Curso SIG y teledetección en R: Análisis geoespacial y Machine Learning - Imasgal
 

SIG y teledetección en R: Análisis geoespacial y Machine Learning

28 de mayoOnline (clases online y tutorías)SIGNuevo

Presentación

El curso «SIG y Teledetección en R: Análisis geoespacial y Machine Learning», sumerge al alumnado en el inmenso y potente mundo de la programación aplicada a Sistemas de Información Geográfica (SIG) y Teledetección.

Desde los fundamentos hasta las técnicas avanzadas, este curso abarca todos los aspectos esenciales. Comenzamos con una sólida introducción que te ayudará a entender la relación entre la programación y los SIG/Teledetección. Te adentrarás en el mundo de la programación en R, comenzando con la sintaxis básica, variables y tipos de datos. A medida que avanzas, aprenderás a crear funciones personalizadas y a utilizar estructuras de control para desarrollar soluciones más complejas.

Además, la adquisición de datos geoespaciales en la nube se vuelve accesible a través de librerías y APIs, lo que te permitirá acceder a una gran cantidad de recursos para tus proyectos. Avanzarás hacia el geoprocesamiento en R, donde podrás realizar análisis espaciales avanzados, explorar patrones y tomar decisiones informadas.

Una vez ya abordados los conceptos clave de la programación, pasaremos a analizar nuestros datos. El análisis de datos geoespaciales se convierte en una habilidad clave a medida que profundizas en cómo utilizar R para explorar, procesar y visualizar datos de manera efectiva. También te aventurarás en el emocionante mundo del Machine Learning aplicado a SIG y Teledetección, lo que te permitirá abordar problemas de clasificación y predicción.

Por último, hoy en día, la visualización y presentación de resultados posee un gran valor. La cartografía y visualización dinámica de datos geoespaciales se vuelve accesible a medida que aprendes a crear mapas interactivos y visualizaciones impactantes para comunicar tus resultados de manera efectiva. Para redondear tu conjunto de habilidades, te sumergirás en la integración de R con herramientas populares como QGIS y Google Earth Engine, lo que te permitirá aprovechar aún más tus capacidades de análisis geoespacial.

Conocimientos previos necesarios:
  • Conocimientos básicos de programación: no es necesario conocimientos de programación con R u otro lenguaje. Durante el curso se impartirán los contenidos necesarios de programación con R.
  • Conocimientos básicos de estadística: podrían ser recomendables conocimientos básicos de estadística aunque se ofrecerá un repaso general al inicio del curso para que haya una correcta comprensión del apartado del análisis de datos.
  • Conocimientos básicos de GIS y Teledetección: se recomienda tener un conocimiento básico de SIG y los sistemas de coordenadas para entender cómo los datos espaciales se utilizan en SIG y programación, aunque se impartirá una introducción acerca de estos aspectos y se irá ampliando a lo largo del curso.
Softwares:
  • QGIS: Software libre.
  • R: Software libre
  • RStudio: Software libre

