Agricultura de Precisión con Python y Pix4D

Compartir en:

Este curso te introducirá al uso de Python en el campo de la agricultura de precisión, que combina la tecnología con los sistemas agrícolas para mejorar la eficiencia y la productividad.

Este curso te proporcionará las habilidades necesarias para implementar soluciones avanzadas en el sector agrícola utilizando el lenguaje de programación Python.

La agricultura de precisión es una disciplina que combina la tecnología de la información, la electrónica y la agronomía para mejorar la productividad agrícola. Se basa en la recolección y análisis de datos agrícolas precisos y en tiempo real, lo que permite tomar decisiones informadas y optimizar los procesos de producción.

Nivel completo

Temario del Curso

1.1. Introducción Python
1.2. Instalar python
1.3. Instalar Jupyter Notebook y Jupyterlab
1.4. Instalar los paquetes
1.5. Interfaz de la plataforma Jupyter-Lab

2.1. Introducción Teledetección
2.2. Sensores y plataformas
2.3. Tipos de resoluciones imágenes
2.4. Longitud de onda
2.5. Firma espectral
2.6. Aplicación de la teledetección

3.1. Concepto de RPAS
3.2. Componente RPAS
3.3. Tipo de plataforma
3.4. Plataforma beneficio y limitaciones
3.5. Clasificación plataformas

4.1. Tipo de sensores
4.2. Sensor Parrot Sequoia
4.3. Phantom 4 Multiespectral
4.4. Mavic 3 Multiespectral
4.5. Micasense RedEdge MX
4.6. Micasense RedEdge-P
4.7. Micasense RedEdge-P Blue
4.8. Cámara multiespectral DUAL MICASENSE RedEdge-P Blue
4.9. Micasense Altum-PT

5.1. Concepto fotogrametría
5.2. Traslape imágenes RPAS
5.3. Área efectiva área estudio
5.4. GSD - Ground Sample Distance
5.5. Determinar altura de vuelo según GSD
5.6. Resultados (Bandas reflectancia, MDT y MDS)

6.1. Versión de Python
6.2. Variables
6.3. Tipos de variables (numérico, string, boleano)
6.4. Comentario
6.5. La función import paquetes
6.6. Directorio de trabajo

7.1. Números en Python
7.2. String en Python
7.3. Bool en Python
7.4. Operadores decisión
7.5. Operadores de interacción

8.1. Listas
8.2. Diccionario
8.3. Tuplas
8.4. Array

9.1. Introducción Numpy
9.2. Crear array
9.3. Dimensiones Array
9.4. Elementos de un array
9.5. Filtrado array

10.1. Generar mapa de cobertura Sentinel2 área estudio
10.2. Generar mapa topográfico área estudio
10.3. Determinar número de vuelos y punto aterrizaje
10.4. Método RTK utilizando DJI D-RTK2
10.5. Modo 5 – Matrice 300 RTK conexión
10.6. Subir el plan de vuelo kml al control Pilot2

11.1. Introducción plataforma Matrice 300 RTK
11.2. Armado Matrice 300 RTK
11.3. Instalación D-RTK2
11.4. Armado sensor multiespectral – Matrice 300
11.5. Configuración Multiespectral
11.6. Generación vuelo multiespectral
11.7. Termino vuelo multiespectral
11.8. Desarmado multiespectral Matrice 300
11.9. Desarmado DJI D-RTK2

12.1. Introducción Pix4D
12.2. Eliminar imágenes según área estudio.
12.3. Ordenar las imágenes multiespectrales y pancromática Python
12.4. Generar el proyecto
12.5. Agregar las imágenes multiespectrales
12.6. Verificar la proyección UTM
12.7. Procesamiento multiespectral
12.8. Configuración adicional para generar resultados eficientes

13.1. Seleccionar las bandas
13.2. Generar el polígono recorte UTM
13.3. Utilizar librería rioxarray y geopandas
13.4. Recortar según extensión polígono
13.5. Recortar según forma del polígono
13.6. Exportar recorte

14.1. Import gdal
14.2. Cargar bandas espectrales
14.3. Visualizar proyección
14.4. Características de cada banda
14.5. Determinar extensión
14.6. Convertir de raster a array
14.7. Estadística de array
14.8. Visualización raster Matplotlib
14.9. Combinación de bandas

15.1. Importar rasterio
15.2. Cargar imágenes
15.3. Característica imagen
15.4. Convertir array Numpy
15.5. Características de array
15.6. Generar bandas compuestas
15.7. Exportar banda

16.1. Generar los puntos de cobertura
16.2. Extraer datos de reflectancia de superficie según cobertura
16.3. Generar las longitudes onda de cada banda
16.4. Graficar firma espectral

17.1. Determinación de índices NDVI
17.2. Clasificación de NDVI
17.3. Selección de objeto según NDVI
17.4. Enmascaramiento de NDVI
17.5. Exportar resultados NDVI

