Interpolación espacio-temporal para el análisis de imágenes Landsat 7 usando Google Earth Engine

INTRODUCCIÓN

El programa Landsat consiste en una serie de misiones satelitales de observación terrestre gestionadas conjuntamente por la NASA y el Servicio Geológico de Estados Unidos (USGS) desde 1972 hasta la actualidad. Se centra en el mapeo de zonas terrestres y costeras, por lo que no dispone de imágenes provenientes de océanos y zonas marinas abiertas. La misión Landsat ofrece diferentes imágenes satélite acotadas a momentos temporales y bajo resoluciones de pixel diferente, capturando imágenes en 12 bandas distintas con una resolución máxima de 15m.

Tabla N°1 Especificaciones de los Satélites Landsat

Misión Lanzamiento Fin de la Misión Estado Actual Observaciones
Landsat 1 Julio 1972 Enero 1978 Finalizada  
Landsat 2 Enero 1975 Febrero 1982 Finalizada  
Landsat 3 Marzo 1978 Marzo 1983 Finalizada  
Landsat 4 Julio 1982 Diciembre 1993 Finalizada  
Landsat 5 Enero 1984 Enero 2013 Finalizada  
Landsat 6 Septiembre 1993 N/A Fallida Nunca llegó a orbitar debido a un fallo en el lanzamiento.
Landsat 7 Enero 1999 enero 2024 Activa  
Landsat 8 Abril 2013 Actualidad Activa  
Landsat 9 Septiembre 2021 Actualidad Activa  

Fig 1. Google. (2025). Representación de misiones Landsat. Fuente: Imagen generada por inteligencia artificial.

CASO LANDSAT 7 ETM SLC-OFF: Para tener un contexto del caso de Landsat 7 procederemos a definir las siglas ETM y SLC:

SLC (Corrector de Líneas de Escaneo): Hace referencia al sensor que cumple la función de eliminar el movimiento en zigzag del campo de visión de las imágenes producido por la combinación del movimiento longitudinal y transversal de la trayectoria.

ETM (Mapeador Temático Mejorado): Es un instrumento radiométrico de barrido multiespectral que proporciona imágenes multiespectrales con mayor resolución espacial y nuevas bandas espectrales, incluyendo una banda pancromática de alta resolución.

SLC OFF: Se refiere a todas las imágenes de Landsat 7 recogidas después del 31 de mayo de 2003, cuando falló el Corrector de Líneas de Escane (SLC). Estos productos tienen lagunas de datos, pero siguen siendo útiles, ya que mantienen las mismas correcciones radiométricas y geométricas que los datos recogidos antes del fallo del sensor. Sin un SLC operativo, la línea de visión del ETM+ ahora traza un patrón en zigzag a través de la trayectoria terrestre del satélite, adquiriendo aproximadamente 75 % de los datos de cualquier escena.

Fig 2. Imagen Landsat 7 Lago de Valencia Año 2010, con vacios de información “Gaps” Fuente:

USGS: https://earthexplorer.usgs.gov/

Estos vacíos de información, se denominan como Gaps. Dependiendo del lugar donde se encuentre la falla en la imagen, la pérdida de datos afecta en mayor o menor medida al muestreo y clasificación de los elementos de interés. La información perdida no es fácilmente recuperable por varias razones entre ellas es que la toma de imágenes siempre son obtenidas con órbitas y condiciones de iluminación diurna muy disímil

Interpolación de datos

Se basa en el uso de geoestadística a través del cálculo de valores desconocidos de una variable espacial, a partir de otros, conocido con el fin de obtener un valor aproximado, en el caso de ausencia de datos en las imágenes satelitales se estiman los valores desconocidos de los pixeles mediante los pixeles conocidos para “rellenar” la ausencia de información en las imágenes. La interpolación puede utilizarse para comparar imágenes satelitales de diferentes fechas y analizar los cambios en el paisaje a lo largo del tiempo.

Fig. 3 Google. (2025). Representación de interpolación de datos en imágenes satelitales. Fuente:

Imagen generada por inteligencia artificial

Existen diferentes algoritmos diseñados para reparar las imágenes dañadas con gaps del satélite Landsat 7 ETM +. Estos algoritmos se denominan gapfilling, así como otros denominados Inpainting para restaurar videos, fotografías e imágenes en general con pequeños daños, sin embargo estos no fueron diseñados para realizar tareas de gapfilling sobre imágenes satelitales. Dichos algoritmos se basan en: estimaciones de píxeles vecinos o geoestadísticos obtenidas de los datos de la imagen, regresión lineal ponderada lo que permite acceder a series de tiempo Landsat multitemporales para proporcionar estimaciones de las imágenes más apropiadas para el relleno. Es importante corregir el vacío de información en las imágenes, ya que afectan la precisión de los análisis y la toma de decisiones.

