Comparación de Landsat colección 2 Level 1 y Level 2
Comparación técnica: Landsat Collection 2 Level 1 vs Level 2
Análisis profesional de los productos Landsat Collection 2: niveles de procesamiento, flujo para obtener reflectancia de superficie, métodos de clasificación supervisada y consideraciones críticas para profesionales en geomática y teledetección.
1. Definiciones y diferencias clave
Landsat Collection 2 reorganiza todo el archivo histórico (Landsat 1–9) bajo un esquema unificado de calibración y geolocalización. Dentro de esta colección, los productos se distribuyen en dos niveles de procesamiento principales: Level 1 (L1) y Level 2 (L2).
L1 Level 1 Datos crudos calibrados
Producto base con corrección geométrica y radiométrica sensor-específica. Entrega los valores en cuentas digitales (DN) sin corrección atmosférica. Categorías T1 (alta calidad geodésica), T2 (calidad reducida) y RT (tiempo real).
- Ortorrectificación con DEM (GLS2000 o mejor).
- Calibración radiométrica top-of-sensor.
- Coeficientes para conversión a radiancia y reflectancia TOA.
- Banda
QA_PIXELyQA_RADSAT.
L2 Level 2 Reflectancia de superficie
Producto con corrección atmosférica aplicada. Entrega reflectancia de superficie (SR, factor 0–1) y temperatura de superficie (ST, en Kelvin) ya derivadas, listas para análisis cuantitativo y series temporales.
- Corrección atmosférica vía LaSRC (OLI/OLI-2) o LEDAPS (TM/ETM+).
- Surface Reflectance + Surface Temperature.
- Bandas QA específicas:
QA_PIXEL,SR_QA_AEROSOL,ST_QA. - Factor de escala: SR ×0.0000275 − 0.2 ; ST ×0.00341802 + 149.0.
Tabla comparativa
| Atributo | Level 1 | Level 2 |
|---|---|---|
| Tipo de dato entregado | Cuentas Digitales (DN, 16-bit) | Reflectancia de superficie + Temperatura de superficie |
| Corrección radiométrica | Sí (calibración del sensor) | Sí (heredada de L1) |
| Corrección atmosférica | No | Sí (LaSRC / LEDAPS) |
| Reflectancia TOA | Calculable a partir de coeficientes MTL | Producto intermedio (no entregado directamente) |
| Reflectancia de superficie | No incluida | Incluida (factor escalado) |
| Temperatura de superficie | No | Sí (Single Channel algorithm) |
| Bandas QA | QA_PIXEL, QA_RADSAT | QA_PIXEL, SR_QA_AEROSOL, ST_QA, ST_CDIST |
| Sensores cubiertos | Landsat 1–9 (todos) | Landsat 4-5 TM, 7 ETM+, 8/9 OLI-TIRS |
| Casos de uso típicos | Visualización, mosaicos rápidos, generación de productos personalizados, calibración propia. | Análisis cuantitativo, series temporales, índices espectrales, clasificación, monitoreo ambiental. |
| Recomendación | Solo si se requiere flujo personalizado | Recomendado por defecto |
Level 2 no es universalmente superior. LaSRC presenta artefactos conocidos sobre nieve, agua turbia, sombras topográficas pronunciadas y vegetación con BRDF complejo. En estos casos puede ser preferible partir de L1 y aplicar un flujo de corrección atmosférica propio (6S, FLAASH, ATCOR) o usar Top-of-Atmosphere cuando el análisis lo permita.
2. Flujo: de DN a reflectancia de superficie
El paso de cuentas digitales a reflectancia de superficie no es una conversión única, sino una cadena de operaciones físicas que corrigen distintos efectos. Conocer cada paso permite decidir cuándo usar L2 directo y cuándo intervenir en el pipeline.
