¿Cuántas veces has oído a tu cuñado (o cuñada) decir en una comida familiar frases tipo:
“¡Antes llovía más, se está desertificando todo!”
o peor aún:
“¡Yo ya lo noto, desde que era niño no ha vuelto a llover igual!”
Frases como estas suenan bien, tienen tono de verdad empírica… pero en realidad son pura intuición, sin ninguna evidencia científica detrás. Afortunadamente, vivimos en una época donde podemos rebatir con datos, mapas y gráficos, sin despeinarnos ni tener que abrir Excel.
CHIRPS en una gran fuente de datos desde hace más de 30 años!!. Añade un poco de CHIPRS a tu conversación navideña!
📡 ¿La clave? Computación en la nube + datos abiertos
En lugar de entrar en debates circulares, te propongo usar Google Earth Engine (GEE), una plataforma gratuita (si demuestras que no vas a usarlo comercialmente, claro) de computación geoespacial en la nube, y una fuente de datos de primer nivel: CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data).
Haz zoom sobre tu zona de interés y ya lo tienes!
CHIRPS ofrece datos de precipitación diarios desde 1981 hasta la actualidad, a resolución global (~5 km). Es decir: puedes consultar con precisión cuánta lluvia ha caído en cualquier país durante los últimos 40 años, sin bajarte ni un solo archivo.
🔍 ¿Qué hace el script?
Te dejo un código en GEE que compara la precipitación media anual entre dos periodos (por defecto: 1981–2004 y 2005–2023), y genera:
🗺️ Un mapa en rojo y verde:
Rojo: zonas donde llueve menos ahora
Verde: zonas donde llueve más
📈 Un gráfico temporal con la evolución año a año y su tendencia lineal
📄 Un archivo CSV con la precipitación media anual de cada año
🗂️ Un archivo GeoTIFF binario que puedes abrir en QGIS, ArcGIS o cualquier visor de datos raster
🧪 ¿Cómo lo uso?
Solo tienes que cambiar una línea:
javascriptCopiarEditarvar countryName = 'Spain';
Y listo. Puedes poner 'France', 'Peru', 'Morocco' o el país que quieras. Todo se actualiza automáticamente: el código (3) el mapa binario (1), el diagrama (4), los nombres de los archivos exportados, el título del gráfico… incluso la leyenda (2).
ZASCA!!!!!!!!!!!!!!!!! Nadie será capaz de rebatirte con el GEE en la mano! 🙂
💻 ¿Y qué necesito instalar?
Nada. Cero. Solo una cuenta de Google Earth Engine y copiar el script en tu entorno. No necesitas tener experiencia previa con programación: el código está comentado y documentado para que sea lo más sencillo posible.
🧠 Bonus: más allá de tu cuñado
Además de ganar discusiones familiares, este tipo de análisis sirve para mucho más:
Validar percepciones locales con datos reales
Comunicar visualmente fenómenos complejos (como la variabilidad climática)
Enseñar geografía y ciencia de forma amena
Y sobre todo… para divertirte aprendiendo
Morocco, Tunisia y France en unos 30 segundos… Vamos que nos vamos!!!
¿Tienes un cuñado pesado? Reviéntalo con datos (esto es metafórico, claro). Y si no tienes uno… seguro que en Navidad aparece alguien con ganas de opinar. 😄
Alberto C. 🎓 Soy Geógrafo y me encantan las tecnologías geoespaciales. Creo firmemente que el conocimiento se democratiza cuando lo hacemos visual, accesible y directo. Analista GIS y feliz cuñado de Carlos y Koldo
Quieres conocer cuál es el momento óptimo para plantar? Para fumigar? Para recolectar?. Sabías que dos de cada tres agricultores no cosechan en la fase de madurez adecuada?. Aquí abajo te describo un método completamente automatizado mediante el uso combinado de varios índices de vegetación como NDVI, NDWI, SAVI y EVI que podemos extraer del Satétile SENTINEL-2 en la plataforma COPERNICUS de la UE para conocer exactamente y anticipar las mejores decisiones de intervención sobre tus tierras.
Precision farming / Agricultura de precision o cómo tomar decisiones adecuadas en el campo
Para comprender rápidamente, el gráfico de es un espectro de reflectancia para una superficie de grass (HIERBA) obtenido de una imagen Sentinel-2 L2A. Cada punto del gráfico representa la reflectancia media del suelo para distintas longitudes de onda, alineadas con las bandas espectrales del sensor Sentinel-2, que cubre desde el visible (VIS) hasta el infrarrojo cercano (NIR) y el infrarrojo de onda corta (SWIR). En verde oscuro el modelo (cómo normalmente reacciona la hierba a la luz, su reflectancia) y en verde claro (perdón soy un inepto con los colores) la medición específica sobre el punto que nos ocupa.
Por otro lado, si por ejemplo mido la reflectancia de la misma zona a lo largo del tiempo (Sentinel-2 ofrece una revisita de 5 días, lo que facilita el seguimiento temporal de la vegetación) , veo si la misma sube o baja, esto es importante como veremos más adelante.
Medición multitemporal/puntual de la reflectancia en cada uno de los 12 rangos que ofrece Sentinel 2
Visualmente vemos cómo claramente la humedad cambia a lo largo del tiempo (de maner obvia) para lo cual muestro una secuencia de aproximadamente el mismo día del año de tres años diferentes, una imagen del Infrarrojo Cercano IR que muestra en rojo intenso las zonas con más humedad.
Ilustración 1- Infrarrojo Sentinel 2
Si en lugar de medir puntualmente lo que hago es medir un área y extraer la media de todas las mediciones en una fecha o en una franja de tiempo determinada, tengo entonces unos datos sistemáticos que ya puedo tomar para medir por ejemplo la salud de la vegetación con un índice NDVI, que se calcula a partir de la reflectancia de la luz roja e infrarroja cercana IR de la vegetación.
El NDVI (Índice de Vegetación de Diferencia Normalizada) de Sentinel-2 es un índice que se utiliza para evaluar la salud y densidad de la vegetación, utilizando datos de las bandas rojas e infrarrojas cercanas de las imágenes Sentinel-2. Permite identificar áreas con vegetación, estimar su desarrollo y detectar cambios anormales en su crecimiento.
Los valores de NDVI varían de -1 a 1. Valores negativos indican ausencia de vegetación (agua, nieve, etc.), valores cercanos a cero indican superficies sin vegetación (rocas, suelo), y valores positivos indican vegetación, con mayor valor correspondiendo a vegetación más densa y saludable
NDVI = (B8 – B4) / (B8 + B4)
NDVI – Índice de Vegetación de Diferencia Normalizada
Para un cliente que desea determinar el momento óptimo para la siembra, la fumigación o la cosecha, podemos utilizar este mismo análisis de reflectancia (con datos normalizados para orregir variaciones atmosféricas residuales o nubosidad parcial), pero extendido de forma multitemporal y usando varios otros índices como el NDWI, SAVI, EVI, etc. (que explicaremos en detalle más adelante), para complementar la información espectral básica y relacionarla con la humedad del suelo, la cobertura vegetal y la temperatura superficial (si se cruza con otros sensores).
