Taller “Procesamiento y análisis de datos espaciales en el software GRASS GIS”
Taller - Procesamiento y análisis de datos espaciales en el software GRASS GIS
Gran parte de la investigación en ecología y ambiente en la actualidad requiere de conocimientos técnicos en el procesamiento avanzado de grandes conjuntos de datos espacio-temporales.
En las dos últimas décadas se ha producido un cambio notable en la forma en que los datos se difunden a través de Internet y muchos institutos adoptaron políticas de datos abiertos. Con esta libre disponibilidad de petabytes de datos de sensado remoto, modelos climáticos globales, redes de sensores y otros datos geoespaciales existe una urgente necesidad de formar a los potenciales usuarios en lo que respecta al manejo eficiente y procesamiento de tal cantidad de datos disponibles. Las herramientas de código abierto también han ganado gran popularidad y estabilidad, simultáneamente con la creciente cantidad de datos libres.
Este taller abordará el procesamiento y análisis de datos espacio-temporales con uno de los Sistemas de Información Geográfica (SIG) de código abierto más populares: GRASS GIS 7 .
Durante este taller los participantes obtendrán una visión general de las capacidades de GRASS GIS y experiencia práctica en procesamiento de datos raster, vectoriales y series de tiempo de productos satelitales para análisis ecológicos y ambientales.
El taller está dirigido a profesionales y técnicos con experiencia en el área de la geomática que quieran abordar una introducción al software GRASS GIS para realizar procesamiento y análisis de datos espaciales.
Perfil profesional sugerido de los aspirantes:
Profesionales de diversas disciplinas relacionadas al plan espacial nacional con conocimientos en el área de la geomática.
Conocimientos previos requeridos:
- Familiaridad con lenguajes de programación (bash, Python, R) y líneas de comandos ya que el taller se basa casi completamente en comandos, nociones básicas de estadística, nociones básicas de teledetección y Sistemas de Información Geográfica.
PRE INSCRIPCIÓN Y AVISO:
INSCRIPCIONES
- Del 3 al 19 de Febrero. (o agotar cupo)
CONFIRMACIÓN DE BECADOS/NO BECADOS
- 22 de Febrero.
A partir del 22/02 se habilitarán los cupones de pago para abonar el Taller a quienes quedaron seleccionados.
INICIO Y FIN DE CLASES:
Del 08 de Marzo al 26 de Marzo de 2021.
COSTOS:
Residentes en Argentina
- Pago total: $ 5.000
- Beca parcial: $ 1.700
- Beca total: $ 0
Residentes en el exterior
- Pago total: U$S 90
- Beca parcial: U$S 30
- Beca total: U$S 0
Sobre las becas: La postulación se realiza completando el campo correspondiente a beca del formulario de inscripción. Existe la posibilidad de acceder a una beca total y parcial, que le da el beneficio de acceder a un descuento sobre el pago total. El número de becas corresponde al 35% de los inscriptos, del cual se definirán el 25% a becas totales y 10% a becas parciales.
*Aclaración importante: Una vez finalizado el cursado se extenderán CONSTANCIAS DE PARTICIPACIÓN en formato digital para todos los inscriptos.
Dra. Verónica Andreo
Investigadora asistente de CONICET. Desarrolla sus actividades en el Instituto de Altos Estudios Espaciales «Mario Gulich» (IG) dependiente de la CONAE y la UNC.
Su investigación está enfocada en las aplicaciones de sensado remoto y los sistemas de información geográfica (SIG) a problemas relacionados con la Salud Pública y los huéspedes y vectores de enfermedades zoonóticas.
Verónica es miembro de OSGeo y promotora de FOSS4G. Además, es parte del GRASS GIS Development team y dicta cursos y talleres introductorios y avanzados sobre los módulos temporales de GRASS GIS y sus aplicaciones.
- Afianzar y profundizar conocimientos sobre técnicas de pre-procesamiento, procesamiento y análisis digital de datos satelitales
- Introducir generalidades del software libre GRASS GIS.
- Realizar ejercicios básicos de familiarización con el software y sus particularidades.
- Introducir respecto al manejo de datos raster en GRASS.
- Introducir en la generación e implementación de algoritmos para el procesamiento digital de imágenes y series temporales de imágenes.
- Introducir respecto a clasificación basada en objetos (OBIA) y realizar ejercicios de OBIA.
- Introducir en el análisis de series de tiempo de datos raster en GRASS GIS
- Introducir al alumno/a en la vinculación entre GRASS y R para el análisis de datos espacio-temporales.
El Taller se dicta de manera virtual en formato de tres semanas de clases, con una carga horaria total de 30 hs, (10 horas de clases teóricas y 20 horas prácticas)
- Horario de cursado: días seleccionados de 9 a 11 hs. (horario aproximado).
Plataforma de dictado
Se dictará a través de un aula virtual educativa (Moodle UNC).
Todo el material disponible para el alumno, así como también las clases a través de videollamadas, se encuentran en dicha plataforma a disposición de alumnos y docentes.
¿Se prevé examen final? el taller se cierra con un trabajo integrador grupal.
Requisitos de hardware y software para los alumnos:
- Conexión a internet.
- Para el desarrollo de este taller se utilizará GRASS GIS 7.8.5, que es la versión estable actual. Se puede instalar a través de sus diversos binarios o ejecutables o a través de OSGeo-Live que incluye todos los demás paquetes de software de OSGeo.
- Para que el Taller se desarrolle de manera más fluida, se recomienda usar Linux como sistema operativo.
