nueva página del texto (beta)
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
Tradicionalmente, el monitoreo y delimitación de cuerpos de agua superficiales como ríos, lagos y reservorios se ha realizado a través del procesamiento de fotografías aéreas, modelos de elevación, técnicas topográficas y el uso de la morfometría clásica (Castillo, 2003; Rico et al., 1995; Tassew et al., 2021). Esta última define el contorno de los cuerpos de agua por medio de sus coordenadas cartesianas, sobre las cuales se toman una serie de medidas de dimensiones y distancias, así como combinaciones de ellas (Castillo, 2003). Aunque estas técnicas se siguen utilizando, el uso de sensores remotos es cada vez más frecuente y con ello la aparición de una serie de índices que permiten realizar descripciones más precisas y comparaciones entre sitios. La teledetección mediante sensores remotos genera información a distancia de un objeto determinado y está basado en las propiedades de la radiación electromagnética en su interacción con los materiales de la superficie terrestre (Romero, 2006).
Los sensores remotos se encuentran instalados a bordo de una plataforma, tales como satélites (por ejemplo: LANDSAT, METEOSAT y SPOT), aviones o drones. En general, registran la energía electromagnética emitida o reflejada por la superficie de un objeto; es decir, miden la reflectancia en más de 200 bandas del espectro. Los datos obtenidos se procesan mediante los sistemas de información geográfica (SIG) y se analizan mediante diversos índices (Ariza et al., 2018).
Entre los índices más utilizados destacan el índice de agua de diferencia normalizada (NDWI, por sus siglas en inglés), que ha sido aplicado para evaluar la variabilidad interanual y estacional de la extensión del agua superficial (Tulbure et al., 2016); el índice de agua modificado de diferencia normalizada (MNDWI, por sus siglas en inglés), que se ha utilizado para observaciones a largo plazo de los cambios en el agua en lagos (Yudha, 2023); el índice de aguas superficiales terrestres (LSWI, por sus siglas en inglés), que ha sido empleado para medir la humedad del suelo (Nadeem et al., 2023); y el índice de extracción de agua automatizado con sombra (AWEIsh, por sus siglas en inglés) y sin sombra (AWEInsh, por sus siglas en inglés), usado principalmente para el monitoreo eficiente y continuo de las aguas superficiales (Yue et al., 2023). Estos índices se han utilizado en diversas investigaciones sobre cuerpos de agua alrededor del mundo, algunos de ellos han sido probados de forma simultánea en un solo estudio. En los últimos cinco años se han publicado 2930 trabajos donde se utiliza algún índice para agua, de acuerdo con resultados de la búsqueda realizada en febrero de 2023 en diversos motores especializados.
A pesar de su utilidad, al parecer en México el uso de estos índices es aún insipiente. El objetivo de este trabajo fue realizar una revisión de literatura para evaluar el uso de los índices de agua en México y proponer los más adecuados de acuerdo al tipo de estudio. En particular, el trabajo se enfocó en los índices relacionados con la delimitación de cuerpos de agua con el fin de prevenir la sobreexplotación y prevenir riesgos por sequías en México.
Materiales y métodos
Se realizó la búsqueda de literatura de forma sistemática, con base en la lista de verificación PRISMA (Page et al., 2021; Urrútia & Bonfill, 2010). Las pautas PRISMA comprenden etapas bien definidas para la revisión sistemática, con el fin de establecer los criterios de elegibilidad a partir de las fuentes de información, estrategias de búsqueda, procesos de selección y datos valiosos. Se aplicaron criterios de elegibilidad clasificando las bases de datos y fuentes de información, utilizando como estrategias de búsqueda palabras clave en inglés y español como: “NDWI”, “MNDWI”, “LSWI”, “AWEI”, “water index” y “water bodies”, en las bases de datos Scopus, Web of Science, PubMed y Google Scholar. También se usaron operadores de Boolean (and, or, and not). La búsqueda de literatura sólo se realizó para trabajos realizados en México, en un periodo comprendido entre los años 2010 y 2022. Se realizó un proceso de selección riguroso de los estudios que cumplen los criterios de inclusión, para posteriormente realizar la extracción de datos.
