Procesamiento de datos geoespaciales de biodiversidad mediante el lenguaje de programación Python#
Descripción general del curso#
Este curso trata sobre el manejo, visualización y análisis de datos geoespaciales de biodiversidad mediante el lenguaje de programación Python. Se estudian los fundamentos de Python, sus módulos geoespaciales y su aplicación al procesamiento de datos de biodiversidad. Se demuestra como metodologías y técnicas de ciencia de datos pueden ser aplicadas al componente espacial de la informática de la biodiversidad.
Horario y fecha de inicio#
Los lunes de 6:00 p.m. a 8:00 p.m. a partir del 13 de enero de 2025 y durante ocho semanas.
Objetivos#
General#
Aprender a desarrollar programas en el lenguaje de programación Python orientados al procesamiento de datos geoespaciales de biodiversidad.
Específicos#
Aplicar un enfoque de ciencia de datos en los procesos de importación, transformación, visualización, análisis y comunicación de datos geoespaciales de biodiversidad.
Desarrollar soluciones reproducibles a problemas computacionales mediante Python.
Integrar visualizaciones tabulares, gráficas y geoespaciales de datos de biodiversidad en documentos y aplicaciones interactivas desarrolladas en Python.
Metodología#
El curso se desarrolla mediante clases teórico-prácticas virtuales y sincrónicas. Los conceptos teóricos son explicados por el profesor durante las sesiones teóricas y también a través de lecturas previamente asignadas. Las sesiones prácticas se destinan a la realización de diferentes ejercicios de programación por parte de los estudiantes.
Los contenidos de las lecciones están disponibles en el sitio web del curso, en el que hay enlaces a la bibliografía y a otros recursos de aprendizaje como tutoriales y videos.
Cronograma#
| Semana | Temas | |
|---|---|---|
| PARTE I - CIENCIA DE DATOS | ||
| 1 |
|
|
| PARTE II - PYTHON | ||
| 2 |
|
|
| 3 |
|
|
| PARTE III - DATOS DE BIODIVERSIDAD | ||
| 4 |
|
|
| PARTE IV - ANÁLISIS DE DATOS | ||
| 4 |
|
|
| PARTE V - GRAFICACIÓN ESTADÍSTICA | ||
| 5 |
|
|
| PARTE VI - DATOS GEOESPACIALES | ||
| 6 |
|
|
| 7 |
|
|
| 8 |
|
|
Evaluación#
| Rubro | Valor (%) |
|---|---|
| Asistencia | 30 |
| Tareas | 30 |
| Proyecto final | 40 |
| TOTAL | 100 |
Bibliografía recomendada#
Ciencia de datos#
Çetinkaya-Rundel, M., & Hardin, J. (2021). Chapter 1: Hello data en Introduction to Modern Statistics (1st ed.). OpenIntro, Inc. https://openintro-ims.netlify.app/data-hello
Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). Introduction en R for Data Science: Import, Tidy, Transform, Visualize, and Model Data (2nd ed.). O’Reilly Media. https://r4ds.hadley.nz/intro
Markdown#
Markdown Tutorial. (s.f.). Recuperado 19 de marzo de 2022, de https://www.markdowntutorial.com/
Python#
Severance, D. C. R. (2016). Python for Everybody: Exploring Data in Python 3 (S. Blumenberg & E. Hauser, Eds.). CreateSpace Independent Publishing Platform. https://www.py4e.com/html3/
Downey, A. B. (2024). Think Python: How to Think Like a Computer Scientist (3rd ed.). O’Reilly Media. https://greenteapress.com/wp/think-python-3rd-edition
Datos de biodiversidad#
Chamberlain, S. (s. f.). pygbif: Python client for the Global Biodiversity Information Facility (GBIF) [Documentación]. rOpenSci. https://pygbif.readthedocs.io
Darwin Core Maintenance Group. (2021). Darwin Core Quick Reference Guide. Biodiversity Information Standards (TDWG). https://dwc.tdwg.org/terms/
Global Biodiversity Information Facility (GBIF). (s.f.). Developer portal. GBIF. https://www.gbif.org/developer/summary
Wieczorek, J., Bloom, D., Guralnick, R., Blum, S., Döring, M., Giovanni, R., … & Vieglais, D. (2012). Darwin Core: An evolving community-developed biodiversity data standard. PLoS ONE, 7(1), e29715. https://doi.org/10.1371/journal.pone.0029715
Análisis de datos#
Kaggle. (s.f.-a). Learn Pandas. Recuperado 1 de agosto de 2024, de https://www.kaggle.com/learn/pandas
The Pandas Development Team. (s.f.). pandas: Powerful data structures for data analysis, time series, and statistics. Recuperado 1 de enero de 2022, de https://pandas.pydata.org
Gráficación estadística#
Kaggle. (s.f.-b). Learn Data Visualization. Recuperado 1 de agosto de 2024, de https://www.kaggle.com/learn/data-visualization
P, C. (s.f.). plotly: An open-source, interactive data visualization library for Python. Recuperado 1 de agosto de 2024, de https://plotly.com/python/
Análisis de datos geoespaciales#
Rey, S. J., Arribas-Bel, D., & Wolf, L. J. (2020). Geographic Data Science with Python. https://geographicdata.science/book/
Kaggle. (s.f.-c). Learn Geospatial Analysis. Recuperado 1 de agosto de 2024, de https://www.kaggle.com/learn/geospatial-analysis
Geopandas contributors. (s.f.). geopandas: Geographic pandas extensions. Recuperado 1 de enero de 2022, de http://geopandas.org
Gillies, S. (s.f.). rasterio: Fast and direct raster I/O for use with Numpy and SciPy. Recuperado 1 de enero de 2022, de mapbox/rasterio
Wu, Q. (s.f.). leafmap. Recuperado 3 de marzo de 2024, de https://leafmap.org/
Contactos#
Si tiene alguna pregunta o comentario sobre este curso, por favor contacte a:
Manuel Vargas - mfvargas@gmail.com
Profesor
María Biarreta - biarretam@gmail.com
Asistente
Josué Castro - jd.castro23r@gmail.com
Asistente
María Auxiliadora Mora - maria.mora@itcr.ac.cr
Coordinadora de la Red Bioma
Los contenidos de este curso, a menos que se especifique de otra forma, se comparten mediante una licencia de Creative Commons Reconocimiento-CompartirIgual 4.0 Internacional.