Contenidos

Tema 01 | Introducción a la programación y su relación con los SIG y teledetección
  1. Introducción a los SIG: conceptos básicos, funciones y aplicaciones de los SIG
    Breve historia y aplicación de los SIG | SIG como herramienta analítica | Componentes principales de los SIG | Funciones principales de los SIG | Aplicaciones de los SIG en distintos ámbitos
  2. Introducción a los SIG: tipos de datos geográficos
    Datos e información geográfica | Características de los datos geográficos | Modelos de datos: vectorial | Modelos de datos: ráster
  3. Introducción a los SIG: herramientas principales de SIG y teledetección 
    QGIS | GRASS GIS | SAGA GIS | EO Browser (sentinel Hub) | Google Earth Engine (GEE)
  4. ¿Que es la programación? Principales lenguajes y su integración con los SIG y la teledetección
    Definición de programación | Principales lenguajes de programación en el ámbito geoespacial: Python, R, JavaScript
  5. Aplicaciones y potenciales de la programación en los SIG y la teledetección
    Procesamiento y análisis de datos geoespaciales | Automatización de tareas repetitivas | Desarrollo de herramientas y aplicaciones avanzadas | Accesibilidad y colaboración remota | Integración con otras tecnologías emergentes
  6. Sinergia entre los SIG y la programación
    Programación como herramienta clave para el análisis geoespacial | Eficiencia y personalización de los SIG mediante programación | SIG en tiempo real y monitoreo continuo | Desarrollo de aplicaciones personalizadas para SIG y teledetección
  7. Avances en tecnologías SIG y su integración con la programación
    Aumento de datos y nuevas fuentes geoespaciales | Inteligencia artificial (IA) y aprendizaje automático | SIG en la nube y desarrollo de aplicaciones distribuidas | Integración con tecnologías emergentes
Tema 02 | Programación en R (I): sintaxis básica, variables, tipos de datos 
  1. Introducción a la programación en R y el entorno RStudio
    ¿Qué es R? | Principales carácteristicas de R como lenguaje de programación | R vs RStudio: difernecia clave
  2. El entorno RStudio
    Interpretabilidad y comprensión del entorno |Configuración y personalización del entorno | Ejecución de código y flujo básico en el entorno de desarrollo
  3. Programación con R: primeros comandos y operaciones básicas
    Operaciones aritmeticas | Operaciones de comparación | Uso de la función print() para visualizar resultados | Resultados automáticos sin necesidad de usar print() | La función de salida cat()
  4. Programación con R: comprensión de comentarios y anotaciones
    Comentarios de una sola línea | Comentarios multilínea | Importancia de comentar el código para mayor legibilidad y colaboración
  5. Programación con R: objetos
    Definición de objetos en R | Declarar y asignar objetos | Manejo y comprobación de objetos en R | Valores especiales en R
  6. Programación con R: tipos básicos de datos
    Datos numéricos | Datos enteros | Datos de carácter | Datos lógicos | Comprobar tipos de datos
  7. Programación con R: tipos de datos avanzados
    Fecha y hora | Factores ordenados y no ordenados
  8. Programación con R: estructuras de datos con R
    Vectores | Listas | Matrices | Arrays | Dataframes
  9. Programación con R: operaciones con variables y conversión de tipos de datos
    Operaciones básicas con variables | Operaciones avanzadas con variables | Operaciones lógicas | Conversiones de tipos de datos
Tema 03 | Programación en R (II): Funciones y Estructuras de Control
  1. Programación con R: introducción a las estructuras de control en R
    Definición de estructuras de control | Estructuras de control condicionales | Estructuras de control iterativas
  2. Programación con R: creación y tipos de funciones
    Sintaxis básica para crear funciones | Retorno de valores | Tipos de funciones 
  3. Programación con R: definición y mejores prácticas en la creación de funciones
    Argumentos con valores por defecto | Valoración de argumentos y uso de stop() | Buenas prácticas al definir funciones
  4. Programación con R: manejo de datos usando funciones
    Limpieza de datos | Transformación de datos | Agregación y resumen de datos | Filtrado y selección de datos
  5. Programación con R: optimización de código
    Aplicación de funciones vectorizadas | Uso de paralelización | Agregación y resumen de datos | Combinación de funciones y estructuras de control
  6. Programación con R: alcance de las variables en R
    Ámbito global | Ámbito local | Ámbito de bloque | Funciones útiles para interactuar con los entornos de variables