Cupo mínimo y máximo: 10/120
Unidad 1. Introducción a GRASS GIS:
- Breve introducción a GRASS GIS.
- Un paseo por las funciones de GRASS GIS.
- Procesamiento de datos raster en GRASS GIS.
- Familiarizándonos con GRASS GIS.
- Crear un location e importar mapas a GRASS GIS.
- Conceptos básicos: GRASS database, locations y mapsets.
- Tipos de datos.
- Interfaces de uso: línea de comandos, interfaz gráfica de usuario, Python, R.
- Región computacional.
- Scripting.
- Visualización de datos espaciales y espacio-temporales.
- Interoperabilidad y reproducibilidad.
Unidad 2. Imágenes satelitales en GRASS:
- Procesamiento de datos satelitales en GRASS GIS.
- Datos ráster.
- Datos satelitales.
- Manejo y procesamiento.
- Módulos y funcionalidades más relevantes.
- Ejemplo de flujo de trabajo en GRASS GIS: descarga y procesamiento de datos Landsat-8 y Sentinel-2.
Unidad 3. Análisis de imágenes basado en objetos (OBIA) en GRASS:
- Object based image analysis – OBIA.
- Conceptos básicos.
- Segmentación.
- Optimización de parámetros de la segmentación.
- Generación de capas de información.
- Estadística de segmentos.
- Clasificación basada en objetos con datos SPOT.
Unidad 4. Series de tiempo en GRASS:
- Procesamiento de series de tiempo en GRASS GIS.
- Datos temporales en GRASS GIS.
- Conceptos básicos: base de datos temporal, topología y muestreo temporal, granularidad, tiempo absoluto y relativo, intervalos y eventos puntuales.
- Creación de series de tiempo y registro de mapas.
- Series de tiempo de datos raster, raster 3D y vectoriales.
- Procesamiento y análisis de series de tiempo de productos satelitales.
- Descarga de datos (ejemplo: MODIS).
- Estadística básica.
- Imputación de datos faltantes y reconstrucción de series de tiempo (HANTS, Local weighted regression).
- Agregados y acumulaciones.
- Algebra temporal.
- Cálculo de climatologías y anomalías.
- Obtención de índices fenológicos.
- Extracción de datos: datos puntuales, estadística zonal, extracción de datos temporalmente agregados.
- Manos a la obra con series temporales de NDVI.
- Análisis de series de tiempo con Breaks For Additive Season and Trend (BFAST).
Unidad 5. Proyecto final aplicado. En la última sesión los estudiantes desarrollarán un proyecto, donde se pone en práctica lo aprendido en el taller. Los resultados del proyecto final serán presentados ante los profesores y participantes del mismo. En esta actividad integradora se busca que el proceso de resolución de un problema determinado sea trabajando en equipo, generando un producto sencillo, que se respalde en las herramientas aprendidas. Utilizando las guías teóricas, los prácticos, los audiovisuales, los alumnos deberán plantearse una pregunta y van a generar un producto que sea el eje de las respuestas a esa problemática.
BIBLIOGRAFÍA RELACIONADA CON LA UNIDAD DE SEVERIDAD
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS JPRS, 65(1), 2–16. DOI
Roger Bivand (2019). rgrass7: Interface Between GRASS 7 Geographical Information System and R. R package version 0.2-1. https://CRAN.R-project.org/package=rgrass7
Gebbert, S. & Pebesma, E. (2014). A temporal GIS for field based environmental modeling. Environmental Modelling & Software, 53:1–12.
Gebbert, S. & Pebesma, E. (2017). The GRASS GIS temporal framework. International Journal of Geographical Information Science, 7:1273–1292.
Gebbert, S., Leppelt, T., Pebesma, E. (2019) A Topology Based Spatio-Temporal Map Algebra for Big Data Analysis. Data, 4, 86. DOI.
Georganos, S. et al. (2018). Scale Matters: Spatially Partitioned Unsupervised Segmentation Parameter Optimization for Large and Heterogeneous Satellite Images. Remote Sensing, 10, 1440. DOI
GRASS Development Team (2020). Geographic resources analysis support system (GRASS) software, version 7.8.
Grippa, T. et al. (2017). An Open-Source Semi-Automated Processing Chain for Urban Object-Based Classification. Remote Sensing, 9, 358. DOI
Neteler, M., Bowman, H., Landa, M., & Metz, M. (2012). GRASS GIS: A multi-purpose open source gis. Environmental Modelling and Software, 31:124–130.
Neteler, M. & Mitasova, H. (2008). Open source GIS: a grass gis approach, third edition. Springer.
R Core Team (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria.
Rocchini, D. & Neteler, M. (2012). Let the four freedoms paradigm apply to ecology Type I error hinders recycling : a response to Rohr and Martin. Trends in Ecology & Evolution, 27(6):310–311.
Verbesselt, J.; Hyndman, R.; Newnham, G. & Culvenor, D. (2010). Detecting trend and seasonal changes in satellite image time series. Remote Sensing of Environment, 114:106-115. DOI
Verbesselt, J., Hyndman, R., Zeileis, A., & Culvenor, D. (2010). Phenological change detection while accounting for abrupt and gradual trends in satellite image time series. DOI
Verbesselt, J., Zeileis, A., & Herold, M. (2012). Near real-time disturbance detection using satellite image time series. DOI
GRASS GIS books: https://grass.osgeo.org/learn/books/
INSCRIPCIONES CERRADAS
¡CUPO COMPLETO!
(A partir del 22 de febrero se contactarán a los pre-inscriptos)
distancia@ig.edu.ar
