NDVI2GIF

Composites estacionales con Google Earth Engine

II Jornadas de Ecoinformática de la AEET
Sevilla · 2 de octubre de 2026

Diego García Díaz
Laboratorio de SIG y Teledetección
Estación Biológica de Doñana (CSIC)

Quién hay detrás · el laboratorio

Laboratorio de SIG y Teledetección

El LAST es el servicio de SIG, teledetección y drones de la Estación Biológica de Doñana: da soporte a la investigación del centro y al seguimiento a largo plazo de la marisma. ebd.csic.es/web/last/inicio · last-ebd.blogspot.com

Qué hacemos

Geoportal y servicios web mapping Asistencia científica en SIG y teledetección Seguimiento de Doñana e ICTS Vuelos de dron: multiespectral, hiperespectral, térmico y LiDAR Equipamiento: GPS y radiometría Formación Impresión 3D

El Principio. El concurso y la convergencia

El código, la modestia y la humildad

El origen de la librería · clase 1 de 7

NdviSeasonality

Genera composites temporales server-side en Google Earth Engine: divide el año en periodos y agrega cada uno con un reductor estadístico. La pieza de la que cuelga todo lo demás.

7 sensores y 2 climáticos

Sentinel-1/2/3 · Landsat 4, 5, 7, 8 y 9 · MODIS
Luces: VIIRS y DMSP-OLS · Clima: ERA5-Land y CHIRPS

Hasta 44 índices

44 en Sentinel-2 · 34 en Landsat · 33 en MODIS
23 en Sentinel-3 · 7 en Sentinel-1 · 47 variables ERA5
ndvi · mndwi · evi · nbr · rvi · savi…

Periodos flexibles

4 estaciones · 12 meses · 24 quincenas · o N divisiones a medida

Once reductores por periodo

max pico de verdor median robusto a outliers
mean perfil suave sum lluvia min
percentile p10–p95 std variance range cv count escenas

ROI: ee.Geometry · shapefile · GeoJSON · tile WRS/MGRS · ID de DEIMS.org

get_year_composite()get_period_composite() get_peak_period()get_stats()get_gif() export_to_drive()export_to_asset()

Preprocesado radar · clase 2 de 7

S1ARDProcessor

Convierte Sentinel-1 GRD crudo en Analysis Ready Data: corrección radiométrica del terreno y filtrado de speckle, todo dentro de GEE. Porque el radar ve de noche y entre nubes… pero llega lleno de “sal y pimienta”.

Corrección de terreno

Flattening radiométrico VOLUME/SURFACE
DEM: Copernicus 30 m · SRTM 30 y 90 m
Corrige la geometría del relieve

5 filtros de speckle

Refined Lee (por defecto)
Lee · Lee-Sigma · Gamma-MAP
Boxcar · kernel configurable

Salida lista para usar

Lineal o decibelios (dB)
Se integra como índice más
vv · vh · vv_vh_ratio · rvi
dpsvi · rfdi · vsdi

Pipeline ARD

S1 GRD crudo→Terrain flattening→Speckle filter →Lineal / dB→Índice radar

process_image()apply_terrain_correction() apply_speckle_filter()from_db()to_db()

Clasificación · clase 3 de 7

LandCoverClassifier — poniendo etiquetas

Usa las métricas estacionales como features multitemporales y clasifica el territorio en GEE. La fenología separa cultivos, marisma y monte mejor que una sola imagen.

Feature stack

Apila índices de todos los periodos
+ estadísticos: mean, std, max, min
Varios sensores en una pila: resample=

5 supervisados

Random Forest (por defecto)
SVM · CART
Naive Bayes · Gradient Tree Boost
Entrena desde FeatureCollection

3 no supervisados

K-means · Cascade K-means (elige su k)
LVQ, red neuronal competitiva
Sin datos de entrenamiento

Validación

Matriz de confusión
Overall accuracy y Kappa
Producer / user por clase
Feature importance: qué índices mandan

Métodos

create_feature_stack()add_training_data() classify_supervised()classify_unsupervised() get_accuracy_report()plot_confusion_matrix() get_feature_importance()export_results()export_model()

Análisis temporal · clase 4 de 7

TimeSeriesAnalyzer — leer el tiempo

Extrae la serie temporal de un punto o ROI y la interroga estadísticamente: ¿hay tendencia significativa? ¿cuándo verdece? Trabaja del lado del cliente, con la serie ya descargada.

