APLICATIVO WEB PARA EL ANÁLISIS DE SERIES DE TIEMPO DE IMÁGENES

SATELITALES PARA VARIABLES METEOROLÓGICAS E ÍNDICES

Autores:

Jheimmy Lizzette Sánchez Zambrano

Ing. Ambiental.
Maicol Alejandro Zaraza Aguilera
Ing. Catastral y Geodesta

Trabajo de grado en modalidad de monografía presentado como requisito parcial para

optar por el título de Especialista en Sistemas de Información Geográfica

Director:

Alexandra María López Sevillano

Doctora en ingeniería

Universidad Distrital Francisco José de Caldas

Facultad de Ingeniería

Especialización en Sistemas de Información Geográfica

Bogotá D.C., Colombia

Abril de 2019
 TABLA DE CONTENIDO

1. INTRODUCCIÓN .............................................................................................................. 5
2. PROBLEMA ...................................................................................................................... 6
3. JUSTIFICACIÓN ............................................................................................................... 7
4. ALCANCE ......................................................................................................................... 8
4.1 Alcance Espacial ......................................................................................................... 8
4.2 Alcance Temático ........................................................................................................ 8
4.3 Alcance Técnico .......................................................................................................... 9
5. OBJETIVOS ....................................................................................................................... 9
5.1 Objetivo General ......................................................................................................... 9
5.2 Objetivos Específicos .................................................................................................. 9
6. MARCO DE REFERENCIA............................................................................................ 10
6.1 MARCO TEÓRICO CONCEPTUAL ...................................................................... 10
6.1.1 Variables meteorológicas ................................................................................... 12
6.1.2 Índices de vegetación ......................................................................................... 14
6.1.3 Terraclimate ....................................................................................................... 17
6.1.4 Google Earth Engine .......................................................................................... 18
6.1.5 Series de tiempo a partir de sensores remotos ................................................... 18
6.1.6 Métodos para establecer pronósticos ................................................................. 19
6.1.7 Modelo de Regresión ......................................................................................... 19
6.2 ANTECEDENTES .................................................................................................... 21
7. METODOLOGIA ............................................................................................................. 23
8. DESARROLLO DE LA PROPUESTA ........................................................................... 24
8.1 Fase de Análisis de requerimientos ........................................................................... 24
8.2 Fase de Diseño .......................................................................................................... 26
8.2.1 Casos de uso ....................................................................................................... 26
8.2.2 Diagrama de clases ............................................................................................ 29
8.2.3 Diagrama de secuencias ..................................................................................... 30
8.2.4 Diagrama de paquetes ........................................................................................ 34
8.2.5 Modelo de componentes .................................................................................... 35
8.2.6 Modelo de despliegue ........................................................................................ 36
8.3 Fase de Desarrollo ..................................................................................................... 36
9. RESULTADOS ................................................................................................................ 37
9.1.1 Requerimientos .................................................................................................. 38
9.1.2 Arquitectura ....................................................................................................... 38
2
 9.1.3 Integración App Engine ..................................................................................... 38
9.1.4 Interfaz Grafica de Usuario (GUI) ..................................................................... 38
9.1.5 Pruebas de Rendimiento .................................................................................... 40
9.1.6 Pruebas de Usabilidad ........................................................................................ 41
10. CONCLUSIONES ........................................................................................................ 43
11. REFERENCIAS ............................................................................................................ 44

3
 LISTA DE FIGURAS

Figura 1: Diagrama Metodológico ........................................................................................... 24

Figura 2: Casos de uso ............................................................................................................. 28

Figura 3: Diagrama de Clases .................................................................................................. 30

Figura 4: Diagrama de secuencia CU05 .................................................................................. 31

Figura 5: Diagrama de secuencia CU06 .................................................................................. 31

Figura 6: Diagrama de secuencia CU07 .................................................................................. 32

Figura 7: Diagrama de secuencia CU08 .................................................................................. 32

Figura 8: Diagrama de secuencia CU09 .................................................................................. 33

Figura 9: Diagrama de secuencia CU10 .................................................................................. 33

Figura 10: Diagrama de secuencia CU12 ................................................................................ 34

Figura 11: Diagrama de paquetes ............................................................................................ 35

Figura 12: Modelo de componentes ......................................................................................... 35

Figura 13: Modelo de despliegue ............................................................................................. 36

Figura 14: Modelo de trabajo App Engine + EE ..................................................................... 37

Figura 15: Aplicativo para el análisis de Series de Tiempo..................................................... 40

Figura 16: Proceso de ejecución del aplicativo........................................................................ 40

LISTA DE TABLAS

Tabla 1: Requerimientos Funcionales ...................................................................................... 25

Tabla 2: Requerimientos No Funcionales ................................................................................ 25

Tabla 3: Metodología de evaluación ........................................................................................ 41

Tabla 4: Calificación General .................................................................................................. 41

Tabla 5: Evaluación de la usabilidad del aplicativo................................................................. 42

4
 1. INTRODUCCIÓN

El clima es el conjunto fluctuante de las condiciones atmosféricas, caracterizado por los

estados y evoluciones del tiempo, durante un período y un lugar o región. Debido a que el clima

se relaciona generalmente con las condiciones predominantes en la atmósfera, este se describe

a partir de variables atmosféricas como la temperatura y la precipitación, denominados

elementos climáticos o variables meteorológicas1; sin embargo, se podría identificar también

con las variables de otros de los componentes del sistema climático2 (IDEAM - Instituto de

Hidrología, Meteorología y Estudios Ambientales, 2014).

El conocimiento del comportamiento de las variables meteorológicas es fundamental para

hacer un uso sustentable de los recursos naturales como el agua, para el desarrollo de la

navegación, la agricultura, pronósticos y alertas oportunas de fenómenos meteorológicos,

como tormentas, vientos fuertes, mareas de tempestad, entre otros, convirtiéndose en una

herramienta valiosa para la prevención de desastres, planificación de acciones y toma de

decisiones para la gestión del riesgo (SIAC - Sistema de Información Ambiental de Colombia.,

2018). Sin embargo, los procesos climáticos presentan una variabilidad espacial y temporal,

por lo cual son tan complejos y aleatorios que se hace necesario abordar las variables

meteorológicas desde la estadística, a través de la cual es posible disminuir la incertidumbre

referidas al clima y sus componentes.

El aplicativo desarrollado, nace de la necesidad de deducir de manera fiable mediante series

de tiempo e imágenes satelitales, el comportamiento futuro de ciertas variables meteorológicas

(evapotranspiración, acumulación de precipitación, humedad del suelo, temperatura y

velocidad del tiempo) e índices de vegetación y agua (NDVI, EVI, NBRT, NDWI), superando

las limitantes de la escasa o nula disponibilidad de estaciones meteorológicas en tierra y la

1
Los elementos climáticos pueden definirse como toda propiedad o condición de la atmósfera cuyo conjunto
caracteriza el clima de un lugar a lo largo de un período de tiempo suficientemente representativo.
2
En 1975 la Organización Meteorológica Mundial definió el Sistema Climático constituido por: (Atmósfera,
Hidrosfera, Criosfera, litosfera y biosfera).

5
resolución temporal de los sensores remotos en algunas regiones del país puesto que en las

regiones ubicadas en el Ecuador la cobertura de nubes es un gran limitante y en algunos casos

las imágenes satelitales no están disponibles en determinadas fechas (Zhang, 2010) lo puede

ser insuficiente al momento de generar predicciones en tiempo real, en determinado día o fecha

específica.

De esta forma, las imágenes satelitales permiten detectar diversos factores relacionados con

el tiempo y el clima; de hecho, los datos reunidos de esta manera han ayudado a compilar

información meteorológica a corto y largo plazo, que son utilizados en las series de tiempo.

2. PROBLEMA

El comportamiento de las variables meteorológicas y variaciones en los índices se pueden

cuantificar y modelar mediante la información obtenida de observaciones satelitales y

estaciones de monitoreo en tierra, no obstante, dicha información está limitada en cada caso,

ya sea por la resolución espaciotemporal del satélite (disponibilidad de imágenes en

determinado tiempo, lugar y tamaño del pixel) (Justice et al., 2002; Wulder et al., 2008; Zhu,

Woodcock, Holden, & Yang, 2015) y por la disponibilidad de las estaciones meteorológicas,

que debido a su carencia y/o a su distribución no uniforme, no ofrecen una cobertura global del

parámetro o variable monitoreado, dado que una estación representa un solo punto de

observación y su generalización podría verse limitada con respecto al área de estudio (Crespo

& Cristina, 2016). Estas falencias en la obtención de la información, limitan la generación de

pronósticos oportunos con un grado de confiabilidad alto3 planificación de acciones y toma de

decisiones asertivas.

3
R2 superior a 0.8 o 80% o RMSE (Error Medio Cuadrático Medio) que compara los valores predichos con los
observados, donde entre más grande sea su valor mayor error indica.(Chen, Zhu, Vogelmann, Gao, & Jin, 2011).

6
 3. JUSTIFICACIÓN

Las predicciones climáticas apoyan la gestión del riesgo y la prevención de desastres

naturales. Asimismo, proporcionan los elementos de apoyo necesario para tomar decisiones

acerca del manejo y planificación de las actividades sensibles al clima para hacer frente a

posibles desastres naturales como las inundaciones o sequias lo cual repercute enormemente

en la actividad socioeconómica, ya que los sistemas de alerta temprana pueden impedir la

pérdida de vidas, medios de sustento y bienes al alertar a las poblaciones de amenazas

específicas y mejorar su nivel de preparación.

A su vez el monitoreo y predicciones del estado vegetativo de cultivos, pastos, bosques y

demás apoyan la seguridad alimentaria teniendo en cuenta que los agricultores pueden adaptar

sus fechas de plantación, sembrar la mejor combinación de cultivos y elegir aquellos resistentes

a las enfermedades y que se adaptan a las condiciones que se tengan en determinados meses

del año.

