Satellite Image Analysis

El análisis de imágenes satelitales consiste en extraer información de imágenes de la Tierra capturadas por satélites en órbita: cartografiar la cubierta terrestre, contar barcos, aeronaves o edificios, medir la salud de los cultivos y detectar cambios entre dos fechas. Es una rama de la teledetección, que también abarca las imágenes de aeronaves y drones, y hoy depende de la visión artificial (CV) y el aprendizaje profundo (DL) para procesar grandes volúmenes de imágenes que ningún equipo de analistas podría revisar a mano. El programa Landsat, por sí solo, lleva obteniendo imágenes de la Tierra de forma continua desde 1972.

Qué captan los satélites#

Las imágenes satelitales se diferencian de las fotografías corrientes en cuatro tipos de resolución:

• Resolución espacial: La distancia sobre el terreno que cubre un píxel. Landsat 8 y 9 registran la mayoría de las bandas a 30 m, Sentinel-2 alcanza los 10 m y los satélites comerciales como WorldView-3, operado por Vantor (denominado Maxar Intelligence hasta octubre de 2025), ofrecen una resolución de unos 30 cm, suficiente para distinguir coches individuales.
• Resolución espectral: El número y la anchura de las bandas de longitud de onda. Sentinel-2 registra 13 bandas, desde la luz visible hasta el infrarrojo de onda corta.
• Resolución temporal: La frecuencia con que se captan imágenes del mismo lugar. La constelación de dos satélites Sentinel-2 vuelve a pasar por el ecuador cada cinco días, y la flota de pequeños satélites de Planet capta imágenes de casi toda la superficie terrestre a diario, con una resolución de unos 3 m.
• Resolución radiométrica: La precisión con la que cada píxel registra el brillo, normalmente de 11 a 14 bits, frente a los 8 bits de una fotografía estándar.

Otros dos tipos de sensores amplían lo que pueden medir los satélites. Los satélites de imagen hiperespectral registran cientos de bandas estrechas, mientras que los satélites de radar de apertura sintética (SAR), como Sentinel-1, emiten pulsos de microondas y registran sus ecos; así pueden ver a través de las nubes y de noche, por lo que el radar es una fuente principal para cartografiar inundaciones bajo la cobertura de tormentas. Los cálculos entre bandas convierten los datos espectrales en mediciones físicas: el índice de vegetación de diferencia normalizada, NDVI = (NIR − Red) / (NIR + Red), se aproxima a 1 en zonas de vegetación densa y sana, porque las hojas reflejan intensamente la luz del infrarrojo cercano y absorben la luz roja.

Tareas principales de análisis#

• Segmentación semántica: Asigna una etiqueta a cada píxel para cartografiar la cubierta terrestre, las huellas de los edificios, las carreteras o la extensión de una inundación.
• Detección de objetos: Localiza y cuenta objetos individuales, como barcos, aviones, vehículos y depósitos de almacenamiento. Vistos desde arriba, estos objetos son pequeños, están muy agrupados y apuntan en todas direcciones, por lo que los detectores suelen predecir cajas delimitadoras orientadas que giran para ajustarse a cada objeto.
• Detección de cambios: Compara imágenes del mismo lugar tomadas en fechas distintas para detectar deforestación, nuevas construcciones o daños causados por desastres.
• Clasificación de escenas: Asigna una etiqueta, como terreno agrícola, bosque o zona urbana, a cada fragmento de imagen.

Entre los conjuntos de datos de detección de imágenes aéreas se encuentran DOTA, cuya primera versión etiqueta 15 categorías con cajas de orientación arbitraria, y xView, que etiqueta más de un millón de objetos en 60 clases en imágenes WorldView-3 de 0,3 m. Los modelos de cajas delimitadoras orientadas de Ultralytics YOLO26 se preentrenan con DOTAv1 y predicen una caja girada para cada objeto:

from ultralytics import YOLO

# Carga un modelo YOLO26 de cajas delimitadoras orientadas (OBB) preentrenado con DOTAv1
model = YOLO("yolo26n-obb.pt")

# Detecta objetos en una imagen cenital
results = model("https://ultralytics.com/images/boats.jpg")
result = results[0]

# Guarda la imagen con una caja girada dibujada alrededor de cada detección
result.save(filename="boats_obb.jpg")

Las cajas giradas siguen el rumbo de cada embarcación, lo que evita que los barcos amarrados muy juntos compartan una única caja sobredimensionada. Los modelos fundacionales geoespaciales preentrenados con grandes archivos sin etiquetas, como los modelos Prithvi de NASA e IBM, creados a partir de datos Landsat y Sentinel-2 armonizados, se ajustan para tareas como la cartografía de inundaciones y zonas quemadas con muchos menos ejemplos etiquetados.

De la escena sin procesar al mapa#

Una tesela de Sentinel-2 abarca 10 980 por 10 980 píxeles en sus bandas de 10 m, mucho más que la entrada de un modelo, y llega como un archivo georreferenciado, como un GeoTIFF, cuyos píxeles se corresponden con coordenadas de la Tierra. Los flujos de análisis corrigen la atmósfera, enmascaran las nubes, dividen la escena en teselas solapadas, ejecutan el modelo en cada tesela, fusionan las detecciones duplicadas en las zonas de solapamiento y convierten las posiciones de los píxeles en coordenadas cartográficas para herramientas GIS. Bibliotecas como Rasterio leen y escriben los rásteres georreferenciados, y el registro de imágenes alinea imágenes de distintas fechas antes de compararlas.

Análisis de imágenes satelitales y aéreas#

Ambos utilizan los mismos modelos y tareas; la diferencia está en la plataforma. Los satélites orbitan a cientos de kilómetros de altura y captan imágenes de todo el planeta con una periodicidad fija, con archivos que se remontan a varias décadas. Los aviones y drones vuelan a demanda sobre zonas pequeñas y captan detalles con precisión centimétrica, lo que resulta adecuado para inspeccionar tejados, cultivos o palas de aerogeneradores. Los conjuntos de datos de detección de objetos cenitales suelen combinar ambas fuentes, y DOTA incluye imágenes satelitales y aéreas.

Aplicaciones#

• Agricultura: Cartografía de tipos de cultivos, estimación del rendimiento y seguimiento del estrés de los cultivos basado en NDVI en regiones enteras.
• Bosques y clima: Los mapas globales de pérdida de cubierta arbórea basados en Landsat, con una resolución de 30 m, permiten seguir la deforestación año tras año.
• Respuesta ante desastres: Los mapas de inundaciones SAR y las evaluaciones de daños antes y después orientan las labores de ayuda, y la Carta Internacional sobre el Espacio y los Grandes Desastres proporciona datos satelitales sin coste a los equipos de respuesta.
• Planificación urbana: La extracción de la huella de los edificios y el trazado de carreteras mantienen actualizados los mapas de ciudades en rápido crecimiento.
• Vigilancia marítima: Al combinar detecciones SAR y ópticas con datos de seguimiento de embarcaciones, un estudio de 2024 publicado en Nature constató que alrededor de tres cuartas partes de los buques pesqueros industriales del mundo no se rastrean públicamente.