La interpolación de imágenes satelitales es una tarea fundamental para rellenar huecos o crear superficies continuas a partir de puntos de datos discretos. Para ello, existen diversas herramientas, cada una con sus propias ventajas y aplicaciones específicas. Por ejemplo, los programas de sistemas de información geográfica (SIG) como ArcGIS y QGIS ofrecen potentes algoritmos de interpolación como Kriging, IDW (Inverse Distance Weighting) y Spline, ideales para análisis locales de alta precisión. Para un procesamiento a mayor escala y de manera más eficiente, destacan las plataformas en la nube como Google Earth Engine (GEE).

Google Earth Engine (GEE)

Es una plataforma de análisis geoespacial basada en la nube que permite a los usuarios observar y analizar imágenes satelitales de nuestro planeta con teledetección, predicción de brotes de enfermedades, administración de recursos naturales, entre otros. Reúne más de 40 años de imágenes satelitales globales históricas y actuales, junto con las herramientas y el poder informático necesarios para analizar y extraer ese enorme almacén de datos. GEE está compuesto por cuatro elementos principales.

Fig 4. Elementos de Google Earth Engine Fuente: Perilla, Gabriel Alejandro, & Mas, Jean-François. (2020). https://doi.org/10.14350/rig.59929

  • Infraestructura de Google, la cual pone a disposición del usuario sus servidores. (A)
  • El segundo elemento es el acervo de datos (datasets). Google tiene almacenado todas las imágenes de varios sensores (Landsat, Sentinel, MODIS, entre otros). Estas bases de datos se actualizan a medida que se toman nuevas imágenes. (B)
  • El tercer elemento es la API (Application Program Interface), la cual consiste en una serie de comandos y funciones preestablecidas, escritos en lenguaje JAVA, que permite una programación sencilla al desarrollar algoritmos para las investigaciones. (C)
  • Code Editor, el cual es un entorno de desarrollo integrado en línea, donde se juntan todos los elementos. Aquí es donde el usuario puede, a través de código de trabajo (“scripts”), llamar a los datos, procesar y visualizarlos de manera virtual con los servidores de Google, teniendo así sus resultados e información en la nube (D)

Metodología de interpolación a través de Google Earth Engine (GEE)

Con la plataforma de GEE se pueden ejecutar más de una metodología de interpolación mediante la combinación de herramientas y funciones; la elección de la herramienta depende de la naturaleza de los datos y el tipo de resultado que se busca. En este caso se implementó dos de las técnicas más comunes para manejar el problema de las franjas de Landsat 7, en tres pasos: Relleno de franjas e interpolación de series de tiempo, como se puede observar en la siguiente imagen:

Fig 5. Script utilizado para la interpolación de la imagen satelital Landsat 7 del Lago de Valencia.

Fuente: Elaborado por el autor

Fig 6. Resultados obtenidos con el Script, Imagen satelital Landsat 7 Lago de Valencia 2010.

Fuente: Elaborado por el autor, Plataforma Google Earth Engine.

CONCLUSIÓN

La falla del escáner SLC (Scan Line Corrector) de Landsat 7 en 2003 representó un desafío significativo para la teledetección global, introduciendo franjas de datos faltantes que comprometieron la integridad de las imágenes. Si bien esta limitación redujo la utilidad de la misión para el análisis de alta precisión, los sistemas de información geográficos (SIG) y plataformas de procesamiento en la nube como Google Earth Engine (GEE) han proporcionado soluciones robustas para mitigar este problema.

El script de interpolación propuesto que combina series de tiempo y llenado de franjas, demuestra una metodología efectiva para obtener los datos faltantes. Al aprovechar las relaciones de proximidad entre los píxeles. La imagen compuesta de salida resultante proporciona una representación más clara de la superficie terrestre, facilitando un análisis e interpretación más precisos.

Este enfoque no solo restaura la continuidad visual de las imágenes, sino que también las hace aptas para análisis espaciales que requieren una cobertura de datos completa. La facilidad de implementación de este método en la plataforma GEE lo hace una herramienta fundamental, permitiendo a los investigadores superar limitaciones de datos históricos y maximizar el valor de las misiones satelitales a largo plazo.

REFERENCIAS BIBLIOGRÁFICAS

Trabajo de obtención de grado, Maestría en Sistemas Computacionales. Tlaquepaque, Jalisco: ITESO.

Vivas Daniela; daniela.vivas.colon@gmail.com Centro de Procesamiento Digital de Imágenes (CPDI).
Fundación Instituto de Ingeniería para la Investigación y Desarrollo Tecnológico (FIIIDT/MINCYT)