Conceptos

English version

Conceptos

Lo que comparten todas las herramientas: qué variables hay, cómo se indica la región y el periodo, cómo se resume el tiempo y el espacio y qué filtros se aplican. Python, R, el servidor MCP y el plugin de QGIS usan los mismos nombres de opción, así que esta página vale para las cuatro.

Variables

Las del catálogo de MonitorEO, calculadas con Google Earth Engine:

Variable	Qué mide	Sensores (píxel)	Unidad
NDVI	Índice de vegetación de diferencia normalizada	Sentinel-2 (10 m), Landsat (30 m), MODIS Terra MOD13Q1 y Aqua MYD13Q1 (250 m)	–
EVI	Índice de vegetación mejorado	Sentinel-2, Landsat, MODIS MOD13Q1 y MYD13Q1	–
LAI	Índice de área foliar	MODIS MCD15A3H (500 m)	–
Chl-a	Concentración de clorofila (agua)	Sentinel-2, MODIS Aqua y Terra L3SMI (4,6 km)	mg m⁻³
NDCI	Índice de clorofila de diferencia normalizada (agua)	Sentinel-2	–
NDWI	Índice de agua de diferencia normalizada	Sentinel-2, Landsat, MODIS MOD09GA (463 m, hasta 2023)	–
LSWI	Índice de agua superficial terrestre	Sentinel-2, Landsat	–
NDSI	Índice de nieve de diferencia normalizada	Sentinel-2, Landsat, MODIS MOD10A1 y MYD10A1 (500 m)	–
ET	Evapotranspiración	MODIS MOD16A2 (500 m)	kg/m²/8 días
LE	Calor latente	MODIS MOD16A2	J/m²/día
LST	Temperatura de la superficie	Landsat, MODIS MOD11A1 y MYD11A1 (1 km)	ºC
ALBEDO	Albedo	Sentinel-2, Landsat, MODIS MCD43A3 (500 m)	–
ARSL	Profundidad óptica de aerosoles	MODIS MCD19A2 (1 km)	–
NBR	Índice normalizado de quema (incendios)	Sentinel-2, Landsat	–

Los sensores se escriben Sentinel-2, Landsat (Landsat 5, 7 hasta mayo de 2003, 8 y 9 juntos) y Modis. Fechas disponibles: Sentinel-2 desde el 28-3-2017, Landsat desde 1984 y MODIS desde 2000 (Aqua desde julio de 2002).

Sensores

Cada sensor tiene su tamaño de píxel (la resolución espacial), su frecuencia y sus fechas:

Sensor	Píxel	Una imagen cada	Desde	Para
Sentinel-2	10 m (20 m las bandas del infrarrojo de onda corta, que usan el LSWI y el NBR)	unos 5 días	28-3-2017	Zonas pequeñas o con detalle (parcelas, bordes, lagunas) y periodos recientes
Landsat	30 m	16 días (8 cuando hay dos satélites a la vez)	1984	Series largas y tendencias de décadas. Entre mayo de 2012 y marzo de 2013 no hay imágenes
MODIS	250 m a 1 km (4,6 km la clorofila)	1 día, o compuestos de 4, 8 o 16 días según la variable	2000	Regiones grandes, la estacionalidad y las variables que solo da MODIS (evapotranspiración, LAI, aerosoles)

Las nubes, el agua, la nieve o los aerosoles dejan menos imágenes útiles que estas (ver Filtros por píxel); cuántas hay en cada paso lo dicen los resultados (n_images).

Cuando un sensor tiene varias colecciones para la misma variable (el NDVI de MODIS está en MOD13Q1, de Terra, y en MYD13Q1, de Aqua), se usa la primera del catálogo; para elegir otra, se indica collection ('MODIS/061/MYD13Q1') o ref, el número de la variable en el catálogo. La lista completa, con su número, colección, fórmula y notas, está en cada herramienta: list_variables y describe_variable en Python y MCP, mo_variables() y mo_describe() en R, monitoreo list y monitoreo info en la línea de comandos, y el desplegable Variable del plugin de QGIS.

Otros datos de Earth Engine. En Python, R y el MCP también vale cualquier colección (collection y band, p. ej. IDAHO_EPSCOR/TERRACLIMATE y pr) o imagen fija (image y band, p. ej. COPERNICUS/DEM/GLO30_2024_1 y DEM, con terrain='slope' para la pendiente).