De acuerdo con la metodología PRISMA, en total se obtuvieron 3673 referencias relacionados con el tema. Usando el programa Endnote se eliminaron referencias duplicadas, para posteriormente formar grupos utilizando palabras clave, a través de herramientas de aprendizaje automático (Endnote), de esta forma se refinaron los estudios relevantes. La siguiente forma de elegibilidad fue retirando manualmente aquellos trabajos realizados fuera de México, siendo este un criterio de exclusión. En total se seleccionaron 40 trabajos publicados en los que utilizan uno o más índices para el análisis de cuerpos de agua (Figura 1).
Nota. NDWI: índice de agua de diferencia normalizada; MNDWI: índice de agua modificado de diferencia normalizada; LSWI: índice de aguas superficiales terrestres; AWEI: índice de extracción de agua automatizado.
Fuente: Elaboración propia.
Figura 1 Diagrama de flujo basado en la metodología PRISMA, utilizado para la revisión sistemática de referencias.
Estrés en cuerpos de agua superficiales
La escasez hídrica es un problema mundial, cerca del 50% de la población mundial sufren de condiciones de escasez de agua severa, al menos durante un mes al año (Mekonnen & Hoekstra, 2016), mientras que 1.6 mil millones de personas se enfrentan a la escasez económica de agua (UNESCO-ONU-Agua, 2020).
Por su parte, México sufre de escases de agua, en particular en zonas del centro y norte del país. Debido a la alta densidad de población en las ciudades y al aumento de la urbanización, el suministro de agua es particularmente vulnerable. En 2022, la ciudad de Monterrey estuvo en crisis debido a la falta de lluvias y a la diminución del agua en las presas (El Cuchillo, Cerro Prieto y la Boca) que suministran agua a la ciudad. Es así que los estudios sobre la variabilidad en los depósitos de agua naturales son cada vez más necesitados como información básica en planes de manejo y política pública.
La escasez de agua es a menudo un fenómeno estacional; sin embargo, esto podría verse afectado por el cambio climático. Para el año 2050, alrededor de 685 millones de personas, viviendo en más de 570 ciudades, podrían enfrentar una disminución adicional de disponibilidad de agua dulce de por lo menos 10% (UNESCO-ONU-Agua, 2020).
Para el 2017, en los estados de Nayarit, Michoacán, Sinaloa y Guerrero hubo menos lluvias que en años anteriores, y por cuarto año consecutivo la precipitación pluvial anual fue menor a la normal (1981-2010) (Comisión Nacional del Agua [Conagua], 2018). Hasta el 31 de agosto del 2019, el Monitor de Sequía de México registró que el 66% del territorio mexicano tenía sequía, siendo Oaxaca y Veracruz los estados con los niveles más altos (Conagua, 2019). Por otro lado, para el año 2015, el 16.07% de los acuíferos del país estaban sobrexplotados (Martínez et al., 2019) debido, principalmente, al uso de agua para riego. A últimas fechas el inicio de la estación de lluvias ha mostrado retrasos.
Estos fenómenos han generado un impacto negativo en la producción agrícola. La disminución de las lluvias ha afectado grandes extensiones agrícolas, tanto de riego como de temporal, propiciando severos desajustes a la economía regional y nacional (Velasco et al., 2005). En particular, la producción del maíz ha sido perjudicada; por ejemplo, en Guanajuato y Querétaro disminuyó en 153 000 toneladas, además de que 163 mil hectáreas de las 271 mil sembradas resultaron siniestradas (Landa et al., 2008).
Cambio climático y su rol en la intensificación de sequías
El grupo intergubernamental de expertos sobre el cambio climático reporta en su sexto informe que la temperatura mundial se ha incrementado 0.99 °C con respecto al periodo 1850-1900 (Intergovernmental Panel of Climate Change [IPCC], 2023). Aunado a esto, la frecuencia de meteorológicos extremos se ha incrementado, exponiendo a millones de personas. La reducción de la seguridad hídrica que sufren muchas regiones en el planeta es uno de los factores que más repercuten en la vulnerabilidad. La mortalidad humana por inundaciones, sequías y tormentas fue, entre 2010 y 2015, 15 veces mayor en regiones altamente vulnerables, en comparación con regiones con vulnerabilidad muy baja (IPCC, 2023).
