Un agujero negro es un lugar en el espacio donde la gravedad tira tanto que incluso la luz no puede salir. La gravedad es tan fuerte porque la materia ha sido comprimida en un espacio diminuto. Esto puede ocurrir cuando una estrella está muriendo.

Como la luz no puede salir, la gente no puede ver los agujeros negros. Son invisibles. Los telescopios espaciales con herramientas especiales pueden ayudar a encontrar agujeros negros. Las herramientas especiales pueden ver cómo las estrellas que están muy cerca de los agujeros negros actúan de forma diferente a otras estrellas.

¿Qué tamaño tienen los agujeros negros?

Los agujeros negros pueden ser grandes o pequeños. Los científicos creen que los agujeros negros más pequeños son tan pequeños como un átomo. Estos agujeros negros son muy pequeños pero tienen la masa de una gran montaña. La masa es la cantidad de materia, o «cosas», que hay en un objeto.

Otro tipo de agujero negro es el llamado «estelar». Su masa puede ser hasta 20 veces superior a la del sol. Puede haber muchísimos agujeros negros de masa estelar en la galaxia de la Tierra. La galaxia de la Tierra se llama Vía Láctea.

Los agujeros negros más grandes se llaman «supermasivos». Estos agujeros negros tienen masas que superan el millón de soles juntos. Los científicos han encontrado pruebas de que cada gran galaxia contiene un agujero negro supermasivo en su centro. El agujero negro supermasivo situado en el centro de la Vía Láctea se llama Sagitario A. Tiene una masa equivalente a unos 4 millones de soles y cabría dentro de una bola muy grande en la que cabrían unos cuantos millones de Tierras.

¿Cómo se forman los agujeros negros?

Los científicos creen que los agujeros negros más pequeños se formaron cuando comenzó el universo.

Los agujeros negros estelares se forman cuando el centro de una estrella muy grande cae sobre sí mismo, o se colapsa. Cuando esto ocurre, se produce una supernova. Una supernova es una estrella que explota y lanza parte de la estrella al espacio.

Los científicos creen que los agujeros negros supermasivos se crearon al mismo tiempo que la galaxia en la que se encuentran.

Si los agujeros negros son «negros», ¿cómo saben los científicos que están ahí?

Un agujero negro no puede verse porque la fuerte gravedad atrae toda la luz hacia el centro del agujero negro. Pero los científicos pueden ver cómo la fuerte gravedad afecta a las estrellas y al gas que rodea al agujero negro. Los científicos pueden estudiar las estrellas para averiguar si están volando alrededor de un agujero negro, o si lo están orbitando.

Cuando un agujero negro y una estrella están cerca, se produce una luz de alta energía. Este tipo de luz no puede verse con ojos humanos. Los científicos utilizan satélites y telescopios en el espacio para ver la luz de alta energía.

¿Podría un agujero negro destruir la Tierra?

Los agujeros negros no van por el espacio comiendo estrellas, lunas y planetas. La Tierra no caerá en un agujero negro porque ningún agujero negro está lo suficientemente cerca del sistema solar como para que la Tierra lo haga.

Incluso si un agujero negro de la misma masa que el sol ocupara el lugar del sol, la Tierra seguiría sin caer en él. El agujero negro tendría la misma gravedad que el sol. La Tierra y los demás planetas orbitarían alrededor del agujero negro como lo hacen ahora alrededor del sol.

El sol nunca se convertirá en un agujero negro. El sol no es una estrella lo suficientemente grande como para formar un agujero negro.

¿Cómo estudia la NASA los agujeros negros?

La NASA utiliza satélites y telescopios que viajan por el espacio para aprender más sobre los agujeros negros. Estas naves espaciales ayudan a los científicos a responder preguntas sobre el universo.

Traducido desde: nasa

La entrada ¿Qué es un agujero negro? se publicó primero en El blog de franz.

¿De dónde viene el punto azul? Ed Parsons explica cómo Google sigue innovando en el sector de la tecnología de localización.

Ed Parsons es el tecnólogo geoespacial de Google.

En este artículo explica cómo un teléfono móvil calcula su ubicación y explica cómo Google utiliza las capacidades de los teléfonos inteligentes y sus propios servicios y datos de localización para ofrecer a sus usuarios una mejor experiencia, ya sea la localización en interiores o la navegación peatonal en una gran ciudad.

Durante los últimos quince años, Ed Parsons ha sido el tecnólogo geoespacial de Google.

En un principio, era un académico que impartía cursos de SIG en la Universidad de Kingston. Cambió el sector público por el privado cuando se incorporó a Google tras trabajar en Ordnance Survey, la agencia nacional de cartografía del Reino Unido.

Con los años, vio crecer a Google y, como consecuencia, la necesidad de poner más controles para gestionar. Sin embargo, subraya que hoy en día sigue habiendo un elemento del espíritu de las startups dentro de Google.

La idea del servicio de localización fusionado

Aunque hoy en día todo el mundo está acostumbrado a poder posicionarse con su teléfono móvil, hubo una época en la que los smartphones con GPS eran poco frecuentes.

Parsons recuerda que los primeros teléfonos inteligentes con GPS supusieron un cambio de paradigma y te situaron literalmente en el mapa, mostrando tu ubicación en el centro de un mapa en un teléfono móvil, lo que evitó que tuvieras que averiguar dónde estabas.

Parsons explica: «En cierto sentido, este cambio de paradigma es lo que representa el ‘punto azul’: el acceso masivo a las capacidades cartográficas en línea a través de los teléfonos inteligentes con GPS».

Hoy en día, mucha gente sigue pensando que el «punto azul» que representa la ubicación de uno en un mapa procede del GPS.

Sin embargo, en realidad, el «punto azul» de hoy incorpora una plétora de complejas tecnologías y servicios que funcionan tanto en la red como en el dispositivo móvil para ayudar a definir la propia ubicación, lo que Parsons describe como el «servicio de localización fusionado».

Afirma que lo que se llama GPS es en realidad mucho más complicado de lo que la simple etiqueta hace parecer: «De lo que realmente hablamos es de múltiples GNSS (Sistemas Globales de Navegación por Satélite), cuyas señales pueden ser recibidas por un conjunto de chips en el teléfono móvil. Todos utilizan la misma tecnología, por lo que un solo teléfono puede recibir las señales de varias constelaciones».

Pero para determinar la ubicación de uno mediante la tecnología móvil hay algo más que el GNSS.

Otro elemento es la torre de telefonía móvil más cercana a tu ubicación, que es necesaria para dirigir una llamada al dispositivo en caso de que alguien te llame.

«Esto significa que cada teléfono móvil que usamos hoy tiene que saber dónde está. Se puede partir de esa resolución mínima que da una torre de telefonía móvil con el GPS. Sin embargo, en muchas circunstancias ésta no es la mejor tecnología a utilizar, ya que la señal suele rebotar o ser imposible de recibir, por ejemplo cuando se está limitado por el entorno directo para recibir señales de radio».

Uso de puntos de acceso Wi-Fi para identificar la propia ubicación

Estas deficiencias llevaron a Google a buscar tecnologías alternativas, como la identificación de la propia ubicación basada en la proximidad a puntos de acceso Wi-Fi.

El mundo actual se compone de dispositivos Wi-Fi conectados, tanto en casa como en espacios públicos. Utilizando el identificador único de un punto de acceso Wi-Fi, su dirección Mac, es posible asignar un punto de acceso a una ubicación concreta y, a continuación, crear una base de datos de esos puntos y ubicaciones para utilizarla que proporcione la ubicación del dispositivo cuando esté conectado a un punto de acceso concreto.

«No sólo es un mecanismo robusto, sino que también es eficiente en términos de consumo de energía. Así que en este caso no es el GPS el que proporciona la ubicación, sino la tecnología wi-fi», añade Parsons.

El teléfono sabe dónde está el Wi-Fi utilizando su propia base de datos de puntos de acceso Wi-Fi y su ubicación.

Esto significa que no hay necesidad de utilizar un servicio de red para hacer esa traducción, porque en efecto se ha incorporado al propio dispositivo. Sin embargo, hay un elemento de corrección de errores que se produce entre bastidores si hay un desajuste entre una torre de telefonía móvil y un punto de acceso Wi-Fi, en caso de que un punto de acceso Wi-Fi antiguo se haya movido.

Capacidad de posicionamiento visual de Google

Pero incluso con los puntos de acceso Wi-Fi y la tecnología GNSS, sigue habiendo otros problemas que resolver a la hora de determinar la ubicación exacta de uno.

Esto ocurre, por ejemplo, cuando se viaja en una estación de metro de una gran ciudad. En ese caso, un teléfono estará alejado del GNSS porque ha estado en un túnel, mientras que los acelerómetros y la brújula digital de un teléfono se ven afectados por las radiaciones de radiofrecuencia. «

El resultado final es que cuando sales de una estación de metro y sacas el teléfono, le cuesta mucho identificar dónde está. Y si identifica dónde está, el siguiente problema es la postura, ya que el teléfono se confunde con la falta de señal y, como resultado, te da direcciones equivocadas», dice Parsons.

Google ha desarrollado una solución para este problema llamada posicionamiento visual.

Se trata de una nueva función de Google Maps para Android que se ha implantado recientemente en iOS, en la que el usuario puede comparar la imagen que ve el teléfono con una base de datos de imágenes de Street View de Google, con el fin de orientar el dispositivo para la navegación a pie.

«Esta capacidad complementa al GNSS y a otras tecnologías para no sólo ofrecerte el ‘punto azul’ para identificar dónde estás, sino también para identificar a qué dirección te diriges, compararla con el entorno que te rodea y superponer sobre ella sencillas indicaciones de realidad aumentada».

Solución de los problemas de multitrayectoria con modelos de ciudades en 3D

Otra de las innovaciones que Google ha estado estudiando es la solución de los problemas de multitrayectoria, que se refieren a la señal de un satélite GPS que rebota en otras estructuras y prolonga el tiempo que la señal necesita para volver al satélite, lo que provoca errores en la localización precisa.

Gracias a su detallado modelo de entornos urbanos, Google es capaz de modelar de antemano los errores de multitrayectoria previstos en un lugar determinado y anularlos.

«Se trata de un mecanismo que hemos empezado a desplegar si has comprado un teléfono Pixel en el último año, más o menos. Si estás en una de las principales ciudades del mundo, tu ubicación será corregida por la multitrayectoria utilizando este modelo de morfología de la ciudad para tratar de corregir la multitrayectoria. Funciona hasta el punto de que te llevaremos por el lado correcto de la carretera a una ubicación real con un nivel de probabilidad mucho mayor.

Para poder hacer esto, intentamos almacenar en caché la mayor cantidad posible de ese contenido en un dispositivo, por lo que para el área local en la que es probable que estés en lugar de todo el mundo en 3D en un teléfono», añade Parsons.