Teledetección en pocas palabras

Lo básico para entender y usar con cuidado las variables (vale para cualquier satélite, no solo para MonitorEO):

• Qué mide un satélite óptico. La luz del sol que refleja la superficie en varias bandas del espectro: azul, verde, rojo, infrarrojo cercano (NIR) e infrarrojo de onda corta (SWIR). Corregida del efecto de la atmósfera, es la reflectancia de superficie, de 0 a 1; Sentinel-2, Landsat y MODIS la dan ya corregida. Las bandas térmicas miden, en cambio, la radiación que emite la superficie, y de ella se obtiene su temperatura.
• Índices normalizados. Casi todas las variables son índices del tipo (A − B) / (A + B) entre dos bandas en las que lo que interesa se comporta muy distinto: la vegetación sana refleja mucho infrarrojo cercano y absorbe el rojo; el agua y la nieve absorben el infrarrojo de onda corta. Van de −1 a 1 y no tienen unidades: son indicadores relativos, buenos para comparar fechas y lugares con el mismo sensor, no medidas directas de biomasa o de humedad.
• Productos derivados. El LAI, la evapotranspiración, la temperatura de superficie, el albedo de MODIS, los aerosoles y la clorofila de MODIS son estimaciones de los equipos científicos de cada misión, con modelos y supuestos propios y unidades físicas. Tienen una incertidumbre, que describen sus artículos de referencia (abajo).
• El píxel mezcla lo que hay dentro. Un píxel de Sentinel-2 (10 m) puede ser un claro del bosque; uno de MODIS (500 m) mezcla bosque, matorral, roca o un pueblo. En zonas pequeñas o alargadas (una laguna, un río, una parcela), los píxeles del borde mezclan lo de dentro con lo de fuera.
• Nubes, sombras y nieve tapan la superficie: MonitorEO quita esos píxeles (ver Filtros por píxel) y resume las imágenes que quedan. En invierno, en alta montaña, pueden quedar pocas: mira n_images y n_pixels.
• Cada sensor da valores algo distintos. Sus bandas no son idénticas, así que el NDVI de Sentinel-2 no es exactamente el de Landsat ni el de MODIS: no mezcles sensores en una serie ni en una tendencia. Landsat junta Landsat 5, 7, 8 y 9 sin ajustarlos entre sí; las diferencias entre ellos son pequeñas pero sistemáticas (Roy et al., 2016), algo a tener en cuenta en tendencias de décadas.
• Es una estimación. Para decisiones de gestión, contrasta los valores con datos de campo o con el conocimiento del lugar.

Sobre los sensores: Sentinel-2 (Drusch et al., 2012), Landsat (Wulder et al., 2019) y MODIS (Justice et al., 2002).

Qué mide cada variable

Qué mide cada variable del catálogo, cómo la calcula MonitorEO y qué conviene tener en cuenta al leerla. Los valores que se dan son orientativos: dependen del lugar, la época y el sensor. Las bandas de Sentinel-2 que aparecen son B2 (azul), B3 (verde), B4 (rojo), B5 (borde rojo, 705 nm), B8 (infrarrojo cercano), B11 y B12 (infrarrojo de onda corta, 20 m).

NDVI: índice de vegetación de diferencia normalizada

• Qué mide: el verdor de la vegetación, ligado a su cantidad y a su actividad fotosintética. Es el índice de vegetación más usado.
• En MonitorEO: (NIR − rojo) / (NIR + rojo), con B8 y B4 en Sentinel-2 y nir y red en Landsat; en MODIS, el NDVI de MOD13Q1 y MYD13Q1 (compuestos de 16 días, 250 m).
• Cómo se lee: el agua y la nieve dan valores negativos o cercanos a 0; el suelo desnudo y la roca, bajos (en torno a 0,1–0,2); la vegetación densa y sana, altos (por encima de 0,6).
• Cuidado: se satura con vegetación muy densa (deja de subir aunque haya más hojas) y, en vegetación rala, el suelo que se ve entre las plantas lo cambia. Las caídas bruscas de una sola fecha suelen ser nubes o nieve sin filtrar.
• Referencias: Tucker (1979); para MODIS, Huete et al. (2002).

