UNIVERSIDAD NACIONAL AGRARIA

LA MOLINA

DEPARTAMENTO ACADÉMICO DE INGENIERÍA AMBIENTAL

CURSO: GEOMÁTICA APLICADA

Integrantes: Código:

● Lazo Fiestas, Daniel Alfonso 20190174

● Gómez Ubilluz, César Fernán 20190168

Profesor: Lucio Villa Ramos

LA MOLINA – LIMA – PERÚ

2022
 1. INTRODUCCIÓN

El 18 de febrero de 2021 en horas de la mañana se incrementó el caudal de los ríos Madre de Dios y
Tambopata, lo que ocasionó inundaciones en el distrito y provincia de Tambopata. (INDECI, 2021).
Esta inundación generó muchos daños a personas, viviendas, infraestructuras y cultivos. Una de las
ciudades afectadas fue Puerto Maldonado. Puerto Maldonado es una ciudad peruana capital del
distrito de Tambopata y a la vez de la provincia homónima y del departamento de Madre de Dios. Está
situada a orillas de la confluencia del río Madre de Dios y el río Tambopata y es uno de los principales
núcleos comerciales de la Amazonia. Está conectada al resto del país y a Bolivia y Brasil a través de
la Carretera Interoceánica. Debido a esto, en el presente informe se propone analizar la inundación
ocurrida el mes de febrero del año 2021 en Puerto Maldonado, Madre de Dios, utilizando información
hidrométrica de la estación Amaru-Mayo ubicada en el río Madre de Dios en la periferia de la ciudad
de Puerto Maldonado.

2. OBJETIVOS

2.1. Objetivo general

- Analizar la hidrometría del río Madre de Dios en Puerto Maldonado.
- Analizar la inundación ocurrida el en febrero de 2021 en Puerto Maldonado, Madre de Dios.
- Comparar los resultados obtenidos con trabajos previos.

2.2. Objetivos específicos

- Elaborar y analizar gráficos de caudal del río Madre de Dios
- Elaborar y analizar series temporales de áreas inundadas en la zona de estudio
- Identificar las áreas inundadas mediante el uso de imágenes SAR Sentinel-1 y clasificación no
supervisada
- Identificar las áreas inundadas mediante el uso de imágenes SAR Sentinel-1 y clasificación
supervisada
- Identificar las áreas inundadas mediante el uso de imágenes SAR Sentinel-1 y algoritmo Otsu
- Identificar las áreas inundadas mediante la metodología de detección de cambios ONU 2020

3. REVISIÓN BIBLIOGRÁFICA

3.1. Zona de estudio

El área de estudio, Puerto Maldonado, se encuentra ubicada en la parte suroeste de la región de Madre
de Dios. Madre de Dios ocupa parte de la selva sur del Perú, puntualmente la selva baja que limita con
el departamento de Puno al sur, Cusco al oeste y el de Ucayali al norte, así como con los países
Bolivia y Brasil. Según la Zonificación Ecológica Económica – ZEE (GOREMAD & IIAP, 2009),
cuenta con una superficie aproximada de 8 518396 ha (6.64 % del territorio nacional), donde habitan
cerca de 109 555 mil habitantes (INEI, 2007). El clima es caluroso y lluvioso. Tomando como
referencia a Puerto Maldonado, las precipitaciones alcanzan los 300mm mensuales y la temperatura
promedio es de 25ºC. (Alarcón et al., 2016).

1
El Río Madre de Dios conocido también con los nombres de: Amaru-Mayo, Manú-Tali y Padre Río,
es el eje principal del sistema fluvial del área de estudio. Este río en territorio peruano alcanza una
longitud aproximada de 655 Km. y su cuenca está cerca a los 95.000 Km2 Luego de confluir con el
Río Manú, es navegable formando numerosos meandros. Posee varios afluentes en territorio peruano,
los más importantes son: por su margen derecha el Inambarí (1.710 m3/s), el Tambopata (1.168 m3/s)
y el Heath en la frontera boliviana (133.00 m3/s); en la margen izquierda el Pariamanú, el Cashpajali
y el Tacuatimanú o de Las Piedras. (Organización de Estados Americanos, s.f.).

