GLUB!

GIS Looking Under the Blue

Cartografía de praderas marinas y fondos someros para QGIS

Manual de usuario · versión 1.0.1

Daniel Ibarra-Marinas¹, Alejandro Fenollar-Rueda², Ana Mónica de Jhesú García-García¹, Ángela Bellido-Solano³, Dulce Mata-Chacón⁴, Marta Serrano-Vicente⁵, Arturo Mora-Olivo^1
1 Facultad de Ingeniería y Ciencias, Universidad Autónoma de Tamaulipas · ² Universidad de Alicante · ³ Universidad Complutense de Madrid · ⁴ Instituto Español de Oceanografía (IEO-CSIC) · ⁵ Universidad de Murcia

daniel.ibarra@uat.edu.mx · ORCID 0000-0003-3683-4456

Septiembre de 2026 · GPL-2.0-or-later

Contenido

1. Qué es GLUB! (y qué no es)
2. Instalación
3. El flujo de trabajo de un vistazo
4. La ventana, pestaña a pestaña
5. Salidas
6. Cómo leer el informe
7. Buenas prácticas
8. Limitaciones
9. Herramientas de Processing
10. Referencias
11. Cómo citar y créditos

1. Qué es GLUB! (y qué no es)

GLUB! cartografía hábitats bentónicos someros (pradera, arena, roca y las clases que tú definas) con imágenes Sentinel-2 dentro de QGIS. Descarga las imágenes, prepara la reflectancia, quita el brillo del sol, compone varias fechas, corrige la columna de agua y clasifica el fondo con tu propia verdad de campo. Además decide, píxel a píxel, si el satélite ve el fondo, y da la exactitud del mapa con las advertencias que importan.

Va de la mano de StarShoal, el plugin de batimetría desde satélite del mismo autor: sus capas de profundidad y de confianza son la entrada natural para el límite óptico.

2. Instalación

1. QGIS 3.28 o posterior (probado en 3.34 LTR).
2. Complementos → Administrar e instalar complementos → Instalar a partir de ZIP y elige glub_1_0_1.zip. Cuando esté publicado, se podrá instalar desde el repositorio oficial.
3. Dependencias: GDAL y numpy vienen con QGIS. Random Forest necesita scikit-learn. En Windows, abre el OSGeo4W Shell y ejecuta python -m pip install scikit-learn. Sin él se usa máxima verosimilitud.
4. Las descargas necesitan una cuenta gratuita del Copernicus Data Space Ecosystem (dataspace.copernicus.eu). Guárdala en QGIS como configuración de autenticación Basic (Configuración → Opciones → Autenticación), así la contraseña no queda escrita en ningún sitio.

El plugin añade su propio menú GLUB! en la barra de menús de QGIS (junto a Ayuda), un botón en la barra de herramientas, una entrada en Ráster y un grupo de herramientas en la caja de Processing. El idioma (español o inglés) se elige en la pestaña Inicio y vale también para el registro y el informe HTML.

3. El flujo de trabajo de un vistazo

Modo sencillo y avanzado, botones de ayuda. La pestaña Inicio tiene un selector de Modo. Sencillo (el de partida) enseña solo las opciones imprescindibles de cada pestaña, con valores por defecto razonables; avanzado las enseña todas (separación, tamaño de bloque, semilla, equilibrio de clases, textura, probabilidad mínima, limpieza, ajustes de la prueba de señal, diseño del muestreo…). Las opciones ocultas no se pierden: siguen con su valor, y el informe las recoge todas. Los botones ?, en cada pestaña y en los grupos principales de la clasificación, abren este manual en el apartado justo.

Cada pestaña pasa su resultado a la siguiente, así que lo normal es: descargar, preparar, quitar el brillo, (componer), columna de agua, clasificar y, con el mapa hecho, sacar los puntos de validación para el campo. StarShoal entra antes del paso 6 para dar las capas de profundidad y confianza de la máscara óptica.

4. La ventana, pestaña a pestaña

4.1 Descarga

Indica una zona (capa de polígonos y/o una extensión dibujada en el lienzo), fechas, nivel y nubes máximas. Buscar escenas no necesita cuenta; marca las que quieras y pulsa Descargar seleccionadas. Se descartan los duplicados de la misma fecha y tesela y se queda el procesado más reciente. Elige L2A para el flujo normal o L1C si vas a pasar ACOLITE.