De momento sigamos con el NDVI, de él, conoceremos con certeza los momentos del año en los que la tierra ha estado más cargada de humedad (teniendo en cuenta y eliminando o no, si es necesario, mediciones con cobertura de nubes). Así podremos también analizar tendencias, se pueden detectar ventanas óptimas de humedad y temperatura del suelo que garanticen una mejor germinación y menor estrés hídrico inicial (propuesta de ventanas de siembra más estables según la variabilidad de la humedad interanual).
Interpretación de un NDVI index values 2020-25
NDVI throughout time 2021-2025
Pasamos ahora al NDWI: El NDWI (Índice Diferencial de Agua Normalizado) en Sentinel-2 es un índice espectral que se utiliza para identificar y mapear la presencia de agua en imágenes satelitales. Se calcula a partir de las bandas verde e infrarroja cercana y ayuda a diferenciar cuerpos de agua de otros elementos como la vegetación y el suelo.
Respecto a la interpretación, los valores positivos: generalmente indican la presencia de agua, con valores más altos correspondiendo a cuerpos de agua más limpios o con mayor contenido de agua. Los valores cercanos a cero pueden indicar suelo húmedo o vegetación con alto contenido de agua, mientras que los valores negativos suelen corresponder a suelo seco o vegetación con bajo contenido de agua.
NDWI = (B3 – B8) / (B3 + B8)
NDWI – Índice Diferencial de Agua Normalizado
Pasamos ahora al SAVI, el Índice de Vegetación Ajustado al Suelo (SAVI) de Sentinel-2 es una transformación de imágenes que intenta reducir la influencia del brillo del suelo en la estimación de la vegetación, especialmente útil en áreas con vegetación escasa o etapas iniciales de crecimiento.
El SAVI es un índice de vegetación que se calcula a partir de las bandas del rojo y del infrarrojo cercano de las imágenes Sentinel-2, similar al NDVI (Índice de Vegetación de Diferencia Normalizada), pero con un factor de corrección adicional para el suelo.
El NDVI, aunque ampliamente utilizado, puede verse afectado por el brillo del suelo, especialmente en áreas con poca vegetación o donde el suelo es visible entre la vegetación. El SAVI intenta corregir este efecto utilizando un factor de ajuste del suelo, denominado L, que varía según la densidad de la vegetación.
SAVI= ((B8 – B4) / (B8 + B4 + L)) * (1 + L)
SAVI – Índice de Vegetación Ajustado al Suelo
Por último veremos el índice EVI, este índice de Sentinel-2 es un índice que se utiliza para monitorear la salud de la vegetación, especialmente en áreas con alta densidad de biomasa. Se calcula a partir de las bandas 8 (infrarrojo cercano), 4 (rojo) y 2 (azul) de las imágenes Sentinel-2, utilizando una fórmula que ayuda a reducir el impacto de la atmósfera y del suelo en la señal de la vegetación.
EVI = G * ((B8 – B4) / (B8 + C1 * B4 – C2 * B2 + L)) *G: Ganancia (2.5 en Sentinel-2)
EVI – Índice de Vegetación Mejorado
Qué es lo que conseguimos al combinar con estos 4 análisis??. Lo primero unos diagramas conjuntos que nos muestran cómo se correlacionan espacialmente. Esto nos permite visualizar con rapidez los valores y ver cómo esta interacción de los índices NDVI, NDWI, SAVI y EVI nos van a ayudar en la toma de decisiones:
Condiciones favorables para la siembra con humedad suficiente y mínima competencia de vegetación anterior: Si NDVI < 0.3, SAVI < 0.3 y NDWI entre 0.2 y 0.4 Baja cobertura vegetal y nivel de humedad superficial moderado.
Estrés hídrico potencial: Si NDVI > 0.6 y NDWI < 0.2 Vegetación densa pero suelo seco → riesgo de déficit hídrico.
Vegetación poco vigorosa: Si NDVI < 0.3 y SAVI < 0.3 Vegetación escasa o en mal estado, posible daño o áreas sin cultivo.
Presencia de suelo desnudo o raleado: Si SAVI < 0.25 y NDVI entre 0.3 y 0.5 Vegetación con alta exposición de suelo, posible erosión o áreas sin cobertura completa.
Momento óptimo para fumigación o aplicación foliar: Si EVI > 0.7 y NDVI > 0.6 Alta biomasa y cobertura foliar → momento ideal para tratamientos.
Inicio de estrés por inundación o exceso hídrico: Si NDWI > 0.5 y NDVI < 0.5 Suelo saturado o anegado, vegetación afectada.
Madurez o cosecha cercana: Si NDVI disminuye rápidamente en semanas consecutivas y EVI baja de 0.5 La vegetación está senescente → momento probable de cosecha.
Crecimiento activo de la planta: Si NDVI y EVI aumentan simultáneamente durante varios días/semanas Etapa de crecimiento y desarrollo activo.
Posible estrés por plagas o enfermedades: Si NDVI cae por debajo de 0.4 mientras SAVI se mantiene estable Vegetación dañada sin cambios en suelo → posible plaga o enfermedad.
Zona con alta humedad superficial: Si NDWI > 0.4 y SAVI > 0.5 Suelo húmedo con vegetación densa, buen estado hídrico.
Pérdida de vegetación significativa: Si NDVI y SAVI bajan simultáneamente a menos de 0.2 Daño severo, incendios, o remoción de cultivos.
Como veis, se pueden deducir muchas cosas de la interacción de estos índices. Ya no hablamos de uno solo que nos muestre cierto detalle, hablamos de varios que nos dicen varias cosas en lugar de una:-) Esto nos ayuda a una intervención justificada, cuantitativa, empírica y científica. Una intervención que poco tiene que ver con las témporas, las creencias populares o incluso la experiencia, tiene que ver con la diferencia entre hacer las cosas bien o no.
Para terminar, comentar que este método es interesante pues el único input que necesita es un área de interés (automatización), es escalable en el sentido que puede aumentar su alcance mediante la realización de otros análisis en paralelo de otras variables (como precipitaciones o temperatura) y ayuda definitivamente a tomar decisiones.
1 Automatización: mediante scripts en interfaces de Cloud Computation (Computación en la nube) como Google Earth Engine o Google Cloud o un simple script Python desde QGIS o ArcGIS Pro, se puede generar un sistema recurrente que actualice cada cierto tiempo estos análisis.
2 Valor añadido: se pueden incorporar datos climáticos históricos (precipitaciones, temperatura) y modelos de predicción de heladas o lluvias.