Fuente: Elaboración propia (Mosaico libre de nubes 01/01/21-09/02/21 Sentinel-2)

2
3.2. Hidrometría

Figura 1. Caudal Promedio, Promedio Histórico. Fuente: SNIRH, 2022.

Figura 2. Caudal Promedio, 2017-2018. Fuente: SNIRH, 2022.

3
Figura 3. Caudal Promedio, 2018-2019. Fuente: SNIRH, 2022.

Figura 4. Caudal Promedio, 2019-2020. Fuente: SNIRH, 2022.

4
Figura 5. Caudal Promedio, 2020-2021. Fuente: SNIRH, 2022.

Figura 6. Caudal Promedio, 2021-2022. Fuente: SNIRH, 2022.

5
Figura 7. Caudal Promedio Febrero 2017-2022. Fuente: Elaboración propia en base a SNIRH, 2022.

Figura 8. Caudal Instantáneo Febrero 2021. Fuente: Elaboración propia en base a SNIRH, 2022.

6
 Figura 9. Nivel del Río Febrero 2021. Fuente: Elaboración propia en base a SNIRH, 2022.

3.2. Niveles de Alerta:

3.3. Niveles de Alerta

Figura 10. Niveles de alerta. Fuente: Senamhi, 2022.

3.4. Inundación en Madre de Dios

El 18 de febrero de 2021 en horas de la mañana se incrementó el caudal de los ríos Madre de Dios y
Tambopata que ocasionó inundaciones en las localidades de Cachuela, Pueblo Viejo, La Pastora y El
Triunfo, así como zonas aledañas afectando la carretera Bajo Tambopata, sector de Puente Herrera en
el distrito y provincia de Tambopata. (INDECI, 2021).

3.5. Sentinel-1

La misión Sentinel-1 es un satélite que brinda imágenes con un instrumento Radar de Apertura
Sintética (SAR, por sus siglas en inglés) en banda C (5.405 GHz) con una polarización dual con datos
a nivel GRD (Ground Range Detected), la cual son datos productos calibrados y ortorectificados.

7
Consta de una resolución de 10 m, 4 combinaciones de bandas (VV, HH, VV+VH y HH+HV) y 3
modos de obtención de imágenes (Stripmap, Interferometric Wide Swath y Extra Wide Swath).

3.6. Algoritmo Otsu

El método de umbral del algoritmo Otsu es la metodología más adoptada para la identificación de
inundaciones. Este método se basa en la creación de un umbral adaptativo que evalúa la varianza entre
clases de un nivel dado que se calcula a partir de un histograma de imagen normalizado. Este método
se caracteriza por ser menos complejo y requiere mucho menos la interacción del usuario, lo cual lo
hace adecuado para grandes áreas de imágenes SAR. (Tiwari et al., 2020)

3.7. Base de datos Global Surface Water

De acuerdo con Pekel et al. (2016), es una base de datos mundial generado por la Unión Europea que
almacena millones de imágenes Landsat 5, 7 y 8 de cuerpos de agua desde 1984 hasta el 2020 (su
última actualización) a nivel temporal y espacial que ha sido desarrollada a partir de inventarios de
países y extrapolación estadística de datos regionales. Los productos generados nos dan información
sobre la estadística de cambios y extensión de estas superficies de agua. Las bandas con la que opera
esta colección de datos son las siguientes:

● Ocurrencia de agua:
Muestra dónde se produjo el agua superficial entre 1984 y 2020 y proporciona información
sobre la dinámica general del agua. Este producto captura tanto los cambios y variabilidades
intra como el interanual.