EVI: índice de vegetación mejorado

• Qué mide: como el NDVI, el verdor de la vegetación, con una corrección del suelo y de la atmósfera que usa la banda azul.
• En MonitorEO: 2,5 × (NIR − rojo) / (NIR + 6 × rojo − 7,5 × azul + 1), con B8, B4 y B2 en Sentinel-2 y las mismas bandas en Landsat; en MODIS, el EVI de MOD13Q1 y MYD13Q1.
• Cómo se lee: da valores más bajos que el NDVI en la misma vegetación.
• Cuidado: se diseñó para saturarse menos que el NDVI en vegetación densa (Huete et al., 2002), pero no todos los estudios encuentran que detecte mejor los cambios (Hilker et al., 2015): no lo elijas solo por eso. Es más sensible a los errores de la banda azul.

LAI: índice de área foliar

• Qué mide: la superficie de hojas sobre cada metro cuadrado de suelo (m²/m², contando una cara de la hoja): un LAI de 3 son tres capas de hojas.
• En MonitorEO: el producto MCD15A3H de MODIS (Terra y Aqua juntos, cada 4 días, 500 m).
• Cómo se lee: 0 en suelo desnudo; valores de 5 o más en bosques densos.
• Cuidado: es una estimación de un modelo de cómo la luz atraviesa la vegetación, a partir de la reflectancia (Myneni et al., 2002). Con 500 m de píxel, en paisajes mezclados es un promedio de varias cubiertas.

Chl-a: clorofila a en el agua

• Qué mide: la concentración de clorofila a del fitoplancton (mg/m³), un indicador del estado trófico del agua: más clorofila, más algas.
• En MonitorEO:
  • MODIS (Aqua y Terra, producto L3SMI de la NASA, 4,6 km de píxel): el algoritmo estándar de color del océano de la NASA, que combina cocientes de bandas (O'Reilly et al., 1998) con un índice para aguas pobres en clorofila (Hu et al., 2012).
  • Sentinel-2: una fórmula empírica con B8, B3 y B4 calibrada solo en Sierra Nevada: fuera de allí sus valores no son fiables.
• Cuidado: el producto de MODIS está pensado para el mar: en costas turbias, embalses y lagos sus valores son poco fiables, y con 4,6 km de píxel solo vale para masas de agua muy grandes. Desactiva el filtro de agua ({'water': False} o 'auto').

NDCI: índice de clorofila de diferencia normalizada

• Qué mide: la clorofila a en aguas turbias y productivas (embalses, lagunas, estuarios), donde los algoritmos del océano fallan (Mishra y Mishra, 2012).
• En MonitorEO: (B5 − B4) / (B5 + B4) de Sentinel-2: el borde rojo, donde la clorofila refleja, frente al rojo, donde absorbe.
• Cómo se lee: sube con la clorofila. Es un índice relativo, no una concentración: para pasar a mg/m³ hay que calibrarlo con muestras de agua.
• Cuidado: solo tiene sentido en píxeles de agua, así que desactiva el filtro de agua. El fondo de las aguas poco profundas y la vegetación acuática lo alteran.

NDWI: índice de agua de diferencia normalizada

Hay dos índices con este nombre, y MonitorEO usa uno u otro según el sensor:

• Sentinel-2 y Landsat: el NDWI de agua libre (McFeeters, 1996), (verde − NIR) / (verde + NIR), con B3 y B8 en Sentinel-2. El agua da valores positivos y la vegetación y el suelo, negativos: sirve para delimitar láminas de agua (lagunas, embalses, zonas encharcadas). El umbral que separa el agua cambia de un sitio a otro: 0 es solo un punto de partida.
• MODIS (MOD09GA, 463 m, de 2000 a febrero de 2023): el NDWI de agua de la vegetación (Gao, 1996), con el NIR y un infrarrojo de ~1,24 µm: sube con el agua de las hojas. No es comparable con el de Sentinel-2 y Landsat.
• Cuidado: con el NDWI de agua libre, desactiva el filtro de agua ({'water': False} o 'auto'); si no, quita justo lo que se quiere medir.