4.2 Preparar

Lee el zip de Sentinel-2 sin descomprimir, lo recorta a la zona y escribe un GeoTIFF con azul (B02), verde (B03), rojo (B04) y NIR (B08) a 10 m, en reflectancia de superficie (se aplica el offset de los productos de la versión de procesado 04.00 en adelante). Quita nubes y sombras con la capa SCL y tierra con el NDWI. Para publicar, mejor ACOLITE que Sen2Cor: descarga el L1C, pásalo por ACOLITE (programa aparte) e importa aquí su salida. Las zonas grandes se procesan por franjas, así que una tesela entera cabe en memoria.

Landsat. Elige Landsat 4-9 Collection 2 Level-2 de USGS y da el .tar tal como se descarga de USGS EarthExplorer (hace falta una cuenta gratuita; GLUB no descarga Landsat), la carpeta descomprimida o cualquier fichero del producto. Escribe el mismo GeoTIFF de 4 bandas, a 30 m: SR_B2-B5 en Landsat 8 y 9, SR_B1-B4 en Landsat 4, 5 y 7, reflectancia = DN × 2,75·10^-5 − 0,2, nubes, sombras y nieve quitadas con QA_PIXEL y tierra con el NDWI. Landsat 5 llega hasta 1984, lo que permite series largas de cambios, pero sus píxeles de 30 m son más bastos que los 10 m de Sentinel-2. Landsat 7 posterior a mayo de 2003 tiene huecos en bandas (SLC-off), que quedan sin dato. ACOLITE también procesa Landsat, y su salida se importa con la opción de ACOLITE, que elige las bandas por longitud de onda.

Otros rásteres de reflectancia. Otro ráster de reflectancia admite cualquier ráster con bandas azul, verde, roja e infrarrojo cercano (PlanetScope, un dron con banda NIR, otros satélites). Indica qué banda es cada una y cómo pasar los valores guardados a reflectancia (valor × escala + desplazamiento; para la reflectancia de PlanetScope guardada como 0-10000, × 0,0001). Se recorta y se le quita la tierra con el NDWI como a las otras fuentes, y conserva su tamaño de píxel. No se quitan nubes, porque un ráster cualquiera no trae una capa de nubes estándar: quítalas antes o déjalas fuera del polígono de zona. Si tras escalar la banda verde no parece reflectancia (mediana por encima de 1,5 o por debajo de −0,05), el registro avisa.

4.3 Sunglint

Hedley et al. (2005): sobre un polígono de agua ópticamente profunda con algo de brillo, se ajusta cada banda visible frente al NIR y se resta el brillo que predice el NIR. Mira el R² de cada banda en el registro: si es bajo, hay poco brillo o la muestra no es buena.

4.4 Compuesto (opcional)

Mediana píxel a píxel de varias fechas, remuestreadas a la rejilla de la primera. Quita nubes sueltas, espuma y turbidez de un día. Un segundo ráster cuenta las fechas válidas por píxel. Se lee la fecha de cada escena y el registro avisa si abarcan más de un número de días (45 por defecto), varias estaciones o varios años: la pradera (sobre todo Cymodocea) y la transparencia del agua cambian a lo largo del año. No se quita nada automáticamente. Quita el brillo de cada fecha antes de componer.

Orden por transparencia del agua. Antes de componer (o para elegir la fecha que vas a cartografiar), las escenas de la lista se pueden ordenar por transparencia del agua. Da un polígono de agua profunda y, mejor, otro sobre un fondo claro (arena a pocos metros). En cada escena mide el rojo medio y el ruido (desviación típica) del agua profunda y el contraste del fondo: (mediana de R sobre el fondo claro − media del agua profunda) / σ del agua profunda, el mayor de azul y verde. Es lo mismo que la prueba de señal de la clasificación, así que más contraste significa que ese día el fondo se ve más hondo. Sin el polígono de fondo, el orden usa el rojo del agua profunda (más rojo = más sedimento).

Las escenas dudosas se marcan, nunca se quitan solas: contraste por debajo de la mitad de la mejor, polígono de fondo casi todo bajo nube o sin dato, o agua profunda con más del doble de ruido que la mediana de las escenas. Quitar las marcadas las saca de la lista si estás de acuerdo. Las cifras van a scene_clarity.csv. Son reglas prácticas para comparar fechas de un mismo sitio, no umbrales de calidad del agua.