● Intensidad de ocurrencia de cambio:

Proporciona información sobre en dónde las aguas superficiales han aumentado, disminuido o
permaneció igual entre 1984-1999 y 2000-2020. Tanto la dirección del cambio y su intensidad
están documentados.

● Estacionalidad:
Proporciona información sobre el comportamiento intraanual de las superficies de agua para
un solo año y muestra el agua permanente y estacional y el número de meses que el agua
estuvo presente.

● Recurrencia:
Proporciona información sobre el comportamiento interanual de las superficies de agua y
captura la frecuencia con la que el agua regresa de un año a otro.

● Transiciones:
Proporciona información sobre el cambio de estacionalidad entre el primer y el último año y
captura cambios entre las tres clases de no agua, agua estacional y agua permanente:

○ Aguas permanentes
○ Nuevos permanentes
○ Permanentes perdidos
○ Estacionales
○ Nuevos estacionales

8
 ○ Estacionales perdidos
○ Estacionales a permanentes
○ Permanentes a estacionales
○ Efímero-permanentes
○ Efímero-estacionales

● Máxima extensión de aguas:

Proporciona información sobre todos los lugares detectados alguna vez como agua sobre el
Periodo de 1984-2020. Es la unión de todos los demás conjuntos de datos.

4. MATERIALES Y MÉTODOS

4.1. Materiales

- Google Earth Engine

- QGIS v.3.22.8
- Base de datos de Global Surface Water de la Unión Europea

4.2. Metodología

4.2.1. Preprocesamiento de imágenes SAR

Para el preprocesamiento, se hicieron uso de imágenes SAR de la base de datos de Google Earth
Engine (GEE) del satélite radar Sentinel-1 de banda C en formato GRD, que presenta bandas con una
resolución espacial de 10 m.

Figura 11. Mapa de ubicación de la zona de estudio.

9
 Tabla 1. Coordenadas del polígono de la zona de estudio.

Latitud Longitud

-69.35744785954846 -12.50961056544458

-69.35744785954846 -12.623334495861597

-69.14445900609387 -12.623334495861597

-69.14445900609387 -12.50961056544458

Primeramente, se realizó el recorte a la zona de estudio. Una vez hecho ello, se procedió a escoger
polarización VV de transmisión y recepción de las imágenes para la detección de la inundación. Si
bien existe extensa bibliografía que ha utilizado otro tipo de polarización (VH, HH o VV+VH)
(Klemas, 2015; Schuman, 2015 y Refice et al., 2022) , de acuerdo con Quoc et al. (2022) esta
polarización es más eficiente al detectar inundaciones. Además, Moharrami et al (2021) menciona que
la banda VV copolarizada tiene una intensidad de retrodispersión más fuerte en comparación con la
polarización cruzada banda VH. Para la obtención de las imágenes, su modo de obtención fue el
Interferometric Wide Swath (IW) y se eligió la órbita descendente del conjunto de datos disponibles.
Luego de ello, se filtró por fecha entre el 1er de enero del 2017 hasta el días después de la ocurrencia
de la inundación del caso de estudio. Cabe resaltar que la inundación ocurrió el 21 de febrero del
2021.
Posteriormente, al conjunto de datos resultante se le añadió un suavizado con un tamaño de kernel de
33 metros. Una vez completado este proceso, se añadió una nueva banda que era el resultado del ratio
entre las bandas VH y VV. Por último, se seleccionaron las imágenes de la inundación y unos días
previos a la inundación (09 de febrero del 2021).

4.2.2. Generación de algoritmo Otsu

Para la creación del algoritmo de binarización otsu se utilizó la banda VV, que es la que genera mayor
respuesta a las inundaciones y por ende a los cuerpos de agua, para la imagen del día de la inundación
y el día previo a la inundación para generar dos grandes clases diferenciales: agua y no agua (Tiwari,
2020). A partir del algoritmo otsu se obtuvo el umbral de diferenciación entre estas dos clases.

