Anexo 1: Descarga Imágenes Satelitales (QGIS)

---

Versión en diapositivas: Implementación de los SIG en la gestión del riesgo de desastres con el Software de uso libre QGIS. Despliegue el menú en la parte inferior izquierda.

---

Implementación de un SIG a Nivel Municipal

Configuración Básica del entorno de trabajo QGIS

Descarga del software QGIS

Dirigirse al enlace web:

Instalación Software QGIS

Instalación de complemento para mapas base

Instalación de complemento para clasificación semiautomática

Descarga de datos

Descargar un Modelo de Elevación Digital (DEM)

De todos los portales para descarga de DEM, se selecciona el ASF Data Search Vertex () que contiene los modelos gratuitos de resolución 12.5 m/pixel para todo el continente.

Descargar una imagen satelital de Sentinel-2

Dirigirse al enlace web

Cuando el proceso termine, escuchara dos pitidos, luego proceda a cerrar la ventana.

Se repite el mismo proceso para la otra imagen que contiene la otra parte del municipio de Rosas – Cauca, después de repetir el proceso se tiene:

Repetir el proceso anterior para agrupar las bandas individuales de las dos imágenes analizadas. Ubicándose sobre el grupo respectivo y presionando F2 puede cambiar el nombre del grupo de las imágenes.

Ahora se debe combinar las dos imágenes en una sola escena

Descargar una imagen satelital del portal

Dirigirse al enlace web

Descargar cartografía base IGAC

Descargar determinantes ambientales

Agregar un servicio WFS en QGIS

Agregar un servicio WMS en QGIS

Postproceso de la información

Agregar capas de cartografía base al proyecto

Click derecho sobre cada una de las capas/propiedades/simbología y ajustar los parámetros de visualización pertinentes.

Recortar la información a la extensión del municipio de Rosas - Cauca

Recortar la imagen satelital a la extensión del municipio de Rosas

Ajustar simbología del polígono MUNICIPIO_ROSAS para observar el polígono sin relleno

Se procede a organizar las capas y eliminar las capas virtuales, luego se procede a ajustar la visualización de la capa recortada:

Repetir el mismo proceso de recortar para el DEM, al final se tiene:

Optimizar visualización del DEM

Crear mapa de sombras

Aplicar transparencia del 10% a la capa de pendiente y a todos los mapas de sombras:

Para la imagen satelital recortada también se puede agregar una transparencia del 60%, y con ese proceso se obtiene:

Agregar capa de determinantes ambientales al proyecto

Aplicaciones SIG en GRD: Incendios

Acceder a la plataforma online Copernicus Browser: , esta plataforma permite varios servicios online gratuitos ilimitados sin registrarse y otros privilegiados cuando el usuario se registra. Vamos a realizar la consulta sin registro:

En el panel de visualización de imágenes acercarse con el scroll del mouse a una zona de interés, posteriormente se puede visualizar la imagen en diferentes vistas predeterminadas, así:

Imagen en Color Verdadero: Es la visualización por defecto que carga la plataforma online. Este script de color real optimizado utiliza las bandas de luz visible roja, verde y azul en los canales de color rojo, verde y azul correspondientes, lo que da como resultado un producto con colores naturales que representa la Tierra tal y como los humanos la ven de forma natural. La visualización utiliza compresión de resaltes y mejora el contraste y la viveza del color mediante pequeñas mejoras de contraste y saturación.

Composición en Falso Color: Una composición en falso color recurre al menos a una imagen obtenida en longitudes de onda no visibles. Es frecuente la composición en color falso que utiliza las bandas del infrarrojo cercano, el rojo y el verde (una banda es una región del espectro electromagnético; los sensores satelitales obtienen imágenes de la Tierra en múltiples bandas). Estas composiciones en falso color se suelen emplear para diagnosticar la densidad y la salud de la vegetación, porque las plantas reflejan las bandas infrarroja y verde, mientras que absorben el color rojo. Las ciudades y el suelo desnudo aparecen grises o en tonos pardos, mientras que el agua se muestra azul o negra.

