración de clorofila-a, partículas de carbono, fluorescen-
cia y radiación fotosintética incidente.
Existe una amplia serie de productos disponibles, todos ellos se
encuentran detallados en el sitio de la NASA dedicado al sensor
MODIS:
[Link]/data/dataprod/[Link]#atmosphere.
A continuación, vamos a trabajar con el producto MOD09,
productos MODIS Surface Reflectance proporcionan una es-
timación de la reflectancia espectral de la superficie tal como se
mediría a nivel del suelo en ausencia de dispersión o absor-
ción atmosférica.
 Misión MODIS 369

En el producto de 8 días, cada píxel de reflectancia de la su-

perficie contiene la mejor observación posible durante un período
de 8 días, según se selecciona en función de la alta cobertura
de observación, el ángulo de visión bajo, la ausencia de nubes o
sombras de nubes y la carga de aerosoles.

8.3 MOD09A1
Los productos MOD09A1, versión 6 (Vermote [2015]) que
proporciona una estimación de la reflectancia espectral superfi-
cial de las bandas Terra de 1 a 7 corregidas para condiciones
atmosféricas como gases, aerosoles y dispersión de Rayleigh (Fi-
gura 8.14 y el cuadro 8.1).

Figura 8.14: Distribu-

100

ción y espesor de ban-

90

Banda 3
das en sensor MODIS.
80

Banda 4
Banda 1
70
Transmitancia (%)

Banda 2
Banda 5
60

Banda 6
Banda 7
50
40
30
20
10
0

0.0 0.5 1.0 1.5 2.0 2.5 3.0

Longitud de Onda (µm)

Junto a las siete bandas de reflectancia de 500 m hay dos

capas de calidad y cuatro bandas que describen el momento de la
observación. Para cada píxel se selecciona un valor de todas las
capturas dentro del período compuesto de 8 días.
Los criterios para la elección de píxeles incluyen la nube y el
cenit solar. Cuando varias adquisiciones cumplen los criterios, se
utiliza el píxel con el valor mínimo del canal 3 (azul).
La colección de imágenes se extiende desde el 2000-02-24 hasta
el presente con cobertura global y una frecuencia de 8 días.
El píxel tiene un tamaño de 500 m en imágenes de 2400 ×
2400 filas y columnas en el sistema de coordenadas Sinusoidal,
370 MISIONES ESPACIALES

Cuadro 8.1: Resumen

de Bandas MODIS.
Nombre Archivo Bandas (ρ nm) Nombre Escala
sur_refl_b01 B1(620 − 670) Red 0.0001
sur_refl_b02 B2(841 − 876) NIR 0.0001
sur_refl_b03 B3(459 − 479) Blue 0.0001
sur_refl_b04 B4(545 − 565) Green 0.0001
sur_refl_b05 B5(1230 − 1250) SWIR1 0.0001
sur_refl_b06 B6(1628 − 1652) SWIR2 0.0001
sur_refl_b07 B7(2105 − 2155) SWIR3 0.0001
sur_refl_qc_500m QA N/A
sur_refl_szen ζ Solar 0.01
sur_refl_vzen ζ V ista 0.01
sur_refl_raz Az. relativo 0.01
sur_refl_state_500m Estados N/A
sur_refl_day_of_year DOY píxel N/A
Nota:
ρ: Reflectancia Superficial.
ζ: ángulo Cenital.
DOY : Día del Año. DayOf Y ear
 Misión MODIS 371

(EPSG: 6974).

Código proyección: [Link][“SR-ORG:6974”] = “+proj=sinu

+lon_0=0 +x_0=0 +y_0=0 +ellps=WGS84 +datum=WGS84
+units=m +no_defs”

8.4 MODIS en R
Una vez descargadas las imágenes vamos a utilizar los paquetes
rgdal (Bivand et al. [2021]) que agrega la capacidad de leer un
archivo en formato _*.hdf_ 1 , y el paquete MODIS (Mattiuzzi 1
El formato de da-
tos jerárquico (Hierar-
and Detsch [2021]) que nos da acceso a la metadata, maneja los
chical Data Format,
formatos de nombre de imágenes entre otros detalles prácticos. HDF) es un conjun-
Luego de instalar ambos paquetes desde la consola, debe car- to de formatos de ar-
chivo (HDF4, HDF5)
garlo en memoria (no olvidar agregar al inicio de su script): diseñado para almace-
library(rgdal) nar y organizar gran-
des cantidades de da-
library(MODIS) tos. Desarrollado ori-
ginalmente en el Cen-
Construimos un vector con los archivos que cumplan con el tro Nacional de Apli-
formato ‘hdf’ de nuestra carpeta de datos: caciones de Super-
computación y cuenta
archivos <- [Link](path = here("raw","modis"), con el apoyo de The
pattern = "*.hdf", HDF Group, una cor-
poración sin fines de
[Link] = T) lucro cuya misión es
garantizar el desarrollo
Usando la función extractDate() del paquete MODIS pode-
continuo de las tecno-
mos extraer la fecha de captura de los datos a partir del nombre logías HDF5 y la ac-
de archivo. cesibilidad continua de
los datos almacenados
(datos <- extractDate(archivos[1], asDate = T)) en HDF (Wikipedia).

$inputLayerDates
[1] "2021-07-04"

$pos1
[1] 10

$pos2
[1] 16
372 MISIONES ESPACIALES

$asDate
[1] TRUE

$format
[1] "%Y%j"
Cada archivo hdf contiene al menos 13 capas de información
(ver cuadro 8.1) y usando la función getSds() obtenemos una
lista con los nombres propios de cada capa y la ruta completa
para llegar al archivo hdf. Por definición la función procesa un
hdf en cada llamado, así que debemos envolver con el comando
lapply (ver detalles en 6.10.1) nuestra lista de archivos y la función
a aplicar:
imgs <- lapply(archivos, getSds)
Ahora tenemos estructurado por cada archivo las capas que
contiene siguiendo el formato:
imgs[[1]]$SDS4gdal[1]

[1] “HDF4_EOS:EOS_GRID:”C:/Users/[Link]/Documents/
rasterEdu/raw/modis/[Link]
”:MOD_Grid_500m_Surface_Reflectance:sur_refl_b01”

Los archivos son leídos directamente con la función readGDAL()

y convertidos a formato ráster directamente:
r <- readGDAL(imgs[[1]]$SDS4gdal[1])
raster(r)
Ahora podemos reescribir este comando R para cada imagen
por cada cada capa (4×8) veces o escribir una función que facilite
la tarea.
Detalle de los componentes principales para definir nuestra
función:

• leer <-: Es el nombre de la función y nombre que se utiliza

para llamarla.

• function(img): Es una función que recibe un identificador de

la imagen id de la lista imgs.
 Misión MODIS 373

• f <- 0.0001: Para convertir los DN a ρ utilizamos el factor

de escala presentado en el cuadro 8.1. Así el valor almacenado
en cada ráster es la representación fiel de la energía recibida
en cada píxel (ver 7.5.2).

• variable <- raster(readGDAL(imgs[[img]]$SDS4gdal[ID],

silent = T)): Siguiendo el orden de capas del cuadro 8.1 car-
gamos en una variable. Se agrega el parámetro silent = T que
nos ahorra ver un mensaje en pantalla por cada lectura reali-
zada.

• s <- stack(r,g,b,nir,swir1,swir2,swir3,qa): Converti-

mos todas las capas en un modelo rasterStack.

• names(s) <- c('r','g','b','nir','swir1','swir2','swir3','qa'):

Asignamos nombres propios a cada capa para fácil referencia.

• s: Al ser la última línea, es el objeto que regresa la función.

Y todo integrado:
leer <- function(img){
f <- 0.0001
r <- raster(readGDAL(imgs[[img]]$SDS4gdal[1], silent = T)) * f
g <- raster(readGDAL(imgs[[img]]$SDS4gdal[4], silent = T)) * f
b <- raster(readGDAL(imgs[[img]]$SDS4gdal[3], silent = T)) * f
nir <- raster(readGDAL(imgs[[img]]$SDS4gdal[2], silent = T)) * f
swir1 <- raster(readGDAL(imgs[[img]]$SDS4gdal[5], silent = T)) * f
swir2 <- raster(readGDAL(imgs[[img]]$SDS4gdal[6], silent = T)) * f
swir3 <- raster(readGDAL(imgs[[img]]$SDS4gdal[7], silent = T)) * f
qa <- raster(readGDAL(imgs[[img]]$SDS4gdal[12], silent = T))
s <- stack(r, g, b, nir, swir1, swir2, swir3, qa)
names(s) <- c("r","g","b","nir","swir1","swir2","swir3","qa")
s
}
Y aplicamos nuestra función para leer los datos:
imagen1 <- leer(img = 1)
imagen2 <- leer(img = 2)
imagen3 <- leer(img = 3)
imagen4 <- leer(img = 4)
374 MISIONES ESPACIALES

8.4.1 Mapeo RGB

Hasta ahora hemos trabajado principalmente con objetos ras-

terLayer y para generar un mapa usamos el comando plot(), se
define la paleta de colores, algunos otros parámetros y se genera
la gráfica.
Para los objetos rasterStack o rasterBrick existe la versión es-
pecializada plotRGB() que permite realizar un gráfico RGB ba-
sado en tres capas. Esas tres capas (que también podemos de-
nominar bandas porque pueden representar diferentes anchos de Original

banda en el espectro electromagnético) se combinan de manera Lineal

que representan el canal rojo, verde y azul para formar imágenes

en color.
0 50 240 255

r: Índice o nombre de la capa que se usará para definir el canal Figura 8.15: Descrip-
rojo de la imagen. ción Gráfica del méto-
do stretch Lineal.
g: Índice o nombre de la capa que se usará para definir el canal
Original
verde de la imagen. Histograma

b: Índice o nombre de la capa que se usará para definir el canal

azul de la imagen.
stretch: Se encarga de realizar ajustes de visualización (no
0 30 230 255

Figura 8.16: Descrip-

modifica los valores internos del objeto) para aprovechar toda la ción Gráfica del méto-
do stretch Histograma
escala de tonos de color en la imagen. Los valores permitidos son
lin: método lineal, donde el rango de ND (niveles digitales) se
ajusta para ocupar todo el rango disponible (Figura 8.15). Por
ejemplo, el rango 50 − 240 se extiende al rango 0 − 255 (ejemplo
con 8 bit). El segundo, hist: método histograma, donde los valores
además de extenderlos al rango completo de valores (0 − 255 a 8
bit) proporcionalmente a su frecuencia, a mayor cantidad del
valor digital, mayor rango de ND asignados (ver figura 8.16).
La sintaxis básica para crear una imagen en color verdadero
es asignar por cada canal el color correspondiente:
plotRGB(imagen1, r=1, g=2, b=3, stretch="lin")
O usar los nombres de capas para no tener que recordar el
valor numérico de índice dentro del objeto Stack, por ejemplo:
plotRGB(imagen1, r="r", g="g", b="b", stretch="lin")
La figura 8.17 muestra el resultado de la gráfica en color ver-
 Misión MODIS 375

dadero, en el cañon r la banda 1 o ‘r’, en el cañon g la banda 2

o ‘g’ y en el cañon b la banda 3 o ‘b’.
[Link] [Link]
Figura 8.17: Ploteo de
3335852 3335852 las imágenes utilizadas
en el ejercicio usando
3057864 3057864
las bandas RGB.

2779876 2779876

2501889 2501889

2223901 2223901

0.0 277987.6 555975.3 833962.9 1111950.5 1111951 1389938 1667926 1945913 2223901

[Link] [Link]

2223901 2223901

1945913 1945913

1667926 1667926

1389938 1389938

1111951 1111951

0.0 277987.6 555975.3 833962.9 1111950.5 1111951 1389938 1667926 1945913 2223901

Guardamos en disco las imágenes descargadas y procesadas

para el posterior uso en el tema de la combinación de bandas
(ver 9.5).
writeRaster(imagen1,here("raw","[Link]"),overwrite=T)
writeRaster(imagen2,here("raw","[Link]"),overwrite=T)
writeRaster(imagen3,here("raw","[Link]"),overwrite=T)
writeRaster(imagen4,here("raw","[Link]"),overwrite=T)
Misiones Landsat

El Departamento del Interior, la NASA y el Departamento de

Agricultura se embarcaron en un ambicioso esfuerzo para desa- Figura 8.18: Satélite
Landsat 1, 2 y 3. NA-
rrollar y lanzar el primer satélite civil de observación de la Tierra. SA.
Su objetivo se logró el 23 de julio de 1972, con el lanzamiento del
Satélite de Tecnología de Recursos Terrestres (ERTS-1), que lue-
go pasó a llamarse Landsat 1. Los lanzamientos de Landsat 2,
Landsat 3 (Figura 8.18) y Landsat 4 siguieron en 1975, 1978
y 1982, respectivamente. Landsat 4 y 5 son satélites idénticos
(Figura 8.19).
Cuando Landsat 5 se lanzó en 1984, nadie podría haber pre-
dicho que el satélite continuaría entregando datos globales de alta Figura 8.19: Satélite
calidad de las superficies terrestres de la Tierra durante 28 años y Landsat 4, 5.

10 meses, estableciendo oficialmente un récord mundial Guinness

para el satélite de observación de la Tierra con el funcionamiento
más largo.
Landsat 6 no logró alcanzar la órbita en 1993 (Figura 8.20).
Figura 8.20: Represen-
Landsat 7 se lanzó con éxito en 1999 (Figura 8.21), Landsat tación Artística de Sa-
8 en 2013, y ambos satélites continúan adquiriendo datos. télite Landsat 6.
El satélite Landsat 9, casi idéntico a Landsat 8 (Figura 8.22)
ha sido lanzado con éxito el día 27 de septiembre de 2021 (¡mien-
tras escribo estas palabras!) y planea comenzar a entregar imá- Figura 8.21: Satélite
genes públicas y gratis a los 100 días del lanzamiento (Figura Landsat 7.
8.23).

Figura 8.22: Satélite

Landsat 8 y 9.
378 MISIONES ESPACIALES

Figura 8.23: Costa

Kimberley, Australia.
Primera imagen cap-
turada por Landsat 9.
5 noviembre 2021.

8.5 Niveles de Procesamiento

En 2016, el USGS reorganizó el archivo histórico de Landsat en
una estructura de colecciones por niveles titulada Landsat Collec-
tion 1. Esta estructura asegura que todos los productos Landsat
(Nivel-1) proporcionen un archivo consistente de calidad de datos
conocida, mientras se controla la mejora continua del archivo y
el acceso a todos los datos a medida que se adquieren.

La Colección 1 contiene todos los datos de Nivel 1 adquiridos

desde 1972 hasta el presente (Landsat 1 al 8).

Landsat Collection 2 marca el segundo evento importante de

reprocesamiento del archivo Landsat Nivel-1 de USGS, lo que
da como resultado varias mejoras en los productos de datos que
aprovechan los avances recientes en el procesamiento de datos, el
desarrollo de algoritmos y las capacidades de acceso y distribu-
ción de datos.
Una característica principal de la Colección 2 es la mejora
sustancial en la precisión de geolocalización absoluta del con-
junto de datos de referencia terrestre global utilizado en el flujo
de procesamiento de datos Landsat Nivel-1. Además, la Colec-
ción 2 incluye fuentes de modelado de elevación digital global
actualizadas y actualizaciones de calibración y validación, así
 Misión Landsat 379

como productos basados en escenas de reflectancia de superficie

y temperatura de superficie global de Nivel 2 desde 1982 hasta
el presente. Donde todas las bandas han sido llevadas a una
resolución espacial de 30 m.
En el cuadro 8.2 se resumen las propiedades importantes para
comprender los datos almacenados en las imágenes tif Nivel 2.

Cuadro 8.2: Resumen

de Propiedades Gené-
Propiedad Reflectancia Temperatura ricas para la misión
Landsat 4 al 9.
Valor de Relleno 0 0
Factor de Escala 0.0000275 0.00341802
Factor Aditivo -0.2 +149.0
Tipo de Datos Int16U Int16U
Rango Válido 1 - 65455 1 - 65535
Nota:
Int16U: Entero de 16 bits sin signo.

8.6 Landsat 9
Landsat 9 se ubica en la órbita del Landsat 7, que posee com-
bustible suficiente para operar hasta el año 2021, y consecuente-
mente será descontinuado. Landsat 9 captura imágenes con una
revisita de 16 días en un desplazamiento de 8 días con las imá-
genes Landsat 8. Planea capturar 750 escenas por día.

8.6.1 Sensores OLI-2 y TIRS-2

Los sensores abordo del Landsat 9 son replicas mejoradas de
aquellos abordo del Lansat 8.
El sensor OLI-2, Operational Land Imager 2 mejora la reso-
lución radiométrica a 14 bits. Captura datos en la región visible,
infrarrojo cercano e infrarrojo de onda corta. La resolución es-
pectral es idéntica a la provista por el sensor OLI. La resolución
espacial es de 30 m.
TIRS-2 encargado de la medición en el rango termal, con una
resolución espacial de 100 m. Y proveerá dos bandas térmicas.
380 MISIONES ESPACIALES

Las bandas se describen en el cuadro 8.3 y figura 8.24.

Cuadro 8.3: Bandas

Landsat 9 (OLI-
Número de Banda Descripción Rango (ρ) 2/TIRS-2).

1 Aerosoles costeros 435 − 451nm

2 Azul 452 − 512nm
3 Verde 533 − 590nm
4 Rojo 636 − 673nm
5 NIR 851 − 879nm
6 SWIR1 1566 − 1651nm
7 SWIR2 2107 − 2294nm
9 Cirrus 1360 − 1380nm
10 Térmico 1 10600 − 11190nm
11 Térmico 11500 − 12510nm
Nota:
ρ: Reflectancia Superficial.

8.7 Landsat 8
El satélite Landsat 8 orbita la Tierra en una órbita casi polar
sincrónica con el sol, a una altitud de 705 km (438 millas), inclina-
da a 98.2 grados y completa una órbita terrestre cada 99 minutos.
El satélite tiene una resolución temporal 16 días con un tiempo
de cruce ecuatorial: 10 : 00 am ± 15 minutos
Landsat 8 adquiere alrededor de 740 escenas por día, el tamaño
de cada una escena de ellas es de 185 km × 180 km.
La data disponible incluye el período abril 2013 al presente.

8.7.1 Sensores OLI y TIRS

El sensor OLI, Operational Land Imager construido por la
Ball Aerospace & Technologies Corporation.
OLI captura datos con precisión radiométrica mejorada en un
rango dinámico de 12 bits, lo que mejora la relación general entre
señal y ruido. Esto se traduce en 4096 niveles de gris potenciales,
en comparación con solo 256 niveles de gris en los instrumentos
Landsat 1-7 de 8 bits. El rendimiento mejorado de señal a ruido
 Misión Landsat 381

100
90

Banda 1
Banda 2
80

Banda 3
Banda 4
70
Transmitancia (%)

Banda 5
Banda 9
60

Banda 6
Banda 7
50

Banda 10
Banda 11
40
30
20
10
0

0.0 2.0 4.0 6.0 8.0 10.0 12.0 14.0

Longitud de Onda (µm)

Figura 8.24: Distribu-
ción y espesor de ban-
das en sensor OLI-2 (1
permite una mejor caracterización del estado y la condición de la a 9) y TIRS-2 (10-11)
Landsat 9.
cubierta terrestre.
Los datos de 12 bits se escalan a números enteros de 16 bits
y se entregan en los productos de datos de Nivel 1. Los produc-
tos se escalan a 55,000 niveles de gris y se pueden escalar a la
reflectancia y/o resplandor de la parte superior de la atmósfera
(TOA) utilizando los coeficientes de cambio de escala radiomé-
tricos proporcionados en el archivo de metadatos del producto
(archivo MTL).
El sensor de infrarrojos térmico TIRS mide la temperatura
de la superficie terrestre en dos bandas térmicas con una nue-
va tecnología que aplica la física cuántica para detectar el calor.
TIRS utiliza fotodetectores infrarrojos de pozo cuántico (QWIP)
para detectar longitudes de onda largas de luz emitida por la Tie-
rra cuya intensidad depende de la temperatura de la superficie.
Estas longitudes de onda, llamadas infrarrojas térmicas, están
mucho más allá del alcance de la visión humana. Los QWIP son
una alternativa nueva y de menor costo a la tecnología infrarroja
convencional y fueron desarrollados en el Goddard Space Flight
382 MISIONES ESPACIALES

Center de la NASA en Greenbelt, Maryland.

Los QWIP que utiliza TIRS son sensibles a dos bandas de
longitud de onda infrarroja térmica, lo que ayuda a separar la
temperatura de la superficie de la Tierra de la de la atmósfera.
Su diseño opera sobre los complejos principios de la mecánica
cuántica. Los chips semiconductores de arseniuro de galio atrapan
electrones en un estado de energía bien2 hasta que los electrones 2
En física, una energía
‘bien’ (‘well’) describe
se elevan a un estado superior por la luz infrarroja térmica de una
un “equilibrio estable”
determinada longitud de onda. Los electrones elevados crean una que no alcanza su me-
señal eléctrica que se puede leer y grabar para crear una imagen nor energía posible.

digital.
Las bandas se describen en el cuadro 8.4 y figura 8.25.

Cuadro 8.4: Ban-

das Landsat 8
Número de Banda Descripción Rango (ρ) (OLI/TIRS).

1 Aerosoles costeros 435 − 451nm

2 Azul 452 − 512nm
3 Verde 533 − 590nm
4 Rojo 636 − 673nm
5 NIR 851 − 879nm
6 SWIR1 1566 − 1651nm
7 SWIR2 2107 − 2294nm
10 Térmico 10600 − 11190nm
Nota:
ρ: Reflectancia Superficial.
 Misión Landsat 383

100
90

Banda 1
Banda 2
80

Banda 3
Banda 4
70
Transmitancia (%)

Banda 5
Banda 6
60

Banda 7
Banda 10
50
40
30
20
10
0

0.0 2.0 4.0 6.0 8.0 10.0 12.0

Longitud de Onda (µm)

Figura 8.25: Distribu-
ción y espesor de ban-
8.8 Landsat 7 das en sensor OLI (1 a
7) y TIRS 1(10) Land-
sat 8.
El satélite Landsat 7 orbita la Tierra en una órbita casi polar
sincrónica con el sol, a una altitud de 705 km (438 millas), inclina-
da a 98.2 grados y completa una órbita terrestre cada 99 minutos.
El satélite tiene una resolución temporal 16 días con un tiempo
de cruce ecuatorial: 10 : 00 am ± 15 minutos
Landsat 7 adquiere hasta 532 escenas por día, el tamaño de
cada una escena de ellas es de 183 km × 170 km.
La data disponible incluye el período julio 1999 al presente.
El sensor a bordo es el Mapeador Temático Mejorado Plus
(ETM+) (Enhanced Thematic Mapper Plus)
Las bandas se describen en el cuadro 8.5 y figura 8.26.

8.8.1 Falla del Corrector de Línea de Escaneo

Seis semanas después de sufrir la pérdida de su corrector de
línea de escaneo (SLC), el sensor ETM+ reanudó su misión de
estudio global de la tierra, lo que resultó en una breve suspensión
de la captura de imágenes para archivo. Sin embargo, el mal
384 MISIONES ESPACIALES

Cuadro 8.5: Bandas

Landsat 7 (ETM+).
Número de Banda Descripción Rango (ρ)
1 Azul 450 − 520nm
2 Verde 520 − 600nm
3 Rojo 630 − 690nm
4 NIR 760 − 900nm
5 SWIR1 1550 − 1750nm
6 Térmico 10420 − 12500nm
7 SWIR2 2080 − 2350nm
Nota:
ρ: Reflectancia Superficial.
100
90

Banda 1
80

Banda 2
Banda 3
70

Banda 4
Transmitancia (%)

Banda 5
60

Banda 6
Banda 7
50
40
30
20
10
0

0.0 2.0 4.0 6.0 8.0 10.0 12.0 14.0

Longitud de Onda (µm)

Figura 8.26: Distribu-
ción y espesor de ban-
das en sensor ETM+
de Landsat 7.
 Misión Landsat 385

funcionamiento ha afectado las imágenes de Landsat 7.

Específicamente, la óptica ETM+ contiene el conjunto Scan
Mirror y Scan Line Corrector, entre otros componentes. El espejo
de exploración proporciona el movimiento a lo largo de la vía para
la imagen, mientras que la velocidad de avance de la nave espacial
proporciona el movimiento a lo largo de la vía. El conjunto Scan
Line Corrector (SLC) se utiliza para eliminar el movimiento
en ‘zigzag’ del campo de visión de la imagen producto
por la combinación del movimiento a lo largo y a través de la
trayectoria. Sin un SLC operativo, la línea de visión del ETM+
ahora traza un patrón en zigzag a través de la trayectoria terrestre
del satélite.

En este modo de SLC apagado, el ETM+ aún adquiere apro-

ximadamente el 75% de los datos para cualquier escena
dada. Los espacios en los datos forman cuñas alternas que au-
mentan de ancho desde el centro hasta el borde de una escena.

El resto del sensor ETM+, incluido el espejo primario, conti-

núa funcionando, radiométrica y geométricamente, con el mismo
alto nivel de exactitud y precisión que tenía antes de la anomalía;
por lo tanto, los píxeles de la imagen aún están geolocalizados y
calibrados con precisión.

8.9 Landsat 4-5

Los satélites Landsat 4 y 5 siempre se mencionan juntos ya

que fueron naves gemelas (salvo pequeñas modificaciones luego
de estudiados algunos errores en Landsat 4), ambos orbitan la
Tierra en una órbita casi polar sincrónica con el sol, a una alti-
tud de 705 km (438 millas), inclinada a 98.2 grados y completan
una órbita terrestre cada 99 minutos. Tienen una resolución tem-
poral de 16 días con un tiempo de cruce ecuatorial: 09 : 45 am
± 15 minutos. Landsat 4 lanzado en julio de 1982 y dado de baja
en junio de 2001, Landsat 5 fue lanzado en marzo de 1984 y dado
de baja en enero de 2013.
386 MISIONES ESPACIALES

El sensor a bordo es el Mapeador Temático (TM) (Thematic

Mapper).
Las bandas se describen en el cuadro 8.6 y figura 8.27.

Cuadro 8.6: Bandas

Landsat 4-5 (TM).
Número de Banda Descripción Rango (ρ)
1 Azul 450 − 520nm
2 Verde 520 − 600nm
3 Rojo 630 − 690nm
4 NIR 760 − 900nm
5 SWIR1 1550 − 1750nm
6 Térmico 10410 − 12500nm
7 SWIR2 2080 − 2350nm
Nota:
ρ: Reflectancia Superficial.
100
90

Banda 1
80

Banda 2
Banda 3
70

Banda 4
Transmitancia (%)

Banda 5
60

Banda 6
Banda 7
50
40
30
20
10
0

0.0 2.0 4.0 6.0 8.0 10.0 12.0 14.0

Longitud de Onda (µm)

Figura 8.27: Distribu-
ción y espesor de ban-
das en sensor TM de
Landsat 4-5.
 Misión Landsat 387

8.10 Descarga de Datos para Landsat

Siguiendo la misma metodología de definición de parámetros
de búsqueda visto para el sensor MODIS, (8.1) solo debemos
seleccionar la lista Landsat Collection 2 Level-2 (Figura 8.28)
y seleccionar uno, dos o tres de las opciones disponibles.

Figura 8.28: Lista de

tipos de datos disponi-
bles para descarga de
productos de la misión
Landsat (Misiones 4 al
9).
388 MISIONES ESPACIALES

Figura 8.29: Detalle

ficha ’Additional Cri-
teria’ configurado pa-
ra seleccionar imáge-
nes de la misión Land-
sat 9.
 Misión Landsat 389

8.11 Landsat 9 en R
Las imágenes descargadas con el proceso descrito en 8.10 están
comprimidas en formato tar. Usamos la función dir para crear
la lista de archivos específicamente que comiencen con el texto
LC09 3 : 3
El carácter ^ (acen-
to circunflejo, se obtie-
tar9 <- dir(path = here("raw","sats"), pattern ="^LC09") ne con la combinación
de teclas ALT + 94),
Nuestra imagen Landsat 9 descargada en la carpeta raw de dentro de una cadena
nuestro proyecto le removemos la extensión .tar y construimos el de texto se interpreta
como buscar al prin-
nombre de la carpeta donde extraer su contenido. cipio. Las expresiones
carpeta9 <- sub(".tar","", tar9) regulares (regex) son
un patrón que sirve
Luego, asociamos la dirección completa: para encontrar coinci-
dencias de subpartes
origen9 <- paste(here("raw","sats"), tar9, sep = "/") de un texto.
destino9 <- paste(here("raw","sats"), carpeta9, sep = "/")
Extraemos los archivos:
untar(tarfile = origen9, exdir = destino9)
El contenido de la carpeta se compone de tres tipos de archi-
vos:
• txt: Metadatos
• xml: Metadatos en formato xml
• json: Metadatos en formato json
• TIF: Archivos de imágenes
• jpeg: Previsualización de la escena
Podemos revisar el contenido total:
dir(path = destino9)

[1] "LC09_L2SP_001049_20211107_20220119_02_T1_ANG.txt"
[2] "LC09_L2SP_001049_20211107_20220119_02_T1_MTL.json"
[3] "LC09_L2SP_001049_20211107_20220119_02_T1_MTL.txt"
[4] "LC09_L2SP_001049_20211107_20220119_02_T1_MTL.xml"
[5] "LC09_L2SP_001049_20211107_20220119_02_T1_QA_PIXEL.TIF"
[6] "LC09_L2SP_001049_20211107_20220119_02_T1_QA_RADSAT.TIF"
[7] "LC09_L2SP_001049_20211107_20220119_02_T1_SR_B1.TIF"
[8] "LC09_L2SP_001049_20211107_20220119_02_T1_SR_B2.TIF"
[9] "LC09_L2SP_001049_20211107_20220119_02_T1_SR_B3.TIF"
[10] "LC09_L2SP_001049_20211107_20220119_02_T1_SR_B4.TIF"
390 MISIONES ESPACIALES

[11] "LC09_L2SP_001049_20211107_20220119_02_T1_SR_B5.TIF"
[12] "LC09_L2SP_001049_20211107_20220119_02_T1_SR_B6.TIF"
[13] "LC09_L2SP_001049_20211107_20220119_02_T1_SR_B7.TIF"
[14] "LC09_L2SP_001049_20211107_20220119_02_T1_SR_QA_AEROSOL.TIF"
[15] "LC09_L2SP_001049_20211107_20220119_02_T1_SR_stac.json"
[16] "LC09_L2SP_001049_20211107_20220119_02_T1_ST_ATRAN.TIF"
[17] "LC09_L2SP_001049_20211107_20220119_02_T1_ST_B10.TIF"
[18] "LC09_L2SP_001049_20211107_20220119_02_T1_ST_CDIST.TIF"
[19] "LC09_L2SP_001049_20211107_20220119_02_T1_ST_DRAD.TIF"
[20] "LC09_L2SP_001049_20211107_20220119_02_T1_ST_EMIS.TIF"
[21] "LC09_L2SP_001049_20211107_20220119_02_T1_ST_EMSD.TIF"
[22] "LC09_L2SP_001049_20211107_20220119_02_T1_ST_QA.TIF"
[23] "LC09_L2SP_001049_20211107_20220119_02_T1_ST_stac.json"
[24] "LC09_L2SP_001049_20211107_20220119_02_T1_ST_TRAD.TIF"
[25] "LC09_L2SP_001049_20211107_20220119_02_T1_ST_URAD.TIF"
[26] "LC09_L2SP_001049_20211107_20220119_02_T1_thumb_large.jpeg"
[27] "LC09_L2SP_001049_20211107_20220119_02_T1_thumb_small.jpeg"
Crear listas por tipos de archivos:
tifs9 <- dir(path = destino9, pattern ="TIF")
txts9 <- dir(path = destino9, pattern ="txt")
xmls9 <- dir(path = destino9, pattern ="xml")

bandas9 <- [Link](destino9, tifs9[c(3:9)])

nombres <- c("AC","B","G","R","NIR","SWIR1","SWIR2")
imagen9 <- stack(bandas9)
names(imagen9) <- nombres

recorte <- crop(x = imagen9,

y = extent(651138.5, 699705.3,
1677314, 1742752))

imagen_9 <- (recorte * 0.0000275) + -0.2

plotRGB(imagen_9,
r="R",
g="G",
b="B",
stretch="lin",
axes=F)
En el siguiente ejercicio práctico usaremos la imagen Landsat 8
que cubre la zona costera de la Región Libertador General Bernardo
O’Higgins de Chile (Figura 8.31). La cual es descargada dentro de
nuestra carpeta de proyecto raw en la carpeta sats.
Misión Landsat 391

Figura 8.30: Composi-

ción Color Verdadero
(RGB). Imagen Land-
sat 9 OLI-2. República
de Dominica en el Mar
Caribe. Captura del 7
noviembre 2021.
392 MISIONES ESPACIALES

Figura 8.31: Área pa-

ra descargar imágenes
Landsat 8, Región Li-
bertador General Ber-
nado O’Higgins, Chile.

8.12 Landsat 8 en R
Las imágenes descargadas con el proceso descrito en 8.10 están
comprimidas en formato tar. Usamos la función dir para crear la lista
de archivos:
tar <- dir(path = here("raw","sats"), pattern ="tar")
A partir de los nombres de los archivos descargados, removemos la
extensión .tar y construimos la lista con nombre de la carpeta donde
extraer el contenido.
carpeta <- sub(".tar","", tar)
Y asociamos la dirección completa:
origen <- paste(here("raw","sats"), tar, sep = "/")
destino <- paste(here("raw","sats"), carpeta, sep = "/")
En un ciclo for extraemos los archivos:
for (i in 1:length(origen)){
untar(tarfile = origen[i], exdir = destino[i])
}
El contenido de la carpeta se compone de tres tipos de archivos:
• txt: Metadatos
• xml: Metadatos en formato xml
• TIF: Archivos de imágenes
Podemos revisar el contenido total:
dir(path = destino[1])

[1] "LC08_L2SP_001084_20210628_20210707_02_T1_ANG.txt"
[2] "LC08_L2SP_001084_20210628_20210707_02_T1_MD5.txt"
 Misión Landsat 393

[3] "LC08_L2SP_001084_20210628_20210707_02_T1_MTL.txt"
[4] "LC08_L2SP_001084_20210628_20210707_02_T1_MTL.xml"
[5] "LC08_L2SP_001084_20210628_20210707_02_T1_QA_PIXEL.TIF"
[6] "LC08_L2SP_001084_20210628_20210707_02_T1_QA_RADSAT.TIF"
[7] "LC08_L2SP_001084_20210628_20210707_02_T1_SR_B1.TIF"
[8] "LC08_L2SP_001084_20210628_20210707_02_T1_SR_B2.TIF"
[9] "LC08_L2SP_001084_20210628_20210707_02_T1_SR_B3.TIF"
[10] "LC08_L2SP_001084_20210628_20210707_02_T1_SR_B4.TIF"
[11] "LC08_L2SP_001084_20210628_20210707_02_T1_SR_B5.TIF"
[12] "LC08_L2SP_001084_20210628_20210707_02_T1_SR_B6.TIF"
[13] "LC08_L2SP_001084_20210628_20210707_02_T1_SR_B7.TIF"
[14] "LC08_L2SP_001084_20210628_20210707_02_T1_SR_QA_AEROSOL.TIF"
[15] "LC08_L2SP_001084_20210628_20210707_02_T1_ST_ATRAN.TIF"
[16] "LC08_L2SP_001084_20210628_20210707_02_T1_ST_B10.TIF"
[17] "LC08_L2SP_001084_20210628_20210707_02_T1_ST_CDIST.TIF"
[18] "LC08_L2SP_001084_20210628_20210707_02_T1_ST_DRAD.TIF"
[19] "LC08_L2SP_001084_20210628_20210707_02_T1_ST_EMIS.TIF"
[20] "LC08_L2SP_001084_20210628_20210707_02_T1_ST_EMSD.TIF"
[21] "LC08_L2SP_001084_20210628_20210707_02_T1_ST_QA.TIF"
[22] "LC08_L2SP_001084_20210628_20210707_02_T1_ST_TRAD.TIF"
[23] "LC08_L2SP_001084_20210628_20210707_02_T1_ST_URAD.TIF"
También podemos crear listas por tipo de archivo:
tifs <- dir(path = destino[1], pattern ="TIF")
txts <- dir(path = destino[1], pattern ="txt")
xmls <- dir(path = destino[1], pattern ="xml")

8.12.1 Metadatos
Es importante tener acceso a la metadata de cada imagen para
extraer información detallada de la escena, el formato son colum-
nas separadas por coma. R cuenta con una familia de funciones
para la carga de archivos ASCII, con una serie de parámetros que
permite adaptarse a una amplia gama de combinaciones.
La siguiente configuración nos permite cargar los datos:
parametros <- [Link](file = [Link](destino[1],
Figura 8.32: Visualiza-
txts[3] ción de Metadados en
), panel ’View’.
header = FALSE,
sep = "=",
394 MISIONES ESPACIALES

stringsAsFactors = FALSE,
[Link] = TRUE)
names(parametros) <- c('id','valor')
Para visualizar el contenido podemos utilizar el mismo entorno
abriendo un nuevo panel y desplegar los datos en forma de planilla
de datos (Figura 8.32).
View(parametros)
También existen varias alternativas de visualización o edición
de datos:
fix(parametros)
edit(parametros)
[Link](parametros)
Del enorme conjunto de datos disponibles, siempre conviene
tener claro al menos los datos de:
• Porcentaje de cobertura Nubosa de la imagen:

cloud <- parametros[which(parametros$id == "CLOUD_COVER"), 2]

• Porcentaje de cobertura nubosa sobre superficie terrestre:

cloud_land <- parametros[which(parametros$id == "CLOUD_COVER_LAND"), 2]

• Fecha de toma de la imagen:

fecha <- parametros[which(parametros$id == "DATE_ACQUIRED"), 2]

• Nombre oficial de la imagen; se usa el índice [1] ya que existe

varias veces en el archivo:

id <- parametros[which(parametros$id == "LANDSAT_PRODUCT_ID"), 2][1]

8.13 Procesando las Bandas en R

8.13.1 QA_pixel
El primer archivo tif de nuestro vector de imágenes es la ima-
gen de control de calidad de los píxeles, que se basa en la infor-
 Misión Landsat 395

mación de la banda de Evaluación de Calidad de Nivel 1, especí-

ficamente las marcas de confianza para Nubes, Sombra de Nubes
y Nieve/Hielo extraídas del algoritmo CFMask.
Para respaldar los productos de datos científicos que utilizan
el Nivel 2 como entrada, los valores del agua se vuelven a calcular
y los píxeles de nubes de alta confianza se dilatan.
qa_px <- [Link](destino[1], tifs[1])
qa_px_r <- raster(qa_px)
El sistema coordenado de los datos es:
crs(qa_px_r)
Pero cabe mencionar que está basado en huso 18N (EPSG:32618)
y necesitamos la versión sur, o EPSG:32718:
utm18s <- CRS("+init=epsg:32718")
Reproyectamos usando el método del vecino más cercano (no
queremos cambiar los valores de las marcas o banderas de cali-
dad):
qa_px_18s <- projectRaster(from = qa_px_r,
crs = utm18s,
method = "ngb")
Y obtenemos nuestro nuevo rasterLayer:
qa_px_18s

class : RasterLayer
dimensions : 7941, 7891, 62662431 (nrow, ncol, ncell)
resolution : 30, 30 (x, y)
extent : 595635, 832365, 6048235, 6286465 (xmin, xmax, ymin, ymax)
crs : +proj=utm +zone=18 +south +datum=WGS84 +units=m +no_defs
source : qa_px_18s.grd
names : LC08_L2SP_001084_20210628_20210707_02_T1_QA_PIXEL
values : 1, 62820 (min, max)

Comparar las coordenadas en los slots extent.

En relación al contenido de la banda podemos revisar los va-

 396 MISIONES ESPACIALES

lores contenidos y revisar su significado en el cuadro 8.7.

unique(qa_px_18s)

[1] 1 21762 21824 21890 21952 22018 22080 22146 22208 22280 23826 23888
[13] 24082 24144 29986 30048 30242 30304 54534 54596 54662 54724 54790 54852
[25] 54918 54980 55052 56598 56660 56854 56916 62820
Y los datos los podemos usar como máscara para futuros pro-
cesos (Figura 8.33):
mascara <- qa_px_18s
mascara[mascara != 21824] <- NA

Figura 8.33: Ejemplo

de Máscara de QA pí-
xel ’Claro’.
6250000
6200000
6150000
6100000
6050000

600000 650000 700000 750000 800000

8.13.2 QA_RADSAT
El segundo archivo tif listado en el vector tifs es la banda de
QA_RADSAT o banda de Evaluación de la Calidad de Satura-
 Misión Landsat 397

Cuadro 8.7: Descrip-

ción de Valores Banda
Valor Descripción QA Pixel más impor-
tantes.
1 Relleno
21824 Claro
21826 Nube sobre superficie
21888 Agua
21890 Nube sobre Agua
22080 Nube Confianza Media
22144 Nube Sobre Agua Confianza Media
22280 Nube
23888 Sombra Nubes
23952 Agua y Sombra Nube
24088 Nube y Sombra Confianza Media
24216 Nube y Sombra sobre el Agua Confianza Media
24344 Nube y Sombra Confianza Alta
24472 Nube y Sombra sobre Agua Alta Confianza
30048 Nieve o Hielo Alta Confianza
54596 Cirrus Alta Confianza
54852 Cirrus, Nube Media
55052 Cirrus Nubes Altas
56856 Cirrus y Sombra Nubes Confianza Media
56984 Cirrus, Sombra Nubes Confianza Media sobre Agua
57240 Cirrus y Sombra de Nubes Alta Confianza
398 MISIONES ESPACIALES

ción Radiométrica (QA_RADSAT), que es una representación

empaquetada de bits de qué bandas de sensores se saturaron du-
rante la captura de datos, lo que arroja datos inutilizables. La
saturación en Landsat 8 no es común. Cuando ocurre la satura-
ción, ocurre sobre superficies reflectantes en las bandas ópticas,
o volcanes e incendios forestales en el infrarrojo de onda corta
(SWIR) y bandas térmicas.
La saturación se puede encontrar de dos formas: una, los píxe-
les saturados pueden mostrarse como el valor máximo de 16 bits:
65535; o dos, los valores de los píxeles pueden “pasar” al extre-
mo inferior del rango válido (no necesariamente solo un valor de
0), lo que se denomina sobresaturación. La sobresaturación solo
ocurre con OLI y no ocurrirá con las bandas térmicas TIRS. La
banda L8 QA_RADSAT marcará solo los casos de saturación.
 Misión Landsat 399

8.13.3 Bandas OLI

Los siguientes archivos en el vector corresponden a las bandas

del sensor OLI que capturan la reflectancia superficial (ρ).
Los productos de procesamiento Nivel-2 o (productos científi-
cos -SP) Landsat 8 categoría Surface Reflectance (SR) se generan
a partir de un software especializado llamado Land Surface Re-
flectance Code (LaSRC).
El algoritmo LaSRC original fue desarrollado por el Dr. Eric
Vermote, Centro de Vuelo Espacial Goddard (GSFC) de la Admi-
nistración Nacional de Aeronáutica y del Espacio (NASA) y fue
modificado por el personal del Centro de Observación y Ciencia
de Recursos Terrestres (EROS) del USGS.
LaSRC genera reflectancia de la parte superior de la atmósfera
(TOA) y temperatura de brillo (BT) utilizando los parámetros
de calibración de los metadatos. Las rutinas de corrección at-
mosférica se aplican luego a los datos de reflectancia TOA de
Landsat 8, utilizando datos de entrada auxiliares como vapor de
agua, ozono y espesor óptico de aerosoles (AOT) recuperados del
espectrorradiómetro de imágenes de resolución moderada (MO-
DIS), y elevación digital derivada de GTOPO5 para generar la
reflectancia superficial.
bandas <- [Link](destino[1], tifs[c(3:9)])
nombres <- c("AC","B","G","R","NIR","SWIR1","SWIR2")
imagen1 <- stack(bandas)
names(imagen1) <- nombres
Con los parámetros contenidos en 8.2 se transforman los valo-
res enteros a valores de reflectancia reales.
imagen <- (imagen1 * 0.0000275) + -0.2
imagen1_corr <- projectRaster(from = imagen,
crs = utm18s,
method = "bilinear")
Realizaremos un recorte en el sector de la desembocadura del
Río Mataquito, Región Libertador General Bernardo O´Higgins
en Chile para estudiar la relación entre las propiedades de la
respuesta espectral y las coberturas naturales (Figura 8.34). La
400 MISIONES ESPACIALES

zona comparte áreas boscosas, de cultivos y suelo desnudo.

Diametralmente diferente es la zona desértica y rocosa de la
provincia de Tamanrasset, Algeria región que cubre la imagen
MODIS procesada en 8.4.1, que aconsejo usar como patrón de
comparación de los valores en cada banda (Figura 8.34).
recorte <- crop(x = imagen1_corr,
y = extent(753411.8, 770155.5,
6114039, 6140000))

8.13.4 Imágenes en Color Real

En el punto 9.5 estudiamos en detalle el trabajo con la combi-
nación de bandas para formar imágenes denominadas falso color,
entre las más conocidas son:
• Color Verdadero o RGB. Figura 8.35.

plotRGB(recorte,
r="R",
g="G",
b="B",
stretch="lin",
axes=F)

• Falso Color o NIR/R/G. Figura 8.36.

El MDR lo guardamos en disco, y en el punto 9.7 es usado en
la construcción de gráficos de dispersión⊛ .
writeRaster(recorte,
here("raw","recorte_1.grd"),
overwrite=T)

8.13.5 TIRS
El último archivo que vamos a describir es el archivo número
12 que corresponde a la banda termal o banda TIRS.
El producto Landsat Surface Temperature (ST) se genera a
partir de las bandas infrarrojas térmicas de Landsat Collection
2 Level 1 utilizando la reflectancia de la parte superior de la
 Misión Landsat 401

AC B G

R NIR SWIR1

SWIR2

Figura 8.34: Bandas

Imagen Landsat 8
OLI. Sector Desembo-
cadura Río Mataquito,
Región Libertador
General Bernardo
O´Higgins, Chile.
402 MISIONES ESPACIALES

Figura 8.35: Composi-

ción Color Verdadero
(RGB) Imagen Land-
sat 8 OLI. Sector
Desembocadura Río
Mataquito, Región
Libertador General
Bernardo O´Higgins,
Chile
Misión Landsat 403

Figura 8.36: Com-

posición Falso Color
(NIR,R,G) Imagen
Landsat 8 OLI. Sector
Desembocadura Río
Mataquito, Región
Libertador General
Bernardo O´Higgins,
Chile
404 MISIONES ESPACIALES

atmósfera (TOA), la temperatura de brillo (BT), el radiómetro

de emisión y reflexión térmica avanzada del espacio (ASTER),
la base de datos de emisividad global (GED), datos del índice
de vegetación de diferencia normalizada (NDVI) de ASTER y
perfiles atmosféricos de altura geopotencial, humedad específica
y temperatura del aire extraídos de los datos de reanálisis.
Con los parámetros contenidos en el cuadro 8.2 se transforman
los valores enteros a valores de temperatura superficial en grados
celsius.
b10 <- raster([Link](destino[1], tifs[12]))
termal <- (b10 * 0.00341802 + 149) - 273.15
termal_corr <- projectRaster(from = termal,
crs = utm18s,
method = "bilinear")

termal_recorte <- crop(x = termal_corr,

y = extent(753411.8, 770155.5,
6114039, 6140000))
 Misión Landsat 405

Figura 8.37: Banda

Termal (B10), tempe-
ratura superficial en
grados celsius. Imagen
Landsat 8 TIRS. Sec-
tor Desembocadura
Río Mataquito, Región
Libertador General
Bernardo O´Higgins,
Chile

Temperatura [°C]

5 10 15
Misiones Sentinel

La Agencia Espacial Europea (ESA)4 es la puerta de en- 4

Link [Link]
trada de Europa al espacio. Su misión es dar forma al desarrollo
de la capacidad espacial de Europa y garantizar que la inversión
en el espacio continúe aportando beneficios a los ciudadanos de
Europa y del mundo.
ESA desarrolló una serie de misiones espaciales de observación
de la Tierra de próxima generación, en nombre de la iniciativa
conjunta de la ESA y la Comisión Europea Copernicus.
El objetivo del programa Sentinel es reemplazar las misiones
de observación de la Tierra más antiguas que se han retirado,
como las misiones ERS y Envisat, o que actualmente se acercan
al final de su vida útil operativa. Esto garantizará la continuidad
de los datos para que no existan lagunas en los estudios en curso.
Cada misión se centra en un aspecto diferente de la observación
de la Tierra; Monitoreo atmosférico, oceánico y terrestre, y los
datos son útiles en muchas aplicaciones.
Sentinel-1: Su objetivo de monitoreo terrestre y oceánico,
Sentinel-1 estará compuesto por dos satélites en órbita polar que
operan día y noche, y realizará imágenes de radar, lo que les
permitirá adquirir imágenes independientemente del clima. El
primer satélite Sentinel-1 se lanzó en abril de 2014 (Figura 8.38).
Sentinel-2: El objetivo de Sentinel-2 es el monitoreo terres- Figura 8.38: Satélite
tre, y la misión estará compuesta por dos satélites en órbita polar Sentinel 1
que proporcionarán imágenes ópticas de alta resolución. La ve-
getación, el suelo y las zonas costeras se encuentran entre los
objetivos de seguimiento. El primer satélite Sentinel-2 se lanzó
en junio de 2015 (Figura 8.39).
Figura 8.39: Satélite
Sentinel 2
408 MISIONES ESPACIALES

Sentinel-3: El objetivo principal de Sentinel-3 es la observa-

ción marina, y estudiará la topografía de la superficie del mar,
la temperatura de la superficie del mar y la tierra, el color del
océano y la tierra. Compuesto por tres satélites, el instrumento
principal de la misión es un altímetro de radar, pero los satéli-
tes en órbita polar llevarán múltiples instrumentos, incluidos los
generadores de imágenes ópticas (Figura 8.40).
Figura 8.40: Satélite
Sentinel-4: Se dedica al monitoreo de la calidad del aire. El
Sentinel 3
instrumento Sentinel-4 UVN es un espectrómetro que se lleva a
bordo de los satélites Meteosat de tercera generación, operado
por EUMETSAT. La misión tiene como objetivo proporcionar
un seguimiento continuo de la composición de la atmósfera de la
Tierra con una alta resolución temporal y espacial y los datos se
utilizarán para respaldar el seguimiento y la predicción en Europa
(Figura 8.41).
Sentinel-5: Se dedica al monitoreo de la calidad del aire. El Figura 8.41: Satélite
instrumento Sentinel-5 UVNS es un espectrómetro que se lleva a Sentinel 4
bordo de los satélites MetOp de segunda generación. La misión
tiene como objetivo proporcionar un seguimiento continuo de la
composición de la atmósfera terrestre. Proporciona datos de co-
bertura global de amplio espectro para monitorear la calidad del
aire en todo el mundo (Figura 8.42).
Sentinel-5P: Fue una misión satelital precursora, tiene como
Figura 8.42: Satélite
objetivo llenar el vacío de datos y proporcionar continuidad de Sentinel 5
datos entre el retiro del satélite Envisat y la misión Aura de
la NASA y el lanzamiento de Sentinel-5. El objetivo principal
de la misión Sentinel-5P es realizar mediciones atmosféricas, con
alta resolución espaciotemporal, relacionadas con la calidad del
aire, forzamiento climático, ozono y radiación UV. El satélite se
lanzó con éxito el 13 de octubre de 2017 desde el cosmódromo de Figura 8.43: Satélite
Sentinel 5p
Plesetsk en Rusia (Figura 8.43).

8.14 Sentinel-2

La misión Copernicus Sentinel-2 comprende una constelación

de dos satélites en órbita polar colocados en la misma órbita
sincrónica del sol. El tiempo de revisita de 10 días en el ecuador
 Misión Sentinel 409

con un satélite y 5 días con 2 satélites en condiciones sin nubes,

lo que da como resultado 2-3 días en latitudes medias.
Cada satélite SENTINEL-2 pesa aproximadamente 1.2 tone-
ladas. SENTINEL-2A y SENTINEL-2B se han lanzado con
el lanzador europeo VEGA.
La vida útil del satélite es de 7.25 años, que incluye una fase
de puesta en servicio en órbita de 3 meses. Se han proporcionado
baterías y propulsores para dar cabida a 12 años de operaciones,
incluidas las maniobras de abandono de órbita al final de su vida
útil.
Dos satélites SENTINEL-2 idénticos operan simultáneamen-
te, en fases a 180◦ entre sí, en una órbita sincrónica con el sol
a una altitud media de 786 km. La posición de cada satélite
SENTINEL-2 en su órbita se mide mediante un receptor del Siste-
ma de navegación por satélite global (GNSS) de doble frecuencia.
La precisión orbital se mantiene mediante un sistema de propul-
sión dedicado.
El sistema de satélite SENTINEL-2 fue desarrollado por un
consorcio industrial liderado por Astrium GmbH (Alemania). As-
trium SAS (Francia) es responsable del Instrumento multiespec-
tral (MSI).

8.14.1 Sensor MSI

El MSI funciona de forma pasiva, al recoger la luz solar refleja-

da desde la Tierra. Se adquieren nuevos datos en el instrumento
a medida que el satélite se mueve a lo largo de su trayectoria or-
bital. El haz de luz entrante se divide en un filtro y se enfoca en
dos conjuntos de plano focal separados dentro del instrumento;
uno para las bandas Visible e Infrarrojo cercano (VNIR) y otro
para las bandas de infrarrojos de onda corta (SWIR). La separa-
ción espectral de cada banda en longitudes de onda individuales
se logra mediante filtros de bandas montados en la parte superior
de los detectores.
El diseño óptico del telescopio MSI permite un campo de visión
(FOV) de 290 km.
Un mecanismo de obturación evita que el instrumento sea ilu-
410 MISIONES ESPACIALES

minado directamente por el sol en órbita y evita la contaminación

durante el lanzamiento. El mismo mecanismo funciona como un
dispositivo de calibración al recoger la luz solar después de la
reflexión de un difusor.
• Resolución Espacial: Existen tres posibles resoluciones: 10,
20 y 60 m.
• Resolución Espectral: El detalle de la posición y ancho de
bandas se detallan en el cuadro 8.8 y la figura 8.44.
• Resolución Radiométrica: Los datos son almacenados en
un formato de 12 bits. Aunque los productos de segundo nivel
de proceso son almacenados a 16 bits.
• Resolución Temporal: Los satélites de la constelación Sentinel-
2 proporcionarán un tiempo de revisión de cinco días en el
ecuador sin nubes.

Cuadro 8.8: Bandas

MSI, S2A [S2B].
Banda Nombre Rango (ρ nm) S2A [S2B]
B1 Aerosoles 432.2 − 453.2 [431.7 − 452.7]
B2 Azul 459.4 − 525.4 [459.1 − 525.1]
B3 Verde 541.8 − 577.8 [541.0 − 577.0]
B4 Rojo 649.1 − 680.1 [649.4 − 680.4]
B5 Red Edge 1 696.6 − 711.6 [695.8 − 711.8]
B6 Red Edge 2 733.0 − 748.0 [731.6 − 746.6]
B7 Red Edge 3 772.8 − 792.8 [769.7 − 789.7]
B8 NIR 779.8 − 885.8 [779.9 − 885.9]
B8A Red Edge 4 854.2 − 875.2 [853.0 − 875.0]
B9 Vapor Agua 935.1 − 955.1 [932.7 − 953.7]
B11 SWIR1 1568.2 − 1659.2 [1563.4 − 1657.4]
B12 SWIR2 2114.9 − 2289.9 [2093.2 − 2278.2]
Nota:
ρ: Reflectancia Superficial.

