Análisis de series temporales y correlación de variables ambientales mediante

1. Introducción

Google Earth Engine (GEE) es una avanzada infraestructura en la nube especializada en el procesamiento de datos geoespaciales a nivel global. Históricamente, el análisis geoespacial ha estado condicionado por la capacidad de almacenamiento y el procesamiento local. A pesar de contar con décadas de registros satelitales, las limitaciones tecnológicas solían restringir los estudios a áreas geográficas pequeñas y periodos de tiempo muy breves.

Google Earth Engine surge precisamente para resolver esta limitación técnica, presentándose como una plataforma diseñada para el procesamiento masivo de datos a escala global. Esto hace de GEE una herramienta versátil que permite fusionar, en un solo ecosistema, un repositorio global de datos históricos con una potencia de cómputo que supera ampliamente los métodos tradicionales.

Al integrar catálogos como los de Landsat, Sentinel y MODIS, la plataforma permite analizar volúmenes masivos de imágenes satelitales y datos vectoriales de forma remota. Esto elimina la necesidad de descargas locales y marca el inicio de una nueva etapa en la exploración científica del territorio. Gracias a este procesamiento masivo de archivos históricos, hoy es posible realizar análisis complejos de series temporales y correlacionar variables climáticas y de vegetación con una rapidez y eficiencia. En definitiva, GEE se consolida como la solución ideal para abordar estudios ambientales y territoriales, permitiendo detectar patrones y tendencias mediante la correlación multivariable de datos satelitales a través del tiempo.

2. Los cuatro pilares de Google Earth Engine

La potencia de GEE reside en la integración de cuatro componentes que eliminan las barreras del análisis geoespacial tradicional:

1. Infraestructura de cómputo masivo: Utiliza la red de servidores de Google para realizar procesamientos en paralelo con miles de CPU.
   
2. Conjunto de datos (Datasets): GEE aloja un catálogo colosal y actualizado de imágenes satelitales (Landsat, Sentinel, MODIS), añadiendo unas 6,000 escenas diarias. Permite consultar petabytes de información sin realizar descargas, aunque el manejo de datos vectoriales es menos organizado que el de imágenes.
   
3. Interfaz de programación (API): Ofrece una librería de funciones preestablecidas basada en JavaScript que simplifica la creación de algoritmos. Si bien es eficiente, tiene una limitación técnica: es una «caja negra», lo que significa que el usuario no puede modificar el código fuente de las funciones internas, limitando la flexibilidad extrema.
   
4. Entorno de desarrollo (Code Editor): Es el espacio de trabajo en línea donde convergen los tres elementos anteriores. Permite escribir códigos, procesar datos y visualizar resultados de manera inmediata, manteniendo todo el flujo de trabajo en la nube.

Tabla1. Comparación de procesos tradicionales y GEE.Fuente elaboración propia.

3. Metodología para correlacionar variables

GEE es una plataforma que permite acceder a una serie de colecciones de imágenes y realizar funciones estadísticas calculando la relación entre variables climáticas y ambientales mediante dos enfoques: el mapeo espacial (píxel a píxel) y el análisis temporal regional. El primero genera mapas donde cada punto muestra la fuerza de la relación (R²) mediante regresiones lineales, mientras que el segundo extrae promedios de áreas extensas para crear series de tiempo comparables en plataformas externas como Python o R.

1. Análisis de variables ambientales

GEE actúa como un repositorio masivo donde las «variables» son capas de datos georreferenciados. Estas pueden ser:

• Variable de vegetación (NDVI): Se utiliza la colección de MODIS (MOD13Q1). La plataforma permite filtrar 20 años de datos para obtener el Índice de Vegetación de Diferencia Normalizada, permitiendo monitorear la vegetación, rastrear el cambio de uso de la tierra o analizar la dinámica de eventos como incendios o sequías a lo largo del tiempo.
  