Color Natural Optimizado: Este script intenta representa la Tierra en imágenes de color natural de apariencia muy buena. Aplica técnicas de optimización para evitar que aparezcan píxeles saturados, así como para equilibrar la exposición.

Índice Normalizado de Vegetación – NDVI: El índice normalizado de vegetación (NDVI, Normalized Difference Vegetation Index) es un índice simple, pero efectivo, para cuantificar la vegetación verde. Ofrece una medida del estado de salud de la vegetación, basado en el modo en que las plantas reflejan la luz de ciertas longitudes de onda. NDVI adopta valores entre -1 y +1. Los valores negativos (los más cercanos a -1) corresponden a agua. Valores en torno a cero (entre -0.1 y +0.1) suelen indicar zonas sin vegetación como roca, arena o nieve. Los valores positivos pero pequeños se corresponden con arbustos y campos cubiertos de hierba (aproximadamente entre +0.2 y +0.4), en tanto que cifras más elevadas describen los bosques templados y las selvas tropicales (valores cercanos a +1).

Composición Urbana en Falso Color: Esta composición se utiliza para visualizar mejor las zonas urbanizadas. La vegetación queda representada en tonos de verde, mientras que el terreno urbanizado aparece en blancos, grises y morados. El suelo, la arena y los minerales se revelan en toda una variedad de colores. La nieve y el hielo se muestran en azul oscuro, mientras que el agua se ve negra o azul. Las zonas inundadas se ven en azul muy oscuro, casi negro. Esta composición resulta útil para detectar incendios forestales y calderas volcánicas, que se reflejan en tonos rojos y amarillos.

Índice Normalizado de Humedad – NDMI: El índice normalizado de humedad (NDMI, Normalized Difference Moisture Index) se emplea para determinar el contenido de agua de la vegetación y para monitorizar sequías. NDMI adopta valores entre -1 y +1. Los valores negativos (cercanos a -1) corresponden a suelo desnudo. Valores alrededor de cero (de -0.2 a +0.4) suelen indicar estrés hídrico. Los valores positivos más altos representan cubiertas vegetales elevadas y sin estrés hídrico (aproximadamente desde +0.4 hasta +1).

Composición de Infrarrojo de Onda Corta - SWIR: Las medidas tomadas en el infrarrojo de onda corta (SWIR, Short Wave InfraRed) sirven para estimar la cantidad de agua presente en la vegetación y en el suelo, porque el agua absorbe estas longitudes de onda. Las bandas del infrarrojo de onda corta (una banda es una región del espectro electromagnético; los sensores satelitales observan la Tierra en múltiples bandas) sirven también para distinguir los tipos de nubes (nubes de agua frente a nubes de hielo), la nieve y el hielo, todos los cuales aparecen blancos en luz visible. La vegetación adopta tonalidades de verde en esta composición, mientras que los suelos desnudos y las zonas urbanas tienen tonos pardos, y el agua se ve negra. El terreno recién quemado refleja con intensidad las bandas del infrarrojo de onda corta, lo que hace útil esta composición para cartografiar los daños debidos a incendios. Cada tipo de roca refleja de un modo distinto la luz infrarroja de onda corta, lo que permite elaborar mapas geológicos comparando la luz SWIR reflejada.

Índice Normalizado de Agua – NDWI: El índice normalizado de agua (NDWI, Normalized Difference Water Index”) resulta adecuado para cartografiar masas de agua e inundaciones, que presentan valores de este índice superiores a +0.5. La vegetación ostenta valores menores. Las edificaciones tienen valores positivos entre cero y +0.2

Índice de Diferencia Normalizada de Nieve – NDSI: El índice de diferencia normalizada de nieve de Sentinel-2 se puede utilizar para diferenciar entre la cubierta de nubes y la de nieve, ya que la nieve absorbe la luz infrarroja de onda corta, pero refleja la luz visible, mientras que la nube es generalmente reflectante en ambas longitudes de onda. La capa de nieve se representa en azul vivo brillante. En el caso de incendios permite resaltar la cortina de humo generada por el evento.

