Nos especializamos en datos de teledetección, incluyendo imágenes ópticas, radar de apertura sintética (SAR) y LIDAR. Nuestro equipo cuenta con una amplia experiencia en el uso de estos conjuntos de datos para abordar desafíos ambientales críticos.
Aplicamos métodos avanzados de ciencia de datos y técnicas de IA de última generación para analizar conjuntos de datos ambientales grandes y complejos.
Creemos que el conocimiento es más poderoso cuando se comparte. Nuestro equipo desarrolla recursos educativos claros y atractivos, así como programas de divulgación pública, para que conceptos ambientales y científicos complejos sean accesibles para todos.
LiDAR, SAR, Óptico
Óptico
SAR, Óptico
Director
Los incendios en Patagonia son una problemática ambiental creciente, con un aumento sostenido en su frecuencia y magnitud en los últimos años. El fenómeno responde a múltiples causas (naturales y antrópicas) y sus efectos se ven agravados por el cambio climático y por el recorte presupuestario en las herramientas de prevención y manejo del fuego. En este contexto, desde Píxel aportamos a la identificación de las áreas de vegetación quemada durante el verano 2025-2026 y estimamos la severidad de los incendios en la zona del Parque y la Reserva Nacional Los Alerces y sus alrededores (provincia de Chubut, Argentina), a partir de información satelital. Los resultados muestran que la superficie de vegetación afectada por incendios (mayoritariamente bosques) alcanzó 42.500 ha, lo que equivale a cerca del 4% de la superficie del Parque Nacional y al 14% de la Reserva.
Nuestro enfoque combinó fuentes satelitales diversas, incluyendo datos ópticos multiespectrales y productos derivados del infrarrojo térmico. Para delimitar el área de vegetación afectada por los incendios utilizamos en primer lugar los focos de calor (potenciales incendios) registrados entre el 25 de noviembre de 2025 y el 10 de marzo de 2026, obtenidos del sistema FIRMS de la NASA. Luego, calculamos el Índice Normalizado de Área Quemada (NBR por sus siglas en inglés) en imágenes Sentinel-2 adquiridas por la European Space Agency, correspondientes al momento anterior (25/11/2025) y el posterior a los incendios (10/03/2026). El NBR se calcula como la relación entre los valores de la banda del infrarrojo cercano (NIR) y del infrarrojo de onda corta (SWIR) y permite resaltar las áreas afectadas por el fuego en incendios de gran extensión. A continuación, calculamos el diferencial del NBR (dNBR), el cual representa el cambio en la vegetación entre ambas fechas. Así, valores más altos de dNBR indican una mayor severidad del daño a la vegetación . Finalmente, para mejorar la estimación de la vegetación afectada eliminamos las zonas con sombras y nubes mediante la banda SCL de las imágenes Sentinel-2, así como las zonas no vegetadas a partir del mapa de coberturas y uso de suelo de MapBiomas del año 2024 (Proyecto MapBiomas Argentina).
El mapa final presenta las áreas de vegetación quemadas del Parque Nacional Los Alerces y su entorno, clasificadas de acuerdo al grado de severidad del incendio (de bajo a alto). La metodología desarrollada se puede replicar en otras áreas de interés y, en conjunto con conocimiento ecológico-ambiental, es posible analizar el impacto sobre distintos tipos de vegetación y áreas urbanas.
Si desea acceder a una versión rasterizada del mapa, puede descargarla aquí.
Deslizá para comparar
Wildfires in Patagonia are a growing environmental problem, with a sustained increase in their frequency and magnitude in recent years. The phenomenon stems from multiple causes (both natural and human-caused), and its effects are exacerbated by climate change and budget cuts to fire prevention and management tools. In this context, Píxel contributed to identifying the areas of vegetation burned during the summer of 2025-2026 and estimated the severity of the fires in the Los Alerces National Park and Reserve and its surroundings (Chubut Province, Argentina), using satellite data. The results show that the area of vegetation affected by fires (mostly forests) reached 42,500 hectares, equivalent to approximately 4% of the National Park's area and 14% of the Reserve's.