DN → Radiancia espectral
Conversión lineal usando los coeficientes RADIANCE_MULT_BAND_x y RADIANCE_ADD_BAND_x del archivo MTL.txt:
Lλ = ML · Qcal + AL
Radiancia → Reflectancia TOA
Normalización por irradiancia solar y ángulo cenital. En Collection 2 se usa la forma directa con REFLECTANCE_MULT/ADD_BAND_x:
ρλ' = (Mρ · Qcal + Aρ) / sin(θSE)
Corrección atmosférica
Eliminación del efecto de aerosoles, vapor de agua, ozono y dispersión Rayleigh. Modela la radiancia path y la transmitancia atmosférica para recuperar la reflectancia a nivel de superficie.
Algoritmo: LaSRC OLI/OLI-2
Land Surface Reflectance Code. Usa la banda costera-aerosol (Band 1) para estimar AOD por píxel, vapor de agua de MODIS-CMG, y radiative transfer 6SV. Aplicado a Landsat 8 y 9.
Algoritmo: LEDAPS TM/ETM+
Landsat Ecosystem Disturbance Adaptive Processing System. Heredado de MODIS, emplea Dark Dense Vegetation para estimar aerosoles y el modelo 6S. Aplicado a Landsat 4-5 TM y Landsat 7 ETM+.
Enmascaramiento (QA_PIXEL)
Banda CFMask con flags por bit: nubes, sombras de nube, nieve, agua, dilatación de nubes, cirros. Se decodifica con operaciones bit a bit: (QA_PIXEL >> bit) & 1.
Resultado: Surface Reflectance
Producto SR escalado (entero de 16 bits). Para uso físico aplicar el factor: SR_real = DN · 0.0000275 − 0.2. Valores válidos típicos: 0–1.
Aunque Collection 2 mejoró la consistencia entre sensores, persisten sesgos sistemáticos entre LEDAPS (TM/ETM+) y LaSRC (OLI). Para series largas (1984–presente) se recomienda aplicar coeficientes de armonización (p. ej. Roy et al. 2016 para ETM+→OLI) antes de calcular tendencias temporales.
3. Clasificación supervisada en imágenes Landsat
La elección del clasificador depende del tamaño y separabilidad del set de entrenamiento, la dimensionalidad de las features (bandas + índices + texturas) y el comportamiento estadístico de las clases.
Máxima Verosimilitud (MLC) Clásico
Clasificador paramétrico que asume distribución normal multivariada por clase y asigna el píxel a la clase con mayor probabilidad posterior.
Cuándo usar: set de entrenamiento pequeño-mediano, pocas features (4–8 bandas), clases con firmas espectrales bien diferenciadas.
- Rápido y fácil de implementar.
- Base estadística sólida.
- Funciona bien con datos balanceados y normales.
- Asume normalidad (raramente cierto).
- Sensible a covarianzas mal estimadas.
- Pobre con alta dimensionalidad (curse of dimensionality).
Random Forest (RF) Recomendado
Ensamble de árboles de decisión entrenados sobre subconjuntos aleatorios de muestras y variables. La clase final se decide por mayoría de votos.
Cuándo usar: stack multivariado (bandas + NDVI + EVI + texturas + topografía), clases no separables linealmente, presencia de outliers.
- Maneja alta dimensionalidad sin overfitting fuerte.
- No paramétrico, robusto a outliers.
- Devuelve importancia de variables.
- Sesgo hacia clases mayoritarias si el set está desbalanceado.
- Modelo "caja negra", baja interpretabilidad.
- Tendencia a saturar con clases muy similares espectralmente.
Support Vector Machine (SVM) Avanzado
Encuentra el hiperplano que maximiza el margen entre clases, posiblemente en un espacio de alta dimensión vía kernel (RBF más común en teledetección).
Cuándo usar: set de entrenamiento limitado pero de alta calidad, clases con frontera no lineal compleja, problemas binarios o pocas clases.
- Excelente con muestras pequeñas y bien etiquetadas.
- Buen desempeño en bordes de clase.
- Sólido fundamento teórico.
- Costoso computacionalmente con N grande.
- Tuning sensible (C, γ).
- Multi-clase requiere estrategias one-vs-rest u one-vs-one.
