Las Misiones del Lince 10 Ahorro Hídrico Urbano y Sequía en Estepona: NDMI, Wokwi y un Simulador del Embalse

Ciencia Ciudadana MonteSTEAM · Proyecto AIDARAC
«El Lince de la Noche no tiene superpoderes. Tiene datos.»

Estepona y toda la Costa del Sol viven con la gestión de la sequía como algo cotidiano. Esta misión pone en manos del alumnado las mismas herramientas que usan los organismos oficiales para vigilarla: un índice de humedad por satélite, los datos reales del embalse que nos abastece, y un sensor que ellos mismos calibran y entierran en una jardinera.

1. Introducción científica

El índice NDMI. Con el satélite Sentinel-2 se calcula como NDMI = (B08 − B11) / (B08 + B11), combinando el infrarrojo cercano (NIR) con el infrarrojo de onda corta (SWIR). Lo propuso el científico B.-C. Gao para medir cambios en el contenido de agua de las hojas. La banda SWIR es sensible al agua de la vegetación y a la estructura interna de la hoja, y al combinarla con el NIR la precisión sobre el contenido de agua mejora mucho. Los valores van de -1 a 1: cerca de -1 indica estrés hídrico o suelo desnudo, cerca de +1 indica encharcamiento. Es el mismo tipo de análisis que hicisteis con Climate Engine en el Mapa de Calor, pero aquí en vez de temperatura de superficie se mide humedad.

El embalse real. La presa de La Concepción, de 90 metros de altura y construida en 1971, regula las aguas del río Verde con una capacidad máxima de 61,85 hm³, frente a una aportación media anual de la cuenca de unos 63-72 hm³. Abastece a la Mancomunidad de Municipios de la Costa del Sol Occidental (Benahavís, Benalmádena, Casares, Estepona, Fuengirola, Manilva, Marbella y Mijas), cuya población puede superar el millón de personas en verano, con una demanda anual algo superior a los 100 hm³. Como esa demanda es mayor de lo que el embalse puede regular por sí solo, el sistema depende también de la desaladora de Marbella y de pozos.

La sequía es reciente y real. Andalucía arrastra un déficit pluviométrico acumulado desde 2019, acentuado en 2023, que ha reducido el volumen almacenado en la mayoría de sus embalses. Los datos públicos de la Junta muestran la recuperación tras las lluvias: en marzo de 2026 La Concepción estaba al 91,9% con 52,88 hectómetros. Ese vaivén —cae mucho, sube de golpe con las lluvias— es justo lo que vais a poder comparar entre el satélite y el pantano.

Y el gasto “innecesario” también es medible. Un campo de golf en una región seca como Andalucía gasta de media unos 10.000 litros diarios, entre 0,5 y 0,7 hectómetros cúbicos al año, y solo los campos de la cuenca mediterránea andaluza superan los 30 hm³ anuales — casi la mitad de la capacidad de La Concepción. Durante las sequías reales, las restricciones han llegado a prohibir el llenado de piscinas privadas, el lavado de coches y el riego de jardines y campos de golf, con límites de consumo humano en torno a 200-225 litros por persona y día.

2. Cómo se sacan los mapas

(Aquí van tus capturas: el mapa NDMI recortado a Estepona, y una captura del visor con el % del embalse ese día)

Paso 1 — Crear cuenta gratuita. Entra en dataspace.copernicus.eu/browser/, la herramienta oficial y gratuita de la UE para ver imágenes Sentinel-2 — más sencilla que Google Earth Engine para empezar. Regístrate con tu correo (gratis, un par de minutos); hace falta estar identificado para usar los índices.

Paso 2 — Localizar Estepona y elegir fecha. Escribe «Estepona» en el buscador para centrar el mapa. Selecciona el satélite Sentinel-2 L2A (corregido atmosféricamente) y un rango de fechas de verano (por ejemplo 15 julio–31 agosto, cuando el estrés hídrico se nota más). Filtra nubosidad por debajo del 20% y busca.

Paso 3 — Elegir la escena con menos nubes. De los resultados, previsualiza cada fecha y elige la que tenga el cielo más despejado sobre la zona.

