Curso | Análisis avanzado de bases de datos espaciales

El objetivo principal del curso es brindar las nociones teóricas básicas para la compresión de los distintos procesos espaciales, así poder analizar la información espacial con R, utilizando las diversas herramientas y procedimientos disponibles.

Introducir al estudiante en los rudimentos de la estadística espacial en un entorno R, de modo que entienda la problemática del análisis estadístico de la variabilidad espacial inherente de la variable bajo estudio.

Brindar las nociones teóricas básicas para la descripción y compresión de los distintos procesos espaciales: Patrones de puntos y Geoestadística. Variable aleatoria regionalizada. Covarianza, autocorrelación espacial, índices espaciales, correlograma y variograma experimental.

Presentar técnicas para simulación de datos espaciales y dar a conocer los fundamentos del diseño de muestreo y la estimación del tamaño para datos autocorrelacionados.

El curso se dictará a través de un aula virtual educativa – Moodle UNC. Todo el material disponible para el alumno, así como también las evaluaciones de cada instancia, se encuentran en dicha plataforma a disposición de alumnos y docentes.

Se dicta de manera virtual en formato de ocho semanas de clases de 8 horas de dedicación cada una, siendo una carga horaria total de 60 horas, 30 horas de clases teóricas y 30 horas prácticas. Se toman exámenes parciales semanales teóricos y prácticos.

Perfil profesional sugerido de los aspirantes:

Egresados de carreras de grado que tengan relación con:

• Ciclos de Información Espacial (Matemática, Física, Ingeniería electrónica, ambiental, aeronáutica, en computación),
• Química,
• Biología,
• Ciencias de la Salud,
• Veterinaria,
• Geografía,
• Geología,
• Cartografía,
• Ciencias Agropecuarias y Forestales,
• Ciencias del Océano y Recursos Hídricos,
• Meteorología.

Conocimientos previos requeridos:

• Nociones básicas de estadística,
• Nociones básicas de teledetección.

Criterios para la selección de los postulantes: Abierto a todo aquel que cumpla con el perfil sugerido y los conocimientos previos recomendados.

Cupo mínimo y máximo:  20/120

Requisitos de hardware y software para los alumnos: Software R statistic

1 – Introducción al manejo de R y elementos de estadística:

Introducción al manejo de R: Instalación de R y Rstudio. Uso de R. Obtención de R. Uso de editores externos. RStudio. Comenzando R. Ayuda en R. Material de apoyo online. Lectura de datos externos. Características básicas del lenguaje en R. Obtención de ayuda en R. Tipos de datos. Funciones Matemáticas. Lectura de datos externos. Paquetes (Packages). Definiciones estadísticas básicas: procedimiento estadístico, población, censo, muestra, unidad muestral, variable, observación o dato. Caso de estudio. Algunas definiciones. Parámetros a estimar, estadísticos. Tendencia central, estadísticos de posición. Estadísticos tendencia central. Estadísticos de posición. Estadísticos de dispersión.

2 – Introducción a los datos espaciales:

Análisis descriptivo de datos espaciales. Resumen de estadísticas descriptivas. Introducción al análisis exploratorio de datos espaciales con R. Visualización de datos geoestadísticos. Gráficos con datos geoespaciales, función plot( ). Comportamiento de la variable observada en función de las coordenadas. Histogramas – Box Plot -h Scatter-plot Gráficos con contornos – Gráficos de interpolación. Gráficos en 3 dimensiones. Evaluación de distribución normal de los datos. Transformaciones. Proyección de datos en google maps.

3 – Introducción a la Geoestadística:

Introducción. Modelos mecánicos o empíricos. Modelos estadísticos o probabilísticos. Algunas definiciones geoestadísticas. Variable regionalizada. Media. La varianza. Variograma. Construcción del Variograma. Anisotropía. Modelos de variograma. Esférico. Exponencial. Gaussiano. Ajuste del modelo de variograma. Criterios de ajuste del modelo. Ajuste del variograma. Ejemplo s100. Estimación de parámetros del variograma. Método de ajuste del modelo variograma empírico. Ejemplo de estimación por máxima verosimilitud. Verificación de ajuste del modelo. Predicción espacial (kriging).