A través del aplicativo desarrollado es posible realizar predicciones o valores estimados de

variables meteorológicas (evapotranspiración, acumulación de precipitación, humedad del

suelo, temperatura y velocidad del tiempo) e índices (NDVI, EVI, NBRT, NDWI), para

determinado día, sin estar limitado ya sea por la resolución temporal de los sensores remotos o

por la disponibilidad de las estaciones climáticas en tierra, ya que a través de las series de

tiempo de imágenes, es posible definir un patrón de comportamiento y así poder realizar

predicciones a través de un modelo de regresión estimado de dicho comportamiento, en este

caso, de las variables meteorológicas e índices de vegetación y agua, con el fin de predecir el

comportamiento de la serie en fechas futuras o en días en los que no se cuenta con datos,

permitiendo el análisis de riesgos climáticos, planificación de acciones y toma de decisiones.

7
 4. ALCANCE

Con el diseño y desarrollo del aplicativo web se pretende generar una herramienta que

permita realizar predicciones del comportamiento de variables meteorológicas

(evapotranspiración, acumulación de precipitación, humedad del suelo, temperatura y

velocidad del tiempo) e índices (NDVI, EVI, NBRT, NDWI), a través de series de tiempo que

agrupa múltiples imágenes satelitales según la variable escogida, según rango de tiempo y la

ubicación establecida, para posteriormente calcular un modelo de regresión según el elegido

por el usuario para los valores de la variable, a su vez permite realizar la descarga del reporte

del modelo obtenido y la imagen de la variables según los coeficientes del modelo establecido.

El aplicativo hace uso de la API de Google Earth Engine a través de la cual se desarrolló el

código necesario para su funcionamiento y se tiene acceso al repositorio de imágenes

satelitales.

Los principales usuarios de este aplicativo, comprenden usuarios especializados con

conocimientos en estadística e imágenes satelitales, quienes a través de su análisis pueden

generar informes posteriores para distintas entidades relacionadas con el tema como el

Ministerio de Agricultura, IDEAM, Federaciones del Sector Agrícola, entre otras.

4.1 Alcance Espacial

El aplicativo web fue diseñado para realizar análisis sobre toda el área de Colombia cuando

no se define un área específica, sin embargo, el usuario también puede definir un área o punto

especifico ubicado en cualquier parte del mundo y el aplicativo permitirá realizar el análisis y

el modelo deseado.

4.2 Alcance Temático

El alcance temático del proyecto se define en nueve (9) tipos de variables a analizar:

Evapotranspiración, Acumulación de Precipitación, Humedad del Suelo, Temperatura,

Velocidad del viento, NDVI (Índice de Vegetación de Diferencia Normalizado), EVI (Índice

8
de Realce de Vegetación), NBRT (Proporción de Quemas Normalizado), NDWI (Índice de

Diferencia de Agua Normalizado).

4.3 Alcance Técnico

El aplicativo tendrá un menú de opciones en las que el usuario inicialmente podrá definir la

variable que desea analizar, el rango de tiempo, el punto o área de interés mediante el trazado

del polígono en la aplicación y el tipo de regresión, para el caso de índices podrá definir el tipo

de sensor (Landsat 7 u 8), a partir de dichos datos puede calcular el modelo estimado de la

variable y obtener el diagrama del mismo, adicional a ello es posible realizar el despliegue del

mapa obtenido y navegar sobre este, el usuario tendrá la opción de desplegar y descargar el

reporte del modelo establecido en formato csv o png, de igual manera permitirá descargar el

mapa obtenido.

5. OBJETIVOS

5.1 Objetivo General

Predecir el comportamiento de variables meteorológicas e índices de vegetación y agua, a

través del desarrollo de un aplicativo web, que permita obtener un modelo de regresión

estimado a partir de series de tiempo de imágenes satelitales.

5.2 Objetivos Específicos

• Realizar el levantamiento de requerimientos funcionales y no funcionales del

aplicativo.

• Establecer la arquitectura de los componentes del sistema a partir de los requerimientos

establecidos.

• Construir la integración del aplicativo web y la API de Google Earth Engine según la

arquitectura establecida para ejecutar todas las funcionalidades.

• Implementar una interfaz de usuario para manipular y visualizar los datos e información

del modelo de predicción.

9
 • Evaluar el rendimiento y usabilidad del aplicativo web para estimar el modelo de

regresión.

6. MARCO DE REFERENCIA

6.1 MARCO TEÓRICO CONCEPTUAL

La atmósfera es la capa gaseosa que rodea nuestro planeta. Además de contener el aire,

incluye partículas sólidas y líquidas en suspensión o aerosoles y nubes. La composición de la

atmósfera y los procesos que en ella se desarrollan tienen gran influencia en la actividad

humana y en la variabilidad ambiental en general. Estos afectan, en uno u otro grado, los

procesos de producción, intercambio y consumo de bienes y servicios, el bienestar y la

seguridad de la población, las relaciones sociedad-naturaleza y los procesos en otras esferas

del medio natural. De ahí la necesidad de hacer seguimiento continuo de la dinámica de la

atmósfera, su circulación, las variaciones en su composición y de los fenómenos que en ella

ocurren (IDEAM - Instituto de Hidrología, Meteorología y Estudios Ambientales, 2005).

Debido a que el clima se relaciona generalmente con las condiciones predominantes en la

atmósfera, este se describe a partir de variables atmosféricas como la temperatura y la

precipitación, denominados elementos climáticos (IDEAM, 2018). Para establecer cuál es el

estado de la atmósfera en un lugar y momento determinado o para describir y explicar el clima

de una región, se debe obtener información sobre el comportamiento de las variables

meteorológicas.

Para cumplir con las demandas de información de la sociedad en relación con el estado de

la atmósfera, el tiempo y el clima, se cuenta con una red de estaciones de medición y

observación meteorológica, la cual se ocupa de la generación y el acopio permanente de la

información y de la dinámica y estado del medio natural. A pesar de ello, las estaciones de

monitoreo presentan limitaciones como su disponibilidad, puesto que hay zonas que no cuentan

con un número considerable de estaciones y en muchos casos no hay; también ocurre que las

10
estaciones no se encuentran distribuidas uniformemente por lo cual no ofrecen una cobertura

global, debido a que una estación representa un solo punto de observación y su generalización

podría verse limitada con respecto al área de estudio (Crespo & Cristina, 2016). De esta forma,

la disponibilidad de las estaciones y, por ende, la disponibilidad de la información puede limitar

los pronósticos del clima.

Debido a esto, la puesta en marcha en los últimos años de nuevos programas espaciales de

observación de la Tierra amplía las posibilidades de mejorar la vigilancia ambiental; es así

como la teledetección, provee una nueva forma de monitorear las variaciones del tiempo

atmosférico y el clima a mayor escala, en comparación con las estaciones de monitoreo en

tierra, puesto que las imágenes satelitales ofrecen amplia cobertura espacial y media resolución

temporal.

Los datos obtenidos por los instrumentos ópticos, infrarrojos, de ondas de radio y de

microondas a distancia revolucionaron la ciencia de la meteorología y la climatología, ya que

brindan una cobertura global potencial y, por consiguiente, un mejor acceso a las áreas que

tienen un número limitado de estaciones meteorológicas (áreas con poca información) o que

no están cubiertas en absoluto por las observaciones convencionales. Los datos de teledetección

complementan las observaciones convencionales y son ampliamente utilizados en la predicción

numérica del tiempo, para el monitoreo y análisis del clima que agregan valor y mejoran la

habilidad de los pronósticos del tiempo, la precisión del análisis de tendencias de las variables

meteorológicas, etc. (Kuleshov et al., 2016).

No obstante, existe una serie de factores que condicionan la calidad de la información

recogida a distancia y por ende la información meteorológica obtenida en este caso, factores

como la triple resolución (espacial, espectral y temporal) de los satélites y la calidad de las

imágenes (ausencia de ruido, nubosidad, entre otros), siendo un factor clave de los datos

meteorológicos para su uso en la predicción, es la frecuencia temporal de las observaciones.

11
 La resolución temporal se define como la frecuencia de paso del satélite por un mismo punto

de la superficie terrestre, es decir, cada cuánto tiempo pasa el satélite por la misma zona de la

Tierra. Este tipo de resolución se sujeta a las características de la órbita como: altura, velocidad

e inclinación; también al diseño del sensor, principalmente al ángulo de observación y abertura.

La resolución espacial, temporal o espectral disponibles, pueden ser insuficientes para resolver

determinados problemas, detallar trazos y para distinguir áreas de contrastes pequeños, lo cual

afecta la estimación de las variables meteorológicas y de los índices ambientales. Además, la

presencia de nubes puede limitar temporalmente la frecuencia temporal proporcionada en

sistemas con sensores en la banda óptica. No pueden discriminarse, mediante una imagen de

satélite, cambios que se desarrollan en la profundidad de la superficie (Chuvieco, 1995).

6.1.1 Variables meteorológicas

Debido a que el clima se relaciona generalmente con las condiciones predominantes en la

atmósfera, este se describe a partir de variables meteorológicas como la temperatura y la

precipitación, denominados también elementos climáticos; Los elementos del clima son

entendidos como las condiciones, variables o propiedades físicas de la atmósfera utilizadas

para medir y describir el clima en un momento dado (IDEAM - Instituto de Hidrología,

Meteorología y Estudios Ambientales, 2014).

A continuación, se describen brevemente las variables meteorológicas que componen el

aplicativo desarrollado:

a. Evapotranspiración: es la transmisión de agua de la tierra a la atmósfera por procesos

de evaporación de la superficie del suelo y transpiración de las plantas (Wang &

Dickinson, 2012). Es un fenómeno complejo que controla el intercambio de masa y

energía en el sistema atmosférico global y se considera como una herramienta útil para

el monitoreo del cambio de energía y transferencia de humedad del suelo a la atmósfera,

pues es gobernado por diversas variables climáticas, como radiación, temperatura,

12
 velocidad del viento, humedad atmosférica y su efecto en la humedad del suelo, y el

albedo (Shenbin, Yunfeng, & Thomas, 2006).