Combinación personalizada: Esta herramienta se usa para crear una combinación de bandas que no está en los canales por defecto. Por ejemplo, en la siguiente imagen se muestra la combinación RGB: 12-11-8A que permite resaltar incendios y puntos calientes.

Herramientas de descarga y visualización

La descarga de imágenes para usuarios no registrados solo está disponible en formato JPG y es no georreferenciada. Sin embargo, cualquier usuario puede registrarse de manera gratuita y acceder a privilegios como la descarga en formato .TIF georreferenciado e impresiones en alta resolución.

En el panel derecho, las herramientas también permiten realizar mediciones de distancias y áreas.

Crear o cargar un área de interés al visor

El visor permite adicionar polígonos o puntos de interés externos, esto es útil como ayuda visual para resaltar zonas de interés dentro de la imagen analizada.

Visualización 3D

El visor online permite realizar vistas 3D la imagen de interés, para ello usa el modelo digital de terreno de la nasa SRTM-30 m. El acceso a este servicio no requiere de registro previo.

Animación multitemporal

Es un servicio que está disponible solamente para usuarios registrados. Permite crear animación multitemporales de una zona de interés accediendo a todo el catálogo disponible de imágenes Sentinel-2, que en el caso de Colombia cubre desde el mes de octubre de 2016 en adelante. La plataforma permite realizar filtros por nubosidad, fecha y orbita. Posteriormente puede filtrar algunas imágenes manualmente y decidir la velocidad de animación para finalmente descargar la animación en formato de video. En el Anexo 1 se relaciona el video de una animación generada con esta herramienta para el sector sur de la hidroeléctrica el Quimbo.

Aplicaciones SIG en GRD: Inundaciones

Aplicaciones SIG en GRD: Movimientos en masa

Ariza, F. J., & Rodríguez, A. F. (2008). Introducción a la normalización en información geográfica. Familia ISO 19100.

Atlas de Expansión Urbana en Colombia. (s. f.). Recuperado https://www.atlasexpansionurbanacolombia.org

Barredo Cano, J. I. (1996). Sistemas de información geográfica y evaluación multicriterio en la ordenación del territorio. Ra-Ma.

Burrough, P. A., & McDonnell, R. A. (1998). Principles of Geographical Information Systems. Oxford University Press.

Cámara de Comercio de Bogotá. (s. f.). Recuperado https://www.recursos.ccb.org.co

Campbell, J. B., & Wynne, R. H. (2011). Introduction to Remote Sensing (5th ed.). Guilford Press.

Chang, K.-T. (2015). Introduction to Geographic Information Systems (7th ed.). McGraw-Hill.

Congreso de Colombia. (2012). Ley 1523. Por la cual se adopta la política nacional de gestión del riesgo de desastres y se establece el Sistema Nacional de Gestión del Riesgo de Desastres y se dictan otras disposiciones.

Copernicus Open Access Hub. (2021).

Cova, T. J. (1999). GIS in emergency management. En P. Longley, M. Goodchild, D. Maguire, & D. Rhind (Eds.), Geographical Information Systems: Principles, Techniques, Applications and Management (pp. 845-858). Wiley.

Cutter, S. L., Burton, C. G., & Emrich, C. T. (2010). Disaster resilience indicators for benchmarking baseline conditions. Journal of Homeland Security and Emergency Management, 7(1).

DANE, IGAC, DNP. (2009). CONPES 3585. Consolidación de la política nacional de información geográfica y la infraestructura colombiana de datos espaciales - ICDE.

Dangermond, J. (2019). GIS: A framework for a better future.

DNP, DANE, IGAC, ANT. (2016). CONPES 3859. Política para la adopción e implementación de un catastro multipropósito rural-urbano.

El Agrario. (s. f.). Agricultura NDVI: todo sobre la tecnología que está revolucionando el agro. Recuperado https://www.elagrario.com/agricultura-ndvi-todo-sobre-la-tecnologia-que-esta-revolucionando-el-agro-10512.html

Esri. (2013a). GIS for Urban and Regional Planning. Environmental Systems Research Institute.

Esri. (2013b). Understanding GIS: An ArcGIS Project Workbook. Environmental Systems Research Institute.

