Código QR para acceder a este portal

https://github.com/geofis/curso-linux-gee-aplicaciones-r-python-julio-2025.git

Dirigido a …

Objetivos del curso

Metodología común

Sesiones introductorias, lo más cortas posibles, y prácticas guiadas, con el objetivo de que cada participante pueda seguirlas en su propia PC. Se proporcionarán recursos adicionales para quienes deseen profundizar en los temas tratados.

Abriré una sesión de Google Meet para que puedas compartir tu pantalla en caso de que necesites apoyo guiado, o para que puedas compartir tus avances. Considera igualmente que Gemini puede ayudarte si le compartes tu pantalla. Si envías consultas a herramientas de IA, es altamente probable que, tratándose de comandos Linux, Python o R, la respuesta sea correcta. No obstante, mientras estés en modo “principiante”, te recomiendo que verifiques las respuestas conmigo, ya que es fácil cometer errores de sintaxis o de interpretación. Además, la instancia de Linux que estés usando para aprender, no debería usarlas para realizar tareas críticas o de producción, ya que es posible que tus archivos no estén bien respaldados o que la configuración no sea la adecuada para tus necesidades.

Cada día, dejaré prácticas para realizar en casa. Son voluntarias, pero si las realizas, te servirán para reforzar lo aprendido en cada sesión.

¿Qué necesitas?

Contenido

Preliminares

Temáticos

Esquema general del curso

Tema Contenido teórico Práctica aplicada
1 Linux o GNU/Linux: kernel, filosofía, distros, terminal, estructura Instala y prueba una o varias distros Linux
2 Comandos esenciales, tuberías, permisos Aprende a navegar y operar en la terminal
3 Introducción a Python para análisis espacial Manipula datos espaciales vectoriales y ráster con Python
4 Introducción a R para análisis espacial Realiza análisis espacial básico en R
5 Introducción a Google Earth Engine (GEE) Usa Earth Engine para analizar imágenes satelitales
6 Aplicaciones integradas: de lo local a lo global Integra GEE con R o Python para análisis reproducible

Contenido teórico

  • Tema 1. Linux o GNU/Linux: kernel, filosofía, distros, terminal, estructura.

    • Diferencias entre Linux (kernel), GNU/Linux (sistema completo) y distros

    • Filosofía del software libre y código abierto (las 4 libertades)

    • Ventajas de Linux para ciencia y análisis espacial

    • Estructura básica del sistema: kernel, shell, interfaz gráfica

    • Distribuciones populares: Ubuntu, Debian, Mint, Fedora, Arch, etc.

    • Entornos ligeros para PCs modestas: XFCE, LXQt, etc.

    • Opciones para usar Linux desde Windows: WSL2, VM, USB, Colab, Docker

    • Terminal, estructura jerárquica del sistema de archivos.

    • Casos reales en ciencia, educación y proyectos ambientales

  • Tema 2. Comandos esenciales, tuberías, permisos

    • Comandos básicos (ls, cd, cp, mv, rm, mkdir, nano, touch, grep, find, etc.)

    • Tuberías (pipelines)

    • Permisos, usuarios, instalación de software (apt, conda)

    • Navegación en la terminal y uso del historial

    • Edición de texto en terminal

    • Automatización de tareas mediante scripts

  • Tema 3. Introducción a Python para análisis espacial

    • Uso de Jupyter Notebooks

    • Paquetes básicos para análisis espacial: numpy, pandas, matplotlib, geopandas, shapely, rasterio

    • Lectura y visualización de shapefiles y rásters simples

    • Extracción de información por atributos y geometría

  • Tema 4. Introducción a R para análisis espacial

    • Interfaz básica de R y RStudio

    • Paquetes para análisis espacial en R: sf, terra, ggplot2, dplyr

    • Importación de capas vectoriales y ráster

    • Operaciones simples sobre objetos espaciales

  • Tema 5. Introducción a Google Earth Engine (GEE)

    • Filosofía de Earth Engine

    • Explorador y código en el editor

    • Imágenes satelitales: Sentinel-2, Landsat

    • Colecciones vectoriales, filtrado temporal y espacial

  • Tema 6. Aplicaciones integradas: de lo local a lo global

    • Ejemplos combinados: descargar imágenes de GEE, procesarlas en Python o R

    • Casos reales: NDVI, coberturas, mapas de calor, zonificación

    • Buenas prácticas en reproducibilidad: scripts, notebooks, metadatos

Prácticas

  • Tema 1. Instala y prueba una o varias distros Linux, terminal, estructura

    • Elige e instala una distribución Linux en tu equipo mediante alguna de estas opciones: máquina virtual, WSL2, USB booteable o instalación completa.

    • Inicia sesión en tu nuevo entorno Linux y explora el entorno gráfico y el menú de aplicaciones.

    • Abre una terminal y ejecuta comandos básicos como pwd, ls, cd, whoami, uptime.

    • Navega por la estructura de directorios (/home, /etc, /bin, /usr, /var) y toma nota de sus funciones principales.

    • Configura tu entorno inicial: cambia idioma o zona horaria si es necesario, personaliza la terminal, instala un editor de texto (como nano o vim) y verifica que puedas usar sudo.

    • Si tu instalación lo permite, explora el gestor de paquetes (apt, dnf, pacman, según distro).

    • (Opcional) Prueba una segunda distro ligera (como Xubuntu, Lubuntu, MX Linux) para comparar rendimiento y apariencia.

  • Tema 2. Aprende a navegar y operar de forma avanzada en la terminal

    • Navega por directorios, crea y elimina archivos/carpetas

    • Usa comandos para ver procesos, espacio, permisos y editar texto

    • Instala software con apt y conda

    • Automatiza tareas con pequeños scripts

  • Tema 3. Manipula datos espaciales vectoriales y ráster con Python

    • Abre y visualiza un shapefile

    • Calcula áreas y estadísticas básicas

    • Extrae valores desde rásters a puntos

    • Visualiza resultados con matplotlib y geopandas

  • Tema 4. Realiza análisis espacial básico en R

    • Carga y explora datos vectoriales y ráster

    • Usa dplyr y ggplot2 para resumir y visualizar

    • Aplica operaciones espaciales: intersección, unión, recorte

    • Genera un mapa con leyenda y escala

  • Tema 5. Usa Earth Engine para analizar imágenes satelitales

    • Crea una cuenta y autoriza tu acceso

    • Filtra y visualiza imágenes por fecha, nube y localización

    • Exporta un ráster a Drive o Asset

    • Aplica NDVI o similares a una zona de interés

  • Tema 6. Integra GEE con R o Python para análisis reproducible

    • Usa ee en Python o R para cargar imágenes desde scripts

    • Descarga y analiza los resultados localmente

    • Crea una rutina de trabajo reproducible: código + resultados + visualizaciones

Referencias