Tendencias robustas

Test de Mann-Kendall (no paramétrico)
Pendiente de Sen · regresión lineal
Significancia sin asumir normalidad

Fenología de un punto

Inicio / pico / fin de estación
Umbral · derivada · logístico
Amplitud, duración y tasas

Dashboards de una llamada

Serie + tendencia, patrón estacional
Comparación interanual, autocorrelación
Distribución y calidad del dato

Métodos · los siete, públicos

extract_time_series()analyze_trend() extract_phenology_metrics()plot_comprehensive_analysis() plot_phenology_analysis()compare_phenology_years() compare_smoothing_impact()

La tendencia como mapa · clase 5 de 7

SpatialTrendAnalyzer — ¿dónde cambia?

La tendencia que TimeSeriesAnalyzer calcula para un punto, pero para todos los píxeles del ROI y entera dentro de GEE. Una sola llamada, un ráster de hacia dónde va cada parcela.

Tres métodos

linear
sen
mann_kendall
Mann-Kendall devuelve además la pendiente de Sen: el test dice si el cambio es real, Sen cuánto

Bandas de salida

slope · intercept · magnitude
tau
magnitude: el cambio total del periodo
tau: correlación de rangos con el tiempo, −1 a 1, sin unidades

Píxeles con poco dato, fuera

min_observations=5 por defecto
Enmascara donde no hay serie suficiente
Exporta con export=True

Métodos · una sola puerta de entrada, como su hermana SpatialPhenologyAnalyzer

calculate_pixel_trends(method, min_observations, export, scale)

Del punto al mapa · clase 6 de 7

SpatialPhenologyAnalyzer — la fenología como ráster

Las mismas métricas que TimeSeriesAnalyzer saca de un punto, pero para todos los píxeles del ROI y enteras dentro de GEE. En lugar de una curva, un mapa de cuándo despierta cada parcela.

Tres métodos

Umbral sobre la amplitud de la curva
Derivada: la máxima tasa de cambio
Armónico (Fourier), el doble logístico no cabe en GEE

Nueve bandas

sos · pos · eos · los
Día del año, no una fecha suelta
amplitude · peak_value · baseline
growth_rate · senescence_rate

Año a año, o el resumen

extract_phenology_rasters(): una imagen por año
phenology_summary(): la mediana de todos
Pide periods=12 o 24; con 4 avisa

Métodos · es la clase del tercer notebook de hoy

extract_phenology_rasters(method, export…) phenology_summary(method, reducer)

La novedad · clase 7 de 7

HydroperiodAnalyzer — cuántos días bajo el agua

Calcula el hidroperiodo — días de inundación al año, píxel a píxel — íntegramente en GEE. Pensado para humedales como Doñana. Novedad de la v1.2.

Ponderación midpoint

Cada escena “pesa” días según su fecha
5 máscaras de agua: mndwi · ndwi
awei · aweinsh · wi2015
Acumula días inundados / válidos

Año hidrológico

Empieza 1 de septiembre (configurable)
Multi-ciclo: compute_all_cycles()
Mapa de anomalías frente a la media

Métricas IRT

Representatividad temporal del dato
Global (Gini) y por píxel (Simpson)
Bandas: first/last_flood_doy

Métodos · reutiliza una instancia de NdviSeasonality: hereda ROI, sensor, fechas y máscara de nubes. Metodología basada en phydroperiod.

compute_hydroperiod()compute_all_cycles() compute_anomalies()get_water_masks()get_water_masks_stack() compute_irt_global()compute_irt_image() export_to_drive()export_to_asset() export_water_masks_to_drive()export_water_masks_to_asset()

Manos a la obra · el guion de hoy

Tres notebooks — y el libro donde viven

Lo que viene no son diapositivas: son notebooks que se abren en Colab con un botón, se ejecutan con vuestra propia cuenta de Earth Engine y se cambian de sitio cambiando el ROI. Están en el repositorio, en workshops/ecoinformatica/notebooks.

ROIs y estadísticosDoñana

Cinco maneras de decir dónde mirar
El reductor manda: max, median, mean, p95
El GIF, y un ráster de doce bandas a QGIS

HidroperiodoDoñana

Días de inundación por año
Ciclos 2021-2025 y anomalías
Todo dentro de Earth Engine

FenologíaBajo Guadalquivir

Inicio, pico y fin de estación
Ráster, no una curva por punto
El arroz y los años de sequía

Lo que no cabe en una hora está en el libro: digdgeo.github.io/Ndvi2Gif — luces nocturnas, incendios, clasificación multisensor, calidad de aguas, series temporales, píxeles estables… Cada página trae su botón de Colab, así que se ejecuta entera en casa, con vuestro ROI.

digdgeo.github.io/Ndvi2Gif

Acabando, la clase y la espera

Si alguna vez la vida te maltrata,
acuérdate de mí,
que no puede cansarse de esperar
aquel que no se cansa de mirarte.

Luis García Montero

diegogarcia@ebd.csic.es
GitHub: @Digdgeo