La convergencia entre el Big Data geoespacial y la administración pública ofrece una oportunidad sin precedentes para la optimización agronómica. La capacidad de procesamiento de Google Earth Engine (GEE), vinculada a la cartografía vectorial del Catastro rural, permite transformar las series temporales de misiones como Sentinel-2 en herramientas de diagnóstico directo sobre la parcela. Este enfoque desplaza el análisis de una observación puramente visual a una monitorización cuantitativa basada en la respuesta espectral de los cultivos. El núcleo de esta aplicación reside en la intersección geométrica de las parcelas catastrales con colecciones de imágenes multiespectrales. Mediante el uso de la API de JavaScript en GEE, se automatiza el cálculo de indicadores biofísicos críticos como el NDVI (Índice de Vegetación de Diferencia Normalizada), el NDWI (Índice de Agua de Diferencia Normalizada), el EVI (Índice de Vegetación Mejorado) y el SAVI (Índice de Vegetación Ajustado al Suelo). Estos índices no solo reflejan el vigor fotosintético, sino que permiten identificar anomalías de crecimiento, estrés hídrico o variaciones en la densidad foliar que son invisibles al ojo humano en las fases tempranas del ciclo fenológico.
Tag Archives: GEE
Spider diagrams in GEE and QGIS
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?
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.
Mapas de Peligrosidad Climática: Datos y Análisis para aseguradoras
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 ejemplo de ello es el análisis de la frecuencia de lluvias extremas realizado para Sri Lanka en el periodo 2001–2023.
Summer Heat Inequity in Madrid: A Playground-Based Analysis in Summer 2024
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.
Geovisualization.net 