Google Earth te deja mirar el bosque; R te deja medirlo. Ahí está, resumida, la diferencia que me llevó de ver la teledetección con R como una curiosidad de fin de semana a usarla en serio para seguir el cambio ambiental cerca de mi casa, sin ser programadora, sin ser geógrafa, aprendiendo análisis espacial y RStudio para principiantes de a poco, a mi ritmo.
Antes de seguir: este texto tiene enlaces de afiliado, y si compras algún curso a través de ellos me llega una comisión sin costo extra para ti. Solo menciono lo que de verdad usé, como el curso de Teledetección Satelital con R y R-Studio, que fue lo que me ayudó a ordenar lo que había ido aprendiendo sola y a medias.
La primera herramienta que probé, mucho antes de eso, fue justamente Google Earth: abría capas de distintos años, las comparaba a ojo, y por un rato sentí que estaba haciendo ciencia de verdad. Pero no podía medir nada — ni un polígono, ni un área exacta — y tampoco había forma de guardar ese análisis para mostrárselo a alguien después. Ahí entendí que necesitaba otra herramienta, aunque no supiera todavía cuál.
No hace falta ser programadora para meterte en esto
No, y esa es probablemente la pregunta que más me hacen. Trabajo medio tiempo en una oficina y aprendí esto los fines de semana, sin base en programación ni en geografía. Lo que sí ayuda es la paciencia para un aprendizaje autodidacta: vas probando, algo falla, buscas por qué, y de a poco armas tu propio flujo de trabajo sin que nadie te lo explique paso a paso. Marcia Núñez, una compañera de trabajo en la oficina que estudia agronomía a distancia, es la prueba de que no hace falta entender la lógica completa para avanzar: ella resuelve el problema antes de entender por qué funcionó, y aun así saca sus propios mapas de cobertura vegetal. R además tiene paquetes como 'terra' que hacen gran parte del trabajo pesado por ti; no necesitas escribir cada operación desde cero, necesitas entender qué línea correr y cuándo.
Aun con el curso advirtiéndolo, caí en la trampa clásica de saltarme el paso de aprender a unir varios rasters en RStudio antes de tenerlo claro, y terminé rehaciendo el trabajo completo un fin de semana entero.
Mirar una imagen satelital versus hacer análisis espacial de verdad
Ahí está la diferencia real entre un hobby bonito y algo que sirve para tomar decisiones. Una imagen satelital cruda no es una foto en el sentido normal: es un raster, una grilla de números donde cada celda guarda un valor — cómo se lee esa grilla da para un artículo entero aparte, así que no lo voy a resolver acá. Lo que sí puedo decir es que una vez que entiendes esa grilla, dejas de depender de que alguien más te cuente qué pasó con el bosque: puedes bajar las imágenes tú misma desde los portales que las publican (otro proceso con su propia curva de aprendizaje) y sacar tus propios números. El criterio que uso para saber si vale la pena meterse en esto es simple: si necesitas comparar, medir o justificar un cambio con algo más que una impresión visual, mirar ya no alcanza.
Lo mínimo que necesitas en la mesa de trabajo
Nada exagerado, la verdad. Trabajo en un escritorio de madera en mi pieza, con un monitor externo que alguien me prestó hace tiempo y que todavía no he devuelto, y la ventana que da al patio interior se empaña apenas baja la temperatura en invierno. No hace falta una máquina cara ni pagar una suscripción en la nube: R corre local, así que si el internet de por acá decide ponerse lento (cosa que pasa más seguido de lo que me gustaría), igual puedo seguir procesando lo que ya tengo descargado.
Al lado del trackpad casi siempre hay una taza que ya se enfrió. Coincide, sospechosamente seguido, con el rato exacto en que la consola se pone roja y me quedo mirando el error sin saber por dónde seguir. Y en una carpeta de papel voy anotando los errores que ya resolví una vez, para no pelear con el mismo mensaje dos veces. Donde sí conviene ir con calma es en hacer que dos capas calcen en el mismo sistema de coordenadas antes de cruzarlas — otro tema que merece su propio espacio — porque si no calzan, R no avisa con gentileza: simplemente entrega un mapa que no tiene ningún sentido.