8.14.2 Niveles de Procesamiento

La corrección atmosférica es el proceso de eliminar los efec-
tos de la atmósfera en los valores de reflectancia de la parte supe-
 Misión Sentinel 411

90 100 Resolución Radiométrica: Sensor S2A/S2B

Banda 2
Banda 3
10 m Banda 4
Banda 8
80
70
Transmitancia (%)

Banda 5
Banda 6
60

Banda 7
20 m Banda 8a
50

Banda 11
B12 S2A
40

B12 S2B
30
20

60 m Banda 1
Banda 9
10
0

0.0 0.5 1.0 1.5 2.0 2.5 3.0

Longitud de Onda (µm)

Figura 8.44: Distribu-
ción y espesor de ban-
rior de la atmósfera (TOA) de las imágenes de satélite originales; das en MSI.
La reflectancia TOA es una medida sin unidades que proporciona
la relación entre la radiación reflejada y la radiación solar inci-
dente en una superficie determinada. La reflectancia del fondo de
la atmósfera (BOA), por otro lado, se define como la fracción de
la radiación solar entrante que se refleja desde la superficie de la
Tierra para el punto de visualización.
Sen2Cor es un algoritmo cuyo propósito fundamental es co-
rregir una imagen Sentinel-2 producto de nivel 1C de los efectos
de la atmósfera y resultan en una serie de productos junto al de
reflectancia superficial de nivel 2A. Los valores de reflectancia su-
perficial se encuentran generalmente entre 0,0 y 1,0. Los efectos
especulares en la superficie o las nubes pueden dar lugar a valo-
res superiores a 1,0. Para convertir los valores o niveles digitales
almacenados en las imágenes a reflectancia superficial o BOA se
debe aplicar la fórmula 8.1.

ND
SR = (8.1)
10.000
Un tercer nivel existió hasta marzo de 2018: L2Ap, o pro-
412 MISIONES ESPACIALES

ductos pilotos generados por la ESA. Después de dicha fecha son

productos operativos (L2A).

8.14.3 Productos Adicionales Especiales

El procesamiento vía sen2Cor además de generar las salidas
en nivel 2A (L2A) incorporan una serie de productos adicionales
(Detalles Adicionales en (Cuadro 8.10):

• Clasificación de escena (SCL): Once clases de cobertura

o uso de suelo (ver detalle en cuadro 8.9).

• Indicadores de calidad (Probabilidad Nubes y Nieve).

Mapas de probabilidad (%) de presencia de dichos elementos.

• Espesor Óptico de Aerosoles (AOT): Es el grado en que

los aerosoles impiden la transmisión de luz en la atmósfera.
Un espesor óptico de aerosol de menos de 0,1 indica un cielo
cristalino con máxima visibilidad, mientras que un valor de 4
indica la presencia de aerosoles tan densos que las personas
tendrían dificultades para ver el Sol, incluso a mediodía.

• Vapor de Agua (WVP): Rangos típicos de columnas de

vapor de agua son (desde el nivel del mar hasta el espacio):
– Condiciones tropicales: wvp = 3-5 cm
– Verano de latitud media: wvp = 2-3 cm
– Verano seco, primavera, otoño: wvp = 1-1.5 cm
– Desierto seco o invierno: wvp = 0.3-0.8 cm

• True Color Image (TCI): Imagen ajustada a la percepción

visual humana en formato JPEG2000. El TCI es una imagen
RGB construida a partir de las bandas B2 (azul), B3 (ver-
de) y B4 (rojo). Las reflectancias están codificadas entre 1 y
255, reservando el 0 para ‘Sin datos’. El nivel de saturación de
255 a un nivel 2000 en productos L2A (ρ = 0.2 en valor de
reflectancia).
 Misión Sentinel 413

Cuadro 8.9: Códigos

Tabla de Clases SCL.
Valor SCL
1 Saturado o defectuoso
2 Área Obscura
3 Sombra de Nubes
4 Vegetación
5 Suelo Desnudo
6 Agua
7 Nubes Baja Probabilidad
8 Nubes Media Probabilidad
9 Nubes Alta Probabilidad
10 Cirros
11 Nieve/Hielo

Cuadro 8.10: Produc-

tos Adicionales Espe-
Nombre Pixel Descripción Unidad Escala ciales MSI.

AOT 10 Espesor Aerosoles - 0.001

WVP 10 Presión Vapor Agua cm 0.001
SCL 20 Mapa Clasificación - -
MSK_CLD 20 Probabilidad Nubes % -
MSK_SNW 10 Probabilidad Nieve % -
TCI 10 Color Verdadero - -
414 MISIONES ESPACIALES

8.15 Descarga de Imágenes Sentinel-2

El sitio web que centraliza el acceso al Copernicus Open Access
Hub es: [Link].
Pasos principales para la descarga de imágenes:
1. El sitio se compone de una serie de enlaces a la data de las mi-
siones Sentinel, novedades y estadísticas globales interesantes
para el usuario. El acceso específico al panel de configuración
de la búsqueda de productos Sentinel 1, 2 y 3 es mediante el
sitio Open Hub, (Figura 8.45, área destacada en rojo).

2. Open Hub ofrece un mapa web para definir el área geográfica

mediante el dibujo de un polígono y una serie de diálogos para
especificar y refinar la búsqueda de productos (Figura 8.46).

3. Antes de realizar cualquier operación debes logearte o regis-

trarte para acceder a los servicios (Figura 8.47).

4. El mapa web posee dos modalidades, navegación y trazado. En

la primera debes realizar los paneos y zooms necesarios para
buscar el área de estudio y en la segunda, dibujar el polígono
que define dicha área, (Figura 8.48).
Misión Sentinel 415

Figura 8.45: Vis-

ta inicial del sitio
[Link].
El link destacado en
rojo da acceso a la
data disponible de las
misiones Sentinel-1,2
y 3.
416 MISIONES ESPACIALES

Figura 8.46: Panel

de configuración de
búsquedas en sitio
’[Link]/dhus’

Figura 8.47: Cuadro de

dialogo para logear o
crear una cuenta.
 Misión Sentinel 417

5. El trazado de polígono en el mapa web se puede realizar en

dos modos:

• Área Rectangular: Luego de realizar el primer clic y sin Figura 8.48: Modos del
levantar el botón del ratón arrastrar a la esquina opuesta se mapa web. (Izquierda)
Modo navegación para
define el área de estudio rectangular. buscar y ajustar vista
y (Derecha) Dibujar el
• Polígonal: Una serie de clic para crear un polígono irregular polígono que define el
área de estudio.
para definir el área, hasta realizar un doble clic para finalizar
el dibujo.

El resultado se usa para restringir los productos Sentinel que

cubren o al menos interceptan el área (Figura 8.49).

Figura 8.49: Vis-

ta principal del
sitio ’earthexplo-
[Link]’

6. Los parámetros avanzados se agrupan en el cuadro de dialogo

de configuración (Figura 8.50) con controles para configurar
los parámetros de:

• Propiedad de Ordenamiento: Por fecha de procesamiento,

captura o id de la escena.
• Método de Ordenamiento: Ascendente o descendente.
• Fecha de Inicio y Término de Sensado.
• Fecha de Inicio y Término de Proceso.

Las siguientes opciones del cuadro de dialogo agrupan los pa-

rámetros disponibles para las distintas misiones disponibles.
418 MISIONES ESPACIALES

Figura 8.50: Cuadro de

dialogo con opciones
avanzadas de búsque-
da.

7. Activar el check para descarga de misión Sentinel-2:

• Selección del Satélite: Al dejar la opción en blanco buscará

por ambos vehículos. Seleccionando el nombre S2A o S2B se
restringe solo a dicha opción (Figura 8.51).

Figura 8.51: Selección

de Satélite Sentinel.

• Tipo de Producto: Nivel de Procesamiento de las escenas

(detalles en 8.14.2, figura 8.52). Si la opción se deja en blanco
buscará en todos los niveles o tipos de procesamiento.

Figura 8.52: Opciones

de procesamiento dis-
ponibles para escenas
Sentinel-2.

• Cobertura Nubosa: Valor en porcentaje de la cobertura

nubosa permitida. Idealmente ingresar un rango de valores en
el formato señalado en el texto [inicio TO fin] expresado en %,
(Figura 8.53).
 Misión Sentinel 419

Figura 8.53: Caja de

Texto para ingresar el
rango de nubosidad
aceptable en la bús-
queda (nótese el for-
Definidos los parámetros se pueden almacenar las opciones pa- mato específico).

ra futuras búsquedas o realizarla efectivamente ( ).

Por cada imagen que cumpla los criterios se presenta una vista
de detalle (Figura 8.54), que forman una lista (Figura 8.55).
Cada elemento presenta cuatro opciones mediante los siguien-
tes íconos:

• Centrar la vista en la imagen.

• Ver los detalles de la imagen.

• Agregar la imagen al carro de productos para su posterior

descarga global.

• Descarga directa de la imagen.

Figura 8.54: Vista de

detalle de la imagen
seleccionada.
420 MISIONES ESPACIALES

Figura 8.55: Lista de

las escenas que cum-
plen con los criterios
de búsqueda.
 Misión Sentinel 421

8.16 Imágenes Sentinel-2 en R

Las imágenes Sentinel-2 descargadas se encuentran en forma-

to .zip, lo primero es construir un vector de texto con aquellos
archivos que cumplan la extensión en la carpeta donde fueron
descargados. En la carpeta que hemos ido desarrollando nuestros
ejercicios la ruta es: (carpeta de proyecto), raw, sen.
zipes <- dir(path = here("raw","sen"),
pattern =".zip$")
Usando la función sub(pattern, replacement, x) donde en
el objeto x se busca el texto pattern y es reemplazado por
replacement, vamos a convertir la parte del texto en el nom-
bre de las carpetas, .zip por un carácter vacío.
(carpetas <- sub(pattern = ".zip",
replacement = "",
x = zipes))

[1] "S2A_MSIL2A_20190131T134211_N0211_R124_T21HWB_20190131T160605"
[2] "S2B_MSIL2A_20190516T134219_N0212_R124_T21HWB_20190516T174745"
[3] "S2B_MSIL2A_20210905T152639_N0301_R025_T18QZG_20210905T212724"
Es importante destacar la longitud del nombre restante. Para
Windows las rutas y nombres tan largos podría generar proble-
mas por lo que vamos a extraer un segmento de caracteres
que identifica y acorta los nombres de las carpetas que almace-
narán los archivos por extraer.
La función substr(x, start, stop) toma el objeto x y selec-
ciona el texto comenzando de la posición start hasta la posición
stop y devuelve ese segmento.
(nombre <- substr(x = carpetas,
start = 1,
stop = 26))

[1] "S2A_MSIL2A_20190131T134211" "S2B_MSIL2A_20190516T134219"

[3] "S2B_MSIL2A_20210905T152639"
Ahora con toda la información en vectores podemos usar la
función unzip() del paquete (que debemos instalar previamente)
422 MISIONES ESPACIALES

zip (Csárdi et al. [2021]).

Los parámetros mínimos que debemos definir son zipfile que
define la ruta y el nombre del o los archivos zip, exdir la ruta
y nombre de la carpeta de salida y junkpaths que define si se
deben ignorar todas las rutas de directorio al crear archivos. Si
es TRUE, todos los archivos se crearán en exdir.
zip::unzip(zipfile = here("raw","sen", zipes),
exdir = here("raw","sen",nombre),
junkpaths=T)
Ahora por cada imagen descargada zip tenemos una carpe-
ta con imágenes y archivos asociados que forman una escena
Sentinel-2.
Para explorar y revisar el contenido detallamos una carpeta,
en la configuración de mi proyecto es la tercera (nombre[3] aun-
que puede variar en el caso del lector) y configuramos con el
parámetro path, también la extensión de los archivos a listar se
define vía parámetro pattern (el uso del símbolo $ especifica que
la extensión .jp2 DEBE estar al final del texto). Los restantes pa-
rámetros indican que debe buscar hacia dentro de cada carpeta
y devolver los nombres y rutas:
jps <- [Link](path = here("raw","sen", nombre[3]),
pattern = ".jp2$",
recursive = T,
[Link] = T)
Para revisar el contenido vamos a extraer los nombres de los
archivos :
basename(jps)

[1] "MSK_CLDPRB_20m.jp2" "MSK_CLDPRB_60m.jp2"

[3] "MSK_SNWPRB_20m.jp2" "MSK_SNWPRB_60m.jp2"
[5] "T18QZG_20210905T152639_AOT_10m.jp2" "T18QZG_20210905T152639_AOT_20m.jp2"
[7] "T18QZG_20210905T152639_AOT_60m.jp2" "T18QZG_20210905T152639_B01_60m.jp2"
[9] "T18QZG_20210905T152639_B02_10m.jp2" "T18QZG_20210905T152639_B02_20m.jp2"
[11] "T18QZG_20210905T152639_B02_60m.jp2" "T18QZG_20210905T152639_B03_10m.jp2"
[13] "T18QZG_20210905T152639_B03_20m.jp2" "T18QZG_20210905T152639_B03_60m.jp2"
[15] "T18QZG_20210905T152639_B04_10m.jp2" "T18QZG_20210905T152639_B04_20m.jp2"
[17] "T18QZG_20210905T152639_B04_60m.jp2" "T18QZG_20210905T152639_B05_20m.jp2"
[19] "T18QZG_20210905T152639_B05_60m.jp2" "T18QZG_20210905T152639_B06_20m.jp2"
[21] "T18QZG_20210905T152639_B06_60m.jp2" "T18QZG_20210905T152639_B07_20m.jp2"
[23] "T18QZG_20210905T152639_B07_60m.jp2" "T18QZG_20210905T152639_B08_10m.jp2"
 Misión Sentinel 423

[25] "T18QZG_20210905T152639_B09_60m.jp2" "T18QZG_20210905T152639_B11_20m.jp2"

[27] "T18QZG_20210905T152639_B11_60m.jp2" "T18QZG_20210905T152639_B12_20m.jp2"
[29] "T18QZG_20210905T152639_B12_60m.jp2" "T18QZG_20210905T152639_B8A_20m.jp2"
[31] "T18QZG_20210905T152639_B8A_60m.jp2" "T18QZG_20210905T152639_PVI.jp2"
[33] "T18QZG_20210905T152639_SCL_20m.jp2" "T18QZG_20210905T152639_SCL_60m.jp2"
[35] "T18QZG_20210905T152639_TCI_10m.jp2" "T18QZG_20210905T152639_TCI_20m.jp2"
[37] "T18QZG_20210905T152639_TCI_60m.jp2" "T18QZG_20210905T152639_WVP_10m.jp2"
[39] "T18QZG_20210905T152639_WVP_20m.jp2" "T18QZG_20210905T152639_WVP_60m.jp2"
Nos encontramos con 40 archivos jp2. Algunos corresponden a
las bandas espectrales y otros a los productos adicionales. Tam-
bién se separan por resolución espacial mediante los sufijos 10m,
20m y 60m.

8.16.1 Set de Imágenes a 10m

Vamos a extraer solo los nombres que contienen el sufijo 10m
mediante la función str_detect(string, pattern) que devuel-
ve un vector lógico de la misma longitud que el vector que con-
tiene los textos a chequear string donde el valor TRUE indica la
existencia del texto definido con el parámetro r, "\u0060pattern\u0060".
id <- str_detect(string = jps, pattern = "_10m")
Y usando el vector lógico podemos crear un subconjunto con
los elementos buscados:
sen2_10m_img <- jps[id]
La imagen del tipo TCI (ver 8.17.1) no será incluida en la cons-
trucción de nuestro objeto RasterStack. Por lo que se remueve el
índice que corresponde a esa imagen.
basename(sen2_10m_img[-6])

[1] "T18QZG_20210905T152639_AOT_10m.jp2" "T18QZG_20210905T152639_B02_10m.jp2"

[3] "T18QZG_20210905T152639_B03_10m.jp2" "T18QZG_20210905T152639_B04_10m.jp2"
[5] "T18QZG_20210905T152639_B08_10m.jp2" "T18QZG_20210905T152639_WVP_10m.jp2"
Lo que solo nos deja seis archivos jp2 en el siguiente orden:
nombres_10m <- c("AOT","B2","B3","B4","B8","WVP")
Y construimos nuestro producto final con el uso de la función
stack y renombramos las capas que lo componen:
sen2_10m <- stack(sen2_10m_img[-6])
names(sen2_10m) <- nombres_10m
424 MISIONES ESPACIALES

Si inspeccionamos los valores máximos y mínimos podemos

observar que se encuentran en ND, con una resolución radiomé-
trica de 16 bits; se aplica la fórmula 8.1 para llevar los datos a
reflectancia superficial o BOA (no aplicamos a las capas AOT y
WVP).
sen2_10m_sr <- sen2_10m[[2:4]] /10000
Y ajustamos los valores al rango válido mediante la función
clamp(x, lower, upper) que restringe los valores de x al valor
mínimo lower y valor máximo upper.
sen2_10m_s <- clamp(x = sen2_10m_sr,
lower= 0, upper= 1)
Finalmente, se deben agregar las capas adicionales que fueron
removidas en el paso anterior:
sen2_10m_img <- addLayer(sen2_10m_s,
sen2_10m$AOT,
sen2_10m$WVP)
Y para generar la figura 8.56 usamos el código:
plotRGB(sen2_10m_img, r="B4", g="B3", b="B2", stretch="lin", ext=ext)
 Misión Sentinel 425

Figura 8.56: Detalle

Fort Liberté Haití, is-
la La Española. Ima-
gen Sentinel-2 a 10
m, composición RGB.
Captura 5 de septiem-
bre del 2021.

8.16.2 Set de Imágenes a 20 m

Repetimos los pasos para las imágenes con resolución de 20 m,

debemos también ajustar los nombres de las bandas.
id <- str_detect(jps, "_20m")
sen2_20m_img <- jps[id]
basename(sen2_20m_img[-14])

[1] "MSK_CLDPRB_20m.jp2" "MSK_SNWPRB_20m.jp2"

[3] "T18QZG_20210905T152639_AOT_20m.jp2" "T18QZG_20210905T152639_B02_20m.jp2"
[5] "T18QZG_20210905T152639_B03_20m.jp2" "T18QZG_20210905T152639_B04_20m.jp2"
[7] "T18QZG_20210905T152639_B05_20m.jp2" "T18QZG_20210905T152639_B06_20m.jp2"
[9] "T18QZG_20210905T152639_B07_20m.jp2" "T18QZG_20210905T152639_B11_20m.jp2"
[11] "T18QZG_20210905T152639_B12_20m.jp2" "T18QZG_20210905T152639_B8A_20m.jp2"
[13] "T18QZG_20210905T152639_SCL_20m.jp2" "T18QZG_20210905T152639_WVP_20m.jp2"

nombres_20m <- c("MSK_CLD","MSK_SNW","AOT",

"B2","B3","B4","B5","B6",
"B7","B11","B12","B8A","SCL",
"WVP")
426 MISIONES ESPACIALES

sen2_20m <- stack(sen2_20m_img[-14])

names(sen2_20m) <- nombres_20m
sen2_20m_sr <- sen2_20m[[4:12]] /10000
sen2_20m_sr <- clamp(x = sen2_20m_sr, lower= 0, upper= 1)
sen2_20m_sr <- addLayer(sen2_20m_sr, sen2_20m$MSK_CLD,
sen2_20m$MSK_SNW, sen2_20m$AOT,
sen2_20m$WVP, sen2_20m$SCL)
Y su imagen en RGB a 20 m (Figura 8.57).

Figura 8.57: Detalle

Fort Liberté Haití, is-
la La Española. Ima-
gen Sentinel-2 a 20
m, composición RGB.
Captura 5 de septiem-
bre del 2021.
 Misión Sentinel 427

8.16.3 Set de Imágenes de 60 m

Y lo mismo realizamos para la resolución de imágenes de 60
m.
id <- str_detect(jps, "_60m")
sen2_60m_img <- jps[id]
basename(sen2_60m_img[-16])

[1] "MSK_CLDPRB_60m.jp2" "MSK_SNWPRB_60m.jp2"

[3] "T18QZG_20210905T152639_AOT_60m.jp2" "T18QZG_20210905T152639_B01_60m.jp2"
[5] "T18QZG_20210905T152639_B02_60m.jp2" "T18QZG_20210905T152639_B03_60m.jp2"
[7] "T18QZG_20210905T152639_B04_60m.jp2" "T18QZG_20210905T152639_B05_60m.jp2"
[9] "T18QZG_20210905T152639_B06_60m.jp2" "T18QZG_20210905T152639_B07_60m.jp2"
[11] "T18QZG_20210905T152639_B09_60m.jp2" "T18QZG_20210905T152639_B11_60m.jp2"
[13] "T18QZG_20210905T152639_B12_60m.jp2" "T18QZG_20210905T152639_B8A_60m.jp2"
[15] "T18QZG_20210905T152639_SCL_60m.jp2" "T18QZG_20210905T152639_WVP_60m.jp2"

nombres_60m <- c("MSK_CLD","MSK_SNW","AOT",

"B1","B2","B3","B4","B5",
"B6","B7","B9","B11","B12",
"B8A","SCL","WVP")
sen2_60m <- stack(sen2_60m_img[-16])
names(sen2_60m) <- nombres_60m
sen2_60m_sr <- sen2_60m[[4:14]] /10000
sen2_60m_sr <- clamp(x = sen2_60m_sr, lower= 0, upper= 1)
sen2_60m_sr <- addLayer(sen2_60m_sr, sen2_60m$MSK_CLD,
sen2_60m$MSK_SNW, sen2_60m$AOT,
sen2_60m$WVP, sen2_60m$SCL)

#writeRaster(sen2_60m_sr, here("raw","sen2_60m_sr.grd"), overwrite=T)

Y su figura a 60 m de resolución es 8.58.
428 MISIONES ESPACIALES

Figura 8.58: Detalle

Fort Liberté Haití, is-
la La Española. Ima-
gen Sentinel-2 a 60
m, composición RGB.
Captura 5 de septiem-
bre del 2021.

8.17 Productos Adicionales Especiales

Como se señala en 8.14.3 existe un juego de imágenes adi-

cionales que componen las escenas Sentinel-2. Cada una puede
requerir el uso de funciones adicionales o procesamientos diferen-
tes, a continuación, vamos a procesar cada una de ellas.

8.17.1 TCI

La imagen de color verdadero o TCI es una composición RGB

en el mismo formato .jp2 y hasta ahora la hemos excluido de los
procesos.
Mediante el paquete magick (Ooms [2021]), agregamos la ca-
pacidad de leer variados formatos (png, jpeg, tiff, pdf, etc) y mo-
dificarlos (rotar, escalar, recortar, aplicar efectos, etc). La función
image_read(x) regresa un objeto ‘magick’,
tci_60m <- image_read(sen2_60m_img[16])
 Misión Sentinel 429

tci_60m
format width height colorspace matte filesize density
JP2 1830 1830 sRGB FALSE 3727816 72x72
Que permite manejar de manera similar una fotografía a un ob-
jeto rasterLayer (Figura 8.59). La salida al comando print(tci_60m)
se realiza en el panel Viewer a escala verdadera y el sistema pro-
vee dos barras para deslizar y poder explorar la imagen.

Figura 8.59: Visualiza-

ción de la imagen en el
panel ’Viewer’.
430 MISIONES ESPACIALES

8.17.2 AOT
El Espesor Óptico del Aerosol o AOT (Figura 8.60) es el
grado en que los aerosoles impiden la transmisión de luz.
AOT también conocido como profundidad óptica del aero-
sol o espesor óptico (τ ) se define como el coeficiente de extin-
ción integrado sobre una columna vertical de sección transversal
unitaria.
El coeficiente de extinción es el agotamiento fraccional de la
radiancia por unidad de longitud del camino (también llamado
atenuación, especialmente en referencia a las frecuencias de ra-
dar). El grosor óptico a lo largo de la dirección vertical también
AOT
se denomina grosor óptico normal (en comparación con el grosor 0.10
0.15

óptico a lo largo de la trayectoria inclinada).

0.20
0.25
0.30

Aplicaciones:
0.35

Figura 8.60: Pro-

1. Corrección atmosférica de elementos sensados. ducto AOT, Imagen
Sentinel-2 a 60 m.
2. Monitoreo de fuentes y sumideros de aerosoles.
Captura 5 de septiem-
3. Seguimiento de erupciones volcánicas e incendios forestales. bre del 2021.
4. Modelo de transferencia radiativa.
5. Calidad del aire.
6. Salud y Medio Ambiente.
7. Cambio climático.
Para la conversión a magnitud real se escala por 1/1000.
aot_60m <- raster(sen2_60m_img[3])/1000
WVP(cm)
1.0
1.5
2.0

8.17.3 WVP 2.5

3.0
3.5
4.0

La capa denominada WVP o Columna de Vapor de Agua, se

4.5
5.0

expresa en cm y se debe escalar usando el factor 1/1000 (Figura Figura 8.61: Pro-
ducto WVP, Imagen
8.61). Sentinel-2 a 60 m.
Captura 5 de septiem-
wvp_60m <- raster(sen2_60m_img[17])/1000
bre del 2021.

8.17.4 SCL
El producto Clasificación de Escena o SCL (8.9) se compone
de 11 categorías las cuales se recomiendan tratar cono factores.
Primero la convertimos en objeto rasterLayer estándar:
 Misión Sentinel 431

scl_60m <- raster(sen2_60m_img[15])

Y mediante la función ratify() se convierte en un ráster ca-
tegórico.
scl_fac <- ratify(scl_60m, count=T)

levels(scl_fac)[[1]] <- cbind(levels(scl_fac)[[1]],

clases= c("área obscura","Sombra Nubes",
"Vegetación", "Suelo Desnudo",
"Agua","Nube baja","Nube Media",
"Nube Alta","Nieve/Hielo"))
Y revisamos la distribución por categoría:
levels(scl_fac)

[[1]]
ID COUNT clases
1 2 10593 área obscura
2 3 4013 Sombra Nubes
3 4 2388123 Vegetación
4 5 706104 Suelo Desnudo
5 6 221791 Agua
6 7 12844 Nube baja
7 8 2061 Nube Media Clasificación de escena
(SCL)

8 9 3336 Nube Alta Área obscura

Sombra Nubes

9 11 35 Nieve/Hielo
Vegetación
Suelo Desnudo
Agua
Nube p. Baja

El producto SCL de la escena Sentinel-2 del ejercicio se puede

Nube p. Media
Nube p. Alta
Nieve/Hielo

revisar en su leyenda. (Figura 8.62). Figura 8.62: Producto

SCL, Imagen Sentinel-
2 a 60 m. Captura 5 de
septiembre del 2021.

8.17.5 Máscaras de Probabilidad

Las máscaras de Probabilidad de Nubes y Nieves clasifican

cada píxel de la escena con un valor porcentual que define que
tan probable o esperado sea uno u otro elemento.
El valor digital de 0 no es nube ni nieve, 255 valor saturado.
La figura 8.63 muestra la máscara de nubes. Máscara Nubes
(Probabilidad %)
0

msk_cld <- raster(sen2_60m_img[1])

10
20
30
40

msk_snw <- raster(sen2_60m_img[2]) 50

60
70
80
90
100

Figura 8.63: Produc-

to Probabilidad de Nu-
bes, Imagen Sentinel-2
a 60 m. Captura 5 de
septiembre del 2021.
432 MISIONES ESPACIALES

8.18 Sentinel-3
Sentinel-3 es una plataforma de múltiples instrumentos que se
centra en la topografía de la superficie del océano, así como en la
temperatura de la superficie terrestre y marina.
La plataforma lleva el radiómetro de temperatura de la super-
ficie del mar y la tierra (SLSTR), el instrumento de color oceá-
nico y terrestre (OLCI), así como un radar de apertura sintética
(SAR) y un radiómetro de microondas (MWR).

8.18.1 Sensor SLSTR

El instrumento SLSTR se desarrolló para continuar y ampliar
las mediciones realizadas por los instrumentos del radiómetro de
barrido Along Track (ATSR) a bordo de los satélites 1 y 2 de
detección remota europea (ERS) y el ATSR avanzado en Envisat.
El SLSTR tiene 9 bandas que cubren las áreas visibles (VIS),
infrarroja de onda corta (SWIR) e infrarroja térmica (TIR) del
espectro.
Con un tiempo medio de revisita de cobertura global en el
ecuador de 1, 9 das (una nave espacial) o 0, 9 das (dos naves
espaciales).
Ancho de franja de vista única ampliada de 1470 km que pro-
porciona un tiempo medio de revisión de cobertura global en el
ecuador de 1 da (una nave espacial) o medio día (dos naves es-
paciales).
Una resolución en tierra de 0, 5 km en el nadir (en lugar de
1 km) para todos los canales VIS y SWIR. Las mediciones de
resplandor de estos canales se utilizan para observaciones diurnas
tanto terrestres como de nubes.
Dos canales agregados (en longitudes de onda de 2, 25−1, 375 µm)
en la banda SWIR para permitir una mejor detección de nubes
y aerosoles para brindar captura de SST / LST más precisas.
Dos canales dedicados para el monitoreo de incendios y eventos
de alta temperatura con una resolución de 1 km (al extender el
rango dinámico del canal de 3, 7 µm e incluir detectores dedicados
a 10, 8 µm que son capaces de detectar incendios a ∼ 650 K sin
saturación).
 Misión Sentinel 433

Una vida útil de diseño de la misión de 7,5 años, superior a la

de los instrumentos anteriores.

8.18.2 Temperatura Superficie Mar (SST)

La medición de la temperatura de la superficie del mar (SST)
se obtiene mediante una calibración de alta precisión de los tres
canales infrarrojos a 3.74 , 10.85 , 12.0 µm (S7-S8-S9 respectiva-
mente) utilizados para la corrección de la absorción atmosférica
del vapor de agua (ventana dividida durante el día y ventana
triple durante la noche) y observación del mismo píxel en el suelo
mediante dos vistas de trayectoria atmosférica para la corrección
de los efectos de los aerosoles.
La SST varía entre −1.8◦ C, la temperatura a la que se congela
el agua de mar, y +30◦ C cerca o debajo del Ecuador.
Es importante tener en cuenta que SLSTR devuelve medi-
ciones de SST para la piel del océano. Debido a la penetración
limitada de la radiación térmica infrarroja a través de la colum-
na de agua, la temperatura radiométrica infrarroja es sólo la de
las primeras decenas de micrómetros. La temperatura de la
superficie de la piel del mar suele ser unas décimas de grado más
fría que la temperatura unos centímetros por debajo.
La SST entendida oceanográficamente es una medida de la
temperatura en los 10 cm superiores.

La información SST no se encuentra libremente disponible.

8.18.3 Temperatura Superficie Terrestre (LST)

La temperatura de la superficie terrestre (LST) es la tempe-
ratura radiante de la piel de la tierra derivada de la radiación
infrarroja. En el proyecto SLSTR, la temperatura de “piel” se
refiere a la temperatura de la superficie superior cuando está en
condiciones de suelo desnudo, ya la temperatura de emisión efec-
tiva de las “copas de los árboles” de vegetación, determinada
desde una vista de la parte superior de una copa.
434 MISIONES ESPACIALES

Una definición simplificada sería qué tan caliente se sentiría

la “superficie” de la Tierra al tacto en un lugar en particular.
Desde el punto de vista de un satélite, la “superficie” es lo que
ve cuando mira a través de la atmósfera hacia el suelo. Podría
ser nieve y hielo, la hierba en el césped, el techo de un edificio o
las hojas en el dosel de un bosque. LST no es lo mismo que la
temperatura del aire que se incluye en el informe meteorológico
diario.
LST es un determinante básico del comportamiento térmico
terrestre, ya que controla la temperatura de radiación efectiva de
la superficie de la Tierra. Sin embargo, debido a la extrema he-
terogeneidad de la mayor parte de la superficie terrestre natural,
este parámetro es difícil de estimar y validar. Varios factores pue-
den influir fundamentalmente en la derivación de LST, incluidos:

• Variaciones de temperatura con ángulos de visión.

• Homogeneidades de subpíxeles en temperatura y cobertura.
• Emisividad espectral de superficie en las longitudes de onda
del canal.
• Variaciones de temperatura y humedad atmosféricas.
• Nubes y partículas grandes de aerosol como polvo.

Las bandas térmicas SLSTR utilizadas para la recuperación de

SST, los tres canales infrarrojos 3.74 , 10.85 , 12.0 µm (S7-S8-S9
respectivamente) también se utilizan para recuperar LST en los
productos SLSTR Nivel-2.
Los algoritmos para derivar LST usando radiancias están lo su-
ficientemente avanzados como para que sea posible una precisión
de 1K, especialmente por la noche cuando no hay calentamiento
diferencial de la superficie.
SLSTR también incluye dos canales IR (fuego y alta tempe-
ratura) de baja ganancia y amplio rango dinámico (F1 y F2)
diseñados para entregar los datos radiométricos necesarios para
la generación de productos cuantitativos contra incendios activos
(productos FRP). Esto evita la saturación de los canales térmicos
y se aplica a objetivos con un límite superior de 500◦ C.
 Misión Sentinel 435

8.19 Descarga de Datos

Cada producto consta de un archivo de manifiesto XML (xfdu-
[Link]) y un conjunto de once medidas y archivos de datos Figura 8.64: Seleccio-
nar el instrumento dis-
de anotación en formato NetCDF-4. Estos incluyen datos tanto ponible.
en formato de grilla (archivos * _i? .Nc) como en cuadrícula de
puntos (archivos * _t? .nc).
Se proporciona información geofísica sobre la geolocalización
tanto en forma cartesiana (cartesian_*.nc), geodésica (geode-
tic_*.nc), ángulos cenital, solar y acimutal (geometry_tn.nc).
Escaneo a nivel de instrumento, orígenes de píxeles y detec-
tores (indices_in.nc), tiempo de adquisición (time_in.nc). Con-
diciones meteorológicas (met_tx.nc); enmascaramiento de nubes
(flags_in.nc); y el LST (LST_in.nc y LST_ancillary_ds.nc).
Para la descarga se deben seguir los mismos pasos descritos en
8.16 pasos 1 al 6, y a continuación seguir los siguientes pasos: Figura 8.65: Produc-
tos disponibles publi-
1. Activar check para descarga de misión Sentinel-3: camente para los ins-
trumentos Sentinel-3.

2. Seleccionar por instrumento correspondiente a la data deseada

(Figura 8.64):
• OLCI: es un instrumento óptico utilizado para proporcionar
continuidad de datos para MERIS de ENVISAT. OLCI es un
espectrómetro de imágenes que mide la radiación solar refleja-
da por la Tierra, a una resolución espacial terrestre de 300 m,
en 21 bandas espectrales.
• SRAL: misión topográfica para el estudio de la topografía
oceánica, incluido el nivel medio del mar, la altura de las olas,
la velocidad del viento sobre la superficie, el hielo marino, las
corrientes oceánicas, las olas de Kelvin y Rossby, los remolinos
y las mareas.
• SLSTR: es un radiómetro de imágenes de escaneo cónico que
emplea la técnica de vista dual de escaneo a lo largo de la tra-
yectoria para proporcionar una corrección atmosférica sólida
en una franja de vista dual. El instrumento incluye canales en
el espectro infrarrojo visible (VIS), térmico (TIR) y de onda
corta (SWIR).
436 MISIONES ESPACIALES

• SYNERGY: Metodología diseñada para proporcionar conti-

nuidad con SPOT VEGETATION. El objetivo principal de
los productos SYN es el seguimiento del uso de la tierra. SYN
también proporciona información relacionada con la seguridad
alimentaria mundial y contribuye al estudio del clima.
3. Seleccionar por producto específico (Figura 8.65).

Visite el punto 8.27.4 para procesar data termal de Sentinel-3.

8.20 Sentinel-5p
La misión Copernicus Sentinel-5 Precursor es la primera mi-
sión de Copernicus dedicada a monitorear nuestra atmósfera. Co-
pernicus Sentinel-5P es el resultado de una estrecha colaboración
entre la ESA, la Comisión Europea, la Oficina Espacial de los
Países Bajos, la industria, los usuarios de datos y los científicos.
La misión consiste en un satélite que lleva el instrumento TRO-
POspheric Monitoring Instrument (TROPOMI). El instrumento
TROPOMI fue cofinanciado por la ESA y los Países Bajos.
El objetivo principal de la misión Copernicus Sentinel-5P es
realizar mediciones atmosféricas con alta resolución espaciotem-
poral, para ser utilizadas para la calidad del aire, ozono y radia-
ción UV, y monitoreo y pronóstico del clima.
El satélite se lanzó con éxito el 13 de octubre de 2017 desde el
cosmódromo de Plesetsk en Rusia.
Sentinel-5P es un satélite de órbita terrestre baja compatible
con lanzadores pequeños, incluidos VEGA y ROCKOT, siendo
ROCKOT el vehículo de lanzamiento seleccionado. Sentinel-5P
está diseñado para una vida útil de siete años con 80 kg de pro-
pulsor de hidracina.
La hora local del satélite de cruce de nodo ascendente es a las
13:30 hrs. y se ha elegido para facilitar la operación en forma-
ción con la nave espacial Suomi-NPP de la NASA. Así es posible
la utilización conjunta de los datos de máscara de nube de al-
ta resolución proporcionados por el instrumento VIIRS (Visible
 Misión Sentinel 437

Infrared Imaging Radiometer Suite) a bordo del Suomi-NPP du-

rante los procesamientos de rutina del producto TROPOMI de
metano.
La misión Copernicus Sentinel-5 Precursor reduce las brechas
en la disponibilidad de productos de datos atmosféricos globales
entre SCIAMACHY / Envisat (que finalizó en abril de 2012), la
misión OMI / AURA y las futuras misiones Copernicus Sentinel-4
y Sentinel-5.

8.21 Sensor TROPOMI

El instrumento TROPOMI es un espectrómetro de imágenes

de visualización del nadir que se encuentra en el espacio y que cu-
bre bandas de longitud de onda entre el ultravioleta y el infrarrojo
de onda corta.
El instrumento, la única carga útil de la nave espacial Sentinel-
5P, utiliza técnicas de detección remota pasiva para medir en la
parte superior de la atmósfera (TOA), la radiación solar reflejada
e irradiada desde la tierra.
El instrumento opera en una configuración de barrido (sin es-
caneo), con un ancho de franja de ~ 2600 km en la superficie
de la Tierra. El tamaño de píxel típico (cerca del nadir) será de
7 × 3, 5 km para todas las bandas espectrales, con la excepción
de la banda UV1 (7 × 28 km) y las bandas SWIR (7 × 7 km).
Aunque la resolución espacial (Nivel L2) es remuestrada hasta
5, 5 × 3, 5 km. Los datos se proporcionan a una resolución tem-
poral menor a un día y cobertura mundial.
La información se encuentra en formato NetCDF4.

8.22 Niveles de Procesamiento: L1, L2

La información capturada por el sensor se dispone en dos nive-

les de procesamiento, NIVEL 1 (L1) o Data cruda, que no se
encuentra disponible para descarga y un NIVEL 2 (L2) o Pro-
ductos, que son el resultado de procesamientos geofísicos para
estimar una serie de variables o componentes químicos.
438 MISIONES ESPACIALES

8.23 Productos L2

8.23.1 CO. Columna Total de Monóxido de Carbono

Producto en mol/m2 y valores típicos 0 − 0, 1, en ciertos even-
tos (incendios forestales) pueden hacer que se excedan estos lími-
tes.
El monóxido de carbono (CO) es un importante gas atmos-
férico para nuestra comprensión de la química troposférica. En
ciertas áreas urbanas, es un contaminante atmosférico importan-
te.
Las principales fuentes de CO son la combustión de combus-
tibles fósiles, la quema de biomasa y la oxidación atmosférica del
metano y otros hidrocarburos.
Mientras que la combustión de combustibles fósiles es la prin-
cipal fuente de CO en las latitudes medias del norte, la oxidación
del isopreno y la quema de biomasa juegan un papel importante
en los trópicos.
TROPOMI observa la abundancia global de CO aprovechando
las mediciones de radiancia terrestre en cielo despejado y cielo
nublado en el rango espectral de 2, 3 µm de la parte infrarroja de
onda corta (SWIR) del espectro solar. Las observaciones de cielo
despejado de TROPOMI proporcionan el total de columna de
CO a la capa límite de la troposfera. Para atmósferas nubladas,
la sensibilidad de la columna cambia según la trayectoria de la
luz.

8.23.2 CH2 O. Columna vertical troposférica de Formal-

dehído
Producto en mol/m2 ) y valores típicos 0 − 0, 001, en ciertos
eventos (incendios forestales) pueden hacer que se excedan estos
límites.
Las observaciones satelitales a largo plazo del formaldehído
troposférico CH2 O son esenciales para respaldar los estudios re-
lacionados con la calidad del aire y la química y el clima desde
la escala regional hasta la global. El formaldehído es un gas in-
termedio en casi todas las cadenas de oxidación de compuestos
 Misión Sentinel 439

orgánicos volátiles distintos del metano (COVNM), que eventual-

mente conduce a CO2 .
La principal fuente de CH2 O en la atmósfera remota es la
oxidación de CH4 . En los continentes, la oxidación de COVNM
más elevados emitidos por la vegetación, los incendios, el tráfico
y las fuentes industriales da como resultado mejoras importan-
tes y localizadas de los niveles de CH2 O. Las variaciones esta-
cionales e interanuales de la distribución del formaldehído están
relacionadas principalmente con los cambios de temperatura y
los incendios, pero también con los cambios en las actividades
antropogénicas.
Su vida útil es del orden de unas pocas horas, las concentracio-
nes de CH2 O en la capa límite pueden estar directamente rela-
cionadas con la liberación de hidrocarburos de vida corta, que en
su mayoría no se pueden observar directamente desde el espacio.

8.23.3 N O2 . Columna troposférica de Dióxido de Nitró-

geno
Producto en mol/m2 , con valores típicos entre 0 − 0, 0003;
valores máximos de las ciudades contaminadas pueden llegar a
dos o tres veces el valor superior.
El Dióxido de Nitrógeno (N O2 ) y el Óxido de Nitrógeno (N O)
juntos generalmente se denominan óxidos de nitrógeno. Son im-
portantes trazas de gases en la atmósfera terrestre, presentes tan-
to en la troposfera como en la estratosfera.
Entran en la atmósfera como resultado de actividades antro-
pogénicas (en particular, combustión de combustibles fósiles y
quema de biomasa) y procesos naturales (como procesos micro-
biológicos en suelos, incendios forestales y rayos). Durante el día,
es decir, en presencia de luz solar, un ciclo fotoquímico que in-
volucra ozono (O3 ) convierte N O en N O2 (y viceversa) en una
escala de tiempo de minutos, por lo que el N O2 es una medida
robusta para las concentraciones de óxidos de nitrógeno.

8.23.4 O3 . Columna total de Ozono

Producto expresado en mol/m2 ), sus valores típicos 0 − 0, 36.
440 MISIONES ESPACIALES

El Ozono (O3 ) es de crucial importancia para el equilibrio de la

atmósfera terrestre. En la estratosfera, la capa de ozono protege
a la biosfera de la peligrosa radiación solar ultravioleta.
En la troposfera, actúa como un agente limpiador eficaz, pero
en concentraciones elevadas también se vuelve perjudicial para
la salud de los seres humanos, los animales y la vegetación. El
ozono también es un importante contribuyente de gases de efecto
invernadero al cambio climático en curso.
Desde el descubrimiento del agujero de ozono en la Antártida
en la década de 1980 y el subsiguiente Protocolo de Montreal
que regula la producción de sustancias que agotan la capa de
ozono que contienen cloro, el ozono se ha monitoreado de forma
rutinaria desde el suelo y desde el espacio.

8.23.5 SO2 . Columna total de Dióxido de Azufre

Expresado en mol/m2 , con valores típicos 0 − 0, 01, las erup-

ciones volcánicas explosivas pueden superar los 0, 35 mol/m2 y
el ruido instrumental puede producir valores negativos.
El Dióxido de Azufre (SO2 ) ingresa a la atmósfera terrestre a
través de procesos tanto naturales como antropogénicos. Desem-
peña un papel en la química a escala local y global y su impacto
varía desde la contaminación a corto plazo hasta los efectos so-
bre el clima. Solo alrededor del 30 del SO2 emitido proviene de
fuentes naturales; la mayoría es de origen antropogénico.
Las emisiones de SO2 afectan negativamente a la salud huma-
na y la calidad del aire. El SO2 tiene un efecto sobre el clima
a través del forzamiento radiativo5 , a través de la formación de 5
El forzamiento radia-
aerosoles de sulfato. Las Emisiones de SO2 volcánico también tivo o forzamiento cli-
mático es la diferencia
pueden representar una amenaza para la aviación, junto con las entre la insolación (luz
cenizas volcánicas. solar) absorbida por la
Tierra y la energía irra-
S5P/TROPOMI muestrea la superficie de la Tierra con un diada de vuelta al es-
tiempo de revisión de un día con una resolución espacial de 3, 5 × pacio. Si es positivo,
5, 5 km que permite la resolución de detalles finos, incluida la significa que la Tierra
recibe más energía de
detección de plumas de SO2 mucho más pequeñas. la luz solar que la que
irradia al espacio.
 Misión Sentinel 441

8.23.6 CH4 . Proporción de mezcla aire seco promediada

de la columna de Metano
Unidad en partes por mil millones, con valores típicos 1, 600 −
2, 000.
El Metano (CH4 ) es, después del dióxido de carbono (CO2 ), el
contribuyente más importante al efecto invernadero aumentado
antropogénicamente. Aproximadamente las tres cuartas partes
de las emisiones de metano son antropogénicas y, como tal, es
importante continuar con el registro de las mediciones basadas
en satélites.
TROPOMI tiene como objetivo proporcionar concentraciones
de columna de CH4 con alta sensibilidad a la superficie de la
Tierra, buena cobertura espaciotemporal y suficiente precisión
para facilitar el modelado inverso de fuentes y sumideros.
TROPOMI utiliza información de absorción de la banda de
oxígeno A (760 nm) y el rango espectral SWIR para monitorear
la abundancia de CH4 en la atmósfera de la Tierra.
Los datos del instrumento satelital GOSAT y los instrumen-
tos TCCON basados en tierra se utilizan para la verificación y
validación.
Actualmente, el metano es un producto de datos solo terrestre
disponible en el flujo de datos de offline (OFFL) (ver 8.24).

8.23.7 U V AI. Índice de Aerosoles

calculado en base a longitudes de onda de 340 nm y 380 nm.
El índice de aerosoles (IA) es un producto de datos bien esta-
blecido que se ha calculado para varios instrumentos satelitales
diferentes que abarcan un período de más de 40 años.
El índice de aerosol S5P/TROPOMI se conoce como índice de
aerosol ultravioleta (UVAI). El cálculo relativamente simple del
índice de aerosol se basa en cambios dependientes de la longitud
de onda en la dispersión de Rayleigh en el rango espectral UV
donde la absorción de ozono es muy pequeña.
La UVAI también se puede calcular en presencia de nubes para
que sea posible una cobertura global diaria.
La UVAI es ideal para rastrear la evolución de las columnas
442 MISIONES ESPACIALES

de aerosoles episódicos a partir de los brotes de polvo, las cenizas

volcánicas y la quema de biomasa.

8.24 Acceso a los Datos

Los productos de datos del precursor Sentinel-5 están disponi-
bles de forma sistemática y continua durante todo el período ope-
rativo vida útil (7 años previstos). Todos los datos serán gratuitos
a los usuarios finales, incluido el público en general, científicos y
entidades comerciales.
Los productos Sentinel-5P Nivel-2 están disponibles en:

• NRT (Near Real Time), proporcionado al usuario dentro

de las tres horas después de la detección (un día para el ozono
troposférico total).

• OFFL (Fuera de línea) proporcionado al usuario dentro de

las dos semanas posteriores a la detección.
Los productos Nivel 2 descritos en 8.23 tienen su correspon-
diente nombre de producto digital para descarga desde el sitio
Copernicus y se resumen en el cuadro 8.11.

Cuadro 8.11: Nom-

bre de los Productos
Producto Parámetro TROPOMI Nivel 2.

L2__O3____ Ozono (O3) total

L2__O3_TCL Ozono (O3) tropo
L2__O3__PR Ozono (O3) perfil
L2__NO2___ Dióxido Nitrógeno (NO2) tot/tropo
L2__SO2___ Dióxido Azufre (SO2) total
L2__CO____ Monóxido Carbono (CO) total
L2__CH4___ Metano (CH4) total
L2__HCHO__ Formaldehído (HCHO) total
L2__AER_AI Índice Aerosol UV
L2__AER_LH Altura capa Aerosol (Presión nivel-med)
Nota:
tot=total, tropo= troposférico
 Misión Sentinel 443

8.25 Descarga de Imágenes Sentinel-5p

El sitio web que centraliza el acceso al Copernicus Open Access

Hub es: [Link].
Pasos principales para la descarga de imágenes:

1. El sitio se compone de una serie de enlaces a la data de las mi-

siones Sentinel, novedades y estadísticas globales interesantes
para el usuario. El acceso específico al panel de configuración
de la búsqueda de productos Sentinel-5p es mediante el sitio
Open Hub, (Figura 8.66, área destacada en rojo).

Figura 8.66: Vis-

ta inicial del sitio
[Link].
El link destacado en
rojo da acceso a la
data disponible de las
misiones Sentinel-5p.

2. Open Hub ofrece un mapa web para definir el área geográfica

mediante el dibujo de un polígono y una serie de diálogos para
especificar y refinar la búsqueda de productos (Figura 8.67).

3. Antes de realizar cualquier operación debes logearte en modo

de invitado para acceder a los servicios (Figura 8.68).

4. El mapa web posee dos modalidades, navegación y trazado. En

la primera debes realizar los paneos y zooms necesarios para
buscar el área de estudio y en la segunda, dibujar el polígono
que define dicha área, (Figura 8.69).
444 MISIONES ESPACIALES

Figura 8.67: Panel

de configuración de
búsquedas en sitio
’[Link]/dhus’

5. El trazado de polígono en el mapa web se puede realizar en

dos modos:
• Área Rectangular: Luego de realizar el primer clic y sin
levantar el botón del ratón arrastrar a la esquina opuesta se
define el área de estudio rectangular.

• Poligonal: Una serie de clic para crear un polígono irregular Figura 8.68: Cuadro
para definir el área, hasta realizar un doble clic para finalizar de dialogo para logear
con los datos de invi-
el dibujo. tado.
El resultado se usa para restringir los productos Sentinel que
cubren o al menos interseptan el área (Figura 8.70).
6. Los parámetros avanzados se agrupan en el cuadro de dialogo
de configuración (Figura 8.71) con controles para configurar
los parámetros de: Figura 8.69: Modos del
mapa web. (Izquierda)
• Propiedad de Ordenamiento: Por fecha de procesamiento, Modo navegación para
buscar y ajustar vista
captura o id de la escena. y (Derecha) Dibujar el
• Método de Ordenamiento: Ascendente o descendente. polígono que define el
área de estudio.
• Fecha de Inicio y Término de Sensado.
• Fecha de Inicio y Término de Proceso.
Las siguientes opciones del cuadro de dialogo agrupan los pa-
rámetros disponibles.
7. Activar el check para descarga de misión Sentinel-5p.
Misión Sentinel 445

Figura 8.70: Vista

general de aplicación
web para descarga de
datos Sentinel-5p.

Figura 8.71: Cuadro de

dialogo con opciones
avanzadas de búsque-
da.
446 MISIONES ESPACIALES

• Tipo de Producto: Solo productos nivel 2, disponibles (de-

talles en 8.14.2, figura 8.72. Si la opción se deja en blanco
buscará en todos los niveles o tipos de procesamiento.

Figura 8.72: Lista de

Productos Nivel 2 Dis-
ponibles.

• Nivel de Procesamiento: Nivel de Procesamiento de las

escenas (detalles en 8.14.2, figura 8.73. Si la opción se deja en
blanco buscará en todos los niveles o tipos de procesamiento.
A pesar de ofrecer las alternativas en la lista de productos y en
el nivel de procesamiento, todos los productos Nivel 1 (L1B) no
se encuentran disponibles al público.
 Misión Sentinel 447

Figura 8.73: Nivel

de Procesamiento
de los Productos
Disponibles.

• Timeliness: Temporalidad de los productos (8.24), (Figura

8.74).

Figura 8.74: Categoría

de Temporalidad Dis-
ponibles.

Definidos los parámetros se pueden almacenar las opciones pa-

ra futuras búsquedas ( ).
Por cada imagen que cumpla los criterios se presenta una vista
de detalle (Figura 8.75), que forman una lista.
Cada elemento presenta tres opciones mediante los siguientes
íconos:
• Centrar la vista en la imagen.

• Ver los detalles de la imagen.

• Descarga directa de la imagen.

Figura 8.75: Vista de

detalle de la imagen
seleccionada.

8.26 Procesando en R

8.26.1 Gestión del Contenido NetCDF

Los archivos descargados han sido descargados en la carpeta
que vamos a describir usando la función here (siempre debe con-
448 MISIONES ESPACIALES

siderar que ud. tendrá que dirigir a su propia carpeta), y poseen

la extensión nc:
nc <- dir(path = here("raw", "sen", "sen5p"),
pattern =".nc$")
[1] "S5P_NRTI_L2__CO_____20211012T135836_20211012T140336_20716_02_020200_20211012T143327.nc"
[2] "S5P_NRTI_L2__HCHO___20211012T135836_20211012T140336_20716_02_020201_20211012T144121.nc"
[3] "S5P_NRTI_L2__NO2____20211012T135836_20211012T140336_20716_02_020200_20211012T144122.nc"
[4] "S5P_NRTI_L2__O3_____20211012T135836_20211012T140336_20716_02_020201_20211012T144120.nc"
[5] "S5P_NRTI_L2__SO2____20211013T133836_20211013T134336_20730_02_020201_20211013T142447.nc"
[6] "S5P_OFFL_L2__CH4____20211011T131933_20211011T150102_20702_02_020200_20211013T051955.nc"

Vamos a comenzar a trabajar con el archivo de índice 1, que

contiene en su nombre el texto CO que corresponde al producto
Monóxido de Carbono Total (Cuadro 8.11).
Para explorar los contenidos cargamos el paquete a la sesión
actual con función library(ncdf4) el paquete netcdf (Pierce [2019])
que utilizamos previamente en 6.11.
nc_CO <- nc_open(here("raw","sen", "sen5p", nc[1]))
Para revisar los atributos o propiedades principales:
attributes(nc_CO)

$names
[1] "filename" "writable" "id" "safemode" "format"
[6] "is_GMT" "groups" "fqgn2Rindex" "ndims" "natts"
[11] "dim" "unlimdimid" "nvars" "var"

$class
[1] "ncdf4"
print(paste("El archivo tiene ", nc_CO$nvars, "variables."))

[1] "El archivo tiene 56 variables."

Y podemos revisar el contenido detallado de las variables nue-
vamente con attributes() (solo se muestran las 10 primeras varia-
bles con función head()).
head(attributes(nc_CO$var)$names,10)

[1] "PRODUCT/delta_time"
[2] "PRODUCT/time_utc"
[3] "PRODUCT/qa_value"
 Misión Sentinel 449

[4] "PRODUCT/latitude"
[5] "PRODUCT/longitude"
[6] "PRODUCT/carbonmonoxide_total_column"
[7] "PRODUCT/carbonmonoxide_total_column_precision"
[8] "PRODUCT/carbonmonoxide_total_column_corrected"
[9] "GEOLOCATIONS/satellite_latitude"
[10] "GEOLOCATIONS/satellite_longitude"
Y podemos ver los contenidos de cada variable usando su índi-
ce, por ejemplo, los detalles de la variable que define el producto
físico contenido en el archivo [6]:
“PRODUCT/carbonmonoxide_total_column”

Donde [6] es el índice o posición de la data que nos permitirá

luego construir el mapa correspondiente.
O la unidad en que se encuentran los datos en el índice [1]:
“mol m-2”

Para revisar el contenido, usamos la función ncatt_get(nc,

varid) que lee los atributos desde el archivo nc de la variable
definida por el índice varid.
ncatt_get(nc= nc_CO,
varid= attributes(nc_CO$var)$names[6])
Y también exploramos la calidad de los datos (variable en
índice 3):
ncatt_get(nc= nc_CO,
varid= attributes(nc_CO$var)$names[3])
Y al finalizar su uso, se debe cerrar la conexión al objeto.
nc_close(nc_CO)
Que entrega importante información adicional de cada capa o
variable.

