Composición a falso color

Para entender mejor cada uno de los escenarios estudiados, se construyó una composición a falso color, donde se ubicaron los valores después de la inundación en los canales rojo y azul, mientras que en el canal verde se ubicaron los datos antes de la inundación. Esta composición indica que los colores verdosos significarán zonas de la escena donde la intensidad de los datos radar eran mayores antes de la inundación, mientras que los colores rosados-morados indicarán una mayor intensidad en los datos después de la inundación (Figura 12).
Figura 12. Visualización de datos Radar en el área de estudio con composición falso color

Figura 12. Visualización de datos Radar en el área de estudio con composición falso color

El resultado que se esperaba era que en la composición a falso color aparecieran extensas regiones moradas, indicando que, debido al doble rebote producido por zonas urbanas inundadas, correspondieran a las zonas inundadas, pero el resultado fue el contrario.

Diferencia entre instantes de tiempo

Dado que, en este caso, los valores de Radar están medidos en decibeles, la relación entre ambos instantes de tiempo no puede realizarse con una simple resta, puesto que daría un amplio número de valores difíciles de explicar; por tanto, la mejor opción es relacionar estos valores por medio de un cociente. Se estableció un umbral de 1.25 de diferencia (como sugerencia por parte del autor original del código), para determinar las zonas dónde se encontraron los mayores cambios de intensidad. En la figura 9 se muestra el código empleado para aplicar la diferencia y establecer el umbral de inundación, además de la salida gráfica del mapa de inundación para los dos escenarios de tiempo descritos en Venecia, Italia (Figura 13).

Figura 13. Resultado de la diferencia de intensidad de datos radar, con valores superiores o iguales a 1.25. Arriba, código de Google Earth Engine para aplicar la diferencia y establecer el umbral de inundación; medio, áreas inundadas en Venecia entre los meses de febrero y noviembre de 2019; abajo, áreas inundadas en Venecia entre los meses de febrero de 2018 y noviembre de 2019

Figura 13. Resultado de la diferencia de intensidad de datos radar, con valores superiores o iguales a 1.25. Arriba, código de Google Earth Engine para aplicar la diferencia y establecer el umbral de inundación; medio, áreas inundadas en Venecia entre los meses de febrero y noviembre de 2019; abajo, áreas inundadas en Venecia entre los meses de febrero de 2018 y noviembre de 2019

Es claro el resultado cuando el rango de tiempo estudiado fue extendido. En un lapso de casi dos años, es posible apreciar una mayor dinámica en la intensidad de las señales radar, asociándose a una inundación más notoria como se puede apreciar en la figura; no obstante, estos resultados no se pueden asociar únicamente a las dinámicas de inundación, sino a la estructura de la urbe dentro de la zona de estudio.

Comprobación de resultados mediante imágenes ópticas

Para determinar la veracidad de los resultados obtenidos con radar, se calculó el Índice Diferencial de Agua Normalizado para determinar las áreas con mayor humedad y comparar si estas se adecúan con las registradas en la figura 13. LOs resultados se presentan en la figura 14. Para el cálculo de este índice se utilizó la colección de imágenes disponible en Google Earth Engine de Landsat 8 con reflectancia de superficie. Se intentó realizar este ejercicio con imágenes sentinel-2, pero hubo un error en el código que no logró ser resuelto; no obstante, sería interesante utilizar este insumo para tener un mejor detalle en las zonas de inundación y comparar la calidad de resultados entre Landsat 8 y Sentinel-2.
Figura 14. Índice Diferencial de Agua Normalizado para la zona de estudio, calculado a partir de datos Landsat 8.

Figura 14. Índice Diferencial de Agua Normalizado para la zona de estudio, calculado a partir de datos Landsat 8.

Discusión

Los resultados presentados anteriormente ofrecen información importante sobre las dinámicas de inundación en la zona de estudio; no obstante, hay varios aspectos a tener en cuenta antes de generar conclusiones. De acuerdo con la figura 3, el efecto de doble rebote se intensifica en un área que se encuentre inundada, puesto que la interacción de la señal de radar con el agua y las estructuras o vegetación cercana, hará que la antena receptora reciba valores de mayor intensidad. La pregunta que surge es: ¿se podría diferenciar un aumento en la intensidad de señal producida por áreas artificializadas de aquellas que son por inundación? Obviamente, si se encuentra este patrón en una zona alejada de grandes urbes, es posible establecer que fue debido a un cambio en el nivel del agua superficial, pero dentro de una gran ciudad densamente poblada, es más difícil dicernir si este cambio de intensidad se debe a inundaciones o a otros parámetros que se están ignorando. A pesar de esta confusión, ciertas zonas delimitadas como inundadas, tienen aspectos suficientes para ser categorizadas de esta forma; por ejemplo, en la figura 12 de falso color, se muestran unas zonas portuarias en color morado, que tienen más probabilidad de representar una dinámica de inundación. La tendencia que se observa en la figura 12, es que entre más alejado se encuentre un área de la zona portuaria, los tonos verdes aumentan, indicando que después del extenso período de lluvias, no se observó un incremento en la intensidad de señal debida al efecto de doble rebote.

