Afuera no para de llover. Es esa lluvia de Valdivia que parece que no va a terminar nunca, un golpeteo constante sobre el techo de zinc que ya es parte del ruido de fondo de mi vida. Estoy acá, en mi rincón de siempre, con la luz de la pantalla reflejada en los vidrios empañados, mirando fijamente una línea de código que simplemente no quiere funcionar. Una tarde de lluvia intensa en julio, hace apenas unas semanas, me encontré de nuevo con ese texto rojo en la consola de RStudio que te dice que algo hiciste mal, pero no te dice exactamente qué, y por un momento sentí que el bosque que quería proteger estaba tan lejos como la solución a ese error de sintaxis.
Oye, antes de que me olvide y me ponga a hablar de las nubes: algunos de los enlaces que vas a ver en este texto son de afiliado. Eso significa que si decides comprar algún curso a través de ellos, a mí me llega una comisión por el dato (que me ayuda a pagar el café para estas tardes de estudio) y a ti no te cuesta ni un peso extra. Solo te recomiendo cosas que yo misma he usado para pelearme con los datos, como el curso de Teledetección Satelital con R y R-Studio que fue el que finalmente me hizo entender por qué mis mapas salían deformes. Si algo no lo he probado, simplemente no lo vas a ver aquí.
La necesidad de ver desde arriba (sin ser experta)
La verdad es que yo no soy geógrafa, ni ingeniera forestal, ni mucho menos programadora. Trabajo medio tiempo en una oficina y el resto del día trato de entender el mundo a mi ritmo. Pero vivo rodeada de verde, y ese verde está cambiando. Desde mi ventana he visto cómo las plantaciones de pinos avanzan y cómo el bosque nativo, ese que tiene ese olor a tierra mojada tan especial, se va quedando en pedacitos cada vez más chicos por culpa de las inmobiliarias. Quería documentarlo, quería verlo con mis propios ojos pero con datos, no solo con la pena que me da cada vez que escucho una motosierra a lo lejos.
Y ahí fue cuando me metí en este baile de la teledetección. Al principio pensaba que era algo para gente de la NASA, pero resulta que los satélites están ahí arriba mandando información todo el tiempo y que cualquiera (bueno, cualquiera con mucha paciencia) puede bajar esos datos. El problema empezó cuando intenté usar los programas tradicionales que pesan gigas y gigas, o las herramientas en la nube que te piden internet de alta velocidad todo el tiempo. Acá en el sur, a veces el internet se pone tímido con el viento, y yo necesitaba algo que funcionara en mi computador, a mi ritmo, aunque no estuviera conectada.
Por qué elegí R y no otra cosa
Mucha gente me decía que usara herramientas web, pero a mí me gusta tener las cosas en mi disco duro. Hay una ventaja enorme en R que casi nadie te cuenta en los tutoriales gringos: los flujos de trabajo locales. Cuando aprendes a procesar en R, no dependes de que un servidor en California esté despierto; puedes cargar tus bandas, hacer tus cálculos y generar tus mapas aunque afuera haya una tormenta que cortó la fibra óptica. Además, R tiene el paquete 'terra', que es una maravilla moderna para manejar rasters pesados sin que el computador empiece a oler a quemado.
Pero no te voy a mentir, el comienzo fue un desastre. Hubo un sábado por la mañana a principios de mayo donde me propuse unir varios rasters en RStudio para ver toda mi cuenca. Pasé el fin de semana entero intentando unir dos imágenes satelitales solo para descubrir, después de casi llorar, que una estaba en metros (UTM) y la otra en grados geográficos. R no te avisa con un cartelito amable; simplemente te muestra un mapa en blanco o pone una imagen en el Polo Norte y la otra en el Ecuador. Esos son los momentos en los que pensaba "esto no es para mí" cada vez que el cursor parpadeaba después de un error de sintaxis que no entendía.
Los números que sí importan (y que aprendí a palos)
Después de un tiempo, y de empezar de verdad el curso que te mencioné, las cosas empezaron a tener sentido. Entendí que no todas las fotos de satélite son iguales. Por ejemplo, aprendí que la resolución espacial de las bandas visibles de Sentinel-2 es de 10 metros. Eso significa que cada cuadrito de mi mapa representa un área de 10 por 10 metros en el suelo. Para ver si un bosque se está quemando o si cortaron un grupo de árboles para hacer una casa, esos 10 metros son la gloria.
También me enteré de que no hay que esperar meses para tener datos nuevos. El tiempo de revisión de la constelación Landsat 8 y 9 es de solo 8 días. O sea, cada poco más de una semana tengo una oportunidad de ver qué pasó, siempre y cuando las nubes de Valdivia me dejen. Y ahí está el truco: Sentinel-2 tiene 13 bandas espectrales. No son solo fotos en colores; tienen bandas que ven el calor, el contenido de agua en las hojas y cosas que nuestros ojos humanos ni se imaginan. Por eso es tan importante aprender a quitar nubes de imágenes Sentinel 2, porque si no, lo único que ves es un algodón blanco sobre el mapa.
El momento en que todo cuadró
A mediados del invierno pasado, después de meses de dar botes, decidí tomarme en serio las clases. Me sentaba los fines de semana con una manta y mi taza de café. Recuerdo clarito el calor de la taza entre mis manos mientras esperaba que R procesara un stack de imágenes de diez años de antigüedad. Quería ver la evolución del NDVI (que es básicamente un índice que te dice qué tan verde y sana está la vegetación) desde que yo era más chica hasta ahora.
Fue un proceso lento. RStudio se tomaba su tiempo, la barra de progreso avanzaba como un caracol, y yo ahí, mirando la lluvia. Pero de repente, pasó. Corrí el código para calcular el índice de vegetación EVI (que es como el primo más preciso del NDVI para zonas con mucha vegetación como esta) y el mapa apareció en el panel de "Plots". Sentí esa exhalación profunda y el descenso de la tensión en los hombros cuando el primer mapa en color real finalmente apareció. No era una mancha borrosa; era mi bosque. Podía ver perfectamente dónde terminaba el roble y dónde empezaba la plantación de eucaliptus.
¿Vale la pena el esfuerzo?
Si me preguntas hoy, terminando ya este invierno, te diría que sí mil veces. Estudiar teledetección con R no es solo aprender a programar; es aprender a leer el territorio sin que nadie te lo cuente. Ya no dependo de lo que sale en las noticias o de lo que dice una empresa inmobiliaria en su folleto. Ahora puedo bajar los datos de Copernicus, procesarlos en mi humilde laptop y decir: "Mira, en los últimos cinco años, hemos perdido tanta superficie de bosque nativo".
El curso de Teledetección Satelital con R y R-Studio es denso al principio, no te voy a engañar. El precio me hizo dudar varias semanas porque, bueno, la vida está cara, pero comparado con la frustración de pasar meses sin entender por qué el código fallaba, valió cada peso. Te acompaña desde lo más básico (como no mezclar metros con grados, mi gran trauma) hasta sacar mapas que podrías presentar en cualquier lado. Si te interesa algo más específico como dónde podrían vivir ciertas especies, también le eché un ojo al de modelado de distribución de especies con Maxent en R, que es otra rama fascinante pero más de nicho.
Al final del día, lo que queda es esa sensación de empoderamiento. Ya no soy solo una vecina preocupada que mira por la ventana; soy alguien que tiene las herramientas para entender qué le está pasando a su hogar. Y aunque la lluvia siga cayendo y R me siga dando algún error de vez en cuando, ya sé que puedo solucionarlo. Solo hace falta otra taza de café, un poco de silencio y volver a intentar esa línea de código una vez más.