3 Beneficio práctico: el agricultor optimiza la fecha de siembra, fumigación o recolecta mientras reduce riesgos de pérdidas por malas condiciones de arranque y ajusta mejor el calendario de trabajos.
Este flujo de trabajo está diseñado para que cualquier propietario de un terreno, independientemente de su finalidad, pueda comprender mejor cómo las lluvias o las temperaturas afectan a la misma. Esto le permitirá tomar decisiones informadas que optimicen su producción. Por supuesto, para un análisis más detallado y específico, estoy preparado para desarrollarlo, adaptándolo al tipo de cultivo y actualizándolo según sea necesario.
Si lo encuentras interesante, comparte, si no, ni se te ocurra;-)
Alberto C. Geógrafo, GIS Analyst, curioso, inquieto pero esperanzado ante un mundo cambiante.
A veces, las ideas más útiles nacen de lo que en España llamamos una paja mental. Es decir, una reflexión aparentemente banal, improvisada, casi sin rumbo… pero que, al desarrollarse, puede acabar dando lugar a algo valioso. En inglés no hay una traducción precisa (quizá algo como mental rambling), pero el concepto es claro: no todo parte de un briefing o de una necesidad concreta. Muchas veces es la simple curiosidad la que desencadena soluciones reales. Y eso también es innovación.
Spider diagrams using cloud computation and vibe coding in GEE – Random points testing
Hace unos días, caminando por una calle concreta —no muy lejos de mi casa, la cual recorro con regularidad— me pregunté cuál era realmente la estación de metro más cercana. Tiendo a pensar que siempre es Puerta del Ángel… y en realidad, lo es. Pero aún así, quise comprobarlo quantitativamente, empíricamente. ¿Y si no fuera tan evidente?
Finding the nearest underground station in Madrid downtown
Así arrancó mi pequeña “paja mental”: un análisis sencillo, basado únicamente en distancia en línea recta —sí, sin tener en cuenta la red de calles, que puede alterar mucho la percepción en ciudades como Madrid. Pero aun con esas limitaciones, decidí seguir.
Después decidí ampliar el experimento y llevarlo a una vía mucho más representativa y compleja: el Paseo de la Castellana. Aquí, a diferencia del caso anterior, las estaciones de metro no sólo están más próximas entre sí, sino que muchas pertenecen a la misma línea, lo que elimina la necesidad de realizar transbordos o desplazarse lateralmente por calles secundarias. Esto cambia por completo el enfoque del análisis.
¿Por qué? Porque aquí ya no se trata solo de saber cuál es la estación más cercana, sino cuál tiene mejor conectividad dentro de una misma línea, cuál permite una entrada/salida más eficiente, y cómo eso se distribuye a lo largo de todo el eje urbano. En una arteria como el Paseo de la Castellana —donde se mezclan oficinas, comercios, organisimos oficiales, centros de salud o zonas residenciales— esto permite analizar no solo accesibilidad, sino flujo potencial, saturación probable y distribución óptima de paradas.
Spider diagrams using cloud computation and vibe coding in GEE – Random points testing
Este tipo de análisis tiene aplicaciones muy concretas:
Planificación de nuevas estaciones o accesos: ver dónde la cobertura efectiva deja “zonas ciegas”.
Optimización de rutas peatonales: por ejemplo, priorizando aceras y pasos de peatones donde más flujo a estaciones se detecte.
Modelado de tiempos de acceso realistas: integrando red de calles, elevación, cruces semafóricos o barreras físicas.
Evaluación de equidad espacial: al comparar zonas con múltiples paradas bien conectadas frente a otras con acceso más difícil o indirecto.
Simulación de movilidad en emergencias o grandes eventos, para anticipar zonas de sobrecarga o rutas de evacuación eficaces.
Lo que empezó siendo una curiosidad sobre mi barrio se ha convertido en una aproximación simplificada pero útil (pienso) a cómo usamos y percibimos la red de transporte en entornos urbanos complejos. Y todo eso, a partir de una paja mental bien llevada.
En este tutorial se explica cómo crear un efecto visual dinámico en QGIS que simula una «araña» (ragnetto) que conecta automáticamente los 8 puntos más cercanos al cursor del mouse. Esta funcionalidad permite visualizar relaciones espaciales de forma interactiva y resulta especialmente útil para análisis de proximidad.
Respecto a la visualización del diagrama, he de agradecer a Franz (franzpc), el propietario de acolita.com y ArcGEEK por su espectacular tutorial, exactamente lo que estaba buscando, una mezcla de código y visualización! Gracias Franz!!!!
La gestión y monitorización de fenómenos hidrológicos extremos, como inundaciones repentinas o fallos estructurales en presas, representan un desafío crítico para los especialistas en geomática, hidrología y planificación territorial. En este contexto, la tecnología radar de apertura sintética (SAR) a bordo del satélite Sentinel-1 de la Agencia Espacial Europea (ESA) ofrece una capacidad sin precedentes para capturar información precisa y fiable sobre la dinámica superficial, independientemente de las condiciones atmosféricas y lumínicas.
Sentinel-1 opera enviando pulsos de microondas hacia la superficie terrestre y midiendo la señal reflejada, lo que permite superar las limitaciones típicas de los sensores ópticos que dependen de la luz visible y se ven afectados por nubosidad o ausencia de luz diurna. Esta independencia de las condiciones meteorológicas y de iluminación convierte a Sentinel-1 en una herramienta indispensable para la observación continua y en tiempo casi real de eventos catastróficos, especialmente en regiones donde las condiciones atmosféricas adversas son frecuentes.
El caso del colapso de presas en Derna, Libia, ocurrido en septiembre de 2023, es paradigmático para ilustrar las capacidades de Sentinel-1 en la detección y seguimiento de inundaciones masivas. Antes del evento, las imágenes radar adquiridas muestran una reflectividad característica del terreno seco y vegetado. Tras el colapso, la superficie inundada se manifiesta como áreas de baja reflectividad radar debido a la presencia de agua, que actúa como un reflector especular, causando un fuerte debilitamiento de la señal recibida. Este contraste en la intensidad radar permite una delineación precisa de las zonas afectadas.
El análisis temporal de imágenes Sentinel-1, mediante técnicas que incluyen la generación de mapas de diferencia logarítmica de intensidad (en decibelios), posibilita la identificación de cambios significativos en la superficie, facilitando la distinción entre áreas inundadas y no inundadas. Estas técnicas son especialmente valiosas cuando se emplean imágenes adquiridas en modos coherentes y con polarizaciones adecuadas, siendo la polarización VV (vertical transmitido, vertical recibido) comúnmente utilizada para capturar la variabilidad de la rugosidad superficial y contenido dieléctrico.
