Mejores fuentes para descargar imágenes satelitales para proyectos de R

Diez metros. Así de chico es un píxel de Sentinel-2, y esa sola cifra fue la que me hizo abandonar Landsat cuando intentaba mapear corredores de bosque para mis salidas de conteo de aves. Si estás metido en modelado de nicho ecológico, o en cualquier proyecto de teledetección satelital con R que dependa de imágenes satelitales gratis, la pregunta que de verdad importa no es qué satélite suena más impresionante en el nombre, sino qué resolución responde tu pregunta concreta. Acá te resumo, con la cabeza ya golpeada contra varias paredes (la verdad sea dicha, más veces de las que admito en público), qué fuentes valen la pena para un proyecto de R para conservación y en qué momento conviene mejor pagar un curso que seguir tropezando solo.

Antes de seguir, una aclaración que prefiero poner por delante: este sitio vive de enlaces de afiliado, así que si entrás a un curso desde mis recomendaciones yo recibo una comisión y a ti no te cuesta un centavo extra. Lo que menciono abajo son solo cursos que probé con mis propios mapas o que revisé a fondo por dentro — si no me sirvió a mí, no te lo voy a vender.

¿Por qué no basta con las capas climáticas para un buen modelo?

La duda que más me repiten en el grupo de conteo es alguna versión de esta: si el clima dice que ahí debería haber bosque, ¿para qué meterse con satélites? La respuesta corta es que el clima no se entera cuando alguien tumba un tajo de bosque la semana pasada. Las capas bioclimáticas (de esas que arma WorldClim, tema para otro artículo) describen promedios de temperatura y lluvia, pero no te dicen si ese pedazo de monte sigue en pie o ya es un potrero. Ahí es donde entran las imágenes satelitales: son los ojos que le faltan a tu modelo de nicho ecológico para saber qué hay realmente en el terreno.

El problema, para alguien sin formación técnica, es que entrar a las plataformas de descarga se siente como subirse a la cabina de un avión sin manual: te tiran encima palabras como reflectancia, ortorectificación y nombres de satélites que suenan a película. La buena noticia es que para empezar solo necesitas entender dos o tres cosas, no el manual completo.

¿Cuáles son las dos fuentes gratis que en verdad vas a usar?

Si trabajas en R, básicamente vas a vivir de dos proveedores gratuitos, y con eso te sobra para aprender antes de pensar en pagar nada (en mi guía sobre datos satelitales de pago frente a opciones gratuitas para usar en R entro más a fondo en cuándo sí conviene pagar). El primero es USGS EarthExplorer, la puerta de entrada a Landsat, gratuito desde 2008 y por eso el abuelo confiable de cualquier aficionado. Landsat 8 y 9 entregan una resolución espacial de 30 metros, es decir que cada píxel de tu mapa representa un cuadro de 30 por 30 metros en el suelo real, y además repiten la toma cada 16 días.

El segundo, y el que más uso ahora, es Copernicus Browser, la puerta de Sentinel-2, de la Agencia Espacial Europea. Esos diez metros de resolución espacial que mencioné al principio son la diferencia entre ver un fragmento de bosque como una mancha o verlo con algo de forma, y eso en Costa Rica — donde los parches de bosque son chiquitos y están pegados a potreros — se nota muchísimo. Sentinel-2 además viene con 13 bandas espectrales, lo que te deja armar combinaciones de color que resaltan la vegetación mejor que casi cualquier otra fuente gratuita.

Una lectora, Yadira Solano, me escribió hace poco con tres errores de R pegados directo en el cuerpo del correo, y entre las dudas metió esta: si ella trabaja en Mac y casi todos los tutoriales de EarthExplorer están grabados en Windows, ¿cambia algo? La respuesta es que no: tanto EarthExplorer como Copernicus Browser corren en el navegador, así que el sistema operativo no afecta la descarga en sí. Lo único que cambia un poco es cómo descomprimís el archivo una vez que lo bajaste, y ahí sí conviene buscar el comando correcto para Mac en lugar de copiar el de un tutorial pensado para Windows.

Por qué las bandas espectrales cambian todo

Aquí es donde a mí se me cruzaron los cables al principio. El satélite no toma una sola foto: toma varias, cada una en una longitud de onda distinta. Para calcular el índice de vegetación de diferencia normalizada (NDVI), que es lo que te dice qué tan sana está la vegetación, R resta la banda roja de la banda infrarroja cercana y divide entre la suma de ambas. Suena de otro planeta, pero con el paquete terra en R es literalmente una línea de código; lo que sí te va a sonar la laptop como turbina es el peso de los archivos, que se cuentan en gigas.