4.2.3. Algoritmos de clasificación

4.2.3.1. Clasificación no supervisada

Se realizó una clasificación no supervisada para el día de la inundación y el día previo a la inundación
con el algoritmo K-means con 4 categorías para diferenciar la vegetación, río, inundación y ciudad.

4.2.3.2. Clasificación supervisada

10
Se realizó una clasificación supervisada con el algoritmo Smile Random Forest para el día de la
inundación y el día previo a la inundación con dos clases para diferenciar las zonas inundadas: agua y
no_agua.

Tabla 2. Número de polígonos utilizados en cada clasificación supervisada.

Clase Agua no_Agua

2021-02-09 6 polígonos 3 polígonos

2021-02-21 5 polígonos 4 polígonos

4.2.4. Algoritmo de identificación de áreas de inundación

Este algoritmo está basado en el algoritmo brindado por la “Guía de Buenas Prácticas de Mapeo de
Inundación y Evaluación de Daños utilizando Sentinel-1 en Google Earth Engine” ofrecido por las
Naciones Unidas (2020). Este algoritmo utiliza la base de datos Global Surface Water de la Unión
Europea para calcular la estacionalidad de los cuerpos de agua para así determinar los cuerpos de agua
permanentes y estacionales producidos por las inundaciones. Para ello, primero se realizó una
diferenciación de las imágenes del día de la inundación y del día previo a la inundación. Una vez
hecho ello, se utilizó la última base de datos disponible hasta la fecha (1984-2020) que para
determinar estos de cuerpos de agua permanente, se consideró aquellos que están presentes más de 10
meses en la superficie.
Para eliminar falsos positivos de producidos del código producido, se removieron las zonas con una
pendiente mayor al 5% con el uso del modelo digital de elevación (DEM) de 30 m de la base de datos
WWF HydroSHEDS, la cual está construida en base a la base de datos SRTM.

4.2.5. Recurrencia de los cuerpos de agua

Para generar el porcentaje de recurrencia de los cuerpos de agua se utilizó de nuevo las bases de datos
de 1984-2015 y de 1984-2020 del Global Surface Water de la Unión Europea para evaluar la
evolución de la dinámica del río entre estos dos periodos.

4.2.6. Series temporales

Se construyeron series temporales para la respuesta de la banda VV de 2 zonas inundadas

diferenciadas: de las zonas de cultivo inundadas y de las zonas cercanas de la ciudad de Puerto
Maldonado. Se crearon un conjunto de polígonos para cada caso.

4.2.7. Creación de mapas

Para la creación de mapas con todos los insumos generados en GEE, se utilizó el software QGIS v.
3.22.8.

11
Diagrama de flujo de la metodología

12
5. RESULTADOS

5.1. Combinación RGB SAR

Figura 12. Combinación RGB (VV, VH y ratio) para la imagen antes y en el día de la inundación.

13
5.2. Clasificación no supervisada

Figura 13. Clasificación no supervisada para la imagen antes y en el día de la inundación.

14
5.3. Clasificación supervisada

Figura 14. Clasificación supervisada para la imagen antes y en el día de la inundación.

15
Figura 15. Diferencia de las áreas de las clasificaciones supervisadas de las imágenes antes y en el día
de la inundación.

5.4. Otsu

Figura 16. Gráfico de determinación del umbral a partir del algoritmo otsu.

16
Figura 17. Clasificación mediante el algoritmo Otsu las imágenes antes y en el día de la inundación.

17
Figura 18. Diferencia de áreas de las clases agua de las imágenes antes y en el día de la inundación.

5.5. Series temporales

Figura 19. Serie temporal para las zonas de cultivo inundadas del periodo 2017-2021.

18
Figura 20. Serie temporal de las zonas inundadas cercanas a la ciudad de Puerto Maldonado.

Figura 21. Serie temporal de zonas aledañas al río Madre de Dios.