Esri. (2020a). GIS for Emergency Management. Environmental Systems Research Institute.

Esri. (2020b). GIS for Planning and Community Development. Environmental Systems Research Institute.

Esri. (2020c). Understanding Map Projections. Environmental Systems Research Institute.

Esri. (2020d). Web Services: WMS, WFS, and WCS Explained. Environmental Systems Research Institute.

Esri. (2020e). What is a digital surface model (DSM)?

Esri. (2024). Diccionario SIG.

European Space Agency. (2018). TSX (TerraSAR-X) Mission.

European Space Agency (ESA). (2022). Sentinel Online.

Felicísimo, A. (1994). Modelos digitales del terreno. Introducción y aplicaciones en las ciencias ambientales. Pentalfa.

Fernández y Del Río. (2011). Sistemas de Información Geográfica para el ordenamiento territorial. Dirección Provincial de Ordenamiento Urbano y Territorial.

Franco, R. (2020). MIXDYR.

Giannecchini, S. et al. (2006). Supporting Interoperable Geospatial Data Fusion by adopting OGC and ISO TC 211 standards. 9th International Conference on Information Fusion.

Gonzales y Alvarado. (2016). Propuesta de un sistema de información geográfico como herramienta para la gestión del riesgo en desastres naturales en la región de los lagos.

Goodchild, M. F. (2007). Citizens as sensors: the world of volunteered geography. GeoJournal, 69(4), 211-221.

Goodchild, M. F., & Glennon, J. A. (2010). Crowdsourcing geographic information for disaster response: A research frontier. International Journal of Digital Earth, 3(3), 231-241.

Gutiérrez Puebla, J., & Gould, M. (1994). SIG: Sistemas de información geográfica. Síntesis.

Heywood, I., Cornelius, S., & Carver, S. (2011). An Introduction to Geographical Information Systems (4th ed.). Pearson Education.

Hofmann-Wellenhof, B., & Moritz, H. (2005). Physical Geodesy (2nd ed.). Springer.

ICONTEC. (s. f.). NTC 4611. Norma técnica colombiana. Información geográfica. Metadatos.

IDEAM. (s. f.). Geoportal IDEAM.

IGAC. (s. f.). Modelo geoidal de Colombia. Recuperado https://antiguo.igac.gov.co/es/contenido/areas-estrategicas/modelo-geoidal-de-colombia

IGAC. (2004). Adopción del Marco Geocéntrico Nacional de Referencia MAGNA-SIRGAS, como datum oficial de Colombia.

IGAC. (2020). ABC. Nueva proyección cartográfica para Colombia. Origen Nacional.

IGAC. (2024a). Instituto Geográfico Agustín Codazzi.

IGAC. (2024b). Instituto Geográfico Agustín Codazzi.

Iliffe, J., & Lott, R. (2008). Datums and Map Projections for Remote Sensing, GIS and Surveying (2nd ed.). Whittles Publishing.

Instituto Geográfico Agustín Codazzi (IGAC). (2018a). Catastro multipropósito: Fundamentos técnicos para su implementación en Colombia. IGAC.

Instituto Geográfico Agustín Codazzi (IGAC). (2018b). Infraestructura Colombiana de Datos Espaciales (ICDE): Lineamientos para la implementación.

Instituto Geográfico Agustín Codazzi (IGAC). (2020). Sistema de Referencia Geocéntrico Nacional de Colombia (MAGNA).

Li, Z., Zhu, Q., & Gold, C. (2005). Digital Terrain Modeling: Principles and Methodology. CRC Press.

Lillesand, T. M., Kiefer, R. W., & Chipman, J. W. (2015). Remote Sensing and Image Interpretation (7th ed.). Wiley.

Longley, P. A., Goodchild, M. F., Maguire, D. J., & Rhind, D. W. (2015). Geographic Information Science and Systems (4th ed.). Wiley.

Lozada, E. (2017). Funciones de un SIG. https://geopaisa.wordpress.com/2017/12/06/funciones-de-un-sig/

Luna, V. (2023). Amenaza, Riesgo y el papel de los Sistemas de Información Geográfica.

