Pipeline multilenguaje GeoAI para el monitoreo del manglar en la Ciénaga Grande de Santa Marta (2013–2025)

🌿 Dashboard interactivo: https://linaq11.github.io/cgsm-mangrove-monitoring/dashboard.html

🛰 Datos NASA y observación terrestre: Landsat 8/9 (NASA-USGS), SRTM v3 (NASA), índices ENSO ONI/SOI (NOAA CPC), Global Flood Database (Dartmouth, deriva de MODIS NASA), segmentación con SamGeo (Qiusheng Wu). Tema afín a Flood Early Warning · NASA Lifelines.

Monitoreo espaciotemporal de la cobertura, fragmentación y vigor del manglar de la Ciénaga Grande de Santa Marta entre 2013 y 2025, mediante un pipeline multilenguaje (Python, R, Julia) que integra series ópticas Landsat 8 + Sentinel-2, radar Sentinel-1 SAR y forzamientos climáticos (ENSO, IDEAM, ERA5-Land, CHIRPS); detección de quiebres bfast; segmentación con SamGeo y clasificación Random Forest (F1 = 0,83); y validación contra cartografía colombiana INVEMAR 1:25.000 y global ESA WorldCover v200.

Curso: Programación en SIG, Maestría en Geomática, Universidad Nacional de Colombia    Autora: Lina María Quintero Fonseca    Docente: Alexys H. Rodríguez-Avellaneda Ph.D.    Fecha de entrega: 3 de junio de 2026

---

Resumen del trabajo

La Ciénaga Grande de Santa Marta —CGSM— es el sistema lagunar costero más extenso de Colombia y un humedal Ramsar reconocido por su valor ecológico. Desde la década de los noventa el manglar ha experimentado ciclos de degradación y recuperación asociados al colapso hidrológico por la carretera Ciénaga–Barranquilla, a la hipersalinización y a la intensificación de los eventos ENSO. El presente proyecto desarrolla una pipeline multilenguaje que integra Python, R y Julia para caracterizar la dinámica espaciotemporal del manglar sobre el AOI acotado oficial (835 km² del SFF CGSM + Vía Parque Isla de Salamanca) entre 2013 y 2025, articulando los siguientes componentes:

Fase 1 — Datacube multitemporal (Python + geemap). Construcción de un datacube NetCDF CF-1.8 sobre EPSG:9377 a partir de 789 imágenes Sentinel-2 SR Harmonized (2018–2025) y 345 registros Landsat 8/9 (2013–2017), con composites trimestrales de NDVI, NDWI y CMRI.

Fase 2 — Series temporales y detección de cambios (Python + R). Cálculo de z-scores y anomalías sobre las 8 estaciones de muestreo INVEMAR, complementado con detección de quiebres estructurales mediante bfast en R (h=0.10).

Fase 3 — Segmentación automática (Python + SamGeo). Segmentación promptable de los composites RGB de tres periodos de referencia (degradación 2020, recuperación 2022, actual 2024–2025) mediante el modelo Segment Anything Model con backbone vit_b.

Fase 4 — Métricas de fragmentación (Julia). Cómputo de NP, PD, MPA, MSI y NND sobre los parches segmentados en EPSG:9377, con descomposición de MultiPolygons y filtrado por rango 1–5.000 ha.

Fase 5 — Forzamiento climático y validación cruzada. Acoplamiento con ERA5-Land, CHIRPS, índices ENSO (ONI, SOI) y caudal IDEAM-DHIME del río Magdalena en El Banco y Aracataca; validación doble contra INVEMAR 1:25.000 y ESA WorldCover v200.