Posicionamiento preciso frente a posicionamiento aproximado

Al hablar de las diferentes innovaciones creadas por Google en el espacio de la tecnología de localización, Parsons distingue diferentes casos de uso y necesidades de los usuarios.

«Probablemente pensamos demasiado en el posicionamiento preciso cuando para la mayoría de los casos de uso no necesitamos hacerlo. Especialmente en las aplicaciones de IoT, como las aplicaciones domésticas inteligentes, se trata realmente de la proximidad.

Si le pides a Alexa que encienda las luces del dormitorio, el dispositivo puede averiguar dónde estás porque ha captado tu voz en esa misma habitación. Todo lo que necesita saber es la relación entre las distintas habitaciones para saber dónde tiene que encender las luces si mencionas otra habitación.

Se trata de una aproximación a la localización diferente a la de almacenar valores x, y y z en muchos números de decimales».

Volviendo al concepto de un servicio de localización fusionado, la intención de Google es poder dar al usuario la localización más precisa que se pueda gestionar en función de las circunstancias y la tecnología disponible.

Sin embargo, desde el punto de vista del desarrollador hay un nivel de control aquí, explica Parsons: «Un desarrollador de aplicaciones tiene que tomar la decisión de utilizar o no recursos que puedan agotar la batería más rápidamente a cambio de un posicionamiento más preciso. En Google intentamos que este proceso sea lo más transparente posible».

La decisión sobre el consumo de energía conduce automáticamente a mecanismos de decisión sobre la privacidad, explica Parsons:

«Aunque no es necesario compartir tu ubicación cuando utilizas la linterna de un teléfono móvil, las cosas son diferentes si estás creando una aplicación para la movilidad urbana y estás navegando por una ciudad. Pero incluso en ese caso, tienes que minimizar los datos de localización que recopilas, tanto en lo que respecta a la precisión de la ubicación como a la frecuencia con la que recopilas la información.

Google no comparte la ubicación con ningún tercero debido a su naturaleza sensible y, en casi todos los casos, no almacena esos datos de ubicación asociados a los usuarios a menos que lo hayan solicitado específicamente».

Traducido desde: gislounge

La entrada ¿Cómo mejora Google la precisión de la localización móvil? se publicó primero en El blog de franz.

Los cuatro puntos cardinales ayudan a las personas a orientarse. Orientarse significa saber dónde se está situado en relación con una serie de lugares fijos: los cuatro puntos de la brújula o puntos cardinales.

Los puntos cardinales pueden determinarse mirando el sol, las estrellas, una brújula o con un moderno sistema GPS.

Los puntos cardinales: las cuatro puntas de la brújula

Con la ayuda del sol:

El ESTE (E) es donde sale el sol.
OESTE (W) es donde se pone el sol.
El SUR (S) es el punto al que llega el sol al mediodía.
El NORTE (N) es el punto opuesto al sur.

Las diferentes secciones de nuestro Discovery Parcours ilustran los cuatro puntos cardinales y por dónde sale el sol en Merano 2000.

Con la ayuda de las estrellas:

La NORTH STAR o estrella polar es la única estrella de nuestros cielos que está siempre fija: siempre muestra dónde está el norte. Esto se debe a que durante las 24 horas de un día, la tierra gira alrededor de su propio eje, pero el ángulo de su inclinación no cambia durante el año.

Polaris, como también se denomina a la Estrella Polar, forma parte de la constelación de la Osa Menor, que en latín significa Osa Pequeña. Este grupo de estrellas se encuentra a la derecha de la constelación conocida como Osa Mayor o Arado, es decir, la Osa Mayor.

Con la ayuda de la brújula:

Una brújula es un instrumento con una aguja magnética, cuya punta apunta siempre al norte.
Para ver cómo funciona, gira tu brújula hasta que la aguja esté en posición horizontal (paralela al suelo). Ahora observa cómo se mueve la aguja hasta que se detiene en cuanto se orienta hacia el norte.

Además de los cuatro puntos cardinales N, S, E y W, también hay cuatro direcciones llamadas intercardinales (u ordinales):

• SUR – ESTE (SE)
• SUR – OESTE (SW)
• NORESTE (NE)
• NOROESTE (NW)

Con la ayuda de un sistema GPS

El GPS es un sistema de posicionamiento por satélite que puede determinar la ubicación de una persona o un objeto en cualquier momento.

Hay varios tipos de receptores GPS: nuestros smartphones, los sistemas de navegación de los coches y algunos relojes, por ejemplo.

Una de las razones por las que se producen accidentes en la montaña suele ser la pérdida de orientación. Sé inteligente y utiliza un mapa, una brújula y un altímetro para asegurarte de saber siempre dónde estás.

Traducido desde: meran2000

La entrada ¿Qué son los puntos cardinales? se publicó primero en El blog de franz.

Un equipo de científicos han creado una imagen única de todo el mundo lo suficientemente detallada como para encontrar su propia casa. Si se imprimiera, cubriría casi 16 campos de fútbol.

La imagen satelital sin nubes se utiliza en sitios web inmobiliarios, aplicaciones móviles, globos terráqueos, juegos y mundos virtuales, en los sistemas de infoentretenimiento de los aviones, e incluso aparece en las noticias de televisión y el tiempo.

Enlace para la descarga: https://cloud.maptiler.com/maps/hybrid/

Creado por un pequeño equipo suizo-checo, es una alternativa viable y actualizada a los mapas de Google para los desarrolladores de software, sin problemas de privacidad y con posibilidades ilimitadas de aplicación. Incluso hemos puesto a disposición de los usuarios imágenes aéreas de alta resolución fusionadas sin fisuras para determinados países, lo que garantiza un mayor nivel de detalle cuando los usuarios hacen zoom más allá de los datos satelitales.

Además, los científicos y artistas pueden descargarlo para sus propias innovaciones y creaciones. Esto es posible gracias a que hemos conseguido que 180 terabytes de imágenes quepan en una memoria USB de 512 gigabytes.

Revelando la belleza natural de la Tierra

Con las imágenes de satélite 2021 de MapTiler, puedes realizar un vuelo virtual a bordo de una nave espacial que orbita a 786 km sobre la Tierra. Vea el planeta más bello que nunca, libre de nubes y con el exuberante follaje de principios de verano y de las estaciones lluviosas.

Las técnicas que hemos utilizado en las imágenes han preservado los colores naturales de la Tierra. Otros métodos hacen que los colores se desvanezcan, basándose en imágenes mucho más antiguas y de estaciones secas o de invierno para ayudar a la búsqueda de píxeles libres de nubes.

Un procesamiento más inteligente nos permitió buscar píxeles de épocas más verdes del año, como el comienzo del verano o las estaciones lluviosas. Conseguimos hacerlo y seguir evitando las nubes y sus sombras siempre que fue posible. Como resultado, nuestras imágenes son mucho más naturales, sin necesidad de realzar o cambiar artificialmente los colores.

El nuevo algoritmo que hemos desarrollado para crear los píxeles sin nubes incluye la tonificación del color, que ha eliminado muchos de los efectos de rayas que se ven en otros productos. Así, incluso cuando los píxeles proceden de imágenes tomadas en momentos diferentes, se consigue un resultado mucho más suave en la imagen final del mosaico.

Colaboración con la ESA

MapTiler tiene un historial de colaboración con la Agencia Espacial Europea (ESA) y su proyecto de observación de la Tierra Copernicus, ganando dos premios Copernicus Masters. Trabajar en el Centro de Incubación de Empresas de la ESA también impulsó nuestra capacidad para convertir las imágenes de satélite en algo bello.

El proyecto Copernicus proporcionó las últimas imágenes de Sentinel-2 necesarias para obtener los mejores resultados. Los datos son muy recientes, de 2020 y 2021, y con una resolución de 10 m/px son detallados para una cobertura global. Gracias a su constelación de dos satélites, Sentinel-2A y Sentinel-2B, el tiempo de revisión para la mayor parte de la Tierra es sorprendentemente corto, sólo 5 días. Con un montón de buenos datos con los que trabajar y nuestro nuevo enfoque, no hemos tenido que recurrir a imágenes más antiguas ni a datos de otras fuentes. Todo esto significa que nuestras imágenes de satélite son muy consistentes y están actualizadas.

237 billones de píxeles analizados

Para crear las imágenes satelitales de MapTiler, establecimos una línea de procesamiento de big data completamente nueva. Nuestro equipo derivó sus propios métodos estadísticos y matemáticos para obtener los mejores valores de píxeles de cada imagen para utilizarlos para representar esa zona. La técnica funciona tomando una serie temporal de datos y agregando los valores de los píxeles en lugar de elegir un píxel real para la salida que puede no encajar bien con sus vecinos.

Mediante este proceso, analizamos 237 billones de píxeles para eliminar las nubes y las sombras y encontrar el verdadero color de cada cuadrado de 10 x 10 metros de la superficie de la Tierra. En total, hemos analizado 180 terabytes de datos de entrada, pero nuestras técnicas nos han permitido hacerlo de forma rápida y eficaz.

El resultado es una imagen de 500 gigabytes que cubre todo el mundo con una resolución de 10 metros y que puede caber en una memoria USB.

Mapas por satélite para aplicaciones y sitios web

Acceder a las imágenes de satélite no podría ser más fácil utilizando MapTiler Cloud. Simplemente utilice la API para añadir la capa de satélite en su mapa web o aplicación. También puede acceder a los mosaicos a través de WMTS directamente en su SIG de escritorio, proporcionando un hermoso telón de fondo o una plataforma para evaluar la cubierta vegetal desde el espacio.

Al acceder a esta capa desde MapTiler Cloud, además de la nueva cobertura satelital, los mapas que elabore se mezclarán maravillosamente con la fotografía aérea de alta resolución a medida que la amplíe.

Imágenes de satélite descargables

Debido a la frescura, consistencia y colores naturales de nuestros datos, los científicos y artistas pueden querer utilizarlos para sus propios proyectos. Por ello, también ofrecemos los datos como descarga para utilizarlos en entornos completamente desconectados o en su intranet, donde estén protegidos por un estricto servidor de seguridad. Incluso podemos proporcionar los datos cercanos al infrarrojo que acompañan a las imágenes del espectro visual.

Puedes descargar todo el planeta desde nuestro sitio web; el formato más eficiente es WebP, con unos 500 gigabytes, y los datos Tiff de 16 bits tienen un tamaño de aproximadamente 1 terabyte.

Traducido desde: maptiler

La entrada Acceso gratuito a un mapa global satelital de 10 metros se publicó primero en El blog de franz.

Finalmente, ya se puede descargar las imágenes satelitales Landsat 9, aquí vamos a ver como hacerlo.

