Visualización de Índices de Vegetación: Características de tres opciones de representación

Al hablar de visualización de datos, hacemos referencia a mostrarlos de una forma que permita lograr la mayor comprensión de los escenarios que necesitamos representar y explicar. Ante un mismo conjunto de datos, la manera de visualizarlos será definitorio para analizarlos, comprenderlos y explicar el contexto en cuestión.

El inicio de cualquier visualización dependerá de la forma en que podamos dar respuesta a preguntas tales como: ¿qué relación existe entre los datos? ¿cómo es su distribución? ¿cómo es su composición y su visualización en mapa?

En el presente artículo repasaremos tres maneras diferentes factibles de ser utilizadas para representar la distribución espacial de un índice de vegetación en el lote obtenido a través de imágenes satelitales. Trabajaremos con el lote modelo utilizado en los cursos de formación de AGDI, sobre una imagen Sentinel-2 del mes de Enero de 2024.

Para el acceso, procesamiento y representación de los datos trabajamos sobre Google Earth Engine y Google Colab.

Se calcularon los valores Mínimos y Máximos de la escena, siendo los mismos de 0.11 y de 0.61 respectivamente. Luego, se procedió a clasificar los datos del índice de vegetación en un total de 5 clases utilizando cada uno de los métodos analizados.

1. Intervalos Equivalentes

 Este método consiste en dividir el rango de valores en un número deseado de intervalos o categorías iguales. De esta forma, para encontrar 5 clases, cada rango quedaría definido como la diferencia entre el valor Máximo y Mínimo de la escena dividido por la cantidad de clases o intervalos deseados.

0.61 – 0.11 / 5 –> Los intervalos se definirían en rangos de 0.1. A partir de allí, aplicamos la clasificación y obtenemos el resultado.

Representación de las Clases por Intervalos Equivalentes

Clase 0: 1.35 has. desde 0,11 a 0.21
Clase 1: 8.24 has. desde 0,21 a 0.31
Clase 2: 38.14 has. desde 0,31 a 0.41
Clase 3: 99.70 has. desde 0,41 a 0.51
Clase 4: 43.51 desde 0,51 a 0.61

2. Cuantiles

 Al clasificar los datos de esta manera obtendremos grupos con el mismo número de observaciones. En este ejemplo, hablamos de dividir el conjunto en 5 clases o quintiles de manera que cada grupo contendría el 20% de las observaciones. La característica de esta clasificación también es que se obtendrían zonas de igual superficie.

AGDI Cuantiles
Representación de las Clases por Cuantiles

Clase 0: 39.18 has. desde 0,11 a 0.40
Clase 1: 39.40 has. desde 0,40 a 0.45
Clase 2: 34.78 has. desde 0,45 a 0.48
Clase 3: 38.06 has. desde 0,48 a 0.51
Clase 4: 39.52 has. desde 0,51 a 0.61

3. Clusterización

Este proceso consiste en dividir un conjunto de datos en grupos o clusters basados en sus características o similitudes.
Para la obtención de los diferentes clusters se utilizó la clase ee.Clusterer.wekaKMeans disponible en la plataforma Google Earth Engine. El resultado final del algoritmo K-Means es una partición de los datos en K clusters, donde cada dato pertenece a un cluster determinado.
Dado que los clusters se generan de manera aleatoria se aplico un proceso adicional para ordenarlos en función de la media de NDVI de cada uno, lo cual explicaría la productividad potencial de cada cluster.

Representación de las Clases Clusterizadas

Clase 0: 11,09 has. Media: 0.27
Clase 1: 31,64 has. Media: 0.37
Clase 2: 48,50 has. Media: 0.44
Clase 3: 57,22 has. Media: 0.49
Clase 4: 42,49 has. Media: 0.53

Utilidad de cada Representación

Intervalos equivalentes: De utilidad para apreciar qué participación en superficie tiene cada rango de datos del índice representado. Su limitación radica en la dificultad para detectar diferencias visibles en los rangos de mayor superficie debido a que forzamos el rango de visualización.


Cuantiles: Permite visualizar en una escena diferencias en el cultivo. De alguna manera, permite forzar la paleta de colores, mostrando diferencias en colorimetría aun cuando la variabilidad no sea considerable. En términos visuales, es una representación estética ya que asegura proporcionalidad entre zonas visualizadas en el mapa.


Clusterización: Permite segmentar aun cuando la variabilidad puede que no sea importante. Su ventaja radica en asegurar una máxima diferencia entre zonas logradas y una baja dispersión o variabilidad de datos entre los datos que conforman cada zona. A su vez, al ser una técnica multivariante permite combinar múltiples capas o variables y generar clusters garantizando la homogeneidad de cada grupo.

Alejandro-Moroni-AGDI

Ing. Agr. (Mgter.) Alejandro M. Moroni
Equipo AGDI Agroeficiencia

×