Mejores sensores remotos para monitorear deforestación usando R y satélites

Eran pasadas las diez de una noche lluviosa de domingo el pasado noviembre y mi pantalla era un mar de letras rojas. Venía llegando de pajarear en los bosques de altura de Cartago, con barro hasta las rodillas y un par de registros dudosos de un colibrí que juraba haber visto en una quebrada donde el mapa decía que no había nada.

Antes de seguir, un detalle de transparencia: Erre Datos se sostiene con enlaces de afiliado. Si decides entrar a alguno de los cursos que menciono usando mis enlaces, me gano una pequeña comisión sin que a ti te cueste un solo centavo extra. Todo lo que comento aquí parte de herramientas y cursos que pagué de mi propio bolsillo o que analicé a fondo en su temario y con sus comunidades; si algo es humo o no sirve para arrancar en serio, no lo recomiendo y punto.

El problema aquella noche era evidente: mi modelo de nicho en R seguía pintando una mancha verde perfecta de bosque continuo. Pero cuando fui a pie, ese parche ya era pastizal con tres vacas flacas y un cerco de alambre de púa recién puesto. Los datos climáticos viejos me decían que la especie debería vivir feliz ahí, pero el bosque ya no existía. Si quería entender hacia dónde se estaban moviendo las aves, necesitaba saber dónde se estaba perdiendo cobertura forestal en tiempo real, no en mapas promediados de hace diez años. Y para eso me tocó meterme, a los golpes, en el mundo de los sensores remotos dentro de la consola de R.

Por qué el modelado de nicho se queda ciego sin sensores satelitales

Cuando uno empieza a travesear con distribución de especies, la tentación típica es meter variables bioclimáticas globales, apretar run y quedarse admirando el mapa de idoneidad. Pero las aves no anidan en un promedio de temperatura anual: anidan en árboles reales. Si alguien mete motosierra en una hectárea para sembrar piña o meter ganado, tu modelo sigue creyendo que el bosque sigue intacto.

Hacia mediados de febrero me quedó clarísimo que necesitaba incorporar capas satelitales dinámicas. Quería calcular índices de vegetación para detectar cambios de dosel entre temporadas y recortar las predicciones teóricas a la realidad del terreno. Si estás en una encrucijada parecida buscando cómo enfocar tus proyectos de conservación, vale la pena revisar cómo elegir un curso de R para identificar hábitats de aves en peligro antes de gastar semanas en tutoriales desarticulados.

El tropiezo inmediato vino con el software: casi todo el mundo en teledetección te manda a programas comerciales pesadísimos. Pero como yo ya tenía mis coordenadas y mis rutinas armadas en RStudio, me negué a aprender otra interfaz desde cero. Lo que no calculé fue que meter imágenes multiespectrales en R exige entender muy bien qué sensor estás descargando y cuánta memoria RAM le vas a pedir a tu computadora.

La batalla de los sensores: MODIS, Landsat o Sentinel-2 en R

Mi primer intento fue descargar lo más fácil que encontré en los foros: productos derivados de MODIS. La ventaja teórica sonaba perfecta para alguien perezoso como yo, porque MODIS pasa todos los días tomando fotos. Sin embargo, cuando cargué el archivo en R con el paquete terra y le di un plot(), sentí que me habían tomado el pelo.

La resolución espacial nativa más alta de MODIS en sus bandas superficiales rojas y de infrarrojo cercano es de 250 metros. En las llanuras gigantescas de Norteamérica o en el corazón del Amazonas, un píxel de 250 metros te avisa de un incendio descomunal sin problema. Pero en Centroamérica, donde un corredor biológico vital a veces es una hilera de árboles pegada a una cerca o una franja riparia de treinta metros, un píxel de 250 metros te promedia un río, una carretera, tres casas y una milpa en un solo cuadrado borroso. No me servía para nada.