8.26.2 Data Espacial Sentinel-5p

El proceso de datos provenientes de la misión Sentinel-5p desde
un aspecto espacial usaremos el paquete S5Processor (Philipp
[2021a]) que convierte los archivos en NetCDF a objetos ráster.
El paquete no se encuentra disponible aún en CRAN, por lo
450 MISIONES ESPACIALES

tanto, se instala desde la página Github usando la función co-

rrespondiente:
devtools::install_github("MBalthasar/S5Processor")
Y para cargar en la sesión actual utilizamos la función library:
library(S5Processor)
La función S5P_process(input, product, my_res, my_aoi,
extent_only, interpol_method, apply_scale_factor) con-
vierte automáticamente los archivos de datos de Sentinel-5P Nivel
2 en archivos TIFF. El usuario debe definir el nombre y path del
archivo NetCDF en input, indicar el índice dónde se encuentran
los datos almacenados en la estructura del archivo (en nuestro ca-
so es el índice 6) con product, definimos la resolución espacial del
producto a generar con my_res, opcionalmente podemos definir
el área de interés (un objeto espacial) con my_aoi y definir co-
mo verdadero el parámetro extent_only si deseo procesar solo el
área definida. Por último, definir el método de interpolación de los
nuevos valores (“ngb” para vecino más cercano o “bilinear” para
interpolación bilineal, valor por defecto) en interpol_method.
Es importante destacar que los datos disponibles en su mayoría
se encuentran en la unidad moléculas por metro cuadrado (8.2).

mol
U= (8.2)
m2
El parámetro apply_scale_factor= T permite aplicar el fac-
tor de conversión incluido en el mismo archivo para convertir a Figura 8.76: Retra-
moléculas por cm2 : to de Gordon Miller
Bourne Dobson, Wal-
ter Stoneman. Galería
mol
= U × 6.022141 × 1019 (8.3) Nacional de Retratos,
cm2 Londres.
Otros factores de conversión a aplicar directamente al ráster
sin aplicar la transformación anterior, encontramos:

• Para convertir a DU:

DU = U × 2241.15 (8.4)
 Misión Sentinel 451

La unidad Dobson (DU) es una unidad de medida de la

cantidad de gas traza en una columna vertical a través de la
atmósfera terrestre. Se originó y sigue utilizándose principalmen-
te con respecto al ozono atmosférico, cuya cantidad de columna
total, normalmente denominada “ozono total” y, a veces, “abun-
dancia de columna”, está dominada por las altas concentraciones
de ozono en la capa de ozono estratosférico. La unidad Dobson
se define como el espesor (en unidades de 10 µm) de esa capa
de gas puro que estaría formada por la cantidad total de la co-
lumna en condiciones estándar de temperatura y presión (STP).
Esto a veces se denomina “mili-atmo-centímetro”. Por lo tanto,
una cantidad típica de columna de 300 DU de ozono atmosférico
formaría una capa de 3 mm de gas puro en la superficie de la
Tierra si su temperatura y presión se ajustaran a STP. La uni-
dad Dobson lleva el nombre de Gordon Dobson (Figura 8.76),
investigador de la Universidad de Oxford que en la década de
1920 construyó el primer instrumento para medir el ozono total
desde el suelo (Wikipedia).

• Para convertir a radiancia en fotones por segundo por nanó-

metro por centímetro cuadrado por estereorradián:

γs×nm×cm2 ×sr = U × 6.02214 × 1019 (8.5)

8.26.3 Mapa de Distribución de Monóxido de Carbono

Imagen del 12 octubre, resolución espacial 20km. De acuer-

do a los pasos descritos en 5.2.4, agregamos los límites en alta
resolución del área de estudio.
S5P_CO <- S5P_process(input = here("raw","sen", "sen5p", nc[1]),
product = 6,
my_res = 20000,
extent_only = T,
apply_scale_factor =F)
452 MISIONES ESPACIALES

limites <- rnaturalearth::ne_countries(scale = "large")

area_interes <- crop(limites, extend(x = raster::extent(S5P_CO),
y = 20))

Fuente: Imagen Sentinel−5p (12/10/2021). Spain

Portugal
Monóxido Carbono
CO mol/m2
0.00 to 0.02
Gibraltar 0.02 to 0.04
0.04 to 0.06
0.06 to 0.08
0.08 to 0.10
0.10 to 0.12

Morocco
Alger

W. Sahara

Mauritania

Mali
Figura 8.77: Distri-
bución de Monóxido
Carbono, 12 octubre
2021.
 Misión Sentinel 453

8.26.4 Mapa de Distribución de Formalheído

S5P_HCHO <- S5P_process(input = here("raw","sen", "sen5p", nc[2]),

product = 6,
my_res = 20000,
extent_only = T,
apply_scale_factor =F)

Fuente: Imagen Sentinel−5p (12/10/2021). Spain

Portugal
Formalheído
CH2 O mol/m2
0.0001 to 0.0002
Gibraltar 0.0002 to 0.0003
0.0003 to 0.0004
0.0004 to 0.0005
0.0005 to 0.0006
0.0006 to 0.0007
0.0007 to 0.0008

Morocco
Alger

W. Sahara

Mauritania

Cabo Verde Mali

Figura 8.78: Distribu-
ción de Formalheído,
12 octubre 2021.
454 MISIONES ESPACIALES

8.26.5 Mapa de Distribución de Monóxido de Dióxido Ni-

trógeno

S5P_NO2 <- S5P_process(input = here("raw","sen", "sen5p", nc[3]),

product = 6,
my_res = 20000,
extent_only = T,
apply_scale_factor =F)

Fuente: Imagen Sentinel−5p (12/10/2021).

Portugal Spain Dióxido Nitrógeno
NO2 mol/m2
0.00002 to 0.00004
Gibraltar 0.00004 to 0.00006
0.00006 to 0.00008
0.00008 to 0.00010
0.00010 to 0.00012
0.00012 to 0.00014

Morocco
Alger

W. Sahara

Mauritania
Mali

Cabo Verde Figura 8.79: Distribu-

ción de Dióxido Nitró-
geno, 12 octubre 2021.
 Misión Sentinel 455

8.26.6 Mapa de Distribución de Ozono

S5P_O3 <- S5P_process(input = here("raw","sen", "sen5p", nc[4]),

product = 6,
my_res = 20000,
extent_only = T,
apply_scale_factor =F)

Fuente: Imagen Sentinel−5p (12/10/2021). Portugal

Spain Ozono
O3 mol/m2
0.115 to 0.120
0.120 to 0.125
Gibraltar 0.125 to 0.130
0.130 to 0.135

Morocco
Alger

W. Sahara

Mauritania

Mali
Figura 8.80: Distribu-
ción de Ozono, 12 oc-
tubre 2021.
456 MISIONES ESPACIALES

8.26.7 Mapa de Distribución de Dióxido Azufre

S5P_SO2 <- S5P_process(input = here("raw","sen", "sen5p", nc[5]),

product = 6,
my_res = 20000,
extent_only = T,
apply_scale_factor =F)

Fuente: Imagen Sentinel−5p (13/10/2021). Spain

Portugal
Dióxido Azufre
SO2 mol/m2
0.00 to 0.01
0.01 to 0.02
Gibraltar 0.02 to 0.03
0.03 to 0.04
0.04 to 0.05

Morocco
Algeria

W. Sahara

Mauritania
Mali
Cabo Verde
Figura 8.81: Distribu-
ción de Dióxido Azu-
fre, 13 octubre 2021.
 Misión Sentinel 457

8.26.8 Mapa de Distribución de Monóxido de Metano

S5P_CH4 <- S5P_process(input = here("raw","sen", "sen5p", nc[6]),

product = 6,
my_res = 20000,
extent_only = T,
apply_scale_factor =F)

Fuente: Imagen Sentinel−5p (11/10/2021).

Portugal
Spain Metano
CH4 mol/m2
1,500 to 1,600
Gibraltar 1,600 to 1,700
1,700 to 1,800
1,800 to 1,900
1,900 to 2,000
2,000 to 2,100

Morocco

Algeria

W. Sahara

Mauritania

Mali
Figura 8.82: Distribu-
ción de Metano, 11 oc-
tubre 2021.
Teledetección Termal

8.27 El Descubrimiento del Infrarrojo

En 1800, Sir Williams Herschel (Figura 8.83) hizo un descubri-

miento muy importante. Él estaba interesado en aprender cuánto
calor atravesaba los filtros de diferentes colores que utilizaba pa-
ra observar el Sol, ya que notó que filtros de diferentes colores
parecían pasar distintos niveles de calor. Herschel pensó que los
colores por sí mismos podrían contener diferentes niveles de calor.
Herschel dirigió la luz del sol a través de un prisma de cristal Figura 8.83: William
para crear un espectro (el “arco iris” creado cuando la luz es Herschel, astrónomo
germano-británico.
dividida en sus colores) y midió la temperatura de cada color. Pintura de Lemuel
Utilizó tres termómetros con los bulbos teñidos de negro (para Francis Abbott, Ga-
lería Nacional de
absorber todo el calor posible) y puso un bulbo en un color mien- Retratos, Londres.
tras los otros dos se pusieron más allá del espectro como muestras
de control. Cuando midió las temperaturas de la luz de colores
violeta, azul, verde, amarillo, naranja y roja, notó que todos los
colores tenían la temperatura superior que las muestras de con-
trol y que la temperatura de los colores incrementaba desde el
violeta a la parte roja del espectro (Figura 8.84).
Después de notar este patrón, Herschel decidió medir la tem-
peratura más allá de la porción roja del espectro en una región
aparentemente desprovista de luz del sol. Para su sorpresa, en-
contró que esta región tenía la temperatura más alta de todas
recibía lo que el llamó a los que él “rayos caloríficos”. Descubrió
que podían ser reflejados, refractados, absorbidos y transmitidos Figura 8.84: Ter-
igual que la luz visible. mómetros midiendo
temperaturas de dife-
Estos “rayos caloríficos” fueron posteriormente denominados
rentes colores según
experimento reali-
zado por Herschel.
i-ciencias 9/ene/2016.
460 MISIONES ESPACIALES

rayos infrarrojos (“por debajo” del rojo) o radiación infrarroja y

su descubrimiento permitió el desarrollo de varia (y hoy muy co-
munes) aplicaciones tecnológicas, como los LED infrarrojos de los
controles remotos, la termografía y, por supuesto, los detectores
infrarrojos para observar el cosmos.
Los cuerpos que se encuentran a baja temperatura no emiten
en la región visible del espectro, sino en longitudes más largas, de
menor energía. Por ejemplo, nuestro cuerpo y el de los animales
emiten una radiación infrarroja (Ver 7.4.4) que no la detectamos
con el ojo, pero que podemos percibir como el calor que emite el
organismo. La tierra también emite ese calor y se ha desarrollado
toda una tecnología para realizar su medida.

8.27.1 Temperatura de la Superficie Terrestre (LST)

La temperatura de la superficie terrestre (LST) es un paráme-

tro clave en la física terrestre, impulsa los flujos de calor radiativo,
latente y sensible en la interfaz superficie-atmósfera.
Es un parámetro altamente dinámico que cambia rápidamente
a lo largo del tiempo debido a variaciones en la superficie de
la Tierra, el clima y también variaciones en la radiación solar
entrante.
El conocimiento preciso de la LST puede proporcionar infor-
mación sobre el estado de equilibrio de la superficie, que es de
suma importancia para una serie de campos, incluidos la hidro-
logía, la climatología y geofísica. Los datos LST también se pue-
den utilizar para el estudio de la urbanización y su impacto en
la superficie térmica urbana, a saber, las islas de calor urbano
superficial (SUHI).
En la actualidad la única forma de obtener una detallada, glo-
bal, precisa (1a2◦ C) y frecuente medida de LST es mediante el
uso de las bandas termales infrarrojas (TIR, ver 7.4.4) de las
diversas misiones espaciales.
En condiciones de cielo despejado, la medición mediante las
bandas TIR recogen al menos tres componentes principales. Es-
tos componentes se originan tanto en la atmósfera como en la
superficie:
 Teledetección Termal 461

• Radiación emitida desde la superficie.

• Radiación TIR atmosférica reflejada por la superficie en el
campo de visión del sensor.
• Radiación TIR emitida en el trayecto mismo.

Para estimar LST a partir del TIR requiere desacoplar la radia-

ción emitida de la superficie de los dos componentes atmosféricos
y ajustar por la propia atenuación atmosférica e incluso la misma
emisividad de la superficie terrestre (LSE).
El valor LSE es previamente desconocido, así el cálculo LST
es matemáticamente no resoluble.
Entonces, o se debe conocer previo a la estimación o debe ser
estimada simultáneamente a partir de modelos, restricciones y
suposiciones.
En la actualidad las distintas misiones de EO proveen a los
usuarios productos ya corregidos y modelados para dar una alta
precisión de los valores estimados (< 2◦ C).

8.27.2 MODIS
Además de las imágenes espectrales analizadas previamente
(8.1.1), la misión espacial MODIS, ofrece el producto MOD11A1
V6 que proporciona valores diarios de temperatura de la superficie
terrestre (LST) y emisividad en una cuadrícula de 1200×1200 km
de cobertura global. El valor de temperatura se deriva del produc-
to MOD11_L2.
Por encima de los 30 grados de latitud, algunos píxeles pueden
tener múltiples observaciones cuando se cumplen los criterios de
cielo despejado. Cuando esto ocurre, el valor de píxel es el pro-
medio de todas las observaciones que califiquen.
Junto con las bandas de temperatura superficial tanto diurna
como nocturna y sus capas indicadoras de calidad, se encuentran
las bandas 31 (10.780 − 11.280 µm) y 32 (11.770 − 12.270 µm),
seis capas de propiedades y condiciones de la observación.
El rango de datos disponibles se extiende desde 24 febrero de
2000 hasta la actualidad.
Siguiendo las instrucciones descritas en 8.1.1 pero usando aho-
ra los productos MOD11A1 descargamos una escena de ejemplo y
462 MISIONES ESPACIALES

vamos a procesar para crear nuestro ráster de información termal.

Buscar en la carpeta de descarga los archivos de extensión .hdf.
termico <- [Link](path = here("raw","termal"),
pattern = "*.hdf",
[Link] = T)
Usando el paquete MODIS (8.4) extraemos un resumen de la
data contenida usando la función getSds().
ter <- MODIS::getSds(HdfName = termico)
Así, podemos explorar los nombres de los sets de datos, revi-
samos el contenido del atributo:
ter$SDSnames
[1] "LST_Day_1km" "QC_Day" "Day_view_time" "Day_view_angl"
[5] "LST_Night_1km" "QC_Night" "Night_view_time" "Night_view_angl"
[9] "Emis_31" "Emis_32" "Clear_day_cov" "Clear_night_cov"
Y cada set corresponde a una ruta dentro de la estructura del
archivo:
basename(ter$SDS4gdal)

[1] "[Link]\":MODIS_Grid_Daily_1km_LST:LST_Day_1km"
[2] "[Link]\":MODIS_Grid_Daily_1km_LST:QC_Day"
[3] "[Link]\":MODIS_Grid_Daily_1km_LST:Day_view_time"
[4] "[Link]\":MODIS_Grid_Daily_1km_LST:Day_view_angl"
[5] "[Link]\":MODIS_Grid_Daily_1km_LST:LST_Night_1km"
[6] "[Link]\":MODIS_Grid_Daily_1km_LST:QC_Night"
[7] "[Link]\":MODIS_Grid_Daily_1km_LST:Night_view_time"
[8] "[Link]\":MODIS_Grid_Daily_1km_LST:Night_view_angl"
[9] "[Link]\":MODIS_Grid_Daily_1km_LST:Emis_31"
[10] "[Link]\":MODIS_Grid_Daily_1km_LST:Emis_32"
[11] "[Link]\":MODIS_Grid_Daily_1km_LST:Clear_day_cov"
[12] "[Link]\":MODIS_Grid_Daily_1km_LST:Clear_night_cov"

En los índices 1 y 5 encontramos los datos térmicos diurnos y

nocturnos (Figura 8.85),
termal_diurno <- raster(x = readGDAL(fname = ter$SDS4gdal[1],
silent = T))
termal_nocturno <- raster(x = readGDAL(fname = ter$SDS4gdal[5],
silent = T))
Preparamos algunos datos adicionales para mejorar los pro-
ductos cartográficos:
 Teledetección Termal 463

ciudades <- geonames::GNcities(north = 29,east = -12.1,

south = 27,west = -18,
lan="es", maxRows = 50)
etiquetas <- ciudades[ciudades$fcode=="PPLA3" , c(1, 9, 3, 4, 12)]
Como se describe en 6.12.1, el paquete describe límites políti-
cos de resolución baja y media. El paquete rworldxtra agrega a las
bases de datos estándar capas de alta resolución (South [2012]).
Esta data se debe instalar como un paquete más [Link](
'rworldxtra').
latlon <- crs("+proj=longlat +datum=WGS84 +no_defs")
#Definir área de corte
ext <- extent( -18.3, -13.22, 27.605, 29.6)
#Descarga de capa ce vectores
wm <- getMap(resolution = "high")
#Recorte de la capa por la extensión
wm <- crop(wm, extent(ext))

#De los polígonos resultantes se extraen los centroides

xy <- st_centroid(st_as_sf(wm))
Recorte de los MDR por ext.
diurno <- projectRaster(from = termal_diurno,
crs=latlon)
diurno <- crop(x = diurno,
y = ext)
nocturno <- projectRaster(from = termal_nocturno,
crs=latlon)
nocturno <- crop(x = nocturno,
y = ext)
El código para genera el mapa con las distintas capas
#Configuramos dos mapas verticales
par(mfrow=c(2,1))
#Mapa base MDR diurno
plot(diurno, ext=ext, asp=1)
#world map recortado al área
plot(wm, add=T)
464 MISIONES ESPACIALES

#agregar marcas y textos de localidades

points(x=[Link](etiquetas$lng),
y=[Link](etiquetas$lat),
pch=17, col="red", cex=0.75)
text(x=[Link](etiquetas$lng),
y=[Link](etiquetas$lat),
labels=etiquetas$name,
cex=0.75,font=3,pos=4)
#segundo plot (nótese no incluye 'add=T')
plot(nocturno,ext=ext,asp=1)
plot(wm, add=T)
points(x=[Link](etiquetas$lng),
y=[Link](etiquetas$lat),
pch=17, col="red", cex=.75)
text(x=[Link](etiquetas$lng),
y=[Link](etiquetas$lat),
labels=etiquetas$name,cex=0.75,
font=3,pos=4)
 Teledetección Termal 465

Figura 8.85: Detalle

29.5

Islas Canarias, Mapa

Temperaturas (en K).
29.0

Arrecife 315
310 Escena MODIS. 28
305 septiembre 2021. Tem-
28.5

peraturas Diurnas (Su-

Puerto del Rosar 300
Antigua
Pájara
295
Guía de Isora
Vilaflor 290 perior) y Nocturnas
(Inferior).
Arona
28.0

Valleseco
Telde

Valverde

−18 −17 −16 −15 −14

29.5
29.0

Arrecife
290

285
28.5

Puerto del Rosar

Antigua
Pájara
Guía de Isora 280
Vilaflor
Arona
28.0

Valleseco
Telde

Valverde

−18 −17 −16 −15 −14

8.27.3 Landsat 8
Descargamos la imagen Landsat-8 en nuestra carpeta de datos
y extraemos los archivos contenidos en el tarfile. Luego,
creamos el vector con todas las imágenes de formato .TIF:
termico_land <- [Link](path = here("raw",
"termal",
"LC08_L2SP_207040_20211005_20211013_02_T1"),
pattern = "*.TIF",
[Link] = T)

Y tal como se describe en 8.7.1 Landsat 8 posee el sensor TIRS

que captura información en el rango térmico del espectro en la
banda 10 y siguiendo los pasos en 8.13.5 procesamos en R:
termal_land8 <- raster(termico_land[12])
termal_land8 <- projectRaster(from = termal_land8,
crs=latlon)
Aplicamos los factores de conversión para llevar a grados kelvin
(ver 8.2) (Figura 8.86):
466 MISIONES ESPACIALES

termal_land8 <- (termal_land8 * 0.00341802) + 149

plot(termal_lan8, ext= ext,asp=1)

plot(wm, add=T)
points(x=[Link](etiquetas$lng),
y=[Link](etiquetas$lat),
pch=17,
col="red",
cex=.75)
text(x=[Link](etiquetas$lng),
y=[Link](etiquetas$lat),
labels=etiquetas$name,cex=0.75,
font=3,pos=4)
29.5
29.0

320

310

300
28.5

290

280
Guía de Isora
Vilaflor
Arona
Valleseco
28.0

Telde

Valverde

−18.0 −17.5 −17.0 −16.5 −16.0 −15.5 −15.0

Figura 8.86: Detalle
Islas Canarias, Mapa
Temperaturas (en K).
8.27.4 Sentinel-3 Escena Landsat 8. 05
octubre 2021. Tempe-
Luego de extraer los archivos contenidos en el zipfile (¡y pro- raturas Diurnas.
bablemente renombrar las carpetas para acortar las rutas!), en-
contramos los archivos descritos en 8.18.3, que existen como una
serie de archivos .nc:
termico_sen <- [Link](path = here("raw",
"termal",
"20211018T110932",
 Teledetección Termal 467

"S3B_SL_2_LST____20211018T110932.SEN3"),
pattern = "*.nc",
[Link] = T)

No olvidar cargar el paquete diseñado para el trabajo con este

tipo de formatos, library(ncdf4) (Pierce [2019]) y extraemos la
información de puntos coordenados.
El primer paso es abrir el archivo .nc del tipo geodetic_in.nc.
nc <- nc_open(filename = termico_sen[4])
names(nc$var)
[1] "elevation_in" "elevation_orphan_in" "latitude_in"
[4] "latitude_orphan_in" "longitude_in" "longitude_orphan_in"
Y extraemos los datos correspondientes a las coordenadas geo-
gráficas:
lon <- ncvar_get(nc = nc,
varid = "longitude_in")
lat <- ncvar_get(nc = nc,
varid = "latitude_in")
Y cerramos el acceso al archivo:
nc_close(nc = nc)
Además, debemos extraer los datos de temperatura propia-
mente tal, contenida en el archivo LST_in.nc:
nct <- nc_open(filename = termico_sen[9])
attributes(nct$var)$names
[1] "LST" "LST_orphan" "LST_uncertainty"
[4] "LST_uncertainty_orphan" "exception" "exception_orphan"
En la variable LST:
lst <- ncvar_get(nc = nct,
varid = "LST")
Y cerramos el acceso.
nc_close(nc = nct)
Con los tres vectores recién construidos tenemos longitud, la-
titud y temperatura construimos un objeto matrix:
468 MISIONES ESPACIALES

data_puntual <- cbind("longitud"= [Link](lon),

"latitud"= [Link](lat),
"lst"= [Link](lst))

summary(data_puntual)
longitud latitud lst
Min. :-24.450 Min. :18.17 Min. :226.5
1st Qu.:-19.850 1st Qu.:22.31 1st Qu.:288.7
Median :-16.191 Median :24.96 Median :309.8
Mean :-16.200 Mean :24.96 Mean :300.1
3rd Qu.:-12.573 3rd Qu.:27.60 3rd Qu.:316.9
Max. : -7.406 Max. :31.50 Max. :330.9
NA's :1100870

Construimos un objeto extent que define la extensión espacial

de nuestro futuro modelo ráster:
raster_ext <- extent(cbind([Link](lon), [Link](lat)))
Pero necesitamos calcular en filas y columnas el tamaño del
modelo ráster, el que será alimentado con los puntos coordenados
con el valor LST capturado por el sensor.
Para ello vamos a medir en kilómetros la extensión en el sen-
tido longitudial y latitudinal de nuestra área de estudio, pero los
valores coordenados se encuentran en coordenadas geográficas.
Para el cálculo de estas métricas se dispone del paquete geosphe-
re.
El paquete geosphere (Hijmans [2019]) está disponible para
calcular las distancias y las medidas respectivas para ubicacio-
nes angulares (longitud / latitud). Este paquete implementa los
métodos que calculan varios aspectos, distancia, dirección, área,
entre otras para posiciones de coordenadas geográficas. El paque-
te se debe instalar en el espacio de trabajo usando el comando
[Link] (“geosfera”). Y cargar en memoria las funciones
disponibles con library(geosphere).
La distancia geoespacial, también conocida como la dis-
tancia geográfica entre dos puntos cualesquiera en el espacio, se
conoce como la distancia medida a lo largo de la superficie de la
tierra. Esta distancia se mide en términos de la posición de los
puntos con respecto a la latitud y la posición longitudinal. Exis-
ten diferentes aspectos y fórmulas para calcular esta distancia.
 Teledetección Termal 469

Se encuentran disponibles diferentes tipos de distancias entre los

puntos teniendo en cuenta la forma de la tierra, el radio asumido
de la tierra, etc. Los puntos especificados para cada uno de los
métodos de cálculo de distancias pueden ser un vector de dos nú-
meros que contienen las respectivas coordenadas “x” e “y”, una
matriz de 2 columnas, la primera es la longitud, seguida de la
latitud. En caso de que los dos puntos sean iguales, la distancia
se considera 0 a todos los efectos prácticos.
Construimos tres objetos para facilitar el cálculo de las distan-
cias, representan los puntos vértices del área de interés.
#esquina superior izquierda
pa <- c(raster_ext@xmin,raster_ext@ymax)
#esquina superior derecha
pb <- c(raster_ext@xmax,raster_ext@ymax)
#esquina inferior izquierda
pc <- c(raster_ext@xmin,raster_ext@ymin)
Usando la función distGeo(p1, p2) para el cálculo de distan-
cia geográfica entre los puntos p1 a p2, y se divide por 1000 para
llevar los metros a kilómetros. En el sentido longitudinal:
#división entera a 1000m
ncolumnas <- geosphere::distGeo(p1= pa, p2=pb) %/% 1000
Y sentido latitudinal:
#división entera a 1000m
nfilas <- geosphere::distGeo(p1= pa, p2=pc) %/% 1000
Basado en estos valores construimos una plantilla del modelo
ráster:
modelo_geom <- raster(x = raster_ext, ncol = ncolumnas, nrow = nfilas)
Al cual agregamos los valores de lst mediante la conversión
de objetos de tipo espacial a las celdas del modelo ráster. Cada
punto es asignado a una celda o píxel, de existir más de un valor
asignado se aplica el promedio:
modelo_lst_ras <- rasterize(x= data_puntual[, 1:2],
y= modelo_geom,
field= data_puntual[, 3],
470 MISIONES ESPACIALES

fun = mean)
Y por integridad se asigna el CRS para definir su sistema coor-
denado:
crs(modelo_lst_ras) <- "+proj=longlat +ellps=WGS84 +datum=WGS84 +no_defs "
Obtenemos un modelo ráster con todos los puntos convertidos
en valor de celda que no necesariamente cubren la extensión o
se distribuyen en todas las celdas disponibles (Figura 8.87, supe-
rior).
Finalmente, se estiman los valores de las celdas mediante el
uso de la media de los valores vecinos (fun=mean) sin considerar
los valores NA ([Link]=T) solo a las celdas vacías (NAonly=T)
(Figura 8.87, inferior).
modelo_lst <- focal(x = modelo_lst_ras, fun=mean, [Link]=T,
w=matrix(1,3,3), NAonly=T)
 Teledetección Termal 471

Figura 8.87: Detalle

Islas Canarias, Mapa
29.5

Temperaturas (en K).

320 Escena Sentinel-3. 18
octubre 2021. Conver-
Arrecif
310
sión de datos puntua-
28.5

Puerto del Rosar 300

Antigua
Pájara les LST a ráster (su-
Guía de Isora
Vilaflor
Arona Valleseco
Telde
290 peror). Temperaturas
Valverde Diurnas (inferior).
27.5

−18 −17 −16 −15 −14

29.5

320
Arrecif
310
28.5

Puerto del Rosar

Antigua 300
Pájara
Guía de Isora
Vilaflor
Arona Valleseco
290
Telde
Valverde
27.5

−18 −17 −16 −15 −14

IX APLICACIÓN

En las siguientes páginas vamos a revisar una serie de apli-

caciones y técnicas de procesamiento de imágenes satelitales. Se
discuten sus fundamentos teóricos y como se implementan utili-
zando el lenguaje R y la plataforma RStudio.
Mosaico

El mosaico de imágenes es un método para construir desde

varias imágenes de la misma escena en una imagen más grande.
El producto de salida del mosaico será la unión de dos o más
imágenes de entrada en una nueva imagen.
Algunas operaciones algebraicas se utilizan para obtener los
valores en los píxeles en común en más de una imagen.

9.1 Creación

Usando la técnica señalada en 3.13, descargamos la data espa-

cial vectorial del área de estudio:
niger <- gadm_sp_loadCountries("NER", level = 2, basefile = "RAW/")
Usando la transformación vectorial (3.10.3) podemos revisar
la relación entre las imágenes MODIS disponibles y el área de
interés, a modos de ejemplo vamos a convertir una de las cuatro
imágenes del ejercicio (Figura 9.1):
ext <- extent(imagen1) #Crear extensión de la imagen
polygon <- as(ext, 'SpatialPolygons') #convertimos a objeto espacial
crs(polygon) <- CRS("+proj=sinu
+lon_0=0
+x_0=0
+y_0=0
+ellps=WGS84
+datum=WGS84
+units=m
+no_defs") #asignamos CRS de los datos
476 APLICACIÓN

#Transformación a coordenadas geográficas, como los datos GADM

ext <- spTransform(polygon,
CRS("+proj=longlat +datum=WGS84 +no_defs"))

Figura 9.1: Distribu-

ción de Imágenes y po-
lígono Límite Repúbli-
ca de Níger.
[Link] [Link]

[Link] [Link]

Como vemos en el diagrama las imágenes procesadas se debe-

rán fusionar en un solo modelo para cubrir el área de estudio,
para ello utilizamos el comando mosaic() ya que a diferencia del
comando merge (ver 4.23) se aplica una función en los píxeles
comunes, en esta ocasión aplicaremos el promedio (mean) para
suavizar las transiciones.
mosaico <- mosaic(imagen1, imagen2, imagen3, imagen4, fun= mean)
Tenemos el mosaico en el sistema coordenado Sinusoidal y el
polígono en sistema geográfico, entonces llevamos el primero al
segundo o viceversa, decisión no trivial para el caso de las imáge-
nes ya que requiere la transformación de los valores (ver 3.10.2),
aunque sea pequeño es conveniente evitarlo, así que convertire-
mos la data vectorial al CRS de las imágenes (Figura 9.2):
niger_geom <- niger$spdf #data espacial Figura 9.2: Mosaico
#se define el sistema de destino: (RGB) formado por las
imágenes disponibles y
sinus <- CRS("+proj=sinu el límite de la Repúbli-
+lon_0=0 ca de Níger.
+x_0=0
 Mosaico 477

+y_0=0
+ellps=WGS84
+datum=WGS84
+units=m
+no_defs")
#Transformación a CRS de MODIS
niger_sin <- spTransform(niger_geom, sinus)
Ahora que ambos comparten CRS podemos recortar y enmas-
carar (Figura 9.3):
niger_crop <- crop(mosaico, niger_sin)
niger_msk <- mask(niger_crop, niger_sin)

Figura 9.3: Mosaico

(RGB) formado por las
imágenes disponibles y
el límite de la Repúbli-
Bilma ca de Níger.
Arlit

Tchighozerine

Tchin−Tabarade N'Guigmi

Gouré
Tanout
Ouallam Filingué Tahoua Keita Dakoro
Tillabéry
Téra Illéla Bouza
Madaoua Mayahi
Bkonni Mirriah
Tessaoua
Dogon−Doutchi Groumdji Maïné−Soroa
Kollo Loga
Niamey Aguié
Matameye Diffa
Madarounfa Magaria
Say Boboye
Dosso
Gaya
478 APLICACIÓN

9.1.1 Marcas de Estado

Tal como se describe en 8.3 además de las 7 bandas espectra-

les existen dos bandas de calidad, una que describe la calidad
radiométrica de la medida del sensor (sur_refl_qc_500m) y una
que describe diferentes estados de la atmósfera o la superficie
(sur_refl_state_500m). Los detalles técnicos se encuentran en el
documento oficial MOD09_User_Guide_V6.pdf, tabla 13.
Los códigos se encuentran comprimidos en números enteros
de 16 bits. Cada píxel contiene codificado en la combinación de
1 y 0 los valores de cada bandera. En los cuadros 9.1 y 9.2 se
describen los bits, la variable y los valores que pueden adquirir
esas variables.
Para extraer la información de la capa sur_refl_state_500m
debemos descomponer cada valor de píxel, encontrar los bits sig-
nificativos e interpretarlos. Para ello se ofrece la función uint2uint
que necesita definir dos variables externas: start_index y stop_index
(primera columna de la tabla) y el valor entero a descomponer.
uint2uint <- function(int)
{
bits <- intToBits(int)
out <- packBits(c(bits[start_index:stop_index],
rep([Link](0),32-(stop_index-start_index+1))),
type="integer")
return(out)
}
Por ejemplo, en el primer y segundo bit (de derecha a izquier-
da) se codifica la variable o estado nubosidad y puede tener uno
de cuatro estados, Sin nubes (0), Cubierto por nubes (1), parcial-
mente cubierto (2) y no identificado o definido y se asigna como
sin nubes (3).
El primer paso es definir las variables con la posición de los
bits a leer:
start_index <- 1 #bit inicio
stop_index <- 2 #bit final
Luego, usamos la función calc, con la banda y la función para
 Mosaico 479

Cuadro 9.1: Descrip-

ción de Estados Banda
Bit Nombre Valor Estado QA.

0 Claro
1 Cubierto
1-2 Nubosidad 2 Parcial
3 (No def) Claro
1 Si
3 Sombra Nubes
0 No
0 Océano Poco Profundo
1 Tierra
2 Línea de costa y lagos
3 Agua cont. poco profunda
4 Agua Intermitente
4-6 Tierra/Agua
5 Agua cont. profunda
6 Océano Continental
7 Océano Profundo
0 Climatología
1 Baja
7-8 Cantidad Aerosol 2 Media
3 Alta
0 Ninguno
1 Baja
9-10 Cirrus Detectados 2 Mediana
3 Alta
1 Nubes
11 Marca Nubes
0 Despejado
12 Marca Incendio 1 Fuego
480 APLICACIÓN

Cuadro 9.2: Continua-

ción...
Bit Nombre Valor Estado
1 Fuego
12 Marca Incendio
0 No Fuego
1 Si
13 hielo/nieve
0 No
1 Si
14 Px Borde Nube
0 No
15 Salar 1 Si
1 Nieve
16 Nieve
0 No Nieve

extraer en cada píxel el valor del estado 0, 1, 2, 3 o 4:

nubes <- calc(niger_msk$QA, uint2uint)
Es buena idea revisar los códigos que efectivamente existen en
nuestra imagen y usamos unique (ver 3.7):
unique(nubes)

[1] 0 1 2
La capa de estados se compone de valores enteros y un número
finito de valores, por definición se puede tratar como variable
categórica y usamos la función ratify() que asocia un RAT o
Raster Attribute Table y donde el valor de la celda funciona como
índice a ella. La primera columna de la tabla RAT es el ID y no
debe ser modificado.
Las siguientes columnas pueden ser de cualquier tipo (factor,
texto, enteros o lógicos). El parámetro count devuelve la fre-
cuencia o total de celdas del rango.
nubesf <- ratify(nubes, count=T)

nubesf
class : RasterLayer
dimensions : 2826, 3566, 10077516 (nrow, ncol, ncell)
 Mosaico 481

resolution : 463.3127, 463.3127 (x, y)

extent : 18069.2, 1670242, 1293569, 2602891 (xmin, xmax, ymin, ymax)
crs : +proj=sinu +lon_0=0 +x_0=0 +y_0=0 +R=6371007.181 +units=m +no_defs
source : [Link]
names : layer
values : 0, 2 (min, max)
attributes :
ID COUNT
0 9918801
1 70917
2 87798
Los datos RAT son accesibles vía la inspección de slots (ver
3.5):
nubesf@data@attributes
O vía función levels (ver 1.18):
levels(nubesf)[[1]]
ID COUNT
1 0 9918801
2 1 70917
3 2 87798
Ahora podemos agregar una columna con datos asociados a las
categorías o índices asociando una nueva columna, por ejemplo,
el uso de un texto más descriptivo para cada valor:
levels(nubesf)[[1]] <- cbind(levels(nubesf)[[1]],
estado= c("claro",
"cubierto",
"parcial"))

9.1.2 Mapa y Leyenda Categórica

Un ejemplo práctico de la utilidad de usar datos categóricos
es asignar colores o leyendas para cada clase (Figura 9.4):
colores <- c("white", "red", "green")
plot(nubesf, legend= FALSE, col= colores) #colores a clases
plot(niger_sin, add=T) #agregar polígonos
 482 APLICACIÓN

#Crear leyenda asociando tabla RAT con colores

legend(x = "topleft",
legend = levels(nubesf)[[1]]$estado,
fill = colores)

Figura 9.4: Mapa ca-

claro
tegórico de los estados
cubierto relativos a la ’Nubosi-
parcial dad’ en la banda de ca-
2500000

lidad de estados.
2000000
1500000

500000 1000000 1500000

9.1.3 Enmascarado Categórico

El siguiente caso práctico es utilizar una categoría para en-
mascarar (borrar los píxeles que caen en la categoría). Algunos
estadísticos o análisis de los datos solo son capaces de excluir au-
tomáticamente los valores NA y sin tener la precaución de remo-
ver valores anómalos los resultados podrían verse distorsionados.
Primero extraemos la tabla RAT con la función levels:
 Mosaico 483

rat <- levels(nubesf)[[1]]

Luego, usamos la función layerize(x) que crea un Raster-
Brick con una capa lógica (booleana) para cada clase o categoría
del rasterLayer x.
masks <- layerize(nubesf)
Asignamos los nombres de cada categoría a cada nueva capa
o layer:
names(masks) <- rat$estado
Finalmente, los píxeles con valor cero se convierten a NA y te-
nemos un rasterBrick con una capa por categoría solo con píxeles
de valor 1 (aquellos que pertenecen a dicha categoría).
masks[masks == 0] <- NA
Y para efectos de ejemplo vamos a obtener nuestras imágenes
enmascaradas (Figura 9.5:
claro <- mask(x = niger_msk, mask = masks$claro)
cubierto <- mask(x = niger_msk, mask = masks$cubierto)
parcial <- mask(x = niger_msk, mask = masks$parcial)
484 APLICACIÓN

Figura 9.5: Imagen En-

Nubosidad: Claro
mascarada por cada
categoría. Se usa pa-
rámetro ’colNA’ para
destacar el color de
los píxeles con NA pa-
ra efectos de visualiza-
ción.

Nubosidad: Cubierto

Nubosidad: Parcial
Modelamiento Armónico

9.2 Series Temporales Incompletas

Cuando revisamos datos históricos climáticos (6.15) conta-

mos con una serie continua de datos (6.15.1) que asegura buenos
resultados de procesos estadísticos aplicados sobre ellos.
A diferencia de datos capturados en superficie e independientes
de las condiciones ambientales, la data capturada desde el espacio
por plataformas EO poseen una alta probabilidad de contar con
momentos temporales sin información.
Estas pérdidas de calidad (o ausencia) son causadas princi-
palmente por artefactos de sensores, nubes, sombras de nubes y
otras condiciones climáticas.
En el contexto del análisis de series de tiempo, el modelado
armónico es una herramienta poderosa para llenar estos vacíos
y reducir el ruido suavizando la señal original.

9.3 Modelamiento Armónico

El análisis armónico (Fourier) permite que una curva comple-

ja se exprese como la suma de una serie de ondas en términos
de coseno y un término aditivo. Cada onda se define por una
amplitud única y un ángulo de fase (7.3.1), donde el valor de
amplitud es la mitad de la altura de una onda, y el ángulo de fase
(o simplemente, fase) define el desplazamiento entre el origen y
el pico de la onda en el rango 0 a 2π, (Figura 9.6, a). Cada tér-
mino designa el número de ciclos completos completados por una
onda en el intervalo definido (por ejemplo, el segundo término
486 APLICACIÓN

completa dos ciclos) (Figura 9.6, b). Se agregan sucesivos térmi-

nos armónicos para producir una curva compleja (Figura 9.6, c)
y cada curva componente, o término, representa un porcentaje
de la varianza total en el conjunto de datos de la serie temporal
original (Jakubauskas et al. [2001]).
Así, con la sumatoria de términos se construyen curvas com-
plejas que se utilizan para modelar la expresión de los datos cap-
turados por el sensor, entonces, para cada dato faltante en la serie
temporal, el modelo puede estimar un valor altamente confiable
y terminar rellenando la serie (6.15.1).

Figura 9.6: a) Curva

Fase

Coseno representativa
Amplitud

de la primera armóni-
ca. b) Curvas de armó-
nicos en términos 1, 2
y 3. c) Curva producto
de la suma de curvas
0.0 2π 0.0 2π 0.0 2π
en b).
(a) (b) (c)

9.3.1 Estimación del Modelo

Para el propósito de estimar una curva compleja y modelar, el
paquete rHarmonics (Philipp [2021b]) permite al usuario rea-
lizar un análisis armónico en un conjunto de datos de series de
tiempo dado.
Para calcular la curva armónica ajustada de una señal perió-
dica, las regresiones de mínimos cuadrados ordinarios se calculan
utilizando curvas de seno y coseno acopladas en datos de series
de tiempo. El algoritmo subyacente que se basa en las ecuaciones
4.1, 4.2 de Shumway and Stoffer [2017] se puede ver a continua-
ción:
n ( ( ) ( ))
∑ i2πt i2πt
Xt = β0 +β1 ×2πt+ β2i × cos + β3i × sin
i=1
T T
(9.1)
Donde:
t = Fracción de tiempo desde 01 enero 1970
T = Longitud del período temporal (un año)
n = Número total de armónicas
 Modelamiento Armónico 487

i = Armónica actual
βx = Coeficientes independiente derivados de la regresión de mí-
nimos cuadrados ordinaria (OLS)
En R procedemos instalando el paquete:
devtools::install_github("MBalthasar/rHarmonics")
Y cargamos en memoria:
library(rHarmonics)
El paquete provee una serie de datos para evaluación y estudio
del funcionamiento, indicamos el nombre y dirección del paquete
y archivo y leemos con la función readRDS.
ndvi_df <- base::readRDS([Link](package = "rHarmonics",
"extdata", "MODIS_NDVI_TimeSeries.rda"))
Los datos los podemos explorar:
summary(ndvi_df)

dates ndvi
Min. :2005-01-01 Min. :0.3800
1st Qu.:2007-07-02 1st Qu.:0.5545
Median :2009-12-29 Median :0.7015
Mean :2009-12-29 Mean :0.6670
3rd Qu.:2012-06-27 3rd Qu.:0.7790
Max. :2014-12-27 Max. :0.8730
NA's :98
Y encontramos que posee dos variables, dates (fechas) y ndvi
para el período temporal 1 enero 2005 hasta 27 diciembre 2014 de
datos MODIS para el índice diferencia normalizada de vegetación
(9.15.2).
Una pregunta que debemos plantearnos es la resolución tem-
poral (diferencia temporal entre un valor y su sucesivo) del set
de datos.
Para encontrar esos valores utilizamos la función diff(x) que
encuentra las diferencias de valor o fechas en un vector o matriz
x.
diff(ndvi_df$dates)

Time differences in days

488 APLICACIÓN

[1] 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
[38] 8 8 8 8 8 8 8 8 5 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
[75] 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 5 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
[112] 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 5 8 8 8 8 8 8 8 8 8 8
[149] 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 6 8
[186] 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
[223] 8 8 8 8 8 8 8 5 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
[260] 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 5 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
[297] 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 5 8 8 8 8 8 8 8 8 8 8 8
[334] 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 6 8 8
[371] 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
[408] 8 8 8 8 8 8 5 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
[445] 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
Y constatamos que el valor representativo es de 8 días. Tam-
bién debemos explorar el gráfico de líneas de la misma data (Fi-
gura 9.7), donde podemos apreciar en los saltos o quiebres de la
línea donde no existe valor.
plot(x=ndvi_df$dates,
y=ndvi_df$ndvi,
lwd=1.5,
type="l",
col="gray40",
cex=1,
ylim=c(0.35, 0.9),
xlab="Fechas (años)",
ylab="NDVI")
0.8
NDVI

0.6
0.4

2006 2008 2010 2012 2014

Fechas (años)
Figura 9.7: Serie Origi-
nal, valores NDVI MO-
El paquete rHarmonics contiene la función harmonics_fun(user_vals,
DIS, frecuencia 8 días.
 Modelamiento Armónico 489

user_dates, harmonic_deg) que permite al usuario modelar di-

ferentes números de ciclos por año harmonic_deg, para una serie
de datos user_vals y un rango de fechas user_dates.
Vamos a calcular un modelo usando, uno, dos y tres términos
para los datos NDVI:
fitted_1rd_deg <- harmonics_fun(user_vals = ndvi_df$ndvi,
user_dates = ndvi_df$dates,
harmonic_deg = 1)

fitted_2rd_deg <- harmonics_fun(user_vals = ndvi_df$ndvi,

user_dates = ndvi_df$dates,
harmonic_deg = 2)

fitted_3rd_deg <- harmonics_fun(user_vals = ndvi_df$ndvi,

user_dates = ndvi_df$dates,
harmonic_deg = 3)
Combinamos los valores estimados con el objeto original para
efectos de dibujo y análisis:
combined_1df <- cbind(ndvi_df, fitted_1rd_deg)
names(combined_1df) <- c("dates", "ndvi", "fitted")

combined_2df <- cbind(ndvi_df, fitted_2rd_deg)

names(combined_2df) <- c("dates", "ndvi", "fitted")

combined_3df <- cbind(ndvi_df, fitted_3rd_deg)

names(combined_3df) <- c("dates", "ndvi", "fitted")
Las curvas ajustadas por un, dos y tres términos por año se
puede revisar en la figura 9.8.
 490 APLICACIÓN

0.4 0.5 0.6 0.7 0.8 0.9

Figura 9.8: Curva ND-

VI ajustada por un tér-
mino (superior), dos
términos (centro) y
tres términos (infe-
NDVI

rior).

2006 2008 2010 2012 2014

Fechas (años)
0.4 0.5 0.6 0.7 0.8 0.9
NDVI

2006 2008 2010 2012 2014

Fechas (años)
0.4 0.5 0.6 0.7 0.8 0.9
NDVI

2006 2008 2010 2012 2014

Fechas (años)
 Modelamiento Armónico 491

9.3.2 Aplicación Ráster

También se puede realizar operaciones ráster sobre series tem-

porales (6.16 ) y el paquete también tiene funciones para operar
sobre un objeto rasterBrick. El mismo paquete posee un objeto
para efectos de demo:
sample_raster <- brick([Link](package = "rHarmonics",
"extdata",
"MODIS_NDVI_stack.tif"))
Que podemos explorar de manera interactiva en el panel Vie-
wer mediante el uso del paquete (Figura 9.9):
library(mapview)
La función mapview() genera un mapa interactivo y le pasa-
mos la primera capa o layer del objeto y agregamos el nombre de
la capa:
mapview(x= sample_raster[[1]],
[Link]="NDVI")

Figura 9.9: Captura de

pantalla con mapa in-
teractivo con los da-
tos ráster NDVI conte-
nido en paquete ’rHar-
monics’.

La serie de datos posee un layer por cada fecha y contiene tan-

to datos válidos de NDVI como también píxeles marcados como
nubes, sombras y NA (Figura 9.10).
492 APLICACIÓN

r <- sample_raster[[1:12]]
plot(r,
col=gray(1:100/100),
asp=1,
colNA="magenta",
zlim=c(0,1))

MODIS_NDVI_stack.1 MODIS_NDVI_stack.2 MODIS_NDVI_stack.3 MODIS_NDVI_stack.4

49.94

0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0
49.88

MODIS_NDVI_stack.5 MODIS_NDVI_stack.6 MODIS_NDVI_stack.7 MODIS_NDVI_stack.8

49.94

0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0
49.88

MODIS_NDVI_stack.9 MODIS_NDVI_stack.10 MODIS_NDVI_stack.11 MODIS_NDVI_stack.12

49.94

0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0
49.88

10.45 10.55 10.45 10.55 10.45 10.55 10.45 10.55

Figura 9.10: Doce pri-

meras fechas del set
Y para estimar cada uno de los valores perdidos se aplica de NDVI, con los píxeles
manera recursiva por cada pixel la función usada en el paso ante- faltantes en color ma-
genta.
rior (en el ejemplo vamos a utilizar tres términos) (Figura 9.11).
fitted_raster <- calc(sample_raster,
function(x){
harmonics_fun(x,
user_dates = ndvi_df$dates,
harmonic_deg = 3)
})
Y generamos un mapa para revisar los resultados de las pri-
meras doce layer.
f <- fitted_raster[[1:12]]
plot(f,
col=gray(1:100/100),
 Modelamiento Armónico 493

asp=1,
colNA="magenta",
zlim=c(0,1))

layer.1 layer.2 layer.3 layer.4

49.94

0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0
49.88

layer.5 layer.6 layer.7 layer.8

49.94

0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0
49.88

layer.9 layer.10 layer.11 layer.12

49.94

0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0
49.88

10.45 10.55 10.45 10.55 10.45 10.55 10.45 10.55

Figura 9.11: Serie tem-

poral NDVI modelada
con trés términos com-
ponentes.
9.3.3 Serie Temporal NDVI
Tal como usamos el paquete rts (6.16.1) con datos climáticos
continuos, ahora podemos realizar las mismas operaciones sobre
el objeto ráster ajustado por el modelo.
Cargar el paquete en la sesión actual:
library(rts)
Construimos el objeto RasterBrickTS del paquete rts:

ndvi_ts <- rts(x = fitted_raster,

time = ndvi_df$dates)
Con el objeto podemos realizar las tareas de subconjunto con
toda facilidad que ofrece el paquete especialmente diseñado para
trabajar con fechas (Figura 9.12).
Función subset para aislar datos de un año:
494 APLICACIÓN

ndvi_2006 <- subset(x= ndvi_ts,

subset= "2006")

plot(ndvi_2006,
zlim=c(0,1))

2006−01−01 2006−01−09 2006−01−17 2006−01−25 2006−02−02 2006−02−10 2006−02−18

49.96

0.8 0.8 0.8 0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0 0.0 0.0 0.0
49.88

2006−02−26 2006−03−06 2006−03−14 2006−03−22 2006−03−30 2006−04−07 2006−04−15

49.96

0.8 0.8 0.8 0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0 0.0 0.0 0.0
49.88

2006−04−23 2006−05−01 2006−05−09 2006−05−17 2006−05−25 2006−06−02 2006−06−10

49.96

0.8 0.8 0.8 0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0 0.0 0.0 0.0
49.88

2006−06−18 2006−06−26 2006−07−04 2006−07−12 2006−07−20 2006−07−28 2006−08−05

49.96

0.8 0.8 0.8 0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0 0.0 0.0 0.0
49.88

2006−08−13 2006−08−21 2006−08−29 2006−09−06 2006−09−14 2006−09−22 2006−09−30

49.96

0.8 0.8 0.8 0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0 0.0 0.0 0.0
49.88

2006−10−08 2006−10−16 2006−10−24 2006−11−01 2006−11−09 2006−11−17 2006−11−25

49.96

0.8 0.8 0.8 0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0 0.0 0.0 0.0
49.88

2006−12−03 2006−12−11 2006−12−19 2006−12−27

49.96

0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4
0.0 0.0 0.0 0.0
49.88

10.45 10.60 10.45 10.60 10.45 10.60 10.45 10.60

Figura 9.12: ND-

O el cálculo sobre el período mensual (Figura 9.13): VI MODIS, año
2016, serie temporal
ndvi_mensual <- [Link](x = ndvi_2006, corregida.
FUN = 'mean',
[Link]=TRUE)

plot(ndvi_mensual,
zlim=c(0,1))
Finalmente, vamos a construir una serie de layer que se define
por las estaciones climáticas que fechas corridas:
 Modelamiento Armónico 495

2006−01−25 2006−02−26 2006−03−30 2006−04−23

Figura 9.13: NDVI
49.96

0.8 0.8 0.8 0.8 Medio Mensual.

0.4 0.4 0.4 0.4
49.90

0.0 0.0 0.0 0.0

2006−05−25 2006−06−26 2006−07−28 2006−08−29

49.96

0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4
49.90

0.0 0.0 0.0 0.0

2006−09−30 2006−10−24 2006−11−25 2006−12−27

49.96

0.8 0.8 0.8 0.8

0.4 0.4 0.4 0.4
49.90

0.0 0.0 0.0 0.0

10.45 10.55 10.45 10.55 10.45 10.55 10.45 10.55

1. Extraemos el período solsticio a solsticio (2005-2006).

ndvi_estac_2006 <- subset(ndvi_ts,"20051220/20061221")

2. Extraemos los layers disponibles.

nlayers(ndvi_estac_2006@raster)

[1] 46
3. Creamos un vector con las fechas asociadas a cada capa. Usa-
mos la función time() que crea un vector de tiempos en los
que se muestreó una serie de tiempo.
(fechas <- time(ndvi_estac_2006@time))

[1] "2005-12-27" "2006-01-01" "2006-01-09" "2006-01-17" "2006-01-25"

[6] "2006-02-02" "2006-02-10" "2006-02-18" "2006-02-26" "2006-03-06"
[11] "2006-03-14" "2006-03-22" "2006-03-30" "2006-04-07" "2006-04-15"
[16] "2006-04-23" "2006-05-01" "2006-05-09" "2006-05-17" "2006-05-25"
[21] "2006-06-02" "2006-06-10" "2006-06-18" "2006-06-26" "2006-07-04"
[26] "2006-07-12" "2006-07-20" "2006-07-28" "2006-08-05" "2006-08-13"
[31] "2006-08-21" "2006-08-29" "2006-09-06" "2006-09-14" "2006-09-22"
[36] "2006-09-30" "2006-10-08" "2006-10-16" "2006-10-24" "2006-11-01"
[41] "2006-11-09" "2006-11-17" "2006-11-25" "2006-12-03" "2006-12-11"
[46] "2006-12-19"

4. Construimos un vector con los índices que marcan las fechas de

término de estación, observando las fechas del vector anterior.
Aplicamos la función mean a las capas ráster que caen entre
los límites fijados. Así obtenemos el valor NDVI por estación
(Figura 9.14).
496 APLICACIÓN

ndvi_est <- rts::[Link](x = ndvi_estac_2006,

INDEX = c(0,11,23,34,46),
FUN = "mean")
names(ndvi_est@raster) <- c("Invierno","Primavera","Verano","Otoño")

plot(ndvi_est@raster,
zlim=c(0,1))

Invierno Primavera
Figura 9.14: NDVI Es-
tacional 2016.
1.0 1.0
49.94

0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0.0 0.0
49.90

Verano Otoño

1.0 1.0
49.94

0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0.0 0.0
49.90

10.40 10.45 10.50 10.55 10.60 10.40 10.45 10.50 10.55 10.60

9.4 Animación
Otra alternativa de estudiar el contenido de un rasterStack de
cierto tamaño es generar un archivo gif con la animación de los
datos para estudiar el desarrollo y evolución de los fenómenos
representados.
El paquete animation (Xie [2013], Xie et al. [2018b]) está di-
señado para controlar y construir un archivo gif a partir de una
secuencia de ploteos o gráficos realizados con R.
Luego de instalar el paquete:
[Link]("animation")
Y cargar en la sesión actual:
library(animation)
La función [Link](interval) permite configurar algu-
nos parámetros básicos de la animación, en nuestro caso vamos
 Modelamiento Armónico 497

a configurar el intervalo en segundos:

[Link](interval= 0.2)
Y preparamos un vector con las fechas de cada capa para es-
cribir en el título del mapa:
fechas <- time(ndvi_ts@time)
La función saveGIF(expr) crea una serie de imágenes y luego
escribe un archivo en formato .gif. Las imágenes se deben cons-
truir con el código R descrito en expr.
saveGIF({
for (i in 1:nlayers(ndvi_ts@raster)){
plot(ndvi_ts[[i]],
legend=T,
main = paste("Fecha:",format(fechas[i],
"%d %B %Y")),
zlim=c(0,1))
}
})
Luego del proceso (que puede tardar unos minutos) se levanta
automáticamente un visor con la animación (Figura 9.15).

