🌍 Descarga y clasificación supervisada de imágenes Sentinel-2 con Google Earth Engine y QGIS (DZetsaka)

🛰️ Introducción

En la teledetección aplicada a la planificación territorial y estudios ambientales, Sentinel-2 se ha convertido en una de las fuentes de datos más utilizadas gracias a su resolución espacial de 10 a 20 metros y su cobertura global gratuita.

En este artículo te mostraré cómo descargar imágenes Sentinel-2 procesadas desde Google Earth Engine (GEE) y cómo realizar una clasificación supervisada en QGIS usando el complemento DZetsaka (Classification Tool).

👉 Código de descarga: Repositorio GitHub — Descargar_Imagen_sentinel

🧭 1. Descarga de imágenes Sentinel-2 desde Google Earth Engine

Google Earth Engine permite acceder al catálogo completo de imágenes Sentinel-2 (nivel SR o TOA) con corrección atmosférica.
El repositorio anterior incluye un script en Python compatible con Google Colab para automatizar la descarga de imágenes de un área de estudio.

🔧 Requisitos

Una cuenta en Google Earth Engine.
Acceso a Google Colab.
El script disponible en el GitHub del proyecto.

📜 Pasos básicos

Abre el script en Colab desde el repositorio.
Define los parámetros:
- Área de estudio (ROI) en formato .shp o coordenadas.
- Fechas de inicio y fin (por ejemplo: 2024-05-01 a 2024-05-31).
- Nubes máximas permitidas (ej. 20%).
Ejecuta el código para exportar la imagen compuesta (mosaico) a Google Drive o descargarla como GeoTIFF multibanda.

El resultado será una imagen Sentinel-2 limpia y alineada, lista para su análisis en QGIS.

🎨 2. Combinaciones de bandas Sentinel-2 y sus aplicaciones

Las imágenes Sentinel-2 cuentan con 13 bandas espectrales que cubren el visible, infrarrojo cercano (NIR) y el infrarrojo de onda corta (SWIR). Cada combinación permite resaltar distintos aspectos del terreno.

Combinación	Bandas (RGB)	Aplicación principal
Natural Color	4-3-2	Visualización similar al ojo humano (urbano, vegetación básica, agua).
Color infrarrojo (vegetación)	8-4-3	Resalta la vegetación en tonos rojos; útil para análisis NDVI.
Falsa color SWIR	12-8-4	Detección de humedad del suelo y áreas quemadas.
Geología y suelos	12-11-2	Diferenciación de tipos de suelo y formaciones rocosas.
Agricultura	11-8-2	Evaluación de vigor vegetal y detección de cultivos.
Aguas continentales	3-2-1	Identificación de cuerpos de agua, turbidez y algas.
NDVI (Índice de Vegetación)	(8-4)	Cálculo de biomasa y salud de la vegetación.
NDBI (Índice de áreas urbanas)	(11-8)	Detección de superficies construidas.

Estas combinaciones pueden visualizarse directamente en QGIS o en Google Earth Engine antes de descargar la imagen.

🗺️ 3. Clasificación supervisada con QGIS y DZetsaka

Una vez que tengas tu imagen descargada, es momento de clasificarla para identificar coberturas como bosque, agua, suelo, agricultura, etc.

🔹 Instalación del plugin DZetsaka

Abre QGIS.
Ve a Complementos → Administrar e instalar complementos.
Busca “DZetsaka” y haz clic en Instalar.

DZetsaka utiliza algoritmos de machine learning (como Random Forest y SVM) de la librería scikit-learn, pero todo dentro de QGIS — sin necesidad de programar.

🌱 4. Preparación de las muestras de entrenamiento

Crea una capa vectorial (polígono) llamada muestras.gpkg.
Agrega un campo llamado “class” donde asignarás el nombre o número de cada clase (por ejemplo, 1 = Bosque, 2 = Agua, 3 = Suelo).
Dibuja al menos 10 muestras por clase para un buen entrenamiento.

⚙️ 5. Configuración de la clasificación

Abre el panel de DZetsaka en QGIS.
En el apartado Training shapefile, selecciona muestras.gpkg.
En Image, selecciona tu raster multibanda Sentinel-2.
En Class field, elige el campo class.
En Classifier, selecciona Random Forest (recomendado).
Haz clic en Run classification.

DZetsaka procesará tu imagen y generará un nuevo raster clasificado con las coberturas detectadas.

🧩 6. Post-procesamiento

Para mejorar la salida, puedes aplicar:

Filtro de mayoría (Majority Filter): Raster → Filtros → Filtro de mayoría.
Eliminación de píxeles aislados (Sieve): Raster → Herramientas de GDAL → Filtro de tamizado (Sieve).

📊 7. Validación de la clasificación

Agrega puntos de validación (por ejemplo, 30 puntos aleatorios por clase) y compara con imágenes de alta resolución o Google Earth para calcular la matriz de confusión y la precisión global.

🧠 Conclusiones

GEE permite obtener imágenes Sentinel-2 limpias y sin nubes, listas para clasificar.
DZetsaka es una alternativa ligera y robusta frente a otros plugins como SCP, especialmente cuando estos fallan por dependencias.
Las combinaciones de bandas Sentinel-2 permiten personalizar la visualización y mejorar la discriminación entre coberturas.
La combinación GEE + QGIS permite generar productos de cobertura de uso del suelo de forma ágil y reproducible.