• Variables climáticas y atmosféricas: Se utiliza CHIRPS para precipitación (un conjunto que combina datos satelitales y estaciones terrestres) y para la Variable Térmica se integran datos de ERA5, que provee la temperatura media de la superficie.

4. Cálculo de la correlación

Esta herramienta facilita la correlación de diferentes datasets (imágenes o colecciones de imágenes) gracias a su potente API, además permite realizar análisis estadísticos píxel a píxel o a nivel regional. En lugar de obtener un solo número, este método transforma el mapa en un conjunto de datos estadísticos. Se utiliza el reductor ee.Reducer.linearFit() para procesar imágenes satelitales.

• El proceso: El sistema toma dos variables (como precipitación y NDVI) y ajusta una línea de regresión para cada coordenada geográfica.

Este enfoque se utiliza cuando no interesa el detalle punto por punto, sino el comportamiento general de una zona (como una reserva natural o un municipio).

• Agregación: Se calculan valores estadísticos globales (promedios o totales) para toda la región en cada momento del tiempo.
  
• Visualización: Se emplean funciones como ui.Chart.image.seriesByRegion() para generar gráficos de líneas que muestran cómo evolucionan ambas variables simultáneamente.
  
• Exportación: Los datos pueden convertirse en tablas para un análisis más profundo en lenguajes de programación especializados.

5. Análisis de series de tiempo GEE organiza las imágenes en Image Collections, facilitando el estudio de cambios a través de los años:

• Reducción temporal: Permite calcular estadísticas (media, mediana, desviación estándar) para un píxel específico en un rango de fechas (ej. temperatura media de los últimos 20 años).
  
• Detección de cambios: Permite ajustar modelos lineales para caracterizar cambios y tendencias graduales, como la deforestación o el retroceso de glaciares entre otros.
  
• Análisis de tendencias: Implementación de algoritmos estadísticos (regresión lineal o coeficiente de Pearson) para entender si una variable está aumentando o disminuyendo significativamente.

Tabla2. Desventajas de Google Earth Engine (GEE.

6. Aplicaciones de referencia en GEE

La capacidad de procesamiento de Google Earth Engine ha permitido la creación de bases de datos geográficas, destacando dos proyectos principales:

• Global Forest Change: Sistema mundial que cartografía la dinámica forestal a 30 metros de resolución, procesando más de 650,000 imágenes Landsat mediante algoritmos de árboles de decisión.
  
• MapBiomas (Brasil): Iniciativa que genera mapas anuales de cobertura y uso del suelo desde 1985 utilizando el algoritmo Random Forest, permitiendo reconstruir trayectorias de cambio durante más de 30 años.
  

• 7.Casos de estudio:
  • 7.1. Respuesta del bosque tropical ante la influencia del ENOS.

Un ejemplo clásico y altamente efectivo es el Análisis de la Resiliencia de los Bosques ante Sequías Prolongadas. Este tipo de investigación integra variables climáticas (causa) con variables de vegetación (efecto) para entender la salud de un ecosistema.

Caso de estudio: Respuesta del Bosque Tropical a ENOS. El objetivo es determinar cómo las anomalías de temperatura y la falta de precipitación afectan el verdor de la vegetación en una región específica durante décadas.

El estudio analiza la evolución de la vegetación en el monte Kilimanjaro (2000-2022), mediante datos satelitales (MODIS). Si bien existe una tendencia general de crecimiento de la vegetación a largo plazo, esta se ve amenazada por la reducción de lluvias en altitudes bajas y altas. También se examina el impacto de la precipitación y la temperatura en el crecimiento de la vegetación, así como la influencia de los fenómenos ENOS.

El factor determinante en todas las zonas es la temperatura, mientras que el impacto de las precimitaciones es más complejo, cuyo efecto es más lento y difícil de medir. Asimismo, destaca que el impacto del fenómeno de El Niño (ENOS) varía significativamente dependiendo de la altitud de la zona., especialmente en los bosques.

