Cargando curso...

Cargando información del curso...

Ver programa MATRICÚLATE AHORA

---Precio lanzamiento

---Modalidad

---Duración con aprobación

---Fecha de inicio

Cupos limitadosInscripción abierta

---Certificado digital con código QR

¿Por qué tomar este curso?

Beneficios académicos y profesionales

Agricultura de Precisión

Domina el uso de tecnologías para el monitoreo eficiente de cultivos y la toma de decisiones basadas en datos.

Python aplicado al agro

Aprende a procesar datos agrícolas usando Python para análisis espacial, predicción de rendimiento y automatización.

Mapeo con Pix4D

Utiliza Pix4D para generar ortomosaicos, modelos 3D y mapas NDVI que optimicen la gestión agrícola.

Modalidad Online

Accede a clases en vivo por Zoom, materiales descargables y soporte técnico desde nuestra plataforma virtual.

Certificación profesional

Obtén un certificado con código QR válido para concursos públicos y respaldo en proyectos agroindustriales.

Acompañamiento experto

Recibe asesoría especializada en agricultura inteligente durante todo el curso mediante tutorías y foros técnicos.

Temario del Curso

Conoce en detalle los módulos de formación

Introducción Python
Instalar python
Instalar Jupyter Notebook y Jupyterlab
Instalar los paquetes
Interfaz de la plataforma Jupyter-Lab

Introducción Teledetección
Sensores y plataformas
Tipos de resoluciones imágenes
Longitud de onda
Firma espectral
Aplicación de la teledetección

Concepto de RPAS
Componente RPAS
Tipo de plataforma
Plataforma: beneficio y limitaciones
Clasificación plataformas

Tipo de sensores
Sensor Parrot Sequoia
Phantom 4 Multiespectral
Mavic 3 Multiespectral
Micasense RedEdge MX
Micasense RedEdge-P
Micasense RedEdge-P Blue
Cámara multiespectral DUAL MICASENSE RedEdge-P Blue
Micasense Altum-PT

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

Versión de Python
Variables
Tipos de variables (numérico, string, boleano)
Comentario
La función import paquetes
Directorio de trabajo

Números en Python
String en Python
Bool en Python
Operadores decisión
Operadores de interacción

Listas
Diccionario
Tuplas
Array

Introducción Numpy
Crear array
Dimensiones Array
Elementos de un array
Filtrado array

Generar mapa de cobertura Sentinel2 área estudio
Generar mapa topográfico área estudio
Determinar número de vuelos y punto aterrizaje
Módelo RTK utilizando DJI D-RTK2
Modo 5 – Matrice 300 RTK conexión
Subir el plan de vuelo kml al control Pilot2

Introducción plataforma Matrice 300 RTK
Armado Matrice 300 RTK
Instalación D-RTK2
Armado sensor multiespectral – Matrice 300
Configuración Multiespectral
Generación vuelo multiespectral
Término vuelo multiespectral
Desarmado multiespectral Matrice 300
Desarmado DJI D-RTK2

Introducción Pix4D
Eliminar imágenes según área estudio
Ordenar las imágenes multiespectrales y pancromática Python
Generar el proyecto
Agregar las imágenes multiespectrales
Verificar la proyección UTM
Procesamiento multiespectral
Configuración adicional para generar resultados eficientes

Seleccionar las bandas
Generar el polígono recorte UTM
Utilizar librería rioxarray y geopandas
Recortar según extensión polígono
Recortar según forma del polígono
Exportar recorte

Import gdal
Cargar bandas espectrales
Visualizar proyección
Características de cada banda
Determinar extensión
Convertir de raster a array
Estadísticas de array
Visualización raster Matplotlib
Combinación de bandas

Importar rasterio
Cargar imágenes
Característica imagen
Convertir array Numpy
Características de array
Generar bandas compuestas
Exportar banda

Generar los puntos de cobertura
Extraer datos de reflectancia de superficie según cobertura
Generar las longitudes onda de cada banda
Graficar firma espectral

Determinación de índices NDVI
Clasificación NDVI
Selección de objeto según NDVI
Enmascaramiento de NDVI
Exportar resultados NDVI

Determinar índice NGRDI
Determinar índice ExG
Determinar índice ExR
Determinar índice ExB
Determinar índice IKA
Determinar índice GRRI
Determinar índice ExGR
Determinar índice GBDI
Determinar índice MGRVI
Determinar índice RGBVI
Determinar índice VDVI
Determinar índice VARI
Determinar índice RGRI
Determinar índice NGDVI
Determinar índice CIVE

Determinar índice NDVI
Determinar índice GNDVI
Determinar índice SAVI
Determinar índice NDREI
Determinar índice EVI
Determinar índice EVI2
Determinar índice NDWI
Determinar índice MCARI
Determinar índice ReCI

Generar el matriz de correlación
Exportar en tabla CSV
Gráfico de la matriz
Generar entrenamiento modelo ACP
Interpretación del modelo
Gráfico del ACP
Composición de bandas ACP
Exportar banda ACP

Ingresar el MDT
Característica de MDT
Convertir en array
Característica en array
Visualización MDT
Clasificación MNT
Determinar pendiente
Determinar orientación
Determinar relieve
Exportar datos topográficos

Importar ráster MDT y MDS
Determinar altura
Agregar el vector del cultivo
Enmascarar según altura del vector
Características de altura del cultivo

Instalación librerías scikit-image y Scikit-learn
Agregar shapefile puntos referencia individuo
Agregar el raster multiespectral
Verificar que tengas la misma proyección
Visualizar mapa raster y vector
Extraer valores de ubicación puntos
Generar radio de análisis
Coincidencias de la imagen con puntos
Visualizar resultados de todos los puntos encontrados
Exportar en formato shapefile
Ánalisis cluster
Disminuir densidad de puntos utilizando threshold
Determinar las nuevas coordenadas este y norte
Generar shapefile de los nuevos puntos
Exportar shapefile para luego realizar el post-proceso

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

Agregar los puntos de la ubicación cultivo
Crear lista de tamaño buffer
Geoprocesamiento buffer según dimensión
Exportación del shapefile buffer
Visualización en Python

Generar un enmascaramiento de índices según altura planta
Exportar los índices espectrales enmascarado
Generar un bucle for para proceso de zonal estadística
Exportar en formato shapefile zonal estadística
Exportar en formato Excel zonal estadística

Agregar los puntos ROI cobertura
Extraer la reflectancia superficie de cada banda
Separar las bandas predictoras
Generar los puntos de entrenamiento y validación
Iniciamos el modelo Random Forest
Generar modelo de precisión global
Matriz de confusión
Ejecutar el modelo en RPAS
Visualización de la clasificación
Exportar banda clasificada

Selección de las bandas multiespectrales RS
Ingreso de la banda pancromática PAN
Instalación de plugin QGIS
Composición de bandas espectrales
Proceso Pansharpening transformación Brovey
Exportación de las bandas con mejor resolución espacial