Disaster assessment using Cloud computation analysis in GEE over Lybia
Más allá de la detección inmediata, Sentinel-1 permite la monitorización de la evolución post-evento, lo que es fundamental para la gestión de emergencias y la planificación de la recuperación. Las series temporales de imágenes permiten evaluar la retirada progresiva del agua, la estabilización del terreno y la posible identificación de riesgos secundarios, como deslizamientos inducidos por saturación de suelos. La capacidad de generar mapas actualizados con alta frecuencia es una ventaja crítica que supera ampliamente a otras fuentes de datos.
Flooding Lybia 2023
Técnicamente, el procesamiento de datos Sentinel-1 para análisis de inundaciones incluye pasos como la calibración radiométrica, corrección geométrica, reducción del ruido speckle mediante técnicas de filtrado espacial o temporal, y la aplicación de umbrales o algoritmos de segmentación para generar máscaras binarias de agua/no agua. Estas máscaras pueden ser combinadas con modelos digitales del terreno (DEM) y datos de uso del suelo para mejorar la precisión y contextualizar la información. La integración con sistemas GIS permite generar productos cartográficos que apoyan la toma de decisiones en tiempo real.
Disaster assessment using Cloud computation analysis in GEE over Lybia
Disaster assessment using Cloud computation analysis in GEE over Lybia – Global Mapper 26.0 GIS evaluation
Un poco de historia de las Inundaciones en Libia esos días
El desastre se desencadenó la noche del 10 al 11 de septiembre de 2023, bajo el impacto de la poderosa “Medicane” (ciclón mediterráneo) Storm Daniel, que descargó precipitaciones extraordinarias en la región. En 24 horas, Derna registró hasta cerca de 400 mm de lluvia, un volumen asombroso considerando que su precipitación media anual apenas ronda los 300 mm.
Flooding Lybia 2023
Estas lluvias torrenciales colapsaron dos presas clave en el cauce del Wadi Derna—la presa Derna (Belad) y la presa Abu Mansour—con una capacidad combinada cercana a los 30 millones de m³. La ruptura de ambas estructuras liberó una ola de agua de hasta 7 m de altura, que arrastró todo a su paso por casi 12 km desde las zonas montañosas hasta el mar Mediterráneo.
La magnitud del impacto fue devastadora. Se estima que causó entre 5.923 y 20.000 muertes, con al menos 8‑10 000 personas desaparecidas, y dejó más de 30 000 desplazadosen.wikipedia.org+1en.wikipedia.org+1. Decenas de barrios completos desaparecieron, al igual que 4 puentes, y grandes secciones urbanas fueron barridas hacia el mar france24.com+2apnews.com+2es.wikipedia.org+2. La ciudad sufrió graves daños en su infraestructura crítica: hospitales inoperativos, morgues saturadas, destrucción masiva de edificios—más de 400 estructuras anegadas en lodo y escombros .
La escasez de mantenimiento en las presas—sin obras significativas desde 2002—y la falta de sistemas de alerta adecuados fueron factores determinantes. Aunque el servicio de meteorología libio emitió advertencias 72 horas antes, las instrucciones oficiales fueron confusas: se impuso toque de queda mientras se daban mensajes contradictorios sobre la evacuación. Esto atrapó a la población en zonas de riesgo justo cuando las presas fallaron hrw.org.
El colapso de las presas no solo generó muerte instantánea. En los días subsiguientes, se temió un brote de enfermedades renales y gastrointestinales debido a la contaminación del agua; más de 150 casos de diarrea infantil fueron reportados en Derna reuters.com+8apnews.com+8en.wikipedia.org+8. Pero debido al colapso de infraestructura sanitaria, el acceso al agua potable estaba interrumpido.
Esta tragedia fue catalogada como “el segundo fallido de presa más mortal de la historia”, solo detrás del caso de Banqiao en China (1975) en.wikipedia.org+1nrc.no+1. Además, han surgido procesos judiciales: en julio de 2024, el tribunal de Tobruk condenó a 12 responsables (hasta 27 años de prisión) por negligencia criminal reuters.com+1bbc.com+1.
El caso de Kirissah (a veces escrito Kirrissah), que se identifica con el Wadi Derna, sufrió un efecto similar: se formaron gigantescos depósitos de escombros, calles enteras quedaron enterradas y miles de personas fueron desplazadas o muertas arrastradas por el agua.
En resumen, el desastre de Derna supuso una conjunción letal de fuerte evento climático (Storm Daniel), infraestructura crítica en estado de abandono y falta de gestión de emergencia.
Sentinel‑1, mediante su capacidad para mostrar pérdidas intensas de energía radar (áreas oscuras = agua), permitió caracterizar espacialmente las zonas anegadas, lo que resulta clave para entender, mapear y gestionar tanto la emergencia inmediata como la reconstrucción posterior.
El Radar SAR del Sentinel-1 permitió caracterizar espacialmente las zonas anegadas
La bibliografía técnica destaca la importancia de Sentinel-1 como sensor radar para aplicaciones hidrológicas. Según el informe de la ESA sobre Sentinel-1 (ESA, 2023), la misión proporciona una cobertura global con revisit times de 6 a 12 días, resolución espacial de hasta 5×20 metros y disponibilidad gratuita de datos, lo que la convierte en una fuente accesible y fiable para la comunidad científica y agencias de gestión de riesgos. Investigaciones recientes han demostrado que la combinación de datos Sentinel-1 con algoritmos avanzados de detección y aprendizaje automático incrementa significativamente la capacidad para identificar y delimitar eventos de inundación con alta precisión (Smith et al., 2022; Zhang y Li, 2023).
En conclusión, Sentinel-1 representa un recurso estratégico para la observación y análisis de inundaciones y otros fenómenos naturales que alteran la superficie terrestre. El caso de Derna ejemplifica cómo esta tecnología puede proporcionar información esencial para responder ante desastres, evaluar daños y planificar acciones de mitigación y recuperación. La disponibilidad continua de datos y la evolución de técnicas de procesamiento posicionan a Sentinel-1 como una piedra angular en el arsenal de herramientas para la gestión de riesgos ambientales en el siglo XXI.
Espero que el post te haya resultado interesante, recuerda que la metodología para analizar cuantitativamente un evento de estas características (lluvias con alta intensidad horaria y rotura de una presa de grandes dimensiones) usando métodos de cloud computation permite adaptabilidad, escalabilidad, coherencia, precisión. Este análisis que acabas de leer, no es único y puede ser combinable con otros análisis que tienen en cuenta otros factores como mencionados anteriormente (la duración de los eventos, su cobertura espacial, la forma del terreno local, las variaciones estacionales y anomalías climáticas. Todo ello con datos abiertos, consistentes y reproducibles.)
Alberto C. Geographer, Senior GIS analyst, curious person and Open Data (not only) lover
Smith, J., et al. (2022). Advances in flood mapping using Sentinel-1 SAR data and machine learning. Remote Sensing of Environment, 280, 113156.