18.1. Determinar índice NGRDI = (G - R)/(G + R)
18.2. Determinar índice ExG = (2* G) - R – B
18.3. Determinar índice ExR = (1.4*R) – G
18.4. Determinar índice ExB = (1.4*B) – G
18.5. Determinar índice IKAW = (R - B)/(R + B)
18.6. Determinar índice GRRI = G/R
18.7. Determinar índice ExGR = ExG – ExR
18.8. Determinar índice GBDI = G-B
18.9. Determinar índice MGRVI = (G * G - R * R)/(G * G * R * R)
18.10. Determinar índice RGBVI = (G * G - B * R)/(G * G + B * R)
18.11. Determinar índice VDVI = (2 * G - R - B)/(2 * G + R +B)
18.12. Determinar índice VARI = (G - R)/(G + R - B)
18.13. Determinar índice RGRI = R/G
18.14. Determinar índice NGBDI = (G - B)/(G + B)
18.15. Determinar índice CIVE = (0.441 * R - 0.8818 * G + 0.385 * B + 18.787)

19.1. Determinar índice NDVI = (NIR - R)/(NIR + R)
19.2. Determinar índice GNDVI = (NIR - G)/(NIR + G)
19.3. Determinar índice SAVI = (NIR - R)/(NIR + R + 0.5)*(1 + 0.5)
19.4. Determinar índice NDREI = (NIR - Re)/(NIR + Re)
19.5. Determinar índice EVI = 2.5*(NIR - R)/(NIR + 6*R - 7.5*B + 1)
19.6. Determinar índice EVI2 = 2.4*(NIR - R)/(NIR + R + 1)
19.7. Determinar índice NDWI = (G - NIR)/(G + NIR)
19.8. Determinar índice MCARI = ((NIR - R) - 0.2*(NIR - G))*(NIR / R)
19.9. Determinar índice ReCI = ((NIR / R) - 1)

20.1. Generar el matriz de correlación
20.2. Exportar en tabla CSV
20.3. Gráfico de la matriz
20.4. Generar entrenamiento modelo ACP
20.5. Interpretación del modelo
20.6. Gráfico del ACP
20.7. Composición de bandas ACP
20.8. Exportar banda ACP

21.1. Ingresar el MDT
21.2. Característica de MDT
21.3. Convertir en array
21.4. Característica en array
21.5. Visualización MDT
21.6. Clasificación MDT
21.7. Determinar Relieve
21.8. Determinar pendiente
21.9. Determinar aspecto
21.10. Exportar datos topográficos

22.1. Importar ráster MDT y MDS
22.2. Determinar altura
22.3. Agregar el vector del cultivo
22.4. Enmascarar según altura del vector
22.5. Característica de altura del cultivo.

23.1. Instalación librerías scikit-image y Scikit-learn
23.2. Agregar shapefile puntos referencia individuo
23.3. Agregar el raster multiespectral
23.4. Verificar que tengas la misma proyección.
23.5. Visualizar mapa raster y vector.
23.6. Extraer valores de ubicación puntos.
23.7. Generar radio de análisis.
23.8. Coincidencias de la imagen con puntos.
23.9. Visualizar resultados de todos los puntos encontrados.
23.10. Exportar en formato shapefile.
23.11. Análisis clúster
23.12. Disminuir densidad de puntos utilizando threshold.
23.13. Determinar las nuevas coordenadas este y norte.
23.14. Generar shapefile de los nuevos puntos.
23.15. Exportar shapefile para luego realizar el post-proceso.

24.1. Ingresar los índices analizar
24.2. Agregar los puntos a extraer ubicación cultivo
24.3. Determinar el promedio índice
24.4. Actualizar nombre de los campos
24.5. Determinar las coordenadas este y norte
24.6. Exportar en formato tabla xlsx
24.7. Exportar en formato shapefile con la información.

25.1. Agregar los puntos de la ubicación cultivo
25.2. Crear lista de tamaño buffer
25.3. Geoprocesamiento buffer según dimensión
25.4. Exportación del shapefile buffer
25.5. Visualización en Python

26.1. Generar un enmascaramiento de índices según altura planta
26.2. Exportar los índices espectrales enmascarado
26.3. Generar un bucle for para proceso de zonal estadística
26.4. Exportar en formato shapefile zonal estadística
26.5. Exportar en formato Excel zonal estadística.

27.1. Agregar los puntos ROI cobertura
27.2. Extraer la reflectancia superficie de cada banda
27.3. Separar las bandas predictoras
27.4. Generar los puntos de entrenamiento y validación
27.5. Iniciamos el modelo Random Forest
27.6. Generar modelo de precisión global
27.7. Matriz de confusión
27.8. Ejecutar el modelo en RPAS
27.9. Visualización de la clasificación
27.10. Exportar banda clasificada

28.1. Selección de las bandas multiespectrales RS
28.2. Ingreso de la banda pancromática PAN
28.3. Instalación de plugin QGIS
28.4. Composición de bandas espectrales
28.5. Proceso Pansharpening transformación Brovey
28.6. Exportación de las bandas con mejor resolución espacial

Adquierelo antes de que llegue a CERO !!

April 23, 2025

Días

Hora

Min.

Seg.