Guía aplicada 2026

Google Earth Engine analisis ambiental: 10 Ultimate estrategias para monitoreo de bosques en 2026

Google Earth Engine analisis ambiental es una de las rutas más rápidas para pasar de imágenes satelitales dispersas a mapas, series temporales e indicadores útiles para tomar decisiones ambientales con evidencia.

Si trabajas con bosques, degradación, incendios, sequías, cambio de uso del suelo o monitoreo territorial, esta guía te muestra un flujo práctico: mosaicos sin nubes, NDVI, NDFI, Sentinel-2, Landsat, Random Forest, matriz de confusión y Kappa.

Esta guía de Google Earth Engine analisis ambiental está optimizada para que puedas aplicarla en campo, en consultoría y en proyectos institucionales con trazabilidad.

Ver curso de monitoreo de bosques Ver curso de ecología espacial

Si buscas una metodología completa de Google Earth Engine analisis ambiental, aquí tienes un flujo aplicable desde la limpieza de imágenes hasta la validación estadística final.

Qué es Google Earth Engine y por qué es tan importante para el análisis ambiental

Google Earth Engine es una plataforma en la nube para procesar información geoespacial a gran escala. En lugar de descargar imágenes una por una, puedes acceder a colecciones satelitales completas, filtrarlas por fecha, recortarlas por área de estudio, aplicar máscaras de nubes, calcular índices espectrales y exportar resultados listos para análisis técnico.

En proyectos ambientales, el verdadero reto no es solo tener datos. El reto es convertir esos datos en una respuesta clara: ¿dónde se perdió bosque?, ¿qué zonas muestran estrés vegetal?, ¿qué áreas cambiaron después de un incendio?, ¿qué distrito presenta mayor degradación?, ¿qué zona debe priorizarse para campo?

Por eso, Google Earth Engine analisis ambiental no debe verse como una herramienta aislada, sino como una arquitectura de trabajo para monitoreo territorial moderno.

Qué vas a aprender en esta guía de Google Earth Engine analisis ambiental

Esta guía está pensada para estudiantes, biólogos, ingenieros ambientales, forestales, geógrafos, consultores, tesistas y profesionales que necesitan pasar de la teoría a un flujo aplicable.

• Cómo crear mosaicos sin nubes usando Landsat y Sentinel-2.
• Cómo calcular NDVI, NBR, SAVI, EVI, GNDVI y NDFI.
• Cómo construir series temporales para detectar cambios ecológicos.
• Cómo aplicar clasificación supervisada con Random Forest.
• Cómo validar mapas con matriz de confusión, exactitud global y Kappa.
• Cómo conectar este flujo con reportes técnicos, tesis, consultoría ambiental y monitoreo público.

Google Earth Engine analisis ambiental: flujo maestro en 10 pasos

Si quieres trabajar con orden, evita empezar directamente por el código. Primero define la decisión ambiental que quieres apoyar. Luego eliges datos, sensores, escala, periodo, indicadores y método de validación.

1. Define la decisión técnica: monitoreo de bosque, degradación, incendio, sequía, expansión agrícola o cambio de cobertura.
2. Delimita el área de estudio: distrito, cuenca, concesión, área protegida, predio o polígono de intervención.
3. Selecciona el sensor adecuado: Landsat para historia larga, Sentinel-2 para detalle y MODIS para dinámica regional.
4. Filtra por fechas: usa periodos comparables para reducir ruido estacional.
5. Elimina nubes y sombras: aplica QA_PIXEL, cloud probability o máscaras específicas.
6. Genera mosaicos robustos: mediana, percentiles o composiciones por temporada.
7. Calcula índices espectrales: NDVI, NBR, SAVI, EVI, GNDVI o NDFI según el problema.
8. Construye variables predictoras: bandas, índices, texturas, pendientes o capas auxiliares.
9. Clasifica y valida: entrena Random Forest y evalúa con matriz de confusión y Kappa.
10. Exporta resultados: mapas, tablas, estadísticas zonales y gráficos para informe técnico.

Cuándo usar Landsat, Sentinel-2 o MODIS

No existe un sensor perfecto para todos los casos. La elección depende de tu pregunta ambiental, la escala espacial, el periodo histórico y el nivel de detalle que necesitas.