El impacto del calentamiento global sobre la persistencia de cuerpos de agua continental se ha convertido en un tema emergente de gran importancia (Abbaspour et al., 2012; Jeppesen et al., 2015; Krinner & Boike, 2010; Mozafari et al., 2022). Los lagos y otros cuerpos de agua superficiales representan ecosistemas sensibles y altamente vulnerables al cambio climático, aunque tienen una importancia medular en la regulación del clima; en latitudes altas permiten disminuir la temperatura durante el verano (Caballero & Vázquez, 2019; Krinner & Boike, 2010).
Por otro lado, las sequías se intensifican debido al cambio climático (Magaña & Neri, 2012), lo que disminuye el agua disponible para las actividades humanas y pone en riesgo la producción de alimentos. En México, los estados del noroeste y del altiplano mexicano son los que tienen mayor vulnerabilidad a sequias (Ortega et al., 2018). Estas zonas son áridas, así que históricamente han sufrido escasez de agua, con impactos negativos en su población y en sus actividades económicas. Ureta et al. (2020) han señalado que la producción de maíz se verá significativamente afectada, donde sólo los campos bajo riego podrán permanecer. Sin embargo, la mayor parte de agua para riego se extrae de acuíferos, los cuales en gran parte están sobre explotados.
Técnicas de teledetección
Los sistemas de teledetección obtienen información mediante los sensores remotos. Estos sensores son sistemas o instrumentos utilizados para recolectar información rápida y viable de un objeto, área o fenómeno a distancia. Se encuentran instalados a bordo de una plataforma y registran la energía electromagnética emitida o reflejada por la superficie de un objeto en distintas bandas del espectro electromagnético. Estos registros incluyen longitudes de onda, desde las más cortas (gamma y radiográficas) hasta las más largas (microondas y de radiodifusión). Dentro de las longitudes de onda más cortas está la ultravioleta (Veneros et al., 2020).
La teledetección ha sido crucial para promover la comprensión científica de los sistemas terrestres y acuáticos de la Tierra desde el rápido avance de la tecnología satelital y el procesamiento de imágenes digitales que se produjo entre los años 60 y 70 del siglo pasado. Para la década de 1990 a 2000 se dio un amplio desarrollo de sistemas globales de detección remota. Entre otros, la serie Landsat de la NASA se lanzó a partir de 1972, y Terra-1 se lanzó en 1999 (satélites más recientes como la serie Landsat 8 siguen siendo muy utilizados). Estos sensores han permitido el monitoreo de los cambios en los entornos y ecosistemas de la Tierra. En la Tabla 1 se presentan algunas de las características de los sensores remotos del Landsat 8.
Tabla 1 Características de la serie Landsat 8, sensor OLI.
| Banda | Longitud de onda
(nm) |
Resolución (m) |
| 1(azul profundo) | 430-450 | 30 |
| 2(Azul) | 450-510 | |
| 3(Verde) | 530-590 | |
| 4(Rojo) | 640-670 | |
| 5(NIR) | 850-880 | |
| 6(SWIR1) | 1570-1650 | |
| 7(SWIR2) | 2110-2290 | |
| 8(Pancromático) | 500-680 | 15 |
| 9(Cirrus) | 1360-1380 | 30 |
| 10(TIRS1) | 10 600-11 900 | 100 |
| 11(TIRS2) | 11 500-12 510 |
Nota. NIR: infrarrojo cercano; SWIR: infrarrojo de onda corta; TIRS: infrarrojo térmico; OLI: generador de imágenes terrestres operacionales.
Fuente: Elaboración propia con base en tabla de Asfaw et al. (2020).
La complejidad intrínseca y la naturaleza dinámica de los sistemas terrestres han hecho que esos sistemas sean difíciles de estudiar, especialmente en grandes extensiones espaciales. Datos de sensores remotos son útiles para caracterizar los gradientes en el paisaje o los cambios ambientales a lo largo del tiempo, al proporcionar indicadores cuantificables y medidas biofísicas. La teledetección, la tecnología geoespacial, los sistemas de información geográfica (SIG), el análisis espacial y el modelado son herramientas metodológicas que se han empleado ampliamente en diversos tipos de estudios de cambio global (Pricope et al., 2019).