4.5 Columna de agua

Índice de fondo invariante con la profundidad de Lyzenga (1981). Sobre un polígono de un solo tipo de fondo (casi siempre arena) visto a varias profundidades, calcula la relación de coeficientes de atenuación de cada par de bandas, k_i/k_j = a + √(a² + 1), con a = (var X_i − var X_j) / (2 cov(X_i, X_j)) y X = ln(R − R_∞), y escribe un índice por par, X_i − (k_i/k_j) X_j. R_∞ sale de un polígono de agua profunda (media − k desviaciones típicas).

• Mira la correlación de cada par en el registro. Por debajo de 0,7 la relación no es fiable: el polígono tiene poco rango de profundidades, mezcla fondos o la banda no ve el fondo.
• Con Sentinel-2 solo azul y verde llegan bien al fondo (el rojo solo en los primeros metros), así que suele salir un único índice útil.
• Donde R ≤ R_∞ el logaritmo no existe, y justo por encima el índice es casi todo ruido. En vez de dejar huecos, allí donde R − R_∞ queda por debajo de un suelo (una desviación típica del agua profunda por defecto) se lleva a ese suelo, y esos píxeles se marcan en _floored.tif. Son ruido del agua profunda o un fondo más oscuro que el agua, donde el modelo de Lyzenga no vale. La clasificación avisa de cuántos píxeles clasificados tienen el índice en el suelo.

4.6 Clasificación

Variables. Bandas de reflectancia (azul, verde y rojo por defecto) y/o todas las bandas del ráster de índices de columna de agua. Se puede añadir la profundidad como variable, pero viene apagado y no se recomienda: el error de una batimetría desde satélite depende del color del fondo (una pradera oscura parece más honda), así que mete un error ligado a las clases.

Verdad de campo. Una capa de puntos o polígonos con un campo de clase. Los píxeles de un mismo polígono van siempre juntos a calibración o a validación. Los polígonos se pueden encoger (buffer hacia dentro) para dejar fuera los píxeles mezclados del borde; 10 m (un píxel) es un buen punto de partida. Se usan como mucho N píxeles al azar por polígono (200 por defecto) para que los polígonos grandes no dominen.

Máscara por profundidad, tres estados.

• Límite óptico: sale de una capa de profundidad (el de StarShoal se lee de sus metadatos) y, si quieres, de la capa de confianza de StarShoal (0 = extrapolado = no visible).
• Prueba de señal (recomendada): con un polígono de agua ópticamente profunda, un píxel solo cuenta como visible si se separa de esa agua más de n desviaciones típicas (3 por defecto) en alguna banda. Así el límite depende del fondo: una pradera oscura deja de verse antes que la arena.
• Límite ecológico (35 m por defecto; ajústalo a tu costa, depende de la transparencia del agua): necesita una batimetría independiente (EMODnet, carta náutica, multihaz). Con solo una batimetría desde satélite, lo que pasa del límite óptico queda 'no visible', nunca 'demasiado hondo': un SDB no distingue 25 m de 40 m. El signo de las capas de profundidad se lee de los metadatos de StarShoal; en otras capas, 'automático' mira los valores (casi todos negativos significa cota, como en EMODnet) y lo dice en el registro. Compruébalo, o elígelo a mano.
• Las muestras que caen en la zona no visible o demasiado honda se descartan, con un aviso por clase: solo las muestras donde se ve el fondo pueden entrenar el clasificador.

Clasificador y validación.

4.7 Validación

La exactitud de la pestaña 6 sale de una verdad de campo puesta donde se pudo, así que sus superficies corregidas son orientativas. Para cifras que publicar hace falta un muestreo probabilístico: puntos sorteados al azar dentro de cada clase del mapa (muestreo aleatorio estratificado) y etiquetados sin mirar el mapa (Olofsson et al., 2014). Esta pestaña hace las dos mitades.

1. Generar puntos.

La salida es un GeoPackage con un punto en el centro de cada píxel y los campos point_id, stratum, map_class, x, y, lon, lat (para el GPS), ref_class vacío y notes, y un CSV con los estratos. Escribe en ref_class los nombres de clase del mapa (mayúsculas y espacios dan igual). En un mapa de cambios, la etiqueta es la transición tal como la nombra el mapa (mira map_class): por ejemplo pradera → arena (vale también ->) o pradera (sin cambio).