Bloque 1: mosaico Landsat 9 sin nubes con QA_PIXEL

Un mosaico sin nubes es la base de muchos análisis ambientales. En Landsat Collection 2 puedes usar la banda QA_PIXEL para enmascarar nubes, sombras y nieve. Luego puedes calcular una mediana para obtener una imagen compuesta más estable.

var aoi = ee.Geometry.Polygon(areaCoords);

function maskLandsatL2(img) {
  var qa = img.select('QA_PIXEL');

  var cloud = qa.bitwiseAnd(1 << 3).neq(0);
  var shadow = qa.bitwiseAnd(1 << 4).neq(0);
  var snow = qa.bitwiseAnd(1 << 5).neq(0);

  var mask = cloud.or(shadow).or(snow).not();

  return img.updateMask(mask);
}

var landsat9 = ee.ImageCollection('LANDSAT/LC09/C02/T1_L2')
  .filterBounds(aoi)
  .filterDate('2023-01-01', '2023-12-31')
  .map(maskLandsatL2);

var mosaic = landsat9
  .median()
  .clip(aoi)
  .select(['SR_B4', 'SR_B3', 'SR_B2']);

Map.centerObject(aoi, 10);
Map.addLayer(mosaic, {min: 7000, max: 18000}, 'Landsat 9 mosaico sin nubes');

Bloque 2: mosaico Sentinel-2 con probabilidad de nubes

Sentinel-2 es ideal cuando necesitas mayor detalle espacial. Para reducir errores por nubosidad, puedes combinar la colección de reflectancia con la colección de probabilidad de nubes y filtrar píxeles por umbral.

var START_DATE = '2020-01-01';
var END_DATE = '2020-12-31';
var MAX_CLOUD_PROBABILITY = 40;

var s2Sr = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
  .filterBounds(aoi)
  .filterDate(START_DATE, END_DATE);

var s2Clouds = ee.ImageCollection('COPERNICUS/S2_CLOUD_PROBABILITY')
  .filterBounds(aoi)
  .filterDate(START_DATE, END_DATE);

var joined = ee.ImageCollection(ee.Join.saveFirst('cloud_mask').apply({
  primary: s2Sr,
  secondary: s2Clouds,
  condition: ee.Filter.equals({
    leftField: 'system:index',
    rightField: 'system:index'
  })
}));

function maskClouds(img) {
  var cloudProb = ee.Image(img.get('cloud_mask')).select('probability');
  return img.updateMask(cloudProb.lt(MAX_CLOUD_PROBABILITY));
}

var s2Clean = joined
  .map(maskClouds)
  .median()
  .clip(aoi);

Map.addLayer(s2Clean, {bands: ['B4', 'B3', 'B2'], min: 0, max: 3000}, 'Sentinel-2 limpio');

Bloque 3: NDVI para monitorear vegetación

El NDVI es uno de los índices más usados para evaluar vigor vegetal. Aunque no resuelve todo, es una excelente puerta de entrada para analizar cambios en cobertura vegetal, estrés, recuperación o pérdida de vegetación.

var ndvi = s2Clean
  .normalizedDifference(['B8', 'B4'])
  .rename('NDVI');

Map.addLayer(ndvi, {min: 0, max: 1, palette: ['brown', 'yellow', 'green']}, 'NDVI');

En un flujo profesional de Google Earth Engine analisis ambiental, el NDVI no debe analizarse como una imagen aislada. Lo más potente es convertirlo en una serie temporal para observar patrones, estacionalidad, anomalías y rupturas.

Esta práctica de Google Earth Engine analisis ambiental mejora mucho la interpretación ecológica porque separa variación temporal normal de cambios realmente críticos.

Bloque 4: serie temporal mensual de NDVI

Las series temporales son fundamentales para no confundir un cambio real con una variación estacional. Esto es especialmente importante en bosques secos, zonas agrícolas, áreas afectadas por incendios o ecosistemas con fuerte variación climática.

En este bloque se construye una serie mensual de NDVI usando imágenes Sentinel-2 previamente filtradas y enmascaradas. La idea es obtener un valor representativo por mes para analizar la dinámica de la vegetación durante el año.

// Bloque 4: Serie temporal mensual de NDVI
// Requisito: ya deben existir las variables aoi, joined y maskClouds.
// Estas vienen del bloque anterior de Sentinel-2 con probabilidad de nubes.