Zhang, H., & Li, X. (2023). Integration of Sentinel-1 SAR and optical data for improved flood monitoring. International Journal of Applied Earth Observation and Geoinformation, 125, 103035.
Gracias a datos satelitales de alta calidad y herramientas de análisis geoespacial en la nube, es posible generar de forma ágil mapas de peligrosidad climática con respaldo científico y cobertura global. Un primer ejemplo de ello es el análisis de la frecuencia de lluvias extremas realizado para Sri Lanka en el periodo 2001–2023.
El mapa ha sido elaborado utilizando la base de datos CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data), un producto mixto satélite–estaciones que proporciona estimaciones de precipitación diaria desde 1981, con resolución espacial de aproximadamente 5 km. CHIRPS ha sido desarrollado por la Universidad de California en Santa Barbara y es una fuente de referencia en estudios de cambio climático, seguridad alimentaria y gestión de desastres.
Cloud computation analysis using GEE over Sri Lanka 2001-2023
En este caso, se ha calculado el número total de días con precipitaciones superiores a 50 mm durante más de dos décadas, generando una capa raster que refleja la recurrencia de eventos intensos a escala nacional. Este tipo de modelado permite identificar con claridad zonas más expuestas, lo cual es clave para análisis de riesgo climático, definición de primas diferenciales, evaluación de carteras o diseño de infraestructuras resilientes.
Inundaciones recientes en Colombo, Sri Lanka
Este tipo de información geoespacial, de origen fiable, actualizado y reproducible, puede ser de gran utilidad para entidades aseguradoras interesadas en mejorar su modelado de riesgos climáticos, optimizar sus procesos de tarificación o diseñar productos adaptados a exposiciones geográficas específicas.
Además, este enfoque puede escalarse para incorporar otros factores relevantes: la duración de los eventos extremos, su cobertura espacial, la forma del terreno local (que condiciona la escorrentía y la acumulación) o incluso variaciones estacionales y anomalías climáticas (como los efectos de El Niño o La Niña). Todo ello con datos abiertos, consistentes y reproducibles.
El valor no solo está en el mapa final, sino en la capacidad de generarlo de manera rápida, automatizable y fundamentada, con total trazabilidad en la metodología.
El valor no solo está en el mapa final, sino en la capacidad de generarlo de manera rápida, automatizable y fundamentada, con total trazabilidad en la metodología. He generado este código en Google Earth Engine y evaluado resultados con Global Mapper 26.0.
Usando software GIS para evaluar con precision (Global Mapper 26.1)
En un segundo caso, realizamos el análisis para un país (mucho) más grande, Venezuela. Para este análisis he usado otra fuente (ECMWF/ERA5/DAILY)
Lluvias intensas en Venezuela y su análisis de peligrosidad.
ERA5 es la última generación de reanálisis climático global desarrollado por el Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF), dentro del programa Copernicus Climate Change Service (C3S). Se trata de un producto que combina observaciones y modelos numéricos para estimar variables atmosféricas, terrestres y oceánicas con alta resolución espacial y temporal.
El dataset ERA5 DAILY disponible en Google Earth Engine representa un subconjunto temporal diario de las variables meteorológicas del reanálisis ERA5. Cada imagen contiene variables agregadas o medias diarias derivadas del dataset ERA5 original, que tiene una resolución temporal de 1 hora.
En particular, la variable usada en tu caso es total_precipitation, que representa la precipitación acumulada total en el día, en metros (m), por ejemplo, 0.01 m = 10 mm.
Resolución espacial: Aproximadamente 0.25° × 0.25° (unos 28 km de lado); Resolución temporal: Diaria, cada imagen corresponde a un día calendario (UTC); Cobertura temporal: Desde 1979 hasta el presente (actualizada continuamente). ERA5 es generado mediante la asimilación de múltiples fuentes de datos, incluidos satélites, estaciones terrestres, boyas oceánicas, radiosondas y otros. Se utiliza un modelo climático numérico avanzado para producir un análisis global coherente. La calidad es muy alta, siendo uno de los reanálisis más usados para climatología y meteorología. La variable total_precipitation es acumulativa diaria y puede incluir precipitación líquida y sólida (nieve), según el modelo y condiciones.
La potencia de este código es poder añadir un país entero simplemente cambiando una palabra en el código, permitiendo una escalabilidad y harmonización directa.
Como se puede apreciar en un software GIS cualquiera (Global Mapper 26.0)
Colombia, Ecuador y Venezuela añadidos modificando levemente el código
En resumen, la metodología para analizar cuantitativamente la peligrosidad de un evento (lluvias con alta intensidad horaria) usando métodos de cloud computation permite adaptabilidad, escalabilidad, coherencia, precisión. Este análisis no es único y puede ser combinable con otros análisis que tienen en cuenta otros factores como mencionados anteriormente (la duración de los eventos, su cobertura espacial, la forma del terreno local, las variaciones estacionales y anomalías climáticas. Todo ello con datos abiertos, consistentes y reproducibles.)
Peligrosidad de acuerdo a las pendientes usando SRTM como fuente del DTM. Sri Lanka.GEE Interface and attribute table (including “peligrosidad” figures) to be exported as CSV
While initially puzzling, the abnormally high values observed in early winter via the Ulyssys Water Quality Viewer (UWQV), based on Sentinel-2 surface reflectance, seemed at first glance to result from remote sensing artifacts. During winter months, low solar elevation typically introduces radiometric distortions — notably increased atmospheric path radiance and longer photon path lengths — which can bias water quality retrievals, particularly in optically dark or complex inland waters. These effects are often compounded by known limitations in atmospheric correction algorithms under low-illumination conditions, especially when residual aerosol loading, adjacency effects from snow-covered surroundings, or sub-pixel ice contamination are present. Furthermore, the empirical models embedded in UWQV are generally not seasonally calibrated, and may overreact to slight shifts in reflectance ratios driven by non-biological phenomena.
Just got back from the spot and happened to “suffer” this turbidity myself
Summarizing, potential issues we need to first approach:
A Atmospheric Correction Limitations
1 In winter, low sun angles, higher aerosol loads, and thin cirrus contamination challenge atmospheric correction algorithms. 2 Water bodies have very low reflectance compared to land, so any residual atmospheric effects disproportionately affect them. And 3, In turbid or eutrophic systems, bottom reflection and adjacency effects can also contaminate the signal.
B Optical Properties and Solar Zenith Angle
During winter months, especially at mid to high latitudes, the solar zenith angle increases significantly (i.e., the sun is lower in the sky). This results in:
1 Reduced surface irradiance, altering the light–water interaction and increasing the path length through the atmosphere. 2, greater Rayleigh scattering and atmospheric path radiance, especially in blue bands (e.g., B2, B3), which are critical for water quality algorithms. And 3, altered reflectance ratios, which can skew bio-optical models that estimate turbidity, chlorophyll-a, and CDOM.