La evapotranspiración, es un parámetro clave en el balance de energía del sistema

Tierra-Atmósfera, importante en el proceso del uso y manejo del agua, en la detección

de estrés hídrico vegetal, en la predicción del rendimiento de los cultivos, en el cálculo

del balance hídrico y en la caracterización climática de las distintas zonas, por nombrar

algunos aspectos (Segura-Castruita & Ortiz-Solorio, 2017)

b. Precipitación: es el término con el cual se denominan las formas de agua en estado

líquido o sólido que caen directamente sobre la superficie terrestre. La fuente principal

de las precipitaciones son las nubes, pero no se llegan a producir hasta que las diminutas

partículas que las constituyen consiguen un tamaño suficientemente grande como para

vencer la fuerza ascendente de las corrientes atmosféricas. La cantidad, frecuencia y

distribución espacial y temporal de las precipitaciones es muy variable, razón por la

cual ha sido objeto de intenso estudio por parte del hombre, en la determinación de los

climas y el aprovechamiento de los recursos hídricos. Los patrones de precipitación

varían en una escala muy localizada debido a las interacciones entre la energía y los

flujos de agua y las características de la topografía (AstroMia, 2017).

c. Humedad del Suelo: Se entiende por humedad del suelo a la cantidad de agua

contenida por volumen de tierra que hay en un terreno. La determinación de la humedad

natural del suelo es primordial para resolver problemas vinculados a las necesidades de

agua de riego, consideraciones ambientales y determinación de los excedentes hídricos.

La humedad del suelo influye en muchas propiedades físicas, tales como la densidad

aparente, espacio poroso, compactación, penetrabilidad, resistencia al corte,

consistencia, succión total de agua y color del suelo. La humedad del suelo es muy

13
 dinámica y depende del clima, vegetación, profundidad del suelo, y de las

características y condiciones físicas del perfil (Reyna et al., 2011)

d. Temperatura: como parámetro climático, se refiere al grado de calor específico del

aire en un lugar y momento determinados, así como a su evolución temporal y espacial

en las distintas zonas climáticas. La temperatura del aire varía en función de la latitud,

la elevación y las circulaciones atmosféricas a gran escala, y es sensible a los patrones

climáticos predominantes y a las diferencias en las condiciones de la superficie local.

Constituye el elemento meteorológico más importante en la delimitación de la mayor

parte de los tipos de climas, estando en función directa de la mayor o menor cantidad

de radiación solar recibida. Es uno de los principales factores que influyen en la

variabilidad del clima (FECYT (Fundación Española para la Ciencia y la Tecnología),

2004).

e. Velocidad del viento: El viento es la variable de estado de movimiento del aire es

causado por las diferencias de temperatura existentes al producirse un desigual

calentamiento de las diversas zonas de la Tierra y de la atmósfera. En meteorología se

estudia el viento como aire en movimiento tanto horizontal como verticalmente. Los

movimientos verticales del aire caracterizan los fenómenos atmosféricos locales, como

la formación de nubes de tormenta. Se denomina propiamente "viento" a la corriente de

aire que se desplaza en sentido horizontal. El viento se caracteriza por su dirección y su

velocidad. Para el cómputo de la evapotranspiración, la velocidad del viento es una

variable importante (NIMBUS (Weather Services), 2018).

6.1.2 Índices de vegetación

Los índices de vegetación son medidas cuantitativas, basadas en los valores digitales, que

tienden a medir la biomasa o vigor vegetal. Usualmente el índice de vegetación es una

combinación de las bandas espectrales, siendo el producto de varios valores espectrales que

14
son sumados, divididos, o multiplicados en una forma diseñada para producir un simple valor

que indique la cantidad o vigor de vegetación dentro de un píxel, permitiendo estimar y evaluar

el estado de salud de la vegetación, en base a la medición de la radiación que las plantas emiten

o reflejan, con el fin de dar un buen manejo de los recursos ambientales y la toma de decisiones

(Díaz García-Cervigón, 2015)

Estos índices, son utilizados para mejorar la discriminación entre el suelo y la vegetación,

minimizan la influencia de factores distorsionantes, como el efecto del relieve en la

caracterización espectral de las diferentes cubiertas, el suelo, la irradiancia solar, el ángulo de

elevación del Sol y la propia atmósfera (Muñoz, 2013)

a. NDVI - Índice Diferencial de Vegetación Normalizado (NDVI)

El Índice de Vegetación de Diferencia Normalizada, también conocido por su sigla en

inglés NDVI (Normalized Difference Vegetation Index), provee información que

permite monitorear el estado de la vegetación (SNIA, 2015). Este índice aprovecha el

contraste de las características de dos bandas de un dataset ráster multiespectral: las

absorciones de pigmento de clorofila en la banda roja y la alta reflectividad de los

tejidos de las plantas en la banda cercana al infrarrojo (NIR). Se utiliza para hacer un

seguimiento de las sequías, supervisar y predecir la producción agrícola, ayudar en la

predicción de las zonas con riesgo de incendio y cartografiar la desertización (ESRI,

2016).

El índice diferencial de vegetación normalizado (NDVI) se genera a partir de las bandas

de IR Cercano y Rojo de cada escena con la Ecuación 1, y su valor varía de -1.0 a 1.0.

(𝐼𝑅𝐶 − 𝑅𝑂𝐽𝑂)
𝑁𝐷𝑉𝐼 = (1)
(𝐼𝑅𝐶 + 𝑅𝑂𝐽𝑂)

b. EVI – Índice de Vegetación Mejorada:

El EVI (por su sigla en inglés, Enhanced Vegetation Index) es un índice de vegetación

que optimiza la señal de la vegetación aumentando su sensibilidad en casos de altas

15
 densidades de biomasa, mediante la separación de la señal proveniente de la vegetación

de las influencias atmosféricas. Provee información que permite monitorear el estado

de la vegetación en caso de altas densidades de biomasa. Fue optimizado a partir del

NDVI para reducir la influencia de la atmósfera, por ejemplo, por la dispersión de

aerosol, ruido atmosférico, saturación, entre otros. Por lo tanto, este índice es más

apropiado para zonas con escasa cobertura vegetal y fuerte efecto del suelo desnudo y

no presenta problemas de saturación como el NDVI en zonas con altas densidades de

biomasa. (SNIA, 2015)

El Índice de Vegetación Mejorada (EVI) se genera a partir de las bandas de IR Cercano,

Rojo y Azul de cada escena (Ecuación 2), y su valor varía de -1.0 a 1.0.

(𝐼𝑅𝐶 − 𝑅𝑂𝐽𝑂)
𝐸𝑉𝐼 = (2)
(𝐼𝑅𝐶 + 6𝑅𝑂𝐽𝑂 − 7.5𝐴𝑍𝑈𝐿) + 1

c. NBRT - Relación de Quema Normalizada:

El NBRT - Enhanced Vegetation Index Normalized Burn Ratio Thermal por su sigla

en inglés, es un índice de vegetación que sirve para determinar la gravedad del área

quemada. Posibilita la identificación de las zonas donde la pérdida de vegetación ha

sido más elevada. Esto es debido a la combinación de dos bandas espectrales que

responden al fuego de manera más acusada y contrastada: el infrarrojo cercano (IRC),

cuya reflectividad desciende debido a la desaparición de la vegetación activa, y el

infrarrojo medio de onda corta (SWIR), cuya reflectividad incrementa por la pérdida de

humedad, la mayor exposición del suelo y las menores sombras proyectadas por la

vegetación (Navazo Arenas, Nieto Masot, & Moreno, 2016).

El (NBRT) se genera a partir de las bandas de infrarrojo cercano, infrarrojo medio (2215

nm) y térmica (Harris, 2016) (Ecuación 3), y tiene un rango de -1.0 a 1.0.

16
 𝑇𝐸𝑅𝑀𝐴𝐿
(𝐼𝑅𝐶 − 𝑆𝑊𝐼𝑅( 1000 ))
𝑁𝐵𝑅𝑇 = (3)
𝑇𝐸𝑅𝑀𝐴𝐿
(𝐼𝑅𝐶 + 𝑆𝑊𝐼𝑅( 1000 ))

d. NDWI - Índice de Agua de Diferencia Normalizada:

El Índice de Agua de Diferencia Normalizada, también conocido por su sigla en inglés

NDWI (Normalized Difference Water Index) es sensible a los cambios en el contenido

de agua de la vegetación, es decir, provee información del estrés hídrico de la

vegetación. El índice NDWI utiliza la combinación de las reflectancias a 0.86 µm y

1.24 µm eliminando las variaciones inducidas por la estructura interna de los tejidos

vegetales y su contenido de materia seca, mejorando la precisión en la determinación

del contenido de agua de la vegetación (SNIA, 2015).

Se deriva de la banda de IR cercano y una segunda banda de IR, ≈1.24μm cuando está

disponible y, de lo contrario, la banda de IR más cercana disponible (Gao, 1996)

(Ecuación 4). Su valor varía de -1.0 a 1.0. Esta relación se basa en las diferentes

capacidades de absorción de la señal del agua en las dos bandas utilizadas, siendo más

sensible la banda de 1.24 µm.

(𝐼𝑅𝐶 − 𝑆𝑊𝐼𝑅)
𝑁𝐷𝑊𝐼 = (4)
(𝐼𝑅𝐶 + 𝑆𝑊𝐼𝑅)

6.1.3 Terraclimate

TerraClimate es un conjunto de datos de clima mensual y balance hídrico climático para

superficies terrestres globales desde 1958-2015. Estos datos proporcionan insumos importantes

para estudios ecológicos e hidrológicos a escalas globales que requieren una alta resolución

espacial y datos que varían en el tiempo. Utiliza la interpolación asistida por el clima, que

combina las normales climatológicas de resolución espacial alta del conjunto de datos

WorldClim4, con una resolución espacial más basta, pero datos que varían con el tiempo de

4
Worldclim es un repositorio con variables climáticas, abierto y libre, que ha permitido un desarrollo
exponencial de los trabajos sobre cambio climático en los últimos 10 años. Worldclim permite la descarga de 19

17
CRU Ts4.05 y el Reanalysis japonés de 55 años (JRA55)6 con un tiempo de resolución más

grueso (por ejemplo, mensualmente) (Abatzoglou, Dobrowski, Parks, & Hegewisch, 2018)

6.1.4 Google Earth Engine

Es una plataforma sin ánimo de lucro, la cual aloja imágenes satelitales y las almacena en

un archivo de datos públicos que incluye imágenes históricas de la Tierra que se remontan a

más de cuarenta años. Earth Engine obtiene las imágenes diariamente y proporciona acceso

fácil basado en la web a un extenso catálogo de imágenes satelitales y otros datos geoespaciales

para el análisis científico. También proporciona una APIs en JavaScript y Python que facilita

la comunicación y permite hacer uso de las funciones de la plataforma para el análisis de

grandes conjuntos de datos (Google, s. f.).