Por un tiempo mandaba a la gente a un par de calculadoras de NDVI en línea, de esas páginas que prometen soltarte el índice sin tocar R. Dejé de recomendarlas porque el resultado nunca cuadraba exactamente con lo que me daba terra, y terminabas con un número bonito sin entender de dónde salió — mejor perder una tarde entendiendo la resta de bandas en R que confiar en una caja negra.

Descarga directa o API en la nube: el dilema que me quemó una tarde entera

La primera vez que quise trabajar con escenas completas de Landsat, lo hice en una computadora prestada con ArcGIS instalado, y la máquina se colgaba cada vez que intentaba cargar una capa nueva. No exagero: se quedaba pegada media tarde sin soltar un resultado, y al final terminé cerrando el programa a la fuerza (la verdad sea dicha, grité algo que no voy a repetir aquí) sin haber logrado nada.

El truco que me hubiera ahorrado ese disgusto es usar APIs en la nube, como Google Earth Engine conectado desde R, que le pasan la carga de procesamiento a un servidor en vez de a tu laptop: no bajas el archivo pesado, le pedís el cálculo ya hecho y te regresa solo el resultado. La otra cara de la moneda es que tenés que aprender a autenticarte y a entender cuotas de uso, un dolor de cabeza distinto al de simplemente descargar y abrir un archivo.

Cómo evitar que R se trabe procesando imágenes gigantes

Si decidís procesar en tu propia máquina porque sos terco como yo, el paquete que necesitás es terra, bastante más liviano que el viejo raster. Si además buscás variables ambientales para modelar hábitats de aves con R y satélites, terra te deja recortar la imagen solo al área que te interesa (tu "mask") en vez de procesar el país entero sin necesidad.

En mi escritorio en L, con dos monitores que no son ni de la misma marca porque los fui consiguiendo por separado, tengo pegada en la pared de atrás una fila de post-its con nombres de especies y rutas de archivo que ya ni recuerdo por qué anoté. La resolución que elijas para tus capas cambia según qué tan grande sea tu área de estudio, y combinar capas bioclimáticas fijas con variables satelitales que cambian mes a mes es otro tema completo — pero vale la pena saber que esa diferencia existe antes de mezclar todo sin pensar.

¿Las capas satelitales reemplazan los datos de campo?

No, y quien diga lo contrario probablemente nunca ha ido a comprobarlo. Isaías Morera, mi compañero de conteo desde hace rato, no se fía mucho de los modelos: prefiere la libreta de campo antes que cualquier capa de colores en una pantalla. La vez que por fin corrí un script sin que me tirara error y el mapa apareció completo en la pantalla, lo primero que hice no fue celebrar el código: fue arrastrar a Isaías al Parque Metropolitano La Sabana a comparar lo que el píxel decía contra lo que había realmente entre los árboles.

Ahí aprendí la regla que uso desde entonces: la capa satelital no reemplaza la bota en el lodo, la confirma o la contradice, y las dos cosas sirven. Si tenés puntos de presencia propios o bajados de alguna base abierta, cruzarlos contra tu capa de vegetación antes de confiar en el modelo te ahorra el ridículo de presentar un mapa que dice "bosque sano" donde cualquiera que pise el lugar te va a decir que eso es un potrero con cuatro árboles sueltos.

Maxent en R o teledetección satelital pura: cuál te conviene estudiar primero

Esto depende de qué pregunta querés responder primero. Si tu meta final es ver dónde podría aparecer una especie, el curso de Modelado de Nicho Ecológico con Maxent en R te lleva directo al flujo de trabajo sin pedirte base previa de programación, algo que agradecí bastante cuando empecé. Si en cambio lo que te interesa es dominar el manejo de imágenes satelitales por sí solo — procesarlas, combinarlas, no tronar la RAM en el intento — el de Teledetección Satelital con R y R-Studio cubre justo esa parte que el otro no toca, aunque es una inversión más alta y conviene revisarlo bien antes de pagar.

La diferencia de fondo —entre modelar dónde vive una especie y simplemente aprender a leer una imagen satelital— da para un artículo aparte, pero si tuviera que resumirlo en una frase: Maxent te dice dónde buscar, la teledetección te dice qué hay realmente ahí. Si estás arrancando y preferís no perder el tiempo que yo perdí peleando solo, cualquiera de los dos cursos de arriba te ahorra ese tramo; y si todavía no decidís por cuál, te dejo también mis mejores opciones de formación en sensores remotos con R y R-Studio para comparar antes de meter la tarjeta.