Índices basados en teledetección
La teledetección se realiza a través de más de 200 bandas que detectan la longitud de onda de los objetos de interés. Estas bandas pueden combinarse, resultando en una serie de índices útiles para comprender el comportamiento de la superficie evaluada. Los índices son ecuaciones matemáticas o proporciones de bandas espectrales diseñados para identificar relaciones funcionales y de cambio entre diversas superficies (Kasampalis et al., 2018). Son notorias las diferencias entre una imagen satelital al natural de un cuerpo de agua y una imagen en la cual se resalta mediante un índice como el NDWI (Figura 2).
Monitoreo de recursos hídricos superficiales
Las técnicas de teledetección aplicadas son una alternativa viable para monitorear cuerpos de agua. Los datos satelitales pueden proporcionar información en tiempo real, de forma dinámica y rentable, lo que puede brindar un monitoreo operativo (autónomo) de los recursos hídricos (Bangira et al., 2019).
Los índices de agua y humedad juegan un papel importante en el monitoreo de aguas superficiales. Partiendo de la teoría de que el agua absorbe casi todo el flujo radiante incidente y que la superficie terrestre refleja cantidades significativas de energía en las bandas del infrarrojo de onda corta y cercana, la reflectancia medida en la banda verde es mucho mayor para el agua en comparación con la reflectancia de la superficie terrestre (Arreola-Esquivel et al., 2019).
Índices de agua
La determinación de una ecuación matemática o fórmula específica con diversas bandas da como resultado una variedad de índices, aplicados bajo distintos enfoques en el estudio de cuerpos de agua (Tabla 2).
Tabla 2 Aplicaciones de los índices de agua.
| Índice | Fórmula | Aplicación |
| NDWI |
|
Cuantifica el cambio CAS |
| Mide el grado de extracción CAS | ||
| Ocurrencia de sequías | ||
| Clasifica los tipos de cobertura de suelo CAS | ||
| MNDWI |
|
Mide extracción de CAS |
| Mapeo de CAS en cuenca | ||
| Detecta cambios en nivel de CAS y cuencas | ||
| Mide dinámica de aguas | ||
| LSWI |
|
Monitoreo de la fenología de la vegetación |
| Comprensión integral del paisaje | ||
| Cartografiar masas de CAS | ||
| Análisis del contenido de agua en plantas y suelo | ||
| AWEI | 4 × (𝑉𝑒𝑟𝑑𝑒 - 𝑆𝑊𝐼𝑅1)
−0.25 × 𝑁𝐼𝑅 + 2.75 × 𝑆𝑊𝐼𝑅2 |
Mapeo de CAS |
| Mide extracción de CAS | ||
| Mide masas de CAS | ||
| Usado para delinear la erosión costera |
Nota. Las longitudes de ondas de cada banda utilizada se presentan en la Tabla 1. NIR: infrarrojo cercano; SWIR: infrarrojo de onda corta; CAS: cuerpos de agua superficiales; NDWI: índice de agua de diferencia normalizada; MNDWI: índice de agua modificado de diferencia normalizada; LSWI: índice de aguas superficiales terrestre; AWEI: índice de extracción de agua automatizado.
Fuente: Elaboración propia con información de Bhaga et al. (2020) y Asfaw et al. (2020).
A continuación, se detallan los índices más utilizados en cuanto a su aplicación, precisión y limitaciones en el monitoreo de aguas superficiales.
Índice de agua de diferencia normalizada (NDWI)
El NDWI utiliza el valor de la banda verde menos la banda del infrarrojo cercano (NIR), dividido por la suma de las dos bandas (McFeeters, 1996), obteniendo como resultado valores positivos de las características del agua; por lo tanto, se resaltan estas características. La superficie terrestre tiene valores cero o negativos y se suprime o elimina. Sin embargo, en las imágenes NDWI los cuerpos de agua a menudo se mezclan con ruidos de terrenos urbanizados, debido a las características de reflectancia similares en las bandas verde y NIR, entre el agua y el terreno urbanizado.
Este índice es sensible a los cambios en el contenido de agua en el dosel de la vegetación, debido a la reflectancia a 857 nm y 1241 nm. Lo anterior se debe a las propiedades de absorción de agua líquida, que es ligeramente diferente. El valor de este índice varía de -1 a 1. Los valores menores a 0 están asociados a superficies brillantes sin presencia de agua, mientras que los valores mayores a 0 indican presencia de agua; cuanto más se acerca a 1, el valor mayor es el contenido o presencia de agua.