// 1. Aplicamos la máscara de nubes a la colección Sentinel-2
var s2Masked = joined.map(maskClouds);

// 2. Función para calcular NDVI en cada imagen
function addNDVI(img) {
  var ndvi = img.normalizedDifference(['B8', 'B4']).rename('NDVI');
  return img.addBands(ndvi);
}

// 3. Creamos una lista de meses
var months = ee.List.sequence(1, 12);

// 4. Construimos una colección mensual de NDVI
var ndviMonthly = ee.ImageCollection.fromImages(
  months.map(function(m) {
    m = ee.Number(m);

    var ini = ee.Date.fromYMD(2024, m, 1);
    var fin = ini.advance(1, 'month');

    var monthlyCollection = s2Masked
      .filterDate(ini, fin)
      .map(addNDVI)
      .select('NDVI');

    var ndviMonth = monthlyCollection
      .median()
      .clip(aoi)
      .set('month', m)
      .set('system:time_start', ini.millis())
      .set('image_count', monthlyCollection.size());

    return ndviMonth;
  })
);

// 5. Revisamos la colección mensual
print('Serie mensual de NDVI', ndviMonthly);

// 6. Visualizamos un ejemplo: NDVI del primer mes
Map.addLayer(
  ndviMonthly.first(),
  {
    min: 0,
    max: 1,
    palette: ['brown', 'yellow', 'green']
  },
  'NDVI mensual'
);

// 7. Gráfico de serie temporal mensual de NDVI promedio
var chartNDVI = ui.Chart.image.series({
  imageCollection: ndviMonthly,
  region: aoi,
  reducer: ee.Reducer.mean(),
  scale: 10,
  xProperty: 'system:time_start'
}).setOptions({
  title: 'Serie temporal mensual de NDVI',
  hAxis: {
    title: 'Mes'
  },
  vAxis: {
    title: 'NDVI promedio'
  },
  lineWidth: 2,
  pointSize: 4
});

print(chartNDVI);

Esta serie mensual permite observar si la vegetación mantiene un comportamiento estable, si presenta estacionalidad marcada o si existen meses con caídas anómalas del NDVI.

En ecología aplicada, esta lectura es importante porque una disminución del NDVI no siempre significa deforestación. También puede estar relacionada con sequía, fenología natural, nubosidad residual, incendios, cosecha agrícola o procesos de degradación.

Índices espectrales útiles para análisis ambiental

Una buena práctica es no depender de un solo índice. Cada índice responde a una parte distinta del sistema ambiental: biomasa, suelo expuesto, humedad, quemas, vegetación fotosintética o degradación.

Bloque 5: NDFI para detectar degradación forestal

Cuando el NDVI no es suficiente para detectar degradación sutil, el NDFI puede ser más sensible. Este índice se basa en fracciones espectrales como vegetación fotosintética, vegetación no fotosintética, suelo y sombra.

En términos prácticos, un NDFI alto suele asociarse con mejor condición forestal, mientras que valores más bajos pueden indicar mayor presencia de suelo expuesto, vegetación seca o degradación.

// Esquema conceptual de NDFI
// NDFI = (VF - (VNF + Suelo)) / (VF + VNF + Suelo)
//
// VF: vegetación fotosintética
// VNF: vegetación no fotosintética

var ndfi = vf.subtract(vnf.add(soil))
  .divide(vf.add(vnf).add(soil))
  .rename('NDFI');

Map.addLayer(ndfi, {min: -1, max: 1, palette: ['red', 'yellow', 'green']}, 'NDFI');

Bloque 6: clasificación supervisada con Random Forest

La clasificación supervisada permite convertir una imagen satelital en un mapa de clases: bosque, no bosque, agricultura, agua, suelo expuesto, urbano u otras categorías. Random Forest es una opción sólida para comenzar porque trabaja bien con datos ambientales complejos y múltiples variables predictoras.

