11. Correlación con datos de campo¶
La validación real del sistema¶
La correlación con datos de campo constituye el paso clave para transformar imágenes satelitales en información fiable para la gestión del agua.
Es el proceso que permite evaluar si los valores derivados de satélite representan realmente el estado físico y biológico de los embalses.
Esta fase conecta: - el procesamiento automático de imágenes, - la calibración de algoritmos, - y la realidad medida directamente en el embalse.
Sin esta validación, los productos satelitales serían únicamente modelos teóricos.
11.1 Emparejamiento satélite–campo¶
Garantizar que se comparan magnitudes equivalentes¶
Antes de analizar cualquier correlación, es imprescindible asegurar que los datos satelitales y los datos de campo representan la misma masa de agua, en el mismo momento y lugar.
11.1.1 Coincidencia temporal¶
Los satélites capturan una instantánea del estado superficial del embalse.
Para que la comparación sea válida:
- Se priorizan muestreos coincidentes con la pasada de Sentinel-2.
- Se acepta únicamente un margen temporal reducido (horas).
- Se evitan situaciones con:
- viento fuerte,
- redistribución superficial del fitoplancton,
- cambios rápidos de iluminación o estratificación.
Este control minimiza errores debidos a la variabilidad natural del sistema.
11.1.2 Coincidencia espacial¶
La comparación requiere que el píxel satelital represente la misma masa de agua que el muestreo in situ.
Procedimiento aplicado: - Localización precisa del punto de muestreo mediante GPS. - Extracción de valores satelitales: - ventana 3×3 píxeles centrada en el punto, - exclusión de píxeles afectados por bordes, sombras o glint. - Uso del centroide del área muestreada.
Este enfoque reduce: - ruido, - efectos de píxeles mixtos, - influencia de zonas no representativas.
Idea clave¶
Una mala coincidencia espacial o temporal invalida cualquier análisis,
por muy bueno que sea el algoritmo.
11.2 Variables utilizadas en la correlación¶
Qué se compara exactamente¶
11.2.1 Datos de campo (referencia)¶
Los datos de referencia proceden de campañas de muestreo realizadas por DBO5, incluyendo:
- Clorofila-a total (análisis de laboratorio).
- Clorofila-a y ficocianina in situ.
- Transparencia (Disco Secchi).
- Sólidos en suspensión.
- Variables fisicoquímicas:
- temperatura,
- pH,
- oxígeno disuelto,
- conductividad.
Estos parámetros permiten validar tanto: - variables biológicas, - como variables ópticas y radiométricas.
11.2.2 Variables satelitales¶
A partir de las imágenes procesadas (ARD), se utilizan:
Reflectancias corregidas¶
- Bandas visibles (Azul, Verde, Rojo).
- Red Edge.
- NIR.
Estas reflectancias son la base física del análisis.
Índices y algoritmos evaluados¶
Se analizan distintos enfoques para no limitar la validación a un único modelo:
- Ratios espectrales banda/banda.
- Índices empíricos.
- Algoritmos bio-ópticos integrados en SNAP:
- C2RCC,
- C2X,
- otros algoritmos evaluados durante el proyecto.
El objetivo es calibrar relaciones matemáticas, no solo imágenes aisladas.
11.3 Enfoque estadístico¶
Cómo se evalúa la correlación¶
Para cada embalse y fecha válida:
- Se comparan valores satelitales y valores de campo.
- Se analizan:
- tendencias,
- dispersión,
- coherencia física de los resultados.
Indicadores utilizados habitualmente: - coeficiente de correlación, - error medio, - sesgo sistemático, - estabilidad temporal.
El análisis no se limita a obtener un buen ajuste puntual, sino a evaluar la robustez del comportamiento en el tiempo.
Mensaje clave para la formación¶
Un buen algoritmo no es el que mejor ajusta un punto,
sino el que se comporta de forma coherente en el tiempo.
11.4 Interpretación de resultados¶
Qué nos dicen realmente los datos¶
11.4.1 Comportamiento general de los algoritmos¶
Los resultados muestran que:
- Los algoritmos no siempre reproducen el valor absoluto exacto.
- Sin embargo, capturan correctamente las tendencias espaciales y temporales.
- Diferencian embalses con:
- baja productividad,
- estados mesotróficos,
- condiciones eutróficas.
Esto indica que la información relativa es robusta, incluso cuando existe sesgo en la magnitud absoluta.
11.4.2 Resultados específicos para clorofila-a¶
La clorofila-a es el parámetro con mejores resultados:
- Buena correlación con datos de laboratorio.
- Resultados consistentes entre:
- Sentinel-2,
- muestreos de campo.
Factores que mejoran la correlación: - correctores atmosféricos adecuados, - ventanas espaciales homogéneas, - exclusión de glint y nubosidad residual.
Limitaciones observadas: - saturación en concentraciones muy altas, - señal cercana al ruido en concentraciones muy bajas.
Conclusión:
La clorofila-a es fiable para seguimiento y comparación, pero requiere cautela en la cuantificación absoluta.
11.4.3 Pigmentos asociados a cianobacterias¶
La estimación de pigmentos como la ficocianina presenta mayor complejidad:
- Correlaciones más débiles.
- Mayor dispersión.
- Señal espectral más sutil y dependiente del Red Edge.
Alta sensibilidad a: - errores de corrección atmosférica, - aerosoles, - reflexión especular.
Conclusión:
La detección de cianobacterias es posible, pero exige interpretación experta y condiciones óptimas.
11.4.4 Influencia del tipo de embalse¶
La correlación no es uniforme entre embalses:
- Embalses profundos y estables → mejores resultados.
- Embalses someros o muy turbios → mayor dispersión.
Factores influyentes: - resuspensión de sedimentos, - heterogeneidad espacial, - geometría del embalse.
Esto confirma que: - no es recomendable aplicar un único modelo universal, - son necesarios ajustes por tipología de embalse.
11.4.5 Comparación entre sensores¶
- Sentinel-2 ofrece el mejor equilibrio entre:
- resolución,
- estabilidad radiométrica,
- fiabilidad en la correlación.
- Sensores de dron:
- validan Sentinel-2,
- permiten detectar sesgos y errores.
- Planet:
- presenta correlaciones inconsistentes,
- no se recomienda para calibración directa.
11.5 Lecciones aprendidas¶
Implicaciones para el uso operativo¶
A partir del análisis de correlación se extraen conclusiones clave:
- La correlación con datos de campo aumenta la confianza en los productos.
- Los algoritmos funcionan especialmente bien para:
- seguimiento temporal,
- comparación entre embalses,
- detección temprana de cambios.
- La cuantificación absoluta requiere:
- ajustes adicionales,
- más campañas de muestreo,
- interpretación experta.
Mensaje final clave
La correlación con datos de campo no busca la perfección,
sino conocer con precisión hasta dónde llegan las capacidades del satélite.
11.6 Ideas clave del apartado¶
- Los datos de campo son imprescindibles.
- La correlación valida tendencias más que valores puntuales.
- La coherencia física es clave para interpretar resultados.
- El contexto del embalse importa tanto como el algoritmo.
- Sentinel-2 es el sensor más fiable para uso operativo.
- Este bloque sustenta la credibilidad del sistema.