Geopandas es una librería increíble para el análisis espacial, ya que combina las herramientas espaciales de Shapely y Fiona con la versatilidad de Dataframes de Pandas. Rasterio es una de las librerías más completas para manejar archivos raster en Python.

Somos conscientes de que la mayoría de los geocientíficos, especialistas en recursos hídricos y profesionales afines trabajan en Windows, por lo que siempre estamos en la búsqueda de nuevas formas de hacer que Python funcione con todas sus capacidades geoespaciales en cada computadora.

Con base en los nuevos lanzamientos de Anaconda, ahora podemos instalar Geopandas y Rasterio de una manera fácil.

Hemos desarrollado una versión de nuestro caso de estudio de la cuenca Angascancha que se ejecuta en MODFLOW 6 con discretización por vértices (DISV). El modelo implementa una malla de Voronoi que se genera a partir del límite de la cuenca y la red fluvial donde los niveles de refinamiento se definen mediante un tamaño de celda mínimo y máximo junto con determinados pasos de refinamiento. El tutorial es completo en todos los pasos que implican la discretización, construcción, simulación y visualización del modelo.

Si tiene un conjunto de imágenes de drones y desea conocer la ubicación de las imágenes, este tutorial puede ser de su interés. Hemos realizado un ejemplo aplicado que recupera los metadatos geoespaciales de la cámara del dron para un grupo de imágenes y realiza una representación geoespacial en un mapa con el nombre de la imagen disponible como ventana emergente. El tutorial se realiza bajo un Jupyter notebook con Python y Folium.

El clima cambia, la gente cambia y la tierra también cambia con el tiempo. No podemos creer que las redes fluviales seguirán siendo las mismas durante los próximos 1000 años o que las montañas y las depresiones tendrán la misma elevación en los próximos 10000 años. Pero los cambios no están relacionados con grandes periodos de tiempo, también pueden ocurrir en décadas o años a tasas más bajas. Para evaluar esos cambios necesitamos modelar los componentes clave de la evolución del suelo: fluvial, pendiente de ladera y levantamiento. Hemos desarrollado un tutorial con Python y la librería Landlab para simular la evolución del suelo a escala de cuenca durante 100 mil años; las entradas provienen de rásters geoespaciales y los datos de salida se exportan como archivos ráster ASCII.

Geopandas es una librería increíble para el análisis espacial ya que combina las herramientas espaciales de Shapely y Fiona con la versatilidad de Pandas Dataframes. Somos conscientes de que la mayoría de los geocientíficos, especialistas en recursos hídricos y profesionales relacionados trabajan en Windows, por lo que siempre estamos en la búsqueda de nuevas formas de hacer que Python funcione con todas sus capacidades geoespaciales en cada computadora. Hemos creado un tutorial que muestra el proceso de instalación de Geopandas y otras bibliotecas geoespaciales de Python en Windows mediante el uso de un entorno Conda.

La reproyección de rásters es una tarea común en el trabajo con GIS, sin embargo, hacerlo solo con comandos de Python presenta algunos desafíos. Hemos realizado un ejemplo aplicado de reproyección para rásteres únicos y múltiples desde WGS 84 UTM a WGS 84 geográficas. Los códigos funcionan en rásteres monobanda y multibanda y pueden reproyectar desde y hasta cualquier proyección especificando su código EPSG.

Hemos creado un tutorial que muestra el proceso de instalación de las bibliotecas geoespaciales de Python en Windows mediante el uso de un Conda environment. El proceso es simple en sus pasos, sin embargo, la secuencia y los factores relacionados con la compatibilidad del paquete son importantes en la instalación.

Durante los últimos meses hemos investigado las diferentes herramientas en Python y QGIS disponibles para reconocer cultivos e identificar vegetación como archivos vectoriales geoespaciales. Hemos utilizado una variedad de técnicas que van desde algoritmos de aprendizaje automático con Scikit Learn y Scikit Image hasta combinaciones innovadoras de bandas y reclasificaciones en QGIS. Este artículo muestra el resumen de los tutoriales producidos hasta ahora que estamos seguros serán de gran ayuda para los profesionales de SIG y geocientíficos.

El análisis espacial y el aprendizaje automático a veces requieren una codificación masiva para lograr resultados decentes, como identificar plantas a partir de una ortofoto de drones. Queríamos crear un flujo de trabajo simple para que los usuarios principiantes e intermedios de Python trabajaran con estas bibliotecas sin mucho dolor o frustración. Este tutorial tiene el procedimiento completo para usar una clase de Python que reconoce plantas de una ortofoto basada en puntos de muestra, crea rasters intermedios e identifica plantas como shapefiles de puntos.

Hemos desarrollado una alternativa a un procedimiento común en SIG que consiste en crear contornos a partir de un shapefile de puntos, pero solo con comandos de Python. Mediante el uso de Python y la biblioteca GDAL podemos almacenar este proceso en una función y realizar contornos desde varios conjuntos de puntos o diferentes consultas de puntos.