Luego me fui al clásico histórico: la constelación Landsat (Landsat 8 y Landsat 9). Aquí la resolución espacial multiespectral mejora sustancialmente a 30 metros por píxel. Con 30 metros ya empiezas a distinguir potreros de rodales de bosque maduro. Además, el archivo histórico es invaluable si quieres ver qué había en una finca en los años noventa. Pero su frecuencia de sobrevuelo ronda los 16 días, lo que en una región tropical significa que muchas pasadas se pierden por completo debajo de las nubes.

Y entonces llegué a Sentinel-2, del programa europeo Copernicus. Sus bandas ópticas del espectro visible y el infrarrojo cercano (específicamente las bandas 2, 3, 4 y 8) tienen una resolución espacial de 10 metros, con una frecuencia de retorno combinada de apenas 5 días cerca del ecuador. Pasar de píxeles de 30 metros a 10 metros en R fue como cambiar los binoculares viejos de mi abuelo por unos con prismas de fluorita: de repente las manchas de deforestación hormiga, los caminos trocheros ilegales y la fragmentación fina de las copas de los árboles se hicieron visibles.

Si todavía tienes dudas sobre cómo armar tu catálogo de insumos satelitales abiertos, te recomiendo consultar nuestra guía sobre mejores fuentes para descargar imágenes satelitales para proyectos de R para no perder tiempo bajando archivos corruptos o gigantescos.

El gran dilema de los trópicos: resolución temporal contra nubes impenetrables

Aquí es donde la teoría satelital de manual choca contra la pared de la realidad de campo. En los foros se suele repetir que con una frecuencia de paso de 5 días como la de Sentinel-2 tienes resuelto el monitoreo forestal. Pero la verdad sea dicha: en el trópico húmedo, puedes tener veinte pasadas consecutivas de un sensor óptico y todas salen cubiertas por una manta blanca de nubes que parece algodón impenetrable.

Este es el verdadero equilibrio que nadie te cuenta al inicio: el uso de sensores ópticos de alta resolución temporal ofrece una mayor frecuencia de actualización teórica, pero presenta una capacidad nula de penetración en la cobertura nubosa comparado con los sensores de radar (como Sentinel-1 SAR). Un sensor de radar emite microondas que atraviesan la tormenta más densa y rebotan en la rugosidad de los árboles, dándote información estructural del dosel llueva o truene.

Sin embargo, procesar radar en R requiere matemáticas complejas y una curva de aprendizaje empinada que a mí casi me hace tirar la toalla. Por eso, para quienes venimos del lado aficionado, Sentinel-2 sigue siendo el punto dulce: aprendiendo a generar máscaras de nubes con sus bandas de control de calidad (la capa SCL o QA60) y armando compuestos estacionales limpios, logras monitorear el avance de la tala sin necesidad de ser físico nuclear.

Cómo procesamos el índice de vegetación en R sin quemar la computadora

Durante años, los tutoriales viejos recomendaban usar el paquete raster en R. Si intentas cargar varias escenas de Sentinel-2 con raster::stack(), prepárate para ver cómo tu máquina se congela por falta de memoria mientras el ventilador suena como turbina de avión. La comunidad moderna de análisis geoespacial migró casi por completo al paquete terra, optimizado en C++ y con un manejo impecable de datos en disco sin saturar la RAM.

Para detectar la pérdida de dosel, el cálculo más directo y noble sigue siendo el Índice de vegetación de diferencia normalizada (NDVI). La matemática es simple: toma la reflectancia de la banda infrarroja cercana (B08 en Sentinel-2) y réstale la banda roja (B04); luego divide esa resta entre la suma de ambas bandas. El resultado se mantiene estrictamente en una escala entre -1 y +1, donde los valores superiores a 0.7 denotan copas de bosque denso y saludable, mientras que caídas bruscas hacia 0.2 o 0.3 en la misma coordenada delatan suelo desnudo o pasto recién cortado.