Our approach combined diverse satellite sources, including multispectral optical data and thermal infrared products. To delineate the area of vegetation affected by fires, we first used hotspots (potential fires) recorded between November 25, 2025, and March 10, 2026, obtained from NASA's FIRMS system. Next, we calculated the Normalized Burn Rate (NBR) on Sentinel-2 images acquired by the European Space Agency, corresponding to the time before (November 25, 2025) and after (March 10, 2026) the fires. The NBR is calculated as the ratio between near-infrared (NIR) and shortwave infrared (SWIR) band values and allows us to highlight the areas affected by fire in large-scale blazes. Finally, we calculated the differential NBR (dNBR), which represents the change in vegetation between these two dates. Thus, higher dNBR values indicate greater severity of vegetation damage. Finally, to improve the estimation of affected vegetation, we removed areas with shadows and clouds using the SCL band of Sentinel-2 images, as well as non-vegetated areas from the 2024 MapBiomas land cover and land use map (MapBiomas Argentina Project).
The final map shows the burned vegetation areas of Los Alerces National Park and its surroundings, classified according to the severity of the fire (from low to high). The methodology developed can be replicated in other areas of interest and, combined with ecological and environmental knowledge, can be used to analyze the impact on different types of vegetation and urban areas.
If you want to access a raster version of the map, you can download it here.
Slide to compare
Estimar la biomasa forestal mediante teledetección es crucial en el contexto del secuestro de carbono, ya que es la única manera de cuantificar sistemática y periódicamente la cantidad de carbono almacenado en los ecosistemas forestales. Los bosques actúan como sumideros de carbono al absorber dióxido de carbono (CO₂) de la atmósfera durante la fotosíntesis y almacenarlo en su biomasa. Entre los sistemas satelitales más utilizados, clasificados en función del error en la estimación de la biomasa aérea (AGBD), se encuentran el lidar, el SAR y los sensores ópticos (cada uno con sus propios desafíos). El desarrollo de algoritmos de estimación precisos es un tema abierto. Sin embargo, las estimaciones de estos instrumentos se utilizan regularmente para monitorear la deforestación, la degradación forestal y los procesos de regeneración natural, como insumo para la toma de decisiones en políticas de conservación, reforestación y gestión sostenible. Estos datos son esenciales para cumplir con los compromisos internacionales relacionados con el clima, como el Acuerdo de París y los mecanismos REDD+ (Reducción de Emisiones por Deforestación y Degradación Forestal).
La deforestación representa una amenaza significativa para los ecosistemas naturales, en particular en la región del Chaco argentino, una de las áreas forestales con mayor cambio del mundo. Este estudio se centra en la detección de eventos repentinos de deforestación, donde la cubierta forestal se elimina rápidamente en pocos meses. El monitoreo de estos cambios en vastas áreas requiere el uso de índices de vegetación satelitales, como el EVI y el NDVI de MODIS. Sin embargo, la identificación precisa de los eventos de deforestación es un desafío debido a la variabilidad estacional, el ruido de los sensores, la falta de datos y las inconsistencias algorítmicas. Estos factores pueden ocultar las verdaderas señales de deforestación o generar falsos positivos. Para abordar estos problemas, un enfoque de detección robusto debe modelar explícitamente la dinámica de las series temporales (capturando tendencias, estacionalidad e incertidumbre) para distinguir de manera confiable los puntos de quiebre de la deforestación genuina de la variación natural y el ruido. En este artículo, se propusieron tres modelos para la detección de puntos de quiebre en series temporales de EVI: un detector simple de anomalías de z-score y dos modelos completamente bayesianos; uno no correlacionado temporalmente y otro completamente correlacionado. Los resultados indican que los esquemas bayesianos mejoran significativamente con respecto al enfoque ingenuo (z-score: AUC=0,921, F1-score=0,870, Bayes: AUC=0,959, F1-score=0,925), por un coste razonable en tiempo de cálculo (x1000).
Estimating forest biomass through remote sensing is crucial in the context of carbon sequestration, as it is the only way to systematically and periodically quantify the amount of carbon stored in forest ecosystems. Forests act as carbon sinks by absorbing carbon dioxide (CO₂) from the atmosphere during photosynthesis and storing it in their biomass. Among the most widely used satellite systems, ranked in terms of error in aboveground biomass estimation (AGBD), are lidar, SAR, and optical sensors (each with its own challenges). The development of accurate estimation algorithms is an open issue. However, estimates from these instruments are regularly used to monitor deforestation, forest degradation, and natural regeneration processes, as input for decision-making in conservation, reforestation, and sustainable management policies. These data are essential for meeting international climate-related commitments, such as the Paris Agreement and REDD+ (Reducing Emissions from Deforestation and Forest Degradation) mechanisms.
