Back to All Events

Curso de Identificación de Cultivos con Geomachine Learning y Python - 02, 04, 06, 09, 12 and 17 Aug 2021 - Online

frame1200x900x4strips (1).png

El desarrollo de machine learning y bibliotecas geoespaciales en Python como Scikit Image, Rasterio y Fiona brinda una nueva gama de herramientas para analizar la vegetación de fuentes tradicionales como imágenes de satélite y nuevas fuentes como ortofotos de drones. La aplicación de la programación de Python para la identificación de cultivos depende de muchos factores, como la resolución de la imagen, la etapa de vegetación e incluso la configuración del algoritmo.

Hemos desarrollado un curso de identificación / delimitación de cultivos con herramientas geoespaciales y machine learning con Python, el curso está dirigido a profesionales de SIG o afines que tengan conocimientos básicos de Python. El curso cubre los conceptos introductorios de las bibliotecas geoespaciales y una serie de aplicaciones de aprendizaje automático para la identificación de cultivos en olivos, palmeras, agave y campos de maíz.

Nota:

Este curso está dirigido a profesionales con conocimientos previos de Python. Los conceptos básicos de programación en Python no se cubrirán en las lecciones ni en el material del curso. En caso de que no tenga ningún conocimiento de Python, le recomendamos que tome este curso en línea.

Objetivos

Al finalizar este curso el alumno será capaz de:

  • Administrar datos vectoriales y ráster con Python

  • Plotear datos espaciales con Matplotlib y realizar filtrados.

  • Aplicar diferentes herramientas de Scikit Learn para objetos geoespaciales

  • Trabajar con Python para el reconocimiento de cultivos

  • Tener una visión general de la codificación Python para desarrollar soluciones personalizadas

Contenido

El curso se divide en 6 sesiones. Estos son los temas considerados para cada sesión:

Sesión 1: Exploración de datos espaciales vectoriales con Fiona y Python

  • Instalación de Python, Fiona, Rasterio bajo un entorno Conda.

  • Abrir shapefiles / datos vectoriales con Fiona

  • Obtener características de objetos espaciales

  • Explorar los metadatos y geometría de los objetos espaciales

  • Representación de datos espaciales con matplotlib

  • Análisis de tipos de datos vectoriales espaciales.

  • Creación de shapefiles de puntos, líneas y polígonos

  • Filtrado de datos espaciales por atributos

Sesión 2: Gestión de datos ráster con Rasterio y Python

  • Leer imágenes Tiff monobanda y pancromáticas.

  • Explorar la información y los atributos del dataset ráster.

  • Analizar información espacial.

  • Leer datos de bandas ráster.

  • Opciones de trazado ráster con Rasterio y Matplotlib.

  • Recortar rásteres con shapefile en Python.

  • Ejemplo de álgebra de ráster: cálculo del índice de vegetación NDVI.

Sesión 3: Clasificación de conteo de árboles con Scikit Image y Python

  • Explorar plantillas de cultivo único y de cultivos múltiples.

  • Realizar la plantilla de coincidencia para un cultivo único y múltiple.

  • Analizar la matriz de plantillas de coincidencias.

  • Definir criterios de filtrado y conteo de cultivos.

  • Representación de cultivos identificados sobre una imagen rasterizada.

Sesión 4: Conteo geoespacial de cultivos de palmeras

  • Abrir archivos rasterizados y vectoriales con Python

  • Representación acoplada de datos espaciales con Matplotlib y Rasterio

  • Extracción de plantillas desde datos de puntos espaciales

  • Generación de plantillas auxiliares para diferentes ángulos

  • Hacer coincidir una plantilla para un grupo de plantillas

  • Representación de los puntos interpretados

  • Análisis de conglomerados con algoritmo de Birch

  • Representación de puntos clusters.

  • Exportar puntos como csv

Sesión 5: Detección de líneas de cultivos de maíz

  • Importación y lectura de bandas ráster

  • Realizar filtros Canny para la detección de bordes.