However, in light of recent meteorological conditions in the study area — specifically the occurrence of exceptionally heavy rainfall events in the La Safor region of Valencia — a more grounded explanation emerges, rooted in hydrological and sediment dynamics rather than in sensor or algorithmic artifacts.
Oliva-Dénia seasides
Intense precipitation, particularly when sustained over short temporal windows, can trigger substantial runoff from surrounding basins into coastal or inland water bodies. In Mediterranean regions such as La Safor, where orographic effects and land cover can exacerbate surface flow, such events are well known to introduce significant loads of suspended sediments, organic debris, and colored dissolved organic matter (CDOM) into aquatic systems. These inputs alter the optical properties of the water column by enhancing backscatter and absorption, particularly in the red and blue spectral ranges. Consequently, satellite-derived turbidity proxies — many of which rely on ratios involving Bands 3 (green) and 4 (red) or Bands 2 and 3 — respond sensitively to these shifts, yielding elevated values that genuinely reflect post-rainfall sediment plumes rather than sensor-induced noise.
UWQV Viewer
In this specific case, the surge in water quality parameter estimates at the onset of winter is best understood as a physical signal of increased particulate and dissolved matter loadings following hydrometeorological disturbances, rather than a byproduct of atmospheric correction errors or low sun angle artifacts. This reinforces the importance of integrating auxiliary datasets — such as precipitation records, river discharge measurements, and land use change dynamics — when interpreting satellite-derived water quality metrics, especially in regions with episodic climatic regimes.
Ultimately, while radiometric caution is always advisable during winter acquisitions, attributing anomalies solely to algorithmic noise without considering watershed-level processes may obscure genuine environmental dynamics. The intersection of optical remote sensing with event-driven hydrology highlights the power and also the interpretative challenge of Earth Observation in complex freshwater and transitional environments.
classic nearshore sediment discharge in high resolution: turbid, light‑colored water extending offshore as runoff-laden plumes visible in greenish to milky hues
The process unfolds as follows:
High rainfall triggers overland flow and stream discharge, carrying sediments, organic detritus, and CDOM into receiving water bodies.
Increased turbidity alters water-leaving reflectance (R_rs)—particularly in visible bands—leading to elevated backscatter.
Satellite indices sensitive to TSM (Total Suspended Matter), such as green/red ratio or absolute reflectance thresholds, then detect plumes as bright anomalies offshore.
These reflectance shifts are not artifacts but a genuine optical signature of sediment dispersal following hydro-meteorological events.
On August 14th, 2014, I unknowingly took the first step of a long ascent. Nearly eleven years later, sharply 1089 runs later, I’ve reached an elevation gain of 84,448 metres — almost ten Everests. This isn’t the story of a single mountain climbed, but of a slow, deliberate series of efforts, some before dawn, raining cats and dogs, snowing, escaping from dogs, freezing like hell, others after long days, all contributing to a quiet accumulation of altitude and, more importantly, confidence.
There’s something deeply human in measuring oneself against a slope. Whether it’s a real hill rising before you or the invisible gradient of self-doubt, the act of confronting resistance fosters resilience. Every elevation gain represents a decision not to stop — not when it rains, not when the calendar fills up, not even when no one is watching.
Challenges like these are rarely about numbers, yet numbers have a way of revealing truth. Ten Everests may sound dramatic, but they happened in moments: early morning runs through Madrid’s suburbs, lonely stretches of cold in Lima, or during any of my three marathons where the finish line only existed because I placed it there. These moments — captured now and then on a map, or distilled into a few lines after a race — form the hidden terrain of a journey that reshaped more than my legs.
Because the real elevation gained isn’t physical. It’s psychological. Moving through space builds a sense of orientation in time, in self. Every route repeated reinforces commitment. Every route improvised nurtures adaptability. Over time, you grow not just fitter, but more grounded. More reliable. And in a world that prizes acceleration and volume, there is quiet value in endurance and consistency.
This isn’t a victory lap. It’s a pause on the trail to acknowledge that the climb, however unremarkable day to day, has meaning. That there’s strength in persistence. And that there are still more peaks to come — even if none of them need to be named.
Between June 21 and September 21, 2024, I analyzed the surface temperatures of all 2,123 registered playgrounds in Madrid using Landsat 8/9 imagery (Level-2 Surface Temperature products). This investigation, an extension of my previous reflection on urban heat and environmental justice in Geovisualization.net (May 2025), highlights how thermal exposure is patterned by geography, planning legacies, and demographic vulnerability in the Spanish capital.
Cloud based computation in Google Earth Engine. Use the code I have provided and test it LIVE!
Out of Madrid’s 131 officially recognized neighborhoods, four—Argüelles, Recoletos, Ibiza, and Sol—had no public playgrounds at all. While these central areas are often associated with wealth and touristic activity, their lack of dedicated children’s public spaces points to a subtler form of spatial exclusion: not through excess heat, but through the absence of accessible, age-inclusive infrastructure.
Typical playground in Madrid downtown
In contrast, peripheral neighborhoods such as Ensanche de Vallecas and Villaverde not only host a large number of playgrounds (41 and 26 respectively), but also recorded some of the highest mean surface temperatures in our entire dataset—exceeding 45 °C in many cases, with peaks around 46.2 °C.
Neighborhood
Avg Temp (°C)
# Playgrounds
Ensanche de Vallecas
46.19
41
Casco Histórico de Vallecas
45.10
28
Villaverde Alto
45.09
26
Casco Histórico de Barajas
44.98
5
Butarque
44.68
12
What emerges clearly is a strong south-to-north thermal gradient. Neighborhoods located in the southern and southeastern sectors of the city systematically registered higher average temperatures across their playgrounds. These areas tend to combine dense building fabrics, limited canopy coverage, sparse urban forest infrastructure, and higher concentrations of impermeable surfaces such as asphalt and concrete. Unsurprisingly, they also overlap with the most socioeconomically disadvantaged parts of Madrid. Many of the hottest zones—including Casco Histórico de Vallecas, Butarque, Orcasur, and Villaverde Alto—align with broader patterns of structural neglect, where historical underinvestment in green infrastructure amplifies the risks of climate exposure.
Download the KMZ and take a look at those temperatures by yourself
This heat disparity becomes even more urgent when considered alongside demographic data. According to recent figures (2024), districts like Villa de Vallecas, Vicálvaro, Barajas, and Fuencarral–El Pardo have the highest proportions of residents under 15 years of age. The convergence between these child-dense districts and high surface temperature values is particularly striking in Ensanche de Vallecas and Casco Histórico de Vallecas, where children are not only more numerous, but also more thermally exposed during the peak summer months. It is in these areas—where vulnerability accumulates across age, income, and environment—that thermal injustice becomes most acute.
