El análisis de imágenes satelitales tiene múltiples usos. Tantos que se han aplicado y desarrollado diversas herramientas computacionales que ayudan a acelerar los procesos. Entre las aplicaciones destacadas se pueden mencionar las de cuidados de reservas naturales, ríos, incendios y las que se tratarán a continuación, que son de uso urbano, estimando las áreas verdes y cantidad aproximada de construcciones en una región de la Ciudad de Guatemala.
Veamos las imágenes 1a y 1b. Ambas corresponden a la misma región con aproximadamente once años de diferencia, donde el área estimada es de 77,000 m²; imágenes extraídas de Google Earth. Es de nuestro interés saber cuánto corresponde a áreas verdes, y determinar sus diferencias.
1a, octubre 2021. 1b, marzo 2010
Una manera bastante intuitiva es tratar de determinar cuánta área es verde. Existen distintas maneras, enfoques o herramientas computacionales para analizar este tipo de imágenes. Independientemente de qué método se escoja, hay que especificar o “enseñarle” a la computadora a relacionar los tonos de verde o gris, que representen vegetación o construcción, respectivamente.
Recordemos que cada píxel de la imagen tiene asociado un color RGB, una combinación de Rojo-Verde-Azul (que es la suma de colores lumínicos primarios)
En la imagen 3, vemos un perfil de los colores de la imagen 1a. Para esta imagen se hacen agrupaciones de tonalidades (RGB); Sí, la barra izquierda es verde oscuro.
Al comparar los perfiles, vemos que hay una diferencia en algunos colores. Si especificamos que ciertos tonos de verde corresponden a “área verde”, ciertos grises a “asfalto”, y otros a tonos de construcción, en una primera aproximación podemos determinar:
Enfocándonos ahora en la imagen 1a, de 2021. Supongamos que un 10% se ha destinado a asfalto, lo que nos deja con que hay aproximadamente 29,300 m² utilizado en construcciones. Si usamos un estimado de que el tamaño del lote promedio destinado a construcciones para el sector que contiene a la región de la imagen es de 155 m², podríamos deducir que en la imagen existen alrededor de 189 inmuebles.
Bono: ¿Qué hay del POT (Plan de Ordenamiento Territorial)?
La imagen 1 es G3, por lo tanto, se utilizará una nueva imagen, en una conocida zona de la Ciudad de Guatemala, cuyo POT se vería de la siguiente manera:
Obteniendo el perfil de la manera que se realizó anteriormente, se tendría el siguiente resultado:
Recordemos que rojo es POT G5, y naranja G4; el celeste indica área especial.
Esto quiere decir, que si nuestra zona es de 1,000,000 m², entonces hay alrededor de 687,000 m² de G4 y si se utiliza un estimado en el tamaño del lote promedio de 600 m² para esta zona, entonces tenemos alrededor de 1,145 lotes G4. Claro, para una estimación un poco más precisa, se necesita combinar lo que se sabe: que se refiere a estimar porcentaje de área verde/construcción, menos ajuste por asfalto y el porcentaje de POT correspondiente.
En conclusión, a partir del análisis de imágenes satelitales, utilizando desde herramientas básicas hasta inteligencia artificial, contando con una buena base teórica previa, se pueden hacer estimaciones y deducciones interesantes para responder preguntas como: ¿Cuánto espacio representan las áreas verdes? ¿Se está reforestando o deforestando? ¿Cuánto de construcciones tenemos? ¿Cuántas construcciones están en un determinado POT?
Con principios similares se determina el crecimiento urbano de una región y se detectan casos de deforestación ilegal, algo muy importante en estos tiempos de explotación de áreas protegidas y su impacto, no solo en el calentamiento global, sino en la fauna y flora de regiones como la nuestra.
Por: Michael Morales, Big Data, INTUS
Lectura de interés:
Weller, Hannah. Acerca del paquete “colordistance” de R para análisis de imágenes.
Memariam, M., y Vergara-Alert, C. Urban Density and Firms’ Stock Returns. Memarian define el Potential density increase (PDI) para clasificar regiones disponibles y desarrolladas.
Ferreira, André. Detecting deforestation from satellite images.
