Curso de Spatial Data Science

Lección 1 • Sistemas de coordenadas y proyecciones

Cubre los sistemas de coordenadas geográficas vs. proyectadas, los datums y la distorsión de la proyección. Establece la base de referencia espacial necesaria para todo el trabajo de datos posterior.

Lección 2 • Formatos y estándares de datos espaciales

Revisa los formatos de archivo de uso generalizado y los estándares abiertos para almacenar e intercambiar datos geoespaciales. Prepara a los estudiantes para ingerir y exportar datos a través de diversas plataformas.

Lección 3 • Conceptos de escala espacial y resolución

Explica la escala del mapa, la resolución espacial y sus efectos en la precisión del análisis. Vincula las decisiones de escala con los resultados de la recolección e interpretación de datos del mundo real.

Lección 4 • Modelos de datos vectoriales y ráster

Presenta los dos modelos primarios de datos espaciales y sus ventajas y desventajas. Comprender ambos modelos es esencial para seleccionar formatos apropiados en los flujos de trabajo de análisis.

Lección 1 • Integración de datos y armonización de esquemas

Aborda la fusión de conjuntos de datos con diferentes proyecciones, esquemas y resoluciones en una capa unificada lista para el análisis. Apoya directamente proyectos analíticos de múltiples fuentes.

Lección 2 • Evaluación y limpieza de la calidad de los datos

Identifica problemas comunes de calidad de datos espaciales, incluyendo error posicional, vacíos de atributos y fallas topológicas. Proporciona a los estudiantes flujos de trabajo sistemáticos de limpieza y validación.

Lección 3 • APIs y servicios web para datos espaciales

Enseña el acceso programático a datos espaciales a través de APIs REST, WMS, WFS y servicios de teselas. Permite la recuperación de datos automatizada y repetible dentro de los pipelines de análisis.

Lección 4 • Fuentes de datos primarias y secundarias

Distingue los datos primarios recolectados en campo de las fuentes secundarias como portales abiertos y archivos satelitales. Orienta la selección de fuentes según la precisión, la cobertura y la licencia.

Lección 1 • Operaciones espaciales basadas en ráster

Explora el álgebra de mapas, la reclasificación, las estadísticas zonales y el análisis de superficie de costo en datos ráster. Las operaciones ráster permiten el modelado de superficies continuas en grandes extensiones.

Lección 2 • Fundamentos de análisis de redes

Cubre el enrutamiento basado en grafos, el modelado de áreas de servicio y el cálculo de matrices origen-destino. El análisis de redes es crítico para la logística, la planificación urbana y la respuesta a emergencias.

Lección 3 • Análisis de proximidad y distancia

Cubre la generación de búferes, matrices de distancia y cálculos de vecino más cercano. Estas operaciones sustentan la selección de sitios, la delimitación de áreas de servicio y los estudios de accesibilidad.

Lección 4 • Análisis de terreno y superficie

Introduce operaciones basadas en DEM, incluyendo pendiente, orientación, sombreado y análisis de cuenca visual. Conecta el modelado de superficies con aplicaciones ambientales, de infraestructura y planificación.

Lección 1 • Configuración del entorno geoespacial de Python

Configura entornos conda y pip con librerías geoespaciales centrales y notebooks Jupyter. Un entorno estable es el prerrequisito para todo el trabajo posterior basado en Python.

Lección 2 • Procesamiento ráster con Rasterio y NumPy

Lee, escribe y procesa conjuntos de datos ráster utilizando Rasterio y operaciones de arreglos NumPy. Permite el análisis ráster escalable sin depender de software SIG de escritorio.

Lección 3 • Automatización de flujos de trabajo y scripting

Diseña scripts de procesamiento geoespacial modulares y reutilizables con logging, manejo de errores e interfaces de línea de comandos. Las habilidades de automatización son esenciales para pipelines de datos en producción.

Lección 4 • Análisis vectorial con GeoPandas y Shapely

Aplica GeoDataFrames de GeoPandas y objetos de geometría Shapely para realizar operaciones espaciales de forma programática. Conecta las habilidades de ciencia de datos tabulares con el análisis espacial.