En México, este índice ha sido utilizado para mediar la variabilidad de los lagos de la faja volcánica transmexicana en periodos inter e intra-anuales (Chapala et al., 2015); de igual forma, fue aplicado para calcular la superficie de agua y el área de cambio del Lago Chapala en Jalisco (Tapia-Silva & López-Caloca, 2018). Otra aplicación de este índice fue el mapeo de presas de jales en el estado de Sonora (Dávila et al., 2018).
Índice de agua modificado de diferencia normalizada (MNDWI)
Este índice fue modificado por Xu (2006), sustituyendo la reflectancia en el infrarrojo cercano por la reflectancia en el infrarrojo medio (MIR) y sugiere la modificación del NDWI, denominado como índice de agua modificado de diferencia normalizada. Xu (2006) observó que este índice es más preciso delineando la humedad del perímetro que el índice NDWI; el índice modificado puede eliminar los pixeles de ruido, representando el paisaje urbano que ocurre en el fondo de la humedad. Las imágenes salidas a partir del índice MNDW presentan valores que van de -1 a 1, donde los valores menores a 0 están asociados a superficies brillantes sin presencia de agua. Los valores mayores a 0 indican presencia de agua, y los valores cercanos a 1 indican que el contenido o presencia de agua es mayor, lo que ayuda a generar un estimado del agua del sitio estudiado (El-Asmar et al., 2013).
El MNDWI en México ha sido utilizado para detectar pozos de agua en Baja California (Escobar-Flores et al., 2017), para delimitar cuerpos de agua en Xochimilco y Chihuahua (Zamora-Rivas, 2019), para identificar los cambios de extensión de cuerpos de agua (Mullen & Muller, 2020; Rojas-Villalobos et al., 2022) y para identificar áreas de inundación para su reencauzamiento (Sánchez et al., 2021).
Índice de aguas superficiales terrestres (LSWI)
LSWI es un índice presentado por Menarguez (2015), utiliza regiones del infrarrojo cercano (NIR) y regiones del infrarrojo de onda corta (SWIR) del espectro electromagnético para evaluar el estrés hídrico. Las moléculas de agua líquida en el dosel de la vegetación que interactúan con la radiación solar se miden mediante LSWI; por lo tanto, también se sabe que es sensible a la cantidad total de líquido de vegetación y para el fondo del suelo. Fue desarrollado para identificar inundaciones y cuerpos de agua. En México, LSWI ha sido utilizado, en general, en el monitoreo de cuerpos de agua superficiales (Tottrup et al., 2022).
Índice de extracción de agua automatizado con sombra (AWEIsh) y sin sombra (AWEInsh)
AWEI fue propuesto por Feyisa et al. (2014) y puede detectar cuerpos de agua. Incluye dos índices: AWEInsh, que se aplica cuando no hay sombras, y AWEIsh, que se aplica para distinguir entre píxeles posteriores y píxeles de sombra. El índice fue diseñado para la extracción de agua superficial con precisión mejorada. Los coeficientes usados y las combinaciones de las bandas elegidas se determinaron con base en un examen crítico de las propiedades de reflectancia de varios tipos de coberturas terrestres.
El índice AWEI ha sido utilizado en México para detectar cambios en cuerpos de agua en el Lago de Chapala Jalisco (Calvario et al., 2017), para el monitoreo (Wang et al., 2018) y discriminación de cuerpos de agua (Calvario et al., 2018), así como en la extracción (Arreola-Esquivel et al., 2019) y detección (Soria-Ruiz et al., 2022) de cuerpos de agua.
Resultados
Los productos de los sensores remotos son relativamente recientes en México, se empezaron a utilizar en el año 2015 (Figura 3). En general, NDWI es el índice más utilizado (25 estudios), seguido de MNDWI (nueve estudios). Por otro lado, poco se han utilizado los índices AWEI y LSWI (cinco estudios y un estudio, respectivamente).
En los estudios realizados en México, la temporalidad utilizada se puede englobar en dos grupos de manera general: los estudios hechos con datos interanuales (clasificados por condiciones secas y húmedas, por épocas del año o simplemente por los distintos meses del año), que son los más comunes en México (20 estudios), y los estudios realizados con datos anuales (comparación de años consecutivos y no consecutivos en distintas temporadas, en periodos desde dos años hasta más de 30) (17 estudios realizados); también se cuenta con un estudio donde se abordan series temporales anuales e interanuales (Tabla 3).
