Saltar a contenido

Geoespacial — Capa técnica transversal

NotebookLM fuente: https://notebooklm.google.com/notebook/d8dddf1a-463b-4d6b-91b7-bb3832e661f8 Última sincronización: 2026-07-25 Responsable de la ficha: Dan Méndez Bloque: C (capa técnica) Alimenta a: Áreas protegidas, humedales, páramos, rondas hídricas, POMCA, predios para conservación, ordenamiento territorial, gestión de riesgo, cambio climático

Resumen

La capa geoespacial es el conjunto de herramientas, métodos y datos que permiten representar, analizar y modelar variables ambientales en el espacio geográfico. No es una línea de gestión en sí misma, sino el soporte transversal que alimenta a todas las demás líneas temáticas del repositorio. Incluye datos raster, vectoriales y de redes, así como métodos de interpolación espacial, autocorrelación y regresión geográficamente ponderada.

Tipos de capas geográficas

  • Raster: Imágenes multiespectrales (Landsat 8/9, Sentinel-2, ALOS PALSAR), Modelos Digitales de Elevación (DEM/SRTM), mapas de estimación de densidad de Kernel para hotspots de deforestación (cuadrículas de 4 ha), y datos de humedad del suelo (SMAP L4).
  • Vector (puntos, líneas, polígonos): Áreas administrativas, zonificación hidrográfica, delimitación de territorios (resguardos indígenas, coberturas Corine Land Cover), georreferenciación de estaciones hidrometeorológicas.
  • Redes: Modelado de accesibilidad y movilidad territorial — vías como polilíneas con atributos de fricción o tiempo de viaje para estimar accesibilidad a servicios públicos o cuencas.

Fuentes de datos geoespaciales

Fuente Qué entrega Formato Licencia
IGAC Cartografía básica oficial, geodesia, catastro SHP, GPKG, GDB Pública
IDEAM DHIME (estaciones hidrometeorológicas), coberturas de la tierra, SMByC, pronósticos Raster, SHP, CSV Pública
MADS / SIAC Plataformas institucionales (RENARE, VITAL) API REST, SHP Pública
Copernicus (ESA) Sentinel-1 (radar), Sentinel-2 (óptico), C3S (clima) NetCDF, GeoTIFF Pública/Abierta
NASA / SERVIR ALOS PALSAR (DEM, radar), SMAP L4 (humedad suelo), Landsat GeoTIFF, NetCDF Pública
DANE Estadísticas socioeconómicas, Encuesta de Calidad de Vida CSV, XLSX Pública

Sistemas de referencia espacial (SRE)

  • MAGNA-SIRGAS (EPSG:4686): Marco Geocéntrico Nacional de Referencia para Colombia. Equivalente oficial, compatible con sistemas GNSS globales (elipsoide GRS 1980). Usar para datos en coordenadas geográficas.
  • Origen Nacional CTM12 (EPSG:9377): Proyección Transversa de Mercator Secante, único origen a nivel nacional (Resolución IGAC 370 de 2021). Falso Este: 5.000.000 m; Falso Norte: 2.000.000 m. Usar para datos proyectados en metros.
  • WGS84 (EPSG:4326): Sistema global usado en GPS y servicios web. Usar para interoperabilidad con plataformas internacionales.
  • Pseudo-Mercator Web (EPSG:3857): Para visualización en mapas web (Google Maps, OpenStreetMap). No usar para cálculos de área o distancia.
  • Orígenes locales anteriores: MAGNA Bogotá (EPSG:3116), MAGNA Oeste (EPSG:3115), MAGNA Cali (EPSG:6249) — usar solo para compatibilidad con datos históricos.

Métodos espaciales aplicables

  • Interpolación:
  • Kriging Ordinario y Universal: Mejor estimador lineal insesgado, modela la autocorrelación espacial con variograma. Más preciso que IDW para propiedades físicas del suelo en zonas no muestreadas.
  • IDW (Distancia Inversa Ponderada): Método determinístico, más simple. Menor precisión predictiva que Kriging en estudios de suelos colombianos.

  • Splines.

  • Autocorrelación espacial:

  • I de Moran (global y local): Determina si un fenómeno (deforestación, contaminación) está agrupado, disperso o es aleatorio.

  • C de Geary, G* de Getis-Ord: Para hotspots y coldspots locales.

  • Regresión espacial:

  • GWR (Regresión Geográficamente Ponderada): Modelo local que asume no-estacionariedad espacial. Los coeficientes varían en el territorio. Ideal para modelar cómo los impulsores de deforestación o la accesibilidad a servicios cambian de impacto según la región.

  • SAR, SEM: Modelos de autocorrelación espacial global.

  • Análisis de vecindad:

  • Matrices de contigüidad reina/torre, k-vecinos, distancia.

  • Modelos de datos relacionales para tierras:

  • LADM_COL (ISO 19152): Para interrelacionar derechos, restricciones y responsabilidades (RRR) con objetos territoriales espaciales.

Librerías Python

Librería Para qué
geopandas Vector, operaciones espaciales, I/O SHP/GPKG
rasterio / rioxarray Raster — lectura, escritura, reproyección
xarray Raster multi-dimensional (tiempo + espacio), NetCDF
pykrige Kriging (ordinario, universal, indicador)
pysal / esda / spreg Estadística espacial, autocorrelación I de Moran, regresión espacial
shapely Geometría vectorial
pyproj Proyecciones y reproyecciones
folium / contextily Visualización en mapas interactivos
WhiteboxTools Extracción de redes de drenaje (D8), HAND, análisis geomorfométrico

Nota: Aunque el ecosistema Python integra estas herramientas, los documentos del notebook destacan fuertemente el uso del entorno estadístico R con librerías como gstat, geoR y sp para procesos complejos de Kriging e interpolación espacial, combinados con algoritmos integrados en QGIS/ArcGIS (K-means, DBSCAN).