LSWI: índice de agua superficial terrestre

• Qué mide: el agua de la vegetación y la humedad del suelo: baja con la sequía y sube tras las lluvias o con el riego (Xiao et al., 2004).
• En MonitorEO: (NIR − SWIR1) / (NIR + SWIR1), con B8 y B11 en Sentinel-2 (20 m) y nir y swir1 en Landsat: la fórmula del NDWI de Gao con el infrarrojo de ~1,6 µm.
• Cómo se lee: más alto, más agua.
• Cuidado: suma la señal de las hojas y la del suelo, y no las separa.

NDSI: índice de nieve de diferencia normalizada

• Qué mide: la nieve, que refleja mucho en el visible y absorbe el infrarrojo de onda corta (las nubes reflejan en los dos) (Hall et al., 1995).
• En MonitorEO:
  • Sentinel-2 y Landsat: (verde − SWIR1) / (verde + SWIR1), con B3 y B11 en Sentinel-2; de −1 a 1.
  • MODIS (MOD10A1 y MYD10A1, diarios, 500 m): la banda NDSI_Snow_Cover, el NDSI de la colección 6 en una escala de 0 a 100, no de −1 a 1.
• Cómo se lee: los productos clásicos daban por nieve un NDSI de 0,4 o más, pero la nieve en los bordes o bajo los árboles da valores menores; por eso MODIS da ahora el propio NDSI en vez de un sí o no (Riggs et al., 2017).
• Cuidado: el filtro de nieve quita justo lo que mide: desactívalo ({'snow': False} o 'auto').

ET y LE: evapotranspiración y calor latente

• Qué miden: la ET, el agua que pasa del suelo y las plantas a la atmósfera (evaporación y transpiración), en kg/m² cada 8 días (1 kg/m² es 1 mm de agua); el LE, la energía que se gasta en ello (J/m²/día).
• En MonitorEO: el producto MOD16A2 de MODIS (500 m, sumas de 8 días), que la estima con la ecuación de Penman-Monteith a partir de datos de MODIS y meteorológicos (Mu et al., 2011).
• Cómo se lee: cada valor es el total de 8 días; la media mensual de una serie es la media de esos totales, no el total del mes.
• Cuidado: es un modelo, no una medida, con 500 m de píxel: su incertidumbre crece a escalas finas.

LST: temperatura de la superficie

• Qué mide: la temperatura de la «piel» del terreno (suelo, copas, roca, tejados), en °C, a partir de la radiación térmica que emite. No es la temperatura del aire: a pleno sol, un suelo desnudo puede estar muchos grados por encima (Li et al., 2013).
• En MonitorEO:
  • MODIS (MOD11A1 de Terra y MYD11A1 de Aqua, diarios, 1 km): la temperatura diurna, con el algoritmo de ventana partida (Wan y Dozier, 1996; Wan, 2014). Terra pasa por la mañana y Aqua a primera hora de la tarde: sus valores no son comparables entre sí.
  • Landsat: la temperatura de superficie de la Colección 2 (Cook et al., 2014), servida a 30 m pero medida con píxeles térmicos de 60 a 120 m según el satélite.
• Cuidado: solo hay dato con cielo despejado, así que las series tienen huecos y se inclinan hacia los días sin nubes. La hora de paso, la pendiente y la orientación (laderas al sol o a la sombra) la cambian mucho.

ALBEDO

• Qué mide: la fracción de la radiación solar que refleja la superficie, de 0 (la absorbe toda) a 1 (la refleja toda): la nieve fresca pasa de 0,8 y un bosque oscuro ronda 0,1. Menos albedo es más energía absorbida, por ejemplo cuando la nieve se funde o tras un incendio.
• En MonitorEO:
  • MODIS (MCD43A3, 500 m): la media del albedo de onda corta con luz directa (black-sky) y con luz difusa (white-sky), de un modelo de cómo refleja la superficie en cada dirección (Schaaf et al., 2002).
  • Landsat: la conversión de las bandas al albedo de onda corta de Liang (2001).
  • Sentinel-2: una combinación de las bandas B2 a B8, B11 y B12 con el mismo principio.
• Cuidado: los de Landsat y Sentinel-2 suponen que la superficie refleja igual en todas direcciones, y en laderas la iluminación cambia el valor. No mezcles el albedo de sensores distintos.