Landsat 9, lanzado el 27 de septiembre de 2021, se une a Landsat 8 en órbita; las órbitas de los satélites estarán 8 días desfasadas. Landsat 9 sustituirá a Landsat 7 (lanzado en 1999), ocupando su lugar en la órbita (8 días fuera de fase con Landsat 8).

Para descargar la imágenes Landsat 9 se requiere una cuenta en Earth Explorer, sino la tiene se puede registrar desde aquí: https://ers.cr.usgs.gov/login

Una vez que se ha ingresado exitosamente, dirigirse al área de estudio por medio de los controles de navegación, en el panel Search Criteria se puede agregar o eliminar las marcas de posición.

En el panel Data Sets muestra la disponibilidad de diferentes tipos de imágenes (Landsat, radar, lidar, elevación, etc), seleccionar Landsat 8-9 OLI/TIRS C2 L2 en la categoría Landsat.

Posteriormente en el panel Aditional Criteria en Satellite seleccionar 9.

Al hacer clic en Results, muestra las imágenes Landsat 9 disponibles, finalmente para descargar la imagen deseada clic desde el ícono Download Options.

La entrada Descargar imágenes Landsat 9 se publicó primero en El blog de franz.

Esta lista contiene información sobre las bibliotecas de Python más relevantes para las Ciencias de la Tierra (Hidrología, Meteorología, Geoespacial, Climatología, etc.). Las bibliotecas están agrupadas de acuerdo con su función; sin embargo, muchas tienen funcionalidades que abarcan múltiples categorías.

Contenido

• Análisis y cartografía geoespacial
• Hidrología
• Recogida de datos
• Modelización hidrológica
• Modelización de aguas subterráneas
• Análisis de series temporales
• Optimización, incertidumbre y estadística
• Varios
• Meteorología
• Climatología
• Sismología

Análisis y cartografía geoespacial

Geopandas: GeoPandas es un proyecto de código abierto para facilitar el trabajo con datos geoespaciales en python. GeoPandas extiende los tipos de datos utilizados por pandas para permitir operaciones espaciales sobre tipos geométricos.

whitebox: El paquete whitebox Python está construido sobre WhiteboxTools, una plataforma avanzada de análisis de datos geoespaciales. WhiteboxTools puede utilizarse para realizar operaciones comunes de análisis de sistemas de información geográfica (SIG), como el análisis coste-distancia, la amortiguación de distancias y la reclasificación de rásters.

PySal: Una biblioteca de análisis espacial en python para la ciencia de datos geoespaciales de código abierto y plataforma cruzada.

Shapely: Shapely es un paquete de Python para la manipulación y el análisis de objetos geométricos planos. Se basa en las librerías GEOS (el motor de PostGIS) y JTS, ampliamente utilizadas.

Rasterio: Rasterio es una biblioteca de Python basada en GDAL y Numpy diseñada para hacer que su trabajo con datos rasterizados geoespaciales sea más productivo, más divertido – más Zen. Es un módulo muy útil para el procesamiento de rásteres que puede utilizar para leer y escribir varios formatos de rásteres diferentes en Python. Python registra automáticamente todos los drivers GDAL conocidos para la lectura de los formatos soportados al importar el módulo.

Georasters: El paquete GeoRasters es un módulo de Python que proporciona una herramienta rápida y flexible para trabajar con archivos raster del SIG. Proporciona la clase GeoRaster, que hace que trabajar con rásters sea bastante transparente y fácil

Fiona: Lee y escribe archivos de datos geográficos y ayuda así a los programadores de Python a integrar los sistemas de información geográfica con otros sistemas informáticos.

geemap: Un paquete de Python para la elaboración de mapas interactivos con Google Earth Engine, ipyleaflet e ipywidgets.

Awesome Earth Engine: Una lista de recursos de Google Earth Engine que incluye muchas bibliotecas de Python.

geonotebook: Extensión del cuaderno Jupyter para la visualización y el análisis geoespacial desarrollada por la NASA

Verde: Es una biblioteca de Python para procesar datos espaciales (batimetría, estudios geofísicos, etc) e interpolarlos en cuadrículas regulares (es decir, gridding).

PcRaster: Es una colección de software dirigida al desarrollo y despliegue de modelos ambientales espacio-temporales.

PyGeoprocessing: Una biblioteca basada en Python/Cython que proporciona un conjunto de operaciones ráster, vectoriales e hidrológicas de uso común para el procesamiento SIG.

Pysheds: Delineación simple y rápida de cuencas hidrográficas en python.

Lidar: Análisis hidrológico y del terreno basado en modelos digitales de elevación (MDE) derivados de LiDAR.

PYWR: Herramienta de asignación espacial.

salem: Añade operaciones de subconjunto, enmascaramiento y ploteo geolocalizado a las estructuras de datos de xarray a través de los accesores.

Regionmask: Trazado y creación de máscaras de regiones espaciales.

xshape: Herramientas para trabajar con shapefiles, topografías y polígonos en xarray.

Colocar: Colocación de trayectorias en xarray en dimensiones físicas arbitrarias.

HoloViews: Biblioteca diseñada para que el análisis y la visualización de datos sean fluidos y sencillos.

GeoViews: Biblioteca que facilita la exploración y visualización de conjuntos de datos geográficos, meteorológicos y oceanográficos, como los utilizados en la investigación meteorológica, climática y de teledetección.

Datashader: Sistema de canalización de gráficos para crear representaciones significativas de grandes conjuntos de datos de forma rápida y flexible.

Panel: Cree aplicaciones web interactivas y cuadros de mando personalizados conectando widgets definidos por el usuario a gráficos, imágenes, tablas o texto.

hvPlot: Una API de ploteo de alto nivel para el ecosistema PyData construida sobre HoloViews.

EarthSim: Herramientas para trabajar y visualizar simulaciones ambientales.

Cartopy: Fácil visualización de datos cartográficos (mapas).

Geoviews: Explora y visualiza datos geográficos mediante HoloViews.

Hidrología

Recogida de datos

HKVFEWSPY: Conexión a los servidores de DelftFEWS.

HyRiver: HyRiver es una pila de software que consiste en seis bibliotecas de Python que están diseñadas para ayudar en el análisis de cuencas hidrográficas a través de servicios web. Este proyecto incluye datos de hidrología y climatología en los Estados Unidos.

Openradar: Biblioteca para procesar un conjunto de radares de precipitación holandeses, alemanes y belgas en compuestos calibrados.

Ecohydrolib: Bibliotecas y scripts de línea de comandos para realizar flujos de trabajo de preparación de datos de ecohidrología.

Ulmo: Acceso limpio, sencillo y rápido a datos públicos de hidrología y climatología.

PyHIS: Es una biblioteca de python para consultar los servicios web de CUAHSI-HIS*.

Wetterdienst: Conjunto de herramientas de Python para acceder a los datos meteorológicos del servicio meteorológico alemán.

Herramientas ERA5: Scripts en Python para descargar y visualizar los datos climatológicos de ERA5, así como para extraer series temporales (datos horarios a mensuales de muchos parámetros atmosféricos y de la superficie terrestre).

CAMELS-AUS: paquete de Python para cargar y utilizar fácilmente el conjunto de datos CAMELS-AUS.

BoM Water: Este paquete ha sido desarrollado para acceder al Servicio de Observación de Sensores (SOS) de los datos de agua del BoM. Con el objetivo de integrar fácil y eficientemente los datos en los flujos de trabajo científicos.

Eco-Data Manage Toolkit: Es un conjunto de herramientas de Python para facilitar la gestión de datos para aplicaciones de hidrología/limnología.

Modelización hidrológica

CMF: Catchment Modelling Framework, una caja de herramientas de modelización hidrológica.

TopoFlow: Modelo hidrológico espacial (basado en D8, totalmente compatible con BMI).

VIC: Modelo hidrológico a macroescala de capacidad de infiltración variable (VIC).

Xanthos: Xanthos es un modelo hidrológico de código abierto, escrito en Python, diseñado para cuantificar y analizar la disponibilidad global de agua.

WRF-Hydro: wrfhydrpy es una API de Python para el sistema de modelización WRF-Hydro.

pyDEM: PyDEM es un paquete para el análisis topográfico (del terreno). Toma rásteres de modelos digitales de elevación (DEM), y produce cantidades como la pendiente, el aspecto, el área ascendente y el índice de humedad topográfica.

EXP-HYDRO: EXP-HYDRO es un modelo hidrológico a escala de la cuenca que funciona en un paso de tiempo diario. Toma como entradas los valores diarios de la precipitación, la temperatura del aire y la evapotranspiración potencial, y simula el caudal diario en la salida de la cuenca.

RRMPG: Campo de juego para la modelización de la lluvia y la escorrentía.

LHMP: Campo de juego de modelos hidrológicos agrupados.

SMARTPy: Implementación en Python del modelo de lluvia-escorrentía SMART.

PyStream: Implementación en Python del modelo hidrológico de lluvia-escorrentía STREAM.

HydrPy: Un marco para el desarrollo y la aplicación de modelos hidrológicos basados en Python.

Catchmod: CATCHMOD es un modelo de escorrentía pluvial ampliamente utilizado en el Reino Unido. Fue introducido por Wilby (1994).

wflow: wflow consiste en un conjunto de programas de Python que pueden ejecutarse en la línea de comandos y realizar simulaciones hidrológicas. Los modelos se basan en el marco PCRaster de Python.

PyTOPKAPI: PyTOPKAPI es una biblioteca de Python con licencia BSD que implementa el modelo hidrológico TOPKAPI (Liu y Todini, 2002).

mhmpy: Una API de Python para el modelo hidrológico de mesoescala.

SuperflexPy: Un nuevo marco de trabajo de código abierto para construir modelos hidrológicos conceptuales.

NeuralHydrology: Biblioteca de Python para entrenar redes neuronales con un fuerte enfoque en aplicaciones hidrológicas.

StreamStats: Paquete de Python para interactuar con la API StreamStats del USGS.

hidrocomp: Biblioteca de Python para el análisis de datos hidrológicos.

PyFlo: Es una biblioteca Python de código abierto para realizar análisis hidráulicos e hidrológicos de aguas pluviales. Sus características incluyen el análisis del grado hidráulico de la red y el almacenamiento basado en el tiempo/la iteración y las simulaciones de rutas de inundación.

HydroFunctions: Un conjunto de funciones convenientes para trabajar con datos de hidrología en una sesión interactiva de Python.

pySTEPS: Es una biblioteca de Python de código abierto y dirigida por la comunidad para la predicción probabilística de precipitaciones, es decir, sistemas de predicción de conjuntos a corto plazo.

Modelización de aguas subterráneas

Flopy: La interfaz de Python para MODFLOW.

imod-python: Realiza modelos MODFLOW masivos.

