Centro de Investigación en Ciencias de Información Geoespacial

Utilizar nbdev para desarrollar software en Python, con la finalidad de estructurar y gestionar proyectos con un enfoque en el desarrollo científico con datos geoespaciales.

• Comprender la utilidad de nbdev en el desarrollo de software con Python, así como su aplicación en diversos contextos.
• Implementar una estructura básica para para el desarrollo científico de Software con nbdev, utilizando paquetes de Python, Jupyter Notebooks, Quarto y Github.
• Construir una biblioteca que implemente algoritmos de clusterización utilizando las funcionalidades de nbdev, con el fin de ejemplificar su aplicación práctica.

Tema 1. El ambiente nbdev

Tema 2. nbdev y su vínculo con otras herramientas

• Anaconda
• Jupyter Notebooks
• Quarto
• Github

Tema 3. Ejemplo de aplicación de librerías con enfoque geoespacial

• Estudio de caso clúster

Aplicar métodos de interpolación espacial, con énfasis en modelos lineales y su comparación con otros enfoques como IDW y redes neuronales, utilizando el lenguaje de programación R y datos climáticos reales, con el fin de fortalecer habilidades en análisis espacial, ciencia de datos y modelado geoespacial.

• Identificar los elementos básicos del lenguaje R que se requieren para la lectura de datos estructurados y geoespaciales.
• Distinguir los métodos de interpolación y construir modelos lineales para variables geoespaciales.
• Aplicar el método de interpolación IDW a datos de temperatura media mensual para su visualización
• Comparar los métodos de interpolación de la media contra IDW a través del método de validación cruzada para observar las diferencias.
• Aplicar un modelo lineal para la interpolación de datos geoespaciales para su visualización.
• Aplicar un modelo de una red neuronal artificial del tipo perceptrón multicapa para la interpolación de datos de temperatura media mensual para su visualización.
• Comparar los métodos de interpolación a través del método de validación cruzada para seleccionar el más adecuado para el estudio de caso.

• Tema 1. El lenguaje de programación R y bibliotecas ráster y sf
• Tema 2. Conceptos matemáticos de interpolación y modelos lineales
• Tema 3. Ejemplo de aplicación: interpolación de temperatura IDW
• Tema 4. Comparación de métodos con validación cruzada
• Tema 5. Interpolación de la temperatura con un modelo lineal
• Tema 6. Interpolación de la temperatura con un perceptrón multicapa
• Tema 7. Comparación y selección del mejor método

Evaluar modelos de simulación del cambio de uso de suelo mediante el uso de técnicas de aprendizaje automático.

• Identificar las herramientas básicas de programación en Python para el procesamiento, visualización y análisis de datos estructurados y geoespaciales.
• Reconocer cómo se estructuran los modelos de simulación de cambio de uso de suelo, entendiendo su aplicación en variables geoespaciales.
• Implementar técnicas de preparación de datos espacio-temporales para el entrenamiento de modelos de simulación de cambio de uso de suelo.
• Analizar diferentes enfoques de modelado predictivo para examinar el desempeño relativo de los modelos.
• Aplicar técnicas de aprendizaje automático para predecir el cambio de uso de suelo.
• Evaluar los modelos mediante validación cruzada y seleccionar el más adecuado para el caso de estudio.

• Tema 1. Python y librerías (pandas, geopandas, scikit-learn, numpy)
• Tema 2. Modelo conceptual del cambio de uso de suelo
• Tema 3. Organización y visualización de datos geo-espaciotemporales
• Tema 4. Algoritmos de regresión logística y redes neuronales
• Tema 5. Entrenamiento de modelos de cambio de uso de suelo
• Tema 6. Simulación y evaluación de modelos