ANÁLISIS DE COBERTURA DE AGUA
Imágenes multiespecetrales satelitales
Índice Normalizado de Agua (NDWI): definición y fundamento
El Índice de Diferencia Normalizada de Agua (NDWI) es un índice espectral calculado a partir de las bandas multiespectrales de los satélites (comúnmente la banda verde y el infrarrojo cercano). Matemáticamente se define como NDWI = (Verde – NIR) / (Verde + NIR). El NDWI destaca los cuerpos de agua porque éstos reflejan mucha luz en la banda verde y absorben fuertemente en el infrarrojo cercano. En la práctica, los pixeles con valores altos de NDWI (por ejemplo, mayores que 0) suelen corresponder a agua libre, mientras que vegetación o suelo muestran valores bajos o negativos. Este índice fue propuesto originalmente por McFeeters (1996) para delimitar humedales y aguas abiertas en imágenes de satélite, y desde entonces ha sido ampliamente utilizado en teledetección por su sencillez y eficacia. Sin embargo, el NDWI tradicional puede confundirse con áreas urbanas (asfalto, edificios) que también absorben en NIR. Para superar esto, Xu (2006) introdujo una versión modificada (MNDWI) que reemplaza el NIR por una banda SWIR, mejorando la detección de agua en entornos construidos. En resumen, el NDWI combina las bandas verde (Sentinel-2 B03) e infrarrojo cercano (B08) para resaltar el agua; por ejemplo, las bandas B3 y B8 de Sentinel-2 se emplean para calcular NDWI, produciendo valores característicos para agua libre.
Ejemplo de uso: Valores de NDWI mayores a 0 suelen indicar agua, mientras que valores cercanos a 0 o negativos corresponden a tierra. En algunos estudios se aplican umbrales adaptativos (p.ej. método de Otsu) para segmentar imágenes NDWI y obtener la extensión de agua presente.
Aplicaciones con Sentinel-2 y NDWI
El NDWI ha sido validado en numerosos estudios de monitoreo hídrico a escala regional y global. Por ejemplo, Avezov et al. (2024) usaron imágenes Sentinel-2 procesadas en Google Earth Engine para cuantificar cambios estacionales en la superficie de un embalse. Encontraron variaciones significativas: el área de agua en verano 2017 fue ~14,98 km², disminuyendo a 14,35 km² en verano 2023; en invierno bajó de 14,68 km² (2017) a 12,54 km² (2023). Esto demuestra que el uso de NDWI con Sentinel-2 y GEE permite generar series de tiempo precisas de área inundada. Estudios similares en otros escenarios (lagos de regadío, inundaciones temporales) han corroborado que NDWI es un indicador sensible a cambios en el volumen superficial. En escalas globales, por ejemplo, Pekel et al. (2016) emplearon datos Landsat (análogo a Sentinel) para mapear aguas interiores en todo el mundo y documentaron pérdidas y ganancias netas de superficie acuática entre 1984 y 2015.
Otra imagen de Sentinel-2 (embalse Lake Powell, EE.UU.) ilustra cómo el agua (tonos oscuros) destaca sobre el terreno rojizo en color natural. A partir de imágenes como esta, índices NDWI pueden extraer contornos de la lámina de agua con alta precisión. En modelos de calidad del agua, por ejemplo, bandas verde (B3) y NIR (B8) se combinan para NDWI, ayudando a estimar parámetros como algas o sedimentos en un embalse.
Otros trabajos han aplicado NDWI para seguimiento de inundaciones urbanas, variaciones de lagos y estudios hidráulicos regionales. Incluso se ha usado NDWI en conjuntos de datos de Machine Learning para identificar cuerpos de agua en entornos complejos. En general, los estudios confirman que NDWI sobre imágenes Sentinel-2 (10–20 m) supera con creces a sensores de baja resolución en la identificación de cuerpos de agua pequeños y estrechos.
Google Earth Engine: series temporales y cuantificación de cambio
Las plataformas de procesamiento en la nube como Google Earth Engine (GEE) han facilitado enormemente el monitoreo hidrológico con índices de vegetación y agua. GEE permite calcular el NDWI en tiempo casi real sobre colecciones históricas de Sentinel-2, segmentar pixeles con NDWI > umbral y generar fácilmente gráficas de evolución del área de agua. Varios estudios recientes destacan esta ventaja: Avezov et al. remarcan la “eficiencia de utilizar GEE y técnicas de teledetección” para mapear aguas superficiales de forma coste-efectiva. De igual modo, Titolo et al. (2021) generaron series anuales de NDWI en GEE para monitorear cómo varios sitios arqueológicos en embalses iraquíes quedaban inundados a lo largo del tiempo. Así, GEE se integra como herramienta clave para visualizar series temporales basadas en NDWI y cuantificar dinámicas hídricas históricas a cualquier escala espacial.
Referencias:
Gao, B. C. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58(3), 257–266. https://doi.org/10.1016/S0034-4257(96)00067-3
McFeeters, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432. https://doi.org/10.1080/01431169608948714
Rokni, K., Ahmad, A., Selamat, A., & Hazini, S. (2014). Water feature extraction and change detection using multitemporal Landsat imagery. Remote Sensing, 6(5), 4173–4189. https://doi.org/10.3390/rs6054173
Du, Y., Zhang, Y., Ling, F., Wang, Q., Li, W., & Li, X. (2016). Water Bodies’ Mapping from Sentinel-2 Imagery with Modified Normalized Difference Water Index at 10-m Spatial Resolution Produced by Sharpening the SWIR Band. Remote Sensing, 8(4), 354. https://doi.org/10.3390/rs8040354