Idfpy: Un módulo simple para leer y escribir archivos iMOD IDF. IDF es un formato binario simple utilizado por el software de modelado de aguas subterráneas iMOD.

WellApplication: Conjunto de herramientas para el análisis del nivel de las aguas subterráneas y de la química del agua.

TIMML: Un modelo de elementos analíticos multicapa.

TTim: Modelo de elementos analíticos transitorios multicapa.

PyHELP: Una biblioteca de Python para la evaluación de la recarga de aguas subterráneas distribuidas espacialmente y los componentes hidrológicos con HELP.

PyRecharge: Marco de modelado de recarga y agotamiento de aguas subterráneas espacialmente distribuidas en Python.

Anaflow: Un paquete de Python que contiene soluciones analíticas para la ecuación de flujo de aguas subterráneas

WellTestPy: Un paquete de Python para el manejo de campañas de campo basadas en pozos.

HydroGeoSines: Software de exploración de señales en el ruido para conjuntos de datos hidrogeológicos.

Pytesmo: Python Toolbox para la evaluación de las observaciones de la humedad del suelo.

Phydrus: Implementación en Python del modelo de zona no saturada HYDRUS-1D

Análisis de series temporales

Hydropy: Análisis de series temporales orientadas a la hidrología.

Pastas: Análisis de series temporales hidrológicas mediante modelos de series temporales.

Hydrostats: Herramientas para su uso en estudios de comparación, específicamente para su uso en el campo de la hidrología.

htimeseries| Este módulo proporciona la clase HTimeseries, que es una capa sobre pandas, ofreciendo un poco más de funcionalidad.

efts-python: Una biblioteca de python para leer y escribir Series Temporales de Pronóstico Conjunto en archivos netCDF.

Optimización, Incertidumbre, Estadística

LMFIT: Minimización de mínimos cuadrados no lineales, con ajustes flexibles de parámetros, basado en scipy.optimize.leastsq, y con muchas clases y métodos adicionales para el ajuste de curvas.

SPOTpy: Una herramienta de optimización de parámetros estadísticos para Python.

PyGLUE: Marco de Estimación de Incertidumbre de Verosimilitud Generalizada (GLUE).

Pyemu: Un módulo de Python para el análisis de incertidumbre independiente del modelo, los análisis de valor de los datos y la interfaz con PEST(++).

HPGL: Biblioteca de geoestadística de alto rendimiento.

HydroErr: Métrica de bondad de ajuste para su uso en estudios de comparación, específicamente en el campo de la hidrología.

Índices climáticos: Índices climáticos para la monitorización de la sequía, implementaciones de referencia de la comunidad en Python.

HydroLM: El paquete HydroLM contiene una clase y funciones para automatizar regresiones lineales OLS para hidrólogos.

PySDI: Es un conjunto de scripts de código abierto que calculan índices de sequía estandarizados (SDI) no paramétricos utilizando conjuntos de datos ráster como datos de entrada.

PyForecast: Es una herramienta de modelado estadístico útil para predecir afluentes y caudales mensuales y estacionales. La herramienta recoge conjuntos de datos meteorológicos e hidrológicos, analiza de cientos a miles de subconjuntos de predictores y devuelve regresiones estadísticas entre los predictores y los caudales.

Varios

ESMPY: Interfaz Python del Marco de Modelización del Sistema Terrestre (ESMF)

PyHSPF: Extensiones en Python del Programa de Simulación Hidrológica en Fortran (HSPF).

SPHY: Modelo de Procesos Espaciales en Hidrología (SPHY)

xsboringen: (En holandés) Una biblioteca de python para procesar y trazar datos de sondeos y CPT, desarrollada para formatos de datos abiertos en los Países Bajos.

PyMT: Es un paquete de Python de código abierto que proporciona las herramientas necesarias para el acoplamiento de modelos que exponen la Interfaz de Modelo Básico (IMB).

Landlab: El proyecto Landlab crea un entorno en el que los científicos pueden construir un modelo numérico del paisaje sin tener que codificar todos los componentes individuales.

EFlowCalc: Calculadora de las características de los caudales.

IRIS: Una biblioteca Python potente, agnóstica y dirigida por la comunidad para analizar y visualizar datos de las ciencias de la Tierra.

Hydrointerp: Un paquete de Python para interpolar datos hidrológicos.

EFlowCalc: EFlowCalc es una calculadora de código abierto de las características del caudal ecológico en Python.

Hydrofunctions: Un conjunto de funciones convenientes para trabajar con datos hidrológicos en una sesión interactiva de Python.

Shyft: Es la caja de herramientas de código abierto para el ámbito del mercado de la energía, financiada y apoyada por Statkraft.

Hydroshare: HydroShare es un sitio web colaborativo para un mejor acceso a los datos y modelos en las ciencias hidrológicas.

Hydrobox: Caja de herramientas de preprocesamiento y análisis hidrológico basada en pandas y numpy.

Wetland: Es un conjunto de herramientas para cartografiar la dinámica hidrológica de las aguas superficiales y de los humedales utilizando imágenes aéreas de alta resolución dentro del motor de Google Earth (GEE).

iRONS: iRONS (interactive Reservoir Operation Notebooks and Software) es un paquete de python que permite la simulación, previsión y optimización de sistemas de embalses.

Meteorología

MetPy: Es una colección de herramientas en Python para leer, visualizar y realizar cálculos con datos meteorológicos.

PyEto: Es una biblioteca en Python para calcular la evapotranspiración de referencia de los cultivos (ETo), a veces denominada evapotranspiración potencial (PET). La biblioteca ofrece numerosas funciones para estimar los datos meteorológicos que faltan.

Improver: Es una biblioteca de algoritmos para el posprocesamiento y la verificación meteorológica.

MetSim: Es un simulador meteorológico y desagregador de forzamientos para la modelización hidrológica y las aplicaciones climáticas.

MELODIST: Es una caja de herramientas de código abierto escrita en Python para la desagregación de series temporales meteorológicas diarias a pasos temporales horarios.

PyCat: Herramienta de análisis climático escrita en python.

PySteps: Es una iniciativa impulsada por la comunidad para desarrollar y mantener un marco de trabajo en Python fácil de usar, modular, gratuito y de código abierto para sistemas de predicción de conjuntos a corto plazo.

Evaporación: Cálculo de la evaporación y la transpiración.

rainymotion: Biblioteca de Python para la predicción de la precipitación por radar basada en técnicas de flujo óptico.

Metview: Interfaz de Python para Metview, una estación de trabajo meteorológica y sistema de lotes para acceder, examinar, manipular y visualizar datos meteorológicos.

IMPROVER: Es una biblioteca de algoritmos para el post-procesamiento meteorológico.

JAMS: Es un paquete general de Python que ofrece funciones diversas en diferentes categorías, como la lectura de diferentes formatos de archivo, rutinas de fechas julianas o funciones meteorológicas.

windspharm: Análisis de vientos armónicos esféricos en Python.

wrf-python: Python Una colección de rutinas de diagnóstico e interpolación para su uso con la salida del Modelo de Investigación y Predicción del Tiempo (WRF-ARW).

scikit-downscale: Modelos estadísticos de reducción de escala y posprocesamiento para simulaciones de modelos climáticos y meteorológicos.

Awesome-EarthObservation-Code: Una lista curada de herramientas impresionantes, tutoriales, código, proyectos útiles, enlaces, cosas sobre la Observación de la Tierra y cosas geoespaciales.

Climatología

climlab: Modelización climática orientada a procesos.

aospy: Análisis y gestión automatizados de datos climáticos reticulados.

Oocgcm: Análisis de grandes conjuntos de datos geofísicos reticulados.

Pangaea: extensión de xarray para la superficie terrestre cuadriculada y la salida de los modelos meteorológicos.

xgcm: Amplía el modelo de datos xarray para comprender las celdas de cuadrícula de volumen finito (comunes en los modelos de circulación general) y proporciona operaciones de interpolación y diferencia para dichas cuadrículas.

OpenClimateGIS: Manipulación geoespacial, subconjunto, cálculo y traducción de datos climáticos espaciotemporales.

climpred: envoltura de xarray para el análisis de modelos de previsión de conjuntos para la predicción del clima.

pyOWM: PyOWM es una biblioteca cliente de Python para las API web de OpenWeatherMap (OWM).

Sismología

Madagascar: Suite de procesamiento de datos multidimensionales.

ObsPy: Framework para leer, escribir y procesar datos sísmicos y sismológicos.

Bruges: Varias ecuaciones y herramientas geofísicas.

Segyio: Biblioteca rápida para archivos sísmicos SEGY.

Pyrocko: Conjunto de herramientas de sismología.

rsudp: Visualización continua basada en ObsPy, monitorización de movimientos bruscos y repetición histórica de los datos de Raspberry Shake.

SeismicZFP: Convierte archivos SEG-Y/ZGY a archivos SGZ comprimidos y recupera subvolúmenes arbitrarios de estos, rápidamente.

Traducido desde: javedali

La entrada Lista de recursos Python para las Ciencias de la Tierra se publicó primero en El blog de franz.

La proyección Web Mercator utiliza una versión modificada de la proyección Mercator y se ha convertido en una proyección cartográfica por defecto para la cartografía web.

La principal diferencia de esta proyección es que utiliza una fórmula esférica en todas las escalas.

Mientras que la proyección Mercator utiliza una proyección cilíndrica orientada verticalmente y tangente al ecuador.

Estas son algunas de las razones por las que la proyección Web Mercator se está convirtiendo en el estándar de moda para la cartografía web y en línea.

¿Qué mapas web utilizan Web Mercator?

Web Mercator está en todas partes. Prácticamente todos los principales proveedores de mapas en línea utilizan esta proyección, como Google Maps, CARTO, Mapbox, OpenStreetMap, Esri y muchos otros.

Pero, ¿por qué?

Aparte de que el norte está orientado hacia arriba, Web Mercator se adapta bien a la visualización interactiva en un mapa web.

Aunque hay una distorsión obvia en las regiones polares a altas latitudes, tiene poca distorsión para la visualización del área local.

Sin embargo, Google Maps y Google Earth tienen ahora una proyección «global», en lugar de utilizar Web Mercator a pequeña escala que se asemeja a la forma real de la Tierra.

¿Por qué utilizar Web Mercator?

La razón principal es que la proyección Mercator conserva la dirección. No importa en qué parte del mundo te encuentres utilizando esta proyección, las direcciones son verdaderas.

Desde el punto de vista del usuario, esto es increíblemente útil para saber que el norte está arriba. Aunque las áreas se distorsionan, la distorsión es bastante uniforme. Además, no conserva la forma ni los ángulos locales (no es conforme).