4 – Patrones de puntos:

Características de las variables aleatorias que determinan los patrones de puntos. Aleatoriedad Espacial Completa (CSR). Atributos de los patrones de puntos. Marcas. Covariables. Cuestiones de interés. Los análisis estadísticos posibles. Ejemplo: arboles. Lectura de la base de datos. Análisis exploratorio. Análisis de cuadrantes. Análisis de la densidad.

5- Autocorrelación espacial:

Correlación temporal. Ejemplo hormonas. Autocorrelación espacial. Índice de Morán. Ejemplo Ozono. Correlograma. Ejemplo Mite. Interpretación del correlograma. Correlograma de Mantel. Notas finales.

6- Simulación y muestreo espacial :

Simulación Funciones univariadas. Ejemplo simulación univariada. Simulación de procesos autocorrelacionados. Ejemplo de simulación espacial. Diseño de muestreo espacial. Principios y consideraciones prácticas. Tipos de muestreo. Efecto de la autocorrelación sobre el tamaño de muestra. Ejemplo de muestreo espacial.

– Chasco, C. (2005). Análisis exploratorio de datos espaciales al servicio del geomarketing. Instituto Lawrence R. Klein, Universidad Autónoma de Madrid. https://dds.cepal.org/infancia/guide-to-estimating-child-poverty/bibliografia/capitulo-IV/Chasco%20Coro%20(2009)%20Analisis%20exploratorio%20de%20datos%20espaciales%20al%20servicio%20del%20Geomarketing.pdf

– Miranda-Salas, M., & Condal, A. R. (2003). Importancia del análisis estadístico exploratorio en el proceso de interpolación espacial: caso de estudio Reserva Forestal Valdivia. Bosque (Valdivia), 24(2), 29-42: http://www.scielo.cl/scielo.php?pid=s0717-92002003000200004&script=sci_arttext

-Ballari, Daniela. Geoestadística básica. 2015. https://rstudio-pubs-static.s3.amazonaws.com/116960_75753c98df034c0f83afc24c3db5cdfe.html

– Córdoba, M., Bruno, C., Aguate, F., Tablada, M., & Balzarini, M. (2014). Análisis de la variabilidad espacial en los lotes agrícolas. Manual de buenas prácticas agrícolas. Ed. Balzarini M. Eudecor, Córdoba, Argentina.http://www.cba.gov.ar/wp-content/4p96humuzp/2016/05/Libro-Buenas-Pr%C3%A1cticas_BALZARINI.pdf.

– Diggle, P. J., Tawn, J. A., & Moyeed, R. A. (1998). Model‐based geostatistics. Journal of the Royal Statistical Society: Series C (Applied Statistics), 47(3), 299-350. http://www2.stat.duke.edu/~fei/samsi/Readings/DiggTawnMoye1988.pdf

– García, F. M. (2004). Aplicación de la geoestadística en las ciencias ambientales. Revista Ecosistemas, 13(1). https://revistaecosistemas.net/index.php/ecosistemas/article/view/582

– Giraldo Henao, R. (2003). Introducción a la Geoestadística. Teoría y aplicación. Bogotá, Facultad de Ciencias, Departamento de Estadística, Universidad Nacional de Colombia. http://ftp.ciat.cgiar.org/DAPA/projects/Cursos_Talleres/Curso_R/DOCUMENTOS/LIBRO%20DE%20GEOESTADISTICA.pdf

– Miranda-Salas, M., & Condal, A. R. (2003). Importancia del análisis estadístico exploratorio en el proceso de interpolación espacial: caso de estudio Reserva Forestal Valdivia. Bosque (Valdivia), 24(2), 29-42. https://scielo.conicyt.cl/scielo.php?pid=s0717-92002003000200004&script=sci_arttext

– Ribeiro Jr, P. J., & Diggle, P. J. (2001). geoR: a package for geostatistical analysis. Tutorials on the usage of the package geoR. http://www.leg.ufpr.br/geoR/geoRdoc/tutorials.html