Deforestation poses a significant threat to natural ecosystems, particularly in Argentina’s Chaco region—one of the world’s most rapidly changing forest areas. This study focuses on the detection of sudden deforestation events, where forest cover is rapidly removed within a few months. Monitoring such changes across vast areas requires the use of satellite-based vegetation indices, such as EVI and NDVI from MODIS. However, accurately identifying deforestation events is challenging due to seasonal variability, sensor noise, data gaps, and algorithmic inconsistencies. These factors can obscure true deforestation signals or generate false positives. To address these issues, a robust detection approach must explicitly model time-series dynamics—capturing trends, seasonality, and uncertainty—to reliably distinguish genuine deforestation breakpoints from natural variation and noise. In this paper, three models for the detection of breakpoints in EVI time series were proposed: a simple z-score anomaly detector, and two fully Bayesian models; one temporally uncorrelated and one fully correlated. Results indicate that the Bayesian schemes significantly improve over the naive approach (zscore: AUC=0.921, F1-score=0.870, Bayes: AUC=0.959, F1-score=0.925), for a reasonable cost in computing time (x1000).
Tras la convocatoria PROSAT II de la Comisión Nacional de Actividades Espaciales (CONAE), se desarrolló un sistema que utiliza información satelital polarimétrica de microondas activa de la Misión SAOCOM argentina, junto con otros datos satelitales ópticos y de radar, para el monitoreo de humedales en Argentina (en consonancia con el uso de información satelital para programas de inventario de humedales). El trabajo se llevó a cabo en unidades piloto de paisaje de humedales: el Sitio Ramsar del Alto Delta (provincia de Entre Ríos), Concepción del Uruguay (provincia de Entre Ríos) y Bajo de los Saladillos (provincia de Santa Fe). El primer objetivo fue desarrollar un catálogo de coeficientes de retrodispersión (microondas activa, bandas C y L) y respuestas espectrales (visible e infrarrojo reflexivo) asociadas a los tipos de humedales en las áreas de estudio. El catálogo es un panel interactivo que muestra gráficos para cada tipo de humedal, lo que permite a los usuarios visualizar las firmas espectrales o la retrodispersión característica (valores medios y desviación o rango de variación) para un período seleccionado, así como la dinámica temporal de la retrodispersión o los índices sintéticos derivados de datos satelitales ópticos. El panel se diseñó con dos modalidades: a) exploratoria, en la que cada usuario puede obtener gráficos filtrando libremente por tipo de escena, fecha y tipo de humedal; b) guiada, en la que se accede a gráficos prediseñados, acompañados de una interpretación realizada por los consultores (por ejemplo, diferencias entre períodos secos y húmedos, o análisis de las diferencias entre tipos de humedales). Resulta útil para los gestores que participan en el mapeo de humedales, ya que proporciona un resumen e interpretación de la información SAR y óptica.
Following the PROSAT II call from the National Commission for Space Activities (CONAE), a system was developed using active microwave polarimetric satellite information from the Argentine SAOCOM Mission, together with other optical and radar satellite data, for monitoring wetlands in Argentina (in line with the use of satellite information for wetland inventory programs). Work was carried out in pilot wetland landscape units: the Ramsar Site in the Upper Delta (Entre Ríos Province), Concepción del Uruguay (Entre Ríos Province), and Bajo de los Saladillos (Santa Fe Province). The first objective was to develop a catalog of backscatter coefficients (active microwave, C and L bands) and spectral responses (visible and reflective infrared) associated with the wetland types in the study areas. The catalog is an interactive dashboard that displays graphs for each wetland type, allowing users to view spectral signatures or characteristic backscatter (mean values and deviation or range of variation) for a selected period, as well as the temporal dynamics of backscatter or synthetic indices derived from optical satellite data. The dashboard was designed with two modalities: a) exploratory, in which each user can obtain graphs by freely filtering by scene type, date, and wetland type; b) guided, in which pre-built graphs are accessed, accompanied by an interpretation made by the consultants (for example, differences between dry and wet periods, or analysis of differences between wetland types). It is useful for managers involved in wetland mapping, as it provides a summary and interpretation of SAR and optical information.