Figura 9.15: Captura

de pantalla con visor
de imágenes de win-
dows con una vista de
la animación GIF.
Bandas

9.5 Combinación de Bandas

El ojo humano es más sensible a las variaciones cromáticas que
a las variaciones de brillo. Al mezclar tres bandas espectrales en
una composición de color, hay más información disponible para
la identificación de características en las imágenes. Así, el color
se convierte en un elemento crítico en la interpretación visual de
las imágenes. Nuestra percepción del color es el resultado de la
reflectancia selectiva de los objetos observados a diferentes lon-
gitudes de onda. Superficies con alta reflectancia en longitudes
de onda cortas (azul) y bajo en las longitudes de onda restantes
aparecen azul, mientras que los objetos rojos absorben longitudes
de onda más cortas y reflejan las visibles largas.
Nuestros ojos solo perciben longitudes de onda entre 400 y
700 nm, separando la energía recibida en tres componentes de
color en nuestros propios sensores espectrales. Estos tres compo-
nentes se conocen como colores primarios (rojo, verde y azul
o RGB), de los cuales se puede derivar cualquier otro color. Los
colores que percibimos con nuestros ojos se pueden crear asignan-
do colores primarios (RGB) a las bandas espectrales rojo, verde
y azul, respectivamente (Figura 9.16). Combinación denominada
Color Verdadero.
plotRGB(imagen4, r=1, g=2, b=3, stretch="lin")
La combinación natural puede ser modificada por el intérprete
asignando en cualquier orden tres bandas espectrales. Esta nueva
composición de color no corresponderá a los colores que percibi-
mos normalmente. Los colores resultantes serán inusuales para
500 APLICACIÓN

Figura 9.16: Combi-

nación: Color Real
R,G,B.

nuestros ojos y, por lo tanto, los llamamos falsos compuestos

de color o falso color. Nuestros ojos no perciben los compuestos
de colores falsos, pero son indicados para discriminar diferentes
características del suelo y, por lo tanto, son muy común en el
análisis visual de la EO.
Se puede obtener una composición de color combinando tres
bandas espectrales usando dos diferentes procesos: aditivo y sus-
tractivo. En el proceso aditivo, un color dado es obtenido me-
diante la adición de luz de diferentes longitudes de onda. Cuanta
más reflectancia tenga un píxel, más luz (más brillante) tendrá
ese color en la composición (Figura 9.17).
El proceso aditivo es el que se utiliza en los sistemas de visua-
lización electrónicos (monitores de computadora, tabletas, pan- Figura 9.17: Modelo
tallas proyectores), y es el más utilizado para los sistemas de Aditivo.
procesamiento de imágenes digitales. El método sustractivo se
utiliza en la reproducción mecánica del color, típicamente en me-
dios impresos (revistas, libros, etc.). Los colores impresos se ob-
tienen mezclando tres tintas básicas: amarillo, magenta y cian. A
diferencia del proceso aditivo, cuanta más reflectancia que tenga
un píxel, menos tinta tendrá, ya que necesita ser más brillante al
final de la composición.
 Manejo de Bandas 501

Se han intentado establecer indicadores objetivo que ayude en

la selección de la composición de color más adecuado maximi-
zando la información no redundante. Se han utilizado diversas
técnicas estadísticas, como el análisis de componentes principa-
les o el índice de factor óptimo (OIF), ver ecuación 9.2 y punto
9.5.6.
También para el análisis visual, se han realizado algunos es-
tudios para identificar la composición de color que ofrezcan la
mejor discriminación de coberturas.
Este enfoque se basa en la selección de intérpretes con diferen-
tes niveles de experiencia para cuantificar el número de cubiertas
que se pueden discriminar adecuadamente en diversas composi-
ciones en color.
Para los siguientes ejercicios vamos a utilizar las imágenes MO-
DIS procesadas en el punto 8.4.
imagen1 <- brick(here("raw","[Link]"))
imagen2 <- brick(here("raw","[Link]"))
imagen3 <- brick(here("raw","[Link]"))
imagen4 <- brick(here("raw","[Link]"))
A raíz de estos resultados, el proyecto europeo de cobertura te-
rrestre CORINE ([Link]/pan-european/corine-land-
cover) seleccionaron una serie de composiciones muy útiles para
distintos campos del conocimiento.

9.5.1 Falso Color

Entre las múltiples combinaciones de colores utilizadas en el
análisis visual, la más destacada se conoce como falso color.
Esta combinación se obtiene cambiando las bandas visibles hacia
longitudes de onda más largas, NIR, R y G, por las RGB respec-
tivamente (Figura 9.18). Se ha utilizado ampliamente porque la
mayoría de los sensores satelitales incluyen estas tres bandas es-
pectrales. Para facilitar la interpretación del color, es conveniente
incluir una clave de color para facilitar al intérprete con este tipo
de composición. Los colores más habituales corresponden a las
siguientes cubiertas:
• Rojo-magenta representa vegetación vigorosa, como cultivos
502 APLICACIÓN

de regadío, montañas prados, o bosques caducifolios en imá-

genes de verano y cultivos herbáceos de tierra de secano en
imágenes de primavera. El estudio detallado de la intensidad
y la saturación de rojo en estos compuestos permite identificar
varias coberturas vegetales, así como para estimar sus ciclos
de crecimiento y vigor.

• Rosa representa áreas con vegetación menos densa y / o ve-

getación en las primeras etapas de crecimiento y áreas subur-
banas cercanas a las grandes ciudades cuando tienen jardines
y árboles dispersos.

• Blanco representa un área con poca vegetación, nubes, arena,

depósitos salinos, canteras, suelos desnudos y nieve.

• Azul oscuro a negro representa superficies total o parcial-

mente cubiertas por agua, ríos, lagos y presas. En zonas vol-
cánicas, los tonos negros pueden representar lava caudales o
suelos con poca cobertura vegetal.

• Gris a azul metálico representa ciudades y rocas desnudas.

• Café representa tierra arbustiva, variable según la densidad

y el suelo material.

• Beige representa zonas de transición, prados secos frecuente-

mente asociados con exfoliación escasa.

plotRGB(imagen1, r="nir", g="r", b="g", stretch="lin")

9.5.2 Caso ‘Separación de Suelo’

Permite una diferenciación de la vegetación en tonos marro-
nes, verdes y amarillos. Las áreas urbanas y los suelos expuestos
aparecen en tonos de azul claro, mientras que las áreas inunda-
das y el agua aparecen en tonos azul oscuros. Esta combinación
realza las diferencias de humedad en el suelo y es usada para el
análisis de humedad en el suelo y vegetación (Figura 9.19).
Manejo de Bandas 503

Figura 9.18: Combi-

nación de bandas es-
pectrales. Falso Co-
lor(NIR,R,G)

Figura 9.19: Com-

binación de bandas
espectrales. Separa-
ción usos de suelo
(NIR,SWIR1,R).
504 APLICACIÓN

9.5.3 Caso ‘Separación Zona Cultivos o Inundadas’

La vegetación sana será de color verde brillante, sin embargo,
es recomendada mejor para estudios agrícolas (Figura 9.20).

Figura 9.20: Com-

binación de bandas
espectrales. Cultivos
o zonas inundadas
(SWIR1,NIR,R).

9.5.4 Caso ‘Aplicaciones Geológicas 1’

Aplicaciones Geológicas, recomendada para la separación de
rocas (Figura 9.21).

9.5.5 Caso ‘Aplicaciones Geológicas 2’

Esta combinación implica ninguna banda visible. Proporciona
la mejor penetración atmosférica. Líneas costeras, y las orillas
están bien definidos. Se puede utilizar para encontrar caracterís-
ticas de textura y humedad de los suelos. La vegetación aparece
en color azul. Esta combinación de bandas puede ser útil para
estudios geológicos (Figura 9.22).

9.5.6 Índice de Factor Óptimo (OIF)

Cuando hay más bandas espectrales disponibles, y particular-
mente en el caso de sensores hiperespectrales, las posibilidades
Manejo de Bandas 505

Figura 9.21: Com-

binación de bandas
espectrales. Aplica-
ciones Geológicas,
separación de rocas
(SWIR2,R,B).

Figura 9.22: Com-

binación de bandas
espectrales. Aplica-
ciones Geológicas 2
(SWIR2,SWIR1,NIR).
506 APLICACIÓN

de crear imágenes compuestas en color son casi ilimitadas. Ló-

gicamente, solo algunos tendrán interés para una aplicación en
particular, y algunos de ellos serán casi idénticos. Además de la
percepción visual subjetiva, también se dispone de criterios cuan-
titativos para seleccionar la combinación de bandas óptimas. Un
índice estadístico y cromático, que retiene la varianza original de
los datos ha sido desarrollado, el factor índice óptimo (OIF)
(Zheng et al. [2005]) que evalúa las varianzas de cada banda y
sus correlaciones entre bandas con el objetivo de maximizar el
contenido de información de las tres bandas seleccionadas para
la composición:

n
( )
σi
(9.2)
∑
OIF = ∑n
i=1 j=1 |rij |
Donde σi es la desviación estándar de cada una de las tres ban-
das incluidas en la composición, rij es el coeficiente de correlación
entre cada par de las bandas seleccionadas y n = 3.
En R vamos a construir una función para luego poder apli-
car en nuestras imágenes, vamos a considerar algunos aspectos
importantes:

• Requiere tres parámetros iniciales, la imagen img y los índices

de las tres bandas i, ii y iii.

• Cada banda tiene valores expresados en reflectividad (ρ) y el

método estadístico está diseñado para ND de 8 bits:

– Por cada banda se extrae el máximo: mx <- maxValue(img).

– Cada banda se divide por su máximo y se multiplica por 255
y llevamos a ND 8 bits: r1 <- imagen1[[i]]/mx[i]*255.

• La función requiere la desviación estándar por banda y es

necesario remover sus NA.

• También se utiliza la correlación entre las bandas ABC; en las

tres combinaciones posibles (AB,AC,BC), usando la función
cor().

Una de las tantas alternativas que R permite y que resume las

consideraciones previas es:
 Manejo de Bandas 507

oif <- function(img,i,ii,iii){

mx <- maxValue(img) #extrae máximo por banda.
r1 <- imagen1[[i]]/mx[i]*255 #llevar valores a ND
r2 <- imagen1[[ii]]/mx[ii]*255
r3 <- imagen1[[iii]]/mx[iii]*255

sd1 <- cellStats(r1, stat = sd, [Link]=T) #Extraer SD

sd2 <- cellStats(r2, stat = sd, [Link]=T)
sd3 <- cellStats(r3, stat = sd, [Link]=T)

cor1 <- cor([Link](r1),[Link](r2)) #Correlación entre bandas

cor2 <- cor([Link](r1),[Link](r3))
cor3 <- cor([Link](r2),[Link](r3))
sumcor <- sum(cor1,cor2,cor3) #Sumatoria

sum(sd1/sumcor,sd2/sumcor,sd3/sumcor) #cálculo de OIF

}
Y el cálculo del OIF:
#Los índices 1(R), 2(G) y 3(B).
(valor_indice <- oif(imagen1,1,2,3))

[1] 25.80834
Ahora tenemos la función que entrega un valor del OIF usan-
do tres índices, y necesitamos revisar las combinaciones posibles
de las siete bandas que tenemos en nuestras imágenes y revisar
aquellas combinaciones con los valores OIF mayores.
En R podemos realizar fácilmente la tarea utilizando el paque-
te combinat (Chasalow [2012]) que aporta una serie de utilidades
de combinatoria.
La función mx <- combn(x, m, simplify) genera todas las
combinaciones de x elementos tomados de m elementos a la vez.
El parámetro simplify retorna una lista (T) o un vector(F).
Por ejemplo, tengo 4 elementos tomados de a pares nos da las
siguientes combinaciones:
combn(1:4,m=2,simplify=T)

[,1] [,2] [,3] [,4] [,5] [,6]

508 APLICACIÓN

[1,] 1 1 1 2 2 3
[2,] 2 3 4 3 4 4
Entonces, tomamos nuestros siete índices y los tomamos de a
tríos y generamos las combinaciones (35 casos):
lst <- combn(1:7,m = 3, simplify=T)
ncol(lst)
[1] 35
lst[,1:5] #cinco primeras combinaciones

[,1] [,2] [,3] [,4] [,5]

[1,] 1 1 1 1 1
[2,] 2 2 2 2 2
[3,] 3 4 5 6 7
Ahora tomamos la imagen y la isima combinación y calculamos
su valor OIF:
i <- 1 #creo variable i, para facilitar pruebas
oif(imagen1,lst[1,i],lst[2,i],lst[3,i])

[1] 25.80834
Ahora podemos llevar a una estructura de ciclo para repetir el
código cierto número de veces utilizando la función for (número
de repetición) {código}.
oifv <- vector() #creo objeto vacío
#Creo estructura for para repetir en número de combinaciones
for (i in 1:ncol(lst)) {
v <- oif(imagen1, lst[1,i], lst[2,i], lst[3,i]) #cálculo de oif
#voy agregando al objeto para tener una lista de resultados
oifv <- rbind(oifv, v)
}
#creo lista de nombres de filas
nombres <- [Link](paste(lst[1,], lst[2,], lst[3,], sep = ""))
#asociar los nombres a los valores oif
rownames(oifv) <- nombres
Y obtenemos un vector con el valor del índice y el nombre de
la combinación usado en su cálculo:
 Manejo de Bandas 509

head(oifv, n=4)

[,1]
123 25.80834
124 30.78376
125 31.73920
126 33.19833
Para revisar en detalle los resultados nos vamos a concentrar
en los resultados de mayor valor de OIF, para ello ordenamos
nuestro vector, pero necesitamos mantener los nombres de cada
fila para revisar la combinación de bandas.
Para ello utilizamos un truco, no usaremos la función sort()
sino order() que retorna una lista de índices ordenados:
ind <- order(oifv, decreasing = T)
ind
[1] 15 12 14 34 35 13 11 33 5 25 31 9 24 22 30 10 4 28 8 32 3 23 7 21 2
[26] 29 27 6 19 20 26 18 1 17 16
Y usamos esos indices para revisar nuestro vector (por ejemplo,
los mayores):
oifv[ind[1:9],]

167 147 157 467 567 156 146 457

39.50488 38.85906 38.78856 37.81389 37.24589 35.99998 35.96169 35.45019
127
35.35547
Mientras que los menores calculados son:
oifv[ind[27:35],]

346 134 237 245 345 236 123 235

30.07406 29.74194 29.02487 28.05230 27.11844 26.76002 25.80834 24.88766
234
23.48171
El resultado arroja las combinaciones 167 con el máximo y 234
menor valor OIF (Figura 9.23).
La semejanza en el valor del estadístico es reflejada en la se-
mejanza de la representación visual (Figura 9.24).
510 APLICACIÓN

Figura 9.23: Compa-

1−6−7 ración de combinación
de bandas espectrales
con el mayor (supe-
rior) y menor (inferior)
valor de OIF.

2−3−4
 Manejo de Bandas 511

1−6−7 1−4−7 1−5−7

4−6−7 5−6−7 1−5−6

1−4−6 4−5−7 1−2−7

Figura 9.24: Combina-

ción de bandas espec-
trales con los nueve
mayores valores OIF.
512 APLICACIÓN

En el extremo menor de los valores OIF se revisan en la figura

9.25.

3−4−6 1−3−4 2−3−7

2−4−5 3−4−5 2−3−6

1−2−3 2−3−5 2−3−4

Figura 9.25: Combina-

ción de bandas espec-
trales con los nueve
menores valores OIF
 Manejo de Bandas 513

9.6 Razón de Bandas

La razón de bandas es una técnica que se utiliza para mos-

trar variaciones espectrales de forma eficaz. Se basa en resaltar
las diferencias espectrales que son exclusivas de los materiales que
se busca visualizar. Los materiales superficiales idénticos pueden
dar diferentes valores de reflectancia debido a la pendiente y as-
pecto topográfico, sombras o cambios estacionales en el ángulo e
intensidad de iluminación del sol. Estas variaciones afectan la in-
terpretación del usuario y puede dar a lugar resultados erróneos.
La operación de razón de bandas puede transformar los datos,
pero sin reducir los efectos de dichas condiciones ambientales.
Las imágenes de razón de bandas son conocidas por mejorar el
contraste espectral entre las bandas consideradas en la operación
y se han utilizado con éxito en la identificación y mapeo de tipos
de suelo.
A partir del conocimiento teórico de las propiedades espectra-
les de los minerales, es bien reconocido que las proporciones de
las bandas R/B, SWIR2/SWIR3, SWIR2/NIR se analizan pa-
ra detectar óxidos de hierro, minerales que contienen hidroxilo y
óxidos ferrosos, respectivamente.
En Mia and Fujimitsu [2012] encontramos algunas de las ra-
zones de banda más comunes en el ámbito de la identificación de
minerales, por ejemplo, la razón de bandas:


R SW IR2/SW IR3


Abram = G R/G (9.3)


B N IR/SW IR2


Ha probado ser tan útil que se ha denominado con nombre

propio, Razón de Abram y muestra el óxido de hierro altera-
do hidrotermalmente en colores verde, los minerales arcillosos en
color rojo (Figura 9.26).
El código R para construir la razón es utilizar la operación
directo sobre los MDR y componiendo en un stack cada uno de
los resultados:
514 APLICACIÓN

#cálculo de cada componente

b1 <- imagen3$swir2 / imagen3$swir3
b2 <- imagen3$r / imagen3$g
b3 <- imagen3$nir / imagen3$swir2
#creación del objeto 'brick'
ratio <- brick(b1,b2,b3)
#mapa
plotRGB(ratio, r=1, g=2, b=3, stretch="lin")

Figura 9.26: Razón de

bandas Abram.

La siguiente razón muy utilizada se denomina razón de Kauf-

mann (Figura 9.27), en la cual los minerales que contienen iones
de hierro, las zonas con vegetación y los minerales hidroxilos se
muestran respectivamente en color rojo, verde y azul.
 Manejo de Bandas 515


R SW IR3/N IR


Kauf mann = G N IR/R (9.4)


B SW IR2/SW IR3


#componentes
b1 <- imagen3$swir3 / imagen3$nir
b2 <- imagen3$nir / imagen3$r
b3 <- imagen3$swir2 / imagen3$swir3
#composición de bandas
ratio <- brick(b1,b2,b3)
#impresión de la imagen
plotRGB(ratio, r=1, g=2, b=3, stretch="lin")

Figura 9.27: Razón de

bandas Kaufmann.

La razón Chica-Olma:
516 APLICACIÓN


R SW IR2/SW IR3


Chica − Olma = G SW IR2/N IR (9.5)


B R/B


Se obtienen los minerales arcillosos alterados como rojo, iones

férricos como verde y óxidos ferrosos en color azul (Figura 9.28).
b1 <- imagen3$swir2 / imagen3$swir3
b2 <- imagen3$swir2 / imagen3$nir
b3 <- imagen3$r / imagen3$b
ratio <- stack(b1,b2,b3)
plotRGB(ratio, r=1, g=2, b=3, stretch="lin")

Figura 9.28: Razón de

bandas Chica-Olma.

Finalmente debemos mencionar la razón de Sultán (Sultan

et al. [1987]) que es el pilar de la investigación minera utilizando
datos EO. Se define como:
 Manejo de Bandas 517


R SW IR2/B


Sultán = G SW IR2/SW IR3 (9.6)


B (SW IR2/N IR) × (R/N IR)


Donde granitos aparecen en verde, cuarzos en amarillo, am-

fibolitas en azul, biotitas en café o serpentinas en rojo, (Figura
9.29).
b1 <- imagen2$swir2 / imagen2$b
b2 <- imagen2$swir2 / imagen2$swir3
b3 <- (imagen2$swir2 / imagen2$nir) * (imagen2$r / imagen2$nir)
ratio <- stack(b1, b2, b3)
plotRGB(ratio, r=1, g=2, b=3, stretch="lin")

Figura 9.29: Razón de

bandas Sultán.
518 APLICACIÓN

9.7 Gráficos de Dispersión

En el punto 8.13.4 se ha utilizado el MDR recorte_1.grd que
leemos desde disco y utilizaremos en los procesos siguientes.
recorte <- brick(here("raw","recorte_1.grd"))
Los gráficos de dispersión de una imagen se usan para exa-
minar la asociación entre bandas y su relación con entidades y
materiales sensados de interés. Los valores de píxel de una banda
(variable 1) se visualizan a lo largo del eje x y los de otra banda
(variable 2) se visualizan a lo largo del eje y. Así, los píxeles de
la superficie terrestre se trazan en un espacio R-NIR, tienden a
formar un patrón triangular (Figura 9.30, superior), que pueden
definirse físicamente por:

• Una línea base más baja de sustrato espectros de fondo (sin

vegetación verde) que se extienden linealmente hacia afuera
desde el origen, comúnmente conocido como línea del suelo.
• Un ápice verde de máxima reflectancia NIR y mínima reflec-
tancia R, indicativo de una vegetación verde muy densa.

sr <- sampleRandom(recorte[[4:5]], 10000)

plot(sr[,c(1,2)], main = "Espacio Red-NIR", asp= 1, pch=16,
col=scales::alpha("steelblue4",0.1))
La línea del suelo abarca píxeles de suelo brillantes (más ale-
jados del origen), suelos oscuros (más cercanos al origen) y agua
(más cercanos al origen). Los diferentes tipos de cobertura te-
rrestre y biomasa seguirán el patrón triangular de píxeles en el
espacio R-NIR, pero con líneas de suelo diferentes o ápices de
verdor con pequeña variación en su posición.
Se debe tener en cuenta que la mayoría de los píxeles se tra-
zarán dentro de la nube triangular de respuestas espectrales, que
indican coberturas boscosas abiertas que se componen tanto de
suelo, agua y vegetación.
En los casos extremos de regiones desérticas o con muy baja
vegetación vamos a encontrar una fuerte línea de suelo, pero muy
poca dispersión en el triángulo vegetal tal como vemos en el caso
de la imagen MODIS de Algeria (Figura 9.30, inferior).
 Manejo de Bandas 519

Espacio Red−NIR
Figura 9.30: Gráfico
de Dispersión R/NIR
0.6

Ápice Verde

en Imagen Landsat
Desembocadura Río
0.5

Mataquito(superior) e
Imagen MODIS de la
región Tamonrasset,
0.4

Algeria (inferior).
0.3

o
el
0.2

Su
de
a
ne
Lí
0.1
0.0

−0.2 0.0 0.2 0.4

Espacio Red−NIR
0.6
0.5
0.4
0.3
0.2

0.0 0.1 0.2 0.3 0.4 0.5 0.6

520 APLICACIÓN

9.7.1 Correlación entre Bandas

Además de las técnicas presentadas en 9.5 y 9.6 descritas para

las bandas MODIS también se pueden aplicar a las imágenes de
las bandas Landsat 8 OLI y TIRS.
La forma de la nube de marcas en el gráfico de dispersión
entrega valiosa información de la relación entre dos respuestas
espectrales, una técnica para estudiar de manera general esta re-
lación para toda una imagen x, es utilizar la función splom(x,
[Link]=T) del paquete rasterVis (Perpiñán and Hijmans
[2021]) (Figura 9.31).
El panel gráfico resultante se compone de varios sub-paneles
que muestran la relación entre bandas (allí donde se interceptan
filas y columnas), una serie de gráficos de densidad en la diagonal
y en la mitad inferior agrega una línea de regresión LOESS.

• Gráfico de Densidad: Un gráfico de densidad visualiza la

distribución de datos en un intervalo (o período de tiempo con-
tinuo). Este gráfico es una variación del histograma que utiliza
el suavizado vía kernel para la traza de valores, lo que permi-
te ir suavizando el ruido. Los picos de un gráfico de densidad
ayudan a mostrar dónde se concentran los valores durante el
intervalo. Una ventaja que tienen los gráficos de densidad so-
bre los histogramas es que son mejores para determinar la
forma de distribución porque no se ven afectados por la
cantidad de ‘bins’ utilizados (las típicas barras utilizadas en
un histograma clásico). Por ejemplo, un histograma que cons-
ta de solo 4 bins no produciría una forma de distribución lo
suficientemente distinguible como lo haría un histograma por
ejemplo de 20 bins. Sin embargo, con los gráficos de densidad,
esto no es problema.

• Regresión Loess: Es una técnica no paramétrica que utiliza

la regresión ponderada local para ajustar una curva suave a
través de puntos en un diagrama de dispersión. Las curvas de
Loess pueden revelar tendencias y ciclos en datos que pueden
ser difíciles de modelar con una curva paramétrica.
 Manejo de Bandas 521

library(rasterVis)
splom(x = recorte,
[Link]=1,
[Link]=TRUE)

SWIR2

SWIR1

NIR

AC

Scatter Plot Matrix

Figura 9.31: Gráficos
de Dispersión para la
imagen Landsat 8 OLI
de la desembocadura
del Río Mataquito Chi-
le.
Umbrales (Thresholding)

Los métodos del valor umbral son un grupo de algoritmos cuya

finalidad es segmentar gráficos rasterizados, es decir, separar los
objetos de una imagen que nos interesen del resto. Con la ayuda
de los métodos de valor umbral en las situaciones más sencillas
se puede decidir qué píxeles conforman los objetos que buscamos
y qué píxeles son sólo el entorno de estos objetos. Este método
es especialmente útil para separar el texto de un documento del
fondo de la imagen (papel amarillento, con manchas y arruguitas,
por ejemplo) y así poder llevar a cabo el reconocimiento óptico de
texto (OCR) con más garantías de obtener el texto correcto. Esto
es especialmente útil si queremos digitalizar libros antiguos, en
los que el contraste entre el texto (que ya ha perdido parte de sus
pigmentos) y el papel (oscurecido y manoseado) no es demasiado
elevado.
Como con todos los métodos de segmentación se trata de asig-
nar cada píxel a un cierto grupo, llamado comúnmente “segmen-
to”. La imagen que se debe segmentar, como cualquier otro ele-
mento gráfico rasterizado, está compuesta por valores numéricos
(uno o más valores de color para cada píxel), la pertenencia de
un píxel a un cierto segmento se decide mediante la comparación
de su nivel de gris (u otro valor unidimensional) con un cierto
valor umbral.
Umbralizar una imagen es un tipo especial de cuantificación
que separa los valores de los píxeles en dos clases, dependiendo de
un valor umbral dado q que suele ser constante. La operación de
umbral mapea todos los píxeles a uno de dos valores de intensidad
fijos a0 o a1 , es decir,
524 APLICACIÓN


a ,
0 si a < q,
fthreshold (a) = (9.7)
 a1 , si a ≥ q

Con 0 < q ≤ amax . Una aplicación común es binarizar la

imagen con valores a0 = 0 y a1 = 1.

9.8 Método de Otsu

El método de Otsu, llamado así en honor a Nobuyuki Otsu

(Figura 9.32) que lo inventó en 1979 (Otsu [1979]), utiliza técnicas
estadísticas, para resolver el problema. En concreto, se utiliza la
varianza, que es una medida de la dispersión de valores –en este
caso se trata de la dispersión de los niveles de gris-.
El método de Otsu calcula el valor umbral de forma que la
dispersión dentro de cada segmento sea lo más pequeña posible, Figura 9.32: Profesor
pero al mismo tiempo la dispersión sea lo más alta posible entre Nobuyuki Otsu.
segmentos diferentes. Para ello se calcula el cociente entre ambas
variancias y se busca un valor umbral para el que este cociente
sea máximo.

9.8.1 Paquetes del Proyecto BioConductor

La imagen obtenida con el índice MNDWI (ver 9.20.3, figura
9.33) con valores -1 a 1, donde los valores negativos corresponden
a terreno natural y positivos a cuerpo de agua.
paleta <- diverging_hcl(n= 11,
palette= "Broc",
rev=T)
plot(mndwi,
col=colorRampPalette(paleta)(16),
axes=F,
box=F,
legend=F,
zlim=c(-1,1))
Y buscamos umbralizar la imagen para destacar y extraer los
Figura 9.33: Índi-
cuerpos de agua mayores utilizando el método de Otsu en la ce MNDWI, Sector
Lago Cardiel, Provin-
cia de Santa Cruz,
Argentina.
 Umbrales (Thresholding) 525

función del paquete EBImage.

EBImage proporciona una funcionalidad de propósito general
para el procesamiento y análisis de imágenes (Pau et al. [2010]) y
es un paquete creado y mantenido por la iniciativa Bioconduc-
tor.
El proyecto Bioconductor se inició en 2001 y está supervisado
por un equipo central, con sede principalmente en Roswell Park
Comprehensive Cancer Center, y por otros miembros procedentes
de instituciones estadounidenses e internacionales.
Su misión es promover el análisis estadístico y la comprensión
de los ensayos biológicos de alto rendimiento actuales y emergen-
tes. Bioconductor se basa en paquetes escritos principalmente en
el lenguaje de programación R. Bioconductor está comprometido
con el desarrollo de software distribuido, colaborativo y de código
abierto y con la investigación alfabetizada y reproducible. Habili-
tar comunidades de usuarios y desarrolladores es una parte esen-
cial de nuestra misión. Las juntas consultivas científicas, técnicas
y comunitarias supervisan el proyecto, [Link].
Para la mantención e instalación de sus propios paquetes ins-
talamos en primer lugar el paquete para gestión, BiocManager
(Morgan [2021]).
[Link]("BiocManager")
Y para activar en la sesión actual:
library(BiocManager)
A continuación, se puede instalar el paquete deseado (por
ejemplo EBImage) utilizando la función install() del paque-
te BiocManager.
install("EBImage")
Y luego cargar en la sesión actual:
library(EBImage)
526 APLICACIÓN

9.9 Caso Práctico

Las funciones del paquete requieren la información de nuestro

modelo ráster en formato de array o matriz, para ello utilizamos
la función correspondiente [Link](x) que toma el modelo x y
devuelve un vector con los datos:
arr <- [Link](mndwi)
str(arr)
num [1:7831, 1:7831, 1] NA NA NA NA NA NA NA NA NA NA ...
La función otsu() retorna o devuelve un valor umbral o de
corte para binarizar la imagen (Figura 9.34).
(corte <- otsu(x = arr,
range = c(-1,1),
levels=256))
[1] 0.2226562
#Aplicamos el valor de corte
cuerpo_de_agua <- mndwi #respaldo
cuerpo_de_agua[cuerpo_de_agua >= 0.2226562] <- 1
cuerpo_de_agua[cuerpo_de_agua < 0.2226562] <- NA

plot(cuerpo_de_agua, col= "dodgerblue3", axes=F,

box=T, legend=F)
Figura 9.34: Cuer-
pos de agua. Imagen
9.10 Procesamiento de Ráster Binario binarizada del índi-
ce MNDWI. Sector
Lago Cardiel, Provin-
El resultado del proceso anterior se compone de una imagen cia de Santa Cruz,
binaria, valor 1 para los píxeles asignados como cuerpo de agua Argentina.
y el resto NA.
A continuación vamos a revisar algunos post procesos, opera-
ciones o filtros sobre la imagen de este tipo.

9.10.1 Parches
Cada grupo de píxeles asignados con valor uno adyacentes o
en contacto forman un parche, el proceso de contar o identificar
cada uno de ellos lo realizaremos con la función clump del paquete
 Umbrales (Thresholding) 527

raster.
La función clump() detecta grupos (parches) de píxeles conec-
tados. Cada grupo obtiene una identificación única. NA y cero se
utilizan como valores de fondo (es decir, estos valores se utilizan
para separar grupos). Para la definición de las celdas adjacentes Figura 9.35: Caso de
Vecindad tipo ’Reina’
se puede usar el kernel de vecinos tipo reina o torre (Figuras donde se utilizan los 8
9.35 y 9.36), usando el argumento de directions. Cuando todos vecinos a la celda cen-
tral.
los vecinos correspondientes al tipo pertenecen al parche, el píxel
central se asigna a ese id.
Para archivos más grandes que se procesan en trozos, el nú-
mero de grupos más alto no es necesariamente igual al número
de grupos (a menos que use argumento gaps= FALSE).
cuerpos_id <- clump(x = cuerpo_de_agua,
directions=8,
gaps=F)
Figura 9.36: Caso de
Usamos la función range() para identificar el máximo ID re- Vecindad tipo ’Torre’
donde se utilizan los
tornado (que coincide con el número de ‘parches’ encontrados)
cuatro vecinos, supe-
(Figura 9.37). rior, derecho, inferior e
izquierdo.
cellStats(x= cuerpos_id, stat= range)

[1] 1 7374
Se detectan 7374 parches de píxeles; recordar que la nume-
ración solo corresponde a un orden aleatorio de definición y no
tiene relación con sistema coordenado, ni ubicación relativa, ni
tamaño.
paleta <- qualitative_hcl(n= 11,
palette= "Dark 3",
rev=F)
plot (cuerpos_id,
col=colorRampPalette(paleta)(64),
axes=F, box=T, legend=F)

Figura 9.37: Cuerpos

9.10.2 Cálculo de Áreas de agua identificados
por función clump().
El paquete bfastSpatial (Dutrieux and DeVries [2014]) pre pro-
cesa datos de series de tiempo en formato ráster para que pue-
528 APLICACIÓN

dan ser analizados con algoritmos de detección de cambios como

bfast1 . Utiliza clases del paquete ráster e incluye utilidades para 1
BFAST, (Breaks for
ejecutar dichos algoritmos y post procesar los resultados. Additive Season and
Trend), es un algorit-
El paquete se aloja en el sitio [Link] y existe un insta- mo que integra la des-
lador de paquetes especialmente diseñado para esta modalidad. composición de series
de tiempo en compo-
Wickham et al. [2021] desarrollan el paquete devtools con una nentes de tendencia,
colección de herramientas para el desarrollo de paquetes. temporada y resto con
métodos para detec-
[Link]("devtools") tar y caracterizar cam-
library(devtools) bios dentro de series
de tiempo.
A continuación, instalamos el paquete bfastSpatial usando la
función install_github():

install_github('dutri001/bfastSpatial')
Y agregamos a nuestra sesión actual:
library(bfastSpatial)
Para calcular el tamaño de los grupos de píxeles en un Ras-
terLayer. El área del grupo se asigna a cada grupo y se genera
un nuevo ráster con las dimensiones idénticas al original, con los
valores que representan el tamaño por grupo.
La definición de un grupo de píxeles sigue la lógica utilizada en
la función clump(), donde las diagonales se incluyen o se ignoran
al definir los grupos (diferencia en vecindad reina o torre). Se
puede proporcionar un factor f de conversión opcional basado en
el tamaño de píxel.
paleta <- sequential_hcl(n= 11,
palette= "Blues 2", rev=T)
plot (areas_cuerpo,
col=colorRampPalette(paleta)(64),
axes=F, box=T, legend=F)
Para nuestro caso, las imágenes Landsat que hemos utilizado,
Figura 9.38: Área de
poseen un pixel de 30 m de lado, o también lo podemos definir los Cuerpos de Agua
como un píxel de 900 m2 (30 m × 30 m) y si consideramos que (ha). Sector Lago Car-
diel, Provincia de San-
una hectárea son 10.000 m2 el factor lo podemos calcular como: ta Cruz, Argentina.
f = 900/10000 (Figura 9.38).
 Umbrales (Thresholding) 529

areas_cuerpo <- clumpSize(x = cuerpo_de_agua,

f = 900/10000)
Otra forma de explorar el resultado es mediante el uso de la
función hist() (Figura 9.39) para visualizar la distribución de
áreas de los polígonos.

Cuerpos de Agua Figura 9.39: Histogra-

Distribución de Áreas
ma de áreas estima-
do mediante la función
5e+05

’clumpSize()’
4e+05
3e+05
Frecuencia

2e+05
1e+05
0e+00

0 10000 20000 30000 40000

Área (ha)

De la inspección podemos buscar un valor de área para se-

parar los polígonos que deseamos mantener, en nuestro ejemplo
seleccionamos el valor de 20.000 ha o de 2 × 108 m.
La función areaSieve(x, thresh) del paquete bfastSpatial.
Aplica un umbral de área thresh a una capa ráster x.
Se proporciona un umbral en metros cuadrados (se generali-
zará en el futuro) y se eliminan todos los ‘grupos’ de píxeles más
pequeños que este umbral (Figura 9.40).
cuerpos_mayores <- areaSieve(x = areas_cuerpo,
thresh = 2e8)
id_cuerpos_mayores <- clump(cuerpos_mayores)
530 APLICACIÓN

plot(id_cuerpos_mayores,
col=c("blue","green"),
axes=F, box=T, legend=F)

9.10.3 Conversión a una capa Vectorial Figura 9.40: Cuerpos

de agua superiores a
La función boundaries() del paquete raster detecta bordes 20.000 ha. Sector La-
(bordes son pixeles que tienen más de una clase en la vecindad go Cardiel, Provincia
de Santa Cruz, Argen-
denominadas ‘reina’ o ‘torre’), asignando un valor cero a aquellos tina.
pixeles dentro del área y un valor uno a los pixeles límite o borde.
cuerpo_borde <- boundaries(x = id_cuerpos_mayores,
type="inner",
classes=F,
directions=8)
En el siguiente paso vamos a signar los píxeles de borde (1) a
NA para dejar solo una clase (cero):
cuerpo_borde[cuerpo_borde == 1] <- NA
Y finalmente la función rasterToPolygons() convierte de
modelo ráster a modelo vectorial.
vector_cuerpo <- rasterToPolygons(cuerpo_borde,
dissolve = TRUE)

spplot(vector_cuerpo,
xlim=c( 242000,243000 ),
ylim=c( -5432000,-5433000 ),
colorkey=FALSE, [Link]="gray95")
La conversión directa genera polígonos con un exceso de vér-
tices (Figura 9.41) y una posible solución es la contenida en el Figura 9.41: Detalle de
la conversión de ráster
paquete rmapshaper (Teucher and Russell [2021]) cuya principal a vectorial.
ventaja es la disponibilidad del algoritmo de simplificación con
reconocimiento topológico en la función ms_simplify().
[Link]("rmapshaper")
library(rmapshaper)
Esto significa que los límites compartidos entre polígonos ad-
yacentes siempre se mantienen intactos, sin espacios ni superpo-
 Umbrales (Thresholding) 531

siciones, incluso con altos niveles de simplificación (Figura 9.42).

vector_cuerpo_agua <- ms_simplify(vector_cuerpo,
explode = T,
keep = 0.1)

spplot(vector_cuerpo_agua,
xlim=c( 242000,243000 ),
ylim=c( -5432000,-5433000 ),
colorkey=FALSE,
[Link]="gray95")
Volvemos a proyección geográfica WGS84 (se mantiene la pro-
yección de la imagen Landsat original): Figura 9.42: Detalle de
la conversión de ráster
crs <- CRS("+proj=longlat +datum=WGS84") a vectorial.
vector_geo <- spTransform(x = vector_cuerpo_agua,
CRSobj = crs)
Finalmente, o exportamos los vectores a un archivo formato
shapefile (propietario de ESRI) para usar en otros programas de
análisis geográficos:
shapefile(vector_geo,
here("raw","[Link]"), overwrite=T)
O como en el punto 3.12 se define el uso del paquete mapview
para crear sesiones interactivas de cartografía (Figura 9.43) a la
cual agregamos los polígonos recién creados.
library(mapview)
mapview(vector_geo)

mapview(vector_geo, [Link] = c( "OpenTopoMap"), legend=F,

[Link]=0.35, [Link]="deeppink", color="deeppink2",
lwd=3)
532 APLICACIÓN

Figura 9.43: Polígo-

+ nos resultantes proyec-
− tados y usados como
capa adicional en una
sesión ’mapview’.

30 km
20 mi Leaflet | Map data: © OpenStreetMap contributors, SRTM | Map style: © OpenTopoMap (CC-BY-SA)
Revisión Histórica

9.11 Historia con Landsat

Usando el proceso descrito en 8.10 descargamos una serie de

imágenes del área geográfica de Las Vegas, Nevada y el Lago
Mead EEUU, que abarcan el período 1985 al 2020 cada cinco
años (Cuadro 9.3, Figura 9.44).

Cuadro 9.3: Set de

Imágenes ciudad
Año ID Las Vegas, Nevada,
EEUU. Período 1985
1985 LT05_L2SP_039035_19850619_20200918_02_T1 al 2020. Misiones
1990 LT05_L2SP_039035_19900617_20200916_02_T1 Landsat 5, 7 y 8.
1996 LT05_L2SP_039035_19960601_20200911_02_T1
2000 LT05_L2SP_039035_20000612_20200906_02_T1
2005 LE07_L2SP_039035_20050618_20200915_02_T1
2010 LE07_L2SP_039035_20100616_20200911_02_T1
2014 LC08_L2SP_039035_20140619_20200911_02_T1
2020 LC08_L2SP_039035_20200619_20200823_02_T1
Para buscar una respuesta espectral específica del agua utili-
zamos el índice M N DW I (9.20.3)
MNDWI <- spectralIndices(imagen, swir2="SWIR2",
green="G", indices = "MNDWI")
Y para destacar el espejo de agua del Lago enmascaramos los
valores del índice inferiores a 0.243 (Xu [2006]):
MNDWI[MNDWI <= 0.243] <- NA
Y agregamos como una capa adicional sobre una composición
534 APLICACIÓN

de bandas urbana (r=SWIR2, g= SWIR1, b= R) para destacar

el uso de suelo urbano (Figura 9.44).
En las cuales podemos observar el constante aumento del área
poblada (colores morados) y la disminución del tamaño del espejo
de agua del lago Mead.
También en las imágenes correspondientes a los años 2005 y
2010 podemos observar la presencia de los artefactos2 productos 2
Un artefacto se refie-
re a cualquier defecto
de la falla del SLC (ver 8.8.1).
visible en una imagen
digital.
1985 1990 Figura 9.44: Cre-
cimiento Urbano
1985-2020. Las Ve-
gas, Nevada, EEUU.
Composición Urbana
(SWIR2/SWIR1/R) e
índice MNDWI (rojo).

1996 2000

2005 2010

2014 2020
 Índices Espectrales

9.12 Fundamentos

Un índice espectral es la combinación aritmética de las bandas

de una imagen, con el objeto de centrarse en la detección de
señales de interés y evitar el efecto de otras fuentes. Para ello se
intenta maximizar la sensibilidad a ciertas propiedades de la
superficie y normalizar los resultados para reducir los efectos
debidos a las condiciones de la toma de la imagen (ángulo solar,
ángulo de vista, estado de la atmósfera, topografía, ruido, etc.)

60
Vegetación Verde
Figura 9.45: Contraste
Vegetación Seca Rojo - Infrarrojo cer-
50 Suelo Desnudo
cano en la vegetación.
Reflectancia (%)

40

30

20

10

RED NIR
0

0.4 0.5 0.6 0.7 0.8 0.9 1 1.1

Longitud de Onda (µm)

9.13 Consideraciones Vegetación

Los Índices de Vegetación (VI) son técnicas simples y robus-

tas para extraer información cuantitativa sobre la cantidad de
vegetación, o verdor, por cada píxel de una imagen.
536 APLICACIÓN

Ellos típicamente implican transformaciones espectrales de dos

o más bandas, una en la región espectral R (0.6 − 0.7 µm) y
otra en el NIR (0.7 − 1.1 µm), donde la dispersión de las hojas
es significativa. Característica bastante única para la vegetación
fotosintéticamente activa, ya que la vegetación en la senescencia
tiende a reducir en NIR mientras aumenta en R (Figura 9.45).
Los suelos suelen tener poco o ningún contraste entre las bandas
R y NIR.
La reflectancia R y NIR se combinan en VI espectrales pa-
ra mejorar los valores provenientes de la vegetación mientras se
minimizan las influencias de la no vegetación.
Los VI no solo se utilizan como una medida óptica directa del
verdor, sino que también son útiles como una medida indirecta
de variables biofísicas, (por ejemplo, LAI, fAPAR, fracción de
verdor de vegetación (Fv), biomasa y fotosíntesis).
El término verdor en sí puede definirse como la composición
de señales de: contenido de clorofila foliar, área foliar, cobertura
del dosel y estructura del dosel.
En efecto, un VI es un ‘integrador’ de muchas variables que
juntas determinan la señal fotosintética de la vegetación activa. El
término verdor reconoce tanto las fortalezas como las limitaciones
de VI para recuperar directamente variables biofísicas específicas.
Por un lado, los VI exhiben una alta sensibilidad a las varia-
ciones espaciales y temporales del verdor. Por otro lado, general-
mente no pueden diferenciar entre múltiples causas responsables
del cambio en el verdor, por ejemplo: si las variaciones en VI se
deben a un cambio en el LAI o en el contenido de clorofila de las
hojas.
Los VIs están restringidos en su capacidad de recuperar di-
rectamente variables biofísicas específicas, ya que representan un
compuesto de muchas propiedades de vegetación y dosel de hojas.
Sin embargo, para áreas locales y tipos específicos de cobertura
del suelo, muchos han encontrado que los VIs son útiles para
construir modelos semiempíricos para la extracción de informa-
ción biofísica de la vegetación.
 Índices Espectrales 537

9.13.1 Interacción EEM - Vegetación

La vegetación tiene una reflectividad baja en el espectro vi-
sible, con un pico en el color verde debido a la clorofila, y muy
alta en el infrarrojo reflejado o próximo (NIR) debido a la escasa
absorción de energía por parte de las plantas en esta banda. En el
infrarrojo medio hay una disminución especialmente importante
en aquellas longitudes de onda en las que el agua de la planta
absorbe la energía (Figura 9.46).
Esta curva tan contrastada se debilita en el caso de la vege-
tación enferma en la que disminuye el infrarrojo y aumenta la
reflectividad en el rojo y azul. Se observa también que la reflec-
tividad de una planta depende de su contenido en agua. Cuando
el contenido de agua aumenta disminuye la reflectividad ya que
aumenta la absorción de radiación por parte del agua contenida
en la planta (Figura 9.48).

Figura 9.46: Interac-

9.13.2 Parámetro Foliar ción de la Energía
Electromagnética con
Los parámetros relativos a la hoja afectan la respuesta espec- la estructura interna
tral son: de la hoja vegetal.

• Pigmentos de la Hoja, el contenido de clorofila (a o b) y ca-

rotenoides tienen distintas magnitudes de absorción a diversas
longitudes de onda.
• Estructura Interna, la estructura física de la hoja afecta la
reflectividad, un mesofilo más ancho con mayor número de ca-
vidades de aire, es mayor, por ejemplo, árboles caducos mayor
reflectancia en el NIR que árboles coníferos (ej. pino), ellos
poseen un mayor contenido de celulosa que absorbe NIR.
• Contenido del Agua, afecta la reflectividad ya que absorbe
energía en la región Visible y NIR.

9.13.3 Parámetros Dosel

Los árboles son estructuras complejas con múltiples capas de
hojas y ramas. La radiación solar interactúa con las hojas a nivel
celular y la radiación que pasa a través de una hoja interactúa
Figura 9.47: Compara-
con la siguiente hoja que se encuentra.
ción de cobertura fo-
liar entre dos plantas
teóricas. A la izquier-
da el LAI estimado 3.
A la derecha 0.7.
 538 APLICACIÓN

• Índice de Área Foliar (o LAI). El área de hojas verdes

por unidad de área. En la figura 9.47 se muestran dos hipo-
téticas coberturas vegetales. LAI se calcula de varios métodos
tanto directos como indirectos, pero el principio es el mismo,
establecer la relación entre el área cubierta por la totalidad de
las hojas (área foliar) versus el área de la unidad de medida
espacial (generalmente un metro cuadrado).

• Distribución del ángulo de las hojas (o LAD) del dosel

de una planta se refiere a la descripción matemática de la orien-
tación angular de las hojas en la vegetación. Específicamente,
si cada hoja está representada conceptualmente por una placa
plana pequeña, su orientación se puede describir con el cenit
y los ángulos azimutales de la superficie normal a esa placa.
El LAD de un dosel vegetal tiene un impacto significativo en
la reflectancia, transmitancia y absorción de la luz solar en la
capa de vegetación y, por lo tanto, también en su crecimiento
y desarrollo.

• Proporción de hojas/madera afecta por diferencia en los

mecanismos interactivos con la EEM.

0.5
Figura 9.48: Factores
que dominan la res-
0.4 Vegetación Estresada puesta espectral para
Vegetación Vital
dos tipos de vegeta-
ción: vital y con estrés
Reflectancia

0.3
hídrico.
Estructura

Contenido

0.2
Pigmento

Celular
Hojas

Agua

0.1

0 0.5 1 1.5 2 2.5

Longitud de Onda (µm)

9.13.4 Preparación del área de estudio

Utilizando el rasterLayer recorte generado en el punto 8.13.3
vamos a realizar algunos ajustes para preparar nuestra imagen
 Índices Espectrales 539

de pruebas.
Chequear los nombres de las capas disponibles para facilitar
su identificación:
names(recorte)
[1] "AC" "B" "G" "R" "NIR" "SWIR1" "SWIR2"

Figura 9.49: Máscara

por valor 21824, pixel
Claro (izquierda) y en-
mascarado de la zona
de estudio (derecha).

Ajustamos a la zona de estudio una máscara con los valores de

banda QA_PIXEL con el valor de pixel 21824 que corresponde
a pixel claro (Figura 9.49, izquierda).
mascara_recorte <- crop(x = mascara,
y = extent(753411.8, 770155.5,
6114039, 6140000))
mascara_recorte[mascara_recorte == 21824] <- 1
Y enmascaramos nuestra imagen original para obtener un ras-
terLayer con valores ajustados a la respuesta física esperada (Fi-
gura 9.49, derecha).
540 APLICACIÓN

area_estudio <- mask(recorte, mascara_recorte)

9.14 Diseño de Índices Espectrales

Los índices espectrales son imágenes que se calculan a partir

de imágenes multi banda. Las imágenes destacan un fenómeno
concreto que está presente y atenúan otros factores que degradan
los efectos de la imagen.
Por ejemplo, un índice de vegetación mostrará la vegetación
que está en buen estado con un color brillante en la imagen del
índice, mientras que la vegetación que no lo está tendrá valores
más bajos y el terreno desnudo será oscuro.
Dado que el sombreado debido a las variaciones del terreno
(colinas y valles) afecta a la intensidad de las imágenes, los índices
se crean de manera que el color de un objeto se resalte en lugar
de que lo haga el brillo o la intensidad del objeto.
El valor de un índice de vegetación para un pino en buen estado
que está sombreado en un valle será similar al de un pino que
está a pleno sol.
A menudo, estos índices se crean añadiendo y sustrayendo ban-
das, con lo que se generan varias relaciones de bandas.
Están vinculados a bandas concretas que están en parte defi-
nidas del espectro electromagnético. Como resultado, es posible
que solo sean válidos para ciertos sensores o clases de sensores, y
es fundamental que se usen las bandas adecuadas en el cálculo.

9.15 Índices Generales de Vegetación

9.15.1 Índice Razón Vegetal (RVI)

La razón de bandas NIR y Red puede indicar la presencia
de vegetación. Para definir un índice que sea independiente del
sensor, la razón debe ser definida en términos de un parámetro
geofísico tal como es la reflectancia (ρ). El Índice Razón Vegetal
(RVI) (Birth and McVey [1968]) fue uno de los primeros de los
índices usados en teledetección,
 Índices Espectrales 541

ρN IR
RV I = (9.8)
ρred

También se describe en la literatura como Simple Ratio (SR).

El resultado no está normalizado y se ve muy afectado por
valores extremos presentes en alguna de las capas.
El paquete RStoolbox (Leutner et al. [2019]) presenta una fun-
ción optimizada y práctica para el cálculo de una multitud de
índices.
rvi <- spectralIndices(area_estudio,
red = "R",
nir = "NIR",
indices = "SR")
Al no estar normalizado, los valores se deben ajustar, y para
facilitar el proceso de buscar los límites apropiados podemos rea-
lizar un análisis básico mediante el estudio de la distribución de
los valores, por ejemplo, revisar la frecuencia de los valores:
head(freq(rvi), n=5)

value count
[1,] -1821 1
[2,] -1249 1
[3,] -1107 1
[4,] -973 1
[5,] -899 1
O visualizar de manera gráfica mediante un histograma (Fi-
gura 9.50).
Y así, removemos todos los valores extremos y muy escasos
que probablemente son producto de considerar valores anómalos
de reflectancia. Para ello usamos las técnicas de subconjunto y
condiciones lógicas:
El código R toma los valores mayores a 50 y valores me-
nores a 0 les asigna un valor NaN para removerlos, (también
pueden ser asignados valores de NULL o NA).
rvi[rvi > 50 | rvi < 0] <- NaN
Finalmente, obtenemos el mapa Índice RVI (Figura 9.51).
542 APLICACIÓN

Histogram of freq(rvi) Figura 9.50: Histo-

grama de valores
400

en rasterLayer RVI
’hist(freq(rvi))’.
300
Frequency

200
100
0

0 50000 100000 150000

freq(rvi)

Figura 9.51: Ín-

6140000

dice RVI. Sector

Desembocadura Río
Mataquito.
6135000
6130000

40

30
6125000

20

10
6120000
6115000

755000 760000 765000 770000

 Índices Espectrales 543

Los valores cercanos a uno indican respuesta similar en las

bandas R y NIR (por ejemplo, el suelo desnudo) y a medida que
aumenta el valor más intenso el indicador de verdor vegetal.
La proporción o razones son útiles por su capacidad para re-
ducir muchas formas de ruido multiplicativo, tales como diferen-
cias de iluminación, atenuación atmosférica, sombras de nubes y
variaciones topográficas (pendiente, aspecto), todas las cuales in-
fluyen en múltiples bandas de manera similar y, por tanto, puede
minimizarse mediante la relación de bandas.
Las proporciones, sin embargo, son sensibles al fondo del suelo
debajo de las copas con vegetación con valores que serán positi-
vamente sesgados cuando los suelos sean oscuros o húmedos.

9.15.2 Índice Vegetal de Diferencia Normalizada (NDVI)

El NDVI es una medida del estado fitosanitario basado en la
forma en que una planta refleja la luz en las frecuencias R y NIR
(Rouse et al. [1973]).
La clorofila (un indicador de salud) absorbe una gran cantidad
de luz visible y la estructura celular de las hojas refleja inten-
samente la luz infrarroja cercana (NIR). Cuando la planta se
deshidrata, enferma, sufre enfermedades, etc. el mesófilo espon-
joso 3 se deteriora y la planta absorbe más luz infrarroja cercana, 3
Mesófilo, es un tér-
mino botánico que de-
en lugar de reflejarla. Así pues, la observación de cómo cambia
signa el tejido que
la NIR en comparación con la luz roja proporciona una indica- se encuentra entre las
ción precisa de la presencia de clorofila, que está vinculada con epidermis del anverso
y reverso de las hojas
la salud de las plantas. (wikipedia).
El NDVI se calcula con la siguiente fórmula:

ρN IR − ρred
N DV I = (9.9)
ρN IR + ρred
Este índice define valores desde −1.0 a 1.0, donde:
• valores negativos: están formados principalmente por nubes,
agua y nieve.
• valores negativos cercanos a cero: están formados principal-
mente por rocas y suelo descubierto.
• valores pequeños (< 0.1): corresponden a áreas sin rocas, arena
o nieve.
544 APLICACIÓN

• valores moderados (0.2 a 0.3): representan arbustos y prade-

ras.
• valores grandes (0.6 a 0.8): indican bosques templados y tro-
picales.
El NDVI tiene éxito como medida de vegetación porque es lo
suficientemente estable para permitir comparaciones significati-
vas de cambios estacionales e interanuales en el crecimiento y
actividad de la vegetación.
Se utiliza ampliamente para monitorear la vegetación a escala
continental y global, pero parece ser un pobre indicador de la
biomasa vegetal si la cobertura del suelo es baja, como en las
regiones áridas y semiáridas. También tiende a saturarse y perder
sensibilidad por una densa cubierta vegetal, como las copas de los
árboles de la selva tropical.
Como es un índice basado en proporciones, el NDVI mantiene
los beneficios de razón de bandas y normaliza fuentes multiplica-
tivas de ruido extraño para producir valores más estables.
El resultado para el área de trabajo lo podemos examinar en
el área de estudio (Figura 9.52).
ndvi <- spectralIndices(area_estudio, red = "R", nir = "NIR",
indices = "NDVI")

9.16 Índices con Reducción de Efecto Suelo

Los índices de esta categoría intentan compensar las varia-
ciones en el cantidad y condición del fondo del suelo (brillo y
contenido de humedad).

