15 Sep, 2020 Por Isis Gómez López
10 bibliotecas de Python para Mapeo y SIG
Para los usuarios más avanzados de SIG o incluso estudiantes que realizan estudios que requieren métodos y herramientas específicas, las bibliotecas de Python son la extensión definitiva, ya que les permite aumentar la funcionalidad principal del programa SIG.

En otras palabras, mediante el uso de bibliotecas de Python, es posible salir del molde o de lo establecido a nivel de análisis para un programa SIG, y crear nuevas herramientas que nos permiten aprovechar y profundizar más en nuestros datos, utilizando el programa SIG.

Con respecto a esto, tengo que decir que hoy en día, hay más de 200 bibliotecas estándar que podemos encontrar dentro de la web de Python. Pero, este número aumenta hasta el punto de ser interminable, si consideramos las bibliotecas de python creadas por terceros.

Así que, es posible decir que, el poder de los SIG gracias a Python hoy en día es infinito. Considerando que, esto a futuro será materia obligatoria y es un mundo que a penas está iniciando, y por tanto, es difícil encontrar información de calidad, vamos a empezar por lo más básico y vamos a conocer dentro de este artículo, ¿Cuáles son los paquetes de Python más populares que los profesionales de SIG utilizan hoy en día?. Empecemos.

¿Por qué es necesario aprender a utilizar bibliotecas de Python dentro de un SIG?

Si eres principiante y estás aprendiendo a manejar un SIG seguro te sentirás agobiado por todas las herramientas y análisis que puede llegar a poseer un programa SIG tipo ArcGIS Pro, ArcMap o Qgis, pero, mientras vas avanzando – y más si tu área es la investigación- te darás cuenta que el SIG posee pocas herramientas o funciones aplicables a tus datos espaciales.

Por ejemplo, un SIG no te permite calcular la diversidad alfa o beta de una zona, solo lo puedes hacer utilizando programas SIG específicos como DIVAGIS o añadiendo alguna biblioteca de python que te permita agregar esa función en específico – en este ejemplo estamos de suerte ya que podríamos utilizar SDMtoolbox que es un conjunto de varios scripts de python, para ser utilizados en ArcGIS y que nos permite realizar estos cálculos-.

En resumen, la idea que os quiero dejar, es que ningún software GIS tendrá la capacidad de hacerlo todo, en algún momento, sentiremos que a nuestro programa GIS le faltará cierta herramienta o función, y por tanto, será necesario, agregar una funcionalidad adicional y para hacerlo deberemos utilizar las bibliotecas de Python.

Así que antes de conocer las bibliotecas de python más populares, tal vez, sea necesario empezar por el principio y definir que es una Biblioteca de Python:

Una biblioteca de Python es código que otra persona ha escrito y para hacer la vida más fácil para el resto de nosotros y no reinventar la rueda, lo comparte al mundo.

Hoy en día encontraremos que los desarrolladores han escrito bibliotecas abiertas para aprendizaje automático, informes, gráficos y casi todo en Python. Así que si deseamos una funcionalidad adicional, podemos aprovechar estas bibliotecas, importándolas como scripts de python.

Bibliotecas Python para SIG

Entre las bibliotecas de Python más populares y más utilizadas dentro del mundo de los SIG, encontraremos este listado. Estas bibliotecas, nos permitirán ampliar o reforzar las funciones de gestión, análisis y visualización de datos espaciales de nuestro programa SIG.

Arcpy

Si utilizas ArcGIS Pro o ArcMap, probablemente has oído en algún momento ArcPy. ArcPy es una biblioteca de python diseñada para operaciones de geoprocesamiento. Pero no es solo para el análisis espacial, sino también para la conversión de datos, la administración y la producción de mapas utilizando los programas SIG de ESRI -En un comienzo con ArcMAP y en una versión más avanzada para ser utilizada con ArcGIS Pro-.

Geopandas

A diferencia de la librería Pandas que realiza análisis tabulares directos, la biblioteca geopandas agrega un componente geográfico. Para las operaciones de superposición, geopandas utiliza Fiona y Shapely, que son bibliotecas de Python propias.

GDAL/OGR

La biblioteca GDAL/OGR nos permite convertir o «traducir» información de un formato de información SIG a otro. Es muy común que programas SIG como QGIS, ArcGIS, ERDAS, ENVI y GRASS GIS utilice de alguna forma esta biblioteca para convertir información. En este momento, GDAL/OGR admite 97 formatos vectoriales y 162 ráster.

RSGISLib

La biblioteca RSGISLib es un conjunto de herramientas que permiten procesar y analizar información obtenida por teledetección. Con ella es posible realizar clasificaciones, filtrar o calcular estadísticas de imágenes raster. Además encontraremos funciones muy útiles como el módulo para la segmentación y clasificación basada en objetos (GEOBIA).

PyProj

PyProj permite proyectar y transformar coordenadas entre un amplío número de sistemas de referencia geográfica. También permite realizar cálculos geodésicos y de distancias para cualquier referencia dada.

Bibliotecas python para ciencia de datos

La información espacial puede definirse como información con coordenadas geográficas, es por esto, que dentro del campo de los SIGs, la ciencia de datos esté tomando terreno aceleradamente o visto de otro modo, que tenga tanta importancia. Conocer técnicas y recursos de big data es necesario, ya que son otros métodos que permiten extrae información de los datos. Ya sabemos que la ciencia de datos básicamente se encarga en recopilar información e intenta darles un sentido.