Herramienta avanzada: SEN2SR (super-resolución Sentinel-2)

SEN2SR (ESAOpenSR/SEN2SR) es una herramienta del proyecto OpenSR de la ESA que mejora la resolución espacial de imágenes Sentinel-2 de 10m/20m a 2.5m usando redes neuronales profundas preentrenadas.

Cuándo usarla: cuando el análisis requiere precisión a escala de predio (ej. deforestación por parcela, cobertura vegetal en corredores biológicos), no de municipio. A escala nacional o departamental, la resolución nativa de Sentinel-2 es suficiente.

Requisitos: PyTorch + GPU (CUDA >12). No está integrada en el módulo spatial/ del repo porque su stack (tensores PyTorch) es incompatible directo con rasterio/geopandas. El flujo típico sería:

Sentinel-2 L2A → SEN2SR (2.5m) → exportar GeoTIFF → load_raster() → zonal_statistics()

Referencia: ESA OpenSR Project — https://github.com/ESAOpenSR/SEN2SR

Problemas típicos y mitigaciones

  • Proyecciones mixtas: La coexistencia histórica de múltiples orígenes cartográficos generaba áreas de traslape, discontinuidad espacial y ambigüedades en coordenadas. Solución: migrar bases de datos al Origen Nacional CTM12.
  • Estaciones dispersas y vacíos de datos: Las estaciones de monitoreo están agrupadas heterogéneamente (alta densidad en zona andina, baja en Orinoquía/Amazonía). Solución: imputación avanzada con MissForest o interpolaciones geoestadísticas.
  • Resoluciones mixtas y nubosidad: En ambientes andinos y amazónicos, imágenes ópticas limitadas por nubosidad deben complementarse con datos de radar (SAR/Sentinel-1).
  • Capas base desactualizadas: Dependencia de mapas edafológicos a escala general (1:100.000) que requieren validación in situ al usarse a escalas de detalle (1:25.000).

Integración con el ciclo estadístico del repo

  • EDA espacial: Mapas temáticos, evaluación de estacionariedad e isotropía, cálculo de medias y desviaciones espaciales, I de Moran para detectar agrupamientos.
  • Descriptiva espacial: Estadísticas por polígono (municipio, cuenca, zona de vida), densidad de Kernel, análisis de puntos calientes.
  • Inferencia espacial: Tests de autocorrelación antes de modelar. Modelos Causales Gráficos (DAG) para planificar relaciones de confusión entre variables ambientales.
  • Predicción espacio-temporal: ARIMA, Prophet o LSTM + Procesos Gaussianos para predecir concentraciones de contaminantes, anomalías climáticas e incertidumbres en espacio y tiempo.

Actores institucionales

  • IGAC: Máxima autoridad técnica en geodesia, cartografía básica oficial y catastro.
  • IDEAM: Provee DHIME, mapas de ecosistemas y coberturas, SMByC.
  • MADS / SIAC: RENARE y plataformas tecnológicas institucionales.
  • NASA / Copernicus: Proveedores de datos abiertos satelitales (Sentinel, SMAP L4, Landsat). Iniciativas: Hub Regional de Copernicus y NASA-SERVIR.
  • DANE: Certifica la calidad estadística de los datos y gestiona la Cuenta Satélite Ambiental.

Preguntas analíticas típicas

  1. ¿Dónde se agrupan de forma estadísticamente significativa los eventos ambientales críticos (hotspots)? — Resuelto con Kernel o I de Moran.
  2. ¿Cómo varían localmente los factores de expansión o impacto (deforestación, accesibilidad urbana)? — Resuelto con GWR.
  3. ¿Cuáles son las variables exógenas que mayor variabilidad espacial o predictiva introducen al modelo ante el cambio climático? — Resuelto con Random Forest y Análisis de Incertidumbre.

Módulo sugerido en el repo

src/estadistica_ambiental/spatial/ (pendiente de crear en fase futura).

Preguntas abiertas / oportunidades

  • ¿Cómo asegurar la trazabilidad de los metadatos locales e integrar conocimientos comunitarios y datos locales dispersos con datos satelitales nacionales?
  • ¿De qué manera pueden estandarizarse los algoritmos de clasificación de ML (Deep Learning en nubes de puntos LiDAR) para generalizarse en biomas heterogéneos sin requerir costoso muestreo constante?
  • ¿Cómo perfeccionar el cierre de brechas de incertidumbre a nivel de línea base para eventos de impacto histórico y escenarios de mitigación/adaptación con datos limitados?

Referencias

  • Fuentes del notebook: IGAC (Resolución 370 de 2021 — CTM12), IDEAM (DHIME, SMByC), NASA/SERVIR, Copernicus, literatura de geoestadística y SIG para Colombia.

Componente normativo auditado

Auditoría NotebookLM 2026-07-25: ver informe consolidado en el vault (03_Resources/Ambiental/Normativa/_Auditorias/2026-07-25 Auditoria normativa NotebookLM.md).

Vacío: al preguntar explícitamente por normas colombianas citadas, el cuaderno devolvió únicamente una bibliografía académica (estadística espacial, geoestadística, hidrología), ninguna ley, decreto o resolución colombiana explícita. Es consistente con el rol de este cuaderno como capa técnica transversal (metodología, no marco normativo), pero confirma que no hay respaldo normativo cargado si en algún momento se necesitara citar uno (ej. Resolución 370/2021 de IGAC sobre CTM12, que sí aparece en docs/fuentes/geoespacial.md pero no fue confirmada por el cuaderno en esta auditoría).