Cuando el mapa dice algo que el ojo no ve
Hay un momento en que un mapa de vegetación deja de ser un ejercicio de programación y se vuelve información real. Fui a caminar por el Jardín Botánico de la Universidad Austral una tarde de esas en que todavía no llovía, y días después, procesando el índice de vegetación en R, me encontré con un parche rojo justo donde la memoria me decía que estaba el claro que deja el sendero en verano, como si el mapa hubiera visto el mismo lugar que yo, pero desde otro ángulo y sin nostalgia.
Ese índice (le dicen NDVI) resume en un número qué tan sana se ve la vegetación en cada punto — cómo se calcula exactamente da para otro artículo completo, así que lo dejo ahí. Lo que sí vale la pena saber es que Sentinel-2 no ve solo en colores como nuestros ojos: tiene bandas que registran información que se nos escapa, y ese cruce de bandas es, en el fondo, otro tema en sí mismo.
Antes de llegar a esa imagen limpia hay un paso poco glamoroso, que es sacar las nubes de encima — literal, porque si no filtras las nubes en las imágenes de Sentinel-2, lo único que vas a leer es una mancha blanca donde debería haber bosque — y por eso dediqué tiempo aparte a entender cómo quitar nubes de imágenes Sentinel 2. Si el NDVI se te queda corto para tu zona (pasa harto en lugares con vegetación densa como el sur de Chile), el paso siguiente que probé fue calcular el índice de vegetación EVI, que corrige algunas de las distorsiones que el NDVI arrastra en bosques cerrados. Y si lo que necesitas es quedarte solo con el pedazo de bosque que te interesa, sin cargar la imagen completa de la región, hay que aprender además a recortar el raster con un shapefile — otro paso técnico que también dejo para otra entrada. La regla práctica que me quedó de todo esto: si un parche se ve rojo donde la memoria dice que había bosque sano, confía más en el mapa que en el recuerdo; el ojo se acostumbra al cambio lento, el dato no.
Esto sirve para trabajo real o para mirar el bosque
Sirve para las dos cosas, pero para el trabajo real hay que ir un poco más allá de un mapa suelto. Aldo Pinto, un lector que escribe desde Temuco, me contó que sigue el blog en el teléfono durante su turno de noche — es guardaparque, así que para él esto no es una curiosidad de fin de semana, es algo que podría aplicar directo en su trabajo de monitoreo forestal. Para ese tipo de uso ya no basta con una imagen suelta: hay que comparar el mismo lugar en distintos momentos y armar una serie que muestre la tendencia, no solo una foto aislada del bosque. Y si el interés va más allá de la vegetación — por ejemplo, hacia dónde podrían estar moviéndose ciertas especies según cambian las condiciones del terreno — ahí se entra a otra rama completa, el modelado de distribución de especies, que cruza la teledetección con la ecología pero funciona con su propia lógica.
Por dónde seguir si quieres ir más allá
Si después de leer todo esto sientes que quieres meterte en serio, y no solo seguir juntando tutoriales sueltos los domingos, el curso que a mí me ordenó las ideas fue el de Teledetección Satelital con R y R-Studio: parte de cero, pero acompaña paso a paso hasta dejarte sacando tus propios mapas, y fue justo lo que necesité después de meses de ir juntando pedazos de tutoriales que no calzaban entre sí.
Para quien quiera después dar el salto hacia dónde podrían vivir ciertas especies según el hábitat, existe también el de modelado de distribución de especies con Maxent en R, que es más corto y sirve como punto de entrada si el tema de nicho ecológico te llama más que el de cambios en la cobertura vegetal en sí misma. Ninguno de los dos te va a convertir en programadora de la noche a la mañana, pero los dos te ahorran el tiempo que yo perdí adivinando por qué mi mapa salía con los colores invertidos. Si te decides, ahí quedan los enlaces; si no, con lo que ya sabes después de leer esto puedes seguir mirando el bosque desde tu ventana — solo que ahora vas a saber qué preguntas hacerte primero.