ARSL: profundidad óptica de aerosoles

• Qué mide: cuánto atenúan la luz las partículas en suspensión en la atmósfera (polvo, humo, contaminación, sal marina), a 550 nm y sin unidades: valores bajos, atmósfera limpia; altos, episodios de polvo o humo de incendios.
• En MonitorEO: Optical_Depth_055 del producto MCD19A2 de MODIS, del algoritmo MAIAC (1 km, en cada pasada de Terra y Aqua) (Lyapustin et al., 2018).
• Cuidado: es la columna de toda la atmósfera, no la calidad del aire a ras de suelo, y no hay dato bajo las nubes.

NBR y RBR: incendios

El NBR, (NIR − SWIR2) / (NIR + SWIR2), baja mucho tras un incendio: la vegetación quemada refleja menos infrarrojo cercano y más infrarrojo de onda corta. Su diferencia entre antes y después del fuego (dNBR) y el RBR miden la severidad: ver Severidad de incendios.

Regiones

Una región es un diccionario (en Python), una lista (en R) o un objeto JSON (en el MCP y la línea de comandos) con una de estas claves:

Región	Python / JSON	R	QGIS
Área protegida de WDPA por su ID	{'wdpa_id': 389011} o una lista de ID	mo_wdpa(389011)	Protected area (WDPA)
Área protegida por su nombre exacto	{'wdpa_name': 'Sierra Nevada'}	–	–
Ecorregión de RESOLVE 2017 por su ID	{'ecoregion_id': 793}	mo_ecoregion(793)	–
La ecorregión de un punto	{'ecoregion_at': [-3.3, 37.1]}	mo_ecoregion(lon = -3.3, lat = 37.1)	Ecoregion at the center of the map
Rectángulo (grados)	{'bbox': [-3.6, 36.9, -2.6, 37.3]} (oeste, sur, este, norte)	mo_bbox(-3.6, 36.9, -2.6, 37.3)	Map extent
Punto, con un radio en metros	{'point': [-3.31, 37.05], 'buffer': 500}	mo_point(-3.31, 37.05, 500)	–
GeoJSON (geometría, Feature o FeatureCollection)	{'geojson': ..., 'name_field': 'nombre'}	mo_geojson(...)	–
Fichero vectorial (GeoPackage, shapefile...)	{'file': 'zonas.gpkg', 'name_field': 'nombre'} (y layer)	mo_sf(sf::st_read("zonas.gpkg"), "nombre")	Layer (selected features or all)

• Varios polígonos dan varias series: una por área protegida, ecorregión o entidad, con su nombre (de name_field, o del campo name o NAME).

• El ID de WDPA (SITE_ID) se busca por nombre: find_protected_areas('Doñana') en Python y MCP, mo_protected_areas("Doñana") en R, monitoreo parks Doñana o el botón Search de QGIS. Un mismo nombre suele tener varias figuras (parque nacional, parque natural, ZEC, ZEPA...) con límites distintos. Algunos ejemplos:

  Área protegida	ID de WDPA
  Parque Nacional de Sierra Nevada	389011
  Parque Natural de Sierra Nevada	349467
  Parque Nacional de Doñana	389012
  Parque Natural de Doñana	349268

• Los ficheros vectoriales necesitan GDAL (lo trae el entorno de conda y QGIS).

Periodo y temporada

• Periodo: primer y último día, ambos incluidos, como AAAA-MM-DD ('2022-01-01', '2023-12-31').
• Temporada (opcional, season): solo esos días de cada año, como ['MM-DD', 'MM-DD']. ['06-01', '09-30'] es el verano de cada año; ['11-01', '02-28'] cruza el año y cuenta en el año en que empieza.

Del montón de imágenes a un número: métrica y estadístico

Una serie temporal resume los datos dos veces:

1. En el tiempo, en cada píxel (metric): las imágenes de cada paso (step) se reducen a una por píxel. Pasos: 'daily' (cada día con imágenes), '16-day' (bloques de 16 días desde el 1 de enero), 'monthly' y 'annual'.
2. En el espacio, sobre la región (stat): los píxeles de esa imagen se reducen a un valor por polígono.

Métricas y estadísticos: mean (media), median (mediana), min, max, std (desviación típica) y percentiles pN (p5, p95...). Cada fila de la serie lleva además n_images, las imágenes de ese paso, y n_pixels, los píxeles válidos que entraron en el valor: un valor con pocos píxeles (casi todo nublado) es poco fiable.