Tabla 3 Información detallada de los estudios realizados en México.
| Índice | Referencia | Temporalidad | Imágenes utilizadas | ¿Integra datos
in situ? |
¿Hace uso de mapas
de calor? |
| NDWI | Chapala et al. (2015) | Anual | Landsat | Sin dato | Sin dato |
| Castilla (2016) | Interanual | Landsat | No | Sí | |
| Noyola-Medrano & Martínez-Sías (2017) | Anual | Landsat | Sí | Sí | |
| Luna (2017) | Interanual | Sentinel | No | No | |
| Gómez-Palacios et al. (2017) | Interanual | SPOT | No | No | |
| Colditz et al. (2018) | Interanual | MODIS - Landsat | No | No | |
| Luna et al. (2018) | Interanual | Sentinel | No | No | |
| Tapia-Silva & López- Caloca (2018) | Anual | Landsat | Sí | No | |
| Sánchez et al. (2018) | Interanual | Landsat | No | No | |
| Zamora-Rivas (2019) | Anual | Landsat | No | No | |
| Leal et al. (2019) | Anual | Landsat | No | No | |
| López et al. (2019) | Sin dato | Sin dato | Sin dato | Sin dato | |
| Escobar-Flores et al. (2017) | Interanual | Sentinel | Sí | No | |
| Sandoval et al. (2020) | Interanual | Sentinel | No | No | |
| Sandoval & Escobar-Flores (2020) | Anual | Landsat | No | No | |
| Wickel et al. (2020) | Anual e interanual | Landsat | No | No | |
| Pech et al. (2020) | Anual | Sentinel | No | No | |
| Saiz-Rodríguez, (2020) | Interanual | Landsat | No | Sí | |
| Castro-Lazcarro et al. (2021) | Anual | Landsat | No | No | |
| Sedeño-Díaz & López-López (2021) | Anual | Landsat | No | No | |
| Fernández et al. (2021) | Sin dato | Sentinel | Sin dato | Sin dato | |
| Murray & Khaki (2021) | Interanual | Landsat | No | No | |
| Sánchez et al. (2021) | Interanual | Sentinel | No | No | |
| Del-Toro-Guerrero et al. (2022) | Anual | Landsat | No | No | |
| Tottrup et al. (2022) | Anual | Sentinel y Landsat | No | No | |
| MNDWI | Escobar-Flores et al. (2017) | Interanual | Landsat | No | No |
| Zamora-Rivas (2019) | Anual | Landsat | No | No | |
| Rojas-Villalobos (2019) | Interanual | Landsat | No | No | |
| Arreola-Esquivel et al. (2019) | Anual | Landsat y Sentinel | No | No | |
| Mullen & Muller (2020) | Interanual | Landsat | No | No | |
| Saiz-Rodríguez, (2020) | Interanual | Landsat | No | Sí | |
| Sánchez et al. (2021) | Interanual | Sentinel | No | No | |
| Rojas-Villalobos et al. (2022) | Interanual | Landsat | Sin dato | No | |
| Maldonado (2022) | Anual | Landsat | No | No | |
| LSWI | Tottrup et al. (2022) | Anual | Sentinel y Landsat | No | No |
| AWEI | Calvario et al. (2017) | Anual | Landsat | No | No |
| Wang et al. (2018) | Interanual | Sentinel | No | No | |
| Sánchez et al. (2018) | Interanual | Landsat | No | No | |
| Arreola-Esquivel et al. (2019) | Anual | Landsat y Sentinel | No | No | |
| Soria-Ruiz (2022) | Interanual | Sentinel | No | No |
Nota. Las columnas con la leyenda “sin dato” son estudios a los que no se tuvo acceso al documento completo, simplemente se recopiló la información del resumen y no se encontró el dato en cuestión.
Fuente: Elaboración propia con base en la información de los estudios realizados en México.
Las imágenes satelitales más utilizadas en México son las imágenes Landsat, empleadas en 23 estudios, seguido de las imágenes Sentinel, con 10 estudios, y las imágenes SPOT, con un solo reporte. También se han utilizado imágenes satelitales de distintas plataformas de manera simultánea en el mismo estudio, la combinación más común son Landsat y Sentinel (cuatro estudios), mientras que la combinación de imágenes de Modis y Landsat sólo se ha realizado en un estudio (Tabla 3).