Maskrey, A. (1998). Navegando entre brumas - aplicación de los Sistemas de Información Geográfica en el análisis del riesgo en América latina.

Mileti, D. S. (1999). Disasters by Design: A Reassessment of Natural Hazards in the United States. Joseph Henry Press.

Min-Lang, H., & Jung-Hong, H. (2010). A geospatial service approach for debris flow early warning systems. 4th International Conference on New Trends in Information Science and Service Science.

Montilla, A., & Cantaya, S. (2010). La gestión de riesgos de desastres y el uso de Sistemas de Información Geográfica: Algunas consideraciones.

National Research Council. (2007). Successful Response Starts with a Map: Improving Geospatial Support for Disaster Management. The National Academies Press.

Olaya, V. (2014). Sistemas de información geográfica. https://volaya.github.io/libro-sig/

OroraTech. (s. f.). WildFire Solution [falta URL específica citada en el documento original; verificar con el autor de la figura].

Reef Resilience Network. (2024).

Restrepo, J. D., & Syvitski, J. P. M. (2006). Assessing the effect of natural controls and land use change on sediment yield in a major Andean river: The Magdalena drainage basin, Colombia. AMBIO: A Journal of the Human Environment, 35(2), 65-74. https://doi.org/10.1579/0044-7447(2006)35[65:ATEONC]2.0.CO;2

Schwarz, K. P., Sideris, M. G., & Forsberg, R. (1990). The use of airborne gravimetry for geoid determination. Journal of Geophysical Research: Solid Earth, 95(B12), 21823-21834.

SERTIT and Oficina de las Naciones Unidas para Asuntos del Espacio Ultraterrestre (UNOOSA). (s. f.). Introducción a la percepción remota para la gestión de desastres.

SGC. (2024). Motor de Integración de Información Geocientífica. Servicio Geológico Colombiano.

Sithole, G., & Vosselman, G. (2004). Experimental comparison of filter algorithms for bare-earth extraction from airborne laser scanning point clouds. ISPRS Journal of Photogrammetry and Remote Sensing, 59(1-2), 85-101.

Snyder, J. P. (1987). Map Projections: A Working Manual. U.S. Geological Survey Professional Paper 1395.

Sui, D., Goodchild, M., & Elwood, S. (2013). Crowdsourcing Geographic Knowledge: Volunteered Geographic Information (VGI) in Theory and Practice. Springer.

Tomaszewski, B. (2021). Geographic Information Systems (GIS) for Disaster Management (2nd ed.).

UNDRR. (2015). Sendai Framework for Disaster Risk Reduction 2015–2030.

UNGRD. (2017). Terminología sobre Gestión del riesgo de desastres y fenómenos amenazantes.

UNGRD. (2023). La comunicación en la gestión del riesgo de desastres. El papel de la relación comunidad y entorno. Módulo 3.

UNIGIS. (2019). Blog del Máster en Tecnologías de la Información Geográfica y Ciencia de Datos Espaciales.

USGS (United States Geological Survey). (2020). 3D Elevation Program (3DEP) Fact Sheet.

USGS (United States Geological Survey). (2021). EarthExplorer Platform.

Vanicek, P., & Steeves, R. (1996). Transformation of coordinates between two horizontal geodetic datums. Journal of Geodesy.

Velarde Z., E. et al. (2017). Sistemas de información geográfica participativa para la gestión integrada de riesgos en poblaciones vulnerables de la periferia de Arequipa.

Williamson, I. P., Rajabifard, A., & Feeney, M. E. F. (2003). Developing Spatial Data Infrastructures: From Concept to Reality. CRC Press.

Williamson, I., Rajabifard, A., & Enemark, S. (2010). Land Administration for Sustainable Development. Esri Press.

Wilson, J. P., & Gallant, J. C. (2000). Terrain Analysis: Principles and Applications. Wiley.

Zhong, S. (2010). The Distributed Platform for Geographic Information Service Based on ArcGIS Server and OGC. 6th International Conference Wireless Communications Networking and Mobile Computing, WiCOM 2010.