19
5.6. Inundaciones ONU

Figura 21. Inundaciones detectadas con el algoritmo de identificación de áreas inundadas basado
en la ONU.

5.7. Mapa de Recurrencia de la superficie de agua

Figura 22. Mapa de recurrencia de agua superficial para la base de datos del Global Water
Surface del periodo 1984-2015.

20
 Figura 23. Mapa de recurrencia de agua superficial para la base de datos del Global Water
Surface del periodo 1984-2020.

6. DISCUSIONES

Figura 24. Caudal promedio diario en m3 del mes de febrero del 2021.

21
 Figura 25. Nivel del río instantáneo para el mes de febrero del 2021

En la Figura 24 podemos observar que el día 21 de febrero del 2021 el caudal promedio diario supera
el umbral de emergencia ante una posible inundación por aproximadamente 10000 m3 . Una simple
inspección y comparación de las imágenes Sentinel-1 en combinación RGB de la Figura 12, vemos
respuesta de agua en zonas dónde en la imagen preflood no existían.
La clasificación no supervisada (Figura 13) de las dos imágenes evidencian un comportamiento
similar. Por otro lado, la clasificación supervisada (Figura 14) me indica las clases agua y no agua
para las dos imágenes analizadas.
La Figura 17 son los mapas de cuerpos de aguas originados a partir del algoritmo otsu. A
continuación, la Figura 21 nos representa el mapa de inundaciones originado por el código basado de
la ONU de buenas prácticas de mapeo de inundaciones.
Lo más importante de este conjunto de imágenes son los mapas de diferencia de áreas que se originan
a partir de los mapas de clasificación supervisada (Figura 15) y algoritmo otsu (Figura 16). Al
comparar estos mapas con el mapa de la Figura 21, es posible apreciar una tendencia: el área de
inundación detectada por el algoritmo otsu menor que el área detectada por la clasificación
supervisada, y este a su vez es mejor que el área detectada por el código basado en la ONU, siendo
dichas áreas de 591.46 ha, 980.29 ha y 1777.94 ha, respectivamente.

En el estudio elaborado por el CISMID (2021) también se evaluaron. Se compararon las imágenes
SAR con las imágenes SAR presentadas en este estudio; al ver gran similitud entre las imágenes, es
muy probable que el procesamiento entre ese estudio del CISMID con este estudio hayan pasado por
un procesamiento similar. Esto se concluye gracias a que al hacer énfasis en los puntos de interés
señalados en el CISMID, se encontró que las áreas identificadas por el código basado en la ONU
tenían la mayor correlación con este estudio.

22
Comparación Ciudad:

Fuente: CISMID, 2021.

23
Comparación zona de cultivo:

Fuente: CISMID, 2021.

24
Comparación zona superior:

Fuente: CISMID, 2021.

25
Comparación zona de cultivo 2:

Fuente: CISMID, 2021.

26
Comparación zona de ciudad inundada:

Fuente: CISMID, 2021.

27
Comparación cuerpo de agua semi-permanente:

Fuente: CISMID, 2021.

De acuerdo con el Senamhi (2015) (Fig. 28.), la precipitación media de la cuenca de la intercuenca
medio bajo de Madre de Dios, que es dónde se encontraba la estación hidrométrica Amaru Mayu, es
mayor en los meses de diciembre, enero y febrero, lo cual está en relación con los mese de mayor
caudal promedio de un día. Asimismo con el registro histórico del caudal promedio a partir del año
2017 hasta el 2021, vemos el que los periodos de máximo caudal, que son a partir del mes de febrero,
han ido aumentando cada año, de 13,555.53 m3/s, 14,811.61 m3/s y 15,809.88 m3/s para los años 2018,
2019 y 2020, respectivamente, siendo el año 2017, de igual forma el nivel de río para esta fecha ha
estado en aumento (Figura 25), lo que provocaría finalmente el desborde del río uno atípico por ser
ocasionado por el fenómeno del niño de esa época (17,897.4 m3/s) (Figura 26). De acuerdo con los