South Madrid is hot, I can tell…
In the opposite side, playgrounds in the northern and northwestern parts of the city consistently recorded significantly lower surface temperatures. Areas such as Ciudad Universitaria (39.5 °C), El Viso (40.2 °C), Nueva España (40.6 °C), and Valdemarín (41.7 °C) benefit from a combination of urban tree cover, proximity to institutional campuses or forested parkland, and lower built density. The result is a materially cooler outdoor environment for children. In these districts, playgrounds function as thermally moderated, socially accessible urban commons—something far from guaranteed in their southern counterparts.
Madrid overview using Google Earth. Download the KMZ, choose your closest playground and check those temperatures by yourself!!
The spatial and thermal patterns uncovered in this analysis underscore that playgrounds are not thermally neutral spaces. Instead, they mirror—and in many cases, magnify—the uneven geographies of climate resilience in Madrid. In the southern periphery, children are more likely to play in unshaded, heat-intensified environments that fail to provide basic thermal comfort during extreme summer conditions. In the north, cooler playgrounds are often embedded in greener, better-resourced neighborhoods where environmental quality is not an exception but an urban standard.
South of Madrid is hotter, I can tell
The first twenty barrios
From a policy perspective, these findings call for targeted interventions. Thermal adaptation must prioritize those neighborhoods where elevated temperatures and high child populations intersect. This means retrofitting playgrounds in places like Ensanche de Vallecas, Villaverde, and Puente de Vallecas with shading structures, permeable surfaces, and strategically planted vegetation. At the same time, the absence of playgrounds in central neighborhoods like Argüelles or Recoletos should not be overlooked. Reclaiming even small parcels of urban space for child-friendly, thermally conscious design could contribute meaningfully to both social and microclimatic equity.
The last twenty barrios
Madrid’s playgrounds are not only sites of recreation—they are thermometers of environmental justice. In a warming climate, who plays where, and at what temperature, is a question that speaks directly to the ethics of urban planning.
As a geographer working with Geographic Information Systems (GIS), I am particularly interested in exploring urban delineation methods that move beyond the constraints of administrative boundaries. Instead of relying on official municipal limits—which can often be outdated or misaligned with functional realities on the ground—I focus on delineating urban areas based on physical indicators such as built-up surface, population density, and spatial continuity. This approach allows for a more accurate and dynamic understanding of urban space.
Urban tuning. ¿What area is more Urban and why?. Case study over Tajikistan
One of the key advantages of this method is its adaptability. By combining high-resolution built-up surface data (i.e., GHSL) with recent population datasets (i.e., WorldPop or census microdata), we can define urban extents that are responsive to real-world conditions. Furthermore, the inclusion of additional variables—such as land use intensity, night-time lights, or accessibility metrics—makes it possible to tailor the definition of “urban” to specific research questions or policy needs.
Urban tuning. ¿What area is more Urban and why?. Case study over Tajikistan
// Filling small holes inside urban delimitation
var urbanClean = urbanMask
.focal_mode(9, 'square', 'pixels')
.focal_max(9, 'square', 'pixels');
All spatial processing and analysis have been conducted using Google Earth Engine (GEE), which offers a powerful cloud-based platform for geospatial analysis at scale. GEE enabled the seamless integration of multi-source datasets, temporal filtering, and the application of spatial operators for morphological transformations, such as focal operations to fill small gaps between built-up patches. This helped to consolidate fragmented urban geometries and ensure spatial continuity, particularly in rapidly expanding or sprawling urban areas.
// Applying urban threshold (i.e, values > 90 are considered urban)
var urbanMask = built.gt(90);
Map.addLayer(urbanMask.updateMask(urbanMask), {palette: ['red']}, 'Binary Urban Zones');
Google Earth Engine
This kind of urban delineation has a wide range of potential applications. One immediate use case is to estimate the population covered by a given technology—such as 4G or 5G mobile networks—by overlaying coverage maps with these data-driven urban extents. However, the implications go far beyond telecoms. The method can support infrastructure planning, health service accessibility analysis, risk exposure assessments, and urban resilience studies.
In particular, using these refined urban boundaries allows us to model service delivery or environmental exposure more precisely than would be possible using administrative units alone. For example, in the context of climate adaptation, being able to identify the true spatial footprint of an urban area is critical for assessing urban heat island effects or planning green infrastructure interventions.
Ultimately, this approach contributes to a more flexible and analytically powerful framework for understanding urban dynamics—one that reflects the lived reality of urbanization rather than the often arbitrary lines drawn on a map.
I have performed all tests using Global Mapper 26.0, Google Earth Pro.
In recent years, the need to understand the urban environment has grown more urgent than ever. Climate change is not an abstract future scenario; it is already here, reshaping our cities day by day. Among the many phenomena that demand our attention, the Urban Heat Island (UHI) effect stands out—not only for its environmental and public health impacts but also for its socio-political implications. Through satellite imagery and remote sensing, we can now visualize and quantify these dynamics with increasing precision. This post reflects on such an analysis I conducted using LANDSAT 8 imagery (Scene ID: LC08_L2SP_201032_20250328_20250401_02_T1, Date Acquired: 2025/03/28), and discusses the findings in the broader context of urban planning, climate justice, and the urgent need to protect urban vegetation.
Urban Heat Description. The more the buildings, the worse… Source: geoai.au
The cost of development: asphalt over trees Too often, urban development favors concrete and asphalt over natural surfaces. In many cities, especially in rapidly gentrifying neighborhoods, entire rows of mature trees are being cut down—not because they are sick or pose a danger, but simply to make room for more parking spaces, wider roads, or new apartment blocks. Trees, which take decades to grow and seconds to cut, are treated as obstacles to progress. Yet their value, both ecological and social, is immense.
istockphoto.com/ tag: urban heat
Satellite-based land surface temperature analysis reveals a clear, consistent pattern: densely vegetated areas within cities are significantly cooler than adjacent treeless zones, sometimes by 15 to 20 degrees Celsius. In my analysis of LANDSAT 8 thermal infrared bands over a metropolitan area in late March 2025, I identified strong correlations between canopy coverage and lower surface temperatures. Tree-lined streets, small urban parks, and green roofs stood out as cool “islands” amid seas of radiant heat.
Heat inequality: who pays the price? Urban heat is not evenly distributed, and neither are its consequences. Vulnerable populations—often those with the least political power—live in the hottest neighborhoods. These same areas are usually where green infrastructure is most lacking. As climate change increases the frequency and intensity of heatwaves, this inequality translates into direct threats to human health, particularly for the elderly, children, and those with pre-existing medical conditions.
At the same time, the race for gentrification leaves little room for ecological nuance. “Development” is still measured in square meters built, not in degrees Celsius reduced. Urban trees are not just amenities; they are critical infrastructure that provide shade, store carbon, reduce air pollution, mitigate flood risk, and promote mental well-being. Yet, they are among the first victims of neoliberal urban planning.