Productos

• Dashboard ejecutivo (docs/dashboard.html) con 5 pestañas (Resumen, Cobertura, Clima e hidrología, Validación multilenguaje, Acerca de), 18 KPI, 14 figuras, 6 tablas, glosario técnico y mapa folium con 17 capas temáticas y slider temporal NDVI 2018–2025
• Informe final en PDF y HTML (informe_final.{docx,html,md,pdf}, 25 páginas, 19 referencias APA)
• Anexos en PDF y HTML (informe_anexos.{docx,html,md,pdf}, 12 páginas)
• 3 datacubes NetCDF CF-1.8 (períodos 40 MB, trimestral 275 MB, anual Landsat 119 MB)
• 35 figuras PNG (mapas, series temporales, correlaciones, validación)
• 47 tablas CSV con resultados numéricos completos
• 29 notebooks numerados y reproducibles (22 principales + 7 legacy; Python + R + Julia) dentro de contenedor Docker sig_unal v1.11

Nota sobre el mapa interactivo

El mapa folium embebido en el dashboard sirve las capas NDVI raster como tiles de Google Earth Engine (mapId). Estos tokens tienen vigencia limitada (algunas horas); cuando expiran, el slider funciona pero las capas raster no se renderizan. Para regenerarlos:

python src/python/make_dashboard_html.py
cp outputs/maps/dashboard_CGSM_final.html docs/outputs/maps/
git add docs/outputs/maps/dashboard_CGSM_final.html && git commit -m "Refresh GEE mapIds" && git push

Requiere autenticación activa con Google Earth Engine.

Reproducibilidad

El proyecto se ejecuta dentro del contenedor Docker sig_unal v1.11 que integra Python 3.12, R 4.3.3, Julia 1.11.3 y Quarto 1.4. Las instrucciones detalladas de instalación, autenticación con Google Earth Engine y dependencias adicionales están en el Anexo A de informe_anexos.pdf y en docs/INSTRUCCIONES_EJECUCION.md.

# Clonar el repositorio
git clone https://github.com/linaq11/cgsm-mangrove-monitoring
cd cgsm-mangrove-monitoring

# Levantar el contenedor (requiere Docker Desktop)
docker run -p 8889:8888 -p 8788:8787 \
  -v $(pwd):/home/rstudio/work/proyecto-cgsm \
  image_sig_unal:v1.11_produccion_final

# Acceder a Jupyter en http://localhost:8889
# Acceder a RStudio en http://localhost:8788

Estructura del repositorio

cgsm-mangrove-monitoring/
├── data/                Datos crudos (AOI, admin, INVEMAR) y procesados (cubos, RGB)
├── docs/                Informe + anexos + dashboard ejecutivo servidos por GitHub Pages
│   ├── dashboard.html                  Dashboard principal (open-design, self-contained)
│   ├── informe_final.{docx,html,md,pdf}  Informe técnico (25 páginas)
│   ├── informe_anexos.{docx,html,md,pdf} Anexos (12 páginas)
│   ├── INSTRUCCIONES_EJECUCION.md      Orden exacto de ejecución de notebooks y scripts
│   └── outputs/                        Figuras y mapa copiados para Pages
├── notebooks/           29 notebooks numerados (22 principales + 7 legacy; Python + R + Julia) en orden de ejecución
├── outputs/             Figuras PNG, tablas CSV, mapas HTML, métricas
└── src/
    ├── python/          Módulos auxiliares + scripts de generación
    ├── R/               Scripts bfast y cubo stars
    └── julia/           Métricas de fragmentación

Citas y datos abiertos

Los datos satelitales provienen de Google Earth Engine (Sentinel-2, Landsat 8/9, Sentinel-1 SAR, JRC GSW, SRTM, GFD). Los datos de campo provienen del INVEMAR vía GBIF (DOI: 10.15472/0fqdp4). Los forzamientos climáticos provienen de NOAA-CPC (ENSO), IDEAM-DHIME (caudal) y ECMWF ERA5-Land/CHIRPS (clima local). La cartografía de referencia es INVEMAR 1:25.000 y ESA WorldCover v200. El caudal del río Magdalena es la exportación del portal DHIME del IDEAM para las estaciones El Banco y Ganadería Caribe, datos abiertos conservados con su procedencia en data/raw/ideam/.

Licencia

MIT — uso libre con atribución. Ver archivo LICENSE.