Geoestadística Aplicada al Análisis y Evaluación Espacial con Python

Compartir en:

Este curso profesional está diseñado para introducir y profundizar en el uso de Python para el análisis geoestadístico de datos espaciales. Aprenderás a modelar, visualizar y predecir variables espaciales a partir de datos georreferenciados, utilizando librerías como geopandas, scikit-learn, pykrige, gstools, matplotlib y scipy.

El enfoque es eminentemente práctico, guiando al estudiante en la implementación de técnicas como la interpolación (IDW, Kriging, RBF), análisis exploratorio espacial, cálculo de semivariogramas, validación cruzada, modelado espacial y generación de mapas predictivos.

Lo que aprenderá:

Aplicar técnicas de interpolación y estimación espacial.
Construir y ajustar modelos de variogramas.
Evaluar la calidad de los modelos mediante métricas estadísticas.
Generar mapas predictivos a partir de datos muestreados.
Automatizar flujos geoestadísticos en Python.

Nivel especialista

Temario del Curso

Introducción a la Geoestadística
Estadística ciencia de datos
Análisis exploratorio datos
Variables categóricas (Nominal y Ordinal)
Variables numéricas (Intervalo y Razón)
Aplicaciones de la geoestadística

Instalación de Python
Introducción JupyterLab
Librerías fundamentales SIG y Teledetección
Cargar formatos vectoriales (SHP, GDB, GPKG, KML, CSV, Excel)
Sistemas de referencia de coordenadas CRS.

Medidas de tendencia central (Media, Mediana, Moda)
Medidas de dispersión (Rango, Mínimo, Máximo, Varianza, desviación estándar, Coeficiente de variación)
Medidas de posición relativa (Cuartiles, Percentiles, Deciles)
Medidas de formas (Asimetría y Curtosis)

Cargar datos tabla
Convertir en geometría – geodataframe
Visualización distribución espacial y parcela
Análisis estadístico (CV, Var, median, min, max, mean, std, etc.)
Gráfico circular de textura
Histograma datos espaciales
Múltiples histogramas
Gráfico Q-Q Plot
Gráfico Box Plot
Matriz de correlación de variables
Análisis de tendencia espacial
Visualización 3D Predicción

Prueba de normalidad shapiro
Determinar lambda
Box cox
Log
Transformación inversa box cox

Cargar datos vectorial puntuales
Cargar limite estudio
Análisis de mapa voronoi
Generar presentación mapa variable

Análisis MDE – SRTM
Visualización MDE
Determinación Pendiente
Determinación de Aspecto
Determinación Hilshade
Exportar ráster topográficos
Extraer valores múltiples valores

Cargar la tabla de variables (MDE, Slope, Aspecto, Hilshade)
Calcular la correlación de variables
Seleccionar las variables más heterogéneas
Validación del modelo método Hold-Out (Training y Test)
Modelo de regresión Lineal OLS – R2
Intervalos de confianza
Determinar los residuales
Extraer valores de coeficiente del modelo
Determinar la raíz del error cuadrático medio (RMSE)
Interpretación del modelo OLS
Procesamos a generar la predicción variable
Exportar ráster predicción

Cargamos datos vectoriales
Reproyectar a UTM
Determinar centro medio incidencia
Determinar el centroide variable
Determinar la mediana espacial
Análisis densidad kernel – KDE Raster
Clasificacion del raster natural 10
Mapa de clasificación de densidad.
Análisis visualización interactiva con Sklearn y folium

Cargamos datos vectoriales (centro poblado, Hidrografía y vial)
Verificación de proyección o reproyectar.
Parametros resolución y distancia máxima
Generar malla de puntos
Calcular distancia euclidiana
Guadar como raster
Visualizacion de mapa raster distancia

Cargamos datos vectoriales (centro poblado, Hidrografía y vial)
Verificación de proyección o reproyectar.
Lista de distancia analizar
Crear un geodataframe de distancia vectorial
Visualización de mapa vectoriales buffers

Introducción IDW
Cargar datos vectoriales espacial
Cargar límite de estudio
Determinar el mejor potencial – power
Validación cruzada (LOOCV)
Determinar el número vecinos considerados (n_neighbors)
Generar cuadricula dentro del área estudio
Interpolación IDW (Ingresar power y n_neighbors)
Generar análisis estadístico del ráster
Visualización del ráster interpolado IDW
Crear un raster IDW
Validación cruzada (LOOCV)
Determinar ME, RMSE, MAE, MPE, MAPE, R2 y Eficiencia.

Introducción Base Radial
Cargar datos vectoriales espacial
Cargar límite de estudio
Métodos de función (Linear, cubic, thin_plate_spline, quintic, multiquadric, inverse_multiquadric, inverse_quadratic y gaussian).
Determinar el mejor Smoothing y Epsilon.
Determinar la interpolación RBF
Generar la malla dentro polígono
Crear un ráster Base Radial
Validación cruzada (LOOCV)
Determinar ME, RMSE, MAE, MPE, MAPE, R2 y Eficiencia.

Introducción Kriging
Introducción semivariograma de nube de puntos pares
Exportar vector de distancia pares.
Determinar el mapa variograma – dirección principal estimada
Clase de semivariograma en tabla
Generar grafico de clase de distancia rango.
Generar semivariograma empirico (binned)

Cargar datos vectoriales espacial
Cargar límite de estudio
Modelos de interpolación (spherical, exponential, gaussian, linear, power) mediante RMSE.
Generar la malla dentro polígono
Determinar kriging ordinario mejor modelo
Determinar full_sill, vrange, nugget, partial_sill, scale, exponent y slope.
Visualizar interpolación kriging

Característica del ráster
Intervalo de curva
Clasificación mayor e intervalo.
Suavizar la línea
Exporta el vector
Visualización del mapa con curva

Cargar datos vectoriales espacial
Cargar límite de estudio
Generar la malla dentro polígono
Generar interpolación RBF de 5 variables
Cargar los ráster
Transformación inversa variable
Clasificación de la variable de rango (0 - 1)
Ponderación de calidad de sitio
Exportar el ráster calidad

Adquierelo antes de que llegue a CERO !!

November 16, 2025

Días

Hora

Min.

Seg.