Reducción de la resolución espacial de imágenes satelitales basada en parámetros morfométricos para estimar el Índice de Humedad Topográfica usando herramientas SIG

Por qué importan los mapas más nítidos para la seguridad en zonas de montaña

En regiones montañosas empinadas y lluviosas, pequeñas diferencias en la forma del terreno pueden decidir dónde se acumula el agua, dónde se satura el suelo y dónde una ladera podría ceder de forma repentina. Este estudio explora cómo los mapas de elevación generados por ordenador pueden afinarse para capturar mejor esas formas sutiles, de modo que planificadores y científicos puedan localizar con mayor fiabilidad las zonas propensas a inundaciones, deslizamientos y otros movimientos en masa.

De alturas borrosas a un terreno detallado

El trabajo se centra en los Modelos Digitales de Elevación, o DEM: mapas en rejilla donde cada celda almacena la altura del terreno. Los DEMs de baja resolución, con celdas grandes, difuminan crestas, valles y líneas de drenaje, mientras que los de alta resolución revelan mucho más detalle. Pero los datos de alta resolución no siempre están disponibles ni son asequibles, especialmente en montañas remotas. Los autores estudiaron cómo distintos enfoques matemáticos pueden "reducir la escala" o refinar DEMs más toscos en otros más finos, creando representaciones más nítidas del terreno sin nuevas prospecciones de campo.

La cuenca montañosa como laboratorio natural

Los investigadores se centraron en la cuenca del Jhelum en Azad Jammu y Kashmir, una región accidentada y propensa a deslizamientos en Pakistán que experimenta lluvias intensas y movimientos en masa repentinos. Usaron varios conjuntos de datos DEM con tamaños de celda de 30, 20, 12,5 y 1,5 metros, algunos derivados de misiones satelitales y otros de levantamientos terrestres detallados. Estos conjuntos permitieron evaluar cómo distintos métodos de reducción de escala podían reproducir una superficie de referencia muy detallada y de confianza, y cómo esto afectaba a las mediciones de pendiente, orientación (la dirección a la que mira una pendiente), curvatura y los cauces de escorrentía.

Poniendo a prueba los métodos de reducción de escala

Se compararon seis técnicas: métodos de interpolación comunes como vecino más próximo, mayoría, bilineal, bicúbica y kriging, junto con un enfoque más avanzado basado en una Red Neuronal de Hopfield (HNN). Cada método se usó para refinar DEMs más groseros hacia resoluciones más finas, y las superficies resultantes se evaluaron frente a datos de campo de alta calidad. El equipo se centró en los "factores morfométricos" que describen la forma del terreno: qué tan escarpado es, hacia dónde mira, si es cóncavo o convexo, cómo se acumula el agua y el patrón general de la cuenca. Estos factores alimentan el Índice de Humedad Topográfica (TWI), una medida ampliamente usada que señala dónde es más probable que se acumule agua y que los suelos estén húmedos o inestables.

Un terreno más nítido conduce a puntos húmedos más claros

El análisis mostró que los seis métodos mejoraron la precisión de los DEMs en distintos grados, pero la interpolación bicúbica y, en especial, el método HNN fueron los que obtuvieron un rendimiento consistentemente mejor. Cuando los datos gruesos se refinaron a resolución media, los errores se redujeron aproximadamente entre una cuarta y tres cuartas partes; al refinarse más hacia la malla más fina, las mejoras de precisión alcanzaron más del 90% en algunos casos. Estas ganancias se tradujeron en estimaciones mucho mejores de propiedades de primer orden del terreno, como pendiente y orientación, que son cruciales para modelar movimientos en masa. Sin embargo, el estudio encontró que no toda mejora en la precisión del DEM mejora automáticamente productos de segundo orden como la curvatura y el TWI en las escalas más finas; en algunos casos de resolución media a alta, un remuestreo adicional hizo poco o incluso pudo degradar estos indicadores más sensibles.

Qué implica para deslizamientos e inundaciones

Para un público no especializado, el mensaje clave es que no todo "afinado" de los datos de elevación es igual, y que importa dónde se aplica. Al elegir cuidadosamente cómo refinar los DEMs—favoreciendo métodos como las Redes Neuronales de Hopfield y la interpolación bicúbica, y usándolos principalmente al pasar de resoluciones bajas a medias—los científicos pueden obtener mapas más fiables de cómo se mueve el agua en paisajes montañosos y dónde el terreno tiende a mantenerse húmedo. Esos mapas de humedad más precisos, a su vez, ayudan a mejorar la modelización de inundaciones, las evaluaciones de susceptibilidad a deslizamientos y la planificación del uso del suelo en terrenos de riesgo. El estudio ofrece orientación práctica sobre qué técnicas funcionan mejor y advierte que forzar mallas cada vez más finas no siempre produce mejores predicciones sobre dónde pueden fallar las pendientes.

Cita: Shabbir, H., Ehsan, M., Raza, D. et al. Downscaling the spatial resolution of satellite imagery based on morphometric parameters to estimate the Topographic Wetness Index using GIS tools. Sci Rep 16, 8869 (2026). https://doi.org/10.1038/s41598-026-42557-1

Palabras clave: modelo digital de elevación, índice de humedad topográfica, riesgo de deslizamientos, reducción de escala del terreno, hidrología de montaña