Pero ahora se encuentra otro inconeviente, las zonas verdes apreciadas en la figura 12, corresponden a extensas zonas de cultivo y pastos limpios. Estas zonas, aunque se inunden totalmente, debido a la ausencia de estructuras artificiales y de vegetación de porte alto, no se produciría el efecto de doble rebote, sino al contrario, un efecto especular que disminuiría los valores de intensidad recibidos por el sensor. Dado que las dinámicas de inundación se están analizando con respecto al efecto del doble rebote, los casos de cultivos y vegetación baja producen dos posibles escenarios: el primero es que efectivamente se trate de una inundación, lo que produce que la intensidad de señal después del fenómeno climático sea menor y tome tonalidades verdes; o segundo, que en el tiempo evaluado haya habido un cambio en las estructuras vegetales que produzca esta disminución en los valores de píxel. Una manera de ejemplificar el segundo escenario, es la transformación de vegetación secundaria a pastizales; en el primer escenario se tiene un mayor efecto de retrodispersión, por lo que los valores de pixel serán altos, comparados con un pastizal o superficie aproximadamente lisa donde la retrodispersión es muy pequeña o nula.

Otro aspecto a tener en cuenta es el umbral establecido para dividir la temporalidad entre inundado y no inundado. El valor utilizado en este documento de 1.25 se tomó por el trabajo realizado por Podest (2017) en un área boscosa de Mozambique, la cual se vió afectada por grandes inundaciones producidas por el ciclón Idai. Por ser un área boscosa, que normalmente no está inundada y apartada de grandes urbes, la metodología empleada en esa zona arrojó resultados muy interesantes, donde se ve claramente los efectos del ciclón. Por otro lado, debido a las problemáticas que ya se mencionaron en el área de Venecia, sumado a que es una zona que está constantemente inundada, no se puede utilizar el mismo umbral que se utilizó en Mozambique, ya que estas áreas tienen dinámicas de inundación totalmente diferentes. Probablemente, el umbral de inundación deba ser superior a 1.25, pero el valor exacto es desconocido. Se recomienda tener en cuenta los registros pluviométricos y de cambios en el nivel del agua de los últimos años en el municipio de Venecia, para establecer un valor de umbral más realista. Si este valor efectivamente resulta ser mayor a 1.25, las zonas inundadas de la figura 13 serán menores y viceversa.

Finalmente, este documenta muestra cómo la polaridad VH presenta mejores resultados en áreas densamente pobladas. Cuando se realizó la imagen compuesta, pero utilizando la polaridad VV, el resultado fue una imagen más distorcionada y con un gran número de valores altos de pixel. Esto puede deberse a que la polaridad VV es más susceptible a las coberturas artificializadas de las urbes, impidiendo una mayor penetración y retrodispersión. Como este efecto se presentó antes y después de las intensas lluvias, no se identifica claramente las zonas de inundación con esta polarización. De igual manera, se demuestra la utilidad de la banda C de radar para el estudio de inundaciones en zonas urbanas. Esta banda C tiene la longitud de onda suficiente (5 cm) para penetrar la cobertura artificializada y brindar una primera observación a este fenómeno. Si se deseara trabajar en una zona con vegetación densa de porte alto, se esperarían tener mejores resultados con bandas de mayor longitud de onda como la banda L (23 cm), para asegurar la penetración del dosel y recoger datos a nivel de superficie.

Los resultados obtenidos por el cálculo de NDWI, son consistentes con la información derivada de los datos de radar. Efectivamente, en la zona donde se registra aumento en los píxeles de radar, se encuentran los valores más altos de NDWI, los cuales a su vez se encuentran cercanos a los canales principales del municipio. Una de las diferencias que cabe puntualizr entre imágenes de radar e imágenes ópticas, es el resultado que ofrecen las ópticas en los cuerpos de agua. Como se observa en la figura 13, los cuerpos de agua presentan variaciones marcadas en los vaores de píxel, esto podría deberse a contaminantes, que no sería extraño encontrar estando tan cerca de un puerto industrial como Porto Marghera, pero cuando se trata de datos de radar, también el viento influye. Si al momento de interactuar la microonda con el cuerpo de agua, el agua se encuentra en movimiento por acción del viento, deja de ser una superficie lisa y comienza a generar retrodispersión de la onda, lo que también podría explicar los cambios de tonalidades entre tiempos. Este efecto no se ve tan marcado con imágenes ópticas.