Paso 4 — Activar la visualización NDMI. En el panel «Visualize» busca en la lista de índices predefinidos si aparece «NDMI» o «Moisture Index». Si no aparece como botón directo, ve a la pestaña «Custom» y pega este script (fórmula estándar del NDMI):

javascript

//VERSION=3
function setup() {
  return { input: ["B08","B11","dataMask"], output: { bands: 4 } };
}
function evaluatePixel(s) {
  let ndmi = (s.B08 - s.B11) / (s.B08 + s.B11);
  if (ndmi < -0.2) return [0.8, 0.2, 0.1, s.dataMask];  // seco (rojo)
  if (ndmi < 0)    return [0.95, 0.7, 0.2, s.dataMask]; // naranja
  if (ndmi < 0.2)  return [0.95, 0.95, 0.3, s.dataMask];// amarillo
  if (ndmi < 0.4)  return [0.4, 0.8, 0.4, s.dataMask];  // verde
  return [0.1, 0.3, 0.8, s.dataMask];                   // húmedo (azul)
}

Paso 5 — Capturar la zona. Haz zoom hasta que se vea bien el pueblo y su entorno, y haz una captura limpia — es la que insertas arriba.

La leyenda de colores

Esta paleta va de azul = mucha humedad a rojo = muy poca. La razón física: el infrarrojo de onda corta (SWIR) lo absorbe mucho el agua, así que una hoja o un suelo con más agua dentro reflejan menos SWIR → NDMI más alto → azul. Lo seco refleja más SWIR → NDMI más bajo → rojo.

• Azul (la mayor parte del mapa): monte y bosque —la vegetación de la sierra retiene bastante humedad incluso en agosto, sobre todo si hay pinar o arbolado denso.
• Amarillo/naranja: vegetación más escasa, cultivos secos, suelo desnudo o zonas degradadas — menos “colchón” verde que retenga agua.
• Rojo intenso (manchas pequeñas arriba y en el centro-derecha): suelo prácticamente desnudo, roca, o superficies urbanizadas — casi sin vegetación que retener humedad.

Sobre el mar (la mancha roja oscura de abajo a la derecha)

Ojo con este punto para explicarlo bien: el mar no sale rojo porque “esté seco”. El NDMI está pensado para medir agua en hojas y suelo, no en agua líquida abierta — sobre el mar, la fórmula se sale de su rango normal y da valores extremos que la paleta pinta en el rojo más oscuro (el mismo color que usa para “muy seco” en tierra, aunque el significado ahí es distinto). Es un buen momento para explicar a los alumnos que todo índice de satélite tiene sus límites: mide bien lo que fue diseñado para medir (vegetación), y fuera de eso (agua abierta, nieve, nubes) puede dar resultados raros que no hay que interpretar literalmente.

La franja verde menta pegada a la costa es probablemente la zona de rompiente/aguas someras — con sedimento en suspensión, que da una firma distinta tanto a la tierra como al mar abierto.

¿Está el pantano en la imagen?

Con esta misma lógica: si el encuadre llega hasta Istán, el embalse de La Concepción también saldría en ese mismo rojo oscuro “de agua”, no en azul — sería una mancha alargada y ramificada (seguiría la forma del valle inundado), distinta de las manchas rojas redondeadas de suelo seco. Mirando tu imagen, hay una forma alargada y algo ramificada en rojo oscuro en el borde derecho, hacia la mitad de la altura, que podría ser el pantano.

Paso 6 (opcional) — Con Climate Engine. Si prefieres seguir con la misma herramienta del Mapa de Calor: app.climateengine.org → pestaña «Make Map» → Type = Remote Sensing → busca un dataset Sentinel-2 con NDMI entre las variables. No está garantizado que aparezca con ese nombre exacto; si no está, usa el Copernicus Browser del paso anterior, que sí lo tiene seguro.