6.1.5 Series de tiempo a partir de sensores remotos

Una serie de tiempo se puede definir como una colección de observaciones ordenadas a

través del tiempo, en el caso de las imágenes satelitales dichas observaciones corresponden a

valores de reflectancia de las bandas espectrales, de tal forma para cada pixel se tienen los datos

de todas las imágenes multiespectrales disponibles en el intervalo de tiempo de la serie

(Galindo G., Espejo V., Rubiano R., Vergara, & Cabrera M., 2014).

Las series de tiempo proveen una poderosa herramienta para conocer de eventos pasados,

monitorear las condiciones actuales y preparación para futuros cambios.(van Leeuwen, Orr,

Marsh, & Herrmann, 2006). Autores como (Colditz, Conrad, Wehrmann, Schmidt, & Dech,

variables climáticas, a diferentes resoluciones espaciales y en diferentes formatos ráster (una matriz de datos
georreferenciada). Además de la interpolación espacial para el presente, con datos de estaciones meteorológicas
de entre 1950 a 2000, también dispone de capas SIG con información sobre las mismas variables climáticas en
el pasado y en el futuro.
5
Los datos de la serie de datos climáticos (CR) de la Unidad de Investigación Climática (CRU) en cuadrícula
son datos de variaciones mensuales en el clima durante el período 1901-2015, proporcionados en cuadrículas de
alta resolución (0.5x0.5 grados), producidos por CRU en la Universidad de East Anglia- Inglaterra. Los datos de
CRU TS4.00 son campos cuadriculados mensuales basados en datos de observación mensuales calculados a
partir de datos diarios o subaluarios de los Servicios Meteorológicos Nacionales y otros agentes externos.
6
JRA-55 satélite de la Agencia Meteorológica de Japón (JMA por sus siglas en ingles), es el segundo proyecto
de reanálisis atmosférico global japonés. Cubre 55 años y se remonta a. Su objetivo principal fue corregir
errores que existían en previos análisis para producir un conjunto de datos atmosféricos completo y adecuado
para estudiar la variabilidad multidecada y el cambio climático.

18
2008) indican que las series de tiempo desde datos de sensores remotos son importantes para

el monitoreo regional y global en la estimación y análisis de variaciones debido a las sequias u

otros eventos extremos como el fenómeno del Niño.

6.1.6 Métodos para establecer pronósticos

Como indica (Sarmiento, 2008) no hay un solo modelo para establecer pronósticos que sea

el mejor. De hecho, existen bastantes métodos para realizar estimaciones que se puedan usar.

Estos métodos se dividen de dos tipos clásicos: métodos cualitativos y cuantitativos. Los

métodos cualitativos tienen en cuenta la experiencia y opinión para establecer pronósticos que

predicen en forma subjetiva, hechos futuros, este tipo de método es útil cual los datos históricos

son pocos o no están disponibles, con respecto a los métodos cuantitativos hacen uso de

información histórica para estimar valores futuros de la variable de interés, a su vez se

subdividen en dos clases: univariados y causales.

Los métodos univariados predicen el futuro de una serie con base en su comportamiento

histórico propio, son bastante útiles si el patrón detectado en el pasado se mantiene en el futuro;

los modelos causales requieren la identificación de otras variables que se relacionan de la

manera cusa efecto con la variable que se desea predecir, con base a dichas variables

relacionadas se construye el modelo estadístico, los modelos de regresión lineal simple y los

modelos de regresión lineal múltiple son los más conocidos de este grupo (Sarmiento, 2008).

6.1.7 Modelo de Regresión

El objetivo de un modelo de regresión es estimar los parámetros asociados con una

relacional funcional (Ecuación 5), de la cual se supone que existe entre el valor esperado de la

variable dependiente y las independientes, minimizando la suma de los cuadrados de los errores

de una muestra de n observaciones que satisfagan la relación (Botero Botero & Cano Cano,

2008).

19
 Para analizar y poder establecer la relación la variable dependiente y las variables

independientes, se hace uso de una regresión lineal múltiple a través del método de estimación

de Mínimos Cuadrados Ordinarios (MCO) el cual presenta propiedades estadísticas que lo

convierten mucho más intuitivo y matemáticamente más sencillo, (Gujarati & Porter, 2010), a

través de dicha forma de estimación de obtiene una regresión.

𝑦 = 𝐵0 + 𝐵1 ∙ 𝑋1 + 𝐵2 ∙ 𝑋2 + 𝐵3 ∙ 𝑋3 + ⋯ + 𝐵𝑛 ∙ 𝑋𝑛 (5)
El análisis del modelo de regresión se relaciona en gran medida con la estimación y/o

predicción de la media o valor promedio de la variable dependiente, con base en los valores

conocidos o fijos de las variables explicativas (Villareal, 2016).

A partir de lo anterior en el aplicativo se incorporaron 4 tipos de regresión (Lineal,

Cuadrática, Cubica y Armónica (ZhuWoodcock), las cuales se detallan sus modelos a

continuación:

a. Lineal: El modelo de regresión lineal plantea siete supuestos, de los cuales el primero

de ellos indica que el modelo es lineal en los parámetros, aunque puede o no ser lineal

en las variables (Ecuación 6) siendo 𝑢𝑖 el error estimado, este modelo puede extenderse

para incluir más variables explicativas (Gujarati & Porter, 2010).

𝑦 = 𝐵0 + 𝐵1 ∙ 𝑋𝑖 + 𝑢𝑖 (5)

b. Cuadrática-Cubica: Este modelo de regresión hace parte de los modelos de regresión

polinomial, se utiliza para aquellos comportamientos no lineales como parábolas, la

ecuación 6 se denomina una función cuadrática o un polinomio de segundo grado en la

variable X, la mayor potencia de X representa el grado del polinomio (si se agregara

𝑋 3 a dicha función, sería un polinomio de tercer grado o cubica (Ecuación 7), y así

sucesivamente). En estos tipos de regresiones polinomiales, sólo hay una variable

explicativa al lado derecho, pero aparece elevada a distintas potencias, convirtiéndolas

en modelos de regresión múltiple (Gujarati & Porter, 2010).

20
 𝑦 = 𝐵0 + 𝐵1 ∙ 𝑋𝑖 + 𝐵1 ∙ 𝑋𝑖2 + 𝑢1 (6)

𝑦 = 𝐵0 + 𝐵1 ∙ 𝑋𝑖 + 𝐵1 ∙ 𝑋𝑖2 + 𝐵1 ∙ 𝑋𝑖3 + 𝑢1 (7)

c. Armónica (ZhuWoodcock): La aplicación de la forma de Fourier a los modelos de

series temporales ha dado lugar a los modelos de regresión armónica. Una regresión

armónica dinámica es una particularización del conjunto de modelos de componentes

no observables que adopta la ecuación 8 (Parra Rodríguez, 2018).

𝑚
𝑛2𝜋𝑥 𝑛2𝜋𝑥
𝑌̂𝑡 = 𝑎0 + ∑ (𝑎𝑛 cos + 𝑏𝑛 sin ) (8)
𝐿 𝐿
𝑛=1

Donde x es el valor de la fecha en segundos, L es la longitud del ciclo el cual se fijó en

31536000 siendo este el número de segundos por año, m es el orden del polinomio en

este caso se aplicó de orden 1.

6.2 ANTECEDENTES

Actualmente con la infinidad de imágenes satelitales y productos derivados de ellas, han

surgido aplicaciones que permiten manipular y analizar grandes cantidades de imágenes de

manera rápida y fácil, de igual manera con el desarrollo de las tecnologías, la incorporación de

distintas funcionalidades y herramientas y la ejecución de procesos en la nube ha permitido

que el procesamiento de imágenes satelitales y el tratamiento de datos geoespaciales este cada

vez más a la mano de los usuarios evitando descargar datos masivos o analizarlos

individualmente. Entre una de esas funcionalidades más frecuentes para el tratamiento de

imágenes es el análisis de series de tiempo, puesto que permite hacer un análisis masivo de un

grupo de imágenes de una región y un rango de tiempo específico.

Entidades como la NASA, el USGS (Servicio Geológico de los Estados Unidos),

Universidades y otras privadas y públicas de los Estados Unidos principalmente han realizado

distintas aplicaciones que permiten acceder a datos de imágenes satelitales y realizar análisis

rápidos, adicional a ello la plataforma de Google Earth Engine junto con su amplio catálogo de

21
imágenes satelitales permite realizar aplicaciones para visualizar y analizar este tipo de datos,

todo de manera remota (Google, 2017). A continuación de explican algunas de las aplicaciones

disponibles que permiten realizar análisis de series de tiempo.

AppEEARS (Application for Extracting and Exploring Analysis Ready Samples) en una

herramienta del USGS para analizar series masivas de datos multitemporales, haciendo uso de

las imágenes disponibles por la NASA, en esta aplicación es posible seleccionar zonas

territoriales a partir de puntos o áreas para componer series temporales de imágenes y generar

graficas analíticas que permitan identificar como varían los datos ambientes a lo largo del

tiempo, trabaja sin la necesidad de descargadas datos masivos o analizarlos individualmente, a

su vez permite la exportación de datos y generación de graficas temporales (NASA et al.,

2018); sin embargo la aplicación es algo engorrosa de manejar por , requiere de autenticación

y el análisis toma un tiempo superior a los 5 minutos. El link de acceso es:

[Link]

LandTrendr (LT) en Google Earth Engine LT-GEE es un aplicativo realizado por la

Universidad Estatal de Oregon en Estados Unidos, esta aplicación es un conjunto de algoritmos

que se puede utilizar para la detección de cambios en una serie temporal de imágenes. El

beneficio del algoritmo LT-GEE es que puede procesar varias imágenes Landsat con la

potencia de los servidores de Google, así evitando la necesidad de descargar y procesar las

imágenes uno mismo. La aplicación posee cuatro enfoques (1) Pixel Time Series Plotter

(Plotter de Pixeles de Series Temporales), (2) Change Mapper (Mapeador de Cambios) y (3)

RGB Mapper (Mapeador rojo-verde-azul) y (4) UI LandTrendr Time Series Animator

(Animador de Series de Tiempo) (Kennedy et al., 2018). Los procesos relacionados a series de

tiempo permiten obtener la gráfica del comportamiento del punto y estimar un modelo de

regresión que se ajuste, sin embargo, no se indica la ecuación de este, ofrece distintos índices,

pero no variables meteorológicas y no permite definir un polígono de interés y descargar la

22
imagen obtenida con base al modelo, también permite descargar los datos en imágenes o

formato csv.