A medida que se aleja del ecuador, la distorsión aumenta. Al igual que la proyección Mercator, las áreas se estiran hacia los polos. Esto significa que no debe utilizar esta proyección para mostrar los polos.

Debido a las distorsiones aparentes, la proyección Web Mercator tampoco es apropiada para cualquier análisis espacial o cálculo de áreas.

Identificador EPSG

El identificador EPSG para la proyección Web Mercator es EPSG:3857. Pero EPSG:4326 y EPSG:900913 también se refieren a esta proyección.

¿Qué es lo siguiente?

La proyección Web Mercator es una variante de Mercator, «Esfera Auxiliar de Mercator».

Aunque distorsiona las áreas en las regiones polares, se ha convertido en el estándar de facto para la cartografía web de cualquier tipo y es útil para los mapas a gran escala (locales) en Internet.

A pesar de sus muchas ventajas, esta proyección no es apropiada para ningún tipo de análisis espacial o cálculo de áreas.

La mayoría de los principales mapas web en línea utilizan este tipo de proyección cartográfica, incluyendo Google, OpenStreetMap y Mapbox.

Traducido desde: gisgeography

La entrada Proyección Web Mercator se publicó primero en El blog de franz.

En un mundo en el que la toma de decisiones está cada vez más influenciada por los datos, es importante entender cómo la ciencia de datos espaciales puede ayudar.

La ciencia de datos espaciales es un subconjunto de la ciencia de datos. Es el lugar donde la ciencia de los datos se cruza con los SIG, con un enfoque clave en los datos geoespaciales y las nuevas técnicas de computación. La ubicación es importante en la ciencia de datos que utiliza la computación estadística para acceder, manipular, explorar y visualizar los datos.

Tener coordenadas de latitud y longitud en los datos no significa que se trate de ciencia de datos espaciales. En cambio, la ciencia de datos espaciales aplica sus ubicaciones físicas y comprende sus relaciones espaciales.

Hoy vamos a explorar la ciencia de datos espaciales. ¿En qué se diferencia del análisis espacial? ¿Y cuáles son algunos ejemplos de ciencia de datos?

¿Qué es la ciencia de datos? (sin espacialidad)

La ciencia de los datos es el estudio de la información y su origen, recopilación, organización, procesamiento y presentación. La ciencia de los datos es un área interdisciplinar que incorpora elementos de estadística, informática, investigación de operaciones, matemáticas y programación.

Los científicos de datos utilizan herramientas como R y Python para limpiar, agregar y manipular datos para crear modelos predictivos y análisis. La tarea principal de un científico de datos es traducir los datos brutos utilizando técnicas avanzadas en conocimientos procesables.

La información procesable puede provenir de cualquier técnica, como el aprendizaje automático, el análisis de grandes datos y la visualización de datos. Pero la diferencia entre la ciencia de los datos espaciales es que se añade el elemento del análisis espacial y es el punto central de su análisis.

Análisis espacial frente a ciencia de datos espaciales

Antes de entrar en los detalles de la ciencia de datos espaciales, ¿en qué se diferencia del análisis espacial? Como no siempre se puede trazar una línea clara entre ambos, vamos a explorar qué es la ciencia de datos espaciales.

Recordemos que el objetivo de la ciencia de datos es extraer información significativa de los datos a partir de la computación y el descubrimiento científico. Estas son algunas de las palabras de moda del análisis espacial y de la ciencia de datos espaciales y la categoría en la que se encuadran.

Análisis espacial

• Encontrar patrones, clusters y puntos calientes
• Optimización de ubicaciones, como la selección de sitios
• Estudiar la interacción entre características y por qué se producen
• Utilizar el análisis exploratorio para encontrar relaciones entre variables
• Modelización de características basadas en la localización mediante simulación y predicción
• Aplicación de la cartografía y la geovisualización

Ciencia de los datos espaciales

• Utilización de técnicas de manipulación e integración de datos
• Aplicación de técnicas de aprendizaje automático como el reconocimiento de patrones y la clasificación
• Investigación de anomalías y asociaciones a través de la minería de datos como ciencia impulsada por los datos
• Utilización de big data, impulsado por sensores y otros tipos de datos de IoT
• Limpieza de datos y aplicación de flujos de trabajo ETL a través de la ingeniería de datos
• Automatización y operacionalización de los flujos de trabajo de programación

Tanto el análisis espacial como la ciencia de los datos espaciales comienzan con datos de localización en bruto, los analizan y los convierten en conocimientos. Pero la idea clave es que la ciencia de los datos espaciales utiliza técnicas nuevas y especializadas y la automatización. Si quiere saber más sobre el análisis espacial, asegúrese de consultar nuestra tabla periódica para el análisis espacial.

Ingeniería de datos

La ingeniería de datos es una rama de la informática que se ocupa de gestionar la creación, el almacenamiento, el mantenimiento, el uso y la difusión de los datos. Utiliza herramientas de programación como Python, SQL y R que ayudan a la manipulación de big data.

Es posiblemente el aspecto de la ciencia de los datos que más tiempo consume. Pero la ingeniería de datos es también una parte crucial del análisis, porque sólo es tan bueno como los datos que ponemos en él.

Los científicos de datos preparan los datos para el análisis. Por ejemplo, rellenan los valores que faltan, añaden campos, los enriquecen geográficamente y limpian los valores. Normalmente, el flujo de trabajo de la ciencia de datos comienza con la ingeniería de datos y el flujo de trabajo ETL necesario.

Exploración y visualización de datos

La exploración y visualización de datos es una de las facetas más importantes de la ciencia de datos. Significa explorar primero los datos brutos de forma sistemática para entenderlos mejor y así poder tomar mejores decisiones.

La visualización es una parte esencial del proceso de comprensión de los datos. Nos ayuda a reconocer rápidamente patrones y relaciones, lo que puede ayudarnos a extraer información de los big data. También se pueden utilizar técnicas de visualización para validarla y asegurarse de que tiene sentido.

El proceso de visualización de datos es uno que continúa de principio a fin. Al principio, puedes entender mejor tus datos. Luego, en el medio, puede responder a los problemas que puede resolver. Finalmente, puedes contar una historia de tus datos para compartirla con un público.

Análisis espacial

El análisis espacial es la esencia de los SIG. Desde la selección de lugares hasta la elaboración de modelos espacio-temporales o predictivos, el análisis espacial permite saber dónde están las cosas, cómo se relacionan entre sí y cómo están conectadas.

El análisis espacial es una herramienta que se utiliza para analizar la distribución de personas o cualquier tipo de característica en un espacio geográfico. Puede resolver problemas de localización midiendo, cuantificando y comprendiendo nuestro mundo.

No sólo incluye la localización de puntos. Sino que también incluyen líneas, polígonos, rásters e información no espacial como atributos. Si quiere mostrar cómo se mueven las personas o encontrar patrones como puntos calientes, entonces es el análisis espacial la herramienta a utilizar.

Aprendizaje automático e IA

El aprendizaje automático es el proceso de enseñar a un ordenador a aprender sin ser programado explícitamente. El concepto de inteligencia artificial y aprendizaje automático es una herramienta más del análisis espacial.

La idea fundamental del aprendizaje automático es que ayuda a acelerar cualquier proceso mediante el análisis de grandes cantidades de datos sin intervención humana. Por ejemplo, se puede crear una cobertura del terreno precisa utilizando un clasificador de aprendizaje automático con sólo entrenarlo con muestras.

Desde el análisis de Big Data hasta el clustering, el aprendizaje automático es una forma de automatizar el proceso de obtener información de los datos. Con la creciente cantidad de datos que las organizaciones recogen, almacenan y analizan, el aprendizaje automático se está convirtiendo en una parte esencial de cualquier flujo de trabajo.

Análisis de grandes datos

La analítica de datos es un proceso en el que se analizan los datos para obtener información y tomar decisiones sobre el estado futuro. Puede utilizarse en cualquier industria o campo de trabajo, como el transporte, el marketing y el comercio minorista. La analítica de Big Data ha revolucionado muchas industrias como ninguna otra.

El mundo de la tecnología lleva años utilizando la analítica de Big Data. Pero está empezando a cobrar más importancia a medida que el mundo se digitaliza más. La analítica de Big Data se refiere al análisis de grandes volúmenes de datos.

Aunque el Big Data entra dentro de la categoría de análisis espacial, la idea principal es que se analiza a escala. No importa en qué consistan los datos espaciales (puntos, líneas, polígonos o ráster), pueden ser una herramienta muy útil en la ciencia de los datos.

Modelado y scripting

La automatización ha existido durante mucho tiempo como una forma de reducir el trabajo manual. Nos permite centrarnos en tareas más importantes con menos esfuerzo, ahorrando tiempo y produciendo un flujo de trabajo repetible.

En un flujo de trabajo típico de la ciencia de datos, se toma todo, desde la ingeniería de datos hasta el análisis, y se encadena de forma automatizada. Esto permite reproducir y desarrollar un sistema que funciona por sí mismo.

Cuando se operativizan las capacidades analíticas, esto es una gran parte de ETL, que significa Extraer, Cargar y Transformar. Pero esto no significa necesariamente que se ejecute a diario, ya que puede ser un proceso empresarial semanal, mensual o anual.

Las piezas del rompecabezas de la ciencia de datos espaciales

La ciencia de los datos espaciales ayuda a las empresas a tomar mejores decisiones con los datos de localización como punto central para impulsar las estrategias empresariales.

Además, también puede permitir predicciones más precisas en diferentes campos como la economía, las ciencias sociales, la ingeniería y el medio ambiente.

El poder de la ciencia de los datos está empezando a llegar a todos los aspectos de nuestra vida cotidiana.

La ciencia de los datos espaciales puede revelar patrones a través de técnicas informáticas avanzadas como el aprendizaje automático y el análisis de big data que, de otro modo, podrían haber quedado ocultos.

Traducido desde: gisgeography

La entrada ¿Qué es la ciencia de datos espaciales? se publicó primero en El blog de franz.

El lanzamiento de Landsat 9 es un hito emocionante para este programa de casi 50 años de antigüedad, ¡y aún hay más por venir! La historia de Landsat continuará en la próxima década con Landsat Next, el nuevo miembro de la familia Landsat.

La misión Landsat Next se encuentra actualmente en su fase inicial, en la que los diseñadores de la misión estudian las peticiones de los usuarios de datos. Se está estudiando una amplia gama de satélites e instrumentos, pero todos tienen dos cosas en común: continuarán el registro de datos existente desde hace décadas y medirán más del doble de bandas espectrales que los Landsat 8 y 9.