28
avisos hidrológicos en Madre de Dios, para el día indica una gran severidad de esta inundación al ser
categorizada como única alerta roja de posible inundación en toda la base de datos existente a partir
del año 2017 (Senamhi, s.f.), lo cual se confirma con el caudal instantáneo para este rango de tiempo
(Figura 27). A su vez, con el paso de la Figura 22 y 23 de los mapas de recurrencia de aguas se nos
indica que la variación interanual de los cuerpos de agua desde el momento en que existe un registro
de agua hasta el último dato registrado ha ido en aumento. Si bien no existe un cambio significativo
entre los datos de 1984 - 2015 y 1984 - 2020, cabe resaltar que el intervalo de comparación es muy
poco como para observar alguna respuesta de gran magnitud; aún así, en este periodo de 5 años es
factible observar este aumento de las zonas de mayor recurrencia de aguas de color celeste en toda la
extensión del río y es probable que el área de recurrencia de aguas aún se extienda más con el paso del
tiempo conforme vaya aumentando el caudal del río interanualmente.

Figura 26. Serie temporal del caudal promedio de un día de 2017 - 2021. Fuente: SNRH, 2022.

Figura 27. Serie temporal del caudal instantáneo de un día de 2017 - 2021. Fuente: SNRH, 2022.

29
 Figura 28. Fuente: SENAMHI, 2015.

Finalmente, al comparar las series temporales de cultivos inundados y ciudad inundada con el registro
histórico de caudal en la estación Amaru-Mayo, se observa claramente la relación que existe entre el
aumento de caudal en febrero del año 2021 y el pico en la respuesta de la banda VV. Sin embargo, no
se encuentra correlación en el resto de la serie temporal con el registro de caudales, lo cual es de
esperarse, ya que en ningún otro año se ha dado un aumento del caudal que genere inundación en
estos puntos siendo las variaciones en la respuesta de la banda VV causadas por otros factores.
Por otro lado, al comparar la serie temporal de zonas aledañas al río Madre de Dios con el registro
histórico de caudal en la estación Amaru-Mayo, se observa claramente la relación que existe entre el
aumento de caudal y la respuesta de la banda VV a lo largo de todos los años. Se puede notar que en
los meses de lluvias donde aumenta más el caudal (enero-febrero-marzo), disminuye la respuesta de la
banda VV a lo largo de la serie temporal. Asimismo en las épocas secas donde más disminuye el
caudal (julio-agosto-septiembre) aumenta la respuesta de la banda VV a lo largo de la serie temporal.
Sin embargo, no se percibe una diferencia significativa entre el mes de febrero de 2021 y otros años,
lo cual es de esperarse, ya que los puntos en la orilla del río se inundan siempre que el caudal aumenta
por encima del promedio.

30
7. CONCLUSIONES
- Los eventos de inundación en la selva, al ocurrir en época lluviosa, se caracterizan
por presentar altos niveles de nubosidad. Lo cual hace que la mayor parte del tiempo
sea imposible trabajar con imágenes satelitales ópticas cuando se desea realizar un
análisis de inundación en estas zonas.
- Se analizó la hidrometría en el río Madre de Dios y se concluyó que los niveles de
caudal de febrero del 2021 ha sido un evento que no ha tenido comparación a los
demás registros ofrecidos por las alertas hidrológicas del senamhi, ya que ha indicado
la presencia de una inundación muy severa, lo que se comprueba asimismo con los
niveles del río para esa fecha.
- Se identificaron las áreas inundadas por clasificación no supervisada, supervisada,
algoritmo otsu y el código basado en detección de inundación de la ONU. A su vez,
se determinó la extensión de la inundación mediante el cálculo de su área solo para
estos 3 últimos, lo cual nos indica que el área calculada en base al código de la ONU
es mayor y mejor al detectar inundaciones en comparación con los demás algoritmos,
a pesar de presentar algunos falsos positivos en su extensión. Esto lo comprueba el
trabajo con los resultados obtenidos con imágenes del CISMID, encontrando la mayor
semejanza con las imágenes en base al código de la ONU.
- Se elaboraron series temporales para las zonas de cultivos inundados, zonas cercanas
a la ciudad de Puerto Maldonado y a las zonas cercanas a la orilla del río. En las
zonas de cultivo y cercanas a la ciudad de Puerto Maldonado se aprecia el punto en el
cual se dio la inundación, pero no se aprecia correlación el resto del año. Por otro
lado, en la zona cercana a la orilla se observa claramente la correlación entre el caudal
anual y la respuesta de la banda VV.