Conclusiones

Tanto los datos de Radar como los Ópticos, pueden ser herramientas esenciales para el estudio de las dinámicas de inundación de una región de interés. No obstante, solo estos insumos no son suficientes para generar información detallada y realista de la zona. Se requiere del conocimiento de los regímenes de lluvia, de la estructura predominante de la zona de estudio y de los parámetros del satélite para estudiar este fenómeno con mayor detalle y ajustado a los requerimientos de la región. Cada uno de estos sistemas de datos tienen sus ventajas y desventajas, por lo que se recomienda emplear métodos mixtos al momento de estudiar las dinámicas de invasión. De igual manera, un aporte interesante sería el empleo de series de tiempo para identificar los períodos en donde pudo haberse generado la inundación, o visto desde otra perspectiva, analizar posibles estaciones de sequía. Los datos de Sensores Remotos son, entonces, una potencial herramienta para el análisis y modelamiento de desastres naturales, y cuando son empleados de manera correcta, en el tiempo justo y con la participación de los entes de control correspondientes, pueden ser empleados en sistemas de alerta temprana y reducir los efectos derivados de diferentes tipos de desastres como las inundaciones.

Bibliografía

BBC News Mundo. (16 de Noviembre de 2019). Inundaciones en Venecia: qué es Mose, el megaproyecto que debe salvar a la ciudad del agua (y por qué lleva más de una década de retraso). BBC.
Belmonte, I., & Caamaño, S. (2009). Una aplicación basada en imágenes SAR para el monitoreo y prevención de inundaciones en Argentina. Córdoba, Argentina: Universidad Nacional de Córdoba.
Buemi, M. E. (2012). Tratamiento de imágenes de radar de apertura sintética mediante filtros stack. Buenos Aires, Argentina: Universidad de Buenos Aires, Facultad de Ciencias Exactas y Naturales, Departamento de Computación.
Carbogning, L., Teatini, P., Tomasin, A., & Tosi, L. (2010). Global change and relative sea level rise at Venice: what impact in term of flooding. Climate Dynamics, Vol. 35, Issue 6, 1039 - 1047.
Giddens, A. (2010). La política del cambio climático. Madrid, España: Alianza Editorial.
Google Earth Engine. (7 de Diciembre de 2019). Sentinel-1 SAR GRD: C-band Synthetic Aperture Radar Ground Range Detected, log scaling.
Lee, J. S., & Jurkevich, I. (1994). Speckle Filtering of Synthetic Aperture Radar Images: A Review. Remote Sensing Reviews, Vol. 8, 313 - 340.
Ministerio para la Transición Ecológica. (2018). Inundaciones y Cambio Climático: Estudios y experiencias a nivel europeo en el primer ciclo de la DIrectiva de Inundaciones. Madrid.
Monells-Miralles, D. (2017). Orbital differential SAR interferometry with polarimetric data. Catalunya: Universitat Politécnica de Catalunya. Departament de Teoria del Senyal i Comunicacions.
Podest, E. (29 de Noviembre de 2017). Applied Remote Sensing Training Program. Obtenido de Conceptos básicos de Radar de Apertura Sintética (SAR): https://arset.gsfc.nasa.gov/sites/default/files/water/Brazil_2017/Day1/S1P2-span.pdf
Programa de las Naciones Unidas para el Desarrollo. (5 de Diciembre de 2019). Objetivos del Desarrollo Sostenible. Obtenido de Objetivo 13: Acción por el clima: https://www.undp.org/content/undp/es/home/sustainable-development-goals/goal-13-climate-action.html
Sperotto, A., Torresan, S., Gallina, V., Coppola, E., Critto, A., & Marcomini, A. (2016). A multi-disciplinary approach to evaluate pluvial floods risk under changing climate: The case study of the municipality of Venice (Italy). Science of the Total Environment, 1031 - 1043.
Yam-Ontiveros, L. (2016). Simulation, detection, and classification of vessels in maritime SAR images. Catalunya: Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions.
Zonta, R., Botter, M., Cassin, D., Pini, R., Scattolin, M., & Zaggia, L. (2007). Sediment chemical contamination of a shallow water area close to the industrial zone of Porto Marghera (Venice Lagoon, Italy). Marine Pollution Bulletin, Vol. 55, 529 - 542.