Otra de las aplicaciones relacionadas es LandViewer un servicio basado en la nube y

desarrollado por la compañía estadounidense EOS Data Analytics, que permite acceder de

manera sencilla a datos de satélite y realizar rápidos análisis, la plataforma incluye datos

gratuitos de la NASA y la ESA, también imágenes de alta resolución de entidades como Airbus,

SpaceWill y SI Imaging Services entre otros programas de satélite. La gran cantidad de datos

disponibles, ha facilitado considerablemente la monitorización de los cambios a lo largo de

periodos de tiempo prolongados, esta herramienta permite analizar las series de imágenes a

través de una gráfica que indica las estadísticas básicas de la seria como media, desviación, etc.

y permite descargar los datos en imágenes o formato csv; sin embargo no establece un modelo

de regresión ni la opción de definir un polígono para descargar la imagen según el modelo

definido. Se puede acceder a través de: [Link]

En la IDE que ofrece Google Earth Engine para la elaboración de algoritmos de análisis se

encuentran algunos ejemplos de series de tiempo, que permiten principalmente evaluar y

evidenciar el proceso para la extracción de la información de un grupo de imágenes en una

ubicación específica y elaborar el diagrama.

7. METODOLOGIA

Se empleó una metodología ágil de programación extrema combinada con la metodología

orientada a la reutilización, en donde se realizan cambios en los requerimientos sin que las

existencias de los mismos afecten sustancialmente las funcionalidades principales. También,

disminuye los tiempos utilizados para el desarrollo, la personalización y ajustes para que

cumpla con los requerimientos y aplicar pruebas unitarias que fomenten un proceso

incremental.

23
 A continuación, se describe en la Figura 1, la metodología se desarrolló en tres diferentes

fases. La Fase 1, inicia con el levantamiento y la especificación de los requerimientos, los

cuales son validados para poder continuar con el análisis de componentes que integran el

sistema que hacen parte de la Fase 2, además del diseño del sistema con reutilización e

implementación y validación de componentes independientes. Finalmente, la Fase 3,

comprende las actividades de desarrollo e integración del sistema, validación de la integridad

del sistema y pruebas funcionales. Cabe anotar que la metodología planteada para el proyecto

tiene como característica principal ser adaptativa al proceso evolutivo del sistema.

Figura 1: Diagrama Metodológico

Fuente: Elaboración Propia

8. DESARROLLO DE LA PROPUESTA

8.1 Fase de Análisis de requerimientos

La fase de levantamiento de requerimientos permitió identificar los siguientes

requerimientos funcionales que se describen a continuación:

24
Tabla 1: Requerimientos Funcionales
ÍTEM DESCRIPCIÓN
1 Requerimientos de Usuario
El aplicativo debe poder ejecutar y analizar una serie de imágenes en determinado
rango de tiempo lo cual permita obtener un modelo de regresión con base a la
RF-01 información de las imágenes satelitales de la variable escogida, a su vez debe
obtener un mapa estimado de los coeficientes de la regresión para la zona de
interés establecida.
Buscar y seleccionar el conjunto de imágenes satelitales que se utilizara en el
RF-02 proceso, según el sensor (Landsat 7 u 8) para el caso de los índices y el rango
fecha en el que se desea analizar la serie de tiempo.
Poder visualizar el mapa resultante después de ejecutado el modelo de regresión,
RF-03 al igual que las estadísticas obtenidas del mismo (ecuación, errores, diagrama del
modelo).
Descargar la información obtenida del modelo obtenido como el reporte de las
RF-04 estadísticas y el mapa final resultante donde cada capa hace referencia a un
coeficiente del modelo de regresión.
Debe permitir realizar el dibujo del área de interés para la búsqueda de imágenes
RF-05 o seleccionar un punto de interés para obtener el modelo de regresión en el sitio
deseado.
El usuario no debe cargar las imágenes satelitales para el proceso, estas deben ser
RF-06
consultadas a través de un repositorio remoto de imágenes satelitales gratuitas.
Fuente: Elaboración Propia

Adicionalmente, se identifican los requerimientos no funcionales en aspectos como

visualización, desempeño, persistencia y escalabilidad. Es importante tener en cuenta que los

requerimientos no funcionales son necesidades que condicionan el comportamiento del

sistema, por lo que un cambio significativo en alguno de ellos impacta directamente la

estructura del sistema, es decir, la arquitectura.

Tabla 2: Requerimientos No Funcionales

ITEM DESCRIPCION
Producto
Usabilidad
RNF-01 Ser intuitivo para el usuario y mostrar la información de manera dinámica, ágil y
estética.
Usabilidad
RNF-02 En caso de presentarse algún error, el sistema debe mostrar un mensaje de
advertencia notificando dicho error.
Mantenibilidad
RNF-03
Corregir un fallo no afecta otras partes del sistema
Rendimiento
RNF-04 Los tiempos de respuesta relacionados con el cálculo del modelo, visualización del
mapa y generación reporte de estadísticas no debe ser superior a 2 minutos.

25
 Disponibilidad
RNF-05 Se puede acceder a la aplicación las 24 horas del día, salvo sea por un daño externo
ajeno al sistema.
Mantenibilidad – Documentación
RNF-06 La aplicación debe contar con un instructivo e indicaciones de uso del aplicativo
dentro del mismo.
Organizacionales
Ser adaptable a navegadores Web comunes de escritorio: El sistema debe ser
RNF-07 accedido por los usuarios mediante un navegador a través Internet, sin necesidad de
utilizar plugin o software emulador de web.
Interoperabilidad
El sistema debe poder conectarse al repositorio en la nube de imágenes satelitales
que ofrece la plataforma Google Earth Engine, con el fin de que estas sean
RNF-08
seleccionadas en el aplicativo desde la nube, permita realizar la consulta y
procesamiento remoto de los procesos que realice el aplicativo y sin necesidad de
ser cargadas por el usuario.
Fuente: Elaboración Propia

8.2 Fase de Diseño

En esta fase, mediante diferentes modelos basados en lenguaje UML, se busca representar

la relación y estructura de los diferentes elementos lógicos y físicos que participan en la

generación de la arquitectura de software para el desarrollo de un aplicativo web geográfico.

8.2.1 Casos de uso

Con base a lo establecido en la fase de requerimientos se establecieron 11 casos de uso

(Figura 2).

• Visualizar (CU-01): Permite a los usuarios visualizar el mapa base para hacer uso de

las diversas funcionalidades que provee el aplicativo web.

• Alejar (CU-02): Permite a los usuarios alejar la vista del mapa base cuando así lo

requiera.

• Acercar (CU-03): Permite a los usuarios tener más detalle de la vista del mapa base

cuando así lo requiera.

• Desplazar (CU-04): Permite a los usuarios desplazarse a lo largo y ancho del mapa

base cuando así lo requiera.

26
• Buscar Imágenes (CU-05): Permite a los usuarios acceder a la búsqueda de la imagen

satelital que se utilizara para realizar el modelo de regresión, teniendo en cuenta la

variable escogida, la zona de interés, la fecha y el tipo de sensor para el caso de los

índices.

• Definir AOI (CU-06): Permite a través de una herramienta de dibujo, definir el área o

punto de interés en que se buscaran las imágenes satelitales, sin necesidad de cargar

algún archivo shapefile.

• Calcular Modelo (CU-07): Permite a los usuarios calcular el modelo de regresión

seleccionado con base a la variable, rango de tiempo, área o punto de interés

establecidos; con base a los resultados obtenidos se generará el mapa para cada

coeficiente del modelo según la variable.

• Visualizar reporte de estadísticas (CU-08): Permite a los usuarios visualizar las

estadísticas resultantes del modelo de regresión obtenido e información detallada del

modelo tales como la ecuación del modelo, el error obtenido o r2 al igual que un

diagrama en donde se encuentran indicados los valores encontrados para el punto de

interés establecido y según el rango de tiempo, junto con la gráfica de la ecuación del

modelo.

• Descargar reporte (CU-09): Permite a los usuarios descargar el reporte del modelo de

regresión obtenido, sea como una imagen en formato png del diagrama con la ecuación

del modelo, la gráfica de la ecuación del modelo y la distribución de los valores

encontrados para el punto de interés a lo largo del rango de tiempo establecido o una

tabla en formato csv en el cual se encuentran los valores de la variable para cada una

de las fechas en las que se encontró valores válidos.

• Visualizar mapa modelo (CU-10): Permite a los usuarios visualizar el mapa obtenido

del modelo de regresión ejecutado con base a la variable establecida y demás criterios

27
 de búsqueda, en donde cada capa resultante es un coeficiente de la ecuación del modelo

obtenido.

• Exportar mapa (CU-11): Permite a los usuarios descargar el mapa obtenido del modelo

de regresión en un archivo de tipo ráster (.TIFF) según el área de interés establecida, el

orden de las bandas del archivo exportado es el mismo que el indicado en el selector de

bandas del mapa.

Figura 2: Casos de uso

Fuente: Elaboración Propia

28
 La arquitectura lógica permite ofrecer soporte a los requerimientos funcionales, lo que el

sistema debe proveer en términos de servicios a sus usuarios. En el presente documento, para

esta sección se mostrará el diagrama de clases que indica una concepción acerca de las

entidades, objetos, relaciones, que modelan el objetivo del aplicativo a desarrollar, de igual

manera se desarrolla el diagrama de secuencias con el fin de representar las interacciones entras

las clases definidas y a su vez poder refinar los métodos establecidos para cada clase

establecida, adicional a dichos diagramas se incluye el modelo de componentes y de

despliegue.