9.16.1 Índice Vegetación Ajustado por Suelo (SAVI)

El NDVI, aunque es una medida de vegetación, también res-
ponde a variaciones en el suelo debajo de las copas de vegetación,
lo que dificulta distinguir de manera confiable los cambios en la
vegetación de los causados por el suelo.
Los suelos son muy heterogéneos espacialmente, y varían en
menor medida temporalmente (generalmente a través de proce-
sos de secado y eventos de humectación). En estudios de campo,
 Índices Espectrales 545

Figura 9.52: Índi-

ce NDVI. Sector
Desembocadura Río
Mataquito.
NDVI

0.5

0.0

−0.5

se han demostrado relaciones biofísicas para variar el NDVI sig-

nificativamente con el brillo del fondo del suelo subyacente, a
más oscuridad o humedad de los suelos dan resultado valores de
NDVI mucho más altos (hasta el doble) que los suelos más se-
cos o más brillantes, para condiciones equivalentes de vegetación
(Figura 9.53).
El índice ajustado por suelo o SAVI es un índice muy supe-
rior para ambientes de baja cobertura vegetal (Huete [1988]), se
expresa como:
( )
ρN IR − ρred
SAV I = (1 + L) (9.10)
ρN IR + ρred + L

Donde L es una constante calculada empíricamente 4 para mi- 4

La palabra empírico,
viene del griego experi-
nimizar la sensibilidad del índice a las variaciones de reflectancia
mentado, es un adjeti-
del suelo. Si L es cero, SAVI es igual al NDVI. vo que indica que algo
Si la cobertura de vegetación es intermedia L estará alrededor está basado en la pro-
pia experiencia y ob-
de 0.5. El factor (1 + L) asegura el rango de SAVI sea igual al servación sin haber im-
NDVI [−1, +1]. plicado una suposición
o deducción lógica.
546 APLICACIÓN

Figura 9.53: Influencia

1.0
del brillo del suelo en el
NDVI (superior) y SA-
LAI=2.7 VI (inferior). Adaptado
de Huete et al., 1988.
0.8

LAI=1.6
0.6
NDVI

LAI=1.1
0.4

LAI=0.5
0.2

Suelo
0.0

0.0 0.1 0.2 0.3 0.4

BRILLO SUELO
0.7

LAI=2.7
0.6

LAI=1.6
0.5

LAI=1.1
0.4
SAVI

0.3

LAI=0.5
0.2

Suelo
0.1
0.0

0.0 0.1 0.2 0.3 0.4

BRILLO SUELO
 Índices Espectrales 547

savi <- spectralIndices(area_estudio, red = "R", nir = "NIR",

coefs = list(L = 0.5), indices = "SAVI")

9.16.2 SAVI Modificado o MSAVI

Variantes del índice SAVI son MSAVI y MSAVI2 (Qi et al.
[1994]), se presenta en la figura 9.54.
MSAVI solo modifica la ecuación que calcula el parámetro L:

2s(ρN IR − ρred )(ρN IR − sρred )

L=1− (9.11)
(ρN IR + ρred )
Donde s es la pendiente de la recta línea de suelo en el gráfico
R vs NIR (Figura 9.30).
msavi <- spectralIndices(area_estudio, red = "R", nir = "NIR",
indices = "MSAVI")
La expresión de la segunda modificación es:

√
2ρN IR + 1 − (2ρN IR + 1)2 − 8(ρN IR − ρred )
M SAV I2 =
2
(9.12)
msavi2 <- spectralIndices(area_estudio, red = "R", nir = "NIR",
indices = "MSAVI2")

SAVI MSAVI MSAVI2

−0.2 0.0 0.2 0.4 0.6 −0.4 0.0 0.2 0.4 0.6 0.0 0.2 0.4 0.6 0.8

Figura 9.54: Índices

SAVI y sus modifica-
ciones. Sector Desem-
bocadura Río Mata-
quito.
548 APLICACIÓN

9.17 Reducción Efectos Atmosféricos

Los índices en esta categoría intentan minimizar los efectos

atmosféricos que pueden variar dentro y entre imágenes.

9.17.1 Índices EVI

Los VI anteriores realizan ajustes para minimizar el efecto del

suelo en el cálculo. Otro de los factores externos no relativos a la
vegetación que afecta el cálculo es la atmósfera. La inclusión de un
término empírico para la corrección atmosférica define el Índice
de Vegetación Mejorado (o EVI) (Huete et al. [1999]), figura 9.55,
izquierda. La banda azul en el EVI se utiliza principalmente para
estabilizar las influencias de aerosoles en la banda roja resultante
de la corrección residual y errónea de aerosoles.

( )
ρN IR − ρred
EV I = G (9.13)
L + ρN IR + C1 ρred − C2 ρblue

Donde los parámetros empíricos son G = 2.5, L = 1, C1 = 6,

y C2 = 7.5. L es el factor de ajuste para el fondo de dosel, C1 y
C2 son los pesos de resistencia de aerosoles.
EVI se vuelve cada vez más sensible a la banda NIR en los
doseles de moderada a altas cantidades de vegetación con una
mayor profundidad óptica de penetración. Por lo tanto, EVI des-
cribe mejor las variaciones estructurales biofísicas del dosel y esta
menos propenso a la saturación en áreas de alta biomasa.
A partir de 2000, y después del lanzamiento de los dos sen-
sores MODIS en Terra y Aqua por la NASA (8.1.1), EVI fue
adoptado como un producto estándar por la NASA y se hizo ex-
tremadamente popular entre los usuarios debido a su capacidad
para eliminar los ruidos de fondo y de la atmósfera. , así como
su falta de saturación, un problema típico de NDVI. EVI se dis-
tribuye actualmente de forma gratuita por el USGS LP DAAC
5. 5
[Link]

evi <- spectralIndices(area_estudio, red= "R", nir= "NIR", blue= "B",

indices= "EVI", coefs= list(G= 2.5, C1= 6, C2= 7.5, L_evi= 1))
 Índices Espectrales 549

9.17.2 EVI2 o EVI a dos bandas

Dos razones impulsan la búsqueda de un EVI de dos bandas
(Jiang et al. [2008]):
• Extendiendo el EVI hacia atrás en el tiempo, usando el regis-
tro AVHRR. Los sensores AVHRR carecen de una banda azul,
por lo que no es posible usar una versión EVI de tres bandas.
Esto podría conducir potencialmente a un registro de EVI de
30 años que complementa el registro de NDVI.

• La banda azul siempre ha sido problemática y su relación

señal/ruido es bastante pobre. Esto se debe principalmente a
la naturaleza de la energía reflejada en esta parte del espectro
terrestre, que es extremadamente baja.

( )
ρN IR − ρred
EV I2 = G (9.14)
1 + ρN IR + 2.4ρred
Donde el parámetro empírico es G = 2.5. EVI2 tiene la mejor
similitud con el EVI de 3 bandas, particularmente cuando los
efectos atmosféricos son insignificantes y la calidad de los datos
es buena. También se puede utilizar para sensores sin una banda
azul, figura 9.55, derecha.
evi2 <- spectralIndices(area_estudio,
red = "R", nir = "NIR", indices = "EVI2",
coefs = list(G = 2.5, C1=2.4, L_evi=1))

Una de las aplicaciones más exitosas de EVI fue re-

portada por Alfredo Huete y sus colegas (Huete et al. [2006])
a principios de 2006. Por lo general, se considera que la selva
amazónica tiene una temporada de crecimiento monótona, don-
de el crecimiento de la vegetación no tiene un patrón particular.
Usando el producto MODIS EVI, Huete y sus colegas pudieron
demostrar, por primera vez, que contrariamente a esa noción, la
selva amazónica exhibe un crecimiento distinto durante la es-
tación seca con serias implicaciones para nuestra comprensión
actual del ciclo del carbono y los sumideros y, posteriormente,
las cuestiones relacionadas con los gases de efecto invernadero y
550 APLICACIÓN

el calentamiento global. Queda por ver si eso es el resultado del

cambio climático o es un comportamiento normal (Wikipedia).

Figura 9.55: Índices

EVI y EVI2. Sector
Desembocadura Río
Mataquito.

EVI EVI2

−0.2 0.0 0.2 0.4 0.6 0.8 −0.5 0.0 0.5

9.17.3 Índice de Vegetación Resistente a la Atmósfera,

ARVI.
Índice de vegetación que no es relativamente propenso a los
factores atmosféricos (como el aerosol). La fórmula del índice
ARVI descrita por Kaufman y Tanré (Kaufman [1992]) es bási-
camente NDVI corregida para el efecto de dispersión atmosférica
en el espectro de la reflectancia roja, usando medidas en longitu-
des de onda azules, figura 9.56, izquierda.
Fórmula del índice de vegetación ARVI:

ρN IR − ρred − y(ρred − ρblue )

ARV I = (9.15)
ρN IR + ρred − y(ρred − ρblue )
Donde y es el cociente derivado de los componentes de la re-
flectancia atmosférica en los canales azul y rojo. Si no se conoce
 Índices Espectrales 551

el modelo de aerosoles para el momento de la toma, usar el valor

y = 1 (Bannari et al. [1995]).
En comparación con otros índices, el índice de agricultura AR-
VI también es más robusto a los efectos topográficos, lo que lo
convierte en una herramienta de monitoreo altamente efectiva
para las regiones montañosas tropicales a menudo contaminadas
por hollín proveniente de la agricultura de roza y quema. Cuando
usarlo, en regiones con alto contenido de aerosoles atmosféricos
(por ejemplo, lluvia, niebla, polvo, humo, contaminación del ai-
re).
arvi_numerador <- (area_estudio$NIR - area_estudio$R) -
1 * (area_estudio$R - area_estudio$B)

arvi_denominador <- (area_estudio$NIR + area_estudio$R) -

1 * (area_estudio$R - area_estudio$B)

arvi <- arvi_numerador/arvi_denominador

arvi[arvi > 1] <- NA

arvi[arvi < -1] <- NA

9.17.4 ARVI2 Modificado.

El índice ARVI2 fue diseñado (Kaufman [1992]) para ser más

resistente a los efectos atmosféricos y más sensible a una amplia
gama de concentraciones de clorofila, figura 9.56, derecha.

( )
ρN IR − ρred
ARV I2 = −0.18 + 1.17 (9.16)
ρN IR + ρred

arvi2 <- -0.18 + 1.17 *

((area_estudio$NIR - area_estudio$R)/
(area_estudio$NIR + area_estudio$R))

arvi2[arvi2 > 1] <- NA

arvi2[arvi2 < -1] <- NA
552 APLICACIÓN

Figura 9.56: Índices

ARVI y ARVI2. Sector
Desembocadura Río
Mataquito.

ARVI ARVI2

−0.5 0.0 0.5 −0.5 0.0 0.5

9.17.5 Índice de Vegetación Libre de Aerosoles AFRI

El Índice de Vegetación Libre de Aerosoles (Karnieli et al.

[2001]) se basa en la capacidad de las bandas SWIR, es penetrar
en la columna atmosférica incluso cuando existen aerosoles como
humo o sulfatos (Figura 9.57). En consecuencia, estos índices tie-
nen una aplicación importante en la evaluación de la vegetación
en presencia de humo, contaminación antropogénica o columnas
volcánicas. Bajo condiciones de cielo claro se comporta de manera
muy similar a NDVI.
NIR <- area_estudio$NIR
SWIR1 <- area_estudio$SWIR1
afri <- NIR - 0.66 * (SWIR1 / (NIR + 0.66 * SWIR1))
afri[afri < -1] <- NA
 Índices Espectrales 553

Figura 9.57: Índi-

ce AFRI. Sector
Desembocadura Río
Mataquito.
AFRI
1.0

0.5

0.0

−0.5

−1.0

9.18 Reducción Efectos del Suelo y Atmosféricos

9.18.1 Índice Global de Monitoreo Ambiental GEMI

GEMI (Pinty and Verstraete [1992]) es un índice no lineal que
aplica una corrección atmosférica estandarizada a los valores de
infrarrojo cercano y rojo que tienen que ser convertidos a reflec-
tancia (Figura 9.58). Los estudios comparativos han demostrado
que es muy sensible a las variaciones del suelo de fondo en áreas
de baja cobertura vegetal pero menos sensible a los efectos at-
mosféricos.

ρred − 0.125
GEM I = eta(1 − 0.25 eta) − (9.17)
1 − ρred

2(ρ2N IR − ρ2red ) + 1.5 ρN IR + 0.5 ρred

eta = (9.18)
ρN IR + ρred + 0.5
gemi <- spectralIndices(area_estudio, red = "R", nir = "NIR",
indices = "GEMI")
554 APLICACIÓN

Figura 9.58: Índi-

ce GEMI. Sector
Desembocadura Río
Mataquito.
GEMI
1.0

0.5

0.0

−0.5

−1.0

9.18.2 Comparativa VI

Usando la función interactiva drawExtent seleccionamos una

nueva área de interés centrada en las zonas de cultivo entorno al
río Mataquito (Figura 9.59) y exploramos en detalle el funciona-
Figura 9.59: Río Mata-
miento de los distintos VI desarrollados (Figuras 9.60). quito, RGB.
detalle <- drawExtent()

9.19 Índice Relativos a Incendios Forestales

Los graves incendios de inicios de agosto del 2021, en la Pro-

vincia de Muğla, cerca de la localidad de Bayir en Grecia, son el
lamentable marco para realizar el estudio de los índices relativos
al fuego y zonas quemadas. Se ha descargado una imagen Landsat
8, del 8 de agosto del 2021 con incendio activo y una imagen del
20 de julio de 2021 pre-incendio para efectos de comparación.
 Índices Espectrales 555

NDVI SAVI MSAVI MSAVI2

Figura 9.60: Índice Ve-
1.0 1.0 1.0 1.0
getales. Sector Desem-
0.5 0.5 0.5 0.5 bocadura Río Mata-
quito.
0.0 0.0 0.0 0.0
−0.5 −0.5 −0.5 −0.5
−1.0 −1.0 −1.0 −1.0

EVI EVI2 ARVI ARVI2

1.0 1.0 1.0 1.0

0.5 0.5 0.5 0.5
0.0 0.0 0.0 0.0
−0.5 −0.5 −0.5 −0.5
−1.0 −1.0 −1.0 −1.0

GEMI AFRI

1.0 1.0
0.5 0.5
0.0 0.0
−0.5 −0.5
−1.0 −1.0

9.19.1 Extracción de los Datos

Una vez descargadas las imágenes de la zona geográfica y fe-
chas correspondientes (utilizando las instrucciones descritas en
8.10), procesamos en R para extraer las imágenes tif para com-
poner nuestro rasterBrick (adaptados de 8.12).
1. Comprobamos nuestra carpeta de data cruda /raw/sats/ nues-
tras escenas descargadas en formato tar para comprobar la
posición en el vector de aquellas que vamos a extraer en esta
sesión.

tar_ <- dir(path = here("raw","sats"), pattern ="tar")

2. Construimos una serie de objetos para almacenar datos in-

termedios que vamos a utilizar. Vector carpeta con el nombre
de la carpeta donde descomprimir el contenido de los archivos
tar. Vector origen con la ruta y nombre completo de los archi-
vos tar. Vector destino ruta de la carpeta donde extraeremos
los archivos.

carpeta_ <- sub(".tar","", tar_)

origen_ <- paste(here("raw","sats"), tar_, sep = "/")
destino_ <- paste(here("raw","sats"), carpeta_, sep = "/")
556 APLICACIÓN

3. Del punto 1 identificamos los índices de las imágenes a proce-

sar (en mi caso 2 y 3) y usamos una estructura for para repetir
el proceso de untar los archivos desde origen a destino.

for (i in 2:3){
untar(tarfile = origen_[i], exdir = destino_[i])
}

4. Revisamos el contenido final de la carpeta destino_[3] usando

el patrón “TIF”.

tifs_pre <- dir(path = destino_[2], pattern ="TIF")

tifs_fire <- dir(path = destino_[3], pattern ="TIF")
Finalmente revisamos las imágenes que corresponden a las
bandas que vamos utilizar en los ejercicios siguiente, un set pre-
incendio forestal tifs_pre y un set durante el incendio tifs_fire
:
tifs_pre[c(3:9,12)]
tifs_fire[c(3:9,12)]
En los siguientes pasos construimos un rasterBrick con las ban-
das y nombres organizados para facilitar los pasos siguientes.
nombres <- c("AC","B","G","R","NIR","SWIR1","SWIR2","TERMAL")
Extraer bandas, construir un rasterStack y asignar nombres
para la escena pre incendio:
bandas_pre <- [Link](destino_[2], tifs_pre[c(3:9,12)])
imagen_pre <- stack(bandas_pre)
names(imagen_pre) <- nombres
Y del incendio:
bandas_fire <- [Link](destino_[3], tifs_fire[c(3:9,12)])
imagen_fire <- stack(bandas_fire)
names(imagen_fire) <- nombres
Para cada una, convertimos de DN o valores digitales a reflec-
tancia (ρ) utilizando las constantes definidas en el cuadro 8.2 para
las imágenes OLI y TIRS. Ver figura 9.61 para una composición
RGB de ambas imágenes procesadas.
Índices Espectrales 557

Figura 9.61: Imagen

Landsat 8 OLI/TIRS,
Región de Provincia de
Muğla, Turquía. Esce-
na pre incendio del
20 de junio del 2021
(superior) y en pleno
incendio en 5 agosto
2021 (inferior). Com-
posición de Bandas
RGB.
558 APLICACIÓN

imagen_pre_fire <- (imagen_pre[[1:7]] * 0.0000275) + -0.2

names(imagen_pre_fire) <- nombres[1:7]
imagen_pre_fire$TERMAL <- (imagen_pre[[8]] * 0.00341802 + 149)

imagen_in_fire <- (imagen_fire[[1:7]] * 0.0000275) + -0.2

names(imagen_in_fire) <- nombres[1:7]
imagen_in_fire$TERMAL <- (imagen_fire[[8]] * 0.00341802 + 149)
Y utilizando una sesión interactiva se define un área más ajus-
tada entorno al incendio forestal:
ext <- drawExtent()
Y recortamos nuestra imagen para trabajar en la zona de in-
terés.
area_incendio_pre <- crop(x = imagen_pre_fire, y = ext)
area_incendio <- crop(x = imagen_in_fire, y = ext)
Un interesante ejercicio es comparar combinaciones de banda
para conocer el comportamiento de un fuego activo y la pluma
de humo (Figura 9.62).

Figura 9.62: Composi-

ción de Bandas, Color
verdadero RGB Pre
incendio (izquierda,
arriba), Color verda-
dero RGB en incendio
(derecha, arriba),
SWIR2/SWIR1/R
(izquierda, abajo)
y SWIR2/NIR/B
(derecha, abajo).
 Índices Espectrales 559

9.19.2 Índice Área Quemada BAI

Este índice resalta la tierra quemada en el espectro del rojo al
infrarrojo cercano, al enfatizar la señal de carbón en las imágenes
posteriores al incendio. El índice se calcula a partir de la distancia
espectral de cada píxel a un punto espectral de referencia, donde
convergen las áreas quemadas recientemente (Chuvievo [1998]).
Figura 9.63.

1
BAI = (9.19)
(0.1 − ρred )2 + (0.06 − ρN IR )2
bai <- 1 / ((0.1 - area_incendio$R)^2 + (0.06- area_incendio$NIR)^2)
bai[bai > 1000] <- NA

Figura 9.63: Ín-

dice BAI. Sector
BAI Desembocadura Río
Mataquito.

800

600

400

200

9.19.3 Índice Razón Normalizado Quemado NBRI

Este índice destaca las áreas quemadas en zonas de incendios.
La fórmula es similar a NDVI, excepto que utiliza longitudes
de onda de infrarrojo cercano (NIR) e infrarrojo de onda corta
(SWIR) (Key et al. [2002]). Figura 9.64.

ρN IR − ρSW IR
N BRI = (9.20)
ρN IR + ρSW IR
560 APLICACIÓN

nbri <- spectralIndices(area_incendio,

nir ="NIR",
swir3="SWIR2",
indices = "NBRI")

Figura 9.64: Índi-

ce NBRI. Sector
NBRI Desembocadura Río
Mataquito.
1.0

0.5

0.0

−0.5

−1.0

9.19.4 NBRI Diferenciado, DNBRI

El programa del servicio geológico de [Link]. (USGS) FIRE-
MON (Key and Benson [2005]) publica una categorización de la
severidad de quemaduras (Cuadro 9.4) de un incendio forestal
basado en el NBRI Diferenciado:

∆N BRI = N BRIpre − N BRIpost (9.21)

Donde N BRIpre es el índice calculado en la misma zona geo-

gráfica previa ocurrencia del incendio y N BRIpost el índice
calculado después del incendio.
Calculamos el índice NBRI para la imagen pre-incendio:
nbri_pre <- spectralIndices(area_incendio_pre, nir ="NIR",
swir3="SWIR2", indices = "NBRI")
Y calculamos la diferencia:
 Índices Espectrales 561

Cuadro 9.4: Catego-

rías de gravedad de
Límite Inferior Límite Superior Gravedad Quemadura quemaduras según
proyecto FIREMON
-1 -0.25 Alto rebrote post fuego (USGS).
-0.25 -0.1 Bajo rebrote post fuego
-0.1 1 Sin quemar
0.1 0.27 Baja
0.27 0.44 Moderada a baja
0.44 0.66 Moderada-alta
0.66 1 Alta

dnbri <- nbri_pre - nbri

Y generamos el mapa de Severidad mediante la diferencia de
NBRI (Figura 9.65) utilizando la técnica de reclasificar y luego
convertir a factores para un posterior tratamiento estadístico.

1. Creamos una matriz con rangos y nuevos valores:

2. Aplicamos la reclasificación mediante el uso de la función

reclassify(x, rcl) donde el ráster x (re)clasifica grupos de
valores por otros valores definidos en una matriz rcl.

3. Se convierte en factores:

categoria <- ratify(firemon, count= T, ordered=T)

4. Vector con un texto descripción por cada rango.

clases <- c("Alto rebrote post fuego","Bajo rebrote post fuego",

"Sin quemar","Quemadura baja gravedad",
"Quemadura de gravedad moderada a baja",
"Quemadura de gravedad moderada a alta",
"Quemadura de alta gravedad")

5. Asociamos el vector como atributo a la tabla del ráster:

levels(categoria)[[1]] <- cbind(levels(categoria)[[1]],

clase=clases)
Así, podemos revisar la frecuencia por categoría:
562 APLICACIÓN

levels(categoria)

[[1]]
ID COUNT clase
1 1 1042319 Alto rebrote post fuego
2 2 384064 Bajo rebrote post fuego
3 3 251916 Sin quemar
4 4 21972 Quemadura baja gravedad
5 5 1202 Quemadura de gravedad moderada a baja
6 6 1471 Quemadura de gravedad moderada a alta
7 7 447 Quemadura de alta gravedad
Y consultar por coordenadas (previa conversión a número de
celda):
id <- cellFromXY(categoria,c(617397, 4132006))
Como ids de celdas (300, 500, 4) usando la función factorValues(x,
v), donde x corresponde a un rasterLayer y v un vector de iden-
tificación de celdas:
factorValues(x = categoria,
v = categoria[c(id, 300, 500, 4)])

COUNT clase
1 1471 Quemadura de gravedad moderada a alta
2 384064 Bajo rebrote post fuego
3 1042319 Alto rebrote post fuego
4 251916 Sin quemar
 Índices Espectrales 563

Figura 9.65: SEVERI-

DAD, medido vía Di-
ferencia de NBRI pre
y post incendio de
Muğla, Turquía.

Alto rebrote post fuego

Bajo rebrote post fuego
Sin quemar
Quemadura baja gravedad
Quemadura de gravedad moderada a baja
Quemadura de gravedad moderada a alta
Quemadura de alta gravedad

9.19.5 Índice Razón Normalizado Quemado Termal 1 NBRT1

Este índice utiliza una banda térmica para mejorar el NBR

(Holden et al. [2005]). Da como resultado una mejor separabilidad
entre tierra quemada y no quemada (Figura 9.66).

( termal )
ρN IR − ρSW IR
N BRT 1 = 1000
( termal ) (9.22)
ρN IR + ρSW IR 1000

La banda térmica en esta ecuación debe calibrarse a las tem-

peraturas de brillo (en Kelvins).
nir <- area_incendio$NIR
swir <- area_incendio$SWIR2
termal <- area_incendio$TERMAL
nbrt1 <- (nir-swir*(termal/1000))/(nir+swir*(termal/1000))
564 APLICACIÓN

Figura 9.66: Índi-

ce NBRT1. Sector
Desembocadura Río
NBRT1 Mataquito.
1.0

0.5

0.0

−0.5

−1.0

9.20 Índices Diseñados para Agua

9.20.1 Preparación Imagen de prueba

Descargamos una imagen Landsat 8, centrada en el lago Car-
diel, Provincia de Santa Cruz, Argentina. La actividad más im-
portante que se desarrolla en sus aguas, es la pesca comercial. En
la década del 40 un avión que transportaba alevinos con destino
final en el lago Fagnano (Tierra del Fuego), se vio sorprendido
por una tormenta; la demora en el vuelo llevó al piloto a tomar
una decisión: liberarlos en el primer espejo de agua que aparecie-
ra antes que las crías murieran, el lago Cardiel se convirtió en su
nuevo hogar.
Al contener una alta composición iónica, no son aptas para el
consumo humano (wikipedia).
tifs_agua <- dir(path = destino_[4], pattern ="TIF")
Extraer bandas, construir un rasterStack y asignar nombres
para la escena pre-incendio:
bandas_agua <- [Link](destino_[4], tifs_agua[c(3:9,12)])
imagen_test <- stack(bandas_agua)
nombres <- c("AC","B","G","R","NIR","SWIR1","SWIR2","TERMAL")
 Índices Espectrales 565

names(imagen_test) <- nombres

Para cada una, convertimos de DN o valores digitales a reflec-
tancia (ρ) utilizando las constantes definidas en el cuadro 8.2 para
las imágenes OLI y TIRS. Ver figura 9.67 para una composición
batimétrica (R/G/AC).
imagen_agua <- (imagen_test[[1:7]] * 0.0000275) + -0.2
names(imagen_agua) <- nombres[1:7]
imagen_agua$TERMAL <- (imagen_test[[8]] * 0.00341802 + 149)

Figura 9.67: Imagen

Landsat 8 OLI/TIRS,
Sector Lago Car-
diel, Provincia de
Santa Cruz, Argen-
tina. Composición
’BATIMÉTRICA’
(R-G-AC).

9.20.2 NDWI
Como el índice de vegetación de diferencia normalizada (N DV I)
(Figura 9.68) que se ha utilizado ampliamente para identificar ve-
getación, N DW I es un índice para detectar cuerpos de agua em-
pleando bandas green (verde) y banda N IR (McFeeters [1996]).
La expresión del índice es:

ρgreen − ρN IR
N DW I = (9.23)
ρgreen + ρN IR
566 APLICACIÓN

El rango del valor N DW I es de -1 a 1. Características del

agua es probable que tengan valores positivos, mientras que la
vegetación terrestre y el suelo desnudo generalmente tienen valo-
res negativos. Por lo tanto, 0 se considera a menudo un umbral
predeterminado para el N DW I.
ndwi <- spectralIndices(imagen_agua, nir = "NIR",
green = "G", indices = "NDWI")
Y la modificación Gao [1996] (Figura 9.69):

ρN IR − ρSW IR2
N DW I2 = (9.24)
ρN IR + ρSW IR2

ndwi2 <- spectralIndices(imagen_agua, nir = "NIR",

swir2 = "SWIR2", indices = "NDWI2")

Figura 9.68: Índice

NDWI, Sector Lago
Cardiel, Provincia
NDWI de Santa Cruz,
1.0 Argentina.

0.5

0.0

−0.5

−1.0

9.20.3 MNDWI
El Índice de agua de diferencia normalizada modificado o MND-
WI (Xu [2006]) (Figura 9.70), utiliza las bandas verde y SWIR
para realzar las entidades que se encuentran en mar abierto. Tam-
bién disminuye las entidades de área construidas que a menudo
se correlacionan con el mar abierto en otros índices.
 Índices Espectrales 567

Figura 9.69: Índice

NDWI2, Sector Lago
Cardiel, Provincia
NDWI2 de Santa Cruz,
1.0 Argentina.

0.5

0.0

−0.5

−1.0

ρgreen − ρSW IR
M N DW I = (9.25)
ρgreen + ρSW IR

mndwi <- spectralIndices(imagen_agua, swir2 = "SWIR2",

green = "G", indices = "MNDWI")

Figura 9.70: Índice

MNDWI, Sector Lago
Cardiel, Provincia
MNDWI de Santa Cruz,
1.0 Argentina.

0.5

0.0

−0.5

−1.0
568 APLICACIÓN

9.20.4 EWI
Una modificación de MNDWI (Xu [2006]) (ver 9.20.3) intro-
duciendo (N DV I + n) en el denominador y m en el nominador
para resaltar información de agua, comprimir la información de
fondo y reducir la diferencia de información de fondo entre suelo
y vegetación es presentado en Pei et al. [2007].
Considerando que el valor NDVI de un píxel de agua pura será
cero o negativo, se toma el parámetro n = 0.5 como valor empírico
para prevenir cualquier resultado anormal y reducir la diferencia
de EWI entre suelo y vegetación, El término del numerador m =
0.1 (ecuación 9.26) se obtuvo a través de un gran número de
observaciones experimentales.

ρgreen − ρSW IR + m
EW I = (9.26)
(ρgreen + ρSW IR )(N DV I + n)
Necesitamos calcular NDVI:
ndvi <- spectralIndices(imagen_agua, red="R", nir="NIR", indices = "NDVI")
Definir los parámetros m y n:
m <- 0.1; n <- 0.5
Y aplicamos la formula para el cálculo del índice EWI (Figura
9.71):
ewi_1 <- (imagen_agua$G - imagen_agua$SWIR1 + m)
ewi_2 <- (imagen_agua$G + imagen_agua$SWIR1)*(ndvi + n)
ewi <- ewi_1 / ewi_2
 Índices Espectrales 569

Figura 9.71: Índice

EWI. Sector Lago
Cardiel, Provincia
EWI de Santa Cruz,
1.0 Argentina.

0.5

0.0

−0.5

−1.0

9.20.5 AWEI

AW EIns (Feyisa et al. [2014]) no sombra, (Figura 9.72) es

un índice formulado para eliminar de forma eficaz los píxeles no
agua, incluidas las superficies oscuras construidas en áreas con
fondo urbano y AW EIs sombre (Figura 9.73), está formulado
principalmente para mejorar aún más la precisión eliminando los
píxeles de sombra que AW EIns no puede eliminar de forma efi-
caz.
El subíndice ns en la ecuación 9.27 se incluye para especificar
que el índice es adecuado para situaciones en las que las sombras
no son un problema importante. El subíndice s en la ecuación
9.28 indica que la ecuación está destinada a eliminar los píxeles
de sombra y mejorar la precisión de extracción de agua en áreas
con sombra y / u otras superficies oscuras. Pero en áreas con
superficies muy reflectantes como hielo, nieve y techos reflectantes
en áreas urbanas, la ecuación 9.28 puede clasificar erróneamente
superficies como el agua.

AW EIns = 4(ρgreen − ρSW IR ) − 0.25ρN IR + 2.75ρSW IR (9.27)

570 APLICACIÓN

AW EIs = ρblue + 2.5ρgreen − 1.5(ρN IR + ρSW IR ) − 0.25ρSW IR

(9.28)
awei_ns_1 <- 4 * (imagen_agua$G - imagen_agua$SWIR1)
awei_ns_2 <- 0.25*(imagen_agua$NIR + 2.75 * imagen_agua$SWIR1)
awei_ns <- awei_ns_1 - awei_ns_2

awei_s_1 <- imagen_agua$B + 2.5 * imagen_agua$G

awei_s_2 <- 1.5 * (imagen_agua$NIR + imagen_agua$SWIR1) -
0.25 * imagen_agua$SWIR1
awei_s <- awei_ns_1 - awei_ns_2

Figura 9.72: Índice

AWEI, no sombra.
Sector Lago Cardiel,
Provincia de Santa
1.0 Cruz, Argentina,

0.5

0.0

−0.5

−1.0
AWEI (no sombra)

9.20.6 NDWI ponderado, WNDWI

Tanto N DW I como M N DW I pueden separar bien la vegeta-
ción del agua porque tanto los valores espectrales de vegetación
en las bandas N IR y SW IR son mayores que los de la banda
verde.
Sin embargo, para un píxel de agua turbia, el valor de la banda
N IR suele ser mayor que la banda green (verde), mientras que la
banda SW IR es más pequeña que la banda verde; para el píxel
de vegetación en un área de sombra, la banda SW IR es en su
 Índices Espectrales 571

Figura 9.73: Índice

AWEI, sombra. Sector
Lago Cardiel, Provin-
cia de Santa Cruz,
1.0 Argentina,

0.5

0.0

−0.5

−1.0
AWEI (sombra)

mayoría más pequeña que la banda verde, mientras que la banda

N IR es generalmente más grande que la banda verde.
Si calculamos los índices de agua N DW I y M N DW I y re-
cortamos en el valor 0, NDWI no puede clasificar correctamente
el agua turbia en la clase de agua y MNDWI también clasificará
erróneamente la vegetación en el área de sombra como agua.
Con el fin de reducir los errores, se propone un nuevo índice de
agua llamado W N DW I que usa un valor medio de NIR y SWIR
para sustituir la banda NIR o SWIR. La expresión de WNDWI
es el siguiente (Guo et al. [2017]), figura 9.74:

ρgreen − αρN IR − (1 − α)ρSW IR

W N DW I = (9.29)
ρgreen + αρN IR + (1 − α)ρSW IR

Donde α ∈ [0, 1] es un coeficiente de ponderación. Específica-

mente, si alpha = 1 el índice W N DW I se convierte en N DW I
y cuando α = 0 el W N DW I es idéntico con M N DW I.
a <- 0.1
wndwi_1 <- imagen_agua$G -
a * imagen_agua$NIR -
(1 - a) * imagen_agua$SWIR2
572 APLICACIÓN

wndwi_2 <- imagen_agua$G +

a * imagen_agua$NIR +
(1 - a) * imagen_agua$SWIR2

wndwi <- wndwi_1 / wndwi_2

Figura 9.74: Índice

WNDWI parámetro
alpha de 0.1, Sector
WNDWI Lago Cardiel, Provin-
1.0 cia de Santa Cruz,
Argentina.
0.5

0.0

−0.5

−1.0
Algal Bloom

9.21 Algal Bloom 2019 Montevideo Figura 9.75: Tweet del

2 de febrero de 2019,
donde se alerta de un
En un tweet publicado el 2 de febrero de 2019 (Figura 9.75) se brote de cianobacte-
informa de la presencia anómala de cianobacterias en la costa rias en las costas de
Uruguay.
frente a Montevideo (fenómeno denominado algal bloom).
Usando los pasos descritos en 8.16 hemos descargado dos imá-
genes Sentinel-2 que cubren la zona costera frente a la ciudad de
Montevideo (Uruguay) en las fechas 31 de enero 2019 y 16 mayo
de 2019 (fechas en el brote y postbrote).
Las cianobacterias (Cyanobacteria del griego cyano, “azul”),
es un filo del dominio Bacteria que comprende las bacterias capa-
ces de realizar fotosíntesis oxigénica. Son los únicos procariontes
que llevan a cabo ese tipo de fotosíntesis, por ello también se les
llama oxifotobacterias. Algunas cianobacterias producen toxinas
y pueden envenenar a los animales que habitan el mismo ambien-
te o beben el agua. Se trata de una gran variedad de géneros y
especies; algunas producen toxinas muy específicas y otras pro-
ducen un espectro más o menos amplio de tóxicos. El fenómeno
se hace importante sólo cuando hay una floración (una explosión
demográfica), lo que ocurre a veces en aguas dulces o salobres,
si las condiciones de temperatura son favorables y abundan los
nutrientes, sobre todo el fósforo (Wikipedia).
Primero creamos los objetos R, con nombres de archivos zip y
construimos los nombres de carpeta abreviados nombre.
zipes <- dir(path = here("raw","sen"),
pattern =".zip$")
carpetas <- sub(".zip","", zipes)
574 APLICACIÓN

(nombre <- substr(x = carpetas, 1, 26))

[1] "S2A_MSIL2A_20190131T134211" "S2B_MSIL2A_20190516T134219"

[3] "S2B_MSIL2A_20210905T152639"
Se descomprimen las imágenes correspondientes al estudio (aten-
to, sus índices no necesariamente sean las mismas o en el mismo
orden). En mi máquina corresponden a los índices 1 y 2 del arre-
glo nombre.
La escena para el momento de la explosión de algas es el índice
1 y repetimos para la fecha post fenómeno 2:
zip::unzip(zipfile = here("raw","sen", zipes[1]),
exdir = here("raw","sen",nombre[1]),
junkpaths=T)
De cada una se extraen las imágenes jp2:
jps1 <- [Link](here("raw","sen",nombre[1]),
pattern = ".jp2$",
recursive = T,
[Link] = T)

jps_sin <- [Link](here("raw","sen",nombre[2]),

pattern = ".jp2$",
recursive = T,
[Link] = T)

9.21.1 Crear rasterStack 31 de enero

Pasos para crear una escena Sentinel-2, BOA:

1. Seleccionar resolución 10 m:

id1 <- str_detect(jps1, "_10m")

sen2_10m_img <- jps1[id1]
basename(sen2_10m_img[-6]) #sin TCI

[1] "T21HWB_20190131T134211_AOT_10m.jp2" "T21HWB_20190131T134211_B02_10m.jp2"

[3] "T21HWB_20190131T134211_B03_10m.jp2" "T21HWB_20190131T134211_B04_10m.jp2"
[5] "T21HWB_20190131T134211_B08_10m.jp2" "T21HWB_20190131T134211_WVP_10m.jp2"
 Detección de Algas 575

nombres_10m <- c("AOT","B2","B3","B4","B8","WVP")

2. Crear stack de layer o capas y se asignan los nombres de capas

para fecha uno:

sen2_10m <- stack(sen2_10m_img[-6])

names(sen2_10m) <- nombres_10m

9.21.2 Crear rasterStack 16 de mayo

Procesar la fecha post fenómeno:

1. Selección de resolución de 10 m:

id_sin <- str_detect(jps_sin, "_10m")

sen2_10m_img_sin <- jps_sin[id_sin]
basename(sen2_10m_img_sin[-6]) #sin TCI

[1] "T21HWB_20190516T134219_AOT_10m.jp2" "T21HWB_20190516T134219_B02_10m.jp2"

[3] "T21HWB_20190516T134219_B03_10m.jp2" "T21HWB_20190516T134219_B04_10m.jp2"
[5] "T21HWB_20190516T134219_B08_10m.jp2" "T21HWB_20190516T134219_WVP_10m.jp2"

2. Crear stack y renombre de capas:

sen2_10m_sin <- stack(sen2_10m_img_sin[-6])

names(sen2_10m_sin) <- nombres_10m

9.21.3 Procesamiento de las escenas

Se define un objeto extent 6 para realizar una vista de detalle 6
Recordatorio: Poste-
rior a realizar un plot()
en la costa frente a Montevideo:
o plotRGB() utilizar
ext_mon <- c(558000, 594000, 6132000, 6142000) drawExtent() interác-
tivo para definir áreas
Y con dicha extensión se realiza el recorte usando la función geográficas sobre la
imagen misma.
crop sobre ambas escenas (Figura 9.76):
montevideo <- crop(sen2_10m, ext_mon)
montevideo_sin <- crop(sen2_10m_sin, ext_mon)

plotRGB(montevideo_sin,
r="B4",
576 APLICACIÓN

g="B3",
b="B2",
stretch="lin",
ext=ext_mon)

Figura 9.76: Detalle

Costas de Montevi-
deo, 16 de mayo 2019,
9.21.4 Tratamiento B11 composición RGB. Re-
solución 10m.
El filtro espectral utilizado para visualizar la actividad fotogé-
nica de las bacterias utiliza la respuesta espectral SWIR1 o B11
en Sentinel-2 se distribuye en resolución de 20 m y las debemos
extraer para ambas fechas:
swir_20m <- raster(jps1[26])
swir_20m_sin <- raster(jps_sin[26])
Cambiar la resolución usando la función disaggregate(x,
fact, method), permite crear un nuevo rasterLayer con mayor
resolución espacial, que a partir de x, basado en el número de
celdas especificados en fact (por ejemplo, fact= 1 queda igual,
fact= 2 se reduce a la mitad), debe ser definido por un entero que
afecta filas y columnas o un vector de dos elementos para definir
por separado en ambas dimensiones.
Los nuevos valores si se desean interpolar se debe incluir el
parámetro method y actualmente solo existe la opción bilinear.
Para cambiar la resolución en sentido opuesto la función aggregate(x,
fact, fun), permite crear un nuevo rasterLayer con menor re-
solución espacial, a partir de x, basado en el factor de reducción
especificados en fact (por ejemplo, fact= 2 resulta en un ráster
con 2 × 2 = 4 veces menos número de celdas), debe ser defini-
 Detección de Algas 577

do por un entero que afecta filas y columnas o un vector de dos

elementos para definir por separado en ambas dimensiones.
swir_10m <- disaggregate(x= crop(swir_20m,ext_mon),
fact= 2, method= "bilinear")
swir_10m_sin <- disaggregate(x= crop(swir_20m_sin, ext_mon),
fact= 2, method= "bilinear")
Así tenemos dos rasterLayer de B11 con una resolución de 10
m con la misma extensión de nuestras escenas. A continuación,
se agregan al stack, asigna nombre y reordenar las capas.
montevideo <- addLayer(montevideo, swir_10m)
names(montevideo)[7] <- "B11"
montevideo <- subset(montevideo, c(2:5,7))

montevideo_sin <- addLayer(montevideo_sin, swir_10m_sin)

names(montevideo_sin)[7] <- "B11"
montevideo_sin <- subset(montevideo_sin, c(2:5,7))
Y llevamos de ND a BOA o reflectancia superficial utilizando
el factor 1/10000:
montevideo_sr <- montevideo * 1e-4
montevideo_sin_sr <- montevideo_sin * 1e-4

montevideo_sr <- clamp(montevideo_sr,0,1)

montevideo_sin_sr <- clamp(montevideo_sin_sr,0,1)

9.21.5 FAI

A diferencia de las superficies terrestres, el agua absorbe fuer-

temente la luz en las longitudes de onda RED-NIR-SWIR. De
hecho, debido a esta alta absorción, el agua es opaca o “negra”
en las longitudes de onda SWIR incluso en los ambientes más
turbios; esto proporciona la base para la utilización de estas lon-
gitudes de onda para corregir los efectos atmosféricos. Por otro
lado, las algas flotando en la superficie del agua tienen mayor re-
flectancia en el NIR que, en otras longitudes de onda, y se puede
distinguir fácilmente de las aguas circundantes (Hu [2009]).
Así se presenta el índice FAI o Índice de Algas Flotantes (Hu
578 APLICACIÓN

[2009]):
( ( ))
λN IR − λRED
F AI = ρN IR − ρRED + (ρN IR − ρSW IR ) ∗
λSW IR − λRED
(9.30)
Y su implementación en R y nuestra escena. En pleno fenó-
meno:
fai <- montevideo_sr$B8 - (montevideo_sr$B4 +
(montevideo_sr$B8
- montevideo_sr$B11) *
(835-665)/(1613-665)
)
Y post fenómeno:
fai_sin <- montevideo_sin_sr$B8 - (montevideo_sin_sr$B4 +
(montevideo_sin_sr$B8 -
montevideo_sin_sr$B11) *
(835-665)/(1613-665)
)
Para revisar y chequear los resultados podemos realizar dis-
tintas visualizaciones, por ejemplo:

1. Color Verdadero o R,G,B (B4,B3,B2):

Combinación que más se aproxima a los colores reales. Es ideal

para realzar información del agua: turbidez, corrientes y sedimen-
tos en suspensión.
Las bandas visibles dan respuesta a la luz que ha penetrado
más profundamente, y por tanto sirven para discriminar el agua
poco profunda y sirven para distinguir aguas turbias, corrientes,
batimetría y zonas con sedimentos.
El azul oscuro indica aguas profundas, el azul claro indica
aguas de media profundidad. La vegetación se muestra en tona-
lidades verdes. El suelo aparece en tonos marrones y tostados. El
suelo desnudo y la roca aparecen en tonos amarillentos y platea-
dos (Figura 9.77).

2. Banda NIR (B8):

La respuesta vegetal es más fuerte en este rango espectral (Fi-

gura 9.78).
 Detección de Algas 579

Figura 9.77: Detec-

ción de algas, compo-
sición Color Verdadero
R,G,B.

Figura 9.78: Detec-

ción de algas, respues-
3. Falso Color NIR,R,G (B8,B4,B3): ta banda NIR.

La banda del infrarrojo cercano es útil para identificar los lí-

mites entre el suelo y el agua, también es sensible a la clorofila,
permitiendo que se observen variaciones de la vegetación, que
aparecen en tonos rojo.
Los cuerpos de agua con sedimentos en suspensión aparecen
en tonos azul claro y los que poseen pocos sedimentos en suspen-
sión en azul oscuro y tonos de marrón para mayor presencia de
sedimentos; Las áreas urbanas y el suelo expuesto aparecen en
tonos azules (Figura 9.79).

Figura 9.79: Detección

de algas, composición
Falso Color NIR,R,G.
580 APLICACIÓN

4. Falso Color SWIR,NIR,R (B11,B8,B4):

Esta combinación con dos bandas en la región del infrarrojo
(SWIR y NIR) muestra una mayor diferenciación entre el suelo
y el agua.
La vegetación se muestra en diversas tonalidades de verde y
rosa, que varían en función del tipo y de las condiciones de ubica-
ción; las áreas urbanas y el suelo expuesto se presentan en tonos
rosados; el agua, independiente de la cantidad de sedimentos en
suspensión, aparece en negro o azul muy obscuro (Figura 9.80).

Figura 9.80: Detec-

ción de algas, com-
5. Índice FAI: posición Falso Color
SWIR,NIR,R.
Producto obtenido con la fórmula 9.30 en la escena post ex-
plosión de algas (16 mayo 2019) y el día 31 enero 2019 en pleno
proceso de brote de algas (Figura 9.81, Superior e inferior respec-
tivamente).
Donde se aprecia la aparición de trazos claros sobre el fondo
negro que corresponde al agua. Dichas trazas no necesariamente
son iguales en todas las composiciones debido a que cada una
responde a las distintas sensibilidades espectrales y no necesaria-
mente corresponden al fenómeno estudiado.
En la figura 9.82 se destaca en detalle una zona con presen-
cia de cianobacterias en varias composiciones espectrales. Solo la
imagen producto de FAI en pleno proceso corresponde a la ex-
tensión determinada por el índice, que ha sido estimada con la
configuración de bandas y ponderadores óptimo. Las trazas y se-
ñas en las otras combinaciones pueden ser productos de las algas
u otros fenómenos asociados (Figura 9.82).
Detección de Algas 581

Figura 9.81: Detección

de algas, índice FAI
post fenómeno (supe-
rior), algal bloom (in-
ferior).
582 APLICACIÓN

Figura 9.82: Vista de

Detalle en la detección
de algas. Composición
Color Verdadero, NIR,
Falso Color 1 y 2 e Ín-
dice FAI (post y algal
bloom).
Clasificación

9.22 Conceptos y Fundamentos

La clasificación de imágenes digitales es el proceso de asig-

nar píxeles a clases. Por lo general, cada píxel se trata como una
unidad individual compuesta por valores en varias bandas espec-
trales. Por la comparación de píxeles entre sí contra píxeles de
identidad conocida, es posible integrar grupos de píxeles simila-
res en clases asociadas a las categorías de interés del usuario de
los datos de teledetección.
Estas clases forman regiones en un mapa o una imagen, por
lo que después de la clasificación, la imagen digital se presenta
como un mosaico de parches uniformes, cada uno identificado por
un color o símbolo. Estas clases son, en teoría, homogéneas: Los
píxeles dentro de las clases son espectralmente más similares entre
sí que a los píxeles en otras clases. En la práctica, por supuesto,
cada clase mostrará cierta diversidad, ya que cada escena exhibirá
cierta variabilidad dentro de las clases.
La clasificación de imágenes es uno de los campos importante
en la EO y teledetección. En algunos casos, la clasificación en sí
misma puede ser el objeto del análisis. Por ejemplo, la clasifica-
ción del uso de la tierra a partir de datos de teledetección produce
una imagen similar a un mapa como producto final del análisis.
En otros casos la clasificación puede ser sólo un paso interme-
dio en un análisis más elaborado, en el que los datos clasificados
forman una de varias capas de datos en un SIG.
584 APLICACIÓN

9.23 Tipos de Clasificación

Una distinción básica en la clasificación de imágenes separa
en clasificación supervisada de clasificación no supervisada. Los
procedimientos de clasificación supervisados requieren una con-
siderable interacción con el analista, quien debe orientar la cla-
sificación identificando áreas en la imagen que se sabe que
pertenecen a cada categoría.
Clasificación no supervisada, por otro lado, requiere una inter-
acción mínima con el analista en la búsqueda de grupos natu-
rales de píxeles presentes en la imagen. La distinción entre su-
pervisados y la clasificación sin supervisión es útil, especialmente
para los estudiantes que están aprendiendo por primera vez sobre
clasificación de imágenes, aunque las dos estrategias no son tan
claramente distinguibles como estas definiciones sugieren, ya que
algunos métodos no encajan perfectamente en ninguna de las ca-
tegorías. Siendo denominados clasificadores híbridos aquellos
que comparten características de ambos métodos.

9.23.1 Clasificación Supervisada

Una clasificación supervisada supone un conocimiento previo
del área de estudio, ya sea por fuentes externas o por trabajo de
campo. Esta familiaridad con la zona de estudio permite que el
intérprete identifique en la imagen áreas suficientemente repre-
sentativas de cada una de las categorías buscadas. Estas áreas se
conocen como “campos de entrenamiento”.
El término indica que tales áreas se utilizan para entrenar a
la computadora en el reconocimiento de las diferentes categorías.
En otras palabras, a partir de los píxeles de los campos de entre-
namiento, la computadora calcula los ND que definen cada una
de las clases, y luego asigna el resto de los píxeles de la imagen a
una de esas categorías por sus ND.
La selección de los campos de entrenamiento puede basarse en
propiedades ópticas conocidas de cada categoría, (observaciones
de campo en lugares conocidos, fotografías aéreas y terrestres,
entre otras fuentes de información). Se recomienda obtener la in-
formación de referencia lo más cerca posible (tiempo y distancia)
 Clasificación 585

como sea posible al momento de la adquisición de la imagen, pa-

ra evitar una mala asignación de píxeles basada sobre datos de
referencia obsoletos. Siempre que sea posible, también se reco-
mienda hacer mediciones radiométricas de campo, que le dan al
intérprete información relevante sobre posibles factores de ruido
o para ayudar a seleccionar correctamente las bandas adecuadas
para la clasificación.
Una vez completa la selección de campos de entrenamiento, las
estadísticas básicas de cada categoría se calculan, media, rango,
desviación estándar, matriz de varianza-covarianza, etc. para to-
dos los píxeles incluidos en el campo de entrenamiento asignado
a esa clase.
Estas estadísticas se utilizarán más adelante para clasificar
el resto de los píxeles de la imagen. Por tanto, las medidas ex-
traídas de los campos de entrenamiento se asumen ser buenos
representantes de cada clase. De lo contrario, el intérprete esta-
ría forzando la computadora para clasificar áreas heterogéneas, y
la clasificación sería incorrecta. A
C

Dado que la fase de entrenamiento es la más relevante en la

clasificación de imágenes, la selección de píxeles de entrenamiento
debe hacerse con gran detalle y precisión (Figura 9.83). Cuando
B
las categorías son homogéneas, un solo campo de entrenamiento
por categoría puede ser suficiente para evitar confusión con otras
clases (Tipo A).
Se debe prestar especial atención para evitar seleccionar cam-
pos en áreas de transición (Tipo B), ya que las estadísticas de Figura 9.83: Selección
de Campos de Entre-
clase resultantes pueden no ser buenos representantes de la co- namiento para Clase
bertura objetivo. El error opuesto sería seleccionar sitios de en- ’MAR’. Tipos de Selec-
trenamiento solo en aquellos lugares donde la categoría es muy ción, A Homogéneas,
B Transición y C Va-
homogénea, falta la variación espectral real de esa cobertura (Ti- riación Espectral
po C).
Por último, se debe considerar en la selección de los sitios
de entrenamiento requisitos estadísticos que aseguren que son
buenos representantes de las diferentes categorías. Este proceso
implica una forma peculiar de muestreo espacial. Por esta razón,
es mejor utilizar algunos de los criterios habituales en este tipo
de técnica para elegir el tamaño y distribución de la muestra más
586 APLICACIÓN

adecuada, así como para realizar estimaciones de eso.

En cuanto al tamaño, se requiere seleccionar un mínimo de
m + 1 píxeles por categoría, siendo m el número de bandas que
integran el análisis. Sin embargo, es muy conveniente exceder este
límite mínimo. Varios autores (Davis et al. [1978]) recomiendan
seleccionar un número de píxeles entre 10m y 100m por categoría.
Este número mínimo está estrechamente relacionado con el grado
de asociación espacial entre los ND de la imagen.
El muestreo convencional considera que las muestras seleccio-
nadas son aleatorias e independiente y esta suposición no es váli-
da (los campos de entrenamiento tienen píxeles vecinos afectados
por la autocorrelación espacial). Por lo tanto, es más recomenda-
ble elegir varios campos de tamaño pequeño que uno más grande,
ya que este último tenderá a subestimar la variabilidad de esa
categoría. Algunos autores recomiendan seleccionar píxeles alea-
torios, dentro de campos de mayor tamaño, en lugar de incluirlos
a todos.
En cuanto a la distribución, lo mejor es considerar las caracte-
rísticas de la imagen en sí misma y tratar de incluir las variaciones
espaciales de cada categoría: pendiente, aspecto, cobertura de la
gradiente, densidad, contenido de humedad, tipo de suelo, etc.
Se debe considerar que la variabilidad de una cubierta es di-
rectamente proporcional a la resolución del sensor. En otras pala-
bras, cuanto mayor sea el detalle espacial registrado en la imagen,
mayor es su sensibilidad para detectar las variaciones internas de
una categoría, que estaría oculta debajo de un píxel más grande.
Dado que mayor heterogeneidad significa una mayor mezcla con
clases similares y un mayor riesgo de confusiones en las asignacio-
nes posteriores, un aumento en la resolución espacial puede com-
plicar la clasificación digital. Este hecho, que parece contradecir
el sentido común (mayor resolución espacial, mayor precisión),
ha sido probado por varios autores y se conoce como ruido de
escena.
 Clasificación 587

9.23.2 Clasificación No Supervisada

Este método intenta definir las clases espectrales presentes en

la imagen mediante la búsqueda de grupos de píxeles con ND
similares. No se requieren conocimientos previos del área de es-
tudio, y el trabajo del intérprete se centra más en el etiquetado
de los grupos resultantes que en proporcionar información de en-
trada al algoritmo de agrupamiento. El supuesto básico detrás
de los métodos no supervisados está en la existencia de grupos
únicos de píxeles con características espectrales similares y, por
lo tanto, una cobertura similar.
Sin embargo, como se dijo anteriormente, la similitud espec-
tral no implica necesariamente una cobertura homogénea porque
la misma cobertura puede tener diferentes respuestas espectrales,
mientras que la misma señal espectral puede referirse a más de
una cobertura. En consecuencia, el intérprete debe tener senti-
do de las clases resultantes, principalmente etiquetándolas, pero
también combinándolas o dividiéndolas según las necesidades del
usuario final.
El entrenamiento no supervisado se basa en seleccionar el es-
pacio de discriminación (conjunto de bandas que se utilizarán
para la agrupación) y el algoritmo de agrupación. Las varia-
bles utilizados para la agrupación pueden ser las bandas originales
o el resultado de alguna transformación, como Análisis de Com-
ponentes Principales (PCA) o Índices Vegetales (VI). Eventual-
mente, variables auxiliares como MDR o precipitaciones también
se pueden utilizar en la agrupación, siempre que estas variables
se midan en una escala cuantitativa.
Existe un buen número de algoritmos para agrupar los datos
similares pero todos ellos comparten el punto crítico que es la
decisión sobre sus parámetros de control, los cuales deben ser
apropiados para cada problema de clasificación, ya que no existen
reglas universales seguir.
Por lo general, el intérprete no conoce el número de grupos es-
pectrales presente en la imagen, o los umbrales convenientes de
varianza máxima, o la distancia adecuada entre grupos. De esta
forma, el análisis no supervisado puede ser considerado un proce-
588 APLICACIÓN

so exploratorio en el que el usuario selecciona valores arbitrarios

que son modificados después de ver los resultados. El análisis sin
supervisión puede indicar, por ejemplo, si las clases de usuario
final son espectralmente separables o no, o su variabilidad espec-
tral, o si tendrán una distribución bimodal o multimodal.