2. Etiquetarlos. En campo (buceo, cámara de arrastre) o con mejor imagen, escribe en ref_class lo que hay de verdad, con los mismos nombres que las clases del mapa. No mires el mapa mientras etiquetas. Visita todos los puntos que puedas: si los que faltan son los difíciles (hondos, lejanos), las estimaciones salen sesgadas.

3. Evaluar el mapa. Con el mismo mapa y los puntos etiquetados, el informe (assessment.html) da los estratos, la matriz de confusión en número de puntos, la exactitud global con su intervalo del 95 %, la exactitud del usuario y del productor ponderadas por superficie, y la superficie estimada de cada clase con su intervalo del 95 %. Las etiquetas que el mapa no tiene quedan como clases aparte (toda su superficie sale de errores del mapa). Los puntos de las zonas de la máscara van a una tabla aparte: pradera en 'demasiado hondo' indica que el límite ecológico está demasiado somero.

Comprobación con la escena sintética: en 20 sorteos repetidos de 400 puntos, los intervalos del 95 % de las superficies corregidas contuvieron la superficie real en 53 de 60 casos (88 %), algo por debajo del 95 % nominal, como es normal con clases raras y muestras pequeñas; el error medio por clase fue menor de 1 ha.

4.8 Cambios

Compara dos mapas de clases del mismo sitio, fecha 1 (antes) y fecha 2 (después). Las clases se emparejan por nombre, así que los dos mapas necesitan los mismos nombres de clase (los códigos pueden ser distintos); el segundo mapa se ajusta a la rejilla del primero. Solo se comparan los píxeles con el fondo clasificado en las dos fechas: si un píxel es 'fondo no visible', 'demasiado hondo' o 'baja confianza' en alguna de ellas, queda como no comparable (código 250), para no confundir el agua turbia de un día con pérdida de pradera.

Salidas: change.tif, un código por transición (pérdida de pradera en rojo, ganancia en verde, 'sin cambio' en un tono claro de cada clase) con su estilo de QGIS; change_matrix.csv, la matriz de transiciones en hectáreas; change_report.html, con la zona comparable, la matriz y las ganancias, pérdidas y cambio neto por clase; y, con unidad mínima de cambio, change_filtered.tif, donde las manchas de cambio de menos de N píxeles se unen a la mancha vecina. Si quieres, el mapa de cambios se exporta también a polígonos (change.gpkg, o change_filtered.gpkg con unidad mínima de cambio), uno por mancha con su transición y superficie.

5. Salidas

6. Cómo leer el informe

• Dónde habla el mapa: píxeles y hectáreas visibles, no visibles y demasiado hondos, y cuántos quitó la prueba de señal.
• Exactitud por polígono: cada polígono de validación vota con la clase mayoritaria de sus píxeles. Es la cifra honesta: los píxeles de un polígono no son independientes.
• Exactitud por píxel: matriz de confusión (filas = mapa, columnas = referencia), exactitud del productor y del usuario y F1. Optimista con polígonos. No se da kappa (Pontius y Millones, 2011).
• Superficie corregida por los errores del mapa (Olofsson et al., 2014), con intervalos del 95 %. Solo es válida en sentido estricto con un muestreo probabilístico de la referencia; con puntos puestos donde se pudo, tómala como orientativa y usa la pestaña 7 para cifras que publicar.
• Baja confianza (con probabilidad mínima): cuántas muestras de validación quedaron por debajo, por clase de referencia. La exactitud es la de lo que el mapa clasifica; en las superficies corregidas la zona de baja confianza es un estrato más.
• Exactitud por profundidad: usa la batimetría independiente si la hay (un SDB lee más hondos los fondos oscuros). Si la exactitud cae con la profundidad, la columna de agua sigue mandando.
• Mapa filtrado (si lo hay): exactitud de los dos mapas con las mismas muestras. Filtrar suele ayudar dentro de los polígonos y estropear bordes y manchas pequeñas reales.
• Importancia de las variables (Random Forest): solo una guía aproximada.

7. Buenas prácticas

• Usa imágenes de días de calma y agua clara (verano en el Mediterráneo occidental) y lo más cerca posible de la fecha de la verdad de campo.
• Dibuja el polígono de agua profunda donde no se vea nada de fondo. Sobre un fondo que aún asoma, las estadísticas del agua profunda se desplazan y la prueba de señal se vuelve demasiado estricta.
• Dibuja el polígono de fondo uniforme sobre un solo tipo de fondo, de lo más somero a donde aún se ve.
• Usa varios polígonos de referencia por clase repartidos por la zona, no unos pocos grandes. Con pocos polígonos por clase, la exactitud cambia mucho con un solo polígono.
• Para superficies que vayas a publicar, saca los puntos de validación con la pestaña 7 (aleatorio estratificado por clase del mapa), independientes de los datos de entrenamiento, y etiquétalos sin mirar el mapa.
• Conserva el mapa sin filtrar y da los dos mapas si filtras.