La información recabada a través de los índices muchas veces puede ser complementada o verificada con datos in situ. En el caso de los estudios realizados en México, solamente tres integran información recopilada en campo. Por otra parte, la integración de mapas de calor solamente ha sido aplicado en cuatro estudios (Tabla 3).
Discusión
Es importante conocer características relevantes de los diferentes índices de agua usados actualmente, como su precisión y sus limitantes, ya que estos datos pueden ser de gran interés para la selección y aplicación de los mismos. La precisión de los índices puede verse afectada por la ubicación y el tiempo en el que se adquirió la imagen (Jiang et al., 2014), así como la incertidumbre del método de corrección atmosférica aplicado, la turbidez del agua, la clase de cobertura de fondo y el tipo de sensor (Asfaw et al., 2020). Aquí ofrecemos una comparación de la precisión de los índices de agua reportada por distintos autores, así como sus limitantes (Tabla 4).
Tabla 4 Precisión y limitaciones reportadas en estudios previos.
| Índice | Precisión (%) | Tipo de
limitante |
Referencia |
| NDWI | NA | 1 | El-Asmar et al. (2013) |
| 77 | 2 | Masocha et al. (2018) | |
| NA | 3 | Orimoloye et al. (2019) | |
| 91 | 4 | Asfaw et al. (2018) | |
| NA | 5 | Fujihara et al. (2020) | |
| MNDWI | NA | 1 | El-Asmar et al. (2013) |
| 78.4 | 6 | Malahlela (2016) | |
| 84.3 | 7 | Masocha et al. (2018) | |
| 99 | 6 | Asfaw et al. (2018) | |
| 97.4 | 9 | Ndehedehe et al. (2020) | |
| 87.1 | 8 | Slagter et al. (2020) | |
| LSWI | NA | 5 | Jin et al. (2013) |
| 82.6 | 10 | Benefoh et al. (2018) | |
| NA | 11 | Ali et al. (2020) | |
| AWEI | 79.3 | 8 | Feyisa et al. (2014) |
| NA | 6 | Malahlela (2016) | |
| 81.6 | 5 | Masocha et al. (2018) | |
| 99.2 | 5 | Asfaw et al. (2018) | |
| NA | 5 | Danladi et al. (2020) | |
| 98 | 12 | Herndon et al. (2020) |
Nota. Tipos de Limitantes: 1) Ajustar los ángulos solares; 2) No suprime la señal de las características construidas de manera eficiente; 3) No consideró el tipo de suelo, la ubicación geográfica ni el clima de la zona; 4) Zonas urbanas con alta reflectancia; 5) Confusión con áreas edificadas; 6) Clasificación de sombras; 7) Mayor rendimiento en áreas con vegetación; 8) Menor rendimiento en áreas con vegetación; 9) Sensibilidad en agua de suelos; 10) Baja presión en regiones secas; 11) Nubosidad afecta resultado; 12) Ruido de fondo afecta resultados. Abreviaturas: NDWI: índice de agua de diferencia normalizada; MNDWI: índice de agua modificado de diferencia normalizada; LSWI: índice de aguas superficiales terrestres; AWEI: índice de extracción de agua automatizado.
Fuente: Elaboración propia con información de Bhaga et al. (2020).
Comparando los limitantes reportados, se encontró que el error más común es la confusión con las áreas edificadas, ya que tres índices de los cuatro evaluados lo reportaron; sólo MNDWI no reportó ese error. El segundo tipo de limitante más frecuente fue el menor rendimiento en áreas con vegetación, reportado en los índices MNDWI y AWEI; este tipo de limitante no fue reportado para los índices NDWI y LSWI.
En cuanto a las precisiones reportadas, los valores más altos fueron para los índices de AWEI y MNDWI, con 99.2% y 99%, respectivamente. La presión fue evaluada con puntos de control en tierra (Asfaw et al., 2020).
Resulta de gran relevancia conocer las limitantes reportadas de cada uno de los índices utilizados para el monitoreo de cuerpos de agua superficiales, así como su porcentaje de presión, para de esta manera poder elegir el índice adecuado de acuerdo con las características del sitio bajo evaluación.