9.24 Tipos de Clases

Clases informacionales son categorías de interés para los

usuarios de los datos, por ejemplo, diferentes tipos de unidades
geológicas, diferentes tipos de bosques, o los diferentes tipos de
uso de la tierra que transmiten información a los planificadores,
gerentes, administradores y científicos que utilizan información
derivada de datos de teledetección. Finalmente, estas clases son
la información que deseamos derivar de los datos; son el objeto
de nuestro análisis.
Desafortunadamente, estas clases no se registran directamente
en los sensores; podemos derivarlos solo indirectamente, utilizan-
do la evidencia contenida en los brillos o ND grabados en cada
imagen. Por ejemplo, la imagen no puede mostrar directamente
unidades geológicas, sino solo las diferencias en la topografía, la
vegetación, el color del suelo, la sombra y otros factores que llevan
al analista a concluir que ciertas condiciones geológicas existen
en áreas específicas.
Clases espectrales son grupos de píxeles que son uniformes
con respecto a los ND en varias bandas espectrales.
Si es posible definir una relación entre una clase espectral en
la imagen y una clase informacional, la imagen forma una valiosa
fuente de información. Por lo tanto, clasificación en teledetección
procede relacionar categorías espectrales a categorías informati-
vas.
Si la unión se puede hacer con confianza, entonces es probable
que la información sea confiable. Si las categorías espectrales e
informativas no corresponden, entonces es poco probable que la
imagen sea una fuente útil para esa fuente de información.
Rara vez podemos esperar encontrar coincidencias exactas uno
a uno entre información y clases espectrales. Cualquier clase in-
 Clasificación 589

formativa incluye variaciones espectrales que surgen de variacio-

nes naturales dentro de la clase. Por ejemplo, una región de la
clase informativa “Bosque” sigue siendo “bosque”, a pesar de que
puede mostrar variaciones en la edad, la composición de especies,
densidad y vigor, que conducen a diferencias en la apariencia es-
pectral de una sola clase informativa. Además, otros factores,
como variaciones en la iluminación y sombreado pueden producir
variaciones adicionales en clases espectralmente uniformes.
Por lo tanto, las clases informativas se componen generalmen-
te de numerosas subclases espectrales (grupos espectralmente dis-
tintos de píxeles que juntos pueden ensamblarse para formar una
clase informativa).
Con la clasificación digital, a menudo debemos tratar subclases
espectrales como unidades distintas durante la clasificación, para
luego varias de esas clases espectrales asociarlas bajo un símbolo
único para la imagen o mapa final que utilizarán los usuarios.

9.25 Ventajas y Desventajas del Método No Supervi-

sado

9.25.1 Ventajas
Las ventajas de la clasificación no supervisada (en relación
con la clasificación supervisada) pueden ser enumerados de la
siguiente manera:
No se requieren amplios conocimientos previos de la región. O,
más exactamente, la naturaleza del conocimiento requerido para
la clasificación no supervisada difiere del requerido para clasi-
ficación supervisada. Para realizar una clasificación supervisada,
conocimiento detallado de Se requiere que el área a ser examinada
seleccione ejemplos representativos de cada clase a ser mapeado.
Para realizar una clasificación sin supervisión, no se requieren
conocimientos previos detallados, pero se requiere conocimien-
to de la región para interpretar el significado de los resultados
producidos por el proceso de clasificación.
Se minimiza la posibilidad de errores humanos. Para reali-
zar una clasificación sin supervisión, el operador tal vez pueda
590 APLICACIÓN

especificar sólo el número de categorías deseadas (o, posiblemen-

te, límites mínimos y máximos en el número de categorías) y, a
veces, restricciones que gobierna la distinción y uniformidad de
los grupos. Muchas de las decisiones detalladas necesarios para
la clasificación supervisada no son necesarios para la clasificación
no supervisada, por lo que al analista se le presentan menos opor-
tunidades de error. Si el analista tiene inexactitud preconceptos
con respecto a la región, esos preconceptos tendrán poca opor-
tunidad de influir en la clasificación. Las clases definidas por la
clasificación no supervisada a menudo son mucho más uniformes
con respecto a la composición espectral que los generados por
clasificación supervisada.
Las clases únicas se reconocen como unidades distintas. Tales
clases, tal vez de muy pequeñas extensión de área, pueden per-
manecer no reconocidos en el proceso de clasificación supervisada
y podría incorporarse inadvertidamente a otras clases, generando
error e imprecisión a lo largo de toda la clasificación.

9.25.2 Desventajas y limitaciones

Las desventajas y limitaciones de la clasificación sin supervi-

sión surgen principalmente de dependencia de agrupaciones “na-
turales” y dificultades para hacer coincidir estos grupos con la
información categorías que son de interés para el analista.
La clasificación no supervisada identifica clases espectralmente
homogéneas dentro del datos que no necesariamente correspon-
den a las categorías informativas que son de interés al analista.
Como resultado, el analista se enfrenta al problema de emparejar
espectros clases generadas por la clasificación a las clases infor-
mativas que son requeridas por el usuario final de la información.
Rara vez existe una correspondencia simple uno a uno entre los
dos conjuntos de clases.
El analista tiene un control limitado sobre el menú de clases y
sus identidades específicas. Si es necesario generar un menú espe-
cífico de clases informativas (por ejemplo, para hacer coincidir a
otras clasificaciones para otras fechas o regiones adyacentes), el
uso de clasificación no supervisada puede ser insatisfactorio.
 Clasificación 591

Las propiedades espectrales de clases informativas específicas

cambiarán con el tiempo (de forma estacional, así como a lo largo
de los años). Como resultado, las relaciones entre información las
clases y las clases espectrales no son constantes, y las relaciones
definidas para una imagen no pueden extenderse a los demás.

9.26 Ventajas y Desventajas del Método Supervisado

9.26.1 Ventajas
Las ventajas de la clasificación supervisada, en relación con la
clasificación no supervisada, pueden enumerarse de la siguiente
manera.
El analista tiene el control de un conjunto seleccionado de cate-
gorías adaptadas a un propósito específico y una región geográfica.
Esta cualidad puede ser de vital importancia si se hace necesario
generar una clasificación para el propósito de la comparación con
otra clasificación de la misma área en una fecha diferente o si la
clasificación debe ser compatible con las de las regiones vecinas.
La clasificación supervisada está vinculada a áreas específicas
de identidad conocida. Control otorgado a través del proceso de
selección de áreas de entrenamiento.
El analista que utiliza la clasificación supervisada no se en-
frenta al problema de emparejar categorías espectrales en el mapa
final con las categorías informativas de interés. Esta tarea, ha
sido abordado durante el proceso de selección de datos de entre-
namiento.
El operador puede detectar errores graves en la clasificación
examinando los datos de entrenamiento.

9.26.2 Desventajas y limitaciones

Las desventajas de la clasificación supervisada son numerosas.
El analista impone una estructura de clasificación sobre los
datos. Hay que recordar que la clasificación no supervisada busca
clases “naturales”. Estas clases definidas por el operador pueden
no coincidir con las clases que existen dentro de los datos y, por
lo tanto, pueden no ser distintas o bien definidas en el espacio de
592 APLICACIÓN

datos multidimensional.
Los datos de entrenamiento a menudo se definen principal-
mente con referencia a categorías informativas y sólo secunda-
riamente con referencia a propiedades espectrales. Un área de
entrenamiento que sea “100% bosque” puede ser precisa con res-
pecto a la definición de “bosque”, pero aún puede ser muy diversa
con respecto a la densidad, la edad, el sombreado y por lo tanto
forman un área de entrenamiento pobre.
Los datos de entrenamiento seleccionados por el analista pue-
den no ser representativo de las condiciones encontradas en toda
la imagen. Esto podría ser cierto a pesar de los mejores esfuer-
zos del analista, especialmente si el área a clasificar es grande,
compleja o inaccesible.
La selección detallada de los datos de entrenamiento puede ser
una tarea costosa y que requiere mucho tiempo y ser una empre-
sa tediosa. Incluso si se dispone de amplios recursos el analista
puede experimentar problemas para hacer coincidir las áreas de
entrenamiento según se definan en mapas y fotografías aéreas y
en la imagen a clasificar.
Es posible que la clasificación supervisada no pueda reconocer y
representar categorías especiales o únicas no representadas en los
datos de entrenamiento. Posiblemente porque no son conocidos
por el analista o porque ocupan muy pequeñas áreas de la imagen.

9.27 Análisis de las Estadísticas de Entrenamiento

Independientemente del método utilizado para definir la fase
de entrenamiento, antes de realizar la clasificación de la imagen
completa, se recomienda analizar las estadísticas de entrenamien-
to para determinar si las categorías seleccionadas son realmente
discriminables. Si no, el intérprete debe averiguar si el proceso de
entrenamiento necesita una revisión, o las variables, o categorías
de entrada son relevantes para el objetivo final.
En el caso de la imagen Sentinel-2, de 20m (8.16.2) que usare-
mos como ejemplo de clasificación, se han seleccionado y creado
cinco clases (Figura 9.84):
• Agua: Polígono en agua de mar.
 Clasificación 593

BOSQUE

AGUA

SUELO

URBANO
MATORRAL

Figura 9.84: Cinco

áreas de entrena-
miento, cinco clases.
Imagen Sentinel-2,
20m, RGB.
594 APLICACIÓN

• Suelo: Polígono en suelo descubierto 7 . 7

Para efecto de de-
• Urbano: Polígono sobre área urbana. mostración el polígono
de suelo natural se ex-
• Matorral: Vegetación baja tiende sobre una ex-
• Bosque: Vegetación Alta y Densa. tensa área, cubriendo
un rango muy amplio
Los cuadros 9.5 y 9.6 muestran la media y desviación están- de respuestas espec-
trales.
dar de los píxeles incluidos en las clases de entrenamiento de las
categorías definidas.

Cuadro 9.5: Promedio

de Clases.
Banda[nm] Agua Suelo Urbano Matorral Bosque
B1[444] 511.29 1036.33 1567.38 628.00 338.20
B2[496.6] 451.71 1979.78 1939.46 777.95 376.72
B3[560] 295.92 2744.06 2366.46 1093.63 660.12
B4[664.5] 232.07 3304.28 2668.69 1743.84 440.84
B5[703.9] 242.96 3716.78 2994.23 2073.42 1035.20
B6[740.2] 243.71 3787.61 2960.62 2253.58 2621.84
B7[782.5] 260.34 3961.17 3063.23 2474.16 3147.08
B8A[864.8] 250.58 4024.56 3049.62 2714.74 3413.80
B11[1613.7] 211.47 4136.72 3323.54 4161.79 1345.96
B12[2202.4] 164.82 3028.39 3163.23 3538.68 664.88
Nota:
Valores son expresados en reflectancia x 10.000
La media proporciona información sobre el comportamiento
espectral medio de cada categoría, mientras que la desviación
estándar contiene su homogeneidad interna. En este caso, los
valores más altos de desviación estándar son para la capa suelo,
mientras que los valores más bajos los valores son para el agua.
A pesar de la gran complejidad espectral de las zonas urbanas,
no muestran desviaciones estándar altas, probablemente debido
al efecto de homogeneización producido por tener un tamaño de
píxel de resolución media.
También se han desarrollado métodos gráficos y numéricos pa-
ra evaluar las estadísticas de entrenamiento. Entre los primeros,
el más básico es un gráfico de firma espectral (ver 7.11.1), que
muestra las bandas en el eje x y los ND de cada categoría en el
eje y, (Figura 9.85).
 Clasificación 595

Cuadro 9.6: Desvia-

ción Estándar de Cla-
Banda[nm] Agua Suelo Urbano Matorral Bosque ses.

B1[444] 8.60 165.55 146.15 38.92 60.80

B2[496.6] 10.00 299.72 145.13 53.12 13.00
B3[560] 10.54 410.38 112.50 65.82 22.86
B4[664.5] 9.18 423.45 94.21 68.73 20.12
B5[703.9] 10.55 459.88 116.39 80.68 36.26
B6[740.2] 9.92 407.65 108.25 85.67 78.97
B7[782.5] 10.76 388.62 105.40 91.70 124.31
B8A[864.8] 10.45 361.39 105.71 94.74 134.54
B11[1613.7] 12.30 551.83 86.17 106.10 25.38
B12[2202.4] 10.25 517.08 96.06 74.72 29.89
Nota:
Valores son expresados en reflectancia x 10.000

Al ajustar y convertir los valores de ND a reflectancias (usando

factor 1/10000), estos gráficos serán similares a las curvas espec-
trales que se muestran en 9.45.
Siguiendo nuestro ejemplo, nos basamos en las primeras diez
bandas reflectantes del sensor MSI para construir la firma espec-
tral que proporciona una primera evaluación de las tendencias
espectrales de cada categoría: trazos paralelos y líneas cercanas
indican superposiciones probables entre categorías, mientras que
las intersecciones entre líneas muestra las bandas que tienen más
probabilidades de separarse entre categorías.
El gráfico de firma espectral muestra solo la tendencia prome-
dio de cada categoría. Para saber si pueden ser discriminados de
los demás, también es necesario considerar los valores de disper-
sión, ya que proporcionarán información sobre una superposición
potencial con categorías similares.
Una herramienta gráfica para evaluar esas posibles superposi-
ciones es el gráfico de dispersión espectral. Este es un gráfico de
barras que incluye el rango digital cubierto por cada categoría,
comúnmente expresado como el promedio ± 1 o 2 desviaciones
estándar de la media. En la Figura 8.44, se muestran diez bandas
de estos gráficos, mostrando las distribuciones de las cinco catego-
596 APLICACIÓN

5000
Agua de Mar
Suelo Desnudo
Urbano
Matorral
Bosque
4000
Reflectancia (x 10.000)

3000
2000
1000
0

500 1000 1500 2000

Longitud de Onda (nm)

Figura 9.85: Firmas
Espectrales de las cla-
rías o clases definidas para los datos extraídos desde una imagen ses de entrenamiento.
Sentinel-2. Observamos cómo ciertas coberturas muestran claras
superposiciones en algunas bandas (por ejemplo, suelo y urbano
en la banda 2), pero están claramente separadas en otras (en la
banda 1, especialmente), mientras que otras muestran una mayor
similitud en varias de las bandas (urbano y matorral), y el agua
se discrimina claramente del resto en las cuatro bandas.
Finalmente, además de los procedimientos gráficos, existen al-
gunos criterios cuantitativos que proporcionan más información
para discriminar entre las categorías de entrada. El índice más
simple es la distancia normalizada (DNo), que se calcula co-
mo la diferencia absoluta entre los promedios de dos categorías,
como una fracción de su desviación estándar (Ecuación 9.31),
(Davis et al. [1978]):

| N DA − N DB |
DN oA,B = (9.31)
SA + SB
Este cálculo se aplica a cada par de bandas que participan en
la clasificación, promediando su valor para obtener una Matriz
 Clasificación 597

1600
2000

1400
Reflectancia (x 10.000)

Reflectancia (x 10.000)
1200
1500

1000
Banda: B1[444] Banda: B2[496.6]
800 1000

600

400 500

Agua Suelo Urbano Matorral Bosque Agua Suelo Urbano Matorral Bosque

3000
3500

2500 3000
Reflectancia (x 10.000)

Reflectancia (x 10.000)

2500
2000

2000
Banda: B3[560] Banda: B4[664.5]
1500
1500

1000
1000

500 500

Agua Suelo Urbano Matorral Bosque Agua Suelo Urbano Matorral Bosque

4000 4000
Reflectancia (x 10.000)

Reflectancia (x 10.000)

3000 3000

2000 Banda: B5[703.9] 2000

Banda: B6[740.2]

1000 1000

Agua Suelo Urbano Matorral Bosque Agua Suelo Urbano Matorral Bosque

Figura 9.86: Gráficos

de Dispersión Espec-
tral.
 598 APLICACIÓN

4000 4000
Reflectancia (x 10.000)

Reflectancia (x 10.000)
3000 3000

Banda: B7[782.5] Banda: B8A[864.8]

2000 2000

1000 1000

Agua Suelo Urbano Matorral Bosque Agua Suelo Urbano Matorral Bosque

3500
4000
3000
Reflectancia (x 10.000)

Reflectancia (x 10.000)

2500
3000

2000
Banda: B11[1613.7] Banda: B12[2202.4]
2000
1500

1000
1000

500

Agua Suelo Urbano Matorral Bosque Agua Suelo Urbano Matorral Bosque

Figura 9.87: Gráficos

de Dispersión Espec-
tral.
 Clasificación 599

de Separabilidad (Cuadro 9.7, 9.8 y 9.9).

Para conocer que tan cerca o lejos se encuentra una clase de
otra se debe buscar el par de ellas en las filas y el valor por banda
espectral en la columna correspondiente, o en valor promedio en
la última columna.
Los valores se comportan de manera relativa, por ejemplo, ¿a
partir de qué magnitud se consideran cercanas? o ¿qué es una
clase lejana de otra? Una forma de analizar los resultados es
buscar los valores máximos o mínimos y a partir de ellos ubicar
los valores particulares que me interesan, así puedo tener una
vista con un marco de referencia.

Cuadro 9.7: Tabla de

Separabilidad para las
ClaseA ClaseB B1 B2 B3 B4 cinco clases de en-
trenamiento. Para las
Agua Suelo 3.01 4.93 5.82 7.10 bandas espectrales y
Agua Urbano 6.82 9.59 16.83 23.57 su promedio. Datos
obtenidos a partir de
Agua Matorral 2.46 5.17 10.45 19.40
imagen Sentinel-2.
Agua Bosque 2.49 3.26 10.90 7.12
Suelo Urbano 1.704 0.091 0.722 1.228
Suelo Matorral 1.997 3.406 3.466 3.170
Suelo Bosque 3.08 5.13 4.81 6.46
Urbano Matorral 5.08 5.86 7.14 5.68
Urbano Bosque 5.94 9.88 12.61 19.49
Matorral Bosque 2.91 6.07 4.89 14.66
600 APLICACIÓN

Cuadro 9.8: Continua-

ción.
ClaseA ClaseB B5] B6 B7 B8A
Agua Suelo 7.38 8.49 9.27 10.15
Agua Urbano 21.67 22.99 24.13 24.10
Agua Matorral 20.06 21.03 21.61 23.43
Agua Bosque 16.92 26.75 21.37 21.82
Suelo Urbano 1.254 1.603 1.818 2.087
Suelo Matorral 3.040 3.110 3.096 2.872
Suelo Bosque 5.40 2.40 1.59 1.23
Urbano Matorral 4.67 3.65 2.99 1.67
Urbano Bosque 12.83 1.81 0.37 1.52
Matorral Bosque 8.88 2.24 3.12 3.05

Cuadro 9.9: Continua-

ción.
ClaseA ClaseB B11 B12 Promedio
Agua Suelo 6.96 5.43 6.85
Agua Urbano 31.61 28.20 20.95
Agua Matorral 33.37 39.70 19.67
Agua Bosque 30.11 12.46 15.32
Suelo Urbano 1.275 0.220 1.20
Suelo Matorral 0.038 0.862 2.51
Suelo Bosque 4.83 4.32 3.93
Urbano Matorral 4.36 2.20 4.33
Urbano Bosque 17.73 19.84 10.20
Matorral Bosque 21.42 27.47 9.47
 Clasificación 601

9.28 Problema de Asociar la Firma Espectral con una

Clase

Los resultados del proceso de construcción de las áreas de en-

trenamiento hasta ahora proporcionan agrupaciones uniformes
de píxeles: clases que son uniformes con respecto a los valores es-
pectrales que componen cada píxel. Las clases son significativas
solo en la medida en que puedan coincidir con una o más cla-
ses informativas que sean de interés para el usuario del producto
final.
Lamentablemente, a menudo, las clases espectrales no coinci-
den a la perfección con las clases informativas. En algunos ca-
sos, en las clases informativas pueden ser productos de mezclas o
arreglos complejos de varios otros componentes. Por ejemplo, un
parche boscoso se encuentra disperso en una pequeña área en un
entorno más extenso de pastizales. Si estas áreas boscosas son pe-
queñas en relación con la resolución espacial del sensor, entonces
la respuesta espectral general para tal área diferirá de Bosque o
Pastizal, debido al efecto de la mezcla de píxeles en la respuesta
espectral. Esta región entonces puede ser asignada a una clase
distinta de las clases de bosques o pastizales.
Incluso las clases informativas nominalmente uniformes pue-
den ser la manifestación de un conjunto de clases espectrales. Por
ejemplo, un área boscosa puede registrarse como varios grupos es-
pectrales, debido quizás a variaciones en densidad, edad, aspecto,
sombras, y otros factores que alteran las propiedades espectrales
de una región boscosa, pero no lo suficiente para alterar el hecho
de que la región pertenece a la clase informativa Bosque.
Así, un problema práctico serio con la clasificación no su-
pervisada es que las coincidencias entre clases espectrales e in-
formativas no siempre son posibles; las categorías informativas
pueden no tener contrapartes espectrales directas o viceversa. Es
más, no se tiene control sobre la naturaleza de las categorías ge-
neradas por clasificación no supervisada.
Si se realiza un estudio para comparar los resultados con los
de una región adyacente o de una fecha diferente, por ejemplo,
puede ser necesario tener el mismo conjunto de categorías de
602 APLICACIÓN

información en ambos mapas o no se puede hacer la comparación.

Si se va a utilizar una clasificación no supervisada, podría ser
difícil generar los mismos conjuntos de categorías informativas
en ambas imágenes.

9.29 Concepto de Endmember

Los píxeles puros (compuestos de la misma cobertura o su-
perficie) se conocen como endmember o miembros finales. Los
endmembers son los objetos macroscópicos disponibles en una
escena. Puede ser vegetación, agua, mineral, suelo, hoja de un
manzano, animal, metal o cualquier material natural o artificial.
La extracción de endmember es el proceso de seleccionar una
colección de espectros de firmas puras de objetos o coberturas del
suelo presentes en una imagen de teledetección.
La extracción se realiza generalmente de dos formas:
1. Derivándolas directamente de las imágenes de teledetección,
sobre píxeles claramente identificados como puros.

2. De una biblioteca espectral que contiene los espectros de co-

berturas conocidas medidas en el campo o laboratorio.

Estos espectros de firmas puras son muy importantes para las

tareas de clasificación supervisadas ya que servirán de patrón de
comparación.
Métodos de Clasificación en R

9.30 Preparación de la Imagen

Previo a la aplicación de distintos métodos de clasificación, de-

bemos preparar nuestra imagen para reducir posibles problemas
y facilitar la lectura e interpretación de los resultados.
En el punto 8.16.3 generamos la imagen Sentinel-2 de resolu-
ción de 60 m con las siguientes bandas o capas:
names(sen2_60m)

[1] "MSK_CLD" "MSK_SNW" "AOT" "B1" "B2" "B3" "B4"

[8] "B5" "B6" "B7" "B9" "B11" "B12" "B8A"
[15] "SCL" "WVP"
En los procesos de clasificación se utilizan los valores de reflec-
tancia así que usando la función subset extraemos y ordenamos
por su longitud de onda solo las bandas de respuestas espectrales.
proc_60m <- subset(sen2_60m,c(4:10,14,11:13))
names(proc_60m)

[1] "B1" "B2" "B3" "B4" "B5" "B6" "B7" "B8A" "B9" "B11" "B12"
Y utilizando el factor 1/10000 se convierte a reflectancia BOA
y ajustamos al rango válido [0, 1].
sen2_60m_sr <- proc_60m/10000

sen2_60m_sr <- clamp(x = sen2_60m_sr, lower= 0, upper= 1)

604 APLICACIÓN

9.31 Técnicas para Extracción de Muestras

9.31.1 DrawPoly()
El método más simple consiste de interactuar con la imagen
en el mismo editor de RStudio.

1. Generamos la imagen con la función plotRGB.

plotRGB(sen2_60m_sr, r="B4", g="B3",

b="B2", stretch="lin")

2. Generamos un objeto extent de la zona de interés.

ext <- drawExtent()

3. Refrescamos nuevamente la imagen ajustada a la ventana de-

finida por ext.

plotRGB(sen2_60m_sr,
r="B4", g="B3", b="B2",
stretch="lin", ext= ext)

4. Utilizando las opciones descritas en 4.5.2 seleccionamos las

muestras de entrenamiento para cada una de las clases nece-
sarias (Figura 9.84). Por ejemplo, dibujamos el polígono sobre
el agua con valores homogéneos y representativos:

poli_mar <- drawPoly()

Y vamos repitiendo por cada clase necesaria.

9.31.2 Dibujo RGB

Una alternativa más compleja es utilizar una sesión interactiva
de cartografía web con un set de herramientas para el trazado y
edición de los polígonos que definen áreas de interés.

1. Primero cargamos los paquetes en la sesión actual (debiesen

estar instalados de los capítulos anteriores).
 Clasificación 605

library(mapview)
library(mapedit)

2. Generamos una sesión de mapa web con nuestra imagen como

una capa adicional y la paleta de dibujo activa. No es necesario
que el CRS de la imagen coincida con el mapa web ya que la
función viewRGB se encarga de ello de manera transparente.

poli_mar <- viewRGB(sen2_60m_sr) %>% editMap()

3. El objeto retornado es un objeto del tipo list que se compone

de varios elementos dependiendo de lo realizado en la sesión
de dibujo (puede ser dibujado, editado o borrado) y tenemos
acceso a la geometría utilizando el formato:

geom <- poli_mar$drawn$geometry

4. Y lo transformamos al formato de objeto espacial usando la

función as_Spatial() del paquete sf.

poli_mar <- sf::as_Spatial(geom)

5. Retornamos el objeto al CRS de la imagen Sentinel-2 del ejem-

plo (Figura 9.88).

crs_60m <- crs(sen2_60m)

poli_mar_proj <- spTransform(poli_mar,crs_60m)
Y repetimos por cada clase o categoría.

9.32 Extracción de Datos Espectrales

Generados para el ejercicio se seleccionan las siguientes clases
(Figura 9.84):
poli_suelo
poli_mar
poli_urba
poli_cultivo
poli_bosque
606 APLICACIÓN

Figura 9.88: Dos polí-

gonos de muestreo pa-
ra clases agua en la
esquina Superior dere-
cha.

Y por cada área de entrenamiento se extraen los valores medios

utilizando la función extract del paquete raster, aplicando la
función mean y removiendo los valores NA ([Link]=T).
perfil_mar <- extract(x = proc_60m, y = poli_mar,
fun=mean, [Link]=T)
Y repetimos para cada una de las áreas de entrenamiento.
perfil_suelo <- extract(x = proc_60m, y = poli_suelo,
fun=mean, [Link]=T)
perfil_urba <- extract(x = proc_60m, y = poli_urba,
fun=mean, [Link]=T)
perfil_cultivo <- extract(x = proc_60m, y = poli_cultivo,
fun=mean, [Link]=T)
perfil_bosque <- extract(x = proc_60m, y = poli_bosque,
fun=mean, [Link]=T)
Y creamos un objeto del tipo matrix combinando los valores
por fila y mantenemos columnas por cada banda espectral.
endmem <- rbind(perfil_mar,perfil_suelo,perfil_urba,
perfil_cultivo, perfil_bosque)
 Clasificación 607

rownames(endmem) <- c("Agua","Suelo","Urbano","Matorral","Bosque")

Una muestra para estudiar el formato es:
endmem[,1:3]

B1 B2 B3
Agua 0.05112943 0.04517105 0.02959187
Suelo 0.10363333 0.19797778 0.27440556
Urbano 0.15673846 0.19394615 0.23664615
Matorral 0.06280000 0.07779474 0.10936316
Bosque 0.03382000 0.03767200 0.06601200
Clasificación Supervisada en R

En las páginas anteriores hemos realizado la extracción de end-

member (9.29) vía búsqueda en la imagen Sentinel-2 que servirán
de patrón de búsqueda en toda la imagen para clasificarla en esas
cinco clases.
Los métodos han sido implementados en el paquete RStoolbox
(Leutner et al. [2019]).

9.33 Mapeador de Ángulos Espectrales (SAM)

El mapeador de ángulos espectrales (SAM) es una herramien-

ta que permite realizar una clasificación rápida de similitud es-
pectral entre espectros en una imagen test, con endmembers de
referencia. Los espectros de referencia pueden ser espectros de
laboratorio o de campo o extraídos de la imagen (Kruse et al.
[1993]). Figura 9.89: Relación
El algoritmo determina la similitud espectral entre dos espec- entre espectros, uno
de test, otro de refe-
tros calculando el ángulo a, entre los dos espectros, tratándolos rencia. La medida de
como vectores en un espacio con dimensionalidad igual al número separación angular (a)
de bandas nb (Figura 9.89). corresponde a la medi-
da obtenida por el mé-
Para un tipo de cobertura dado (Figura 9.90), el vector co- todo SAM.
rrespondiente a su espectro estará a lo largo de una línea que
pasa por el origen, siendo la magnitud del vector más pequeña A
o más grande B dependiendo de su estado bajo una iluminación
más baja o alta, respectivamente.
Al comparar el vector de un tipo de cobertura desconocida C
con un material conocido con un vector espectral endmember D;
ambas coinciden si el ángulo a es menor que un valor de tolerancia
610 APLICACIÓN

especificado (Figura 9.91).

El algoritmo SAM generaliza esta interpretación geométrica al
espacio nb dimensional. El cálculo consta tomando el arco coseno
del producto escalar de los espectros. SAM determina la similitud
de un espectro de referencia t con un espectro de referencia r
aplicando la ecuación 9.32. Figura 9.90: Efecto de
la iluminación en el
  vector espectral de una
nb
∑ cobertura.
 t i ri 
a = cos−1  ( i=1
(9.32)
 
 ∑ nb
)1/2 ( nb )1/2 

t2i ri2
∑
i=1 i=1

Esta medida de similitud es insensible a factores externos por-

que el ángulo entre dos vectores es invariante con respecto a las
longitudes de los vectores. Como resultado, espectros endmember Figura 9.91: Medida
de separación (a) en-
capturados en laboratorio pueden ser comparados con espectros tre dos coberturas (C,
de reflectancia aparente detectados a distancia, que inherente- D).
mente tienen un factor de adicional relacionado con los efectos
de la iluminación topográfica.
Para cada píxel, SAM calcula el ángulo entre el vector definido
por los valores de píxel y cada vector del endmember. El resultado
de esto es una capa ráster para cada miembro del extremo que
contiene el ángulo espectral. Cuanto más pequeño es el ángulo
espectral, más similar es un píxel a una clase de referencia.
La función sam(img, em, angles) ejecuta la clasificación de
la imagen img usando los endmember em y devuelve un modelo
ráster clasificado en el número de categorías definidas (Figura 5

9.92) si el parámetro angles es falso. 4

clases <- sam(img = proc_20m_crop, em = endmem,

3

angles = F)
2

También, si desea más control en la clasificación y aplicar um-

brales (9.7.1) de los valores de ángulos máximos o clasificar cada
Figura 9.92: Clasifica-
píxel a un miembro final más similar, se puede generar un objeto ción de imagen, mé-
RasterBrick con tantas bandas como clases contiene el objeto em todo SAM (parámetro
’angles’ =F)
definiendo el parámetro angles a verdadero (Figura 9.93). Cada
capa tiene el valor angular y mientras menor el valor, más similar
a la clase es.
 Clasificación 611

clases_sam <- sam(img = proc_20m_crop, em = endmem,

angles = T)

Agua Suelo
Figura 9.93: Valor An-
gular asignado por el
1.0 1.0
cálculo SAM para ca-
da categoría. Mientras
0.8 0.8
0.6 0.6
0.4 0.4 más bajo el valor, más
0.2
0.0
0.2
0.0
parecido al espectro de
referencia.

Urbano Matorral

1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0.0 0.0

Bosque

1.0
0.8
0.6
0.4
0.2
0.0

9.34 Análisis de Mezcla Espectral de Múltiples End-

member (MESMA)

El análisis de mezcla espectral de miembros múltiples (MES-

MA) es una técnica para estimar la proporción de cada píxel
que está cubierto por una serie de tipos de cobertura conocidos;
en otras palabras, busca determinar la composición probable de
cada píxel de la imagen.
Los píxeles que contienen más de un tipo de cobertura se deno-
minan píxeles mixtos. Los píxeles “puros” contienen solo una
cobertura o clase. Por ejemplo, un píxel mixto puede contener
vegetación, suelo desnudo y parches de suelo desnudo. Un píxel
puro contendría solo una cobertura, ejemplo, vegetación.
612 APLICACIÓN

Los píxeles mixtos pueden causar problemas en las clasifica-

ciones de imágenes (tanta clasificación supervisada o no supervi-
sada) porque el píxel pertenece a más de una clase, pero solo se
puede asignar a una única clase.
Una forma de abordar el problema de los píxeles mixtos es
utilizar idealmente el análisis de subpíxeles con imágenes hiper-
espectrales.
MESMA fue formulado por Roberts et al. [1998] utilizando
imágenes del Espectrómetro de Imágenes Infrarrojas Visibles en
el Aire (AVIRIS) en las montañas de Santa Mónica de California,
EEUU.
Básicamente, la técnica modela datos espectrales medidos de
forma remota como combinaciones lineales de espectros puros,
(endmember), que acepta variación en el número y tipos por
píxel. Así, la vegetación se compone por un conjunto único de
endmember, como por fracciones.
Se expresa como:

N
(9.33)
∑
Piλ = fki × Pkλ + εiλ
k=1
y

N
(9.34)
∑
fki = 1
k=1

Donde un píxel compuesto Piλ en una ubicación i se modela

como la suma de N endmember, Pkλ , cada uno de los cuales
cubre una fracción fki del píxel.
El término residual εiλ describe la parte no modelada de la ra-
diancia, y el modelo elegido para cada píxel es el que minimiza la
raíz del error cuadrático medio (RMSE) sobre el número incluido
de bandas utilizadas en la desmezcla, B (Formula 9.35).
[ B
]1/2
(9.35)
∑
2
RM SE = (εiλ ) /B
k=1

El paquete RStoolbox implementa la función mesma(img, em,

method, iterate, tolerance) que ejecuta la clasificación de
 Clasificación 613

la imagen img usando los endmember em, mediant el método

method que en la actualidad solo se dispone de la solución estadís-
tica denominada ‘NNLS’ (Franc et al. [2005]). También dispone
de los parámetros iterate y tolerance que permite realizar ajustes
finos (los valores por defecto son 400 y 1e-8 respectivamente).
Dependiendo de la configuración de iteración y tolerancia, la
suma de las probabilidades de presencia estimadas por píxel po-
dría variar alrededor de 1 (Figura 9.94).
clases_mesma <- mesma(img = proc_20m_crop, em = endmem,
method = "NNLS")
Los valores representan la probabilidad de la presencia estima-
da de cada endmember, los valores deben tender al rango [0, 1].

Agua Suelo
Figura 9.94: Cober-
turas estimadas con
6
MESMA, y error RM-
1.0
5 0.8 SE.
4
0.6
3
2 0.4
1 0.2
0 0.0

Urbano Matorral

1.4
1.2
1.2
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0.0 0.0

Bosque RMSE

1.5 0.15

1.0 0.10

0.5 0.05

0.0
Clasificación No Supervisada en R

La clasificación no supervisada se puede definir como la iden-

tificación de grupos o patrones dentro de datos multiespectrales.
La clasificación no supervisada es la definición, identificación, eti-
quetado y mapeo de estas clases naturales.

9.35 Método Agrupamiento kmeans

El algoritmo Kmeans es un algoritmo iterativo que intenta

dividir el conjunto de datos en K subgrupos distintos no super-
puestos (clústeres) donde cada punto de datos pertenece a un
solo grupo, he intenta hacer que los puntos de datos intra-clúster
sean lo más similares posibles y al mismo tiempo mantiene los
clústeres lo más diferentes (lejos) posible. Asigna puntos de da-
tos a un grupo de modo que la suma de la distancia al cuadrado
entre los puntos de datos y el centroide del grupo (media arit-
mética de todos los puntos de datos que pertenecen a ese grupo)
sea mínima. Mientras menos variación tengamos dentro de los
conglomerados, más homogéneos (similares) serán los puntos de
datos dentro del mismo conglomerado.
La forma en que funciona el algoritmo kmeans es la siguiente:

• Especificar número de agrupaciones K.

• Inicializa los centroides barajando primero el conjunto de da-
tos y luego seleccionando aleatoriamente K puntos de datos
para los centroides sin reemplazo.
• Sigue iterando hasta que no haya cambios en los centroides.
Es decir, la asignación de puntos de datos a grupos no está
cambiando.
616 APLICACIÓN

• Calcula la suma de la distancia al cuadrado entre los puntos

de datos y todos los centroides.
• Asigna cada punto de datos al grupo más cercano (centroide).
• Calcula los centroides de los grupos tomando el promedio de
todos los puntos de datos que pertenecen a cada grupo.

9.35.1 Algunas Consideraciones

Dado que los algoritmos de agrupación en clústeres que in-
cluyen kmeans utilizan mediciones basadas en la distancia para
determinar la similitud entre los puntos de datos, se recomienda
estandarizar los datos para que tengan una media de cero y una
desviación estándar de uno, ya que casi siempre las característi-
cas de cualquier conjunto de datos tendrían diferentes unidades
de medida. como la edad frente a los ingresos.
Dada la naturaleza iterativa de kmeans y la inicialización alea-
toria de los centroides al comienzo del algoritmo, diferentes inicia-
lizaciones pueden conducir a diferentes clusters, ya que el algorit-
mo de kmeans puede quedarse atascado en un óptimo local y no
converger al óptimo global. Por lo tanto, se recomienda ejecutar
el algoritmo utilizando diferentes inicializaciones de centroides y
seleccionar los resultados de la ejecución que arrojaron la suma
más baja de la distancia al cuadrado.

9.36 Cálculo del Número de Grupos

El primer paso para aplicar el método kmeans() del paquete

stats que se encuentra en el grupo base de R(R Core Team [2021]).
Requiere construir un objeto matrix y para efectos de velocidad
de procesamiento extraer un subconjunto de los datos espectrales.
Primero convertimos el objeto ráster a matrix con la función
values():
data <- values(proc_20m_crop)
Y usamos sample(x, size) que toma una muestra del ta-
maño especificado size de los elementos de x usando con o sin
reemplazo, para construir un índice para rescatar un subconjunto
de los datos:
 Clasificación 617

muestras <- data[sample(x= nrow(data), size= 2000), ]

Para normalizar o estandarizar los datos utilizamos la función
scale(x, center, scale) también presente en los paquetes ba-
se, centramos y escalamos los datos para que cumplan las condi-
ciones de tener un promedio (µ) cero y una desviación estándar
(σ) uno:
normalizado <- scale(x = muestras,
center = T,
scale = T)
La función kmeans(x, centers, nstart, [Link]) requie-
re de algunos parámetros para su uso, x debe ser una matriz
numérica, cada columna corresponderá a una banda. centers
corresponde al número k, nstart define el número de reinicios
aleatorios para cada centro y finalmente [Link] el número de
iteraciones permitidas.
kmeans <- kmeans(x = normalizado,
centers = 3,
nstart=5,
[Link] = 15)
El resultado es un objeto kmeans, que se compone de varios
elementos, y detallaremos las más importantes.
El número de muestras en cada kluster (total muestra =
2000):
kmeans$size
[1] 592 535 873
El objetivo es conseguir una gran similitud dentro de cada
grupo y una baja similitud entre cada grupo.
Estadísticamente:
• Alta similitud dentro de un grupo = baja varianza dentro del
grupo, o withinss.
• Baja similitud entre los grupos = alta varianza entre los con-
glomerados, o betweenss.
Luego, si se calcula toda la varianza en los datos (totss). En
la agrupación óptima, dado que las agrupaciones son muy dife-
618 APLICACIÓN

rentes entre sí, la mayor parte de la varianza total se explica por

la varianza entre los grupos. Y, por supuesto, dado que la va-
rianza dentro de cada grupo es muy pequeña, explicaría solo una
pequeña fracción de la varianza total en los datos.
En resumen, el objetivo es maximizar betweenss/totss. Sin
embargo, si elige un número de cluster igual que el número de
observaciones, entonces totalss es exactamente igual a betweenss
y la proporción deseada será 1 (o 100%).
Con nuestros datos:
round(kmeans$betweenss/kmeans$totss, digits = 2) * 100

[1] 75
Así, el 77% es la medida de la varianza total en el conjunto de
datos que se explica por el cluster.
Entonces, para obtener un alto porcentaje, puede simplemente
aumentar el número de clústeres, pero se pierde el punto de la
agrupación. Una forma de lidiar con esto es usar el método del
codo (9.36.1) para elegir el número razonable de clústeres.
Entonces, la idea es encontrar un valor de k para el cual el
modelo no esté sobreajustado y, al mismo tiempo, agrupe los
datos según la distribución real. A continuación, resolveremos
este problema de encontrar el mejor número de grupos.

9.36.1 Método Elbow

El método elbow (codo) analiza el porcentaje de varianza

explicado como una función del número de clusters: se debe elegir
un número de grupos tal que agregar otro no proporcione un
modelamiento mucho mejor de los datos.
Más precisamente, si se grafica el porcentaje de varianza ex-
plicado por los cluster contra el número de cluster, los primeros
agregarán mucha información (explicando mucha varianza), pero
en algún momento la ganancia será marginal, dando un cambio
en la pendinete del perfil del gráfico.
El número de grupos se elige en este punto, de ahí el criterio
del codo. Este codo no siempre puede identificarse claramente.
 Clasificación 619

ver_resid <- sapply(1:10,

function(k){
kmeans(x = normalizado,
centers = k,
nstart=15,
[Link] = 15 )$[Link]
})
20000

Figura 9.95: Núme-

ro Óptimo de Cluster,
método de Elbow.
Número Óptimo
15000
Sumatoria Cuadrados

10000
5000

2 4 6 8 10

Número de Cluster, k

Por lo tanto, para k = 4, la relación betweenss/totss tiende a

cambiar lentamente y permanece menos cambiante en compara-
ción con otros k’s. Por lo tanto, para estos datos, k = 5 debería
ser una buena opción para el número de clusters (Figura 9.95).
kmeans <- kmeans(x = normalizado,
centers = 4,
nstart=5,
[Link] = 15)

round(kmeans$betweenss/kmeans$totss * 100,2)

[1] 81.99
620 APLICACIÓN

9.37 Clasificación No Supervisada unsuperClass()

En el paquete RStoolbox vamos a utilizar la función unsuperClass(img,

nSamples, nClasses, nStarts,nIter, norm), que automáti-
camente realiza las tareas de extracción de una muestra, nor-
malizar y aplicar kmeans.
El parámetro img corresponde a un modelo ráster, nSamples el
tamaño de la muestra, nStarts corresponde al número de veces
que se reinician los centroides por cluster, nIter máximo número
de iteraciones permitido y norm para normalizar la data.
ucl <- unsuperClass(img= proc_20m_crop,
nSamples = 10000,
nClasses = 4,
nStarts = 5,
nIter = 15,
norm = T)
Para estudiar el resultado del modelo kmeans, se accesa al
modelo con:
ucl$model
4.0

3.5

y la imagen clasificada (Figura 9.96):

3.0

2.5

2.0

ucl$map 1.5

1.0

9.38 Análisis de Componentes Principales (PCA) Figura 9.96: Clasifi-

cación no supervisada
(kmeans, cuatro cate-
La aplicación de PCA es la reducción de dimensionalidad gorías).
(variables), perdiendo la menor cantidad de información (varian-
za) posible: cuando contamos con un gran número de variables
cuantitativas posiblemente correlacionadas (indicativo de exis-
tencia de información redundante), PCA permite reducirlas a un
número menor de variables transformadas (componentes princi-
pales) que expliquen gran parte de la variabilidad en los datos.
La función rasterPCA(img) del paqute RStoolbox aplica PCA
a un objeto ráster img:
rpc <- rasterPCA(img = proc_20m_crop)
 Clasificación 621

names(rpc)

[1] "call" "model" "map"

Los componentes principales se extraen secuencialmente, el
primer componente principal representa la mayor variación en
los datos. Intuitivamente, el primer componente principal es un
vector que apunta en la dirección en la que los datos están más
“dispersos”. El segundo componente principal se configura de ma-
nera similar, pero con la restricción adicional de que no debe estar
correlacionado con el primero. Cada componente principal sub-
siguiente captura un porcentaje cada vez más bajo de variación
en los datos y no está correlacionado con los componentes prin-
cipales extraídos previamente.
Puede haber tantos componentes principales como campos nu-
méricos en los datos. Sin embargo, normalmente es posible captu-
rar la variación en los datos utilizando los primeros componentes
principales en lugar del conjunto completo de campos numéricos
originales.
Usando nuestros datos:
summary(rpc$model)

Importance of components:
Comp.1 Comp.2 Comp.3 Comp.4 Comp.5
Standard deviation 0.2676557 0.08418481 0.04035661 0.012318347 0.009474782
Proportion of Variance 0.8875991 0.08780742 0.02017870 0.001880046 0.001112249
Cumulative Proportion 0.8875991 0.97540649 0.99558519 0.997465237 0.998577486
Comp.6 Comp.7 Comp.8 Comp.9
Standard deviation 0.0071721600 0.005235233 0.0039348223 0.0035497892
Proportion of Variance 0.0006373289 0.000339575 0.0001918289 0.0001561237
Cumulative Proportion 0.9992148150 0.999554390 0.9997462189 0.9999023426
Comp.10
Standard deviation 2.807506e-03
Proportion of Variance 9.765738e-05
Cumulative Proportion 1.000000e+00
Encontramos que el primer componente explica un 88.75 de la
varianza 8 en los datos, el segundo explica una varianza acumu- 8
La varianza es la des-
viación estándar eleva-
lada de 97.54, el tercero un 99.56.
da al cuadrado. O al
Así, cada componente principal generado por PCA será una revés, la desviación es-
combinación lineal de las variables originales, y serán además tándar es la raíz cua-
drada de la varianza.
independientes o no correlacionadas entre sí. La desviación estándar
Si revisamos los tres primeros componentes vemos el peso de se hace para poder tra-
bajar en las unidades
de medida iniciales.
622 APLICACIÓN

cada variable (nuestras bandas espectrales) en la composición de

cada componente principal.
loadings(rpc$model)[,1:3]

Comp.1 Comp.2 Comp.3

B1 0.01610711 0.1247363 0.25276544
B2 0.04765859 0.1597188 0.36147302
B3 0.11275525 0.1307055 0.44535795
B4 0.16145098 0.2563452 0.43551327
B5 0.23093928 0.1305818 0.41477686
B6 0.33959696 -0.3043268 0.16047681
B7 0.39383405 -0.4321115 0.08621945
B8A 0.44436667 -0.4643966 -0.05857362
B11 0.52998220 0.3668333 -0.39617846
B12 0.39570428 0.4790786 -0.22763280
Quizás, si expresamos en términos porcentuales los aportes de
cada variable comprenderemos el objetivo del método PCA, una
reducción d evariables expresando en un nuevo set de variables
que resumen mejor los datos.
Extraemos las desviaciones estándar por variable en cada com-
ponente, la elevamos al cuadrado y realizamos la suma por cada
uno,
componentes <- rpc$model$loadings
varianza <- componentes[1:10,1:3]^2
suma_columna <- colSums(varianza)
y calculamos el porcentaje (Cuadro 9.10):
porcentual <- (varianza * 100) /suma_columna

9.38.1 Consideraciones de Uso

Los componentes principales se pueden usar en lugar del gru-
po de variables originales en los métodos estadísticos descritos,
evitando los problemas que pueden ocurrir cuando se usan va-
riables altamente correlacionadas, pero se debe considerar que la
interpretación se dificulta.
El método se puede utilizar para determinar qué grupos de
 Clasificación 623

Cuadro 9.10: Impor-

tancia de cada banda
Comp.1 Comp.2 Comp.3 en la construcción de
los primeros tres com-
B1 0.03 1.56 6.39 ponentes principales.
B2 0.23 2.55 13.07
B3 1.27 1.71 19.83
B4 2.61 6.57 18.97
B5 5.33 1.71 17.20
B6 11.53 9.26 2.58
B7 15.51 18.67 0.74
B8A 19.75 21.57 0.34
B11 28.09 13.46 15.70
B12 15.66 22.95 5.18
Nota:
Valores expresados en %.
variables probablemente estén altamente relacionados entre sí y
ayudar a guiar las decisiones sobre cuáles omitir de un proceso.
La capacidad de reducir una gran cantidad de variables en
una pequeña cantidad de componentes principales suele ser una
ventaja al visualizar las relaciones en los datos.
Finalmente, cada componente se puede visualizar como una
capa (Figura 9.97) o usarlos en una composición RGB (Figura
9.98).
 624 APLICACIÓN

Figura 9.97: Represen-

2195000

2195000
tación gráfica de los
cuatro primeros com-
1.2
1.0 0.2 ponentes.
0.1
2185000

2185000

0.8
0.6 0.0
0.4 −0.1
0.2 −0.2
0.0 −0.3
−0.2 −0.4
2175000

2175000

830000 840000 830000 840000

2195000

2195000

0.2
0.8
2185000

2185000

0.6 0.1
0.4
0.0
0.2
0.0 −0.1
2175000

2175000

830000 840000 830000 840000

 Clasificación 625

Figura 9.98: Com-

posición RGB,
r=comp.1, g=comp.2,
b=comp.3.
ANEXOS
ANEXO I

En las siguientes páginas vas a encontrar el código R de to-

das las figuras del texto que no se haya descrito en su ubicación
original.
El número de Figura indicado relaciona el código con la figura
correspondiente.

