Compartir en:
¿Eres nuevo en Teledetección con GEE mediante Python? Si es así, ¡estás en el lugar correcto para iniciar! Este curso te ayudará desde el inicio hasta automatizar procesos de imágenes satelitales sin descargar, creando Script de procesos de imágenes Landsat, sentinel-2, MODIS y ASTER L1T.
Teledetección con GEE - Python es muy importante en los estudios de cambio de cobertura y climático, por ello se va instalar Python mediante Anaconda 3 e interactuando con el entorno de notebook Jupytercon. Va a procesar automatizados, de corrección de imágenes satélite landsat, temperatura de brillo, entre otros. Así poder tomar mejores decisiones de nuestro territorio.
Lo que aprenderás:
- Instalación de Python, Jupyter, GEE, geemap y más paquetes
- Leer correctamente las imágenes reflectancia superficie
- Realizar el escalamiento imágenes
- Procesamiento de índices espectrales
- Clasificación no supervisada y supervisada
Temario del Curso
- Crear una cuenta gmail
- Registrarse GEE
- Explorar la colección de datos GEE
- Catálogo de datos Earth Engine
- Ejemplo manejo en javascript código Editor
- Instalar Python mediante Anaconda 3
- Crear entorno geomatica GEE
- Instalar paquetes Geomatica
- Instalar earthengine-api
- Instalar geemap
- Iniciando GEE en python
- Introducción GEE
- Tradicional vs earth engine
- Interactuar con la plataforma GEE
- Argumento GEE python
- Sintaxis de GEE python
- Introducción Teledetección
- Sensores y plataformas
- Tipos de resoluciones imágenes
- Longitud de onda
- Firma espectral
- Aplicación de la teledetección
- Catálogo de datos Earth Engine
- Visualización de mapa base
- Configurar cargar mapa base SATELLITE
- Crear gráfico mediante mapa base
- Conversión JavaScript a Python
- Herramienta de inspector y visualización
- Introducción tipo de datos
- Tipo datos numérico
- Tipo datos string o carácter
- Tipo datos lista
- Tipo datos diccionario
- Tipo datos fecha
- Tipo datos array o matriz
- Tipo datos geometría
- Introducción datos Geoespaciales
- Tipo datos Feature GEE
- Tipo datos FeatureCollection GEE
- Agregar FeatureCollection GEE
- Importar Shapefile a Feature GEE
- Agregar ImageCollection GEE
- Agregar Image GEE
- Seleccionar una imagen de un ImageCollection GEE
- Agregar imagen subido en GEE
- Crear imagen constante GEE
- Introducción de satélite Landsat GEE
- Categorías Landsat (T1, T2 y RT)
- Filtro de imágenes Landsat
- Características Landsat 8
- Características Landsat 7
- Características Landsat 5
- Características Landsat 4
- Características Landsat 1-5 MSS
- Determinar temperatura brillo en Celsius
- Determinar Reflectancia superficie escalado 0 – 1
- Firma espectral de Landsat
- Introducción de satélite Sentinel-2 GEE
- Reflectancia TOA sentinel-2 (2015 – actual)
- Reflectancia Superficie Sentinel-2 (2017 - actual)
- Determinar la reflectancia superficie escalado
- Firma espectral Sentinel-2
- Introducción ASTER L1T radiancia
- Conversión de ASTERL 1T a Radiancia sensor
- Conversión a Reflectancia TOA ASTER L1T
- Determinación temperatura de brillo ASTER L1T
- Introducción MODIS 09
- Característica de MODIS09
- Determinación reflectancia superficie escalado
- Introducción MODIS 11
- Característica de MODIS 11
- Determinación Temperatura de superficie del Suelo escalado
- Introducción MODIS 13
- Característica de MODIS 13
- Determinación Índice NDVI escalado
- Determinación Índice EVI escalado
- Reducción mosaico
- Reducción median
- Reducción mean
- Reducción máxima
- Reducción mínima
- Reducción mode
- Reducción desviación estándar
- Reducción percentil25
- Reducción percentil75
- Introducción Pansharpening
- Composición de bandas espectrales
- Determinación Pansharpening
- Introducciones índices espectral
- NDVI
- EVI
- NDWI
- Análisis cambio cobertura NDWI
- SAVI
- NDSI
- Análisis cambio cobertura NDSI
- NBR
- Análisis dNBR
- Introducción de enmascaramiento
- Enmascaramiento de índices cobertura
- Enmascaramiento nubes de imágenes multiespectral
- Introducción Índice de fracción de diferencia normalizada
- Selección de la imagen RS escalado
- Calcular fracción
- Calcular Shade
- Calcular NDFI
- Algoritmo k-mean entrenamiento
- Visualización del resultado
- Crear puntos ROI para clasificación
- Clasificación Mínima distancia
- Clasificación de árboles de decisión (CART)
- Clasificación supervisada Support Vector Machine
- Clasificación supervisada Random Forest
Adquierelo antes de que llegue a CERO !!
December 10, 2024
Días
Hora
Min.
Seg.
Google Earth Engine con Python
Accede al contenido virtual de inmediato.
Agregar al carrito Descargue los pasos para una compra fácil.
37.04% - dcto$ 135
$ 85.00
Detalles del curso
- Acceso de por vida
- Certificado de especialización
- Asesoría personalizada
- Nivel completo
- 70 horas lectivas
- Aprende a tu ritmo
Acerca del docente