Tamaño del píxel de las series. Por defecto, el de los datos; en regiones grandes, uno mayor (10, 20, 50, 100... m) para que la mayor tenga alrededor de un millón de píxeles: el Parque Nacional de Sierra Nevada con Sentinel-2 se calcula con píxeles de 50 m. Se puede fijar con scale (metros).

Mapas: agregación en el tiempo

Un mapa es la variable resumida en el tiempo en cada píxel, con metric (por defecto la mediana) y:

• temporal='period': la métrica de todas las imágenes del periodo.
• temporal='annual': la métrica de cada año y después, entre años, interannual (mean, median, min o max). P. ej. metric='max', temporal='annual', interannual='median' es la mediana de los máximos anuales.
• temporal='monthly': lo mismo con cada mes.

Los mapas se obtienen de tres formas:

• Teselas de Earth Engine (map_layer): una URL XYZ para QGIS, Leaflet o cualquier visor. Valen unas horas y solo tienen colores, no valores.
• GeoTIFF en el ordenador (download_image): float32, NoData −9999, en el sistema de coordenadas UTM del centro de la región (crs='auto') u otro (crs='EPSG:25830'), con el píxel de los datos o el de resolution. Earth Engine lo calcula por teselas, así que vale para regiones pequeñas o medianas (unos millones de píxeles).
• GeoTIFF en Google Drive (export_image): sin límite de tamaño ni de tiempo, para regiones grandes a resolución completa.

Filtros por píxel

Por defecto se quitan los píxeles con nubes (y sus sombras), agua, nieve y, donde hay banda de calidad para ello (Landsat 8 y 9, y el NDVI, EVI y LAI de MODIS), aerosoles. Se cambian con quality:

quality={'snow': False}                       # dejar la nieve
quality={'water': 'auto', 'snow': 'auto'}     # 'auto': desactivado en las variables que lo miden
quality={'cloud_score': None}                 # nubes de Sentinel-2 con la máscara SCL
quality={'scene_clouds': 20}                  # solo escenas con menos del 20 % de nubes

• Las nubes de Sentinel-2 se quitan con Cloud Score+ (cloud_score: un píxel es claro si su puntuación es al menos 0,6). Con None se usa la clasificación SCL de Sentinel-2.
• Cuidado con las variables que miden lo que quita un filtro: el NDSI mide la nieve y el NDWI, la Chl-a y el NDCI miden el agua. Para ellas, desactiva ese filtro ({'snow': False} con el NDSI, {'water': False} con el NDWI) o usa 'auto'.
• Los valores de relleno de MODIS (p. ej. 250, nube, en la nieve de MOD10A1) se quitan siempre.

En QGIS son las casillas Remove pixels with del grupo Variable.

Tendencias estacionales (Mann-Kendall y Sen)

¿Ha cambiado la variable a lo largo de los años, y en qué época del año?

1. Cada año da un valor de cada parte del año (step):

   • 'annual': el año entero (o la temporada de cada año), clave all.
   • 'monthly': los 12 meses, claves m01 (enero) ... m12.
   • '16-day': 23 bloques de 16 días desde el 1 de enero (días 1-16, 17-32... 353-366), claves p01 ... p23.

   Ese valor es la métrica (metric, la media por defecto) de las imágenes de esa parte en ese año: en la tabla, el estadístico (stat) de la región; en el mapa, en cada píxel.

2. La tendencia de cada parte se calcula sobre sus valores anuales:

   Columna o banda	Significado
   n	años con datos (al menos 2; mejor 8-10 o más)
   tau	τ de Kendall: de −1 (siempre baja) a 1 (siempre sube)
   z	Z de Mann-Kendall: τ·√(9n(n−1) / (2(2n+5))), aproximación normal sin corrección por empates
   p_value	p-valor bilateral de Z: 2·(1 − Φ(|Z|))
   significant	p_value < alpha (0,05 por defecto)
   slope	pendiente de Sen: la mediana de las pendientes entre cada par de años (unidades de la variable por año)
   intercept	valor de la recta de Sen en el primer año del periodo

n es el número de años con datos de cada píxel o región, no el del periodo.

Interpretación: una pendiente de +0,0019 NDVI/año con p = 0,005 en agosto de 2005 a 2024 es un aumento de unas 0,036 unidades de NDVI en 19 años, poco probable por azar. Un p-valor alto no prueba que no haya cambio: con pocos años o mucha variabilidad, el test no tiene potencia para verlo.