  7. Programación con R: manejo de errores y depuración
    Identificación y manjeo de errores comunes en R | Mensajes de error y advertencias | Técnicas de depuración en R | Control estructurado de errores 
Tema 04 | Herramientas de análisis geoespacial en R
  1. Manejo de paquetes para análisis de datos geoespaciales
    Paquetes útiles en R para el análisis geoespacial | Instalar y cargar paquetas | Formato de datos geoespaciales
  2. Importar y exportar datos geoespaciales en R
    Importar datos vectoriales | Exportar datos vectoriales | Importar un archivo csv como capa vectorial de puntos | Importar datos ráster | Exportar datos ráster 
  3. Sistema de coordenadas en R
    Verificar el sistma de referencia espacial | Definir sistemas de referencia de coordenadas usando código EPSG | Transformar el sistema de coordenadas de referencia
  4. Manipulación de datos vectoriales en R: primeras consultas
    Tipos de geometrías | Comprobar validez de la capa | Corrección de errores topológicos
  5. Manipulación de datos vectoriales en R: operaciones básicas
    Cálculo de áreas y longitudes | Obtención de coordenadas | Filtrado de geometrías por atributo
  6. Manipulación de datos vectoriales en R: operaciones avanzadas
    Filtrado espacial | Cálculo de distancias | Disolver geometrías | Generación de zonas de influencia | Operaciones de unión espacial | Cálculo de diferencia espacial
  7. Manipulación de datos ráster en R: operaciones básicas
    Comprobación de características generales | Selección de valores | Modificación de resolución espacial | Conversión de capa vectorial a ráster | Conversión de capa ráster a vectorial
  8. Manipulación de datos ráster en R: análisis y procesamiento avanzado
    Álgebra de mapas | Reclasificación | Mosaico o combinación de capas ráster | Operaciones focales
  9. Procesamiento combinado de datos ráster y vectoriales
    Extracción de valores de capa ráster a partir de capa vectorial | Estadística zonal | Recorte de capa ráster mediante capa vectorial
Tema 05 | Análisis exploratorio de datos en R
  1. Introducción al análisis exploratorio de datos en R
  2. Análisis exploratorio de datos en R: distribución de variables numéricas y categóricas
    Medidas descriptivas de tendencia central, dispersión, forma y distribución | Estadístico por grupo | Distribuciones de frecuencias
  3. Análisis exploratorio de datos en R: generación de gráficas descriptivas
    Diagrama de sectores | Diagrama de barras | Histograma | Diagrama de caja (boxplot) | Diagrama de dispersión | Matriz de diagramas de dispersión
  4. Análisis explorativo de datos en R: análisis de correlación
     Correlación bivariada | Matrices de correlación | Visualización de matriz de correlación
  5. Análisis visual de imágenes
    Color natural | Infrarrojo cercano (vegetación) | Zonas urbanas | Uso agrícola | Masas de agua | Vegetación saludable
Tema 06 | Análisis espacial y temporal en R: exploración de patrones espacio-temporales, métodos de interpolación y análisis multicriterio
  1. Análisis de patrones espaciales y temporales: autocorrelación espacial y estadísticas de vecindad
    Introducción al análisis de patrones escpaciales y temporales | Introducción a la autocorrelación espacial | Índice de autocorrelación espacial global (Moran) | Índice de autocorrelación espacial local | LISA)
  2. Análisis de patrones espaciales y temporales en R: detección de anomalías en datos geoespaciales
    Métodos para detectar anomalías espacio-temporales | Estadística z-score para identificación de anomalías | Interpretación del valor z-score en el análisis espacio-temporal
  3. Introducción a la interpolación espacial en R
  4. Interpolación espacial en R: interpolación por Inverse Distance Weighting (IDW)
    Fundamentos y aplicaciones del IDW | Selección del parámetro de ponderación | Aplicaciones del IDW en análisis geoespaciales
  5. Interpolación espacial en R: interpolación por kriging
    Introducción al kriging | Tipos de kriging | Estimación de parámetros de kriging | Aplicaciones del kriging en análisis geoespacial | Validación de métodos de interpolación espacial
  6. Introducción al análisis multicriterio
    Concepto y fundamentos del análisis multicriterio | Aplicaciones del análisis multicriterio | Tipos de métodos de análisis multicriterio
  7. Análisis multicriterio: definición de variables
    Carga y preparación de las capas vectoriales y ráster | Definición de criterios y reclasificación | Homogeneización de las capas
  8. Análisis multicriterio: métodos para asignar pesos y reglas de decisión