«Bandas espectrales» se refiere a las longitudes de onda de la luz que miden los instrumentos Landsat. Cuando un instrumento mide un rango de longitudes de onda, proporciona detalles sobre diferentes características del terreno. Por ejemplo, la sección de luz visible de la gama espectral del Landsat 9 proporciona información sobre el polvo y el humo en el aire y los corales en el océano, mientras que las longitudes de onda infrarrojas más largas captan las nubes, la salud de la vegetación, el uso del agua en los cultivos y los incendios activos.

Los satélites Landsat 8 y 9 miden 11 bandas espectrales, desde el visible hasta el infrarrojo térmico. El objetivo de Landsat Next es medir hasta 25 bandas espectrales, lo que permitirá descubrir nuevas aplicaciones para la calidad del agua, el estrés de las plantas, la cubierta de nieve, la salud del suelo y mucho más.

Los próximos pasos del proyecto Landsat Next consisten en completar los estudios sobre los mejores diseños de la misión, los instrumentos y el almacenamiento de datos para alcanzar los objetivos de la misión. El lanzamiento de la misión está previsto para 2029/2030.

Traducido desde: landsat

La entrada Landsat NeXt se publicó primero en El blog de franz.

Con el paso del tiempo, y gracias a los avances tecnológicos constantes, la agricultura es cada vez una actividad más y más sofisticada. Los agricultores de hoy en día deben planificar cuidadosamente todo y disponer de información variada, como el tipo de suelo, las características de este, información meteorológica, disponibilidad de agua dulce, etc. si quieren realizarla satisfactoriamente. Para disponer de parte de esos datos, el uso de los SIG es una forma rentable y útil de obtener el máximo rendimiento y reducir el desperdicio de insumos y los residuos.

Tres usos estratégicos de los SIG en agricultura

1. Planificación estratégica

Una de las posibles funcionalidades de los SIG es la posibilidad de crear diferentes capas en un mapa que muestren diferentes datos, de modo que se puedan abordar todo tipo de problemas agrícolas. En función del tamaño de la explotación y factores como el tipo o la ubicación, los mapas SIG pueden proporcionar información sobre las precipitaciones, la elevación del terreno o las propiedades del suelo para que los agricultores puedan planificar de forma más eficiente.

2. Monitorización y gestión de los cultivos

Comprobar la salud de los cultivos a pie y de forma arbitraria en un terreno de varias hectáreas es la opción menos eficaz posible. Por ello, es vital conocer cómo utilizar imágenes de satélite de alta resolución en combinación con el SIG para optimizar el proceso. La tecnología basada en satélites permite recoger datos en tiempo real sobre la tierra y los cultivos a distancia, desde la comodidad de la oficina o mientras se está de viaje. En combinación con los datos recogidos sobre el terreno, es posible conocer datos como la humedad del suelo, la temperatura del aire, la cantidad de nutrientes disponibles en el suelo o si hay alguna enfermedad o plaga afectando a los cultivos.

Dado que existen diferentes resoluciones de imagen en las imágenes de satélite, así como diferentes fuentes, una buena opción de acceder a ellas y saber es utilizar una plataforma de análisis de imágenes de satélite completa, como EOS Crop Monitoring. En ella, además de poder adquirir imágenes de alta resolución directamente desde la plataforma sin tener que importarlas desde otro lado, el usuario puede monitorizar cualquier cambio que se produzca en la vegetación, obtener información meteorológica en tiempo real, identificar las áreas del campo con problemas o gestionar de forma eficaz a los exploradores y sus tareas de exploración, lo que supone un importante ahorro de tiempo y dinero.

Al analizar toda la información disponible sobre el campo, el usuario obtiene notificaciones inmediatas sobre cualquier cambio o riesgo que pueda sufrir el campo o los cultivos, de modo que se pueda reaccionar a tiempo ante dichos problemas y tratarlos de forma adecuada, utilizando los insumos necesarios solo dónde se necesitan y con una cantidad óptima, de modo que se reduce el desperdicio y, consecuentemente, el gasto a realizar en insumos. Gracias a la aplicación de exploración, una vez localizado un problema en el campo, se puede marcar el punto exacto al que el explorador debe ir; éste puede rellenar un informe sobre el terreno explicando lo que ve y adjuntar fotos a dicho informe, incluso aunque no haya conexión a Internet. Una vez la conexión vuelva, el informe se sincronizará automáticamente con el resto de dispositivos, de modo que todos puedan acceder a dichos datos para futuros análisis. Al almacenarse todos los datos en un único lugar, la gestión del campo es mucho más sencilla y eficiente.

Otro aspecto positivo de la monitorización por satélite de los campos es la capacidad que tienen otros involucrados en el sector para aprovechar estos datos, por ejemplo, bancos enfocados a la agricultura o compañías de seguros. Por ejemplo, haciendo uso de los datos históricos de la región o país puede estimar cuál será el rendimiento que se va a obtener al final de la temporada o calcular el valor de un terreno.

3. Gestión del agua

En función del tamaño del campo y los cultivos plantados en él, la cantidad de agua requerida puede variar y asegurarse que cada planta recibe suficiente agua es clave para un correcto desarrollo, no perjudicar el rendimiento y, al mismo tiempo, proteger el medio ambiente. A partir de imágenes de satélite, algoritmos que se apoyan en la IA calculan la cantidad de agua de las plantas para evitar estrés hídrico o escasez de agua.

Los SIG también pueden utilizarse para prevenir o mitigar el impacto de las catástrofes naturales. Por ejemplo, puede indicar qué zonas del campo serían susceptibles de inundarse ante una gran cantidad de agua haciendo uso de datos de inundaciones pasadas, estudios de campo, datos cartográficos e imágenes de satélite. Soluciones similares pueden usarse para atajar el problema de la sequía y medir la susceptibilidad del terreno a la erosión del suelo.

La entrada Tres usos estratégicos de los SIG en la agricultura se publicó primero en El blog de franz.

Un analista GIS es un profesional que se enfoca en la gestión, análisis y visualización de datos geoespaciales utilizando herramientas de Sistemas de Información Geográfica (SIG), mientras que un científico de datos geoespaciales es un profesional que se enfoca en la obtención, análisis y modelado de grandes conjuntos de datos geoespaciales utilizando técnicas avanzadas de análisis de datos y aprendizaje automático para generar conocimientos y resolver problemas complejos en diversas áreas, como la planificación urbana, la gestión de recursos naturales, el transporte, entre otras. En resumen, el analista GIS trabaja principalmente con herramientas SIG para realizar tareas específicas con datos geoespaciales, mientras que el científico de datos geoespaciales se enfoca en la aplicación de técnicas de análisis de datos y aprendizaje automático para generar conocimientos y resolver problemas complejos.

En general, el analista GIS se enfoca en la manipulación de datos geoespaciales para realizar tareas específicas, como crear mapas, hacer análisis de proximidad, crear redes de transporte, realizar estudios de impacto ambiental, entre otros. Utilizan herramientas de software de Sistemas de Información Geográfica, como ArcGIS, QGIS, y otros, para realizar estas tareas.

Por otro lado, el científico de datos geoespaciales se enfoca en obtener, procesar y analizar grandes conjuntos de datos geoespaciales, utilizando técnicas avanzadas de análisis de datos y aprendizaje automático para generar conocimientos y resolver problemas complejos en diversas áreas. Estos profesionales utilizan lenguajes de programación como Python, R, y otros, así como herramientas de análisis de datos, para realizar tareas como la segmentación de imágenes, la detección de cambios en el terreno, la predicción de patrones de tráfico, la evaluación de riesgos de desastres naturales, entre otros.

En general, mientras que el analista GIS se enfoca en la aplicación de herramientas SIG para realizar tareas específicas con datos geoespaciales, el científico de datos geoespaciales se enfoca en el análisis y modelado avanzado de grandes conjuntos de datos geoespaciales para generar conocimientos y resolver problemas complejos. Ambos roles son importantes en el ámbito de los datos geoespaciales y pueden colaborar en proyectos comunes.

La entrada Diferencias entre un analista GIS y un científico de datos geoespaciales se publicó primero en El blog de franz.

Inteligencia artificial y aprendizaje automático

La inteligencia artificial y el aprendizaje automático se refieren a la capacidad de las máquinas para imitar la inteligencia humana y aprender de la experiencia. Se utilizan para crear sistemas de recomendación, asistentes virtuales, chatbots de atención al cliente, análisis de datos, diagnósticos médicos y vehículos autónomos, entre otros.

Computación en la nube y edge computing

La computación en la nube y el edge computing son tecnologías que permiten el acceso y procesamiento de datos en tiempo real desde cualquier lugar. La computación en la nube se refiere al almacenamiento y procesamiento de datos en servidores remotos, mientras que el edge computing se refiere a la capacidad de procesar datos en dispositivos locales. Se utilizan para proporcionar almacenamiento y procesamiento de datos en tiempo real. Ejemplos de aplicaciones incluyen servicios de almacenamiento en línea como Google Drive y Dropbox, y aplicaciones de IoT que se ejecutan en dispositivos locales como sensores inteligentes.

Internet de las cosas (IoT)

El IoT se refiere a la conexión de dispositivos a internet para intercambiar datos entre sí y con los usuarios. Los dispositivos IoT pueden ser sensores, electrodomésticos, wearables, etc., y se están utilizando en una amplia gama de aplicaciones, desde el monitoreo de la salud hasta la gestión de la cadena de suministro. Se utiliza para conectar dispositivos a Internet y permitir la interconexión y el intercambio de datos. Ejemplos incluyen termostatos inteligentes, sistemas de iluminación y sensores de monitoreo de salud.

Blockchain y criptomonedas

Blockchain es una tecnología que permite la creación de registros digitales seguros e inmutables. Las criptomonedas son monedas digitales basadas en blockchain, como Bitcoin o Ethereum. Estas tecnologías se están utilizando en aplicaciones como pagos seguros y contratos inteligentes. Se utiliza para crear registros digitales seguros e inmutables. Las criptomonedas se utilizan para realizar pagos seguros y eficientes. Ejemplos incluyen Bitcoin y Ethereum.

Realidad virtual y aumentada

La realidad virtual y aumentada son tecnologías que permiten la inmersión en entornos digitales y la superposición de información digital en el mundo real. Estas tecnologías se están utilizando en aplicaciones como el entrenamiento militar y médico, el turismo y el entretenimiento. Se utilizan para crear experiencias de inmersión en entornos digitales y agregar información digital al mundo real. Ejemplos incluyen aplicaciones de entrenamiento médico, turismo virtual y juegos de realidad aumentada como Pokemon Go.

Automatización y robótica

La automatización y la robótica se refieren a la automatización de procesos y tareas mediante el uso de robots y software. Estas tecnologías se están utilizando en aplicaciones como la fabricación, la logística y la atención al cliente. Ejemplos incluyen robots de fabricación, sistemas de automatización de almacenes y chatbots de atención al cliente.