Para el nivel del embalse: busca «Visor de Embalses de Andalucía» (herramienta oficial de la Junta con datos de Rediam, actualizados a diario a las 8:00h, sin registro) y localiza «La Concepción» dentro de la Demarcación de las Cuencas Mediterráneas Andaluzas, provincia de Málaga. Si te resulta poco intuitivo, la alternativa más visual y sin registro es embalses.es, buscando «La Concepción» — muestra % de llenado y una gráfica de evolución frente a la media histórica. El día que midáis con el sensor real, anotad también el % del embalse ese mismo día.

https://portalrediam.cica.es/embalses

3. Montaje Wokwi (potenciómetro en vez de DHT22)

ESP32 + potenciómetro simulando el sensor de humedad de suelo, con dos LEDs de aviso. Conexiones: potenciómetro VCC→3V3, GND→GND, salida (wiper)→GPIO34; LED verde→GPIO25; LED rojo→GPIO26 (ambos con resistencia).

cpp

// Wokwi: ESP32 + Potenciómetro (simula sensor de humedad de suelo)
const int PIN_SENSOR = 34;
const int PIN_LED_VERDE = 25;
const int PIN_LED_ROJO  = 26;

const int SECO   = 4095; // lectura simulando suelo seco
const int MOJADO = 1200; // lectura simulando suelo húmedo

void setup() {
  Serial.begin(115200);
  pinMode(PIN_LED_VERDE, OUTPUT);
  pinMode(PIN_LED_ROJO, OUTPUT);
}

void loop() {
  int lectura = analogRead(PIN_SENSOR);
  int humedad = map(lectura, SECO, MOJADO, 0, 100);
  humedad = constrain(humedad, 0, 100);

  Serial.print("Humedad del suelo: ");
  Serial.print(humedad);
  Serial.println(" %");

  bool seco = humedad < 30;
  digitalWrite(PIN_LED_ROJO, seco);
  digitalWrite(PIN_LED_VERDE, !seco);

  delay(2000);
}

4. Material físico real (sensor de humedad + Arduino)

Mismo código, adaptado a hardware real. Antes de nada: calibrad el sensor — metedlo en un vaso de agua y anotad esa lectura como MOJADO, y dejadlo al aire seco unos segundos para anotar SECO. Cada sensor da lecturas ligeramente distintas.

cpp

// Sensor de humedad de suelo real + Arduino
const int PIN_SENSOR = A0;

const int SECO   = 590; // ← sustituid por vuestra lectura en aire
const int MOJADO = 280; // ← sustituid por vuestra lectura en agua

void setup() {
  Serial.begin(9600);
}

void loop() {
  int lectura = analogRead(PIN_SENSOR);
  int humedad = map(lectura, SECO, MOJADO, 0, 100);
  humedad = constrain(humedad, 0, 100);
  Serial.print(humedad);
  Serial.println("%");
  delay(3000);
}

5. Simulación y ciencia de datos: el embalse en 20 años

👉 Simulador del Embalse — Sequía y Ahorro Hídrico

El simulador compara, con la misma lluvia, dos escenarios en paralelo: solo consumo necesario frente a consumo + gasto superfluo (piscinas, jardines, campos de golf), sobre la capacidad real de La Concepción (61,85 hm³). El gasto superfluo solo se frena cuando el embalse baja del 35% —igual que las restricciones reales, que siempre llegan tarde— y vuelve en cuanto sube del 55%. Con solo el consumo necesario, el embalse aguanta las sequías con caídas fuertes pero se recupera; en cuanto se añade el gasto superfluo, el mismo ciclo de lluvias produce cortes de agua que en el otro escenario no habrían ocurrido.

Las 8 zonas de medición (las mismas del Mapa de Calor, para comparar calor y humedad en los mismos puntos):

Zona	Por qué
Ona Valle Romano	Zona verde de urbanización con riego regular — referencia de “mucha agua”
Lidl / Carrefour	Asfalto y aparcamiento — referencia de “suelo seco”
El Orquidario	Jardín botánico, mucha vegetación — NDMI alto esperado
Plaza de las Flores (casco antiguo)	Piedra y edificación densa, poca vegetación
Paseo Marítimo	Vegetación costera, humedad ambiental alta aunque riegue poco
Puerto Deportivo	Superficie dura, mínima vegetación
Ladera sin urbanizar	Vegetación de secano sin riego — ¿aguanta la sequía por sí sola?
Jardineras del instituto	El único punto con medición real de suelo, para calibrar el resto

Resultados simulados (⚠️ datos inventados para practicar el análisis antes de medir de verdad):