    Método del promedio | Método de clasificación | Método de ponderación diferencial
Tema 07 | Consulta y obtención de datos geoespaciales en la nube: APIs y paquetes en R
  1. Definición y tipos de datos geoespaciales en la nube
    Diferentes tipos de datos disponibles | Diferencia entre datos con alta frecuencia de actualización y datos históricos | Ventajas y desafíos de obtener datos en la nube
  2. APIs y paquetes para la obtención de datos geoespaciales en R
    Introducción a APIs y paquetes para el acceso a datos en la nube | Consideraciones técnicas y buenas prácticas al trabajar con APIs geoespaciales en R | Requisitos para la obtención de datos en la nube 
  3. Obtención de datos en la plataforma Earthdata con R
    Introducción a la plataforma Earthdata | Catálogo de datos en la plataforma Earthdata | Registro y acceso a Earthdata desde R 
  4. Selección y procesamiento de imágenes MODIS desde Earthdata con R
    Búsqueda de imágenes disponibles en Earthdata | Descarga de imágenes en Earthdata | Carga y procesamiento de imágenes satelitales obtenidas de Earthdata
  5. Obtención de datos en Google Earth Engine con R
    Introducción a GEE | Catálogo de datos en la plataforma GEE | Acceso a GEE con R
  6.  Selección y procesamiento de imágenes Sentinel-2 en Google Earth Engine con R
    Búsqueda de imágenes disponibles en GEE | Cálculo de índices espectrales y recorte al área de interés | Visualización y descarga de imágenes
Tema 08 | Aplicación de Machine Learning a SIG y teledetección
  1. Introducción a los métodos de Machine Learning
    Fundamentos de Machine Learning: definición y conceptos clave | Tipos de aprendizaje en Machine Learning: aprendizaje supervisado y no supervisado | Principales algoritmos para aprendizaje supervisado y no supervisado | Aplicaciones comunes de Machine Learning | Ventajas y desafíos de Machine Learning
  2. Fase de preparación y selección del modelo de Machine Learning
    Definición del problema | Identificación, selección y recolección de datos | Preparación de datos | Selección del algoritmo
  3. Fase de creación y evaluación del modelo de Machine Learning
    Ajuste preliminar del modelo | Entrenamiento del modelo | Evaluación del modelo | Optimización del modelo 
  4. Fase de implementación y monitoreo del modelo de Machine Learning
    Despliegue del modelo | Monitoreo y mantenimiento | Documentación y comunicación
  5. Clasificación de usos del suelo mediante aprendizaje supervisado en R
    Introducción a modelos de árboles de decisión y Random Forest | Preparación de datos geoespaciales: carga y agregación de variables adicionales | Preparación de datos geoespaciales: conjunto de datos de entreno y prueba | Preajuste y entrenamiento del modelo de Machine Learning | Evaluación del modelo entrenado | Predicción del modelo entrenado
  6. Delimitación dezonas incendiadas mediante Análisis de Componentes Principales y Random Forest en R
    Introducción a Análisis de Componentes (PCA): fundamentos y propósitos | Etapas del PCA |     Interpretación de las componentes principales y su importancia en la clasificación | Preparación y preprocesamiento de datos geoespaciales con PCA | Creación y aplicación del modelo PCA | Aplicación del modelo Random Forest a las componentes principales | Posprocesamiento y visualización de resultados obtenidos
Tema 09 | Visualización estática e interactiva de datos geoespaciales con R, R Markdown y QGIS
  1. Creación de mapas estáticos en R
    Creación de mapas estáticos con la función plot() del paquete base de R | Creación de mapas estáticos con el paquete ggplot2 | Exportación de mapas estáticos en R
  2. Creación de visores interactivos con Leaflet en R
    Introducción a Leaflet y su uso en R | Configuración e inicialización del visor | Incorporación de logo e identificador | Personalización del fondo, jerarquía de mapas y panel de selección | Incorporación de capas vectoriales y ráster | Inclusión de minimapa e información auxiliar | Exportación del visor interactivo
  3. Redacción y exportación de informes reproducibles con R Markdown
    Introducción a R Markdown para informes dinámicos | Sintáxis y estrucutura básica de documentos | Creación de listas y tablas | Inclusión de código en el informe | Inserción de ajuste de imágenes | Representación de dataframes | Representación de mapas | Exportación de informes
  4. Integración de R en el entorno QGIS
    Instalación del plugin Processing R Provider | Configuración del proveedor de R | Creación de un nuevo código de R en QGIS | Ejecución del código de R en QGIS