El código básico con terra termina siendo sorprendentemente limpio cuando ya alguien te explicó la lógica:

library(terra)

# Cargamos las bandas roja e infrarroja cercana a 10 metros
b04 <- rast('B04_10m.jp2')
b08 <- rast('B08_10m.jp2')

# Cálculo directo de NDVI
ndvi <- (b08 - b04) / (b08 + b04)

# Clasificamos pérdidas: dosel denso vs suelo descubierto
bosque_perdido <- ndvi < 0.4

El problema no es escribir esas cuatro líneas. El dolor de cabeza real está en lo que pasa antes: reproyectar las capas para que coincidan con tus puntos de campo, recortar el área de estudio para no procesar gigabytes innecesarios y limpiar los bordes de sombras montañosas. Tras unas cuatro semanas peleando con scripts rotos en RStudio, entendí que una cosa es descargar un raster y otra muy distinta tener un flujo de trabajo replicable.

Dos rutas de aprendizaje: ¿Teledetección pura o modelado de nicho?

En este camino me di cuenta de que muchos aficionados cometemos el error de mezclar dos disciplinas en la misma bolsa. Si quieres aprender a manipular satélites en R, necesitas cursos que te enseñen teledetección real; si lo tuyo es predecir dónde viven los animales a partir de presencias, lo tuyo es el modelado de nicho con MaxEnt. Para profundizar en la oferta disponible en nuestro idioma, puedes leer sobre las mejores opciones de formación en sensores remotos con R y R-Studio.

En mi caso particular, probé dos opciones que apuntan a necesidades muy diferentes:

1. Teledetección Satelital con R y R-Studio

Si tu traba principal es cómo lidiar con las bandas de Sentinel-2, Landsat, correcciones atmosféricas, mosaicos y cálculo de índices multiespectrales paso a paso, el curso de Teledetección Satelital con R y R-Studio va directo a ese grano técnico. No asume que eres un experto en programación, pero sí te lleva por el flujo completo de teledetección dentro de RStudio, evitando que tengas que saltar a programas externos. La desventaja es que representa un salto de inversión considerable comparado con cursos introductorios generales y todavía cuenta con pocas reseñas públicas (el precio exacto y vigente lo puedes revisar en su página oficial, ya que cambia periódicamente). Vale la pena pedir acceso a su comunidad o consultar dudas antes de pagar.

2. Modelado de Nicho Ecológico con Maxent en R

Por otro lado, si tu prioridad inmediata no es procesar imágenes crudas sino entender qué variables ambientales explican por qué una especie aparece en un lugar y cómo proyectar su hábitat futuro, el curso de Modelado de Nicho Ecológico con Maxent en R es el camino natural. Su costo de entrada suele ser sumamente accesible para evaluar si el análisis espacial es lo tuyo, y va al grano sobre datos de presencia de biodiversidad sin rodeos teóricos pesados. Eso sí: no te enseñará a limpiar nubes en Sentinel-2 ni a componer índices espectrales complejos; se concentra exclusivamente en el modelado con MaxEnt.

El veredicto desde la trinchera del voluntariado

A finales de la primavera pasada, pude por fin juntar ambas piezas. Corrí mi script de Sentinel-2 para generar una capa de pérdida de cobertura arbórea a 10 metros de resolución y la usé como máscara sobre las predicciones de idoneidad de hábitat en Cartago. Ver en la pantalla cómo las zonas deforestadas quedaban anuladas del mapa de probabilidad, coincidiendo exactamente con los potreros que habíamos visto en la última salida de campo, pagó cada hora perdida frente a la consola.

No necesitas ser un biólogo con maestría ni un ingeniero de sistemas para usar sensores remotos en tus proyectos ambientales. Con una computadora decente, paciencia para tolerar los mensajes de error de terra y la decisión de entender la diferencia entre la resolución de un satélite y otro, puedes monitorear los cambios de tu propio paisaje. Si estás listo para dominar el procesamiento de imágenes y dejar de depender de mapas estáticos ajenos, dale una mirada detallada a Teledetección Satelital con R y R-Studio y prepárate para transformar tus datos de campo en análisis satelitales de verdad.