La luz nocturna observada desde satélite se ha convertido en una herramienta habitual para seguir la urbanización, la actividad económica y la evolución de los asentamientos humanos. Su valor está en que permite observar, de forma global y comparable, dónde crecen las ciudades, cómo se expanden las infraestructuras y qué territorios concentran mayor actividad nocturna. Sin embargo, las series disponibles hasta ahora presentaban una limitación importante: no eran plenamente continuas ni homogéneas en el tiempo.

El problema procede de la combinación de dos grandes fuentes de datos. El sistema DMSP-OLS ofrece una serie histórica larga, desde los años noventa, pero con menor resolución espacial, baja sensibilidad radiométrica y problemas de saturación en las zonas urbanas más iluminadas. En cambio, NPP-VIIRS proporciona observaciones más precisas, detalladas y sensibles, pero su cobertura anual global comienza en 2012. Esta ruptura entre sensores ha dificultado la construcción de análisis de largo plazo sobre urbanización, crecimiento económico, electrificación o cambios en infraestructuras.

Un estudio publicado recientemente en Journal of Remote Sensing aborda esta brecha mediante una reconstrucción global de datos anuales de luz nocturna entre 1992 y 2024. El trabajo, propone una nueva base de datos tipo NPP-VIIRS que extiende hacia atrás la calidad de las observaciones modernas y permite analizar más de tres décadas de cambios urbanos, económicos y demográficos con mayor coherencia temporal.

El equipo desarrolló un marco basado en aprendizaje profundo para reconstruir una serie anual global con resolución de 15 segundos de arco y valores expresados en nanovatios por centímetro cuadrado y estereorradián, la misma unidad utilizada por NPP-VIIRS. El resultado es un producto diseñado para estudiar con mayor precisión la evolución espacial de la actividad humana desde comienzos de los años noventa hasta la actualidad.

Una reconstrucción basada en deep learning

El principal reto del estudio era conectar dos generaciones de observación nocturna muy diferentes. DMSP-OLS permitió construir una larga memoria histórica de la luz artificial nocturna, pero su señal se degrada en las áreas más iluminadas. En los centros urbanos, los corredores industriales o las zonas con alta concentración de actividad, la saturación del sensor limita la capacidad para distinguir distintos niveles de radiancia.

Para superar esta limitación, el equipo combinó datos anuales del índice de vegetación mejorado de Landsat, información DMSP-OLS armonizada, datos mensuales NPP-VIIRS y otros conjuntos auxiliares de enmascaramiento y validación. A partir de esa integración, desarrolló primero un índice de luz nocturna ajustado mediante vegetación, denominado EANTLI, diseñado para reducir los efectos de saturación en los datos históricos.

Después, los investigadores entrenaron un modelo de aprendizaje profundo basado en una arquitectura Attention U-Net con conexiones de salto para superresolución, denominada ASSR. El modelo utilizó datos anuales NPP-VIIRS de 2013 como referencia y datos de 2012 para validación. Con esta base, reconstruyeron una serie anual global tipo VIIRS desde 1992 hasta 2024.

El nuevo producto mantiene la unidad radiométrica de NPP-VIIRS —nanovatios por centímetro cuadrado y estereorradián— y ofrece una resolución espacial de 15 segundos de arco. Además, amplía una versión anterior que comenzaba en 2000, lo que permite analizar de forma más completa procesos de largo plazo como la expansión urbana, la electrificación, el crecimiento de infraestructuras o los efectos territoriales de crisis económicas y conflictos.

Resultados, aplicaciones y límites de la nueva base de datos

Los resultados muestran una fuerte correspondencia entre la serie reconstruida y los datos oficiales NPP-VIIRS. El producto alcanza valores de R² de 0,66 a escala de píxel, 0,91 a escala de ciudad y 0,93 a escala provincial. Esta mejora es especialmente relevante en las zonas saturadas de DMSP-OLS, donde los datos históricos resultaban menos fiables.

En esas áreas, la nueva base supera al producto SVNTL utilizado como referencia: obtiene un R² de 0,54 y un RMSE de 20,18, frente a un R² de 0,22 y un RMSE de 31,47. En términos prácticos, esto significa que el modelo recupera mejor las diferencias internas en espacios urbanos intensamente iluminados, donde los sensores antiguos tendían a ofrecer una señal excesivamente plana.

La serie también conserva mejor el detalle espacial y ofrece una transición más suave entre 2011 y 2013, el periodo crítico de paso entre DMSP-OLS y NPP-VIIRS. Esto reduce el riesgo de confundir cambios reales en la actividad humana con discontinuidades provocadas por el cambio de sensor.

El estudio muestra además que la nueva base de datos puede reflejar grandes alteraciones económicas y territoriales, como la desaceleración europea de 2004, la recesión global de 2008 o perturbaciones recientes en Ucrania. A escala global, los ajustes con PIB y población alcanzan valores de R² de 0,91 y 0,92, respectivamente, lo que confirma el interés de la luz nocturna como indicador indirecto de actividad humana.

Sus aplicaciones son amplias. Puede utilizarse para estudiar la expansión urbana, la resiliencia económica, el desarrollo de infraestructuras, los cambios demográficos, la evaluación de desastres o la comparación socioeconómica entre regiones y países. Para el ámbito de la iluminación y el alumbrado, también ofrece una capa complementaria para analizar la evolución de la huella nocturna de ciudades y territorios.

Con todo, el producto tiene una limitación: su resolución temporal es anual. Esto lo hace adecuado para estudiar tendencias de largo plazo, pero no para analizar fenómenos rápidos, apagones breves, eventos temporales o cambios estacionales. Los autores apuntan que futuras investigaciones podrían avanzar hacia resoluciones mensuales o diarias. 

Puede acceder al paper completo de la investigación a través del siguiente enlace:

https://spj.science.org/doi/10.34133/remotesensing.0874

Fuente de Imágenes: Imágenes de recursos generadas por IA que no pertenecen a la investigación