Durante el curso, el alumno realiza los siguientes proyectos:

  • Datos agrarios y catastrales: Se realizará el cambio de formato y filtrado de datos mensuales de índice de vegetación en una parcela, así como el filtrado de parcelas por identificador y la especificación de tipos de cultivo. Para lograrlo, se utilizará código R, empleando las librerías más reconocidas, como las funciones base de R o Dplyr.
  • Consulta y obtención de datos geoespaciales en la nube: Se procederá a la descarga de imágenes de satélite Sentinel y a la parametrización de la búsqueda.
  • Reubicación de estaciones meteorológicas: Se llevará a cabo un análisis y filtrado geoespacial, además de la obtención de elevaciones mediante las principales librerías GIS de R.
  • Zonificación agraria: Se realizará un estudio con el objetivo de obtener zonas óptimas o seguras para el cultivo, empleando técnicas como análisis multicriterio, interpolación espacial y análisis de patrones.
  • Clasificación de usos del suelo: Mediante el uso de Machine Learning, se entrenará y aplicará un modelo para la clasificación de imágenes Sentinel 2 y los usos del suelo propuestos.
  • Delimitación de zonas incendiadas: A partir de imágenes de satélite, se utilizará un modelo de Machine Learning para delimitar con la mayor precisión posible las áreas calcinadas.
  • Delimitación de zonas inundadas: Se llevará a cabo el entrenamiento y aplicación de modelos no supervisados de Machine Learning para la zonificación automática de territorios inundados a escala regional.
  • Generación de informes y personalización: Se utilizará RMarkdown de R para la generación de informes y personalización.
  • Visor interactivo: Se procederá a la creación y almacenamiento de visores GIS mediante Leaflet en R.
  • Integración de R con QGIS y Google Earth Engine: Se integrarán funciones de R con QGIS y Google Earth Engine para aumentar aún más el potencial de análisis y tratamiento de la información.
  • Capacitar a los estudiantes para adquirir habilidades sólidas en programación y su aplicación en el campo de los Sistemas de Información Geográfica (SIG) y la Teledetección.
  • Proporcionar a los participantes las herramientas y conocimientos necesarios para acceder y gestionar datos geoespaciales de forma eficiente.
  • Fomentar el desarrollo de herramientas avanzadas de análisis y procesamiento de datos geoespaciales mediante el uso de R y técnicas de Machine Learning.
  • Potenciar la capacidad de los estudiantes para crear visualizaciones y mapas interactivos a partir de datos geoespaciales, mejorando la comunicación de resultados.
  • Facilitar la integración de las habilidades de programación en R con herramientas ampliamente utilizadas como QGIS y Google Earth Engine, promoviendo un enfoque integral en la resolución de problemas geoespaciales.
  • Preparar a los participantes para aprovechar oportunidades profesionales en campos relacionados con SIG, Teledetección y análisis de datos geoespaciales, proporcionando una base sólida de conocimientos y habilidades prácticas basadas en la experiencia laboral.

Metodología y certificación

Los contenidos de este curso son impartidos a través de clases online (las cuales son grabadas para su consulta posterior) y/o vídeos. La gestión del curso se lleva a cabo por medio de una plataforma de formación online en la cual el alumnado tiene la posibilidad de realizar consultas al equipo docente, entregar las actividades de evaluación y descargar los materiales del curso.

Desarrollo práctico del curso

Durante el curso, se llevan a cabo dos tipos de actividades prácticas:

  • Ejercicios tutorizados: son ejercicios guiados paso a paso por el equipo docente, ya sea por medio de clases o vídeos.
  • Prácticas de evaluación tutorizadas: luego de completar los ejercicios tutorizados, el alumnado realiza las prácticas de evaluación de manera individual. Estas prácticas están tutorizadas a través de los foros disponibles en la plataforma de formación.
Materiales

El curso incluye materiales específicos como un manual de contenidos, enunciados y datos de ejercicios y prácticas, documentos de apoyo y otros recursos. Todos los materiales del curso son descargables, a excepción de los vídeos y grabaciones de las clases.

