El análisis mediante Random Forest reveló que la nubosidad es la variable ambiental más crítica (nodo raíz) que afecta la captura de firmas espectrales in situ, debido a su impacto directo en la iluminación solar de la que dependen los sensores pasivos. Otras variables significativas fueron el ángulo de captura y la hora del día, mientras que la humedad y temperatura mostraron una influencia mínima en la respuesta espectral para las condiciones de muestreo evaluadas.

1. Diseño Experimental y Captura de Datos

• Instrumento: Espectrorradiómetro FieldSpec HandHeld 2 (rango: 325-1075 nm).
• Coberturas evaluadas (6): Construcciones (barro/cemento), cuerpos de agua (lénticos), bosque, vegetación herbácea, cultivos, tierras eriales.
• Protocolo de campo: Según recomendaciones del IGAC: uso de panel Spectralon, mediciones en tres momentos del día (mañana, mediodía, tarde), tres ángulos de toma por momento, altura mínima de 1m, vestimenta oscura.
• Variables documentadas: Nubosidad, ángulo de toma, hora, distancia instrumento-objetivo, humedad, temperatura, coordenadas.

2. Postprocesamiento de Firmas Espectrales

• Conversión a reflectancia absoluta: Uso de ASD ToolKit, considerando ubicación, panel de referencia, ángulo y hora.
• Reducción de ruido: Aplicación del filtro Savitzky-Golay (ventana: 41, orden polinomial: 2) mediante la librería SciPy de Python para suavizar las curvas espectrales.

3. Análisis de Similitud Espectral (Validación)

• Imágenes de referencia: Imágenes multiespectrales PlanetScope (Sensor SuperDove, 3m resolución espacial).
• Algoritmo de comparación: Spectral Angle Mapper modificado (msam) de la librería Spectral de Python. Compara el ángulo espectral entre firmas de campo y píxeles de imagen (valor 1 = coincidencia perfecta).
• Propósito: Evaluar cómo las variables de campo afectan la correlación entre la firma medida y la observada desde el espacio.

4. Identificación de Variables Representativas

• Algoritmo: Random Forest (árboles de decisión) implementado en Weka (herramienta RandomTree).
• Variable objetivo: Valor de msam (similitud espectral).
• Variables predictoras: Todas las condiciones documentadas en campo (nubosidad, ángulo, hora, etc.).
• Salida: Árbol de decisión que identifica los nodos raíz (variables más influyentes) en la clasificación de la similitud espectral.

Efectividad del Suavizado Savitzky-Golay: El filtro eliminó eficazmente el ruido de las firmas espectrales crudas, produciendo curvas suaves y más aptas para el análisis, especialmente en regiones espectrales ruidosas.

Análisis de Similitud Espectral (msam) por Tipo de Cobertura:

Jerarquía de Influencia de las Variables: El algoritmo de árboles de decisión (Random Forest) identificó el siguiente orden de importancia para las variables documentadas, basado en su capacidad para predecir la similitud espectral (msam):

1. 1. Nubosidad (Nodo Raíz): La variable más representativa e influyente. Como el espectrorradiómetro es un sensor pasivo que depende de la luz solar, la cobertura nubosa afecta directamente la cantidad y calidad de la iluminación incidente, modificando sustancialmente la respuesta espectral medida.
2. 2. Ángulo de Captura: Variable de gran impacto. El ángulo entre el instrumento, el objetivo y el sol influye en la reflectancia medida y las sombras.
3. 3. Hora del Día: Relacionada con el ángulo solar (altura y azimut), que varía la iluminación y las condiciones atmosféricas a lo largo del día.
4. 4. Distancia instrumento-objetivo: Afecta el campo de visión y la señal capturada.
5. 5. Humedad y Temperatura: Variables de menor impacto en este estudio. Se mantuvieron relativamente constantes durante el período de muestreo y no mostraron una influencia significativa en la variabilidad espectral de las coberturas analizadas.

Validación del Enfoque Metodológico

• msam como Métrica de Validación: El uso del msam para cuantificar la similitud entre firmas de campo y satélite fue efectivo para vincular la calidad de la medición in situ con su utilidad en aplicaciones de teledetección reales.
• Random Forest para Priorización: El algoritmo de aprendizaje automático demostró ser una herramienta robusta y objetiva para identificar relaciones complejas y jerarquizar la importancia de múltiples variables ambientales y operativas.
• Caso de Estudio Revelador: La baja similitud (msam < 0) para los cuerpos de agua subraya un problema crucial: la incompatibilidad de escala y ubicación entre el punto de medición en campo y el área integrada por un píxel satelital. Esto resalta la necesidad de documentar no solo las condiciones ambientales, sino también el contexto espacial preciso de la muestra dentro del metadato.

Limitaciones y Trabajo Futuro

• Generalización: El estudio se realizó en una región y época específicas. La influencia de variables como humedad y temperatura podría ser mayor en otros climas o estaciones. Se requieren estudios en múltiples biomas y condiciones.
• Variables No Consideradas: El estudio no evaluó en profundidad el efecto del tipo de suelo subyacente, el contenido de humedad del propio objetivo, o el viento (que afecta la medición de vegetación).
• Hacia un Estándar Formal: El siguiente paso es proponer un esquema de metadatos formal basado en estándares como ISO u OGC, que incorpore las variables identificadas como críticas y permita la interoperabilidad entre diferentes librerías espectrales (ej., USGS, ECOSPHERE).
• Automatización: Se podría explorar el desarrollo de aplicaciones móviles que guíen la captura de datos y registren automáticamente los metadatos críticos (hora, GPS, condiciones climáticas vía API).

Palabras claves: Firmas espectrales, espectroscopía de campo, metadatos, interoperabilidad, Spectral Angle Mapper (SAM), Random Forest, Savitzky-Golay, teledetección, librerías espectrales, variables ambientales, nubosidad.