🔥 En curso — 2025 a la fecha
🔥 Ongoing — 2025 to present
MapBiomas FuegoMapBiomas Fire
Técnico GIS en el equipo patagónico de MapBiomas Argentina, trabajando en el mapeo satelital de áreas quemadas a escala nacional. Coautor del documento técnico (ATBD) de la Colección 0 y responsable de la implementación del pipeline de validación de precisión de la Colección 1.
GIS Technician on MapBiomas Argentina’s Patagonia team, working on national-scale satellite burned-area mapping. Co-author of the Collection-0 technical document (ATBD) and implementer of the Collection-1 accuracy-validation pipeline.
Fase 1 — Datos de entrenamiento del modeloPhase 1 — Model training data
Como parte de un equipo técnico de 26 personas coordinado por Iván Barberá, contribuí a la recolección de datos de entrenamiento para el pipeline de dos etapas de la Colección 1: un modelo de regresión logística dual que detecta área quemada en bosques, matorrales y pastizales de la Patagonia usando el archivo histórico Landsat (TM, ETM+, OLI).
Mi contribución específica: dígitalización manual de ~400 puntos quemados/no quemados por evento de incendio a lo largo de 30 incendios, definición de las ventanas temporales pre/post-fuego para cada evento, y validación visual de series temporales de índices espectrales en zonas de clasificación ambigua. En total, esta estrategia de muestreo extrajo 589.797 observaciones de 12.889 puntos — un enfoque 40× más eficiente que el muestreo punto por punto convencional.
Fui coautor del Algorithm Theoretical Basis Document (ATBD) publicado en diciembre de 2025, que documenta la metodología del piloto de Colección 0 sobre 182.104 km² del gradiente bosque andino-patagónico → estepa.
As part of a 26-person technical team coordinated by Iván Barberá, I contributed to training-data collection for Collection 1’s two-stage pipeline: a dual logistic-regression model that detects burned area across Patagonian forests, shrublands, and grasslands using the historical Landsat archive (TM, ETM+, OLI).
My specific contribution: manually digitizing ~400 burned/unburned sample points per fire event across 30 fires, defining pre/post-fire temporal windows for each event, and visually validating spectral-index time series in ambiguous classification zones. In total, this sampling strategy extracted 589,797 observations from 12,889 points — a 40× efficiency gain over conventional point-by-point sampling.
I co-authored the Algorithm Theoretical Basis Document (ATBD), published December 2025, documenting the Collection-0 pilot methodology across 182,104 km² of the Andean-Patagonian forest-to-steppe gradient.
Fase 2 — Pipeline de validación de precisiónPhase 2 — Accuracy validation pipeline
Este es mi trabajo actual: implementar, en solitario, el pipeline que evalúa qué tan preciso es el mapa de fuego de la Colección 1 a escala nacional (279,27 Mha), sobre un diseño estadístico desarrollado por Iván Barberá.
This is my current work: implementing, solo, the pipeline that assesses how accurate the Collection-1 fire map is at national scale (279.27 Mha), built on a statistical design developed by Iván Barberá.
Diseño: muestreo estratificado — S1 (píxeles quemados según el mapa), S2 (evidencia externa de quema de MCD64A1/VIIRS/FireCCI51/FIRMS, fuera de S1), S3 (el resto, ~94% del área). Estimador de Stehman (2014), elegido porque los estratos no coinciden con las clases del mapa. Tres años de validación (2003, 2013, 2022), 100 puntos/estrato/año, con un pool de reserva ordenado de 5.000 puntos/estrato/año. Interpretación ciega: los intérpretes nunca ven la etiqueta del mapa, con ~10% de duplicación para medir acuerdo entre intérpretes.
Design: stratified sampling — S1 (map’s own burned pixels), S2 (external burn evidence from MCD64A1/VIIRS/FireCCI51/FIRMS, outside S1), S3 (everything else, ~94% of the area). Stehman (2014) estimator, chosen because the strata don’t match the map’s own classes. Three validation years (2003, 2013, 2022), 100 points/stratum/year, with a frozen ordered reserve pool of 5,000 points/stratum/year. Blind interpretation: interpreters never see the map’s own label, with ~10% duplication to measure inter-interpreter agreement.
Lo que construíWhat I built
Implementé el pipeline completo de la especificación: exportación de estratos, extracción del pool de muestras y generación de los CSV para interpretación (Collect Earth Online). También construí una herramienta interactiva en el editor de código de GEE (ceo_val_inspector) que, dado un punto, muestra series temporales NBR/NBR2/HLS/Sentinel-2 e imágenes pre/post-fuego para apoyar la interpretación ciega.
I implemented the full pipeline from the spec: strata export, sample-pool extraction, and CSV generation for interpretation (Collect Earth Online). I also built an interactive tool in the GEE code editor (ceo_val_inspector) that, given a point, renders NBR/NBR2/HLS/Sentinel-2 time series and pre/post-fire imagery to support blind interpretation.
Diagnosticando un error de memoria en GEE. El diseño original fallaba con Error code 8 (memoria insuficiente) en cada variante que probé: nacional, por tiles, por partición geográfica. Sospeché primero de la banda de estratos. Después de un test A/B controlado (5/5 fallos con la geometría política nacional del país vs. 3/3 éxitos con un rectángulo simple), encontré la causa real: la geometría del límite político de Argentina, con más de 2 millones de vértices, no la lógica de estratificación. Rediseñé el muestreo como un pool sin estratificar en el servidor (con la separación por estrato hecha localmente en pandas) — estadísticamente equivalente, mucho más económico en GEE.
Diagnosing a GEE out-of-memory bug. The original design failed with Error code 8 (out of memory) on every variant I tried: national, tiled, partitioned by region. I initially suspected the stratum band. After a controlled A/B test (5/5 failures with Argentina’s national political boundary geometry vs. 3/3 successes with a plain bounding-box rectangle), I found the real cause: the country’s political-boundary geometry, with 2M+ vertices, not the stratification logic itself. I redesigned the sampling as an unstratified server-side pool draw (with stratum splitting done locally in pandas) — statistically equivalent, far cheaper on GEE.
Estado actual: sin resultados de precisión todavía. La interpretación humana de los 300 puntos semilla aún no ha comenzado — este es trabajo activo, no un resultado cerrado.
Current status: no accuracy results yet. Human interpretation of the 300 seed points hasn’t started — this is active work, not a closed result.