An Empirical Line Model (ELM) was tested to correct Sentinel-2A (MSI) images acquired in the tropical archipelago of San Andrés, Colombia. This approach uses a linear regression to model the relationship between the average ground reflectance and radiance on bands 2, 3, 4, and 8, for 32 spectrally homogeneous targets. The model was validated from eight targets measured on different land-covers trough the estimated coefficient of determination R 2. The result of the prediction equations observed was high, with a value of R 2 :0.91 performed at the 0.01 level of significance for the four wavebands, against the R 2 :0.77 of SEN2COR and R 2 :0.81 of ATCOR Correction Models. Complementary, a quantitative approach was proposed to determine the suitability of the ELM, based on the spectral response on six land-covers types for every band after correction. A separability index (M) was used from a set of independent targets to estimate the effectiveness of spectral classification of land-covers. The more evident results of the correction are on the vegetation cover in the NIR band (785-900 nm), where the ELM has 55% and 58% more separability than the SEN2COR and ATCOR models, respectively. Additionally, the absolute difference between the Top-of-Atmosphere (TOA) and Bottom-of-Atmosphere (BOA) images was calculated, finding the highest differences in the NIR band with 0.094 in the L1C-TOA reflectance image, and 0.013 in the ELM-BOA image. Finally, a sensitivity analysis on the Normalized Difference Vegetation Index (NDVI) to estimate the performance of the spectral response of ELM on vegetation cover was employed.

La caracterización geomorfológica es un elemento descriptivo del paisaje que permite la identificación de rasgos geofísicos resultantes y específicos en el tiempo a través de unidades. El presente trabajo es una propuesta alternativa para la identificación de dichas unidades en el complejo paisajístico del archipiélago de San Andrés y Providencia, mediante el empleo de índices espectrales provenientes de imágenes satelitales WorldView 2 y 3, los cuales permiten mejorar la identificación y segmentación pictórica-morfológica de los elementos contenidos en las imágenes empleadas. Los resultados obtenidos, en contrastes con los publicados por autores; permiten identificar, detallar, estimar y evaluar un número mayor (más de diez) de unidades geomorfológicas a escala 1:2.000, la cuales fueron verificadas a través de validaciones estadísticas integradas con datos de campo. En el caso de resultados obtenidos mediante métodos tradicionales como ecosondeo multihaz y observaciones directas en campo, en ocasiones tienden a arrojar información de mayor resolución y detalle del fondo marino, acompañada de una descripción ecológica de la zona más acertada; no obstante variables como área efectiva de captura, precisión, cubrimiento espacial y discriminación de unidades geomorfológica de dichos métodos son de tipo puntual, lo que conlleva a que estos no sean tan efectivos al momento de su elección debido a la complejidad que requieren y a sus tiempos de ejecución.

Abstract. The increasing availability of EO data from the Copernicus program through its Sentinel satellites of the medium spatial and spectral resolution has generated new applications for risk management and disaster management. The recent growth in the intensity and number of hurricanes and earthquakes has demanded an increase in the monitoring of landslides. It is necessary to monitor large areas at a detailed level, which has previously been unsatisfactory due to its reliance on the interpretation of aerial photographs and the cost of high-resolution images.Using the differential Bare Soil Index for optical imagery interpretation in combination with cloud-computing in Google Earth Engine is a novel approach. Applying this method on a recent landslide event in Oaxaca in Mexico around 62% of the landslides were detected automatically, however, there is a big potential for improvement. Including NDVI values and considering images with a higher spatial resolution could contribute to the enhancement of landslide detection, as the majority of missed events have a size smaller than half a pixel. Landslide detection in Google Earth Engine has become a promising approach for big data processing and landslide inventory creation.

Para la cartografía y monitoreo de los arrecifes de coral, un mapa batimétrico es útil como un mapa base. Diferentes métodos han sido desarrollados para cartografiar la batimetría usando sensores remotos. Dos grandes grupos se pueden distinguir. El primero utiliza datos de teledetección de sensores activos y el segundo se basa en el empleo de sensores pasivos para generar información multiespectral. Este artículo se centra en el método de datos provenientes de sensores pasivos. Una modificación al método DOP “Profundidad de penetración” mediante espectrometría que se llevó a cabo en imágenes Landsat ETM+ sobre Archipiélago de San Andrés y Providen- cia (Colombia). Las mediciones de profundidad utilizadas en la validación del mo- delo fueron derivadas de lecturas de ecosonda en campo e interpolación de mapas batimétricos. La exactitud de la prueba reveló que el modelo batimétrico resultante es útil para el mapeo en zonas de arrecifes de coral del mar Caribe hasta 25m de profundidad aproximadamente. Los datos no conformes a la realidad fueron gene- rados por suposiciones inherentes a la teoría utilizada, la interpolación de datos, las características de la imagen de satélite y los errores durante la ejecución del método.

Durante la última década, ha habido un número creciente de trabajos publicados sobre la gravedad de los incendios forestales utilizando datos de teledetección para fines de gestión de recursos naturales y de investigación. Muchos de estos estudios cuantifican los cambios entre las condiciones de vegetación antes y después del incendio a partir de imágenes satelitales utilizando índices espectrales; sin embargo, hay una discusión activa sobre cuál de los índices más comúnmente usados es más adecuado para estimar la severidad de la quemadura, y qué metodología es la mejor para la estimación de los niveles de severidad. Este estudio propone y evalúa un algoritmo de aprendizaje automático de Estimación de Máxima Verosimilitud (EMV) para mapear la severidad de las quemaduras como una alternativa a los modelos de regresión.Desarrollamos ambos métodos usando datos de campo de GeoCBI (Índice Compuesto de Quema Geométricamente Estructurado, siglas en inglés) y seis índices espectrales diferentes (derivados de imágenes Landsat TM y ETM+) para dos incendios forestales en el centro de España. Comparamos la capacidad para discriminar la severidad de la quemadura de estos índices a través de un índice de separabilidad espectral (M), y evaluamos su concordancia con datos de campo basados en GeoCBI usando el coeficiente de determinación (R2). Posteriormente, el índice seleccionado se utilizó para los modelos de regresión y la EMV para estimar los niveles de severidad de quema (sin quemar, bajo, moderado y alto), y se validó con datos de campo. El índice RBR mostró una mejor separabilidad espectral (promedio entre dos fuegos M= 2.00) que el dNBR (M= 1.82) y RdNBR (M= 1.80). Además, GeoCBI tuvo un mayor ajuste con RBR (R2= 0.73) que con RdNBR (R2= 0.72) y dNBR (R2= 0.71).Finalmente, la EMV mostró la mayor precisión de clasificación general (Kappa=0,65) y la mejor precisión para cada clase individual.