1. Preparas un mosaico sin nubes.
2. Calculas bandas e índices espectrales.
3. Creas polígonos o puntos de entrenamiento.
4. Entrenas el clasificador.
5. Clasificas la imagen.
6. Validas el resultado con datos independientes.

var bands = ['B2', 'B3', 'B4', 'B8', 'NDVI', 'NBR', 'SAVI'];

var training = image.select(bands).sampleRegions({
  collection: trainPolygons,
  properties: ['class_id'],
  scale: 10
});

var rf = ee.Classifier.smileRandomForest(100).train({
  features: training,
  classProperty: 'class_id',
  inputProperties: bands
});

var classified = image.select(bands).classify(rf);

Map.addLayer(classified, {min: 1, max: 5}, 'Clasificación Random Forest');

Bloque 7: validación con matriz de confusión y Kappa

Un mapa clasificado sin validación no debería usarse como evidencia fuerte. Puede servir como exploración, pero no como resultado técnico final. Para defender un mapa en un informe, tesis o consultoría, debes reportar métricas de precisión.

• Matriz de confusión: compara clases reales versus clases predichas.
• Exactitud global: indica la proporción total de aciertos.
• Exactitud por clase: muestra qué clases están funcionando mejor o peor.
• Kappa: mide el acuerdo corrigiendo el efecto del azar.

var confusion = rf.confusionMatrix();

print('Matriz de confusión', confusion);
print('Exactitud global', confusion.accuracy());
print('Kappa', confusion.kappa());

Caso aplicado: monitoreo de deforestación y degradación

Imagina que necesitas evaluar cambios de cobertura en una zona de bosque tropical. Un flujo serio de Google Earth Engine analisis ambiental podría seguir esta ruta:

1. Delimitar el área de estudio.
2. Seleccionar imágenes Landsat o Sentinel-2 para dos periodos comparables.
3. Eliminar nubes y sombras.
4. Crear mosaicos anuales o estacionales.
5. Calcular NDVI, NBR, SAVI y NDFI.
6. Entrenar una clasificación supervisada.
7. Comparar clases entre años.
8. Calcular área de pérdida, ganancia o degradación.
9. Validar con puntos independientes.
10. Exportar mapas, tablas y gráficos para informe.

Errores frecuentes al usar Google Earth Engine para análisis ambiental

Earth Engine es potente, pero también puede producir resultados engañosos si se usa sin método. Estos son errores comunes que debes evitar.

Cómo conectar Google Earth Engine con una estrategia de Big Data Ambiental

Google Earth Engine puede ser el primer gran motor de procesamiento geoespacial. Pero si quieres avanzar hacia flujos más profesionales, puedes conectarlo con Python, BigQuery, cubos de datos, dashboards y modelos predictivos.

Por eso esta entrada forma parte del SILO de Big Data de Big Data Academy. Puedes continuar con estas guías complementarias:

• Big Data Ambiental
• Big Data en la nube para análisis ambiental
• Cubos de datos ambientales
• Datos satelitales con Python
• BigQuery para datos ambientales

Ruta recomendada para aprender Google Earth Engine analisis ambiental

Si estás empezando, no intentes aprender todo en desorden. Sigue una ruta progresiva:

1. Primero: aprende qué son los datos satelitales y cómo se organizan.
2. Segundo: domina mosaicos sin nubes y recortes por área de estudio.
3. Tercero: calcula índices espectrales como NDVI, NBR y SAVI.
4. Cuarto: construye series temporales para detectar tendencias y anomalías.
5. Quinto: aprende clasificación supervisada con Random Forest.
6. Sexto: valida tus resultados con métricas de precisión.
7. Séptimo: convierte tus mapas en informes, decisiones y productos profesionales.

Preguntas frecuentes sobre Google Earth Engine analisis ambiental

Conclusión: Google Earth Engine como ventaja profesional

Aprender Google Earth Engine analisis ambiental no es solo aprender una herramienta. Es aprender una forma moderna de trabajar con evidencia territorial: más rápida, más trazable y más escalable.

Para un profesional ambiental, esto puede marcar una diferencia enorme. Puedes pasar de análisis manuales lentos a flujos reproducibles; de mapas aislados a series temporales; de opiniones visuales a métricas; y de imágenes satelitales dispersas a decisiones ambientales defendibles.

Si tu objetivo es crecer en monitoreo ambiental, consultoría, investigación aplicada o gestión territorial, Google Earth Engine es una de las habilidades más rentables que puedes desarrollar hoy.

Fuentes técnicas recomendadas

• Documentación oficial de Google Earth Engine
• Guía oficial de Landsat en Earth Engine
• Sentinel-2 Cloud Probability en Earth Engine
• USGS Landsat Collection 2 Quality Assessment Bands
• Random Forest en Google Earth Engine