Estaba lloviendo a cántaros en San José, de esas noches de finales de noviembre donde el agua no perdona y el ruido en el techo de zinc no te deja ni pensar. Eran finales de 2025 y yo estaba ahí, con los ojos rojos frente a la laptop, tratando de entender por qué mi mapa de MaxEnt para el jilguero de montaña parecía una pintura de brocha gorda. Todo el bosque nuboso era una sola mancha verde uniforme, sin matices, sin cortes, como si la naturaleza fuera un bloque sólido de cemento pintado. Había usado el famosísimo NDVI porque es lo que sale en el primer resultado de Google, pero mi mapa no me estaba diciendo nada útil. Esa noche fue cuando entendí que elegir el índice de vegetación no es solo cuestión de seguir la moda, sino de entender qué diablos está pasando en el suelo mientras el satélite pasa por arriba.
El problema de la mancha verde: Por qué el NDVI no siempre es tu amigo
Si te metiste en esto de los mapas de nicho por amor al arte (o a los pájaros, como yo), lo primero que te tiran por la cabeza es el NDVI. Es el rey. Es fácil de calcular: (NIR - Rojo) / (NIR + Rojo). En teoría, te da un rango de valores del NDVI que va de -1 a 1, donde todo lo que se acerca a 1 es selva virgen y lo que baja de 0 es agua o asfalto. Pero aquí está el truco que nadie te dice en los tutoriales básicos: el NDVI se satura.
Durante esa noche de lluvia, me di cuenta de que en zonas de alta biomasa —como nuestros bosques tropicales—, el NDVI llega a su límite muy rápido. Una vez que la vegetación es lo suficientemente densa, da igual si hay un poquito más de hojas o un corredor biológico sutil; el índice se queda pegado cerca del 1 y deja de discriminar. Para mis modelos de nicho, eso era veneno. Estaba perdiendo la capacidad de ver dónde el hábitat realmente cambiaba. Mi error fue pensar que el índice más popular era el mejor, cuando en realidad necesitaba algo que 'viera' a través de tanta densidad verde.
La trampa de los 10 metros y el susto del mapa en blanco
A medida que avanzaba la transición a la época seca, a inicios de 2026, decidí dejar de pelear con datos viejos y me pasé a Sentinel-2. Me emocioné con la resolución espacial de bandas visibles e infrarrojo cercano de Sentinel-2 que es de 10 metros. ¡Diez metros! Eso es casi ver el patio de mi casa desde el espacio. Pero R tiene una forma muy especial de bajarte los humos cuando te crees muy genio.
Cargué mis capas, escribí el script usando la librería terra (que por cierto, es mucho más rápida que la vieja raster, aunque todavía se me olvida cómo se llaman la mitad de las funciones) y corrí el proceso. El resultado: un mapa totalmente blanco. Nada. Vacío. Sentí esa punzada de decepción típica de cuando has pasado dos horas limpiando rutas de archivo que no encuentra para que al final el código no te dé ni las gracias. Resulta que olvidé un detalle técnico que casi me hace tirar la computadora por la ventana: los valores de reflectancia de Sentinel-2 vienen escalados por 10,000. Si no divides tus bandas por ese número antes de calcular cualquier índice, R simplemente no sabe qué mostrarte. Esos son los momentos donde uno extraña el Excel, pero luego te acuerdas de que Excel explotaría con un archivo de ese tamaño y se te pasa.
Si estás empezando, te recomiendo leer sobre las diferencias entre imágenes Sentinel y Landsat para procesar con R antes de bajar gigas de datos por gusto, porque cada sensor tiene sus mañas con las escalas.
EVI y SAVI: Los héroes menos conocidos del bosque tropical
Tras varias semanas de errores en la consola y de googlear funciones hasta en la madrugada, encontré la luz: el EVI (Enhanced Vegetation Index). A diferencia del NDVI, el EVI es mucho más sensible en regiones de alta biomasa. Tiene unos términos de corrección para la atmósfera que lo hacen más robusto ante ese 'ruido' que nos sobra en el trópico. Cuando lo implementé en R, el calor que emana del teclado de la laptop mientras el procesador trabaja al máximo renderizando un archivo raster de un gigabyte se sentía como una medalla al honor. El mapa por fin empezó a mostrar texturas en el bosque nuboso que antes eran invisibles.
Luego está el SAVI (Soil-Adjusted Vegetation Index). Este lo aprendí a usar casi por accidente cuando intentaba mapear una zona cerca de la costa con mucha arena y parches de vegetación seca. El SAVI usa un factor de ajuste de suelo (el famoso parámetro L) para que el brillo de la tierra no te mienta diciendo que hay menos verde del que realmente hay. Al final, mi gran lección fue que el índice menos conocido suele ser más robusto ante el ruido atmosférico de nuestra región específica. El NDVI está bien para un campo de trigo en Kansas, pero para la complejidad de Centroamérica, hay que ser un poco más terco y buscar alternativas.
¿Vale la pena pagar por un curso o sigo peleando solo?
Un sábado por la mañana de junio de 2026, finalmente vi los corredores biológicos en mi pantalla. Después de meses de pelearme con el código, ahí estaban: líneas finas de vegetación que conectaban parches de bosque que el NDVI me había mostrado como una sola masa amorfa. En ese momento entendí que gran parte de mi frustración vino de querer inventar el agua tibia con tutoriales sueltos de YouTube que no siempre aplican a nuestros sensores o a nuestra geografía.
He pasado por muchos recursos gratis y un par pagados. A veces, la mejor formación en teledetección con R para automatizar mapas de vegetación no es la más cara, sino la que te enseña a manejar estos errores de escala y a elegir el sensor correcto desde el día uno. Por ejemplo, si usas Landsat 8, tienes que saber que la longitud de onda de la banda 5 (NIR) de Landsat 8 es de 0.851 - 0.879 micras, y eso cambia ligeramente cómo se comporta tu índice comparado con Sentinel. Si alguien me hubiera explicado eso en una tarde, me habría ahorrado meses de mapas mediocres.
Mi consejo de amigo que ya rompió el código tres veces: no le tengas miedo a los índices raros. Si tu mapa parece una mancha, deja de usar NDVI. Prueba el EVI si estás en la montaña o el SAVI si estás en zonas más áridas. Y sobre todo, no te desesperes cuando R te tire un error de memoria o una capa en blanco; probablemente es solo que olvidaste un cero o que tu procesador está pidiendo un respiro mientras intenta masticar un gigabyte de selva digital. Al final, cuando ves el mapa que realmente responde a tu pregunta de conservación, todo ese calor del teclado y las noches de café valen la pena.
" , no soy científico de datos, pero la terquedad me ha llevado más lejos que cualquier título en este brete de los mapas.