La aplicación de herramientas geoespaciales en el modelado hídrico se ha consolidado como un componente esencial para el análisis integral del recurso hídrico a escala regional, facilitando la identificación y comprensión de dinámicas asociadas a eventos de inundación y otros fenómenos hidrológicos extremos. En el caso del departamento de Casanare, Colombia, se recopilaron y procesaron datos meteorológicos históricos provenientes de estaciones del IDEAM (2024), integrando técnicas de geoestadística como kriging bayesiano empírico para la generación de rasters mensuales de precipitación. Paralelamente, se utilizó información edafológica del IGAC para calcular el número de curva (Curve Number, CN), a partir del tipo de suelo y el grupo hidrológico del suelo (HSG), mediante metodologías establecidas en las referencias técnicas. Estos valores se transformaron en capas raster, las cuales se integraron con los datos de precipitación para calcular la escorrentía directa mensual, generando un conjunto de 12 mapas que describen espacialmente el comportamiento del escurrimiento superficial. Este enfoque proporciona una herramienta clave para la planificación ambiental, la gestión de cuencas hidrográficas y la prevención de eventos extremos asociados a la hidrología en zonas vulnerables del oriente colombiano.

Los colibríes migratorios del género Selasphorus, en particular S. rufus, son polinizadores clave cuya persistencia depende de la disponibilidad de hábitats adecuados a lo largo de su ruta migratoria desde Norteamérica hasta México. En las últimas décadas, el cambio de cobertura y uso de suelo ha transformado significativamente estos paisajes, generando pérdida y fragmentación del hábitat. En este estudio se modeló la distribución potencial de S. rufus para los años 2005, 2010 y 2015, integrando variables bioclimáticas, topográficas y de uso de suelo, y evaluando la representatividad de su hábitat dentro del sistema nacional de Áreas Naturales Protegidas (ANP). Los modelos, construidos en MaxEnt y validados con métricas AUC (0.85–0.98), mostraron áreas de alta idoneidad en la Sierra de Manantlán, Sierra de Cacoma y sectores de la Sierra Madre del Sur. El análisis reveló que más del 80% del hábitat idóneo se encuentra fuera del sistema de ANP del país, evidenciando importantes vacíos de conservación. Asimismo, se documentó una reducción en la conectividad, con pérdida de bosques y aumento de áreas urbanas y agrícolas. Estos resultados destacan la necesidad de incorporar corredores biológicos y sitios de escala migratoria en la planificación territorial, así como de ampliar la cobertura de conservación más allá de las ANP existentes.

This study evaluates land cover responses to extreme rainfall in the Monterrey Metropolitan Area (Mexico) using Sentinel-2 imagery and remote sensing techniques. Two land cover maps were generated through Random Forest classification with stratified random sampling, considering six classes and three indices (NDVI, SAVI, NDWI). The pre- and post-event models achieved overall accuracies of 0.93 and 0.83, with Kappa coefficients of 0.91 and 0.79, respectively. Integration with a multi-index Change Vector Analysis (CVA) enabled the detection of both categorical and magnitude-based changes, revealing significant vegetation disturbance at higher elevations, vegetation recovery in mid-elevation zones, and increased surface moisture along riparian corridors after Tropical Storm Hanna (2020). These findings demonstrate the dual effects of extreme precipitation in semi-arid mountainous urban regions and

highlight the value of combining vegetation and water indices for short-term change detection. The proposed methodology is transferable to other hazard-prone mountain cities worldwide, supporting disaster risk reduction, urban planning, and environmental

monitoring. Limitations include the reliance on only two temporal scenes and spectral confusion between vegetation classes, which future studies could address through multi-temporal datasets, higher-resolution imagery, and integration of ancillary environmental

data.