Certificación

Imasgal emite dos tipos de documentos basados en la asistencia y en la calificación obtenida en la realización de las prácticas de evaluación:

  • Justificante de asistencia: este documento confirma la participación del alumno en el curso. Para obtenerlo, es necesario haber obtenido en al menos 1 práctica de evaluación una calificación igual o superior a 5.
  • Certificado de aprovechamiento: este certificado avala la superación exitosa del curso, habiendo obtenido en la realización de las prácticas de evaluación una nota promedio igual o superior a 5. El certificado está compuesto por un Diploma de Aprovechamiento y un Certificado de Calificaciones. El certificado cuenta con un Código de Certificación que puede utilizarse como método de autenticación del documento al acceder al buscador de certificados.

Ambos documentos se expiden en formato pdf y llevan la firma electrónica oficial de Imasgal.

Post-Formación

Una vez finalizado el curso, los estudiantes tendrán acceso adicional a todos los contenidos (incluyendo vídeos y grabaciones) durante un período adicional de 6 meses. El acceso al aula de post-formación estará habilitado en 48h laborables tras la finalización del curso. En este aula no será posible la entrega de prácticas.

(*) Realizamos formación presencial según demanda.

Preguntas frecuentes

Generales
Métodos de pago
El pago de los cursos podrá ser efectuado a través de tarjeta bancaria (Visa o Mastercard), Paypal y transferencia bancaria. Para completar el proceso de inscripción es necesario elegir el método de pago de preferencia siguiendo las instrucciones detalladas en el sitio web.
Para las inscripciones particulares realizadas en el territorio nacional español se ofrece la opción financiar el curso en plazos en 3, 6, 9 y 12 meses mediante seQura.
¿Qué tipo de descuentos existen?

Disponemos de descuentos para distintos colectivos

¿Qué es la formación bonificada mediante FUNDAE?

Toda empresa del territorio nacional Español que cotice por sus trabajadores en el Régimen General de la Seguridad Social, tiene asignada una cuota destinada a la formación de sus trabajadores en forma de bonificación en las cotizaciones a la Seguridad Social. Mediante esta bonificación el coste de la formación puede ser de 0€. Información de curso bonificable.

Deseo formación presencial ¿Puedo solicitarla?

Sí, realizamos formación presencial para grupos según demanda. Solicita información.

No vivo en España ¿Puedo realizar la formación?

Sí, todos nuestros cursos son 100% online. Las clases se imparten en directo y se graban para visualizarlas en cualquier momento.

Precios y métodos de pago

Precios mostrados para la modalidad: Online (clases online y tutorías)
SIG y teledetección en R: Análisis geoespacial y Machine Learning
Matrícula ordinaria EUR 356,00 €
Matrícula de estudiantes y desempleados EUR 320,00 €
Matrícula colegiados y entidades en convenio EUR 320,00 €
Matrícula bonificada mediante FUNDAE EUR 426,00 €

Ejemplo de financiación de matrícula ordinaria:

Precios mostrados en EUR € y métodos de pago disponibles para usuarios de España. Cambiar de país

Condiciones
  • El usuario dispone de 14 días naturales desde la contratación para ejercer su derecho de desistimiento.
    No obstante, en el caso de cursos en formato digital, si el usuario accede al contenido antes de que finalice ese plazo, pierde el derecho de desistimiento
  • El inicio del curso está sujeto a un cupo mínimo de 6 alumnos.
  • Cursos bonificables mediante la Fundación Estatal para la Formación en el Empleo. Formación bonificada.
Métodos de pago

Pagos con tarjeta, financiación, Paypal y otros. Ver métodos de pago

Fundación Estatal para la Formación en el Empleo
Curso bonificable por FUNDAE
Pagos con tarjeta, financiación, Paypal y otros.Ver métodos de pago
SIG y teledetección en R: Análisis geoespacial y Machine LearningMatrícula de curso individual
Convocatoria

Edición: 10
Modalidad: Online (clases online y tutorías)
Fechas: 28 de mayo – 19 de agosto
Límite inscripción: 27 de mayo

Carga lectiva

Clases online en directo: 8h (*)
Horas de vídeo: 21h
Dedicación estimada: 110h
Postformación: 180 días
(*) Asistencia a clase no obligatoria. El alumnado que lo desee podrá visualizar las grabaciones de las clases en la plataforma de formación.

Opinión de alumnos

Valorado en 4.8 de media de 21 opiniones