Comparación de dos periodos

Un periodo de referencia (start a end) y otro (other_start a other_end).

• En tabla y gráfica (compare_series): la media de cada parte del año (step: meses, 16 días o el año) sobre los años de cada periodo, y su diferencia (otro − referencia).
• En mapa (compare_map, download_comparison): la variable agregada en el tiempo (como en los mapas) en cada periodo y su diferencia; el GeoTIFF tiene las bandas difference, reference y other.

Severidad de incendios (dNBR)

La severidad de un incendio se mide con el dNBR: el NBR de un periodo antes del fuego menos el de un periodo después (cada uno, la mediana de sus imágenes con los filtros por píxel), clasificado con la escala del USGS (Key y Benson, 2006), como la práctica recomendada de UN-SPIDER, y se pinta con los colores de esa práctica en los mapas, leyendas y gráficas de todas las herramientas (que dan los nombres de las clases en inglés):

Clase	En las herramientas	dNBR	Color
Rebrote alto	Enhanced regrowth, high	< −0,25	#7a8737
Rebrote bajo	Enhanced regrowth, low	−0,25 a −0,1	#acbe4d
No quemado	Unburned	−0,1 a 0,1	#0ae042
Severidad baja	Low severity	0,1 a 0,27	#fff70b
Severidad moderada-baja	Moderate-low severity	0,27 a 0,44	#ffaf38
Severidad moderada-alta	Moderate-high severity	0,44 a 0,66	#ff641b
Severidad alta	High severity	≥ 0,66	#a41fd6

burn_severity da las hectáreas de cada clase en cada polígono y un GeoTIFF con las bandas dnbr, severity (clase −2 a 4), nbr_before y nbr_after. Conviene que los dos periodos sean de la misma época del año o cercanos al incendio: entre estaciones distintas, el cambio estacional de la vegetación se confunde con el del fuego.

RBR (Relativized Burn Ratio)

Como alternativa al dNBR, burn_severity con index="RBR" (y Index > RBR en la app de Earth Engine) da el RBR de Parks et al. (2014) tal y como lo calculan Silva-Cardoza et al. (2022), que lo encontraron el índice que mejor se corresponde con la severidad medida en campo:

RBR = dNBR / (NBR antes + 1,001)

• El NBR es el de las bandas B8A y B12 de Sentinel-2 (20 m; su NBR5n), y el NIR y el SWIR2 en Landsat. Está en el catálogo como la variable RBR (Sentinel-2 y Landsat), pero compara dos periodos, así que solo burn_severity la calcula: las series, mapas y tendencias de un periodo la rechazan.
• Va sin corrección fenológica y en la escala del dNBR de MonitorEO: el artículo multiplica dNBR y RBR por 1000 (un RBR de 0,478 aquí es 478 allí).
• Es un índice continuo, sin clases (no hay aún una paleta ni unos umbrales para él): da su media, mediana, percentiles 10 y 90, mínimo y máximo y las hectáreas con datos en cada polígono, y un GeoTIFF con las bandas rbr, dnbr, nbr_before y nbr_after.
• El artículo obtuvo los mejores resultados con compuestos del mínimo de un mes antes y otro después del incendio (metric="min"); MonitorEO usa la mediana por defecto, como para el dNBR.

Ficheros que se generan

• CSV: una fila por región y paso (series), por región y parte del año (tendencias y comparaciones), con las columnas de los datos y, al final, con qué se hicieron (variable, sensor, paso, métrica, estadístico, unidad y píxel en metros).
• PNG: las gráficas de series, tendencias y comparaciones, y las vistas previas de los mapas.
• GeoTIFF: float32, NoData −9999, con nombres de banda (value, o slope, tau, z, p_value, intercept, n, o difference, reference, other).

Cuota y tiempos

Sin proyecto propio, todo se calcula con la cuenta compartida de MonitorEO, cuya cuota comparten todos sus usuarios; con tu proyecto, con tu cuenta de Earth Engine y la cuota de ese proyecto (el uso no comercial es gratuito, con una cuota mensual de cómputo por proyecto de Google Cloud). Las exportaciones a Google Drive necesitan tu cuenta (Primeros pasos). Earth Engine guarda en caché lo ya calculado: repetir un cálculo es mucho más rápido.