1.39 II PROYECTOS EN R

1.39.1 Preparación
Figura 3.12:
library(sf)
lng <- c(-71.37663, -71.31071, -71.17888, -71.19535, -71.32719, -71.37663)
lat <- c(-34.77340, -34.68528, -34.73500, -34.81855, -34.84337, -34.77340)
lista <- list(cbind(lng, lat))
pol <- st_polygon(lista)
poligono <- st_sf(st_sfc(pol),
crs= 4326)
par(cex=1,
[Link]=0.7,
lab= c(2,2,7))
plot(poligono,
axes=T)
par(cex=1,
[Link]=1)

Figura 3.14:
peru_nivel_1 <- gadm_sp_loadCountries(fileNames = "PER",
level = 1,
basefile = "RAW/")
630 ANEXO I

peru_nivel_2 <- gadm_sp_loadCountries("PER",

level = 2,
basefile = "RAW/")
peru_nivel_3 <- gadm_sp_loadCountries("PER",
level = 3,
basefile = "RAW/")
par(mfrow=c(1,3))
plot(peru_nivel_1$spdf,
axes=T)
plot(peru_nivel_2$spdf,
axes=T)
plot(peru_nivel_3$spdf,
axes=T)

Figura 3.15:
puno_piura <- gadm_subset(peru_nivel_1,
level = 1,
regions = c("Puno","Piura"))
gadm_plot(puno_piura)

1.40 III INFORMACIÓN RÁSTER

1.40.1 Introducción al Concepto Ráster

Figura 3.2:
mat <- matrix(1:36, 6, 6)
base <- raster(mat)
plot(base,
legend = F,
axes = FALSE,
box = FALSE
)
text(base, cex=1)
mtext("Objeto RasterLayer",
side= 3,
line= 1.5,
cex=1.5)
mtext("6 Columnas x 6 Filas",
side= 3,
line= 0.1,
cex=1.25)
 ANEXOS 631

Figura 3.3:
arr <- array(data = 1:6**3, dim = c(6, 6, 3))
multi <- brick(arr)
par(mfrow = c(1,3))
plot(multi[[1]],
legend = F,
axes = FALSE,
box = FALSE
)
text(multi[[1]], cex=0.8)
mtext("layer.1", side= 3, line= -1.75, cex=1.25)
plot(multi[[2]],
legend = F,
axes = FALSE,
box = FALSE
)
text(multi[[2]], cex=0.8)
mtext("layer.2", side= 3, line= -1.75, cex=1.25)
plot(multi[[3]],
legend = F,
axes = FALSE,
box = FALSE
)
text(multi[[3]], cex=0.8)
mtext("layer.3", side= 3, line= -1.75, cex=1.25)

1.40.2 Operaciones Básicas

Figura 3.4:
[Link](5)
base <- raster(ncol= 9, nrow= 9, xmx= -70, xmn= -71, ymx= -32, ymn= -33)
values(base) <- [Link](runif(ncell(base),
min = 1,
max=6
)
)
plot(base,asp=1,box=F,axes=F,legend=F)
text(base)
632 ANEXO I

Figura 3.5:
tmp <- raster(ncol=9,nrow=9,xmx=-70,xmn=-71,ymx=-32,ymn=-33)
values(tmp) <- 1:81
plot(base,asp=1,box=F,axes=F,legend=F)
text(tmp)

Figura 3.6:
grd <- [Link](col = 1:9, lin = 1:9)
ref <- with(grd, paste0("(",lin, ",", col,")"))
plot(base)
text(base, labels=ref, cex=1)

Figura 3.7:
nuevo <- base[1:3,1:3,drop=FALSE]
plot(nuevo, axes=F, legend=F, box=F)
text(nuevo, cex=0.75)

Figura 3.9:
utm19 <- crs("+init=epsg:32719") # UTM 19S WGS84
base_proj <- projectRaster(from = base,
crs = utm19,
method= 'ngb') # method= 'bilinear'
plot(base_proj)
text(base_proj, cex=1)

Figura 3.10:
base_h19s <- projectExtent(base, utm19)
res(base_h19s) <- 10000
base_h19s_10k <- projectRaster(from = base,
to = base_h19s,
method = 'ngb')
plot(base_h19s_10k, legend=F, axes=F,box=F)
text(base_h19s_10k, cex=1)

Figura 3.11:
proj_sinu <- "+proj=sinu +lon_0=0 +x_0=0 +y_0=0
+ellps=WGS84 +datum=WGS84 +units=m +no_defs"
 ANEXOS 633

ext <- extent(base)

polygon <- as(object = ext,
Class = 'SpatialPolygons')
crs(polygon) <- crs("+proj=longlat +datum=WGS84 +no_defs")
ext_sinusoidal <- spTransform(polygon,crs(proj_sinu))
par(mfrow=c(1,2))
plot(ext, axes=T, asp=1, xlab="Longitud", ylab="Latitud")
plot(ext_sinusoidal, axes=T, asp=1,
xlab="COORDENADAS E", ylab="COORDENADAS N")

1.41 IV GEOMORFOMETRÍA

1.41.1 Descargar Información Topográfica

Figura 4.6:
lng <- c(-71.37663, -71.31071, -71.17888, -71.19535, -71.32719, -71.37663)
lat <- c(-34.77340, -34.68528, -34.73500, -34.81855, -34.84337, -34.77340)
lista <- list(cbind(lng, lat))
pol <- st_polygon(lista)
poligono <- st_sf(st_sfc(pol), crs= 4326)
area_dtm <- get_elev_raster(locations = poligono,
z= 11, src= "aws")
area_dtm <- get_elev_raster(locations = poligono,
z= 11, src= "aws")
plot(area_dtm)
plot(poligono, add=T)

Figura 4.7:
la <- c(-15.840445, -14.66367, -14.66367, -15.840445, -15.840445)
lon <- c(-73.877563, -73.877563, -72.064819, -72.064819, -73.877563)
lst <- list(cbind(lon, la))
pol <- st_polygon(lst)
pol <- st_sfc(pol)
pol <- st_sf(pol, crs= 4326)
dtm <- raster(here("raw", "[Link]"))
plot(dtm)
plot(pol, add=TRUE)

Figura 4.8:
634 ANEXO I

area_puno_piura <- puno_piura$spdf

elev <- raster(here("raw", "[Link]"))
plot(elev)
plot(puno_piura$spdf, add=TRUE, asp=1)

Figura 4.9:
area_dtm <- raster(here("raw", "area_dtm.grd"))
dtm_crop <- crop(area_dtm, poligono)
dtm_mask <- mask(dtm_crop, poligono)
par(mfrow= c(1,2))
plot(dtm_crop)
plot(poligono,add=T)
plot(dtm_mask)
plot(poligono,add=T)

Figura 4.10:
utm19 <- crs("+init=epsg:32719")
dtm_proj <- projectRaster(dtm_mask, crs = utm19)
plot(dtm_proj)

Figura 4.11:
dtm_proj_ext <- projectExtent(dtm_proj, crs = utm19)
res(dtm_proj_ext) <- 30
dtm_proj_30m <- projectRaster(from = dtm_proj,
to= dtm_proj_ext,
method = 'bilinear')
names(dtm_proj_30m) <- 'DTM'
poligono_geom <- sf::st_transform(x = poligono,
crs = utm19)
plot(dtm_proj_30m)
plot(poligono_geom,add=T)

Figura 4.12:
dtm_ext <- projectExtent(dtm, utm19)
res(dtm_ext) <- 50
dtm_20m <- projectRaster(from = dtm,
to= dtm_ext,
method = 'bilinear')
 ANEXOS 635

pol_proj <- sf::st_transform(x = pol, utm19)

plot(dtm_20m)
plot(pol_proj, add=T)

Figura 4.13:
elev_proj_ext <- projectExtent(elev, utm19)
res(elev_proj_ext) <- 1500
elev_proj_150m <- projectRaster(from = elev,
to= elev_proj_ext,
method = 'bilinear')
area_puno_piura_proj <- spTransform(x = area_puno_piura,
CRSobj = utm19)
plot(elev_proj_150m)
plot(area_puno_piura_proj, add=T)

Figura 4.14:
ext <- extent(c(210000,310000,8500000,8600000))
mdt_ext <- elev_proj_150m[ext, drop= FALSE]
plot(mdt_ext)

1.41.2 Descripción Básica del Relieve

Figura 4.16:
arg_nivel_2 <- gadm_sp_loadCountries("ARG",
level = 2,
basefile = "RAW/")
azul <- gadm_subset(arg_nivel_2,
level = 2,
regions = c("Azul"))
azul <- azul$spdf
dtm_azul <- get_elev_raster(azul, z= 10, src = 'aws')
dtm_azul_f <- crop(dtm_azul, azul)
dtm_azul_f <- mask(dtm_azul_f, azul)
utm20 <- crs("+init=epsg:32720")
dtm_azul_proj <- projectExtent(dtm_azul_f, utm20)
res(dtm_azul_proj) <- 60
dtm_azul_utm <- projectRaster(from = dtm_azul_f,
to= dtm_azul_proj,
method = 'bilinear')
azul_proj <- spTransform(x = azul, utm20)
636 ANEXO I

plot(dtm_azul_utm)
plot(azul_proj, add=T)

Figura 4.19:
bol_nivel_2 <- gadm_sp_loadCountries("BOL",
level = 2,
basefile = "RAW/")
alalay <- gadm_subset(bol_nivel_2,
level = 2,
regions = c("Chapare"))
alalay <- alalay$spdf
dtm_alalay <- get_elev_raster(alalay, z= 10, src = 'aws')
dtm_alalay_f <- crop(dtm_alalay, alalay)
dtm_alalay_f <- mask(dtm_alalay_f, alalay)
utm20 <- crs("+init=epsg:32720")
alalay_proj <- spTransform(alalay, utm20)
dtm_alalay_proj <- projectExtent(dtm_alalay_f, utm20)
res(dtm_alalay_proj) <- 60
dtm_alalay_utm <- projectRaster(from = dtm_alalay_f,
to= dtm_alalay_proj,
method = 'bilinear')
plot(dtm_alalay_utm)
plot(alalay_proj, add=T)
mtext("Provincia Chapare (BOL)", side= 3,
line= 0.75, cex=1.1, font=2)

1.41.3 Análisis Geomorfométrico del Relieve

Figura 4.20:
par(mfrow = c(2, 1))
r <- raster(matrix(1:9,nrow = 3,byrow = T),
xmn=0, xmx=3,ymn=0, ymx=3)
plot(r, col='white',
axes=FALSE, box=FALSE, legend=F)
plot(rasterToPolygons(r), add=TRUE,
border='black', lwd=.25)
text(r,
labels=c("Z1","Z2","Z3","Z4","Z5","Z6","Z7","Z8","Z9"),
cex=0.25)

plot(r, col='white', axes=FALSE,

 ANEXOS 637

box=FALSE, legend=F)
plot(rasterToPolygons(r), add=TRUE,
border='black', lwd=.25)
text(r,
labels=c("Z(-1,1)","Z(0,1)","Z(1,1)","Z(-1,0)",
"Z(0,0)","Z(1,0)","Z(-1,-1)","Z(0,-1)",
"Z(1,-1)"), cex=0.25)

Figura 4.21:
[Link](4)
ras <- raster(matrix(rnorm(36, mean = 5, sd = 1),
nrow = 6,
byrow = T),
xmn=0,
xmx=6,
ymn=0,
ymx=6)
par(mar=c(.2,.2,.2,.2))
par(mfrow = c(2, 2))
plot(ras, col='white', axes=FALSE, box=FALSE, legend=F)
plot(rasterToPolygons(ras), add=TRUE, border='grey70', lwd=.25)
rect(0,3,3,6,lwd=1)
rect(1.01,4.01,1.99,4.99,lwd=0,col='grey90')
text(ras,digits=2,col="grey30", cex=0.75)

cal <- focal(ras, w=matrix(1/9,nrow=3,ncol=3))

cal[4:6,1:3] <- ras[4:6,1:3]
cal[1:6,4:6] <- ras[1:6,4:6]
plot(cal, col='white', axes=FALSE, box=FALSE, legend=F)
plot(rasterToPolygons(cal), add=TRUE, border='grey70', lwd=.25)
rect(0,3,3,6,lwd=1)
rect(1.01,4.01,1.99,4.99,lwd=0,col='grey90')
text(cal,digits=2,col="grey30", cex=0.75)

Figura 4.22:
[Link](4)
ras <- raster(matrix(rnorm(36, mean = 5, sd = 1),
nrow = 6,byrow = T),
xmn=0, xmx=6,ymn=0, ymx=6)
638 ANEXO I

utm19 <- crs("+init=epsg:32719")

crs(ras) <- utm19
pendiente <- terrain(x= ras,
opt= "slope",
unit="degrees")
plot(pendiente, col='white', axes=FALSE,
box=FALSE,
legend=F)
plot(rasterToPolygons(pendiente),
add=TRUE,
border='black',
lwd=.25)
text(pendiente,
digits=2,
cex=0.2)

Figura 4.23:
superficie <- 1/cos(pendiente * (pi/180))
plot(superficie,
axes=FALSE,
box=FALSE,
legend=F)
text(superficie,
digits=2,
cex=0.25)

Figura 4.24:
utm19 <- crs("+init=epsg:32719")
crs(ras) <- utm19
aspecto <- terrain(x = ras,
opt= "aspect",
unit="degrees")
plot(aspecto, col='white',
axes=FALSE,
box=FALSE,
legend=F)
plot(rasterToPolygons(aspecto),
add=TRUE,
border='black',
lwd=.225)
text(aspecto,
 ANEXOS 639

digits=1,
cex=0.2)

Figura 4.25:
f0 <- 100 * tan(pendiente*pi/180)
f1 <- sqrt(1+ tan(pendiente*pi/180)^2)
f2 <- sin(35*pi/180)/tan(pendiente*pi/180)
f3 <- cos(35*pi/180) * sin((315-aspecto)*pi/180)
f <- f0 / f1 * (f2 - f3)
plot(f, legend=F, axes=F,box=F,
col=sequential_hcl(5,"Peach"))
text(f, digits=2, cex=0.2)

Figura 4.26:
sombreado <- hillShade(slope = pendiente,
aspect = aspecto,
angle = 35,
direction = 315,
normalize = F)
plot(sombreado, legend=F, axes=F,box=F,col=grey(0:100/100))

Figura 4.30:
crv <- spatialEco::curvature(ras,
type = 'profile')
breakpoints <- c(minValue(crv),
0,
maxValue(crv))
colors <-colorRampPalette(
diverging_hcl(n = 3,
palette = "Blue-Yellow 2"))(9)
plot(crv, legend=F,
axes=F,box=F,
col=colors)
text(crv,digits=2,
cex=0.2)

Figura 4.31:
640 ANEXO I

crv <- curvature(ras,

type = 'planform')
breakpoints <- c(minValue(crv),
-0.1,
0,
maxValue(crv))
colors <-colorRampPalette(diverging_hcl(n = 3,
palette = "Blue-Yellow 2"))(6)
plot(crv,
legend=F,
axes=F,
box=F,
col=colors)
text(crv,
digits=2,
cex=0.2)

1.41.4 Medidas Estadísticas

Figura 4.38:
par(mar=c(.2,.2,.2,.2))
par(mfrow = c(1, 3))
[Link](4)
rasi <- raster(matrix(rnorm(n = 36,
mean = 5,
sd = 1),
nrow = 6,
byrow = T),
xmn=0, xmx=6,ymn=0, ymx=6)
rasi[ 5,4] <- NA
rasi[ 4,2] <- NA
plot(rasi, col='white',
axes=FALSE,
box=FALSE,
legend=F)
plot(rasterToPolygons(rasi),
add=TRUE,
border='grey70',
lwd=.25)
rect(0,3,3,6,lwd=1)
rect(1.01,4.01,1.99,4.99,
lwd=0,
 ANEXOS 641

col='white')
text(rasi,
digits=2,
col="grey30",
cex=0.75)
cal <- focal(x = rasi,
w=matrix(1/9,
nrow=3,
ncol=3),
pad=F,
[Link]=F)
plot(cal,
col='white',
axes=FALSE,
box=FALSE,
legend=F)
plot(rasterToPolygons(cal),
add=TRUE,
border='grey70',
lwd=.25)
rect(0,3,3,6,lwd=1)
rect(1.01,4.01,1.99,4.99,
lwd=0,
col='grey90')
text(cal,digits=2,
col="grey30",
cex=0.75)
prom <- cellStats(ras,'mean')
cal <- focal(rasi,
w=matrix(1/9,
nrow=3,
ncol=3),
pad=T,
padValue=prom,
[Link]=T)
plot(cal, col='white',
axes=FALSE,
box=FALSE,
legend=F)
plot(rasterToPolygons(cal),
add=TRUE,
border='grey70',
642 ANEXO I

lwd=.25)
rect(0,3,3,6,lwd=1)
rect(1.01,4.01,1.99,4.99,
lwd=0,
col='grey90')
text(cal,
digits=2,
col="grey30",cex=0.75)

Figura 4.39:
prom <- cellStats(ras,'mean')
par(mar=c(.2,.2,.2,.2))
par(mfrow = c(1, 2))
[Link](4)
rasi <- raster(matrix(rnorm(36,
mean = 5,
sd = 1),
nrow = 6,
byrow = T),
xmn=0, xmx=6,ymn=0, ymx=6)
rasi[ 5,4] <- NA
rasi[ 4,2] <- NA
cal <- focal(rasi,
w=matrix(1/9,
nrow=3,
ncol=3),
pad=T,
padValue=prom,
[Link]=T,
NAonly=T)
plot(rasi, col='white',
axes=FALSE, box=FALSE,
legend=F)
plot(rasterToPolygons(rasi),
add=TRUE,
border='grey70',
lwd=.25)
rect(1.01,2.01,1.99,2.99,
lwd=0,col='grey90')
rect(3.01,1.01,3.99,1.99,
lwd=0,col='grey90')
 ANEXOS 643

text(rasi,digits=2,
col="grey30", cex=0.75)
plot(cal, col='white',
axes=FALSE, box=FALSE, legend=F)
plot(rasterToPolygons(cal),
add=TRUE, border='grey70', lwd=.25)
rect(1.01,2.01,1.99,2.99,
lwd=0,col='grey90')
rect(3.01,1.01,3.99,1.99,
lwd=0,col='grey90')
text(cal,digits=2,
col="grey30", cex=0.75)

Figura 4.40:
par(mar=c(.5,.5,2,.5), [Link]=0.75)
par(mfrow = c(3, 2))
[Link](4)
rasi <- raster(matrix(rnorm(36,
mean = 5,
sd = 1),
nrow = 6,byrow = T),
xmn=0, xmx=6,ymn=0, ymx=6)
rasi[ 5,4] <- NA
rasi[ 4,2] <- NA
plot(rasi, col='white', axes=FALSE,
box=FALSE, legend=F, main="Original")
plot(rasterToPolygons(rasi),
add=TRUE, border='grey70', lwd=.25)
rect(0,3,3,6,lwd=1)
rect(1.01,4.01,1.99,4.99,
lwd=0,col='white')
text(rasi,digits=2,
col="grey30", cex=0.75)
prom <- cellStats(ras,'mean')
cal <- focal(rasi, w=matrix(1,
nrow=3,
ncol=3),
pad=T,
padValue=prom,
[Link]=T,
fun="mean")
644 ANEXO I

plot(cal, col='white', axes=FALSE,

box=FALSE, legend=F, main="Promedio")
plot(rasterToPolygons(cal),
add=TRUE, border='grey70', lwd=.25)
rect(0,3,3,6,lwd=1)
rect(1.01,4.01,1.99,4.99,
lwd=0, col='grey90')
text(cal,digits=2,
col="grey30", cex=0.75)

cal <- focal(rasi, w=matrix(1,nrow=3,ncol=3),

pad=T, padValue=prom, [Link]=T,
fun= base::min)

plot(cal, col='white',
axes=FALSE,
box=FALSE,
legend=F,
main="Mínimo")
plot(rasterToPolygons(cal),
add=TRUE, border='grey70', lwd=.25)
rect(0,3,3,6,lwd=1)
rect(1.01,4.01,1.99,4.99,
lwd=0,col='grey90')
text(cal,digits=2,col="grey30", cex=0.75)
cal <- focal(rasi, w=matrix(1,
nrow=3,
ncol=3),
pad=T,
padValue=prom,
[Link]=T,
fun= stats::sd)
plot(cal, col='white',
axes=FALSE,
box=FALSE,
legend=F,
main="Desviación Estándar")
plot(rasterToPolygons(cal),
add=TRUE,
border='grey70',
lwd=.25)
rect(0,3,3,6,lwd=1)
 ANEXOS 645

rect(1.01,4.01,1.99,4.99,
lwd=0,col='grey90')
text(cal,digits=2,
col="grey30", cex=0.75)
cal <- focal(rasi, w=matrix(1,
nrow=3,
ncol=3),
pad=T,
padValue=prom,
[Link]=T, fun="sum")
plot(cal, col='white',
axes=FALSE,
box=FALSE,
legend=F, main="Suma")
plot(rasterToPolygons(cal),
add=TRUE,
border='grey70',
lwd=.25)
rect(0,3,3,6,lwd=1)
rect(1.01,4.01,1.99,4.99,
lwd=0,col='grey90')
text(cal,digits=2,
col="grey30", cex=0.75)
646 ANEXO I

Figura 4.41:
par(mfrow = c(1, 2))
par(mar=c(.2,.2,.2,.2))
plot(ras, col='white',
axes=FALSE,
box=FALSE,
legend=F)
plot(rasterToPolygons(ras),
add=TRUE,
border='grey70',
lwd=.25)
text(ras, digits=2,
col="grey30", cex=0.75)
matriz_sur_este = matrix(c(0,0,0,0,1,1,0,1,2),
nrow=3)
maximo_global <- cellStats(ras,'max')
impacto_sur_este <- focal(ras,
w= matriz_sur_este,
fun= base::max,
pad= T,
padValue= maximo_global)
plot(impacto_sur_este, col='white',
axes=FALSE,
box=FALSE,
legend=F)
plot(rasterToPolygons(impacto_sur_este),
add=TRUE,
border='grey70',
lwd=.25)
text(impacto_sur_este,
col="grey30",
digits=2,
cex=0.75)

Figura 4.42:
par(mfrow = c(1, 4))
par(mar=c(.1,.1,2,.1))
promedio <- cellStats(ras,'mean')
f <- matrix(1, nrow=3, ncol=3)
colors <- colorRampPalette(sequential_hcl(6,"Purp"))(6)
 ANEXOS 647

plot(ras, legend=F, axes=F,box=F,col=colors)

title(main="ORIGINAL", [Link]=1.75,line=0.75)
text(ras, digits=2, cex=1.5)
TRI <- focal(ras,
w=f,
fun=function(x, ...) sum(abs(x[-5]-x[5]))/8,
pad=TRUE,
padValue=promedio)
plot(TRI,
legend=F,
axes=F,
box=F,
col=colors)
title(main="TRI",
[Link]=1.75,
line=0.75)
text(TRI,
digits=2,
cex=1.5)
TPI <- focal(ras,
w=f,
fun=function(x, ...) x[5] - mean(x[-5]),
pad=TRUE,
padValue=promedio)
plot(TPI,
legend=F,
axes=F,
box=F,
col=colors)
title(main="TPI",
[Link]=1.75,
line=0.75)
text(TPI,
digits=2,
cex=1.5)
rough <- focal(ras,
w=f,
fun=function(x, ...) base::max(x) - base::min(x),
pad=TRUE,
padValue=promedio)
plot(rough,
legend=F,
648 ANEXO I

axes=F,
box=F,
col=colors)
title(main="RUGOSIDAD",
[Link]=1.75,
line=0.75)
text(rough,
digits=2,
cex=1.5)

1.41.5 Batimetría
Figura 4.49:
utm16 <- crs("+init=epsg:32716")
marco <- extent(c(-92.72461, -86.61621, -2.88211, 2.722527))
bati_galapagos <- [Link](lon1 = marco[1],
lon2 = marco[2],
lat1 = marco[3],
lat2 = marco[4],
resolution = 1,
keep = TRUE,
path = "RAW/")
bati_xyz <- [Link](bati_galapagos)
back <- bati_xyz
back_raster <- griddify([Link](back),
nlon= 250,
nlat= 250)
bati_raster0 <- griddify([Link](bati_xyz),
nlon= 10,
nlat= 10)
bati_raster1 <- griddify([Link](bati_xyz),
nlon= 250,
nlat= 250)
bati_raster2<- griddify([Link](bati_xyz),
nlon= 500,
nlat= 500)
par(mfrow = c(1, 3))
par(mar=c(.2,.2,.2,.2))
colors <-colorRampPalette(sequential_hcl(6,"Blues 3"))(36)
plot(bati_raster0, legend=F, axes=F,
box=F,col=colors,colNA='magenta')
plot(bati_raster1, legend=F, axes=F,
 ANEXOS 649

box=F,col=colors,colNA='magenta')
plot(bati_raster2, legend=F, axes=F,
box=F,col=colors,colNA='magenta')
650 ANEXO I

Figura 4.50:
bati_xyz[bati_xyz$z > 0,] <- NA
bati_raster <- griddify([Link](bati_xyz),
nlon= 250,
nlat= 250)
bati_exten <- projectExtent(object = bati_raster,
crs = utm16)
res(bati_exten) <- 1000
bati_reproj <- projectRaster(from = bati_raster,
to = bati_exten,
crs=utm16,
method = "bilinear")
rampa <- [Link](n = 9, name = "Blues")
colores <- rev(colorRampPalette(rampa)(100))
plot(bati_reproj, col= colores, asp=1, legend=T,colNA='magenta')

Figura 4.51:
islas_galap <- get_elev_raster(bati_raster,
src="aws",
z=7,
neg_to_na = T)
mdr_crop <- crop(islas_galap,
y = bati_raster)
colores <- sequential_hcl(100,
palette = "Terrain 2",
rev =F)
plot(islas_galap, axes=F, box=F,
legend=F,
col= colores,
asp=1,
colNA='gray88')
plot(marco,
add=T,
col='red',
lwd=2)

Figura 4.53:
mdr_reproj <- projectRaster(from = mdr_crop,
to = bati_reproj,
 ANEXOS 651

method = "bilinear")
mdr_final <- merge(x = bati_reproj,
y = mdr_reproj,
tolerance=0.25)
rampa <- [Link](n = 9, name = "RdYlBu")
colores <- rev(colorRampPalette(rampa)(100))
ex <- extent(c(-67500,80000,9900000,10040000))
tmp <- crop(mdr_final,ex)
plot(tmp,
col=colores,
colNA="green2",
legend=F,
axes=F,
box=F)

Figura ??:
mdr_corr <- focal(mdr_final,
w=matrix(1,
nrow=3,
ncol=3),
[Link]=T,
NAonly=T,
fun='mean')
min <-floor(minValue(mdr_corr))
cuts <- seq(min,0,10)
max <-ceiling(maxValue(mdr_corr))
cuts1 <- seq(0,max+10,10)
rampa <- [Link](n = 9, name = "Blues")
colores <- rev(colorRampPalette(rampa)(381))
rampa <- [Link](n = 9, name = "YlOrBr")
colores1 <- colorRampPalette(rampa)(165)
plot(mdr_corr,
breaks= cuts,
col= colores,
legend=F,
axes=F,
box=F)
plot(mdr_corr,
breaks= cuts1,
col= colores1,
add=T,
652 ANEXO I

legend=F)
contour(mdr_corr,
levels=0,
add=T,
col=adjust_transparency('sienna',0.55),
drawlabels=F)

1.42 V APLICACIÓN DE DATOS RÁSTER

1.42.1 Clima
Figura 6.17:
pre <- brick(here("RAW","cru_ts4.[Link]"),
varname="pre")
r <- mean(pre[[1:12]])
tm_layout(scale = .8,
[Link] = c("left","top"),
[Link] = "white",
[Link] = 0,
[Link]=0.5) +
tm_shape(r) +
tm_raster(style="pretty",
n=8,
palette = [Link]("Blues", n = 12),
title =paste0("Precipitación Media Anual (1901)\n",pre@data@unit)) +
tm_credits("Fuente: Climate Research Unit (CRU).",
size=0.6,
position=c("right","bottom"))

Figura 6.18:
rr <- sum(pre[[1:12]])
tm_layout(scale = .8,
[Link] = c("left","top"),
[Link] = "white",
[Link] = 0,
[Link]=0.5) +
tm_shape(rr) +
tm_raster(style="pretty",
n=8,
palette = [Link]("Blues", n = 12),
title =paste0("Precipitación Acumulada Anual (1901)\n",pre@data@unit)) +
 ANEXOS 653

tm_credits("Fuente: Climate Research Unit (CRU).",

size=0.6,
position=c("right","bottom"))

Figura 6.19:
t_max <- brick(here("RAW","cru_ts4.[Link]"),
varname="tmx")
r <- max(t_max[[1:3]])
tm_layout(scale = .8,
[Link] = c("left","top"),
[Link] = "white",
[Link] = 0,
[Link]=0.5) +
tm_shape(r) +
tm_raster(style="pretty",
n=18,
palette = rev([Link]("RdBu", n = 12)),
title =paste0("Temperatura Máxima (Enero-Marzo 1901)\n",t_max@data@unit)) +
tm_credits("Fuente: Climate Research Unit (CRU).",
size=0.6,
position=c("right","bottom"))

Figura 6.20:
paises <- ne_countries(returnclass = "sp")
continente <- ne_countries(continent = "South America")
plot(paises, lwd= 0.1)
plot(extent(continente),col= "red", lwd= 0.25, add=T)

Figura 6.28:
library(maps)
capital <- [Link][[Link]$capital == 1,]
coordinates(capital) <- c("long","lat")
capital <- capital[-c(3,4)]
names(capital) <- c("nombre","pais")
cap_latam <- intersect(capital, continente)
plot(continente, col="gray95", lwd=0.1)
plot(cap_latam, col="red", pch=4, lwd=0.15, cex=0.08, add=T)
text(cap_latam, cap_latam$nombre, cex=0.09, adj=c(0.5,1.25))
654 ANEXO I

1.43 VI OBSERVACIÓN DE LA TIERRA

1.43.1 Introducción
Figura 7.16:
blackBodyRadiationColors <- function(x, max_value=1) {
foo <- colorRamp(c(rgb(0,0,0),
rgb(1,0,0),
rgb(1,1,0),
rgb(1,1,1)))(x*max_value)/255
apply(foo,1,function(bar)rgb(bar[1],bar[2],bar[3]))}
col <- blackBodyRadiationColors(seq(0,0.6,[Link]=7))
x=seq(0.1,100, by=0.01)
f=function(x,T){3.741e8/(x^5*(exp(1.438e4/(x*T))-1))}
par(mar=c(5,7.5,3,3))
y= f(x,288)
plot(x,y, type = "l",
xlim=c(0.1,100),
ylim=c(1,1e9),
log="xy",
col=col[2],
axes=F,
xlab=expression(paste(lambda, "(",mu, "m)")),
ylab="")
axis(2,at= c(1, 10, 100, 1000, 10000,
100000, 1000000, 10000000,
100000000),
labels= c("1", "10", "100", "1.000", "10.000",
"100.000", "1.000.000", "10.000.000",
"100.000.000"),
las=2)
mtext(text = expression(paste("Emitancia Espectral (W",m^-2,mu,m^-1,")")),
side = 2,
line = 5)
axis(1,at= c(.1,0.4, 0.7, 1.2, 8, 14, 100),
labels= c("0.1","0.4","0.7", "1.2","8.0",
"14.0", "100.0"),
las=1)
y= f(x,500)
points(x,y, type="l", col=col[3])
y= f(x,1000)
points(x,y, type="l", col=col[4])
y= f(x,2000)
 ANEXOS 655

points(x,y, type="l", col=col[5])

y= f(x,4000)
points(x,y, type="l", col=col[6])
y= f(x,5778)
points(x,y, type="l", col=col[7])
text(7,40,"TIERRA (288 K)", col=col[2])
text(4,650,"500 K", col=col[3])
text(2,20000,"1.000 K", col=col[4])
text(1,700000,"2.000 K", col=col[5])
text(0.5,20000000,"4.000 K", col=col[6])
text(0.3,140000000,"SOL (5.778 K)", col=col[7])

Figura 7.18:
par(mar=c(4,4.5,2,3),cex=1)
f=function(x,T){3.741e8/(x^5*(exp(1.438e4/(x*T))-1))}
x=seq(0.1,5,
by=0.05)
y= f(x,4000)
plot(x,y, type = "l",
xlim=c(0,10),
ylim=c(0,1e8),
col=col[2],
axes=F,
xlab=expression(paste(lambda, "(",mu, "m)")),
ylab=expression(paste("Emitancia Espectral (W",m^-2,mu,m^-1,")")))
axis(2,
at= c(0, 1e7,5e7,1e8,5e8),
labels= c("0", "1e7", "5e7", "1e8", "5e8"),
las=2)
axis(1,at= 0:5, las=1)
y= f(x,5000)
points(x,y, type="l", col=col[4])
y= f(x,6000)
points(x,y, type="l", col=col[6])

text(2,16000000,"4.000 K", col=col[2])

text(2,43000000,"5.000 K", col=col[4])
text(2,101500000,"6.000 K", col=col[6])
656 ANEXO I

1.43.2 EEM Flujo

library(ggplot2)
library(ggthemes)
# Standard Atmosphere Calculator
# [Link] sea level conditions (h = 0) ----
temp0 <- 288.16
pres0 <- 1.01325 * 10^5
dens0 <- 1.2250
grav0 <- 9.80665
radius <- 6378136.3
gasc <- 287.0368

# [Link] Atmosphere Results -----

# 0:11k - first gradient layer
h1 <- seq(0, 11000, by = 100)
[Link] <- h1 - 0
a1 <- -6.5 * 10^-3
t1 <- temp0 + a1 * [Link]
p1 <- pres0 * (t1/temp0)^(-grav0/(a1*gasc))
d1 <- dens0 * (t1/temp0)^(-((grav0/(a1*gasc))+1))
# 11.1k:25k - first isothermal layer
h2 <- seq(11100, 25000, by = 100)
[Link] <- h2 - 11000
t2 <- rep(216.66, length(h2))
p2 <- 22631.5 * exp(-(grav0/(gasc*t2))*[Link])
d2 <- .3639048 * exp(-(grav0/(gasc*t2))*[Link])
# 25.1k:47k - second gradient layer
h3 <- seq(25100, 47000, by = 100)
[Link] <- h3 - 25000
a3 <- 3 * 10^-3
t3 <- 216.66 + a3 * [Link]
p3 <- 2488.504 * (t3/216.66)^(-grav0/(a3*gasc))
d3 <- .04001407 * (t3/216.66)^(-((grav0/(a3*gasc))+1))
# 47.1k:53k - second isothermal layer
h4 <- seq(47100, 53000, by = 100)
[Link] <- h4 - 47000
t4 <- rep(282.66, length(h4))
p4 <- 120.4327 * exp(-(grav0/(gasc*t4))*[Link])
d4 <- 0.001484340 * exp(-(grav0/(gasc*t4))*[Link])
# 53.1k:79k - third gradient layer
h5 <- seq(53100, 79000, by = 100)
[Link] <- h5 - 53000
 ANEXOS 657

a5 <- -4.5 * 10^-3

t5 <- 282.66 + a5 * [Link]
p5 <- 58.31566 * (t5/282.66)^(-grav0/(a5*gasc))
d5 <- 0.0007187439 * (t5/282.66)^(-((grav0/(a5*gasc))+1))
# 79.1K:90k - third isothermal layer
h6 <- seq(79100, 90000, by = 100)
[Link] <- h6 - 79000
t6 <- rep(165.66, length(h6))
p6 <- 1.009319 * exp(-(grav0/(gasc*t6))*[Link])
d6 <- 2.122580e-05 * exp(-(grav0/(gasc*t6))*[Link])
# 90.1k:105K - fourth gradient level
h7 <- seq(90100, 105000, by = 100)
[Link] <- h7 - 90000
a7 <- 4 * 10^-3
t7 <- 165.66 + a7 * [Link]
p7 <- .1044209 * (t7/165.66)^(-grav0/(a7*gasc))
d7 <- 2.195954e-06 * (t7/165.66)^(-((grav0/(a7*gasc))+1))

# 5. Plot Data ----

# consolidate data
[Link] <- [Link](hg = c(h1, h2, h3, h4, h5, h6, h7),
temp = c(t1, t2, t3, t4, t5, t6, t7) - 273.15,
pres = c(p1, p2, p3, p4, p5, p6, p7),
dens = c(d1, d2, d3, d4, d5, d6, d7))
[Link] <- [Link][seq(0, 1e3, by = 20),]
Figura 7.23:
par(mfrow = c(1,2))
plot([Link]$pres,
[Link]$hg,
type="l",
xlim=c(-10,1e5),
ylim=c(0,1e5),
axes=F,
xlab=expression(paste("Presión (hPa)")),
ylab="Altitud (km)",
lwd=3, col="gray80")
axis(1,at=seq(0,8e4,2e4),
labels = seq(0,800,200),
las=1)
axis(2,at=seq(0,1e5,1e4),
labels = seq(0,100,10),
las=2)
658 ANEXO I

segments(0, 9600,8e4,9600,
lty = 2,
col= "gray40",
lwd=0.5)
segments(0, 49600,8e4,49600,
lty = 2,
col= "gray40",
lwd=0.5)
segments(0, 83300,8e4,83300,
lty = 2,
col= "gray40",
lwd=0.5)
text(8e4, 13000, "Límite Tropopausa",
adj=1,cex=0.9, font=4,
col="steelblue4")
text(8e4, 53000, "Límite Estratopausa",
adj=1, cex=0.9,font=4,
col="steelblue4")
text(8e4, 86700, "Límite Mesopausa",
adj=1,cex=0.9, font=4,
col="steelblue4")
plot([Link]$temp,
[Link]$hg,
type="l",
xlim=c(-120,30),
ylim=c(0,1e5),
axes=F,
xlab="Temperatura (°C)",
ylab="Altitud (km)",
lwd=3, col="gray80")
axis(1,at=seq(-120,30,30), las=1)
axis(2,at=seq(0,1e5,1e4),
labels = seq(0,100,10),las=2)
segments(-120, 9600,30,9600,
lty = 2,
col= "gray40",
lwd=0.5)
segments(-120, 49600,30,49600,
lty = 2,
col= "gray40",
lwd=0.5)
segments(-120, 83300,30,83300,
 ANEXOS 659

lty = 2,
col= "gray40",
lwd=0.5)
text(-120,13000,"Límite Tropopausa",
adj=0, cex=0.9,
font=4, col="steelblue4")
text(-120,53000,"Límite Estratopausa",
adj=0, cex=0.9,
font=4, col="steelblue4")
text(30,86700,"Límite Mesopausa",
adj=1,cex=0.9,
font=4, col="steelblue4")

xy <- readRDS(here("raw","[Link]"))
mol <- readRDS(here("raw","[Link]"))
Figura 7.24:
par(mar=c(4,5,4,0),[Link]=0.85,[Link]=1.25)
plot(xy,
type = "l",
axes=F,
ylim=c(0,1),
lwd=2,
col="gray50",
xlab="Moléculas Absorbentes",
ylab="Transmitancia (%)")
lbl <- c(expression(O[2]),"","",expression(paste(H[2],O)),"",
expression(paste(H[2],O)),expression(CO[2]),
expression(paste(H[2],O)),expression(CO[2]),
expression(paste(" ",O[3])),expression(paste(H[2],O)),
expression(paste(CO[2]," ")),expression(paste(" ",O[3])),
expression(paste(H[2],O)),expression(CO[2]),expression(CO[2]))
axis(1, at = mol, labels = lbl)
axis(2,at = seq(0,1,.1), labels= seq(0,100,10))
axis(3,at= c(0.2, 0.8, 1.4, 8, 14),
labels= c("0.4","0.7", "1.2","8.0", "14.0"),
las=1,
cex=0.9)
mtext(expression(paste("Longitud de Onda (",lambda," ",paste(mu,m),")")),
side=3,
line=2,
cex=1.2,
660 ANEXO I

las=1)

1.43.3 Resoluciones de Imagen

Figura 7.38:
library(readr)
nombre_file <- "[Link]"
aromo <- read_table(here("speclib","ecospeclib-all", nombre_file),
col_names = c("wavelength","reflectance"),
col_types = cols(wavelength = col_double(),
reflectance = col_double()),
skip = 20)
par(mfrow = c(1, 1), mar=c(5,5,1,1), [Link]=1, [Link]=1)
plot(aromo,
col = "forestgreen",
type = "l",
lwd=2,
xlim=c(0.25,2.5),
ylim=c(0,100),
xlab=expression(paste("Longitud de Onda (",paste(mu,m),")")),
ylab="Reflectancia (%)")
legend(x="topright",
legend=c("Aromo"),
fill=c("forestgreen"))

Figura 7.39:
library(RStoolbox)
vegeta_sli <- readSLI(here("speclib","aster","vegetation_jhu_becknic_550.sli"))
vegeta_sli1 <- readSLI(here("speclib","aster","vegetation_jhu_becknic_2559.sli"))
agua_sli <- readSLI(here("speclib","aster","water_jhu_becknic_561.sli"))
agua_sli1 <- readSLI(here("speclib","aster","water_jhu_becknic_2844.sli"))
agua_sli2 <- readSLI(here("speclib","aster","water_jhu_becknic_2052.sli"))
roca_sli <- readSLI(here("speclib","aster","rock_usgs_perknic_2231.sli"))
suelo_sli <- readSLI(here("speclib","aster","soil_jhu_becknic_2844.sli"))
par(mfrow = c(3, 1),
mar=c(5,5,5,5),
[Link]=1,
[Link]=1)
plot(vegeta_sli[1:335,1:2],
col = "forestgreen",
type = "l",
 ANEXOS 661

lwd=2,
xlim=c(0.25,2.5),
ylim=c(0,100),
xlab=expression(paste("Longitud de Onda (",paste(mu,m),")")),
ylab="Reflectancia (%)")
lines(vegeta_sli[1:335,c(1,3)],
col = "chocolate1",lwd=2)
lines(vegeta_sli[1:335,c(1,4)],
col = "olivedrab1", lwd=2)
lines(vegeta_sli1[1:870,c(1,2)],
col = "wheat3", lwd=2)
legend(x="topright",
legend=c("Conífera","Caduco","Pasto Verde","Pasto Seco"),
fill=c("forestgreen","chocolate1","olivedrab1","wheat3"))
plot(agua_sli[1:335,c(1,2)],
col = "skyblue1",
type = "l",
lwd=2,
xlim=c(0.25,2.5),
ylim=c(0,100),
xlab=expression(paste("Longitud de Onda (",paste(mu,m),")")),
ylab="Reflectancia (%)")
lines(agua_sli1[1:1110,c(1,2)],
col = "blue", lwd=2)
lines(agua_sli2[1:395,c(1,2)],
col = "mediumslateblue", lwd=2)
lines(agua_sli2[1:430,c(1,3)],
col = "lightblue1", lwd=2)
legend(x="topright",
legend=c("Hielo","Agua Pura", "Nieve Gruesa","Nieve Fina"),
fill=c("skyblue1","blue","mediumslateblue","lightblue1"))
plot(roca_sli[1:535,c(1,20)],
col = "snow4",
type="l",
lwd=2,xlim=c(0.25,2.5),
ylim=c(0,100),
xlab=expression(paste("Longitud de Onda (",paste(mu,m),")")),
ylab="Reflectancia (%)")
lines(roca_sli[1:535,c(1,35)],
col = "darkslategray4", lwd=2)
lines(suelo_sli[1:1160,c(1,13)],
col = "chocolate4", lwd=2)
662 ANEXO I

lines(suelo_sli[1:1160,c(1,19)],
col = "sienna3", lwd=2)
legend(x="topright",
legend=c("Basalto","Fosforita","Lodo Obscuro","Arcilla Gris"),
fill=c("snow4","darkslategray4","chocolate4","sienna3"))

1.43.4 Misiones Espaciales

Figura 8.14:
par(mar=c(4,5,4,0), [Link]=0.85, [Link]=1.25)
plot(xy[1:313,],
type = "l",
axes=F,
xlim=c(0,3),
ylim=c(0,1),
lwd=3,
col="gray90",
xlab=expression(paste("Longitud de Onda (",paste(mu,m),")")),
ylab="Transmitancia (%)")
axis(1,at= seq(0,3,.5),
labels= c("0.0","0.5","1.0","1.5","2.0","2.5","3.0"),
las=1, cex=0.9)
axis(2, at = seq(0,1,.1), labels= seq(0,100,10))
polygon(c(.459,.459,.479,.479),c(0,1,1,0),
border=NA, col="dodgerblue2",lty=1,lwd=1)
polygon(c(.545,.545,.565,.565),c(0,1,1,0),
border=NA, col="green2",lty=1,lwd=1)
polygon(c(.62,.62,.670,.670),c(0,1,1,0),
border=NA, col="red",lty=1,lwd=1)
polygon(c(.841,.841,.876,.876),c(0,1,1,0),
border=NA, col="violetred",lty=1,lwd=1)
polygon(c(1.23,1.23,1.25,1.25),c(0,1,1,0),
border=NA, col="purple3",lty=1,lwd=1)
polygon(c(1.628,1.628,1.652,1.652),c(0,1,1,0),
border=NA, col="salmon4",lty=1,lwd=1)
polygon(c(2.105,2.105,2.155,2.155),c(0,1,1,0),
border=NA, col="azure4",lty=1,lwd=1)
segments(2.5,0.8,2.7,0.8,col="dodgerblue2",lty=1,lwd=5,lend=2)
segments(2.5,0.75,2.7,0.75,col="green2",lty=1,lwd=5,lend=2)
segments(2.5,0.7,2.7,0.7,col="red",lty=1,lwd=5,lend=2)
segments(2.5,0.65,2.7,0.65,col="violetred",lty=1,lwd=5,lend=2)
segments(2.5,0.6,2.7,0.6,col="purple3",lty=1,lwd=5,lend=2)
 ANEXOS 663

segments(2.5,0.55,2.7,0.55,col="salmon4",lty=1,lwd=5,lend=2)
segments(2.5,0.5,2.7,0.5,col="azure4",lty=1,lwd=5,lend=2)
text(2.75,0.8,"Banda 3", adj=0, col="gray20",cex=0.85)
text(2.75,0.75,"Banda 4", adj=0, col="gray20",cex=0.85)
text(2.75,0.7,"Banda 1", adj=0, col="gray20",cex=0.85)
text(2.75,0.65,"Banda 2", adj=0, col="gray20",cex=0.85)
text(2.75,0.6,"Banda 5", adj=0, col="gray20",cex=0.85)
text(2.75,0.55,"Banda 6", adj=0, col="gray20",cex=0.85)
text(2.75,0.5,"Banda 7", adj=0, col="gray20",cex=0.85)

Figura 8.17:
archivos <- [Link](path = here("raw","modis"),
pattern = "*.hdf",
[Link] = T)
imagen1 <- stack(here("raw","[Link]"))
imagen2 <- stack(here("raw","[Link]"))
imagen3 <- stack(here("raw","[Link]"))
imagen4 <- stack(here("raw","[Link]"))
par(mfrow = c(2, 2), mar=c(3,5,2,3), cex=1.2)
plotRGB(imagen2, r=1, g=2, b=3,
stretch="lin",axes=T,asp=1,
main= basename(archivos[2]))
plotRGB(imagen3, r=1, g=2, b=3,
stretch="lin",axes=T,asp=1,
main= basename(archivos[3]))
plotRGB(imagen1, r=1, g=2, b=3,
stretch="lin",axes=T,asp=1,
main= basename(archivos[1]))
plotRGB(imagen4, r=1, g=2, b=3,
stretch="lin",axes=T,asp=1,
main= basename(archivos[4]))

niger <- gadm_sp_loadCountries("NER",

level = 2,
basefile = "RAW/")
ext1 <- extent(imagen1)
polygon1 <- as(ext1, 'SpatialPolygons')
crs(polygon1) <- CRS("+proj=sinu +lon_0=0 +x_0=0 +y_0=0
+ellps=WGS84 +datum=WGS84 +units=m +no_defs")
ext1 <- spTransform(polygon1, CRS("+proj=longlat +datum=WGS84 +no_defs"))
664 ANEXO I

ext2 <- extent(imagen2)

polygon2 <- as(ext2, 'SpatialPolygons')
crs(polygon2) <- CRS("+proj=sinu +lon_0=0 +x_0=0 +y_0=0
+ellps=WGS84 +datum=WGS84 +units=m +no_defs")
ext2 <- spTransform(polygon2, CRS("+proj=longlat +datum=WGS84 +no_defs"))
ext3 <- extent(imagen3)
polygon3 <- as(ext3, 'SpatialPolygons')
crs(polygon3) <- CRS("+proj=sinu +lon_0=0 +x_0=0 +y_0=0
+ellps=WGS84 +datum=WGS84 +units=m +no_defs")
ext3 <- spTransform(polygon3, CRS("+proj=longlat +datum=WGS84 +no_defs"))
ext4 <- extent(imagen4)
polygon4 <- as(ext4, 'SpatialPolygons')
crs(polygon4) <- CRS("+proj=sinu +lon_0=0 +x_0=0 +y_0=0
+ellps=WGS84 +datum=WGS84 +units=m +no_defs")
ext4 <- spTransform(polygon4, CRS("+proj=longlat +datum=WGS84 +no_defs"))

Figura 9.1:
par(mar=c(1,1,1,1))
plot(niger$spdf,
xlim=c(0,16),
ylim=(c(10,30)),
border="gray90", lwd=3,)
plot(ext1, add=T,
border="red")
text(ext1, basename(archivos[1]),
cex=0.5,col="red")
plot(ext2, add=T, border="red")
text(ext2, basename(archivos[2]),
cex=0.5,col="red")
plot(ext3, add=T, border="red")
text(ext3, basename(archivos[3]),
cex=0.5,col="red")
plot(ext4, add=T, border="red")
text(ext4, basename(archivos[4]),
cex=0.5,col="red")

Figura 9.2:
niger_geom <- niger$spdf #data espacial
sinus <- CRS("+proj=sinu
+lon_0=0
 ANEXOS 665

+x_0=0
+y_0=0
+ellps=WGS84
+datum=WGS84
+units=m
+no_defs")
niger_sin <- spTransform(niger_geom, sinus)
mosaico <- stack(here("raw","[Link]"))
plotRGB(mosaico, r="R", g="G", b="B",
stretch="lin", colNA="white")
plot(niger_sin, add=T, lwd=2, border="white")

Figura 9.3:
niger_crop <- crop(mosaico, niger_sin)
niger_msk <- mask(niger_crop, niger_sin)
plotRGB(niger_msk,r="R", g="G", b="B",
stretch="lin", colNA="white")
plot(niger_sin, lwd=2,
border="darkorchid2", add=T)
text(niger_sin, labels= niger$spdf$NAME_2,
col="magenta", cex=1)

1.43.5 Misiones Landsat

Figura 8.25:
xy <- readRDS(here("raw","[Link]"))
par(mar=c(4,5,4,0),[Link]=0.85,[Link]=1.25)
plot(xy[1:986,], type = "l",
axes=F,
xlim=c(0,12),
ylim=c(0,1),
lwd=3,
col="gray90",
xlab=expression(paste("Longitud de Onda (",paste(mu,m),")")),
ylab="Transmitancia (%)")
axis(1,at= seq(0,12,2),
labels= c("0.0","2.0","4.0","6.0","8.0","10.0","12.0"),
las=1, cex=0.9)
axis(2, at = seq(0,1,.1), labels= seq(0,100,10))
polygon(c(.43,.43,.45,.45),c(0,1,1,0),border=NA,
col="dodgerblue2",lty=1,lwd=1) #1
666 ANEXO I

polygon(c(.45,.45,.51,.51),c(0,1,1,0),border=NA,
col="blue",lty=1,lwd=1) #2
polygon(c(.53,.53,.59,.59),c(0,1,1,0),border=NA,
col="green2",lty=1,lwd=1) #3
polygon(c(.64,.64,.67,.67),c(0,1,1,0),border=NA,
col="red",lty=1,lwd=1) #red
polygon(c(.85,.85,.88,.88),c(0,1,1,0),border=NA,
col="violetred",lty=1,lwd=1) #nir
polygon(c(1.57,1.57,1.65,1.65),c(0,1,1,0),border=NA,
col="purple3",lty=1,lwd=1) #swir1
polygon(c(2.11,2.11,2.29,2.29),c(0,1,1,0),border=NA,
col="salmon4",lty=1,lwd=1) #swir2
polygon(c(10.6,10.6,11.19,11.19),c(0,1,1,0),border=NA, col=scales::alpha("yellow",0.35),lty=1,l
segments(6,0.85,6.3,0.85,col="dodgerblue2",lty=1,lwd=5,lend=2)
segments(6,0.8,6.3,0.8,col="blue",lty=1,lwd=5,lend=2)
segments(6,0.75,6.3,0.75,col="green2",lty=1,lwd=5,lend=2)
segments(6,0.7,6.3,0.7,col="red",lty=1,lwd=5,lend=2)
segments(6,0.65,6.3,0.65,col="violetred",lty=1,lwd=5,lend=2)
segments(6,0.6,6.3,0.6,col="purple3",lty=1,lwd=5,lend=2)
segments(6,0.55,6.3,0.55,col="salmon4",lty=1,lwd=5,lend=2)
segments(6,0.5,6.3,0.5,col="yellow",lty=1,lwd=5,lend=2)
text(6.5,0.85,"Banda 1", adj=0, col="gray20",cex=0.85)
text(6.5,0.8,"Banda 2", adj=0, col="gray20",cex=0.85)
text(6.5,0.75,"Banda 3", adj=0, col="gray20",cex=0.85)
text(6.5,0.7,"Banda 4", adj=0, col="gray20",cex=0.85)
text(6.5,0.65,"Banda 5", adj=0, col="gray20",cex=0.85)
text(6.5,0.6,"Banda 6", adj=0, col="gray20",cex=0.85)
text(6.5,0.55,"Banda 7", adj=0, col="gray20",cex=0.85)
text(6.5,0.5,"Banda 10", adj=0, col="gray20",cex=0.85)

Figura 8.26:
par(mar=c(4,5,4,0),[Link]=0.85,[Link]=1.0)
plot(xy[1:1200,],
type = "l",
axes=F,
xlim=c(0,14),
ylim=c(0,1),
lwd=3,
col="gray90",
xlab=expression(paste("Longitud de Onda (",paste(mu,m),")")),
ylab="Transmitancia (%)")
 ANEXOS 667

axis(1,at= seq(0,14,2),
labels= c("0.0","2.0","4.0","6.0","8.0","10.0","12.0","14.0"),
las=1, cex=0.6)
axis(2,at = seq(0,1,.1),
labels= seq(0,100,10),
cex=0.6)
polygon(c(.45,.45,.52,.52),c(0,1,1,0),
border=NA, col="blue",lty=1,lwd=1) #2
polygon(c(.52,.52,.6,.6),c(0,1,1,0),
border=NA, col="green2",lty=1,lwd=1) #3
polygon(c(.63,.63,.69,.69),c(0,1,1,0),
border=NA, col="red",lty=1,lwd=1) #red
polygon(c(.76,.76,.9,.9),c(0,1,1,0),
border=NA, col="violetred",lty=1,lwd=1) #nir
polygon(c(1.55,1.55,1.75,1.75),c(0,1,1,0),
border=NA,
col=scales::alpha("purple3",0.35),
lty=1,lwd=1) #swir1
polygon(c(2.08,2.08,2.35,2.35),c(0,1,1,0),
border=NA,
col=scales::alpha("salmon4",0.35),
lty=1,lwd=1) #swir2
polygon(c(10.42,10.42,12.5,12.5),c(0,1,1,0),
border=NA,
col=scales::alpha("yellow",0.35),
lty=1,lwd=1) #swir2
segments(6,0.8,6.3,0.8,col="blue",lty=1,lwd=5,lend=2)
segments(6,0.75,6.3,0.75,col="green2",lty=1,lwd=5,lend=2)
segments(6,0.7,6.3,0.7,col="red",lty=1,lwd=5,lend=2)
segments(6,0.65,6.3,0.65,col="violetred",lty=1,lwd=5,lend=2)
segments(6,0.6,6.3,0.6,col=scales::alpha("purple3",0.35),
lty=1,lwd=5,lend=2)
segments(6,0.55,6.3,0.55,col=scales::alpha("yellow",0.35),
lty=1,lwd=5,lend=2)
segments(6,0.5,6.3,0.5,col=scales::alpha("salmon4",0.35),
lty=1,lwd=5,lend=2)
text(6.5,0.8,"Banda 1", adj=0, col="gray20",cex=0.85)
text(6.5,0.75,"Banda 2", adj=0, col="gray20",cex=0.85)
text(6.5,0.7,"Banda 3", adj=0, col="gray20",cex=0.85)
text(6.5,0.65,"Banda 4", adj=0, col="gray20",cex=0.85)
text(6.5,0.6,"Banda 5", adj=0, col="gray20",cex=0.85)
text(6.5,0.55,"Banda 6", adj=0, col="gray20",cex=0.85)
668 ANEXO I

text(6.5,0.5,"Banda 7", adj=0, col="gray20",cex=0.85)

Figura 8.27:
par(mar=c(4,5,4,0),[Link]=0.85,[Link]=1.0)
plot(xy[1:1200,],
type = "l",
axes=F,
xlim=c(0,14),
ylim=c(0,1),
lwd=3,col="gray90",
xlab=expression(paste("Longitud de Onda (",paste(mu,m),")")),
ylab="Transmitancia (%)")
axis(1,at= seq(0,14,2),
labels= c("0.0","2.0","4.0","6.0","8.0","10.0","12.0","14.0"),
las=1, cex=0.9)
axis(2,at = seq(0,1,.1),
labels= seq(0,100,10))
polygon(c(.45,.45,.52,.52),c(0,1,1,0),
border=NA, col="blue",
lty=1,lwd=1) #2
polygon(c(.52,.52,.6,.6),c(0,1,1,0),
border=NA, col="green2",
lty=1,lwd=1) #3
polygon(c(.63,.63,.69,.69),c(0,1,1,0),
border=NA, col="red",
lty=1,lwd=1) #red
polygon(c(.76,.76,.9,.9),c(0,1,1,0),
border=NA, col="violetred",
lty=1,lwd=1) #nir
polygon(c(1.55,1.55,1.75,1.75),c(0,1,1,0),
border=NA,
col=scales::alpha("purple3",0.35),
lty=1,lwd=1) #swir1
polygon(c(2.08,2.08,2.35,2.35),c(0,1,1,0),
border=NA,
col=scales::alpha("salmon4",0.35),
lty=1,lwd=1) #swir2
polygon(c(10.42,10.42,12.5,12.5),c(0,1,1,0),
border=NA,
col=scales::alpha("yellow",0.35),
lty=1,lwd=1) #swir2
 ANEXOS 669

segments(6,0.8,6.3,0.8,col="blue",lty=1,lwd=5,lend=2)
segments(6,0.75,6.3,0.75,col="green2",lty=1,lwd=5,lend=2)
segments(6,0.7,6.3,0.7,col="red",lty=1,lwd=5,lend=2)
segments(6,0.65,6.3,0.65,col="violetred",lty=1,lwd=5,lend=2)
segments(6,0.6,6.3,0.6,col=scales::alpha("purple3",0.35),
lty=1,lwd=5,lend=2)
segments(6,0.55,6.3,0.55,col=scales::alpha("yellow",0.35),
lty=1,lwd=5,lend=2)
segments(6,0.5,6.3,0.5,col=scales::alpha("salmon4",0.35),
lty=1,lwd=5,lend=2)
text(6.5,0.8,"Banda 1", adj=0, col="gray20",cex=0.85)
text(6.5,0.75,"Banda 2", adj=0, col="gray20",cex=0.85)
text(6.5,0.7,"Banda 3", adj=0, col="gray20",cex=0.85)
text(6.5,0.65,"Banda 4", adj=0, col="gray20",cex=0.85)
text(6.5,0.6,"Banda 5", adj=0, col="gray20",cex=0.85)
text(6.5,0.55,"Banda 6", adj=0, col="gray20",cex=0.85)
text(6.5,0.5,"Banda 7", adj=0, col="gray20",cex=0.85)

Figura 8.33:
qa_px_18s <- raster(here("raw","qa_px_18s.grd"))
mascara <- qa_px_18s
mascara[mascara != 21824] <- NA
plot(mascara, legend=F)

Figura 8.34:
modis <- stack(here("raw","[Link]"))
imagen1_corr <- brick(here("raw","imagen1_corr.grd"))
recorte <- crop(x = imagen1_corr,
y = extent(753411.8, 770155.5,
6114039, 6140000))
plot(recorte, col=grey(1:100/100), legend=F,
axes=F, box=F, [Link]=2)

Figura 8.35:
plotRGB(recorte, r="R", g="G", b="B",
stretch="lin", axes=F)

Figura 8.36:
670 ANEXO I

plotRGB(recorte, r="NIR", g="R", b="G",

stretch="lin", axes=F)

Figura 8.37:
termal_corr <- brick(here("raw","termal_corr.grd"))
termal_recorte <- crop(x = termal_corr,
y = extent(753411.8, 770155.5,
6114039, 6140000))
plot(termal_recorte, col=grey(1:100/100), [Link]=F,
horizontal = TRUE,axes=F, box=F,
[Link] = list(text='Temperatura [°C]',
side = 1, line = -3))

Figura 9.30:
par(mfrow = c(2, 1))
[Link](3)
sr <- sampleRandom(recorte[[4:5]], 10000)

plot(sr[,c(1,2)],
main = "Espacio Red-NIR",
cex= 0.75,
asp= 1,
pch=16,
col=scales::alpha("steelblue4",0.1),
[Link]=0.75,
[Link]=0.75,
[Link]=0.75)
text(0.2,0.12,"Línea de Suelo",
adj=0, cex=0.75,
srt=43,font=3,col="red")
segments(-0.02371215, -0.05705248,0.4230289, 0.3478812,
col = "red", lwd = 1)
points(0.03739389, 0.5985632,
pch=20, lwd=.5, col="red")
text(0.05,0.6,"Ápice Verde", adj=0,
cex=0.75, srt=0,font=3,col="red")
[Link](2)
sr <- sampleRandom(modis, 10000) *10000
plot(sr[,c(1,4)], main = "Espacio Red-NIR",
cex= 0.75, asp= 1, pch=16,
 ANEXOS 671

col=scales::alpha("steelblue4",0.1),
[Link]=0.75, [Link]=0.75,[Link]=0.8)