Árboles de decisión (CART) Interpretable
Modelo basado en reglas binarias jerárquicas. Cada nodo divide el espacio de features según el criterio que maximiza la pureza (Gini o entropía).
Cuándo usar: análisis exploratorio, reglas explicables, cuando se necesita comunicar el modelo a no-técnicos.
- Altamente interpretable.
- No requiere normalización ni asunciones distribucionales.
- Maneja variables categóricas y continuas.
- Tendencia fuerte al overfitting si no se poda.
- Inestable: pequeños cambios cambian la estructura.
- Suele ser superado por ensambles (RF, GBM).
No existe un "mejor clasificador" universal. La selección debe basarse en validación cruzada con métricas balanceadas (kappa, F1 macro, OA) y matrices de confusión por clase. En la práctica, RF suele ser el primer candidato razonable; SVM aporta valor cuando hay pocos datos pero etiquetado de calidad; MLC sigue siendo defendible cuando la separabilidad espectral es alta y se priorizan tiempos cortos.
4. Conversiones y preprocesamiento
El preprocesamiento es la etapa donde las decisiones tienen mayor impacto sobre la calidad de los productos derivados. Saltarse pasos o automatizar sin control introduce sesgos difíciles de detectar después.
Rd Corrección radiométrica
Conversión de DN a magnitudes físicas (radiancia, reflectancia TOA). Compensa la respuesta del sensor mediante coeficientes derivados de calibración absoluta. Es prerrequisito para cualquier comparación cuantitativa.
At Corrección atmosférica
Elimina el efecto de absorción y dispersión por gases y aerosoles. Resultado: reflectancia de superficie. Algoritmos: LaSRC, LEDAPS, 6S, FLAASH, DOS (Dark Object Subtraction) cuando solo se dispone de L1.
Mt Normalización multitemporal
Reduce diferencias entre escenas por geometría sol-sensor, condiciones atmosféricas residuales y fenología. Métodos: PIF (pseudo-invariant features), IR-MAD, regresión empírica entre escenas de referencia y target.
QA Filtrado por máscaras QA
Aplicación de QA_PIXEL para excluir nubes, sombras, nieve y píxeles saturados. Limitación conocida: cirros tenues y sombras de nube no siempre se detectan correctamente, especialmente sobre superficies brillantes.
To Corrección topográfica
Compensa el efecto del relieve sobre la iluminación (laderas en sombra vs. soleadas). Métodos: C-correction, Minnaert, SCS+C. Crítico en zonas montañosas para evitar sesgos en clasificación e índices espectrales.
SR Importancia de la reflectancia de superficie
Trabajar con SR garantiza que un valor de NDVI=0.6 en 1990 sea físicamente comparable con NDVI=0.6 en 2024. Sin esto, las series temporales mezclan cambios reales con variaciones atmosféricas y son cuantitativamente inválidas.
Conclusión
Para la mayoría de aplicaciones cuantitativas (clasificación de coberturas, monitoreo de deforestación, análisis fenológico, balance hídrico, evaluación de cambio climático), Landsat Collection 2 Level 2 es la opción por defecto: entrega reflectancia de superficie y temperatura ya corregidas, con QA confiable y consistencia entre sensores significativamente mejorada respecto a Collection 1.
Sin embargo, el uso de L2 no exime de pensamiento crítico:
- Validar las máscaras QA en zonas de cirros, sombras y bordes de nube.
- Aplicar corrección topográfica adicional en relieves pronunciados.
- Armonizar entre sensores TM/ETM+/OLI antes de calcular tendencias largas.
- Volver a L1 cuando se requiera un flujo personalizado (BRDF, agua, nieve, escenas costeras).
- Elegir el clasificador en función del problema, no por moda; evaluar siempre con validación independiente.
El nivel correcto de procesamiento es el que responde a la pregunta científica planteada con la menor cantidad de supuestos no verificados. Level 2 simplifica el camino, pero no sustituye al criterio del analista.