5G y conectividad inalámbrica avanzada

La tecnología 5G es la quinta generación de tecnología de red inalámbrica y proporciona velocidades de descarga y carga más rápidas y una mayor capacidad de red. Esta tecnología está permitiendo el desarrollo de aplicaciones como la realidad aumentada en tiempo real y la telemedicina.

Computación cuántica

La computación cuántica se refiere al uso de las propiedades de la mecánica cuántica para procesar información. Esta tecnología está en sus primeras etapas de desarrollo, pero se espera que tenga aplicaciones en campos como la criptografía, la química y la optimización. Actualmente, la tecnología está en sus primeras etapas de desarrollo y hay pocos ejemplos prácticos de su uso.

Ciberseguridad y privacidad de datos

La ciberseguridad y la privacidad de datos son cada vez más importantes en un mundo cada vez más conectado. Las tecnologías de seguridad están evolucionando constantemente para proteger los datos y la privacidad de los usuarios de amenazas como el robo de identidad y el malware. Ejemplos incluyen software antivirus, firewalls y sistemas de autenticación de dos factores.

Sostenibilidad y tecnologías verdes

Las tecnologías verdes se utilizan para reducir el impacto ambiental de la tecnología y promover la sostenibilidad. Ejemplos incluyen paneles solares, vehículos eléctricos y sistemas de gestión de energía.

Ventajas y desventajas de las tendencias tecnológicas

1. Inteligencia artificial y aprendizaje automático:

Ventajas

• Mejora la eficiencia y precisión de los procesos de negocio
• Permite la automatización de tareas repetitivas y reducción de costos
• Facilita la personalización y mejora la experiencia del usuario

Desventajas:

• Puede llevar a la eliminación de empleos humanos
• Requiere grandes cantidades de datos para entrenar los modelos de aprendizaje automático, lo que puede plantear problemas de privacidad y seguridad de datos
• Puede llevar a la toma de decisiones sesgadas si los datos utilizados para entrenar el modelo están sesgados

2. Computación en la nube y edge computing:

Ventajas

• Proporciona una mayor escalabilidad y flexibilidad en la gestión de los recursos de TI
• Reduce los costos de infraestructura de TI y aumenta la eficiencia operativa
• Permite una mayor capacidad de procesamiento de datos en tiempo real

Desventajas:

• Puede ser costoso a largo plazo debido a la dependencia de servicios de terceros
• Puede haber problemas de latencia y ancho de banda para aplicaciones que requieren una alta velocidad de procesamiento
• Puede haber problemas de seguridad y privacidad de datos al almacenar información en servidores externos

3. Internet de las cosas (IoT):

Ventajas

• Proporciona una mayor eficiencia en la gestión y monitoreo de sistemas y procesos en tiempo real
• Facilita la automatización y reducción de costos
• Proporciona una mayor accesibilidad y personalización de los productos y servicios

Desventajas:

• Puede plantear preocupaciones de privacidad y seguridad de datos debido a la gran cantidad de datos generados por los dispositivos IoT
• Puede requerir una infraestructura de red costosa para soportar el gran número de dispositivos conectados
• Puede haber problemas de interoperabilidad entre diferentes dispositivos y protocolos IoT

4. Blockchain y criptomonedas:

Ventajas

• Proporciona una mayor seguridad y privacidad para el almacenamiento y transferencia de datos y activos digitales
• Permite transacciones seguras y transparentes sin intermediarios
• Puede reducir los costos y aumentar la eficiencia en transacciones financieras

Desventajas:

• Puede ser difícil de escalar para aplicaciones a gran escala debido a su naturaleza descentralizada
• Puede ser susceptible a ataques de 51% y otros tipos de ataques malintencionados
• Puede ser difícil de entender y utilizar para usuarios sin experiencia en tecnología.

5. Realidad virtual y aumentada:

Ventajas

• Proporciona una experiencia inmersiva y personalizada en la interacción con sistemas y productos
• Puede reducir los costos y el riesgo en la formación y simulación de situaciones peligrosas
• Puede mejorar la productividad y eficiencia en procesos de diseño y producción

Desventajas:

• Puede ser costoso para desarrollar y implementar en algunos casos
• Puede ser difícil de integrar con sistemas de negocio existentes
• Puede causar fatiga visual y otros efectos secundarios para los usuarios.

6. Automatización y robótica:

Ventajas

• Automatización de tareas repetitivas,
• Mejora de la eficiencia y la precisión,
• Reducción de errores humanos

Desventajas

• Desplazamiento de empleos, costo y complejidad de implementación,
• Preocupaciones éticas

7. 5G y conectividad inalámbrica avanzada:

Ventajas

• Mayor velocidad y eficiencia en la transmisión de datos,
• Mejoras en la experiencia del usuario,
• Nuevas oportunidades de negocio, entre otras.

Desventajas

• Problemas de interoperabilidad y compatibilidad,
• Preocupaciones de seguridad,
• Costos de implementación

8. Computación cuántica:

Ventajas

• Mayor capacidad de procesamiento y resolución de problemas complejos,
• Mejoras en áreas como la criptografía
• La simulación

Desventajas

• Complejidad de implementación y programación,
• Costo y disponibilidad limitada de hardware,
• Falta de aplicaciones prácticas maduras

9. Ciberseguridad y privacidad de datos:

Ventajas

• Protección de los datos y la privacidad de los usuarios
• Mitigación de riesgos de ciberataques
• Cumplimiento de regulaciones

Desventajas

• Complejidad y costo de implementación,
• Preocupaciones de privacidad y libertades civiles,
• Posibles efectos secundarios en la innovación

10.Sostenibilidad y tecnologías verdes

Ventajas

• Reducción de costos, emisiones y residuos
• Mejora de la reputación y la imagen corporativa,
• Cumplimiento de regulaciones y estándares ambientales.

Desventajas

• Posibles costos iniciales más altos para implementar tecnologías sostenibles y tecnologías verdes.
• Posibles limitaciones en la disponibilidad de recursos naturales.

La entrada Tendencias en tecnología se publicó primero en El blog de franz.

El análisis morfométrico de una cuenca es el estudio cuantitativo de las características de su forma, tamaño y relieve. Incluye la medición de parámetros como la longitud del río principal, la pendiente del terreno, la densidad de drenaje, la relación de formas, la altura del relieve, la red hidrográfica, entre otros. Estos datos pueden ser utilizados para comprender la dinámica hidrológica de la cuenca y su capacidad para generar inundaciones, entre otros aspectos. El análisis morfométrico puede ser realizado mediante herramientas geográficas como SIG (sistemas de información geográfica) y es una técnica útil para la gestión y planificación de recursos hídricos en una cuenca.

Parámetros generales

Los parámetros generales de una cuenca hidrográfica incluyen:

1. Área de la cuenca: es el área total de la superficie terrestre que drena a un punto común, generalmente un río.
2. Longitud del río principal: es la longitud del río que recoge el agua de la cuenca.
3. Altitud de la cuenca: es la elevación media de la cuenca hidrográfica.
4. Pendiente del terreno: es la inclinación de la superficie terrestre en la cuenca hidrográfica.
5. Coeficiente de forma: es la relación entre el perímetro de la cuenca y la longitud del río principal.
6. Factor de forma: es la relación entre el área de la cuenca y el cuadrado de la longitud del río principal.
7. Densidad de drenaje: es la longitud total de los canales de drenaje en la cuenca por unidad de área.
8. Orden del río: es un número que indica la jerarquía del río en la red hidrográfica, donde un río de primer orden es el más pequeño y un río de mayor orden recibe agua de otros ríos más pequeños.

Estos parámetros generales pueden ser medidos y analizados para comprender mejor las características físicas y la dinámica hidrológica de una cuenca hidrográfica.

Parámetros de forma

Los parámetros que caracterizan la forma de una cuenca hidrográfica son los siguientes:

1. Área de la cuenca: es el área total de la superficie terrestre que drena a un punto común, generalmente un río.
2. Longitud del río principal: es la longitud del río que recoge el agua de la cuenca.
3. Perímetro de la cuenca: es la longitud total de la línea de contorno que delimita la cuenca.
4. Coeficiente de compacidad: es la relación entre el área de la cuenca y el área de un círculo con el mismo perímetro.
5. Factor de forma: es la relación entre el área de la cuenca y el cuadrado de la longitud del río principal.
6. Relación de elongación: es la relación entre la longitud máxima y la longitud perpendicular máxima de la cuenca.
7. Índice de circularidad: es el inverso del coeficiente de compacidad y expresa el grado de desviación de la forma de la cuenca con respecto a un círculo.

Estos parámetros son importantes para la evaluación de la forma de una cuenca hidrográfica, lo que puede influir en su comportamiento hidrológico y en la gestión de los recursos hídricos en la cuenca.

Parámetros de relieve

Los parámetros que caracterizan el relieve de una cuenca hidrográfica son los siguientes:

1. Altitud de la cuenca: es la elevación media de la cuenca hidrográfica.
2. Pendiente del terreno: es la inclinación de la superficie terrestre en la cuenca hidrográfica.
3. Curvatura horizontal: es la tasa de cambio en la dirección del flujo de agua a medida que el río se mueve por la cuenca.
4. Curvatura vertical: es la tasa de cambio en la elevación a medida que el río se mueve por la cuenca.
5. Longitud del perfil longitudinal: es la longitud del río principal desde la fuente hasta la desembocadura.
6. Índice de relieve: es la diferencia de elevación entre el punto más alto y el más bajo en la cuenca hidrográfica.
7. Densidad de drenaje: es la longitud total de los canales de drenaje en la cuenca por unidad de área.

Estos parámetros son útiles para evaluar las características físicas del relieve de la cuenca hidrográfica y cómo influyen en su comportamiento hidrológico, incluyendo la velocidad del flujo de agua y la erosión del suelo. Además, la comprensión del relieve de la cuenca hidrográfica es importante para la planificación y gestión de los recursos hídricos, como la construcción de infraestructuras hidráulicas y la prevención de desastres naturales, como las inundaciones y los deslizamientos de tierra.

Red de canales

La caracterización de la red de canales de una cuenca hidrográfica es esencial para entender la dinámica hidrológica de la misma. Algunos de los parámetros que se utilizan para caracterizar la red de canales son:

1. Orden de los canales: los canales en la red hidrográfica se clasifican en función de su tamaño y posición en la red, siendo los de primer orden los más pequeños y los de mayor orden aquellos que reciben agua de otros canales más pequeños.
2. Longitud del canal: es la longitud de un canal desde su origen hasta su desembocadura.
3. Área de drenaje del canal: es la superficie que drena hacia el canal.
4. Pendiente del canal: es la inclinación del canal a lo largo de su longitud.
5. Densidad de drenaje: es la longitud total de los canales de drenaje en la cuenca por unidad de área.
6. Patrones de drenaje: son las formas geométricas que adoptan los canales de drenaje en la cuenca, que pueden ser dendríticos, paralelos, trellis, entre otros.
7. Coeficiente de ramificación: es la relación entre el número total de canales y la longitud total de los canales en la cuenca.

