Hemos realizado un tutorial bajo el concepto de "Python geoespacial aplicado". Este es un ejemplo acerca de filtro selectivo de una determinada carretera a partir de un geopaquete (*.gpkg) de carreteras. La carretera seleccionada se compone de un grupo de líneas que se fusionan en un Shapely LineString. Basado en un arreglo de Numpy con la función de interpolación Shapely se distribuyó un conjunto de puntos a lo largo del trazo de la línea fusionada y luego se interpretó como una LineString. La línea resultante se guardó como un archivo ESRI Shapefile utilizando Fiona.

Hemos realizado un tutorial con un procedimiento alternativo en Python con Pandas y Fiona de un proceso común pero de varios pasos para crear shapefiles de puntos a partir de hojas de cálculo de Excel. El proceso implica algunas líneas de código para leer el archivo de Excel, definir la estructura del shapefile de salida y escribir los datos de puntos.

Bajo el concepto de “Python espacial aplicado” hemos desarrollado un tutorial para el procesamiento espacial de múltiples bandas de una imagen Sentinel 2. El tutorial muestra el procedimiento para leer el conjunto de bandas, importar un shapefile, recortar cada banda a la extensión del shapefile y exportar la versión recortada a otra carpeta. El proceso espacial es independiente de la resolución del raster y se puede modificar fácilmente para imágenes Landsat.

El análisis espacial es una disciplina muy interesante porque permite la evaluación de todos los fenómenos relacionados con su ubicación. Sin embargo, para algunas partes del procesamiento de datos, el flujo de trabajo en una interfaz gráfica de computadora (GUI) para SIG puede ser repetitivo y llevar mucho tiempo. Los investigadores necesitan herramientas mejores y más eficientes para procesar más cantidad de datos en menos tiempo e incluso con menos cantidad de herramientas de software.

Hemos creado un script innovador para generar un archivo ráster de elevación desde un líneas de contorno con varios pasos de procesamiento de datos. El script reconoce geometrías inválidas, simplifica las polilíneas y extrae vértices mientras crea un geodataframe de puntos que se interpola y se geotransforma como un ráster geoespacial en formato .tiff.

Las imágenes satelitales nos han proporcionado la capacidad de ver la superficie de la tierra en los años recientes pero no hemos tenido mucho éxito en entender la dinámica del uso de suelo y su interacción con los factores económicos, sociológicos y políticos. Algunas deficiencias para este este análisis fueron encontradas en el uso de software de GIS comercial pero otras limitaciones están en la forma en que aplicamos procesos lógicos y matemáticos a un set de datos de imágenes satelitales. El manejo de datos geoespaciales en Python nos da un uso eficiente del poder computacional y provee un mayor panorama en análisis de datos.

Este tutorial muestra el procedimiento completo para crear un raster de cambio de uso de suelo proveniente de una comparación entre raster de índice de vegetacion (NDVI) con el uso de Python y las librerías GDAL y Numpy. Se generaron contornos de cambio de uso de suelo con herramientas de GDAL y Osgeo y se realizó un análisis de deforestación basado en los datos de salida y un recuento de imágenes históricas de Google Earth.

Rasterio es una librería de Python que permite la lectura, inspección, visualización y la escritura de raster geospaciales. La librería usa rasters en formato GeoTIFF y otros formatos y es capaz de trabajar con imágenes satelitales, modelos de elevación digital, productos de imágenes, e imágenes procesadas de drone. Rasterio permite importar un raster geoespacial de una banda y multibanda y permite trabajar en un entorno interactivo como un Jupyter notebook. La librería conserva la “dualidad” del georaster, eso significa que puede manejar los parámetros de localización y resolución del raster tanto como los valores matriciales de los elementos grillados.

Este tutorial muestra el procedimiento para el cálculo del NDVI de un imagen satelital Landsat 8 utilizando Python y Rasterio. El tutorial se realiza en un entorno interactivo llamado Jupyter Notebook. Para la instalación del software requerido para este ejercicio se recomienda seguir este tutorial.

Que pasaría si todos los procesos que realizamos en software de SIG los hicieramos en Python? Que pasaría si tratáramos a los datos espaciales como objetos y variables en un script…. enconces nos preguntaríamos si en realidad es necesario inventar de nuevo la rueda. Para qué hacer cosas de manera diferente, si lo que existe ya funciona?

La respuesta a esta interrogante es muy simple: Más control. Es tan simple y tan sencillo sobre eso.

Trabajar en Python nos da más control sobre el geoprocesamiento al dejar el entorno visual de clicks sobre iconos. Con Python en un entorno de Jupyter Notebook podemos referenciar los archivos a importar, definir los geoprocesos y sus opciones, hacer representaciones de los datos espaciales intermedios y finales, y exportar los resultados en formatos compatibles con cualquier entorno de SIG. Existen otras ventajas del análisis espacial en Python como son la reproducibilidad y la velocidad de cálculo.

El manejo de rasters en entornos de SIG como QGIS y otros softwares es un proceso manual con una serie de herramientas como álgebra de mapas, georeferenciacion, plugins y demás comandos. Sin embargo el raster es en sí un arreglo matricial de columnas y filas con propiedades espaciales que le permiten estar espacialmente georeferenciado.

Cálculos avanzados como dinámica del cambio climático, cambio de cobertura, identificación de objetos, etc, requieren de un tratamiento superior de la información espacial proveida por un raster. Durante mucho tiempo se buscaron herramientas que permitiesen el manejo de rasters en Python, pero no habían librerías capaces de manejar el caracter dual del raster, es decir, la matriz y la georeferenciacion.

Georasters es una librería de Python 3 que permite el manejo y la representación de rasters aparte de implementar variadas opciones de análisis de Scikit-Image. Este tutorial es introductorio al manejo de la librería Georasters sobre un modelo digital de elevación donde se realizan representaciones, operaciones matemáticas, recortes y cambios de resolución sobre un Jupyter Notebook. Este tutorial es la base para futuros tutoriales más avanzados de análisis y manejo de rasters.

Quieres hacer una evaluación y te das cuenta que los unicos datos disponibles estan en un PDF? Esta historia particular es muy frecuente al momento de hacer estudios y evaluaciones. Entonces cual debería ser la manera de obtener los datos espaciales de los planos del reporte? Tendríamos acaso que digitalizar todo de nuevo? Por suerte la respuesta es no, es posible extraer los datos espaciales de planos reportados en PDF con solo software libre.

El proceso de transformación de PDF requiere varios pasos con software como Inskape, QGIS3 e incluso con código de programación en Python con la librería Geopandas. Este tutorial muestra los pasos completos para este geoproceso.

QGIS 3.0 empezó a distribuirse este año y ha salido con variedad de novedades, incluye el cambio completo de su API a Python 3, el cual tiene diferencias ligeras de sintaxis con su predecesor, así mismo el código de la API de QGIS 3.0 ha variado drásticamente, incluyendo nuevos algoritmos y variando otros complemente, sin mencionar que su interfaz es completamente diferente.

En este tutorial se observará la rasterización de un shapefile con el complemento “GDAL” la cual es una librería muy potente que incluye variedad de algoritmos en los cuales se basa la mayoría de código de los SIG.