Metodología y Tendencia: se utilizó el índice NDVI (que mide el «verdor» de las plantas) para monitorear la montaña durante más de dos décadas. El resultado principal muestra un incremento sostenido de la masa vegetal a nivel anual. Este estudio ha examinado las tendencias y variaciones del NDVI durante las últimas dos décadas, en diferentes zonas de altitud del Monte Kilimanjaro, Los estudios muestran un cambio constante en la salud de la vegetación del Monte Kilimanjaro, con variaciones según la altura y la época del año.

La salud de la vegetación (medida a través del NDVI) no responde de manera uniforme a los fenómenos climáticos. Su comportamiento es un mosaico complejo que depende de dos factores críticos: la intensidad de los eventos ENOS (fuerte, moderado o débil) y el piso altitudinal donde se encuentre la vegetación. Mientras que los años neutrales mantienen ciclos de crecimiento estables, los eventos extremos rompen este equilibrio de forma diferenciada entre las tierras bajas y las altas.

Los datos del estudio confirman que la respuesta de la vegetación ante el ENOS las anomalías del NDVI varían ampliamente a través de diferentes altitudes. Mientras que un evento Niño intenso provoca una pérdida de verdor clara y constante en las tierras bajas, en las zonas de media altura los efectos son muy diversos. Por el contrario, cuando El Niño es débil, los cambios más drásticos se concentran en las zonas bajas.

 Entre los años 2015 y 2016, la montaña experimentó alteraciones drásticas en su cobertura vegetal como consecuencia de un episodio de El Niño de gran intensidad. Este evento climático no fue uniforme. La combinación de sequías prolongadas y precipitaciones torrenciales desestabilizó los ciclos naturales, afectando directamente los niveles de verdor y la salud de la vegetación en todos sus niveles.

A diferencia de los eventos neutrales, donde el crecimiento de las plantas es constante y estable, los eventos climáticos extremos interrumpen este ritmo natural. En el caso específico de un evento de El Niño de baja intensidad, la perturbación no afecta a toda la montaña por igual; el estrés y los cambios bruscos se manifiestan principalmente en las tierras bajas, permitiendo que los ecosistemas de mayor altura permanezcan protegidos y estables.

En relación, a los eventos asociados a La Niña el impacto en la vegetación es sumamente variable, tanto como los eventos fuertes como en los moderados en estos periodos, la salud de la vegetación (NDVI) no sigue un patrón único; se observan cambios drásticos en ambos sentidos en todos los pisos altitudinales. Sin embargo, en los eventos más intensos, las zonas por encima de los 2500 metros suelen mostrar caídas críticas y atípicas en su verdor.

 A diferencia de la variante débil de los eventos de La Niña afectan negativamente de forma específica a las zonas de mayor altitud.

• 7.2 Estudio de caso

El presente estudio se centró en el análisis multitemporal del bosque de mangles en el Parque Nacional Turuepano (PNT), estado Sucre, Venezuela. Las características espaciales y la condición del bosque de manglar se evaluaron con imágenes de satélite LANDSAT, desde 1996 hasta el 2025, y Sentinel 2022 a través de los índices de vegetación de diferencia normalizada (NDVI). El estudio integra series temporales de NDVI y su relación con variables climáticas asociados a eventos ENSO a través del uso de la plataforma GEE.

Para diagnosticar el estado de los manglares en el PNT, se examinó su comportamiento geográfico y temporal a través del índice de vegetación NDVI. Los registros entre 1990- 2000, y 2014-2025. Que refleja una marcada por oscilaciones que reflejan la variabilidad climática propia de la región. En relación, el vigor de los manglares a escala mundial ha experimentado una evolución favorable, con un incremento notable en su biomasa que coincide con una tendencia al alza del NDVI en las últimas dos décadas. Los datos demuestran que, si bien la vegetación responde positivamente al calor y la pluviosidad, los ecosistemas presentan una inercia temporal: los efectos de las anomalías climáticas extremas se manifiestan visualmente uno o dos trimestres después de ocurrir.