EECU gastados este mes

Earth Engine mide el cálculo en EECU (Earth Engine Compute Units, sus unidades de cálculo): un EECU-hora es una hora de uno de sus procesadores. Todas las herramientas dicen qué parte de tus EECU del mes has gastado, y avisan cuando queda menos del 10 %. Se renuevan el día 1 de cada mes, a medianoche de la hora del Pacífico.

Con la cuenta compartida, cada usuario tiene sus research EECUs: 25 EECU-h al mes, solo para investigación, para que nadie gaste los de todos. El proyecto de MonitorEO tiene 1.000 EECU-h al mes (nivel Contributor) y guarda 100 para la app de Earth Engine: lo que te queda es lo menor entre tus research EECUs y lo que le queda al proyecto para todos los usuarios de la cuenta compartida, y si el proyecto llega a esa reserva, la cuenta compartida deja de calcular para todos hasta el mes siguiente. Cuando los gastas, la cuenta compartida no calcula para ti hasta el mes siguiente (el cálculo que estaba en marcha puede seguir hasta una hora): pasa a tu propia cuenta de Earth Engine y tu proyecto (Primeros pasos). El usuario es cada instalación de MonitorEO en un ordenador: la primera vez que usa la cuenta compartida crea un identificador al azar (~/.config/monitoreo/user_id, sin ningún dato tuyo), con el que se etiquetan sus cálculos en Earth Engine. QGIS, el asistente, R, Python, la línea de comandos y el MCP de un mismo ordenador lo comparten.

Con tu proyecto son los EECU de ese proyecto, frente a la cuota mensual de su nivel: Community, 150 EECU-h al mes (el de todos los proyectos no comerciales); Contributor, 1000 (con una cuenta de facturación, sin coste); Partner, 100 000 (bajo solicitud). Por defecto, Community; si es otro, elígelo en QGIS o en el asistente, o dalo con limit (--limit en la línea de comandos) o con la variable de entorno MONITOREO_EECU_LIMIT (Contributor, Partner o un número de EECU-h). Earth Engine no dice el nivel de un proyecto: se ve en la consola de Google Cloud, en Earth Engine > Configuración (Settings). Al agotar la cuota, Earth Engine no se para, pero calcula mucho más despacio hasta el mes siguiente. Para leer el consumo, el proyecto tiene que tener activada la API de Cloud Monitoring (gratuita: https://console.cloud.google.com/apis/library/monitoring.googleapis.com) y tu cuenta, el rol Monitoring Viewer (lo tienen los propietarios y editores del proyecto).

Herramienta	Consulta	Aviso con menos del 10 %
QGIS	barra research EECUs (con tu proyecto, EECUs of the month) del grupo Google Earth Engine, con Check	en la barra de mensajes, una vez al mes
Asistente	barra bajo la cabecera, con Check	en la conversación, una vez al mes
Python	mo.eecu_usage()	EECUWarning al conectar; mo.eecu_warning()
R	mo_eecu()	warning() al conectar y al calcular, una vez al mes
Línea de comandos	monitoreo eecu	al final de cada orden que calcula
MCP	herramienta eecu_usage	eecu_warning en las respuestas

El consumo es el de la métrica «Completed EECU-seconds» de Cloud Monitoring: llega con unos minutos de retraso y no cuenta los cálculos que fallan. Las herramientas lo consultan como mucho cada 5 minutos. La app de Earth Engine no lo muestra (desde ella no se puede leer Cloud Monitoring).

Tiempos medidos en el Parque Nacional de Sierra Nevada (860 km²), la primera vez que se calcula cada cosa:

Cálculo	Tiempo
Serie mensual de NDVI de Sentinel-2 de 2 años (24 valores, píxeles de 50 m)	~50 s
Tendencias mensuales del NDVI de MODIS de 20 años (240 valores)	~40 s
Comparación mensual del NDVI de MODIS de 2005-2009 con 2020-2024	~20 s
Vista previa del mapa de la mediana del NDVI de Sentinel-2 de un verano	~1 min
GeoTIFF de la tendencia anual del NDVI de MODIS de 20 años (250 m)	~10 s

Las series muy largas sobre áreas grandes (años de datos diarios, o muchas regiones) van mejor con paso mensual o anual, o exportadas a Google Drive.