Zona	NDMI (satélite)	Humedad de suelo medida	Interpretación
Ona Valle Romano	0,32	41%	Riego artificial sostiene la humedad
Lidl / Carrefour	-0,15	8%	Asfalto, sin vegetación que retenga agua
El Orquidario	0,44	52%	Vegetación densa y regada, la más húmeda
Plaza de las Flores	-0,08	12%	Piedra y sombra de edificios, poca vegetación
Paseo Marítimo	0,18	25%	Humedad costera compensa el riego escaso
Puerto Deportivo	-0,12	9%	Superficie dura, casi sin vegetación
Ladera sin urbanizar	0,05	18%	Resiste sin riego, pero está en el límite
Jardineras instituto	0,20	28%	Punto de referencia para calibrar el resto
Embalse La Concepción ese día	—	—	58% (sustituir por el dato real del visor)

Resumen por zona: lo esperable es que NDMI y humedad medida vayan de la mano en las zonas verdes (Orquidario, Ona Valle Romano) y que las superficies duras salgan bajas en ambas — eso confirma que el índice del satélite “funciona”. El punto interesante para debatir en clase es la ladera sin urbanizar: si su NDMI es bajo pero no crítico, es que la vegetación mediterránea está adaptada a la sequía, al contrario que el césped de las urbanizaciones, que depende por completo del riego.

6. Conclusiones y recomendaciones

El simulador muestra el mecanismo con más claridad que cualquier cifra suelta: la diferencia entre los dos escenarios no está en la lluvia —es la misma en ambos— sino en cuándo empezamos a ahorrar. Prevenir en vez de reaccionar es la diferencia entre pasar la sequía con algún susto o llegar a los cortes de agua.

1. Xerojardinería en zonas verdes municipales y de urbanizaciones. Sustituir césped por plantas autóctonas adaptadas a la sequía, como ya hace de forma natural la ladera sin urbanizar de nuestro propio mapa. Un estudio reciente sobre jardinería con especies autóctonas en climas secos confirma ahorros de agua muy significativos frente al césped convencional, además de menos mantenimiento y menos fertilizantes (Camen-Comănescu, Raicu & Urziceanu, 2025, Xeriscaping – Smart Landscaping with Indigenous Plants Adapted to Drought).

2. Riego por sensores, no por horario fijo. Un riego “de toda la vida” abre la válvula a una hora determinada, llueva o no, esté el suelo húmedo o seco — como regar un jardín siguiendo un calendario en vez de mirarlo. Un controlador con sensor de humedad hace justo lo que hicisteis con la jardinera del instituto: mide el agua que hay realmente en la tierra y solo riega cuando de verdad hace falta, saltándose el ciclo programado si ha llovido o el suelo sigue húmedo. Un estudio con 58 viviendas comparando distintos sistemas de riego encontró que los controladores con sensor de humedad reducían el riego un 65% respecto al riego programado por horario, sin perder calidad del césped (Cárdenas-Lailhacar & Dukes, 2012, Journal of Irrigation and Drainage Engineering).

3. Agua regenerada para riego de zonas verdes y campos de golf, en vez de agua potable. En España, cerca de la mitad del agua reutilizada en Andalucía se destina precisamente a regar campos de golf, y hoy la mayoría de los campos españoles ya usan agua regenerada o desalada en vez de agua potable para el riego (Ortuño-Padilla & Fernández-Aracil, Reuse of Wastewater in Golf Courses, Universidad de Alicante).

4. Cambiar el hábito, no solo la ley. El simulador enseña que las restricciones siempre llegan tarde — pero además, la investigación muestra que en cuanto se levantan, el consumo tiende a repuntar: un estudio sobre la sequía de California encontró un repunte medio del 9% en el uso de agua tras acabar las restricciones obligatorias, mayor en los meses de verano y entre los hogares que menos agua gastaban durante la sequía (Nemati et al., 2023, Water Resources Research). El ahorro que empieza antes de que se ordene —y que se mantiene después de que llueva— es el que de verdad evita el próximo corte.

Este proyecto se presenta con la intención de ayudar a entender un problema real de nuestro entorno, de forma humilde y desde la ciencia ciudadana — con datos simulados marcados como tales allí donde el alumnado aún no ha medido, y con datos reales y verificables en todo lo demás.ados marcados como tales allí donde el alumnado aún no ha medido, y con datos reales y verificables en todo lo demás.