1.43.6 Misiones Sentinel

Figura 8.44:
par(mar=c(4,5,4,0),[Link]=0.85,[Link]=1)
plot(xy[1:313,],
type = "l",
axes=F,
xlim=c(0,3),
ylim=c(0,1),
lwd=3,
col="gray90",
xlab=expression(paste("Longitud de Onda (",paste(mu,m),")")),
ylab="Transmitancia (%)")
axis(1,at= seq(0,3,.5),
labels= c("0.0","0.5","1.0","1.5","2.0","2.5","3.0"),
las=1, cex=0.9)
axis(2,at = seq(0,1,.1),
labels= seq(0,100,10))
title("Resolución Radiométrica: Sensor S2A/S2B")
polygon(c(.4322,.4322,.4532,.4532),c(0,.32,.32,0),
border=NA, col="dodgerblue2",lty=1,lwd=1)
polygon(c(.9351,.9351,.9551,.9551),c(0,.32,.32,0),
border=NA, col="gray70",lty=1,lwd=1)
polygon(c(.6966,.6966,.7116,.7116),c(0.33,.66,.66,.33),
border=NA, col="darkorchid1",lty=1,lwd=1)
polygon(c(.733,.733,.748,.748),c(0.33,.66,.66,.33),
border=NA, col="darkorchid2",lty=1,lwd=1)
polygon(c(.7728,.7728,.7928,.7928),c(0.33,.66,.66,.33),
border=NA, col="darkorchid3",lty=1,lwd=1)
polygon(c(.8542,.8542,.8752,.8752),c(0.33,.66,.66,.33),
border=NA, col="red3",lty=1,lwd=1)
polygon(c(1.5682,1.5682,1.6592,1.6592),c(0.33,.66,.66,.33),
border=NA, col="salmon1",lty=1,lwd=1)
polygon(c(2.1149,2.1149,2.2899,2.2899),c(0.33,.66,.66,.33),
border=NA, col="salmon3",lty=1,lwd=1)
polygon(c(2.0932,2.0932,2.2278,2.2278),c(0.33,.66,.66,.33),
border="gold2", col="gold2",lty=1,lwd=1,density=15)
polygon(c(.4594,.4594,.5254,.5254),c(0.7,1,1,.7),
border=NA, col="dodgerblue",lty=1,lwd=1)
672 ANEXO I

polygon(c(.5418,.5418,.5778,.5778),c(0.7,1,1,.7),
border=NA, col="chartreuse2",lty=1,lwd=1)
polygon(c(.6491,.6491,.6801,.6801),c(0.7,1,1,.7),
border=NA, col="red2",lty=1,lwd=1)
polygon(c(.7798,.7798,.8858,.8858),c(0.7,1,1,.7),
border=NA, col="mediumvioletred",lty=1,lwd=1)
text(2.75,0.18,"Banda 1", adj=0,
col="gray20",cex=0.85)
segments(2.5,0.18,2.7,0.18,
col="dodgerblue2",
lty=1,lwd=5,lend=2)
text(2.75,0.13,"Banda 9", adj=0,
col="gray20",cex=0.85)
segments(2.5,0.13,2.7,0.13,
col="gray70",lty=1,
lwd=5,lend=2)
segments(2.5,0.65,2.7,0.65,
col="darkorchid1",
lty=1,lwd=5,lend=2)
segments(2.5,0.6,2.7,0.6,
col="darkorchid2",
lty=1,lwd=5,lend=2)
segments(2.5,0.55,2.7,0.55,
col="darkorchid3",
lty=1,lwd=5,lend=2)
segments(2.5,0.5,2.7,0.5,
col="red3",lty=1,
lwd=5,lend=2)
segments(2.5,0.45,2.7,0.45,
col="salmon1",lty=1,
lwd=5,lend=2)
segments(2.5,0.4,2.7,0.4,
col="salmon3", lty=1,
lwd=5,lend=2)
polygon(c(2.488,2.488,2.7125,2.7125),
c(0.335,0.365,0.365,0.335),
border="gold2", col="gold2",
lty=1,lwd=1,density=15)
text(2.75,0.65,"Banda 5", adj=0, col="gray20",cex=0.85)
text(2.75,0.6,"Banda 6", adj=0, col="gray20",cex=0.85)
text(2.75,0.55,"Banda 7", adj=0, col="gray20",cex=0.85)
text(2.75,0.5,"Banda 8a", adj=0, col="gray20",cex=0.85)
 ANEXOS 673

text(2.75,0.45,"Banda 11", adj=0, col="gray20",cex=0.85)

text(2.75,0.4,"B12 S2A", adj=0, col="gray20",cex=0.85)
text(2.75,0.35,"B12 S2B", adj=0, col="gray20",cex=0.85)
segments(2.5,0.95,2.7,0.95,col="dodgerblue",
lty=1,lwd=5,lend=2)
segments(2.5,0.9,2.7,0.9,col="chartreuse2",
lty=1,lwd=5,lend=2)
segments(2.5,0.85,2.7,0.85,col="red2",
lty=1,lwd=5,lend=2)
segments(2.5,0.8,2.7,0.8,col="mediumvioletred",
lty=1,lwd=5,lend=2)
text(2.75,0.95,"Banda 2", adj=0, col="gray20",cex=0.85)
text(2.75,0.9,"Banda 3", adj=0, col="gray20",cex=0.85)
text(2.75,0.85,"Banda 4", adj=0, col="gray20",cex=0.85)
text(2.75,0.8,"Banda 8", adj=0, col="gray20",cex=0.85)
text(0,0.175,"60 m", adj=0, col="gray60",cex=1.25)
text(0,0.5,"20 m", adj=0, col="gray60",cex=1.25)
text(0,0.85,"10 m", adj=0, col="gray60",cex=1.25)

nc <- dir(path = here("raw", "sen", "sen5p"),

pattern =".nc$")
S5P_CO <- S5Processor::S5P_process(input = here("raw","sen", "sen5p",
nc[1]),
product = 6,
my_res = 20000,
extent_only = T,
apply_scale_factor =F)
pl <- rnaturalearth::ne_countries(scale = "large")
plo <- crop(pl,
extend(extent(S5P_CO),20))
Figura 8.77:
#library(tmap)
tm_layout(frame = T,
title = "Monóxido Carbono",
[Link] = TRUE) +
tm_shape(plo,
bbox=extent(S5P_CO)) +
tm_polygons(col="gray90") +
tm_layout([Link] = "gray99") +
tm_borders("gray30") +
tm_text("name",
674 ANEXO I

[Link]=T) +
tm_shape(S5P_CO,
[Link]=F) +
tm_raster(style= "pretty",
n=5,
alpha = 0.55,
palette= sequential_hcl(9,
palette = "BuPu",
rev = T),
title=expression("CO"~"mol/m"^2)) +
tm_legend([Link]= 0.95,
[Link]=0.75) +
tm_credits("Fuente: Imagen Sentinel-5p (12/10/2021).",
size=0.75,
position=c("LEFT","TOP"))

S5P_HCHO <- S5Processor::S5P_process(input = here("raw","sen", "sen5p",

nc[2]),
product = 6,
my_res = 20000,
extent_only = T,
apply_scale_factor =F)
S5P_HCHO[S5P_HCHO < 0.0001] <- NA
Figura 8.78:
tm_layout(frame = T,
title = "Formalheído",
[Link] = TRUE) +
tm_shape(plo,
bbox=extent(S5P_CO)) +
tm_polygons(col="gray90") +
tm_layout([Link] = "gray99") +
tm_borders("gray30") +
tm_text("name",
[Link]=T) +
tm_shape(S5P_HCHO,
[Link]=F) +
tm_raster(style= "pretty",
n=5,
alpha = 0.55,
palette= sequential_hcl(9,
palette = "PuBuGn",
 ANEXOS 675

rev = T),
title=expression("CH"[2]~"O"~"mol/m"^2)) +
tm_legend([Link]= 0.95,
[Link]=0.75) +
tm_credits("Fuente: Imagen Sentinel-5p (12/10/2021).",
size=0.75,
position=c("LEFT","TOP"))

S5P_NO2 <- S5Processor::S5P_process(input = here("raw","sen", "sen5p", nc[3]),

product = 6,
my_res = 20000,
extent_only = T,
apply_scale_factor =F)
S5P_NO2[S5P_NO2 < 0.00002] <- NA
Figura 8.79:
tm_layout(frame = T,
title = "Dióxido Nitrógeno",
[Link] = TRUE) +
tm_shape(plo,
bbox=extent(S5P_CO)) +
tm_polygons(col="gray90") +
tm_layout([Link] = "gray99") +
tm_borders("gray30") +
tm_text("name",
[Link]=T) +
tm_shape(S5P_NO2,
[Link]=F) +
tm_raster(style= "pretty",
n=5,
alpha = 0.55,
palette= sequential_hcl(9,
palette = "YlOrBr",
rev = T),
title=expression("NO"[2]~"mol/m"^2)) +
tm_legend([Link]= 0.95,
[Link]=0.75) +
tm_credits("Fuente: Imagen Sentinel-5p (12/10/2021).",
size=0.75,
position=c("LEFT","TOP"))
676 ANEXO I

S5P_O3 <- S5Processor::S5P_process(input = here("raw","sen", "sen5p", nc[4]),

product = 6,
my_res = 20000,
extent_only = T,
apply_scale_factor =F)
Figura 8.80:
tm_layout(frame = T,
title = "Ozono",
[Link] = TRUE) +
tm_shape(plo,
bbox=extent(S5P_CO)) +
tm_polygons(col="gray90") +
tm_layout([Link] = "gray99") +
tm_borders("gray30") +
tm_text("name",
[Link]=T) +
tm_shape(S5P_O3,
[Link]=F) +
tm_raster(style= "pretty",
n=5,
alpha = 0.55,
palette= sequential_hcl(9,
palette = "Teal",
rev = T),
title=expression("O"[3]~"mol/m"^2)) +
tm_legend([Link]= 0.95,
[Link]=0.75) +
tm_credits("Fuente: Imagen Sentinel-5p (12/10/2021).",
size=0.75,
position=c("LEFT","TOP"))

S5P_SO2 <- S5Processor::S5P_process(input = here("raw","sen", "sen5p", nc[5]),

product = 6,
my_res = 20000,
extent_only = T,
apply_scale_factor =F)
S5P_SO2[S5P_SO2 < 0.002] <- NA
Figura 8.81:
tm_layout(frame = T,
title = "Dióxido Azufre",
 ANEXOS 677

[Link] = TRUE) +
tm_shape(plo,
bbox=extent(S5P_CO)) +
tm_polygons(col="gray90") +
tm_layout([Link] = "gray99") +
tm_borders("gray30") +
tm_text("name",
[Link]=T) +
tm_shape(S5P_SO2,
[Link]=F) +
tm_raster(style= "pretty",
n=5,
alpha = 0.55,
palette= sequential_hcl(9,
palette = "YlOrRd",
rev = F),
title=expression("SO"[2]~"mol/m"^2)) +
tm_legend([Link]= 0.95,
[Link]=0.75) +
tm_credits("Fuente: Imagen Sentinel-5p (13/10/2021).",
size=0.75,
position=c("LEFT","TOP"))

S5P_CH4 <- S5Processor::S5P_process(input = here("raw","sen", "sen5p",

nc[6]),
product = 6,
my_res = 20000,
extent_only = T,
apply_scale_factor =F)
Figura 8.82:
tm_layout(frame = T,
title = "Metano",
[Link] = TRUE) +
tm_shape(plo,
bbox=extent(S5P_CO)) +
tm_polygons(col="gray90") +
tm_layout([Link] = "gray99") +
tm_borders("gray30") +
tm_text("name",
[Link]=T) +
tm_shape(S5P_CH4,
678 ANEXO I

[Link]=F) +
tm_raster(style= "pretty",
n=5,
alpha = 0.55,
palette= sequential_hcl(9,
palette = "Purple−Orange",
rev = F),
title=expression("CH"[4]~"mol/m"^2)) +
tm_legend([Link]= 0.95,
[Link]=0.75) +
tm_credits("Fuente: Imagen Sentinel-5p (11/10/2021).",
size=0.75,
position=c("LEFT","TOP"))
Índice alfabético

.RData, 8 [Link](), 306 binarizar, 524

:, 24 [Link](), 306 Bioconductor, 14
::, 148 area(), 165 bloque de código, 95
<-, 21 armonics_fun(), 488 BOA, 342
?, 25 Array, 51 boundaries(), 530
array(), 51 boxplots(), 235
artefacto, 534 BRDF, 357
absorción, 337
ARVI, 549 break, 96
absortividad, 326
ARVI2, 551 brick(), 158
addLayer(), 108
as(), 124 bucles, 91
adjust_transparency(), 215
[Link](), 526
aerosoles, 337, 339
[Link](), 44
AFRI, 551 c(), 23
[Link](), 57
aggregate(), 576 capa lógica, 483
[Link](), 155
albedo, 326 carotenoides, 537
as_Spatial(), 605
Albert Einstein, 315 cat(), 92
asignación, 20
Albrecht Penck, 140 cbind(), 40, 47
asimetría, 169
algal bloom, 573 ccodes(), 130
aspecto, 177, 178
almohadilla, 23 CEDA, 267
atmósfera, 336
amplitud, 317 cellFromRowCol(), 118
atributo geomorfométrico,
André-Marie Ampère, 314 cellFromXY(), 116
138
[Link](), 497 cellStats(), 113, 527
attributes(), 31, 41, 49
animación, 496 cero absoluto, 328
AWEI, 569
análisis CFMask, 395
azimut solar, 180
armónico, 485 Charles Hutton, 139
componentes principales, Charles Manson, 139
620 BAI, 559 cianobacterias, 573
exploratorio de datos, 163 Barón de Kelvin, 327 clases
APL, 21 batimetría, 201 espectrales, 588
[Link](), 306 BFAST, 527 informacionales, 588
[Link](), 306 biblioteca espectral, 349 clasificación, 583
[Link](), 306 bin, 236 híbrida, 584
680 RÁSTER CON R

no supervisada, 584 crs=4326, 128 Mie, 339

supervisada, 584 cuadrículas, 225 no selectiva, 339
click(), 154 cuantos, 318 Rayleigh, 339
clorofila, 537, 543 cuerpo negro, 318, 327 distGeo(), 469
clump(), 526 curtosis, 170 distribución ángulo hojas, 538
clumpSize(), 528 curva diverging_hcl(), 72
cobertura nubosa, 363 mesocúrtica, 170 Dióxido
coeficiente de variación, 169 platicúrtica, 170 de Carbono, 337
colFromCell(), 118 leptocúrtica, 170 de Azufre, 440
colFromX(), 118 curvatura, 181 de Nitrógeno, 439
colMeans(), 38 de perfil, 182 DNBRI, 560
colnames(), 40, 48 planimétrica, 182 [Link](), 248
Colores, 65 curvature(), 183 drawExtent(), 155
colores primarios, 499 Cynthia Brewer, 68 drawLine(), 155
colorRampPalette(), 68 círculo máximo, 222 drawPoly(), 155, 604
colors(), 66 código ISO, 130 dropLayer(), 108
colorspace, 66, 71 Dupain Triel, 139
colSums(), 38 darken, 78
combinación de bandas, 499 data [Link], 361
combn(), 507 catégorica, 33 ecuaciones de Maxwell, 315
comment(), 31, 41, 49 discreta, 33 ecuación de Planck, 319
compassRose(), 213 nominal, 33 EDA, 163
Comprehensive R Archive ordinal, 33 edit(), 394
Network, 5 [Link](), 44 [Link](), 394
concavidad, 181 dataframe, 43 editMap(), 129
condiciones lógicas, 30, 91 dato faltante, 295 EEM, 335
contar, 165 datum, 120 electricidad, 312
contenido de agua, 537 days(), 59 electroimán, 314
contour(), 216 declinación magnética, 231 electromagnetismo, 315
convexidad, 181 densidad de flujo radiante, elementos gráficos, 221
coordenadas 323 elevación del sol, 180
geográficas, 120 desaturate, 78 emisividad, 325
proyectadas, 120 descomposición serie tempo- emisión, 340
coordinates(), 230 ral, 299 emitancia, 323
corrección atmosférica, 342 diagrama climático, 291 endmember, 601
corrector línea de escaneo, diff(), 487 energía electromagnética,
383 digits, 114 312, 323
correlación de bandas, 520 dim(), 36 energía radiante, 323
cover(), 208 dimnames(), 54 enmascarar, 482
CRAN, 5 [Link](), 86 entidades discretas, 102
crop(), 148 [Link](), 86 EO, 311
CRS, 119 disaggregate(), 576 EPSG, 119
crs(), 121 dispersión, 338 equidistancia, 227
 RÁSTER CON R 681

equilibrio termodinámico, [Link](), 203 GNfindNearbyPlaceName(),

332 [Link](), 203 218
esferoide de referencia, 120 [Link](), 203 GNfindNearByWeather(),
espectro visible, 320 [Link](), 203 218
Estadístico filtro, 173 GNwikipediaSearch(), 218
cuartil inferior y superior, FIREMON, 560 Gordon Miller Bourne Dob-
167 firma espectral, 348 son, 451
curtosis, 170 fix(), 394 gradiente, 176
de propagación, 167 flujo radiante, 323 grDevices, 66
desviación estándar, 168 focal(), 190, 470 griddify(), 205
extensión, 167 for(), 249 gráfico de dispersión, 518
forma de distribución, 169 Formaldehído, 438 gunzip(), 271
media aritmética, 166 format(), 60 Gustav Kirchhoff, 332
mediana, 166 formato
máximo, 166 NetCDF, 272 Hans Christian Ørsted, 314
mínimo, 166 shapefile, 531 HCL, 65
promedio, 166 [Link](), 204 hcl_palettes(), 71
rango, 167 fotón, 319 HDF4, 371
rango intercuantil, 167 Fourier, 485 help(), 25
tendencia central, 166 FOV, 356 hillshade(), 180
varianza, 168 frecuencia, 317 hist(), 529
estereorradián, 322 frecuencia de observación, histograma, 236
estructura interna, 537 356 hora, 61
ETOPO1, 202 freq(), 114, 165 HSV, 65
European Petroleum Survey funciones en R, 372
Group, 119 función, 91 identación, 91
EVI, 547 IFOV, 346
EVI2, 548 [Link], 129 imán, 313
EWI, 568 gadm_plot(), 132 Indexado, 29, 38
exitancia radiante, 323 gadm_sp_loadCountries(), infrarrojo
extend(), 224 131 cercano, 321
extent(), 113, 124, 155 gadm_subset(), 133 de onda corta, 321
extractDate(), 371 gases nobles, 337 medio, 321
GEMI, 552 térmico, 321
factor óptimo, 504 geomorfometría, 137 install(), 525
factor(), 33 [Link](), 209 [Link](), 15
Factores, 33 get_elev_raster(), 143 install_github(), 528
factorValues(), 562 [Link](), 202 intellisense, 6
FAI, 577 getSds(), 372, 462 intensidad de la radiación,
falso color, 500 gif, 496 341
fase, 317 [Link], 527 intensidad radiante, 325
fecha, 57 GNcities(), 218 interacción EEM, 537
[Link](), 203 GNearthquakes(), 218 intersect(), 285
682 RÁSTER CON R

irradiancia radiante, 323 ley MNDWI, 566

[Link](), 28 de Ampère, 314 MOD09A1, 369
Islas Galapagos, 216 de desplazamiento de modelamiento armónico, 485
isohipsas, 227 Wien, 330 modelo
isóbatas, 201 de Kirchhoff, 331 de almacenamiento, 101
de Planck, 328 de campos, 102
J.J. Allaire, 6 de radiación de Planck, 328 de datos, 101
James Clerk Maxwell, 315 de Stefan-Boltzmann, 331 digital de relieve, 138
Jobs, 17 library(), 68 gográfico, 101
John Chambers, 3 lighten, 78 MODIS, 367
John Tukey, 236 listNames(), 132 [Link], 31
Jožef Stefan, 331 longitud [Link], 31
de onda, 317 months(), 59
Kenneth Iverson, 21 de Planck, 320 Monóxido de Carbono, 438
kernel, 173 lowess(), 279 morfometría, 137
tipo reina, 527 ls(), 22 mosaic(), 208, 476
tipo torre, 527 LST, 433 Mosaico, 475
kmeans, 615 Ludwig Boltzmann, 331 ms_simplify(), 530
kmeans(), 617 límites administrativos, 129 MSAVI, 545
kml, 362 muestreo, 285
knitr, 7 magnetismo, 312 método
kurtosis, 170 mapeador de ángulos espec- bilineal, 121
trales, 609 de Otsu, 524
Landsat, 377 mask(), 148 elbow, 618
1, 377 matrix(), 35
2, 377 matriz, 35 NA, 28
3, 377 matriz de separabilidad, 596 [Link](), 289
4, 377 Max Planck, 318 NACIS, 276
5, 377 max(), 37 names(), 31, 114
6, 377 mean(), 37 NaN, 28
7, 377 median(), 37 NASA LPDAAC, 364
8, 377 medida ángulo sólido, 322 NBRI, 559
9, 377 merge(), 207, 476 NBRT1, 563
Landsat Surface Temperatu- MESMA, 611 nc_close(), 449
re, 400 mesma(), 613 nc_open(), 448
lapply(), 271 mesófilo, 543 ncatt_get(), 449
LaSRC, 399 Metano, 441 ncell(), 113, 165
layerize(), 483 mezcla espectral de miembros ncol(), 37
leaflet, 129 múltiples, 611 ncvar_get(), 467
length(), 36 Michael Faraday, 314 NDVI, 543
LETTERS, 31 microondas, 322 NDWI, 565
letters, 31 miembros finales, 601 NDWI2, 566
Levels, 33 min(), 36 ne_countries(), 276
 RÁSTER CON R 683

New Project, 83 EBImage, 525 sf, 127, 605

niveles digitales, 341 elevatr, 143 sp, 213
NOAA, 202 exact_extract, 254 spatial, 13
Nobuyuki Otsu, 524 foreign, 13 spatialEco, 183
nombres propios, 73 GADMTools, 130 SpecHelpers, 320
nrow(), 37 geonames, 217 splines, 13
número de bits, 355 geosphere, 468 stats, 13, 616
graphics, 13 stats4, 13
[Link](), 209 graticule, 225 survival, 13
objeto ts, 297 grDevices, 13 tcltk, 13
observación de la tierra, 311 grid, 13 tmap, 250
OIF, 504 hablar, 229 tools, 13
OlsonNames(), 62 here, 86 TSstudio, 297
onda, 317 KernSmooth, 13 utils, 13
operaciones geomorfométri- lattice, 13 parche, 526
cas, 173 mapedit, 128 Parámetro
operación de vecindad, 173 maps, 285 Dosel, 537
operadores lógicos, 94 mapview, 128 Foliar, 537
options(), 218 marmap, 202 parámetros de proyección,
order(), 509 MASS, 13 120
orografía, 140 Matrix, 13 patrones, 24
orometría, 140 methods, 13 PCA, 620
otsu(), 526 mgcv, 13 Peanuts, 5
Ozono, 337, 440 MODIS, 371, 462 pendiente, 177
ncdf4, 272, 467 period::apply(), 496
packages, 13 netcdf, 448 período, 317
padding, 190 nlme, 13 piedra ámbar, 312
paleta de colores, 65 nnet, 13 Pieter Bruinz, 138
Panel Console, 8 oce, 230 pigmento de la hoja, 537
Panel Environment, 8 parallel, 13 pirámide de población, 261
paquete, 13 pyramid, 265 plot(), 153
animation, 496 rasterVis, 520 plotRGB(), 374
bfastSpatial, 527 readr, 350 POSIX, 62
BiocManager, 525 rgdal, 371 print(), 22
boot, 13 rHarmonics, 486 prod(), 37
class, 13 rmapshaper, 530 PROJ, 119
climatol, 292 rnaturalearth, 276 projectExtent(), 122
cluster, 13 rnaturalearthhires, 224 projectRaster(), 121
codetools, 13 rpart, 13 proporción hoja madera, 538
Colorbrewer, 205 RStoolbox, 609 Provincia de Tamanrasset,
compiler, 13 rts, 302 400
datasets, 13 rworldxtra, 463 proyección sinusoidal, 124
devtools, 528 S5Processor, 449 Proyecto BioConductor, 524
684 RÁSTER CON R

píxeles mixtos, 611 res(), 113, 123, 165 S5P_process, 450

resample(), 205 SAM, 609
QA_RADSAT, 396 resolución sam(), 610
qualitative_hcl(), 72 angular, 357 sample(), 616
quantile(), 167 espacial, 346 sampleRandom(), 289
quarters(), 59 espectral, 347 sampleRegular(), 288
radiométrica, 355 sampleStratified(), 291
R base, 5 temporal, 356 sampling, 288
radiación de cuerpo negro, resolución espacial sapply(), 271
327 alta, 346 saveGIF(), 497
radiancia, 325 gruesa, 346 saveRDS(), 88
range(), 37, 527 media, 346 SAVI, 545
ranuras, 110 muy gruesa, 346 scale(), 617
raster(), 104 resolución espectral scalebar(), 213
rasterbrick, 105 hiperespectral, 348 scripts, 8, 86
rasterize(), 469 multiespectral, 348 sd(), 37
rasterlayer, 104 pancromática, 348 segmentación, 523
rasterPCA(), 620 ultraespectral, 348 select(), 157
rasterstack, 107 resolución radiométrica, 341 sensibilidad del sensor, 355
rasterToPolygons(), 530 rev(), 27 sensor
ratify(), 480, 561 RGB, 65 AIRS, 368
rayos caloríficas, 459 rm(), 22 AMSR-E, 368
razón RMarkdown, 7 ASTER, 367
de bandas, 513 rnorm(), 173 ATSR, 432
de Kaufmann, 514 Robert Gentleman, 4 CERES, 367
de Sultán, 516 Robert J. Hijmans, 129 ETM+, 383
Chica-Olma, 515 Ross Ihaka, 4 GOSAT, 441
de Abram, 513 rowColFromCell(), 118 HSB, 368
rbind(), 40, 47 rowFromCell(), 118 MISR, 367
RColorBrewer, 66 rowFromY(), 118 MODIS, 367
read_table(), 353 rowMeans(), 38 MOPITT, 367
readGDAL(), 372 rownames(), 39, 48 MWR, 432
readRDS(), 88 rowSums(), 38 OLCI, 432
Reciclar, 27 [Link], 7 OLI, 381
reclassify(), 561 RStudio, 5 OLI-2, 379
reducción de dimensionali- rts(), 493 SLSTR, 432
dad, 620 rugosidad, 195 TCCON, 441
reflectividad, 325 runif(), 109 TIRS, 381
Región de Magnesia, 313 RVI, 540 TM, 386
regresión LOESS, 520 ráster binario, 526 TROPOMI, 437
rep(), 24 Río Mataquito, 399 seq(), 24
repeat(), 96 sequential_hcl(), 72
repetición, 24 S, 3 serie temporal, 295
 RÁSTER CON R 685

señal fotosintética, 536 superficie, 178 validCell(), 116

señales electromagnéticas, Sweave, 7 valor no disponible, 28
312 [Link](), 57 valores aleatorios, 109
shapefile, 362 [Link](), 57, 58 values(), 616
shapefile(), 531 [Link](), 61 vapor de agua, 337
Sir J.J. Thompson, 313 [Link], 62 vapply(), 271
Sir Williams Herschel, 459 var(), 37
sistema de coordenadas de re- Tales de Mileto, 312 variables biofísicas, 536
ferencia, 119 tasa crecimiento, 258 vecino más cercano, 121
slot, 111 teledetección, 311 vector, 22
slotNames(), 111 temperatura vector lógico, 30
slots, 110 superficial del mar, 433 vegetal index, 535
sombreado, 179 superficie terrestre, 433 velocidad de la luz, 316
sort(), 27 superficie terrestre, 460 ventanas atmosféricas, 336
SpatialPointsDataFrame, Terminal, 17 verdor, 536
220, 285 Terra y Aqua, 367 View(), 394
[Link], 119 terrain ruggedness index, 192 viewRGB(), 605
spDists(), 222 terrain(), 177 Von Sonklar, 140
spectral index, 535 terreno, 138
spectralIndices(), 541 thresholding, 523 Walter y Lieth, 292
Spectrum(), 320 time(), 495 weekdays(), 59
spin, 313 topographic position index, WGS84, 119
splom(), 520 195 which(), 281
spTransform(), 124 translucencia, 78 [Link], 30
sqrt(), 168 transmitividad, 326 [Link], 30
SR, 541 transparencia, 215 wich(), 30
SST, 433 transparency, 78 Willian Thomson, 327
st_polygon(), 127 transparent, 66 WNDWI, 570
st_sf(), 128 trim(), 237 World Geodetic System 1984,
st_sfc(), 128 ts(), 297 119
stack(), 159 ts_decompose(), 298 [Link], 285
stackApply(), 283 ts_lags(), 301 WorldPop, 243
str_detect(), 574 ts_plot(), 297 [Link](), 288
stretch, 374 ts_seasonal(), 300 writeFormats(), 159
strftime(), 63 writeRaster(), 158
structure(), 235 umbrales, 523
sub-ventana, 173 umbralizar, 523 xFromCell(), 115
subclase espectral, 589 unidad Dobson, 451 xFromCol(), 117
Subconjunto, 29, 38 UNIDATA, 272 xres(), 112
subset(), 46 unique(), 114, 396, 480 xyFromCell(), 116
subsetBathy(), 209 unsuperClass(), 620
sum(), 37 untar(), 389, 392 yFromCell(), 115
summary(), 235 Uruguay, 244 yFromRow(), 117
686 RÁSTER CON R

yres(), 113 matemática, 228 índice de Aerosoles, 441

percibida, 228 índice espectral, 535
área área foliar, 538
Bibliografía

Chapter 1 - a systematic view of remote sensing. In

Shunlin Liang and Jindi Wang, editors, Advanced Re-
mote Sensing (Second Edition), pages 1–57. Academic
Press, second edition edition, 2020. ISBN 978-0-12-
815826-5. doi: [Link]
5.00001-5. URL [Link]
article/pii/B9780128158265000015.

JJ Allaire, Yihui Xie, Jonathan McPherson, Javier Luraschi, Ke-

vin Ushey, Aron Atkins, Hadley Wickham, Joe Cheng, Wins-
ton Chang, and Richard Iannone. rmarkdown: Dynamic Do-
cuments for R, 2021. URL [Link]
rmarkdown. R package version 2.11.

Christopher Amante and Barry W Eakins. Etopo1 arc-minute

global relief model: procedures, data sources and analysis. 2009.

Tim Appelhans, Florian Detsch, Christoph Reudenbach, and Ste-

fan Woellauer. mapview: Interactive Viewing of Spatial Data
in R, 2020a. URL [Link]
mapview. R package version 2.9.0.

Tim Appelhans, Kenton Russell, and Lorenzo Busetto. mapedit:

Interactive Editing of Spatial Data in R, 2020b. URL https://
[Link]/package=mapedit. R package version
0.6.0.

Alice M Baldridge, SJ Hook, CI Grove, and GJRSoE Rivera. The

aster spectral library version 2.0. Remote Sensing of Environ-
ment, 113(4):711–715, 2009.
688 RÁSTER CON R

A. Bannari, D. Morin, F. Bonn, and A. R. Huete. A review of

vegetation indices. Remote Sensing Reviews, 13(1-2):95–120,
1995.

Richard A. Becker, Allan R. Wilks. R version by Ray Brown-

rigg. Enhancements by Thomas P Minka, and Alex Deckmyn.
maps: Draw Geographical Maps, 2018. URL [Link]
[Link]/package=maps. R package version 3.3.0.

Henrik Bengtsson. [Link]: Various Programming Utilities, 2020.

URL [Link] R
package version 2.10.1.

Joseph K. Berry. Beyond Mapping: Concepts, Algorithms, and

Issues in GIS. October 1996. ISBN 978-0-470-23676-5.

G. S. Birth and G. McVey. Measuring the color of growing turf

with a reflectance spectrophotometer. Agronomy Journal, 60:
640–643, 1968.

Roger Bivand, Tim Keitt, and Barry Rowlingson. rgdal: Bin-

dings for the ’Geospatial’ Data Abstraction Library, 2021. URL
[Link] R package
version 1.5-23.

Roger S. Bivand, Edzer Pebesma, and Virgilio Gomez-Rubio. Ap-

plied spatial data analysis with R, Second edition. Springer, NY,
2013. URL [Link]

Newton Henry Black. Practical Physics. Macmillan, 1913. URL

[Link]

Scott Chasalow. combinat: combinatorics utilities, 2012. URL

[Link] R packa-
ge version 0.0-8.

María Martín; Emilio Chuvievo. Cartografia de grandes incendios

forestales en la penínsulaibérica a partir de imágenes noaa-
avhrr. Serie Geográfica, pages 109–128, 1998.

William S. Cleveland. Robust locally weighted re-

gression and smoothing scatterplots. Journal of the
 RÁSTER CON R 689

American Statistical Association, 74(368):829–836,

1979. doi: 10.1080/01621459.1979.10481038. URL
[Link]
01621459.1979.10481038.

William S. Cleveland. Lowess: A program for smoothing scat-

terplots by robust locally weighted regression. The Ameri-
can Statistician, 35(1):54–54, 1981. ISSN 00031305. URL
[Link]

Helen Couclelis. People manipulate objects (but cultivate fields):

Beyond the raster-vector debate in gis. In A. U. Frank, I. Cam-
pari, and U. Formentini, editors, Theories and Methods of
Spatio-Temporal Reasoning in Geographic Space, pages 65–77,
Berlin, Heidelberg, 1992. Springer Berlin Heidelberg. ISBN
978-3-540-47333-6.

Paul SP Cowpertwait and Andrew V Metcalfe. Introductory time

series with R. Springer Science & Business Media, 2009.

Gábor Csárdi, Kuba Podgórski, and Rich Geldreich. zip: Cross-

Platform ’zip’ Compression, 2021. URL [Link]
[Link]/package=zip. R package version 2.2.0.

Daniel Baston. exactextractr: Fast Extraction from Raster Da-

tasets using Polygons, 2021. URL [Link]
org/package=exactextractr. R package version 0.6.1.

Shirley M Davis, David A Landgrebe, Terry L Phillips, Philip H

Swain, Roger M Hoffer, John C Lindenlaub, and Leroy F Silva.
Remote sensing: the quantitative approach. New York, 1978.

Jean Pierre Decorps. GADMTools: Easy Use of ’GADM’

Maps, 2021. URL [Link]
GADMTools. R package version 3.8-2.

David J Diner, Gregory P Asner, Roger Davies, Yuri Knyazikhin,

Jan-Peter Muller, Anne W Nolin, Bernard Pinty, Crystal B
Schaaf, and Julienne Stroeve. New directions in earth ob-
serving: Scientific applications of multiangle remote sensing.
690 RÁSTER CON R

Bulletin of the American Meteorological Society, 80(11):2209–

2228, 1999.

Loïc Dutrieux and Ben DeVries. bfastSpatial: Set of utilities and

wrappers to perform change detection on satellite image time-
series, December 2014. URL [Link]
bfastSpatial.

Ian S Evans. General geomorphometry, derivatives of altitude,

and descriptive statistics. In Spatial analysis in geomorphology,
pages 17–90. Routledge, 2019.

Jeffrey S. Evans. spatialEco, 2021. URL [Link]

jeffreyevans/spatialEco. R package version 1.3-6.

Gudina L Feyisa, Henrik Meilby, Rasmus Fensholt, and Simon R

Proud. Automated water extraction index: A new technique for
surface water mapping using landsat imagery. Remote Sensing
of Environment, 140:23–35, 2014.

James John Flannery. The relative effectiveness of some common

graduated point symbols in the presentation of quantitative
data. Cartographica: The International Journal for Geographic
Information and Geovisualization, 8(2):96–109, 1971.

Vojtěch Franc, Václav Hlaváč, and Mirko Navara. Sequential

coordinate-wise algorithm for the non-negative least squares
problem. In International Conference on Computer Analysis
of Images and Patterns, pages 407–414. Springer, 2005.

Antony Galton. A formal theory of objects and fields. In Da-

niel R. Montello, editor, Spatial Information Theory, pages
458–473, Berlin, Heidelberg, 2001. Springer Berlin Heidelberg.
ISBN 978-3-540-45424-3.

Bo-cai Gao. Ndwia normalized difference water index for remote

sensing of vegetation liquid water from space. Remote Sensing
of Environment, 58(3):257–266, 1996.

Jose A. Guijarro. climatol: Climate Tools (Series Homogenization

and Derived Products), 2019. URL [Link]
org/package=climatol. R package version 3.1.2.
 RÁSTER CON R 691

Qiandong Guo, Ruiliang Pu, Jialin Li, and Jun Cheng. A weigh-
ted normalized difference water index for water extraction
using landsat imagery. International journal of remote sen-
sing, 38(19):5430–5445, 2017.

Bryan A. Hanson. SpecHelpers: Spectroscopy Related Utilities,

2017. URL [Link]/bryanhanson/SpecHelpers. R pac-
kage version 0.2.7.

Ian Harris, Timothy J. Osborn, Phil Jones, and David Lister.

Version 4 of the cru ts monthly high resolution gridded mul-
tivariate climate dataset. Sci Data, 7(1):109, 2020. ISSN
2052-4463. doi: 10.1038/s41597-020-0453-3. URL https:
//[Link]/10.1038/s41597-020-0453-3.

T Hengl and HI Reuter. Geomorphometry: Concepts, software,

applications. Number 33. Elsevier, 2009. ISBN 9780080921884.

Robert J. Hijmans. geosphere: Spherical Trigonometry, 2019.

URL [Link] R
package version 1.5-10.

Robert J. Hijmans. raster: Geographic Data Analysis and Mo-

deling, 2021. URL [Link]
raster. R package version 3.4-10.

Z. A. Holden, A. M. S. Smith, P. Morgan, M. G. Rollins, and

P. E. Gessler. Evaluation of novel thermally enhanced spectral
indices for mapping fire perimeters and comparisons with fire
atlas data. International Journal of Remote Sensing, 26(21):
4801–4808, 2005. doi: 10.1080/01431160500239008. URL
[Link]

Jeffrey Hollister, Tarak Shah, Alec L. Robitaille, Mar-

cus W. Beck, and Mike Johnson. elevatr: Access Ele-
vation Data from Various APIs, 2020. URL https://
[Link]/usepa/elevatr/. R package version 0.3.1,
doi:10.5281/zenodo.4282962.

Berthold KP Horn. Hill shading and the reflectance map. Pro-

ceedings of the IEEE, 69(1):14–47, 1981.
692 RÁSTER CON R

Chuanmin Hu. A novel ocean color index to detect floating algae

in the global oceans. Remote Sensing of Environment, 113(10):
2118–2129, 2009.

A. R. Huete. A soil-adjusted vegetation index (savi), 1988.

Alfredo R. Huete, Kamel Didan, Yosio E. Shimabukuro,

Piyachat Ratana, Scott R. Saleska, Lucy R. Hutyra,
Wenze Yang, Ramakrishna R. Nemani, and Ranga My-
neni. Amazon rainforests green-up with sunlight in
dry season. Geophysical Research Letters, 33(6), 2006.
doi: [Link] URL
[Link]
10.1029/2005GL025583.

A.R. Huete, C. Justice, and W. Van Leeuwen. Modis vegetation

index (mod 13). algorithm theoretical basis document version
3, 1999.

Ross Ihaka and Robert Gentleman. R: A language

for data analysis and graphics. Journal of Compu-
tational and Graphical Statistics, 5(3):299–314, 1996.
doi: 10.1080/10618600.1996.10474713. URL https:
//[Link]/doi/abs/10.1080/10618600.
1996.10474713.

JabRef Development Team. Jabref — an open-source, cross-

platform citation and reference management software, 2021.
URL [Link]

Mark E Jakubauskas, David R Legates, Jude H Kastens, et al.

Harmonic analysis of time-series avhrr ndvi data. Photogram-
metric engineering and remote sensing, 67(4):461–470, 2001.

Susan K Jenson and Julia O Domingue. Extracting topographic

structure from digital elevation data for geographic informa-
tion system analysis. Photogrammetric engineering and remote
sensing, 54(11):1593–1600, 1988.
 RÁSTER CON R 693

Z. Jiang, A. R. Huete, K. Didan, and T. Miura. Development

of a two-band enhanced vegetation index without a blue band,
2008.

Arnon Karnieli, Yoram J. Kaufman, Lorraine Remer, and An-

drew Wald. Afri — aerosol free vegetation index. Remo-
te Sensing of Environment, 77(1):10–21, 2001. ISSN 0034-
4257. doi: [Link]
URL [Link]
pii/S0034425701001900.

D. Kaufman, Y. J.;Tanre. Atmospherically resistant vegetation

index (arvi) for eos-modis, 1992.

Dan Kelley and Clark Richards. oce: Analysis of Oceanographic

Data, 2021. URL [Link]
oce. R package version 1.4-0.

CH Key and NC Benson. Landscape assessment: remote sensing

of severity, the normalized burn ratio and ground measure of
severity, the composite burn index. FIREMON: Fire effects
monitoring and inventory system Ogden, Utah: USDA Forest
Service, Rocky Mountain Res. Station, 2005.

C.H. Key, N. Benson, D. Ohlen, S. Howard, R. McKinley, and

Zhu Z. The normalized burn ratio and relationships to burn se-
verity: ecology, remote sensing and implementation. San Diego,
CA, 2002. J.D. Greer, ed. Rapid Delivery of Remote Sensing
Products.

Rami Krispin. TSstudio: Functions for Time Series Analysis

and Forecasting, 2020. URL [Link]
package=TSstudio. R package version 0.1.6.

Fred A Kruse, AB Lefkoff, JW Boardman, KB Heidebrecht,

AT Shapiro, PJ Barloon, and AFH Goetz. The spectral image
processing system (sips)—interactive visualization and analysis
of imaging spectrometer data. Remote sensing of environment,
44(2-3):145–163, 1993.
694 RÁSTER CON R

Benjamin Leutner, Ned Horning, and Jakob Schwalb-Willmann.

RStoolbox: Tools for Remote Sensing Data Analysis, 2019. URL
[Link] R pac-
kage version 0.2.6.

Kuo-Nan Liou. An introduction to atmospheric radiation. Else-

vier, 2002.

Christopher T. Lloyd, Heather Chamberlain, David Kerr, Greg

Yetman, Linda Pistolesi, Forrest R. Stevens, Andrea E.
Gaughan, Jeremiah J. Nieves, Graeme Hornby, Kytt MacMa-
nus, Parmanand Sinha, Maksym Bondarenko, Alessandro So-
richetta, and Andrew J. Tatem. Global spatio-temporally har-
monised datasets for producing high-resolution gridded popula-
tion distribution datasets. Big Earth Data, 3(2):108–139, 2019.
doi: 10.1080/20964471.2019.1625151. URL [Link]
org/10.1080/20964471.2019.1625151. PMID: 31565697.

Lawrence W Martz and Eeltje De Jong. Catch: A fortran program

for measuring catchment area from digital elevation models.
Computers & Geosciences, 14(5):627–640, 1988.

Matteo Mattiuzzi and Florian Detsch. MODIS: Acquisition and

Processing of MODIS Products, 2021. URL [Link]
com/MatMatt/MODIS. R package version 1.2.3.9000.

Stuart K McFeeters. The use of the normalized difference water

index (ndwi) in the delineation of open water features. Inter-
national journal of remote sensing, 17(7):1425–1432, 1996.

Susan K. Meerdink, Simon J. Hook, Dar A. Roberts, and El-

sa A. Abbott. The ecostress spectral library version 1.0.
Remote Sensing of Environment, 230:111196, 2019. ISSN
0034-4257. doi: [Link]
URL [Link]
pii/S0034425719302081.

Md Mia and Yasuhiro Fujimitsu. Mapping hydrothermal altered

mineral deposits using landsat 7 etm+ image in and around
kuju volcano, kyushu, japan. Journal of Earth System Science,
121, 08 2012. doi: 10.1007/s12040-012-0211-9.
 RÁSTER CON R 695

Kirill Müller. here: A Simpler Way to Find Your Files, 2020.

URL [Link] R pac-
kage version 1.0.1.

Martin Morgan. BiocManager: Access the Bioconductor Project

Package Repository, 2021. URL [Link]
org/package=BiocManager. R package version 1.30.16.

David G Morris and Richard G Heerdegen. Automatically de-

rived catchment boundaries and channel networks and their
hydrological applications. Geomorphology, 1(2):131–141, 1988.

Babak Naimi. rts: Raster Time Series Analysis, 2019. URL

[Link] R package ver-
sion 1.0-49.

Minato Nakazawa. pyramid: Draw Population Pyramid, 2019.

URL [Link] R
package version 1.5.

Erich Neuwirth. RColorBrewer: ColorBrewer Palettes,

2014. URL [Link]
RColorBrewer. R package version 1.1-2.

Victor Olaya. Sistemas de Información Geográfica. [Link],

June 2020. ISBN 9781716777660.

Jeroen Ooms. magick: Advanced Graphics and Image-Processing

in R, 2021. URL [Link]
magick. R package version 2.7.2.

Nobuyuki Otsu. A threshold selection method from gray-level

histograms. IEEE transactions on systems, man, and cyberne-
tics, 9(1):62–66, 1979.

Eric Pante and Benoit Simon Bouhet. Analysing bathymetric

data in r with marmap. 2015.

Eric Pante and Benoit Simon-Bouhet. marmap: A packa-

ge for importing, plotting and analyzing bathymetric and
topographic data in r. PLoS ONE, 8(9):e73051, 2013.
doi:10.1371/[Link].0073051.
696 RÁSTER CON R

Gregoire Pau, Florian Fuchs, Oleg Sklyar, Michael Boutros, and

Wolfgang Huber. Ebimage an r package for image processing
with applications to cellular phenotypes. Bioinformatics, 26
(7):979–981, 2010. doi: 10.1093/bioinformatics/btq046.

Edzer Pebesma. Simple Features for R: Standardized Sup-

port for Spatial Vector Data. The R Journal, 10(1):439–446,
2018. doi: 10.32614/RJ-2018-009. URL [Link]
10.32614/RJ-2018-009.

Edzer J. Pebesma and Roger S. Bivand. Classes and methods for

spatial data in R. R News, 5(2):9–13, November 2005. URL
[Link]

YAN Pei, You-jing ZHANG, and ZHANG Yuan. A study on in-

formation extraction of water system in semi-arid regions with
the enhanced water index (ewi) and gis based noise remove
techniques [j]. Remote Sensing Information, 6, 2007.

D Jo Pennock, BJ Zebarth, and E De Jong. Landform classifica-

tion and soil distribution in hummocky terrain, saskatchewan,
canada. Geoderma, 40(3-4):297–315, 1987.

Oscar Perpiñán and Robert Hijmans. rasterVis: Visuali-

zation Methods for Raster Data, 2021. URL https://
[Link]/rastervis/. R package version
0.50.3.

Carla Pezzulo, Graeme M. Hornby, Alessandro Sorichetta, An-

drea E. Gaughan, Catherine Linard, Tomas J. Bird, David
Kerr, Christopher T. Lloyd, and Andrew J. Tatem. Sub-
national mapping of population pyramids and dependency ra-
tios in africa and asia. Scientific Data, 4(1):170089, 2017.
ISSN 2052-4463. doi: 10.1038/sdata.2017.89. URL https:
//[Link]/10.1038/sdata.2017.89.

Marius Philipp. S5Processor: Sentinel-5P L2 Processing Tool,

2021a. R package version 0.1.0.

Marius Philipp. rHarmonics: R package for harmonic modelling

of time-series data, 2021b. R package version 0.1.0.
 RÁSTER CON R 697

David Pierce. ncdf4: Interface to Unidata netCDF (Version 4

or Earlier) Format Data Files, 2019. URL [Link]
[Link]/package=ncdf4. R package version 1.17.

B. Pinty and M. M. Verstraete. Gemi: a non-linear index to

monitor global vegetation from satellites. Plant Ecology, 101
(1):15–20, 1992.

PROJ contributors. PROJ coordinate transformation softwa-

re library. Open Source Geospatial Foundation, 2021. URL
[Link]

J. Qi, A. Chehbouni, A. R. Huete, Y. H. Kerr, and S. Sorooshian.

A modified soil adjusted vegetation index. Remote Sensing of
Environment, 48(2):119–126, 1994.

R Core Team. R: A Language and Environment for Statistical

Computing. R Foundation for Statistical Computing, Vienna,
Austria, 2021. URL [Link]

John Alan Richards. Remote sensing digital image analysis.

Springer, fifth edition, 2013. ISBN 978-3-642-30061-5.

Dar A Roberts, M Gardner, Rick Church, S Ustin, G Scheer, and

RO Green. Mapping chaparral in the santa monica mountains
using multiple endmember spectral mixture models. Remote
sensing of environment, 65(3):267–279, 1998.

Jr. Rouse, J.W., R.H. Haas, J.A. Schell, and D.W. Deering. Moni-
toring the vernal advancement and retrogradation (green wave
effect) of natural vegetation, 1973.

Barry Rowlingson. geonames: Interface to the ”Geonames”

Spatial Query Web Service, 2019. URL [Link]
[Link]/package=geonames. R package version 0.999.

RStudio Team. RStudio: Integrated Development Environment

for R. RStudio, PBC., Boston, MA, 2020. URL [Link]
[Link]/.
698 RÁSTER CON R

Peter Shary, LARISA Sharaya, and Andrey Mitusov. The pro-

blem of scale-specific and scale-free approaches in geomorpho-
metry. Geografia Fisica e Dinamicca Quaternaria, 28:81, 01
2005.

Peter A Shary. Land surface in gravity points classification by a

complete system of curvatures. Mathematical Geology, 27(3):
373–390, 1995.

Peter A Shary, Larisa S Sharaya, and Andrew V Mitusov. Fun-

damental quantitative methods of land surface analysis. Geo-
derma, 107(1-2):1–32, 2002.

Robert H Shumway and David S Stoffer. Time series analysis

and its applications: with r examples, 2017.

David Sjoberg. hablar: Non-Astonishing Results in R, 2020. URL

[Link] R package
version 0.3.0.

Philip N. Slater. Remote sensing. optics and optical systems.

Remote sensing. Optics and optical systems, 1980.

M. Smith, M. Goodchild, and P. Longley. Geospatial analysis -

a comprehensive guide to principles, techniques and software
tools (6. ed.). 2018.

Andy South. rworldxtra: Country boundaries at high resolu-

tion., 2012. URL [Link]
rworldxtra. R package version 1.01.

Andy South. rnaturalearth: World Map Data from Natural

Earth, 2017. URL [Link]
rnaturalearth. R package version 0.1.0.

Reto Stauffer, Georg J. Mayr, Markus Dabernig, and Achim

Zeileis. Somewhere over the rainbow: How to make effective
use of colors in meteorological visualizations. Bulletin of the
American Meteorological Society, 96(2):203–216, 2009. doi:
10.1175/BAMS-D-13-00155.1.
 RÁSTER CON R 699

Mohamed Sultan, Raymond E Arvidson, Neil C Sturchio, and

Edward A Guinness. Lithologic mapping in arid regions with
landsat thematic mapper data: Meatiq dome, egypt. Geological
Society of America Bulletin, 99(6):748–762, 1987.

Michael D. Sumner. graticule: Meridional and Parallel Lines for

Maps, 2021. URL [Link]
graticule. R package version 0.1.6.

Susumu Tanimura, Chusi Kuroiwa, and Tsutomu Mizota. Pro-

portional symbol mapping in r. Journal of Statistical Software,
15:1–7, 2006.

Andrew J. Tatem, Andres J. Garcia, Robert W. Snow, Abdisa-

lan M. Noor, Andrea E. Gaughan, Marius Gilbert, and Cathe-
rine Linard. Millennium development health metrics: where do
africa’s children and women of childbearing age live? Popula-
tion Health Metrics, 11(1):11, 2013. ISSN 1478-7954. doi:
10.1186/1478-7954-11-11. URL [Link]
1478-7954-11-11.

Martijn Tennekes. tmap: Thematic maps in R. Journal of Statis-

tical Software, 84(6):1–39, 2018. doi: 10.18637/jss.v084.i06.

Andy Teucher and Kenton Russell. rmapshaper: Client for

’mapshaper’ for ’Geospatial’ Operations, 2021. URL https://
[Link]/package=rmapshaper. R package ver-
sion 0.4.5.

W. R. Tobler. Analytical cartography. The

American Cartographer, 3(1):21–31, 1976. doi:
10.1559/152304076784080230. URL [Link]
10.1559/152304076784080230.

John W Tukey. Exploratory data analysis, volume 2. Reading,

Mass., 1977. ISBN 9780201076165.

M.P.J. van der Loo and E. De Jonge. Learning RStudio for

R Statistical Computing. Community experience distilled.
Lightning Source, 2012. ISBN 9781782160601. URL https:
//[Link]/books?id=vOTHmAEACAAJ.
700 RÁSTER CON R

E Vermote. Mod09a1 modis / terra surface reflectance 8-day l3

global 500m sin grid v006, 2015.

Heinrich Walter, E Harnickell, and Dieter Mueller-Dombois. Cli-

mate diagram maps. Ind. Countries and the ecological climatic
regions of the earth. Suppl. to the veg. monographs, 8(11), 1975.

Hadley Wickham, Jim Hester, and Winston Chang. devtools:

Tools to Make Developing R Packages Easier, 2021. URL
[Link] R packa-
ge version 2.4.2.

Margaret F. J. Wilson, Brian O’Connell, Colin Brown, Janine C.

Guinan, and Anthony J. Grehan. Multiscale terrain analy-
sis of multibeam bathymetry data for habitat mapping on
the continental slope. Marine Geodesy, 30(1-2):3–35, 2007.
doi: 10.1080/01490410701295962. URL [Link]
10.1080/01490410701295962.

Yihui Xie. animation: An R package for creating animations

and demonstrating statistical methods. Journal of Statisti-
cal Software, 53(1):1–27, 2013. URL [Link]
org/v53/i01/.

Yihui Xie and JJ Allaire. tufte: Tufte’s Styles for R Mark-

down Documents, 2021. URL [Link]
package=tufte. R package version 0.10.

Yihui Xie, J.J. Allaire, and Garrett Grolemund. R Markdown:

The Definitive Guide. Chapman and Hall/CRC, Boca Ra-
ton, Florida, 2018a. URL [Link]
rmarkdown. ISBN 9781138359338.

Yihui Xie, Christian Mueller, Lijia Yu, and Weicheng Zhu. ani-
mation: A Gallery of Animations in Statistics and Utilities
to Create Animations, 2018b. URL [Link]
animation. R package version 2.6.

Yihui Xie, Christophe Dervieux, and Emily Riederer. R

Markdown Cookbook. Chapman and Hall/CRC, Boca Ra-
 RÁSTER CON R 701

ton, Florida, 2020. URL [Link]

rmarkdown-cookbook. ISBN 9780367563837.

Hanqiu Xu. Modification of normalised difference water index

(ndwi) to enhance open water features in remotely sensed ima-
gery. International journal of remote sensing, 27(14):3025–
3033, 2006.

Margaret Young and Ian S Evans. Statistical characterization

of altitude matrices by computer. report 5. terrain analysis:
Program documentation. Technical report, 1978.

Achim Zeileis, Kurt Hornik, and Paul Murrell. Escaping RG-

Bland: Selecting colors for statistical graphics. Computatio-
nal Statistics & Data Analysis, 53(9):3259–3270, 2009. doi:
10.1016/[Link].2008.11.033.

Achim Zeileis, Jason C. Fisher, Kurt Hornik, Ross Ihaka, Clai-

re D. McWhite, Paul Murrell, Reto Stauffer, and Claus O.
Wilke. colorspace: A toolbox for manipulating and assessing
colors and palettes. Journal of Statistical Software, 96(1):1–49,
2020. doi: 10.18637/jss.v096.i01.

Lyle W Zevenbergen and Colin R Thorne. Quantitative analy-

sis of land surface topography. Earth surface processes and
landforms, 12(1):47–56, 1987.

Wei Zheng, Zhang Xia, Zhang Bing, and Li Xing. General

and specific methods studying on bands selection of hypers-
pectral remote sensing data. In Proceedings. 2005 IEEE
International Geoscience and Remote Sensing Symposium,
2005. IGARSS ’05., volume 5, pages 3223–3226, 2005. doi:
10.1109/IGARSS.2005.1526527.