Esto nos plantea la necesidad de conocer nuevas técnicas o métodos que permitan manejar grandes cantidades de datos y encontrar patrones. Es por este motivo, que a continuación vamos a estudiar varias bibliotecas de Python que nos facilitará el análisis de grandes volúmenes de datos .

NumPy

Numerical Python (NumPy library) toma los datos de las tablas de atributos y los coloca en  matrices estructuradas. Lo interesante de colocar los datos en una matriz estructurada, es que los cálculos se realizan mucho más rápido a la hora de realizar cualquier proceso de computación científica. Otra de las fortalezas de NumPy es que puede trabajar con otras bibliotecas de Python como SciPy utilizada para realizar operaciones estadísticas pesadas.

Pandas

La biblioteca Pandas es inmensamente popular dentro del mundo de la organización de datos. No es sólo es útil para estadísticos, también, es increíblemente útil para analistas SIG. Á clave de esta biblioteca es su rendimiento computacional, todo esto gracias a, su marco de datos optimizados para trabajar con big data. Como curiosidad os comento que, estos Marcos de Datos están optimizados de tal manera que ni siquiera Microsoft Excel sería capaz de manejar.

Matplotlib

Cuando trabajamos con un elevado número de puntos de datos, a veces, para comprenderlos, es mejor trazarlos. Para esta función lo mejor es utilizar la biblioteca matplotlib que facilita la visualización gráfica de los datos. Matplotlib lo hace todo, traza gráfico y mapas y funciona muy bien con un elevado número de datos.

Scikit

Scikit es una biblioteca de Python que permite el aprendizaje automático. Está construido en NumPy, SciPy y matplotlib. Por lo tanto, si desea realizar cualquier minería de datos, clasificación o predicción de ML, la biblioteca de Scikit es una buena opción.

Re (expresiones regulares)

La biblioteca expresiones regulares (Re) es una buena herramienta para aplicar filtros a grandes volúmenes de datos. Por ejemplo, si deseamos localizar una cadena específica dentro de un montón de datos en una tabla. Además, también permite detectar, extraer y reemplazar patrones coincidentes en los datos.

ReportLab

ReportLab será una de las bibliotecas que más utilices de esta lista. Como bien sabes, los SIG a menudo carecen de capacidades suficientes para la presentación de informes, con esta biblioteca podrás mejorar tus presentaciones y además también te permite crear tu propia plantilla.

Estas son las bibliotecas de Python que creo que son las más importantes para trabajar con SIG y ciencia de datos.

Ahora, es tu turno. Déjanos un comentario si conoces otra librería que debería estar en esta lista.

Nos vemos en el siguiente post,

Isis

23 Abr, 2020 Por Isis Gómez López
Big Data en los estudios de Ecología

Los diversos estudios científicos realizados para determinar y describir como son los ecosistemas, han permitido recopilar mucha información durante las últimas décadas, pero el problema es que, esta información se ha recopilado de manera aislada. Una de las ventajas de lo que hoy conocemos como “El Big Data” es que, permitirá agrupar toda esta información, estudiarla y obtener un nuevo enfoque de los problemas medioambientales , en este caso, a una nueva escala: una escala global .

Por tanto, el Big Data debe verse como algo más que un gran cúmulo de datos binarios -o ceros y unos-. En realidad se ha convertido en una nueva forma de gestionar la información, convirtiéndose en una auténtica revolución digital, que no resuelve únicamente el problema de como almacenar la ingente cantidad de información generada por la humanidad, sino también que, busca optimizar el manejo o la gestión de toda esa información.

Como curiosidad os comento: Un estudio de la empresa IBM indica que, el 90% de los datos almacenados en los servidores de todo el mundo se han generado en los dos últimos años. Ahora bien, si mezclamos esta observación con la idea de que, el 90% de la información es susceptible a ser georreferenciada, no es una locura pensar que, unos de los sectores donde la información crece de manera exponencial, son: la exploración espacial, la teledetección o los estudios científicos relacionados al territorio, como son: los modelos de Cambio Climático o la Distribución de Especies.

Big Data y Ecología

Ya pensando en problemas globales como el Cambio Climático, nos hace darnos cuenta que, para la resolución de varios de los problemas medioambientales actuales, requieren que el enfoque en el estudio de los ecosistemas, deje de realizarse de manera individual y aislada.

Aquí es dónde intervienen los métodos utilizados bajo el enfoque del Big Data. Que en esencia lo que permiten es unir la información o datos de estudios recopilados en proyectos de investigación individuales, para lograr una proyección global.

Como curiosidad y para entender la magnitud de toda esta información que se ha ido recopilando de manera aislada, se estima que todos los datos, recopilados por científicos de universidades y centros de I+D, supera los cientos de terabytes.

Así que parece que no hay otra opción que para responder al el enfoque global, que se pide en la actualidad a la investigación en ecología, -con el fin de estudiar y responder a problemas globales como el cambio climático, la pérdida global de diversidad (especies, ecosistemas, etc.)- requiere de manera urgente utilizar las distintas herramientas y métodos computacionales aplicados en Big Data.