Francisco (él) es físico e investigador principal del CONICET, especializado en teledetección cuantitativa avanzada, modelos de dispersión electromagnética, inferencia bayesiana y técnicas de aprendizaje profundo. Con más de dos décadas de experiencia en análisis de series temporales satelitales, ha contribuido significativamente a importantes misiones espaciales argentinas (p. ej., SAOCOM, SAC-D/Aquarius), centrándose en la extracción de parámetros ambientales a partir de imágenes satelitales SAR y multisensor.
Natalia (ella) se desempeña como Investigadora Adjunta, con amplia experiencia en ecología de humedales y paisajes, monitoreo de biodiversidad y teledetección satelital mediante datos ópticos, SAR y polarimétricos. Como investigadora del Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), ha coordinado diversos proyectos nacionales e internacionales, con énfasis en el monitoreo de ecosistemas y la evaluación de riesgos ambientales en hábitats complejos, incluyendo los sistemas de humedales de la llanura aluvial del río Paraná y los ambientes costeros de la provincia de Buenos Aires. Ha sido Investigadora Principal o Co-Investigadora Principal en convenios de investigación con Agencias Espaciales (de Argentina, Japón, Canadá e Italia), involucrando el desarrollo de aplicaciones para el monitoreo de humedales utilizando datos SAR o PolSAR de SAOCOM, ALOS/PALSAR-2 y RADARSAT-2, y datos de CosmoSkyMed. Además, actualmente imparte la cátedra de Ecología en la Universidad de San Martín (UNSAM) y colabora con la cátedra de Ecología del Paisaje en la Universidad de Buenos Aires (UBA).
Esteban (él) aporta una sólida experiencia en ciencia de datos, especializándose en la aplicación de técnicas de aprendizaje automático y aprendizaje profundo a desafíos ambientales. También cuenta con experiencia en el sector financiero y en la aplicación de inteligencia artificial a problemas de salud. Su investigación de doctorado se centró en la detección de deforestación casi en tiempo real mediante teledetección óptica combinada con modelos avanzados de aprendizaje automático. Sus funciones actuales como Científico de Datos Sénior y consultor se centran en el rigor metodológico en el análisis de datos y la aplicación práctica de enfoques de aprendizaje automático. Como Profesor Adjunto del programa de Ciencias de Datos de la UNSAM, diseñó y puso en marcha el primer curso de Introducción al Aprendizaje Automático de la universidad, creando el programa de estudios, las clases y las tareas desde cero, y ahora está haciendo lo mismo para el curso de Aprendizaje Automático Avanzado.
Francisco (él) es estudiante de Ingeniería Ambiental, aporta experiencia técnica en ingeniería ambiental, aprendizaje automático y gestión de datos. Su experiencia incluye el desarrollo de herramientas de monitoreo de código abierto y canales computacionales, con especial énfasis en la calidad de los datos y la confiabilidad de los sistemas para evaluaciones ambientales y cálculos de emisiones. También cuenta con una sólida formación en calidad, gestión y tratamiento de agua y aguas residuales, incluyendo el diseño y la evaluación de sistemas de tratamiento, el cumplimiento normativo y la integración de enfoques basados en datos para mejorar la toma de decisiones en la gestión de recursos hídricos. Actualmente imparte el Curso de Introducción al Aprendizaje Automático en la UNSAM.
Javier (él) es Licenciado Física, doctorando en la UBA especializado en la estimación de humedad del suelo mediante datos SAR y GNSS. Lugar de trabajo: Instituto de Astronomía y Física del Espacio, Grupo de Teledetección. Experiencia en modelado físico, inferencia bayesiana y procesamiento avanzado de imágenes satelitales. Autor de publicaciones revisadas por pares y participante activo en congresos científicos. Amplia trayectoria docente universitaria, revisor invitado en revistas internacionales y colaborador en investigación multidisciplinaria orientada al desarrollo de métodos y aplicaciones en observación de la Tierra.