8. Limitaciones

• La teledetección óptica solo funciona en agua clara y somera; la turbidez acorta mucho la zona visible.
• Los fondos oscuros (pradera, macroalgas, roca con epífitos, mata muerta) se parecen, y más cuanta más agua hay encima.
• Píxeles de 10 m: las manchas pequeñas y los bordes de pradera son píxeles mezclados.
• El límite inferior de las praderas suele quedar más allá del límite óptico.
• La versión 1.0.1 está probada con datos sintéticos en QGIS 3.34 sobre Linux; faltan las pruebas con datos reales de campo, en Windows y en QGIS 4.

9. Herramientas de Processing

Guardar los ajustes de una ejecución. Cada pestaña tiene los botones Guardar ajustes… y Cargar ajustes… junto a Ejecutar. Escriben o leen un fichero JSON con todas las opciones de la pestaña, y las capas por su ruta. Clasificación, validación y cambios lo guardan además solos junto a sus salidas (glub_settings_ClassifyTab.json, glub_settings_ValidationTab.json, glub_settings_ChangeTab.json), así que meses después puedes ver, y repetir, qué hizo exactamente un mapa. Al cargar, si la capa ya está en el proyecto se usa esa; si no, se añade su fichero; si el fichero se ha movido, el registro lo avisa y la eliges a mano.

Cada paso es también una herramienta de Processing (grupo GLUB), para modelos y procesos por lotes:

10. Referencias

• Hedley, J. D., Harborne, A. R. and Mumby, P. J. (2005). Simple and robust removal of sun glint for mapping shallow-water benthos. International Journal of Remote Sensing, 26(10), 2107–2112.
• Lyzenga, D. R. (1981). Remote sensing of bottom reflectance and water attenuation parameters in shallow water using aircraft and Landsat data. International Journal of Remote Sensing, 2, 71–82.
• Olofsson, P., Foody, G. M., Herold, M., Stehman, S. V., Woodcock, C. E. and Wulder, M. A. (2014). Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42–57.
• Pontius, R. G. Jr. and Millones, M. (2011). Death to Kappa: birth of quantity disagreement and allocation disagreement for accuracy assessment. International Journal of Remote Sensing, 32(15), 4407–4429.
• Vanhellemont, Q. and Ruddick, K. (2018). Atmospheric correction of metre-scale optical satellite data for inland and coastal water applications. Remote Sensing of Environment, 216, 586–597. https://doi.org/10.1016/j.rse.2018.07.015

11. Cómo citar y créditos

Ibarra-Marinas, D., Fenollar-Rueda, A., García-García, A. M. de J., Bellido-Solano, Á., Mata-Chacón, D., Serrano-Vicente, M. y Mora-Olivo, A. (2026). GLUB (GIS Looking Under the Blue) (versión 1.0.1) [complemento de QGIS]. Zenodo. https://doi.org/10.5281/zenodo.23186099. El repositorio lleva un fichero CITATION.cff (GitHub lo muestra como 'Cite this repository') y un .zenodo.json para el registro de Zenodo.

Autores: Daniel Ibarra-Marinas¹, Alejandro Fenollar-Rueda², Ana Mónica de Jhesú García-García¹, Ángela Bellido-Solano³, Dulce Mata-Chacón⁴, Marta Serrano-Vicente⁵, Arturo Mora-Olivo¹. ¹ Facultad de Ingeniería y Ciencias, Universidad Autónoma de Tamaulipas · ² Universidad de Alicante · ³ Universidad Complutense de Madrid · ⁴ Instituto Español de Oceanografía (IEO-CSIC) · ⁵ Universidad de Murcia. Contacto: Daniel Ibarra-Marinas, daniel.ibarra@uat.edu.mx · ORCID 0000-0003-3683-4456 · GitHub adanielibarra.

Datos: contiene datos modificados de Copernicus Sentinel, servidos por el Copernicus Data Space Ecosystem. ACOLITE lo desarrolla el RBINS (GPL-3) y no forma parte de este plugin.

Licencia: GPL-2.0-or-later.