La aplicación de sensores remotos, y en específico de índices de agua, es una herramienta valiosa para el monitoreo de cuerpos de agua en la actualidad, ya que permite cuantificar el cambio, el grado de extracción y la ocurrencia de sequías, así como clasificar los tipos de cobertura de suelo, medir la dinámica de aguas, monitorear la fenología de la vegetación y analizar el contenido de agua en plantas y suelo (Ali et al., 2020; Asfaw et al., 2018; El-Asmar et al., 2013; Jin et al., 2013; Masocha et al., 2018).
Usando índices de agua se ha logrado una mejor comprensión integral del paisaje. No obstante, es necesario conocer los tipos de limitantes reportados para estos índices (Bhaga et al., 2020); por ejemplo, lo más común fue la confusión con áreas edificadas y sombras, por lo que éstas pueden ser clasificadas como cuerpos de agua. Una limitante más fue un bajo rendimiento en áreas con vegetación. Debido a estos factores, existe el consenso de que no hay un índice de agua específico que sea totalmente robusto, estable y aplicable de manera eficiente para todos los cuerpos de agua en todas las circunstancias. Sin embargo, AWEI y MNDWI registran un alto porcentaje de precisión, por lo que podrían constituir una de las primeras opciones a considerar en el estudio de cuerpos de agua.
Actualmente, el cambio climático tiene importantes repercusiones en los cuerpos de agua superficiales de todo el mundo, aumentando los peligros relacionados con el agua. Es así que monitorear constantemente los cuerpos de agua superficiales, como lagos, lagunas y ríos, es una tarea fundamental que funciona como una solución de alerta temprana para prevenir conflictos de seguridad alimenticia y riesgos como inundaciones o sequías.
El uso de sensores remotos representa una forma viable para ese monitoreo por encima del monitoreo in situ, que es más caro y complejo logísticamente. A largo plazo, el monitoreo permitirá la planificación de estrategias de mitigación y adaptación ante sequías. Es así que el uso de datos satelitales para monitorear cuerpos de agua superficiales está aumentando, debido a su capacidad para realizar observaciones repetibles y de bajo costo (Li et al., 2013).
Un desafío importante de los datos satelitales es el ruido de fondo, que influye negativamente en la clasificación de las zonas de uso del suelo. Otro desafío del uso de datos de teledetección son las incertidumbres de los sensores, razón por la cual se desarrollaron modelos e indicadores para la evaluación de la incertidumbre de los datos satelitales. Sin embargo, con el desarrollo continuo de algoritmos y el libre acceso a datos satelitales, existe un enfoque prometedor para monitorear los impactos y la aparición de sequías y otros cambios climatológicos.
En México, la aplicación de sensores remotos y sus productos en el monitoreo de cuerpos de agua es limitado, como se muestra en este trabajo. México es un país vulnerable a sequías que ponen en riesgo el acceso a este importante líquido vital y, por consiguiente, a la seguridad alimentaria. La mayor parte del agua dulce del país se transforma en alimento, por lo que puede ser considerado de seguridad nacional. En este sentido, los sensores remotos proporcionan importante información sobre las condiciones pasadas, actuales y futuras de los cuerpos de agua, ayudando a comprender el comportamiento del calentamiento global en los mismos, sirviendo como base de estrategias para la conservación de cuerpos de agua superficial. El uso de índices representa una herramienta importante para estandarizar metodologías que permitan realizar un seguimiento a largo plazo de las variaciones de los cuerpos de agua y comparar entre sitios.
Conclusiones
Los cuerpos de agua continentales representan depósitos importantes para mantener procesos ecológicos y el bienestar humano. Sin embargo, el uso irracional del agua contenido en estos depósitos y el calentamiento global han impactado tanto que ponen en riesgo su conservación. Por lo anterior, el monitoreo es una acción básica para evaluar los impactos y las estrategias de conservación. En este trabajo se analizaron índices generados con información de sensores remotos. Considerando su precisión, se recomienda el utilizar el índice de agua modificado de diferencia normalizada (MNDWI) y el índice de extracción de agua automatizado (AWEI) para realizar monitoreo de cuerpos de agua continentales en México.
Conflicto de interés
Los autores no tienen ningún conflicto de interés.
