Google Earth Engine con Python, Google Colab e Inteligencia Artificial

Compartir en:

Domina el procesamiento de imágenes satelitales, la automatización geoespacial y el análisis ambiental utilizando Inteligencia Artificial.

Está orientado al procesamiento y análisis de imágenes satelitales en la nube. Aprenderás a desarrollar flujos de trabajo automatizados para generar mapas, realizar análisis espaciales e implementar modelos de Inteligencia Artificial aplicados a la gestión ambiental, agricultura, recursos naturales y ordenamiento territorial, mediante casos prácticos y proyectos reales.

Que aprenderá:

Procesamiento de imágenes satelitales multiespectrales y SAR
Monitoreo forestal: deforestación, biomasa y carbono
Automatización con IA: ChatGPT, Gemini, Claude, Grok, DeepSeek
Detección y análisis de incendios forestales y áreas quemadas
Recursos hídricos con CHIRPS, ERA5, IMERG y evapotranspiración
Series temporales, estadísticas zonales y análisis multitemporal

Nivel completo

Temario del Curso

¿Qué es Google Earth Engine?
Arquitectura Cloud Computing
Ventajas frente al procesamiento tradicional
Casos de aplicación
Registro, entorno y Data Catalog

Google Colab: notebooks y Google Drive
ChatGPT, Gemini, Claude, Grok
DeepSeek, Manus, Meta AI
Ingeniería de prompts
Automatización de generación de código

Variables, operadores, funciones
Condicionales, bucles, listas
Diccionarios, tuplas, arrays
Inicializar Earth Engine
Conexión desde Colab y Python local

Geometry, Feature, FeatureCollection
Image, ImageCollection, Reducers, Filters
Joins, Dictionaries, Arrays, Fechas
Visualización interactiva con Geemap
Leyendas, gráficos, capas y exportación

Shapefile, GeoPackage, GeoJSON, KML
Asset Manager: imágenes y vectores
Cargar, digitalizar y exportar
Dibujar AOI interactivo
Gestión de assets en la nube

Landsat MSS · 4-5 TM · 7 ETM+ · 8 OLI · 9
Sentinel-2 MSI · Sentinel-1 SAR
MODIS MOD09 · MOD11 · MOD13
ASTER · Dynamic World · GEDI
Copernicus DEM · NASADEM · SoilGrids

NDVI · EVI · SAVI · MSAVI · GNDVI
NDWI · MNDWI · NDMI
NBR · dNBR · BSI · NDBI
NDSI · NDFI
Índices personalizados con Python

Forestal: GFC, GLAD Alerts, RADD, Biomasa
Cobertura: DW, ESA, Copernicus, MapBiomas
Incendios: NASA FIRMS, VIIRS, MB Fuego
Hídrico: CHIRPS, ERA5, IMERG, ET
Frecuencia, áreas quemadas, detección de cambios

Muestreo, ROI y entrenamiento
K-Means · CART · Random Forest · SVM
Accuracy Assessment y matriz de confusión
Series temporales y análisis multitemporal
Estadísticas zonales y extracción por polígono

Adquierelo antes de que llegue a CERO !!

August 5, 2026

Días

Hora

Min.

Seg.