8.2.2 Diagrama de clases

El siguiente modelo muestra las clases conceptuales significativas establecidas con base a

los requerimientos del cliente y los casos de uso establecidos, tiene como propósito ilustrar las

relaciones, métodos y atributos que tendrán cada uno de los objetos definidos para el aplicativo

lo cual permita entender y comprender el problema y a su vez permitir el modelamiento de

series de tiempo de diferentes variables meteorológicas e índices en una zona y rango de fecha

específico a través de imágenes satelitales, los elementos descritos en la Figura 3 ayudan a

entender y modelar el problema, para ello se establecieron 8 clases.

En el modelo obtenido se muestra las clases que estructuran las funcionalidades y entorno

visual de la aplicación, sus atributos y las operaciones que las componen; su clase principal es

Datos, que a su vez posee dos tipos (ráster, y alfanumérico (reportes)), esta clase se encuentra

asociada con todas las demás clases definidas y permite realizar todas las validaciones de los

datos que maneja el aplicativo con el fin de que los resultados obtenidos y los parámetros de

entrada sean válidos para ejecutar los diferentes procesos y que el aplicativo cumpla su

objetivo. Secundaria a dicha entidad se tienen las clases de búsqueda, visualización, calculo y

descarga, las cuales se componen de una serie de operaciones que denotan cada uno de los

procesos a realizar con el fin de cumplir el objetivo del aplicativo.

29
 Figura 3: Diagrama de Clases
Fuente: Elaboración Propia

8.2.3 Diagrama de secuencias

El diagrama de secuencia permite representar la interacción entre el usuario y las distintas

clases que permiten representar a través de los métodos aquellas órdenes dadas por el usuario

según los requerimientos definidos, a su vez este modelo permite refinar los métodos y

funciones establecidas inicialmente para cada una de las clases, con el fin de establecer una

adecuada descripción de los casos de uso establecidos, a continuación se detallan los diagramas

de secuencia más importantes del proceso.

[Link] Diagrama de secuencias CU05 - BUSCAR IMÁGENES

El siguiente diagrama tiene como propósito identificar las distintas clases y métodos que se

ven involucrados en el proceso de buscar imágenes, donde el usuario da inicio a la búsqueda

estableciendo los parámetros de búsqueda, posteriormente el sistema establece una conexión

30
con el repositorio de imágenes satelitales de Google earth engine para realizar la consulta con

los parámetros definidos, a través de la clase datos se valida la información obtenida para

posteriormente ser visualizada.

Figura 4: Diagrama de secuencia CU05

Fuente: Elaboración Propia

[Link] Diagrama de secuencias CU06 - DEFINIR AOI

Para el caso de este diagrama el propósito es definir el área o punto de interés (AOI) para

establecer la búsqueda de imágenes satelitales, en este flujo interactúan tres entidades, que

permiten capturar un polígono o un punto definido por el usuario, para ello el usuario define

un AOI a través de la capa de visualización, posteriormente este es validado en la entidad datos

y almacenado por la clase búsqueda.

Figura 5: Diagrama de secuencia CU06

Fuente: Elaboración Propia

31
 [Link] Diagrama de secuencias CU07 - CALCULAR MODELO

Este diagrama representa la secuencia de uno de los casos de uso más importantes en el

desarrollo del aplicativo, puesto que indica el cálculo del modelo, en este diagrama interactúan

tres entidades, las cuales entre calculo_modelo y datos poseen métodos que interactúan entre

sí, para finalmente el mapa resultante ser visualizado.

Figura 6: Diagrama de secuencia CU07

Fuente: Elaboración Propia

[Link] Diagrama de secuencias CU08 - VISUALIZAR REPORTE DE

ESTADISTICAS

Este diagrama tiene como finalidad representar las entidades y métodos que se ven

involucrados en el caso de uso correspondiente a visualizar reporte de estadísticas, se

encuentran involucradas tres entidades, el usuario solicita ver el reporte a la clase calculo la

cual es la que lo contiene, posteriormente se valida la información para poder ser visualizada.

Figura 7: Diagrama de secuencia CU08

Fuente: Elaboración Propia

32
 [Link] Diagrama de secuencias CU09 - DESCARGAR REPORTE

Este diagrama tiene como finalidad descargar el reporte, para ello solo interactúan dos

entidades, siendo datos la que valida y descarga quien ejecuta el proceso final.

Figura 8: Diagrama de secuencia CU09

Fuente: Elaboración Propia

[Link] Diagrama de secuencias CU10 - VISUALIZAR MAPA MODELO

En este diagrama en que se busca visualizar el mapa modelo obtenido del proceso de cálculo,

se ven involucradas tres entidades, en la primera de ellas, el usuario solicita ver el mapa a la

entidad calculo quien es la que lo almacena, posteriormente se realiza la validación de dicha

imagen para finalmente ser visualizado.

Figura 9: Diagrama de secuencia CU10

Fuente: Elaboración Propia

33
 [Link] Diagrama de secuencias CU11 - EXPORTAR MAPA

En este último diagrama al igual que el CU-09 se ven involucradas dos clases para realizar

la descarga del mapa obtenido, donde datos es aquella que permite validar el mapa a descargar.

Figura 10: Diagrama de secuencia CU12

Fuente: Elaboración Propia

8.2.4 Diagrama de paquetes

Los modelos de subsistema o de paquetes como lo denomina (Sommerville, 2011) se

exponen los agrupamientos lógicos de objetos en subsistemas coherentes. Se representan

mediante una forma de diagrama de clase en el que cada subsistema se muestra como un

paquete con objetos encerrados.

Con el fin de exponer los agrupamientos lógicos de objetos en subsistemas coherentes, y

teniendo en cuenta que el desarrollo del aplicativo está soportado por ocho clases, se estableció

que estas clases se pueden agrupar en un solo paquete, que en este caso se denoto como ASTIM

(Aplicativo para el Análisis de Series de tiempo para Imágenes Satelitales) este paquete

contiene la lógica y el código de la interfaz gráfica, de igual manera contiene la clase definida

como la conexión a GEE (Google Earth Engine) la cual permite después de la conexión hacer

uso de los algoritmos para realizar la búsqueda de imágenes, la serie de tiempo y el cálculo del

modelo de regresión, siendo parte de la estructura base del aplicativo. Si bien se utilizaran

34
características propias de GEE a través de su API, la conexión la gestiona el aplicativo

propiamente no GEE, de tal manera que se establecieron todas las clases en un único paquete.

Figura 11: Diagrama de paquetes

Fuente: Elaboración Propia

8.2.5 Modelo de componentes

El modelo de componentes permite representar la disposición y el papel de los elementos

que hacen parte del desarrollo del aplicativo y las dependencias entre sí, en el diagrama se

definió cada componente físico que hace parte de la aplicación y que desempeña una función

que satisface los requerimientos establecidos, se tiene que el navegador web permite el

despliegue de la aplicación y el aplicativo ASTIM hace uso de la lógica establecida en la API

de Python-JavaScript en Google Earth Engine con el fin de ejecutar el modelo de regresión y

los demás procesos necesarios.

Figura 12: Modelo de componentes

Fuente: Elaboración Propia

35
 8.2.6 Modelo de despliegue

Por ultimo en cuanto al modelo de despliegue, para el aplicativo a realizar se identificaron

y establecieron tres nodos, el primero de ellos el API de Google Earth Engine como el

encargado de realizar el cálculo del modelo de regresión y de alojar las imágenes satelitales

que el usuario podrá consultar, este nodo se encuentra alojado en la nube , por parte del nodo

del cliente se tiene asociado el navegador web, mientras que por el lado del servidor se

encuentra alojado el aplicativo web ASTIM.

Figura 13: Modelo de despliegue

Fuente: Elaboración Propia

En este caso al ser un aplicativo web para el análisis de series de tiempo de imágenes

satelitales a partir de criterios definidos por el usuario, no se requiere de una base de datos para

alojar la información de entrada ni de salida, a pesar que la información geográfica tiene unas

características específicas, el aplicativo en su parte lógica permite capturar y alojar los datos

de entrada de una manera local y temporal, al igual que los resultados; no se requiere un

almacenamiento histórico de la información que los usuarios carguen y obtengan.

8.3 Fase de Desarrollo

El desarrollo de la aplicación web, se hace a través del producto Google App Engine de la

plataforma de Google Cloud la cual proporciona la infraestructura necesaria para crear sitios

web con escalabilidad, alta disponibilidad y seguridad, accesible a través de cualquier

navegador web, a su vez hace uso de Google Maps API para integrar los mapas base al

aplicativo. Dicho producto permite realizar la conexión con las librerías de Google earth engine

(Google, 2017), la cual es una plataforma que permite realizar análisis geoespaciales en la nube

36
haciendo uso de su amplio catálogo de imágenes satelitales y datos derivados de ellas a nivel

global sin necesidad de descargarlos ni ocupar memoria para la ejecución de los análisis, sino

se hace uso de los servidores de Google (Figura 14).

Figura 14: Modelo de trabajo App Engine + EE

Fuente: (Gibson, 2018)

La parte lógica y del aplicativo se desarrolló en Python y JavaScript haciendo uso de las

distintas librerías que componen la plataforma de App Engine y Google Earth Engine, de igual

manera el lenguaje HTML para la estructuración de la visualización y el lenguaje CSS para los

estilos del aplicativo en la web; la configuración del entorno para el aplicativo App Engine se

realizó en el sistema operativo Linux.

9. RESULTADOS

El aplicativo web elaborado permite realizar análisis de series de tiempo de imágenes

satelitales para variables meteorológicas e índices de vegetación y agua, estableciendo un

modelo de regresión a partir de los valores analizados en el rango de tiempo que se desee,

permitiendo que a través de dicho modelo se establezcan mapas y valores predichos de la

variable consultada en cualquier fecha futura que se desee, la aplicación ofrece un rápido

despliegue y procesamiento de toda la información analizada y a su vez es accesible de manera

fácil y sencilla desde cualquier ordenador o dispositivo, ya que no depende de ningún sistema

operativo o instalador para su despliegue.

