teledeteccion-curso

🛰️ Teledetección: Imágenes Satelitales, Drones y Machine Learning Aplicado a Agricultura Digital

Transforma datos espaciales remotos en decisiones inteligentes 🌱

📚 Curso dictado en la Universidad de Magdalena para los programas de Maestría y Doctorado en Ingeniería y para AGROSAVIA - Colombia

Este repositorio contiene los materiales, ejemplos y recursos del curso especializado en Teledetección (Sensores Remotos) con énfasis en aplicaciones agrícolas y uso de inteligencia artificial.

🎯 Descripción

Curso de formación avanzada en teledetección óptica y radar, con énfasis en imágenes multiespectrales y algoritmos de machine learning. Integra radiometría de campo, preprocesamiento digital y clasificación supervisada para implementar soluciones reales en agricultura de precisión usando herramientas de software libre como QGIS, SNAP y Python.

Entidad organizadora: AGROSAVIA – Centro de Investigación Turipaná

🎓 Objetivos

Objetivo General

Formar participantes en fundamentos, técnicas y aplicaciones de teledetección mediante sensores remotos, con énfasis en plataformas satelitales y drones, procesamiento digital de imágenes y aprendizaje automático aplicado al monitoreo de variables biofísicas.

Objetivos Específicos

• 🔬 Explicar principios físicos de la teledetección y la interacción electromagnética
• 🛰️ Identificar características técnicas de plataformas Sentinel, Landsat, MODIS y drones
• 📊 Aplicar conceptos de resolución espacial, espectral, temporal y radiométrica
• 🔧 Realizar preprocesamiento de imágenes (correcciones radiométricas, atmosféricas, geométricas)
• 🌿 Comprender índices espectrales (NDVI, NDRE, SAVI) y su relación con cobertura vegetal
• 🤖 Aplicar técnicas de machine learning (SVM, Random Forest, XGBoost)
• 📡 Diferenciar sensores pasivos (ópticos, térmicos, hiperespectrales) de activos (radar SAR, LIDAR)

📚 Módulos del Curso (36 horas)

Módulo 1: Fundamentos de Teledetección (6 horas)

• Definición y alcance de la teledetección (óptica y radar)
• Tipos de sensores: pasivos y activos
• Plataformas: satélites, drones, aviones, sensores proximales
• Interacción de la radiación electromagnética con la materia
• Firmas espectrales y radiometría proximal

Módulo 2: Imágenes Pasivas (18 horas)

• Sensores ópticos multiespectrales e hiperespectrales
• Plataformas Sentinel-2, Landsat 8/9, MODIS, drones (DJI, Micasense)
• Índices espectrales: NDVI, NDRE, SAVI, NDWI
• Radiometría de campo con espectrómetros
• Procesamiento con QGIS, SNAP, Google Earth Engine, Python

Módulo 3: Imágenes Activas y Machine Learning (12 horas)

• Radar SAR: bandas L, C, X y polarización VV, VH, HV, HH
• LIDAR: principios y aplicaciones topográficas
• Algoritmos ML: SVM, Random Forest, XGBoost
• Clasificación supervisada y no supervisada
• Procesamiento con Google Earth Engine y Python

🗂️ Estructura del Repositorio

📁 Teledeteccion-Curso/
├── 📁 codigo/                    # 🐍 Notebooks Python y scripts de análisis
│   ├── NDVI_Satellite.ipynb
│   ├── ClasificadorRF*.ipynb
│   ├── XGBoost*.ipynb
│   └── 13-Segmentación_Kmeans/
├── 📁 datasets/                  # 🗃️ Datos satelitales y ejemplos
│   ├── NDVI_Sentinel2.tif
│   ├── VH.tif, VV.tif
│   └── Ejemplo_FirmasEspectrales/
├── 📁 QGIS_SNAP/                # 🗺️ Proyectos QGIS
├── 📁 documentos/               # 📄 Material teórico del curso
├── 📁 datasheet-drones/         # 🚁 Especificaciones técnicas drones
└── 📁 tutorial-y-aprendizaje/   # 📖 Material de apoyo y tutoriales

🛠️ Tecnologías y Herramientas

Software Libre:

• 🐍 Python: rasterio, scikit-learn, geopandas, matplotlib
• 🗺️ QGIS: Análisis geoespacial
• 📡 SNAP: Procesamiento imágenes Sentinel
• 🌍 Google Earth Engine: Análisis en la nube
• ☁️ Google Colab: Ejecución de notebooks

Plataformas Satelitales:

• 🛰️ Sentinel-1/2 (ESA)
• 🛰️ Landsat 8/9 (NASA/USGS)
• 🛰️ MODIS (NASA)

Drones Multiespectrales:

• 🚁 DJI Phantom 4 Multiespectral
• 🚁 DJI Mavic 3 Multiespectral
• 🚁 MicaSense RedEdge-MX

🎯 Público Objetivo

• 🔬 Investigadores y técnicos en proyectos agroambientales
• 🎓 Estudiantes y profesionales de ingeniería, agronomía, geografía, física, biología
• 🌾 Productores agrícolas interesados en monitoreo remoto
• 👥 Público general que desee competencias básicas en teledetección

📋 Requisitos Previos

• 💻 Manejo básico de software informático
• 🐍 Deseable: conocimientos básicos de Python
• 🗺️ Deseable: conocimientos de SIG (QGIS, SNAP, Google Earth Engine)

🚀 Instalación y Uso

1. Clona el repositorio:

   git clone https://github.com/claumiseimbett1/teledeteccion-curso.git
   

2. Instala las dependencias de Python:

   pip install numpy matplotlib rasterio scikit-learn geopandas
   

3. Abre los notebooks en Jupyter o Google Colab

4. Sigue las instrucciones de cada módulo

👩‍🎓 Instructora

Claudia Milena Serpa Imbett, PhD.

• 🎓 Posdoctoral MINCIENCIAS
• 🏫 Docente Universitaria UNISINU – Montería
• 🔗 claumiseimbett1

🏢 Instituciones

🎓 Universidad de Magdalena

Programas de Maestría y Doctorado en Ingeniería

🌱 AGROSAVIA

Centro de Investigación Turipaná - Líder en innovación agrícola en Colombia

📜 Acerca del Curso

Este curso se enmarca en los programas de formación e innovación en agricultura digital, sensado remoto y tecnologías emergentes aplicadas al monitoreo agrícola, en el contexto de la apropiación de tecnologías 4.0.

---

🌟 ¡Transforma datos espaciales remotos en decisiones inteligentes! 🌟

Impulsamos la transferencia de conocimiento orientada a la sostenibilidad de los sistemas productivos mediante la integración de herramientas tecnológicas avanzadas para su monitoreo y gestión remota.