Vegetation as climate adaptation infrastructure The evidence is overwhelming. Urban forests and tree cover reduce surface and air temperatures through shading and evapotranspiration. In many of the urban cores I analyzed, areas with 40% canopy coverage had average temperatures 7°C lower than nearby impervious surfaces exposed to full sunlight. This isn’t just about comfort—it’s about survival in a warming world.
El Retiro Park and Surroundings. Average 10 degrees of difference and it’s only April!
But it’s not enough to plant saplings and walk away. Urban vegetation needs to be protected, maintained, and expanded strategically. We must prioritize native species, ensure access to water, and embed green corridors into urban design from the beginning—not as an afterthought.
Something Tunisians know very well. Trees in Avenue Habib Bourguiba in Tunis downtown, June 2024
The other side of the coin: artificial coolness Interestingly, my LANDSAT 8 analysis also highlighted the inverse phenomenon—areas that appear cooler than expected due to artificial temperature manipulation, such as zones with massive HVAC systems. A striking example was the terminal of a major airport: its large roof surface, usually expected to be a heat emitter, registered abnormally low temperatures. Further inspection suggests this is due to industrial-scale air conditioning systems that exhaust cold air onto the surrounding rooftops.
Artificial Temperature Manipulation (Barajas Airport Terminals)Same airport in August 2024. Heat outside (+50ºC) but very cool inside the terminal
These artificially cooled zones can distort temperature maps and create a false sense of environmental performance. While they offer localized relief, they do so at a high energy cost and often transfer heat elsewhere, contributing to overall warming. It’s a reminder that true climate resilience cannot be bought with electricity alone—it must be grown.
The world-wide famous Cobo-Calleja “poligono”. Nor a single tree in a ultra urban/industrial environment: HEAT big time!
Decoding Land Surface Temperature with Landsat 8: The Role of MTL Metadata Parameters To carry out this analysis, as I said, I used LANDSAT 8 Level 2 Surface Reflectance data, specifically the scene LC08_L2SP_201032_20250328_20250401_02_T1, acquired on March 28, 2025. This product includes surface reflectance, thermal bands, and preprocessed atmospheric corrections, making it well-suited for urban temperature analysis.
Using R Studio to decode Satellite Imagery
Of particular importance for this study is the thermal band 10 (ST_B10), which is used to estimate Land Surface Temperature (LST). However, the values provided in the ST_B10.TIF file are not in degrees Celsius or Kelvin by default, but in scaled digital numbers (DNs). To convert these DNs to actual surface temperature values in Kelvin, two critical scaling parameters must be extracted from the accompanying metadata file (LC08_L2SP_201032_20250328_20250401_02_T1_MTL.txt).
In that file under the LEVEL2_SURFACE_TEMPERATURE_PARAMETERS group, we find the following:
These constants are unique to each scene and ensure physical consistency in temperature retrieval. They are derived by USGS based on instrument calibration and radiometric normalization processes specific to the acquisition date and sensor conditions.
Including this calculation step in the code is not optional—it is essential. Without applying temp_mult and temp_add, the raw digital numbers would be meaningless from a physical or environmental interpretation standpoint. They would not correspond to any known temperature scale and would render the thermal analysis scientifically invalid.
The procedure (1) Single (one day) approach. This is the code for R Studio I extracted from TAMYGEO’s video and adapted to my needs over Madrid, first thing using ChatGPT for extracting text from a video capture, second thing, once I had verified proper installation of R Studio, installing terra package (one of the Spatial Data Analysis in R):
(2) Once I had my output TIFF, I used ARGIS pro for correct symbolization and classification. (3) Also used ChatGPT for final retouching of the post.
The further away from the city, the cooler the temperature
GEE output interface
(4) Monthly approach. Finally, I updated the same map but instead of one image, the average measurement of a month (July 2024). For this purpose I used GOOGLE EARTH ENGINE. I herewith add the link to recreate the analysis right away: https://code.earthengine.google.com/8f016b3d63dff47dfe0adc2bf4eba1ee
Google Earth Engine InterfaceArcGIS visualization and classification – A wider view over Madrid
Why is better a monthly approach? Reduced Impact of Temporal Fluctuations: Daily temperature data can be highly variable due to short-term weather conditions (e.g., clouds, wind, humidity). A monthly composite provides a more stable and representative view of the underlying thermal patterns.
More Consistent Data: Daily data can be sparse or inconsistent, especially in the presence of cloud cover or atmospheric conditions that may affect the satellite imagery. A monthly average reduces this inconsistency by using multiple images.
Smoothing of Extremes: Monthly averages smooth out extreme temperature events that might be caused by outliers such as unusual heatwaves or cold fronts. This gives a clearer picture of the typical urban heat island effect.
Longer-Term Trends: A monthly composite provides a better sense of long-term patterns, helping to understand the overall trends of Urban Heat Island (UHI) effects, which can be missed in a daily analysis.
Better Spatial Representation: Monthly composites are less affected by cloud cover or atmospheric interference, ensuring that areas which might be missed in individual daily images are considered in the final analysis.
More Effective for Urban Planning: For urban heat analysis, a monthly approach gives urban planners and decision-makers a clearer, more stable understanding of areas impacted by heat over time, helping to design better mitigation strategies.
In areas like Retiro Park, Madrid Rio or Campo del Moro, we can clearly see how the presence of lush vegetation provides a natural buffer against high temperatures. These zones maintain cooler surface temperatures compared to adjacent urban areas. The tree canopy in these parks absorbs heat, reducing the heat island effect and providing relief to both wildlife and human populations.
ArcGIS visualization and classification – Madrid Rio
On the other hand, industrial areas and neighborhoods with little or no tree coverage, such as certain industrial estates or densely built-up residential areas, show significantly higher surface temperatures. These areas, with fewer green spaces, are more vulnerable to heat accumulation, leading to more intense UHI effects.
By incorporating a monthly (or quarterly) perspective, you can better capture these long-term thermal patterns and the benefits of vegetation in reducing urban heat, providing more actionable insights for urban planning and environmental protection (i.e urban trees’ growth throughout time).
Madrid Rio (and 500m buffer) temperatures measurement. Summer 2016-2024
Acknowledgment and final thoughts This work would not have been possible without the generous and practical knowledge shared by the Tamara Sepúlveda (TAMYGEO) YouTube channel, whose video (link) not only inspired me but also provided the R Studio code that formed the backbone of my analysis. A heartfelt thank you for making high-quality geospatial science accessible and replicable.
As geographers, ambientalists, urban dwellers, urban planners, scientists and why not, society, we have a responsibility to push back against policies that trade long-term livability for short-term profitability. Heat is not just a symptom—it is a signal. And it is screaming that we must radically rethink how we design and govern our cities. Let trees grow. Let green guide us.
I hope you find the approach interesting. Would you like me to try it in another location anywhere in the world? Just let me know!
Alberto C Geographer, GIS Analyst, and deeply concerned about human behavior
Geovisualization.net 