En el área de estudio, esta dinámica ha permitido identificar periodos críticos, como el intenso evento climático de finales de los noventa, fue el intenso episodio de El Niño en 1997, que provocó una caída drástica en los valores de NDVI, Figura 6. Debido a esta respuesta predecible, aunque retardada, por lo que el NDVI se consolida como una herramienta útil para anticipar estados de estrés o de regeneración de los manglares.

Al contrastar los datos históricos, se observa que la vitalidad de la vegetación ha mostrado un crecimiento sostenido. Si bien la media de los años noventa fue superior a la reciente, un análisis detallado muestra que los niveles de NDVI en los últimos años (2022-2025) superan significativamente a los registrados a principios de la década de los 90. Esto sugiere que el ecosistema ha experimentado una recuperación o mejora gradual, alcanzando actualmente condiciones favorables en la salud del sistema y una expansión del bosque favorecida por procesos sedimentarios costeros.

Consideraciones finales

La plataforma Google Earth Engine (GEE) ha representado una transformación estructural en el análisis geoespacial contemporáneo. Su capacidad para integrar y procesar flujos masivos de datos multitemporales consolida a esta infraestructura como una herramienta indispensable para la teledetección y las ciencias ambientales. En síntesis, la convergencia entre la observación remota y el cómputo en la nube no solo permite la documentación precisa de cambios en la cobertura terrestre, sino que facilita el establecimiento de correlaciones cuantitativas con variables climáticas (precipitación, temperatura y eventos ENOS). Estos análisis resultan determinantes a escala regional para fortalecer la resiliencia y la gestión sostenible de ecosistemas estratégicos, optimizando la comprensión de la dinámica del clima sobre la vegetación a través del procesamiento de series históricas.

No obstante, desde una perspectiva operativa y de planificación, es fundamental reconocer ciertos desafíos. El sistema utiliza funciones que ya vienen listas y no se pueden modificar, lo que significa que el trabajo debe ajustarse a lo que la herramienta permite hacer y esto puede limitar algunos estudios muy específicos.

Referencias bibliográficas

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone.Remote Sensing of Environment,202, 18-27. https://doi.org/10.1016/j.rse.2017.06.031

Khalefa, E., Pepin, N. y Teeuw, R. (2024) Long-term vegetation trends and driving factors of NDVI change on the slopes of Mount Kilimanjaro. ,International Journal of Environmental Studies. 81(5), págs. 2027–2047. doi: 10.1080/00207233.2024.2339725

Kiribou, I.A.R.; Nikiema, T.; Dimobe, K.; Zoungrana, B.J.; Ouedraogo, V.; Yang, H.; Santika, T.; Workeneh, W.S. (2025) Climate change and variability as drivers of vegetation dynamics in Bontioli Natural Reserve, West African drylands. Environmental Challenges 20: 101175. ISSN: 2667-0100

MapBiomas Project 2024. The Brazilian Annual Land Use and Land Cover Mapping Project. Recuperado de http://mapbiomas.org/.

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone.Remote Sensing of Environment, 202, 18-27. https://doi.org/10.1016/j.rse.2017.06.031

Perilla, Gabriel Alejandro, & Mas, Jean-François. (2020). Google Earth Engine (GEE): una poderosa herramienta que vincula el potencial de los datos masivos y la eficacia del procesamiento en la nube. Investigaciones geográficas, (101), e59929. Epub 02 de octubre de 2020.https://doi.org/10.14350/rig.59929

Yang, C., Huang, Q., Li, Z., Liu, K., & Hu, F. (2017). Big Data and cloud computing: innovation opportunities and challenges. International Journal of Digital Earth, 10(1), 13-53. https://doi.org/10.1080/17538947.2016.1239771

Autora: Jerlin Fernández
jerlinfernandezp@gmail.com
Unidad de Geomática. Centro de Procesamiento Digital de Imágenes (CPDI). Fundación Instituto de Ingeniería para la Investigación y Desarrollo Tecnológico (FIIIDT/MINCYT)