31
 8. BIBLIOGRAFÍA

CISMID. 21 FEBRERO, 2021. ACTUALIZADO 7 ABRIL, 2022. Procesamiento de imágenes de las

inundaciones en Madre de Dios.
http://www.cismid.uni.edu.pe/procesamiento-de-imagenes-de-las-inundaciones-en-madre-de-dios/

INDECI. (2021). Informe De Emergencia Nº 214 - 21/2/2021 / Coen - Indeci / 08:00 Horas (Informe
Nº 3). Inundación En El Departamento De Madre De Dios.

United Nations (UN). (2021). In Detail: Recommended Practice: Flood Mapping and Damage
Assessment Using Sentinel-1 SAR Data in Google Earth Engine.

Klemas, V. (2015). Remote Sensing of Floods and Flood-Prone Areas: An Overview. Journal of
Coastal Research, 314, 1005–1013. doi:10.2112/jcoastres-d-14-00160.1

Gabriel Alarcón , Jorge Díaz , Mauro Vela , Mishari García , José Gutiérrez. (2013). Deforestación en
el sureste de la amazonía del Perú entre los años 1999 - 2013; caso Región de Madre de Dios (Puerto
Maldonado – Inambari).

Schumann, G. J.-P., & Moller, D. K. (2015). Microwave remote sensing of flood inundation. Physics
and Chemistry of the Earth, Parts A/B/C, 83-84, 84–95. doi:10.1016/j.pce.2015.05.002

Refice, A., Capolongo, D., Chini, M., & D’Addabbo, A. (2022). Improving Flood Detection and
Monitoring through Remote Sensing. Water, 14(3), 364. MDPI AG.
http://dx.doi.org/10.3390/w14030364

Moharrami, M., Javanbakht, M., & Attarchi, S. (2021). Automatic flood detection using sentinel-1
images on the google earth engine. Environmental Monitoring and Assessment, 193(5).
doi:10.1007/s10661-021-09037-7

Nghia, B. P. Q., Pal, I., Chollacoop, N., & Mukhopadhyay, A. (2022). Applying Google earth engine
for flood mapping and monitoring in the downstream provinces of Mekong river. Progress in Disaster
Science, 100235.

Tiwari, V., Kumar, V., Matin, M. A., Thapa, A., Ellenburg, W. L., Gupta, N., & Thapa, S. (2020).
Flood inundation mapping- Kerala 2018; Harnessing the power of SAR, automatic threshold detection
method and Google Earth Engine. PLOS ONE, 15(8), e0237324. doi:10.1371/journal.pone.0237324

Pekel, J.-F., Cottam, A., Gorelick, N., & Belward, A. S. (2016). High-resolution mapping of global
surface water and its long-term changes. Nature, 540(7633), 418–422. doi:10.1038/nature20584

Zarabia Tuero, Renzo. 2017. Análisis del riesgo de desastres por inundación en el casco urbano de la
ciudad de Puerto Maldonado - 2017

9. ANEXOS

32