Lección 1 • Análisis de autocorrelación espacial

Mide la dependencia espacial utilizando la I de Moran, la C de Geary e indicadores locales de asociación espacial. El análisis de autocorrelación revela patrones de agrupamiento y dispersión en los datos de atributos.

Lección 2 • Estadística espacial descriptiva

Calcula el centro medio espacial, el centro mediano, la elipse de desviación estándar y la distribución direccional. Estas medidas resumen la tendencia central y la dispersión de conjuntos de puntos espaciales.

Lección 3 • Regresión geográficamente ponderada

Ajusta modelos de regresión espacialmente variables para capturar relaciones locales entre variables. GWR revela cómo cambian los efectos de los predictores a través del espacio geográfico.

Lección 4 • Análisis de patrones de puntos

Analiza la distribución de eventos puntuales utilizando estimación de densidad kernel, análisis de cuadrantes y K de Ripley. Identifica si los patrones de puntos son aleatorios, agrupados o dispersos.

Lección 1 • Índices espectrales y matemática de bandas

Calcula índices de vegetación, agua, área construida y suelo a partir de bandas multiespectrales. Los índices espectrales proporcionan proxies cuantitativos rápidos de las condiciones de la superficie terrestre.

Lección 2 • Principios de la percepción remota

Explica el espectro electromagnético, los tipos de sensores y la geometría de adquisición de imágenes. El conocimiento fundamental de la física es necesario para la correcta interpretación de las imágenes satelitales.

Lección 3 • Detección de cambios y análisis de series temporales

Detecta cambios en la cobertura del suelo y la superficie utilizando diferencia de imágenes, comparación post-clasificación y métodos de series temporales. La detección de cambios apoya el monitoreo ambiental y el análisis del crecimiento urbano.

Lección 4 • Preprocesamiento y corrección de imágenes

Cubre la calibración radiométrica, la corrección atmosférica y la ortorrectificación geométrica. El preprocesamiento asegura que las imágenes estén listas para el análisis y sean comparables entre fechas.

Lección 1 • Ingeniería de características espaciales

Crea características sensibles a la ubicación, incluyendo rezagos espaciales, características de distancia y derivados del terreno para modelos de ML. La ingeniería de características conecta los geodatos brutos con matrices de entrada listas para el modelo.

Lección 2 • Validación de modelos espacialmente consciente

Aborda la autocorrelación espacial en los datos de entrenamiento mediante validación cruzada espacial y estrategias de partición por bloques. Una validación adecuada previene estimaciones de rendimiento excesivamente optimistas.

Lección 3 • Regresión y clasificación en datos espaciales

Entrena modelos de gradient boosting, random forest y lineales en conjuntos de datos tabulares espaciales para tareas de predicción. Cubre el ajuste de modelos, la interpretación y el diagnóstico de residuos espaciales.

Lección 4 • Métodos de clustering y regionalización

Aplica algoritmos de clustering y regionalización espacialmente restringidos para delinear zonas homogéneas. El clustering apoya la segmentación de mercado, la zonificación ecológica y el análisis urbano.

Lección 1 • Producción de mapas estáticos en Python

Crea mapas estáticos con calidad de publicación usando Matplotlib, GeoPandas plot y Cartopy. La producción de mapas basada en Python se integra perfectamente en flujos de trabajo de análisis reproducibles.

Lección 2 • Principios de diseño cartográfico

Cubre la jerarquía visual, la teoría del color, la tipografía y la ubicación de elementos del mapa para una cartografía efectiva. Los principios sólidos de diseño aseguran que los mapas comuniquen con precisión y sin sesgo.

Lección 3 • Storytelling con datos espaciales

Estructura narrativas espaciales usando scrollytelling, mapas anotados e informes basados en datos para audiencias no técnicas. El storytelling efectivo traduce los hallazgos analíticos en conocimientos procesables.

Lección 4 • Mapeo web interactivo

Construye mapas web interactivos usando Folium, Leaflet y Mapbox GL JS con capas dinámicas y popups. Los mapas interactivos aumentan el compromiso de la audiencia y permiten el descubrimiento exploratorio de datos.