  • Identificación de líneas con transformación de línea Hough

  • Conversión de resultados en datos geoespaciales

  • Guardar la línea resultante en shapefile

  • Representación de filas de cultivos interpretadas

Sesión 6: Python espacial para reconocimiento de cultivos

  • Descripción general de la codificación de clases de Python

  • Definición de una ortofoto de cultivo y la ubicación puntual de las plantas.

  • Definir el parámetro para la plantilla de coincidencia y la banda de ráster

  • Realizar plantillas de coincidencia única

  • Plantilla de coincidencia para todos los puntos

  • Análisis de clústeres y almacenamiento de los resultados como shapefile

Examen final

Metodología

  • Los softwares a utilizar son libres y no requieren licencia.

  • La transmisión en vivo se realizará por la plataforma e-learning Gidahatari.

  • Los videos quedarán grabados para los participantes en modo offline por un período de dos meses.

  • Existe soporte online para dudas referente a los ejercicios desarrollados en el curso.

  • Se entregarán manuales y archivos para los ejercicios.

 

Fechas y Horario

Agosto - 2021 (Hora Perú GMT -5:00)

  • Lunes 02 de 2020 de 6:00 p.m. a 9:00 p.m.

  • Miércoles 04 de 2020 de 6:00 p.m. a 9:00 p.m.

  • Viernes 06 de 2020 de 6:00 p.m. a 9:00 p.m.

  • Lunes 09 de 2020 de 6:00 p.m. a 9:00 p.m

  • Jueves 12 de 2020 de 6:00 p.m. a 9:00 p.m.

  • Martes 17 de 2020 de 6:00 p.m. a 9:00 p.m.

 

Capacitador:

Saúl Montoya M.Sc.

Hidrogeólogo – Modelador Numérico Senior

El Sr. Montoya es Ingeniero Civil de la Universidad Católica en Lima con estudios de postgrado en Manejo e Ingeniería de Recursos Hídricos (Programa WAREM) de la Universidad de Stuttgart – Alemania con mención en Ingeniería de Agua Subterránea e Hidroinformática. El Sr. Montoya tiene gran capacidad analítica para la interpretación, conceptualización y modelamiento del ciclo hídrico superficial, subterráneo y su interacción, también domina los conceptos del transporte de contaminantes y los sistemas de remediación de sitios contaminados.Encuentra más información sobre las calificaciones y los proyectos principales del Sr. Montoya aquí. 

Costos

Costo normal: 500 soles o 155 dólares

Medios de Pago

Los medios de pago son:

1. PayPal

En caso que desee realizar el pago por Paypal, ir en nuestra plataforma de aprendizaje electrónico: elearning.gidahatari.com y automáticamente se registrará en el curso. Para cualquier otra información, escriba a: gestiondelagua@gidahatari.com

2. Depósito a cuenta en Peru

BBVA Continental

Depósito a Cuenta Ahorros Soles BBVA Continental. Titular: Saul Montoya, DNI:40080212

  • Número de Cuenta: 0011-0184-02-00483571

  • Código de Cuenta Interbancario CCI: 011-184-000200483571-92

Banco de Crédito

Depósito a Cuenta Ahorros Soles Banco de Credito. Titular: Saul Montoya, DNI:40080212

  • Número de Cuenta: 194-35005173-0-59

  • Código de Cuenta Interbancario CCI: 00219413500517305994

En el formulario registrar la fecha, hora de la transferencia

3. Transferencia por Western Union

Datos del destinatario:
Saul Alberto Montoya Heredia
DNI: 40080212
Dirección: Av. Caminos del Inca 288 dpto 302, Surco, Lima
Por favor registras el numero MTCN y ponerlo en el formulario.

Registro

Luego de realizar el depósito o transferencia vía BCP, BBVA o WESTERN, llenar el siguiente formulario de inscripción incluyendo la información relacionada a su pago. Luego de recibir la información le enviaremos un e-mail para confirmar su inscripción.

Contacto

Para mayor información escríbanos a:
gestiondelagua@gidahatari.com
También nos puede llamar al:
+511 940704654