UrbanGPT – Monitor Hídrico

El sistema UrbanGPT – Monitor Hídrico ofrece una plataforma basada en Google Earth Engine que combina análisis de precipitación diaria y seguimiento del área de cuerpos de agua mediante datos satelitales de acceso abierto. A continuación se amplía la descripción de su funcionamiento y se incorporan las nuevas funcionalidades:

1. Objetivo del Sistema
El sistema calcula dos variables clave sobre la región de interés definida por el usuario:

  • Precipitación diaria acumulada (mm) como promedio espacial dentro del polígono trazado.

  • Superficie hídrica (m²) mediante índices espectrales y clasificación no supervisada de escenas Sentinel‑2.

Esta dualidad permite evaluar la relación entre periodos de lluvia intensa y variaciones en el cauce o extensión de cuerpos de agua.

2. Definición del Área de Estudio
El usuario delimita la región de interés (ROI) dibujando un polígono sobre la interfaz cartográfica. Esta geometría sirve como filtro espacial para todas las operaciones de reducción de datos.

3. Fuentes de Datos

  • CHIRPS Daily (UCSB‑CHG/CHIRPS/DAILY): proporciona estimaciones de precipitación diaria global con resolución de ~5 km, combinando datos de satélite y observaciones meteorológicas.

  • Sentinel‑2 SR (COPERNICUS/S2_SR): serie temporal óptica de 10–20 m de resolución, empleada para calcular índices hídrico‑vegetación y segmentar zonas de agua.

4. Metodología de Precipitación

  1. Filtrado espacial y temporal: se extraen todas las imágenes diarias de CHIRPS dentro del ROI y del rango de fechas seleccionado.

  2. Cálculo de promedio espacial: para cada imagen, se aplica Reducer.mean sobre la banda precipitation, obteniendo los milímetros de lluvia promedio en todo el polígono.

  3. Serie temporal: los resultados se almacenan como una colección de features con atributos fecha y precip_mm.

  4. Visualización: se genera un gráfico de líneas con fechas en el eje horizontal y precipitación (mm) en el vertical.

5. Metodología de Área Hídrica

  1. Filtrado de imágenes Sentinel‑2: se seleccionan escenas dentro del ROI, rango de fechas y umbral de nubosidad (CLOUDY_PIXEL_PERCENTAGE).

  2. Enmascaramiento de nubes: se descartan píxeles de sombra, nubes medias, altas y cirros mediante la banda SCL (Scene Classification Layer).

  3. Cálculo de índices:

    • NDWI – Normalized Difference Water Index: (B3−B8)/(B3+B8).

    • MNDWI – Modified NDWI: (B3−B11)/(B3+B11).

    • AWEI – Automated Water Extraction Index: 4·(G−SWIR)−(0.25·NIR+2.75·SWIR).

    • NDVI – Normalized Difference Vegetation Index: (B8−B4)/(B8+B4) para enmascarar vegetación.

  4. Composición multibanda: se agrupan NDWI, MNDWI y AWEI, excluyendo píxeles de alta vegetación (NDVI ≥ 0.3).

  5. Clasificación k‑means: para cada escena, se extrae una muestra aleatoria de píxeles dentro del ROI, se entrena ee.Clusterer.wekaKMeans(2) y se segmenta la imagen.

  6. Detección de cluster de agua: se identifica el cluster correspondiente a agua comparando las medias de NDWI de cada grupo.

  7. Limpieza morfológica: se aplican operadores focales (focal_min, focal_max) y se filtran grupos con menos de 10 píxeles contiguos.

  8. Cálculo de área: se multiplica la máscara final por pixelArea() y se suma el área total en m².

  9. Serie temporal: resultados en Features con atributos fecha y area_m2.

  10. Gráfico: evolución del área hídrica en función del tiempo.

6. Exploración y Exportación de Imágenes

Tras generar las series, el usuario dispone de un menú desplegable con fechas Sentinel‑2 disponibles. Para cualquier fecha seleccionada se:

  • Carga y recorta la escena SR al ROI.

  • Calcula la máscara de agua con la misma metodología k‑means + AWEI.

  • Permite alternar entre vistas RGB, máscara binaria de agua y RGB superpuesta.

  • Ofrece exportar la imagen resultante (TIFF) a Google Drive.

7. Parámetros de Configuración

  • Rango de fechas: define el periodo de análisis para ambas series.

  • Umbral de nubosidad (%): máximo porcentaje de píxeles nublados para escenas Sentinel‑2.

  • Número de muestras: en k‑means, cantidad de píxeles aleatorios (500 por defecto).

8. Beneficios y Aplicaciones

  • Detección de tendencias: permite relacionar episodios de lluvia intensa con aumentos en la superficie del cauce o inundaciones.

  • Seguimiento continuo: automatiza la generación de series diarias y mapas de cobertura de agua.

  • Exportación fácil: datos y gráficos disponibles para reportes y validación de hipótesis hidrológicas.

Conclusión
UrbanGPT – Monitor Hídrico integra datos de precipitación y teledetección óptica para ofrecer un análisis completo de eventos hídrico‑espaciales, facilitando la toma de decisiones en gestión de cuencas, planificación urbana y monitoreo ambiental.