37
 La aplicación permite la descarga de los reportes del modelo obtenido al igual que la imagen

donde cada banda es un coeficiente del modelo para el área establecida lo cual sirve para la

realización de las proyecciones a la fecha que se desee para la toma de decisiones.

9.1.1 Requerimientos

Se elaboró el levantamiento de los requerimientos funcionales (6) y no funcionales (8),

estableciendo la arquitectura del aplicativo. Ver Numeral 8.1.

9.1.2 Arquitectura

Se definieron los modelos de componentes y despliegue del sistema a través de los casos de

uso, diagrama de clases, de secuencias, de paquetes, lo que permitió establecer la arquitectura

general del aplicativo. Ver numeral 8.2.

9.1.3 Integración App Engine

La integración del aplicativo a Google Earth Engine se realiza a través del producto Google

App Engine de la plataforma de Google Cloud la cual proporciona la infraestructura necesaria

para crear sitios web con escalabilidad, alta disponibilidad y seguridad, accesible a través de

cualquier navegador web. Ver numeral 8.3.

9.1.4 Interfaz Gráfica de Usuario (GUI)

El usuario debe definir o establecer la información que desea consultar:

➢ Variable: En este desplegable debe seleccionar la variable que desea analizar, allí

cuenta con 9 opciones: Evapotranspiración, Acumulación de Precipitación, Humedad

del Suelo, Temperatura, Velocidad del viento, NDVI (Índice de Vegetación de

Diferencia Normalizado), EVI (Índice de Realce de Vegetación), NBRT (Proporción

de Quemas Normalizado), NDWI (Índice de Diferencia de Agua Normalizado).

➢ Sensor: Esta opción solo se despliega si la variable escogida es alguno de los índices

(NDVI, EVI, NBRT, NDWI), las opciones establecidas son Landsat 7 o Landsat 8.

38
➢ Rango de tiempo: Establece el periodo de tiempo en el que se desea analizar la serie de

tiempo.

➢ Punto: Permite dibujar un punto dentro del mapa el cual será analizado en el modelo de

regresión.

➢ Región: Permite dibujar un polígono dentro del mapa, en dicha zona se establecerá el

análisis de la serie de tiempo y se habilitará la opción de Exportar Datos.

➢ Regresión: El usuario debe definir el grado o tipo de la regresión que desea que sea

establecida con base a los valores obtenidos por la seri de tiempo. Posee 4 opciones:

Lineal (grado 1), Cuadrática (grado 2), Cubica (grado 3) y Función after Zhu &

Woodcock que permite establecer un modelo armónico (senos y cosenos).

➢ Nombre de archivo: Debe indicar el nombre que desea que lleven los resultados que se

obtengan y exporten.

➢ Calcular: Este botón se activa cuando se halla definido los parámetros iniciales y un

punto o región dentro del mapa, desplegara el mapa obtenido.

➢ Obtener Diagrama: Esta opción se habilitará únicamente cuando se dibuje un punto

dentro del mapa y desplegará el diagrama de la serie de tiempo y la regresión escogida

para dicho punto.

➢ Exportar Datos: Se habilitará cuando se defina una región o un polígono dentro del

mapa, permitirá exportar la imagen de la zona definida, donde La imagen obtenida

contiene los coeficientes de la regresión como bandas individuales y el Error Medio

Cuadrático (RMSE) para los valores predichos de la variable, al igual que una última

banda donde se encuentra el valor medio de la variable definida para el rango de tiempo

establecido.

39
 Figura 15: Aplicativo para el análisis de Series de Tiempo
Fuente: Elaboración Propia

9.1.5 Pruebas de Rendimiento

Las pruebas ejecutadas en la fase de desarrollo, permitieron determinar que el tiempo de

respuesta de la herramienta es bastante alto, en analizar los criterios que se definieron en la

Figura 16 no tardo más de 40 segundos en realizar el proceso y desplegar toda la información,

teniendo en cuenta que analizo 183 imágenes que corresponden a un periodo de tiempo de 4

años, desplego el mapa para toda Colombia de la variable definida y estableció un modelo de

regresión de grado 3 (Cubica), tanto para toda Colombia como para el punto que se definió; lo

cual es un proceso que posee gran cantidad de información a analizar y que normalmente

realizarlo llevaría un tiempo mucho más alto que podría llegar a ser de horas teniendo en cuenta

la gran cantidad de imágenes utilizadas, los análisis que allí se obtienen son bastante rápidos y

permiten realizar predicciones de los valores de la variable en cualquier zona del país que se

desee con un porcentaje de confianza según el grado del modelo establecido.

Figura 16: Proceso de ejecución del aplicativo

Fuente: Elaboración Propia

40
 9.1.6 Pruebas de Usabilidad

Para esta prueba se tomo como referencia la norma ISO/IEC 25010 donde se establecen los

principales parámetros de calidad del producto software. La usabilidad según la Norma ISO

25010 está definida como: “la capacidad del software para ser entendido, aprendido, usado y

resultar atractivo para el usuario, cuando se usa bajo determinadas condiciones” (ISO, 2019)

Para la evaluación de la usabilidad se tuvo en cuenta los criterios que se encuentran en la

metodología realizada por (Claros & Collazos, 2006) donde toman 5 criterios de evaluación

(Tabla 3), los criterios se integran por métricas y atributos que los describen en este caso se

tomaron los considerados como los más relevantes.

Tabla 3: Metodología de evaluación

Criterio Métrica Atributo
Tiempo usado para terminar
una tarea
Aprendizaje Facilidad de aprendizaje
Tiempo necesario para
aprender
Complacencia del usuario
con la interacción
Satisfacción Atracción
Complacencia del usuario
con los resultados
Comunicación Estética
Compatibilidad con
Contenido Accesibilidad
diferentes servicios
Tiempo de respuesta de los
Velocidad y medios
servicios
Eficiencia Comandos involucrados en
Desempeño humano hacer una tarea
Tiempo gastado en errores
Recuperación, diagnóstico de
Eficacia Mensajes de error
errores
Fuente: (Claros & Collazos, 2006)

Tabla 4: Calificación General

Calificación General Rango
Excelente 4.6-5.0
Bueno 4.1-4.5
Regular 3.0-4.0
Malo <3.0
Fuente: Elaboración Propia

Para el proceso de evaluación se estableció un puntaje entre 1 y 5 donde 1 es el peor caso

y 5 el mejor, con base a ello se obtuvieron los siguientes resultados, entre paréntesis se

41
encuentra el peso ponderado para cada métrica y atributo, todos los criterios tienen el mismo

peso, después de realizada la ponderación por criterio se estableció el puntaje general, cada

puntaje se clasifico con base a la Tabla 4.

Tabla 5: Evaluación de la usabilidad del aplicativo

Valor Valor Valor Valor
Criterio Métrica Atributo
atributo métrica Criterio Total
Tiempo usado
para terminar una 4.5
Facilidad de tarea (0.5)
Aprendizaje 4.25 4.25
aprendizaje (1) Tiempo necesario
para aprender 4
(0.5)
Complacencia del
usuario con la 4.5
interacción (0.5)
Satisfacción Atracción (1) 4.75 4.75
Complacencia del
usuario con los 5
resultados (0.5)
Comunicación
Estética (1) 4.5 4.5
(0.4)
Compatibilidad 4.8 4.64
Contenido Accesibilidad
con diferentes 5 5
(0.6)
servicios (1)
Tiempo de
Velocidad y
respuesta de los 5 5
medios (0.7)
servicios (1)
Comandos
Eficiencia involucrados en 4.9
5
Desempeño hacer una tarea
4.75
humano (0.3) (0.5)
Tiempo gastado
4.5
en errores (0.5)
Recuperación,
Mensajes de error
Eficacia diagnóstico de 4.5 4.5 4.5
(1)
errores (1)
Fuente: Elaboracion Propia

La calificación obtenida para el aplicativo en cuanto a usabilidad fue de 4.64, que de acuerdo

con la metodología de criterios, la usabilidad es excelente y los principales aspectos a mejorar

son en el criterio de aprendizaje (4.25), cabe tener en cuenta que la aplicación está enfocada a

usuarios que posean un conocimiento previo en temas relacionados de estadística e imágenes

satelitales por lo que sí se puede ver limitado su entendimiento para usuarios que no posean

conocimientos en alguna de dichas áreas, sin embargo el uso del aplicativo es intuitivo en

cuanto a la distribución de la definición de los datos y demás sin embargo en el momento de

42
interpretar los resultados es donde se puede dificultar el entendimiento. Otro de los criterios a

mejorar es el de eficacia (4.5), si bien no tiene un valor bajo si se puede mejorar en cuanto al

diagnóstico más claro de los errores que se puedan presentar al utilizar el aplicativo. En cuanto

a los criterios de Satisfacción (4.75), Contenido (4.8) y Eficiencia (4.9) fueron los que mayor

valor obtuvieron indicando que la aplicación es excelente frente a los aspectos evaluados allí

(Tabla 4).

10. CONCLUSIONES

✓ Con base al cumplimiento de los requerimientos funcionales y no funcionales y la

definición de los componentes se pudo establecer la integración del aplicativo con la

API de Google Earth Engine y el uso de la plataforma App Engine permitiendo que el

aplicativo posea escalabilidad, alta disponibilidad, seguridad y sea accesible a través de

cualquier navegador web, a pesar de que el proceso de configuración fue bastante

engorroso por el entorno en que estableció (Linux) y las librerías a instalar para ejecutar

todas las funcionalidades requeridas.

✓ El aplicativo desarrollado permite realizar procesamientos de manera bastante rápida y

eficiente puesto que sus tiempos de respuesta son bastante altos en relación a la gran

cantidad de información que se puede llegar a procesar ya que no demora más de un

minuto en realizar el procesamiento de más de 150 imágenes para toda Colombia, posee

una variedad de contenido y resultados lo cual es de gran ayuda para aquellos

profesionales que trabajan en el análisis de las variables allí incluidas, permitiendo que

no consuman tiempo en procesamientos masivos o instalen algún software

especializado para realizar este tipo de procesos, a su vez ofrece al usuario variedad en

cuanto a los formatos de descarga, y se proporcionan distintos datos del proceso como

las imágenes y las estadísticas del modelo y demás.