Estos parámetros son útiles para entender la estructura de la red de canales de la cuenca hidrográfica, y cómo influyen en su comportamiento hidrológico, como la velocidad del flujo de agua y la erosión del suelo. Además, la comprensión de la red de canales es importante para la planificación y gestión de los recursos hídricos, como la construcción de infraestructuras hidráulicas y la prevención de desastres naturales, como las inundaciones.

La entrada Análisis morfométrico de una cuenca hidrográfica se publicó primero en El blog de franz.

1. Preparación de los datos: Lo primero que necesitas hacer es asegurarte de que tienes los datos correctos para crear la curva hipsométrica. Esto puede incluir datos de elevación de terreno, como un modelo digital de elevación (DEM) o una malla de elevación, así como capas de polígonos que representen las áreas que deseas analizar.
2. Crear un modelo digital de elevación: Si no tienes un DEM, necesitarás crear uno en ArcGIS. Puedes hacerlo a partir de datos topográficos o de imágenes de satélite. ArcGIS tiene herramientas de interpolación que pueden ayudarte a crear un DEM a partir de datos de elevación de terreno.

3. Clasificamos el ráster de alturas (MDE). Vamos a Spatial Analyst Tools, seguido de Raclass y luego Reclassify. En la ventana que aparece seleccionamos el ráster de alturas y damos clic en Classification. En el campo Method seleccionamos Equal Interval y en Classes colocamos 12.

Guardamos el archivo y damos clic en Ok. Obtenemos lo siguiente.

4. Aplicamos una estadística zonal a través de Spatial Analyst Tools, seguido de Zonal y por ultimo Zonal Statistics as Table. En la ventana que aparece, rellenamos la siguiente información: el MDE reclasificado y el modelo digital de elevaciones y guardamos el resultado.

El procedimiento crea una tabla DBF con la siguiente información

5.Estos resultados los copiamos a Excel y realizamos los respectivos gráficos

La entrada Curva hipsométrica en Arcgis se publicó primero en El blog de franz.

1. Preparación de los datos: Lo primero que debes hacer es asegurarte de que tienes los datos correctos para la interpolación. Esto puede incluir datos de elevación de terreno, como un modelo digital de elevación (DEM), curvas de nivel o puntos de elevación. En este caso vamos a trabajar con las curvas de nivel y una área delimitada, ambas capas en formato shp.

2. En la caja de herramientas de ArcGis vamos a Arctoolbox – Spatial Analyst Tools – interpolation y finalmente Topo To Raster. Llenamos los campos de la siguiente manera.

En Curvas de nivel seleccionamos CONTOUR, ya que representa las curvas de nivel del terreno. El archivo debe contener un campo que contenga las alturas de las curvas de nivel. En el área delimitada seleccionamos BOUNDARY ya que permite especificar condiciones de frontera para la realización de la interpolación.

3. Finalmente en las propiedades de la capa le seleccionamos otra paleta de colores, damos clic en Classify y utilizamos el metodo Quantile. Finalmente suavizamos los contornos.

El resultado obtenido es el siguiente. Las zonas de color rojo son aquellas que están a una mayor altura, en cambio zonas de color verde son aquellas zonas bajas.

La entrada Interpolación con Topo to Raster en ArcGis se publicó primero en El blog de franz.

1. Abre QGIS y selecciona «Complementos» en la barra de menú.
2. Selecciona «Administrar e instalar complementos».

3. En la ventana emergente, busca «LOAD QSS» en la barra de búsqueda.

4. Selecciona «LOAD QSS» en los resultados de la búsqueda y haz clic en «Instalar complemento».

5. Espera a que se complete la instalación y luego cierra la ventana «Administrador de complementos».

Una vez instalado, el complemento LOAD QSS te permitirá cargar y aplicar estilos de capa adicionales a tus proyectos de QGIS. Aquí te explico cómo usarlo:

1. En la barra de menú, selecciona «Complementos» y luego «LOAD QSS».

2. En la ventana emergente, selecciona el archivo de estilo que quieras cargar.

3. Haz clic en «Cargar» y el estilo se aplicará.

La entrada Cómo personalizar los estilos de capa en QGIS con el complemento LOAD QSS se publicó primero en El blog de franz.

1. Instalar el complemento ORM: Lo primero que debes hacer es instalar el complemento ORM en QGIS.

2. Cargar los datos en QGIS: Carga un mapa base de Google Satélite.

3. Luego, debes seleccionar los puntos de origen y destino para encontrar la ruta más rápida.

4. Luego se cargara la ruta. Debes exportar la ruta para guardarla en formato Shp

La entrada Cómo utilizar un ORM para encontrar la ruta más rápida en un SIG se publicó primero en El blog de franz.

Instalación de QGIS Resource Sharing

1. Abre QGIS y dirígete al menú «Complementos» en la barra de herramientas principal.

2. Selecciona «Administrador de complementos» en el menú desplegable.

3. En la ventana emergente del «Administrador de complementos», busca «Resource Sharing» en la barra de búsqueda.

4. Selecciona «Resource Sharing» en la lista de complementos que aparece y haz clic en «Instalar complemento».

5. Espera a que se complete la instalación.

Uso de QGIS Resource Sharing

1. Una vez que se haya completado la instalación, dirígete al menú «Complementos» en la barra de herramientas principal.
2. Selecciona «Resource Sharing» en el menú desplegable.

3. En la ventana emergente de Resource Sharing, puedes buscar y descargar recursos, como símbolos, complementos y plantillas de impresión. Puedes buscar por palabra clave o por categoría.

4. Para descargar un recurso, haz clic en el botón «Descargar» junto al recurso que deseas.

5. Una vez instalado, el recurso estará disponible en QGIS. Por ejemplo, si has descargado un símbolo, puedes usarlo en tus capas haciendo clic con el botón derecho en la capa y seleccionando «Propiedades» en el menú contextual. Luego, selecciona la pestaña «Símbolo» y busca el símbolo en la lista de símbolos disponibles.

La entrada Cómo instalar y usar QGIS Resource Sharing: Guía paso a paso se publicó primero en El blog de franz.

1. Abre ArcGIS y carga la capa de la microcuenca que deseas calcular el centroide.

2. En la caja de herramientas, busca la herramienta «Feature to Point» en la carpeta «Data Management Tools». Haz clic derecho en ella y selecciona «Abrir».

3. En el cuadro de diálogo «Feature to Point», selecciona la capa de polígonos que deseas procesar en el campo «Input Features».

4. En el campo «Output Feature Class», selecciona la ubicación y el nombre del archivo de salida donde se guardará el resultado. Marca la opción de inside.

5. Haz clic en «OK» para iniciar el procesamiento.

6. Una vez que se complete el procesamiento, se creará una nueva capa de punto en el archivo de salida. Esta capa contendrá un punto en el polígono de la microcuenca, que representará su centroide.

7. Por último ingresa a la tabla de atributos del punto y crea dos nuevas filas para calcular las distancias X y Y del punto.

8. Selecciona la fila del valor X y da clic derecho, selecciona la opción de Calculate Geometry. Llena la ventana emergente de la siguiente manera. Se repite lo mismo para la fila Y.

La entrada Cómo calcular el centroide de una Microcuenca en ArcGIS utilizando la herramienta «Feature to Point» se publicó primero en El blog de franz.

Todo en nuestro mundo está interconectado. Sin embargo, aquellas cosas que se encuentran en cercanía están más estrechamente relacionadas entre sí que aquellas que están distantes.

Este es el primer principio de la Geografía presentado por Waldo R. Tobler en 1969. Este concepto es aplicable a múltiples fenómenos, incluyendo la contaminación, el ruido, las ciencias del suelo, y muchos otros.

Es importante destacar que, aunque este principio es relativamente sencillo, tiene implicaciones profundas y amplias en una variedad de campos. De hecho, se ha convertido en una herramienta esencial para entender y analizar patrones y procesos geográficos.

En este sentido, examinemos dos enfoques para medir y aplicar la Primera Ley de Tobler en Geografía.

Semivariogramas como gráficos

Si mira 1 metro hacia delante, es muy probable que la elevación del terreno sea la misma. Si miras 5 metros más adelante, la elevación del terreno será un poco menos similar. Pero puede empezar a variar. Ahora, cuando miras a 100 metros, la elevación varía más hasta el punto de que no están relacionadas.

Utilizamos semivariogramas en la interpolación de kriging para comprender los patrones relacionados con la distancia. Los semivariogramas toman 2 ubicaciones de muestra y denotan la distancia entre los puntos como h.

El eje x representa la distancia (h) entre puntos. Agrupa la distancia por desfases. A partir de los pares, mide la varianza entre la variable de respuesta (en el eje y) y la distancia entre esos dos puntos en el eje x.

A medida que aumenta la distancia, la variable de respuesta es menos predecible y está menos relacionada. Pero para cosas más cercanas, la respuesta es más predecible y tiene menos variabilidad. En general, los semivariogramas muestran la Primera Ley de la Geografía de Tobler graficando una variable en función de la distancia.

Autocorrelación espacial e I de Moran

Podemos describir numéricamente la Primera Ley de la Geografía de Tobler con la autocorrelación. La autocorrelación espacial ayuda a comprender lo similares que son los objetos más cercanos a otros objetos cercanos. El Índice de Moran (o simplemente I de Moran) mide la autocorrelación espacial.

Clasificamos el I de Moran en positivo, negativo y sin autocorrelación espacial.

La autocorrelación espacial positiva indica que valores similares se agrupan en un mapa. Pero la autocorrelación espacial negativa indica que los valores disímiles se agrupan en un mapa. Un valor de 0 para la I de Moran indica normalmente que no hay autocorrelación.

Utilizando la autocorrelación espacial, los geógrafos comprenden si las enfermedades y otros fenómenos están o no aislados. La I de Moran puede implicar que el fenómeno se propaga con dispersión o agrupación.

La Primera Ley de la Geografía

La Primera Ley de la Geografía de Tobler se basa en la distancia de coste o el decaimiento de la distancia. Esto significa que hay un mayor obstáculo para dos lugares más alejados.

Por ejemplo, es menos probable que la gente recorra una distancia mayor para visitar una tienda, como se muestra en el Modelo de Gravedad de Huff.

A medida que aumenta la distancia, mayor es el obstáculo para los costos de transporte y las compras.

Traducido desde: gisgeography

La entrada ¿Qué es la Primera Ley Geográfica de Tobler? se publicó primero en El blog de franz.