43
 ✓ La interfaz gráfica del aplicativo es bastante intuitiva para cualquier tipo de usuario, sin

embargo, al momento de analizar e interpretar los resultados se deben tener

conocimientos previos en temas relacionados de estadística e imágenes satelitales por

lo que sí se puede ver limitado su entendimiento, en cuanto a la evaluación de la

usabilidad se obtuvo que es excelente (4.64) con algunos aspectos por mejorar.

✓ Se logró desarrollar un aplicativo web que permite a través del modelo de regresión

estimado, predecir variables meteorológicas e índices de vegetación, mejorando los

sistemas de pronóstico limitados por las observaciones convencionales (restringidos a

las ubicaciones de las estaciones meteorológicas) o por la temporalidad de la toma de

imágenes satelitales, puesto que al hacer uso de las series de tiempo es posible analizar

toda la información disponible y a partir de ello poder generar modelos de estimación

para realizar predicciones para el día deseado, con lo cual el usuario especializado logra

obtener datos y análisis oportunos para la toma de decisiones.

11. REFERENCIAS

Abatzoglou, J. T., Dobrowski, S. Z., Parks, S. A., & Hegewisch, K. C. (2018). TerraClimate, a high-

resolution global dataset of monthly climate and climatic water balance from 1958–2015.

Scientific Data, 5, 170191. [Link]

AstroMia. (2017). Precipitación (meteorología) - Diccionario de astronomía. Recuperado 21 de abril de

2019, de [Link]

Botero Botero, S., & Cano Cano, J. A. (2008). ANÁLISIS DE SERIES DE TIEMPO PARA LA

PREDICCIÓN DE LOS PRECIOS DE LA ENERGÍA EN LA BOLSA DE COLOMBIA.

Cuadernos de Economía, 27(48), 173-208.

Chen, J., Zhu, X., Vogelmann, J. E., Gao, F., & Jin, S. (2011). A simple and effective method for filling

gaps in Landsat ETM+ SLC-off images. Remote Sensing of Environment, 115(4), 1053-1064.

[Link]

Chuvieco, E. (1995). Fundamentos de Teledeteccion Espacial (Segunda). Madrid.

44
Claros, I., & Collazos, C. (2006, noviembre 7). Propuesta Metodológica para la Evaluación de la

Usabilidad en Sitios Web: Experiencia Colombiana.

Colditz, R. R., Conrad, C., Wehrmann, T., Schmidt, M., & Dech, S. (2008). TiSeG: A Flexible Software

Tool for Time-Series Generation of MODIS Data Utilizing the Quality Assessment Science

Data Set. IEEE Transactions on Geoscience and Remote Sensing, 46(10), 3296-3308.

[Link]

Crespo, A., & Cristina, L. (2016). Estimación de la concentración de material particulado menor a 10

micras a través de sensores remotos en el área urbana de la ciudad de Cuenca. Recuperado de

[Link]

Díaz García-Cervigón. (2015, junio 29). Estudio de índices de vegetación a partir de imágenes aéreas

tomadas desde UAS/RPAS y aplicaciones de éstos a la agricultura de precisión. [Info:eu-

repo/semantics/masterThesis]. Recuperado 21 de abril de 2019, de

[Link]

ESRI. (2016). Función NDVI—Ayuda | ArcGIS for Desktop. Recuperado 21 de abril de 2019, de

[Link]

FECYT (Fundación Española para la Ciencia y la Tecnología). (2004). Meteorología y climatología:

unidad didáctica : Semana de la Ciencia y la Tecnología 2004. Madrid: Fundación Española

para la Ciencia y la Tecnología.

Galindo G., G., Espejo V., O. J., Rubiano R., J. C., Vergara, L. K., & Cabrera M., E. (2014). Protocolo

de procesamiento digital de imágenes para la cuantificación de la deforestación en Colombia.

V 2.0. Bogotá D.C., Colombia: Instituto de Hidrología, Meteorología y Estudios Ambientales

– IDEAM.

Gao, B. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid

water from space. Remote Sensing of Environment, 58(3), 257-266.

[Link]

Gibson, D. (2018, septiembre). Earth Engine \x26 Google App Engine. Recuperado de

[Link]

UT0IFs

45
Google. (2017). App Engine & Earth Engine Overview | Google Earth Engine API. Recuperado 10 de

abril de 2019, de Google Developers website: [Link]

engine/app_engine_intro

Google. (s. f.). Google Earth Engine. Recuperado 21 de abril de 2019, de

[Link]

Gujarati, D. N., & Porter, D. C. (2010). Econometría (Quinta). Mexico, D.F.: McGRAW-

HILL/INTERAMERICANA.

Harris. (2016). Burn Indices Background. Recuperado 21 de abril de 2019, de

[Link]

IDEAM. (2018). DOCUMENTO METODOLÓGICO ESTADÍSTICAS VARIABLES

METEOROLÓGICAS. Recuperado 20 de abril de 2019, de DOCUMENTO

METODOLÓGICO ESTADÍSTICAS VARIABLES METEOROLÓGICAS website:

[Link]

conocimiento?p_p_id=110_INSTANCE_oQy6Kr66xwgC&p_p_lifecycle=0&p_p_state=nor

mal&p_p_mode=view&p_p_col_id=column-

1&p_p_col_count=1&_110_INSTANCE_oQy6Kr66xwgC_struts_action=%2Fdocument_libr

ary_display%2Fview_file_entry&_110_INSTANCE_oQy6Kr66xwgC_fileEntryId=72093442

IDEAM - Instituto de Hidrología, Meteorología y Estudios Ambientales. (2005). Atlas climatológico

de Colombia. Recuperado de

[Link]

IDEAM - Instituto de Hidrología, Meteorología y Estudios Ambientales. (2014). CLIMA - IDEAM.

Recuperado 20 de abril de 2019, de [Link]

ISO. (2019). ISO 25010. Recuperado 11 de abril de 2019, de [Link]

25000-standards/iso-25010

Justice, C. O., Townshend, J. R. G., Vermote, E. F., Masuoka, E., Wolfe, R. E., Saleous, N., …

Morisette, J. T. (2002). An overview of MODIS Land data processing and product status.

Remote Sensing of Environment, 83(1–2), 3-15. [Link]

4257(02)00084-6

46
Kennedy, R. E., Yang, Z., Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W. B., & Healey, S. (2018).

Implementation of the LandTrendr Algorithm on Google Earth Engine. Remote Sensing, 10(5),

691. [Link]

Kuleshov, Y., Choy, S., Fu, E. F., Chane-Ming, F., Liou, Y.-A., & Pavelyev, A. G. (2016). Analysis of

meteorological variables in the Australasian region using ground- and space-based GPS

techniques. Atmospheric Research, 176-177, 276-289.

[Link]

Muñoz, P. (2013). Apuntes de Teledetección: Índices de vegetación.

NASA, USGS, LPdacc, NSIDC, SEDAC, & ORNL DACC. (2018). AρρEEARS. Recuperado 6 de

mayo de 2019, de [Link]

Navazo Arenas, G., Nieto Masot, A., & Moreno, G. (2016). ANÁLISIS DE INCENDIOS FORESTALES

MEDIANTE SISTEMAS DE INFORMACIÓN GEOGRÁFICA Y TELEDETECCIÓN.

ESTUDIO DE CASO EN SIERRA DE GATA (2015).

NIMBUS (Weather Services). (2018). CAPITULO 7: EL VIENTO. Recuperado de

[Link]

Parra Rodriguez, F. (2018). Modelos de Regresión Armónica. - PDF. Recuperado 6 de mayo de 2019,

de [Link]

Reyna, T., Reyna, S., Lábaque, M., Fulginiti, F., Riha, C., & Linares, J. (2011). Importancia de la

determinación de la humedad en estudios de infiltración y escorrentía superficial para períodos

largos. Ambiente & Água - An Interdisciplinary Journal of Applied Science, 6(2), 91-110.

Sarmiento, E. M. (2008). Predicción con series de tiempo y regresión. Panorama, 2(4), 2.

Segura-Castruita, M. Á., & Ortiz-Solorio, C. A. (2017). Modelación de la evapotranspiración potencial

mensual a partir de temperaturas máximas-mínimas y altitud. Tecnología y ciencias del agua,

8(3), 93-110. [Link]

Shenbin, C., Yunfeng, L., & Thomas, A. (2006). Climatic change on the Tibetan Plateau: Potential

Evapotranspiration Trends from 1961–2000. Climatic Change, 76(3), 291-319.

[Link]

47
SIAC - Sistema de Información Ambiental de Colombia. (2018). Predicción - IDEAM. Recuperado 20

de abril de 2019, de [Link]

SNIA. (2015). NDVI. Recuperado 21 de abril de 2019, de Sistema Nacional de Información

Agropecuaria (SNIA) website:

[Link]

DVI/

Sommerville, I. (2011). SOFTWARE ENGINEERING (Novena). Recuperado de

[Link]

[Link]

van Leeuwen, W. J. D., Orr, B. J., Marsh, S. E., & Herrmann, S. M. (2006). Multi-sensor NDVI data

continuity: Uncertainties and implications for vegetation monitoring applications. Remote

Sensing of Environment, 100(1), 67-81. [Link]

Villareal, F. (2016, septiembre). Introducción a los Modelos de Pronósticos. Recuperado de

[Link]

[Link]

Wang, K., & Dickinson, R. E. (2012). A review of global terrestrial evapotranspiration: Observation,

modeling, climatology, and climatic variability. Reviews of Geophysics, 50(2).

[Link]

Wulder, M. A., White, J. C., Goward, S. N., Masek, J. G., Irons, J. R., Herold, M., … Woodcock, C. E.

(2008). Landsat continuity: Issues and opportunities for land cover monitoring. Remote Sensing

of Environment, 112(3), 955-969. [Link]

Zhang, J. (2010). Multi-source remote sensing data fusion: status and trends. International Journal of

Image and Data Fusion, 1(1), 5-24. [Link]

Zhu, Z., Woodcock, C. E., Holden, C., & Yang, Z. (2015). Generating synthetic Landsat images based

on all available Landsat data: Predicting Landsat surface reflectance at any given time. Remote

Sensing of Environment, 162, 67-83. [Link]

48