QGIS – Blog EducaGIS

Descargando capas ráster con GEE en QGIS

Tabla de contenidos

Introducción
Plugin Dowload raster GEE
- Dependencias del complemento
¿Cómo funciona el complemento?
Probando el complemento
Resultados obtenidos
Reflexión final

Introducción

En estos tiempos, donde la cantidad de información disponible se ha multiplicado exponencialmente, se hace necesario contar con herramientas eficientes para obtener y procesar grandes volúmenes de datos. En este sentido, Google Earth Engine (GEE) se posiciona como una excelente solución para obtener datos espaciales en tiempos relativamente cortos y al aprovechar los beneficios de la tecnología en la nube (Cloud Computing), estamos optimizando recursos, por el simple hecho de contar con la potencia y escalabilidad de los servidores remotos que nos facilitan el acceso, manejo y análisis de los datos geoespaciales disponibles.

Para empezar a usar la plataforma del GEE, existen varias opciones que nos permiten interactuar con lenguajes de programación, dentro del editor de código del mismo GEE empleamos el lenguaje JavaScript, de la misma manera, podemos aprovechar sus ventajas a través del lenguaje Python gracias a la API del GEE (earthengine-api) y de una manera más interactiva a través del paquete de Python geemap. Si bien hablamos de algunas de las opciones, para quienes requieren de los datos de una manera rápida y tienen poco conocimiento de programación, en esta oportunidad hablare de la posibilidad de acceder a las capas de tipo ráster disponibles en GEE pero desde el entorno de QGIS, todo ello gracias al complemento «Download raster GEE«.

Plugin Dowload raster GEE

De acuerdo a lo mencionado en su repositorio, el complemento nos permite descargar capas ráster de GEE, apoyándonos con archivos de tipo vectorial (Shapefiles) para determinar una región de interés para luego de ser seleccionada, podamos acceder fácilmente a los datos de imágenes rasterizadas. El complemento puede ser instalada directamente desde el administrador de complementos en QGIS.

Para utilizar adecuadamente el complemento se debe seguir los siguientes pasos:

Cargar un archivo en formato Shapefile que define la región de interés.
Activar el complemento y seleccione el archivo Shapefile como región de interés.
Seleccione la fuente datos requerido y seleccionar los parámetros necesarios como la fecha y el tipo de imagen.
Hacer Click en ‘Download‘ para obtener los datos ráster de GEE.

Dependencias del complemento

Para lograr ejecutar el complemento sin problemas debemos cumplir algunos requisitos, entre ellos:

Tener una cuenta valida en GEE: https://earthengine.google.com/

Tener pre-instalado el plugin de GEE en QGIS: https://plugins.qgis.org/plugins/ee_plugin/. En caso de no tenerlo se instalará de manera automática al instalar el complemento «download_raster«.

¿Cómo funciona el complemento?

Una vez que el complemento está instalado en QGIS, uno podrá realizar diversas solicitudes para recuperar información del catálogo de datos disponible en GEE y mostrarla, así como para generar información válida para descargar según los requerimientos de zona de interés, fechas y tipo de imagen.

Probando el complemento

Para probar el complemento vamos a descargar una imagen que tiene como área de interés al Perú, seleccionamos desde los datos provenientes de MODIS, los que corresponden a la Producción Primaria Neta (Npp), el detalle lo podemos revisar del catálogo de GEE (MOD17A3HGF.061: Terra Net Primary Production Gap-Filled Yearly Global 500m). Como se aprecia en la figura de abajo, primero ubicamos la imagen ráster de MODIS e indicamos la resolución (tamaño del píxel), luego seleccionamos la banda correspondiente, en nuestro caso será Npp. Se mantuvo el rango de fechas por defecto, luego seleccionamos la capa vectorial como nuestra área de interés y también definimos la ruta y el nombre de la capa a descargar en formato tif. Finalmente solo debemos hacer click en el botón Download y esperar que se complete la descarga.

Empleando el mismo procedimiento decidimos descargar desde otra fuente de datos, en este caso de la NASA, lo que corresponde al porcentaje del área de píxeles cubierta por árboles (tree_canopy_cover). El detalle lo podemos revisar en Global Forest Cover Change (GFCC) Tree Cover Multi-Year Global 30m. Como se aprecia solicitaremos la descarga de una capa con mayor resolución, por lo tanto, se modificó el área de interés al Departamento de Huánuco en Perú.

Resultados obtenidos

Dependiendo de la extensión de tu área de interés y la resolución establecida, la descarga puede tomar su tiempo, por otro lado, en algunos casos debemos hacer un paso previo para tener nuestra capa en las unidades correctas. Para la Npp, debemos ajustarlo de acuerdo al valor de escala que ha sido establecido en la tabla de la siguiente figura.

Por lo mencionado dentro de QGIS usando la calculadora ráster solo debemos multiplicar la capa por 0.0001, luego tendremos nuestra capa con las unidades correspondientes a kg*C/m² .

Para el segundo resultado las unidades están en porcentajes.

Reflexión final

Si bien trabajar dentro del editor de código del GEE te permite una mayor flexibilidad y mayores opciones para aprovechar las ventajas de trabajar desde la nube, todo ello se traduce en obtener mejores resultados, a veces solo necesitamos descargar una capa ráster y para quienes no se encuentran muy familiarizados con los lenguajes de programación, el uso de este complemento quizás le pueda resultar útil. Debo reconocer que mientras lo estaba probando con distintas fuentes de datos, no funcionó de manera muy óptima en algunos casos, tomando quizás más tiempo si lo comparamos cuando uno lo trabaja desde el editor de código. En fin, espero que lo puedan probar y puedan sacar sus propias conclusiones.

Se elaboró el siguiente video para mostrar el procedimiento seguido.

Control de versiones en QGIS con Kart

Introducción

Al revisar los plugins más recientes disponibles dentro del repositorio de QGIS nos entramos con Kart, el mismo que fue desarrollado principalmente por Víctor Oyala. Este complemento en resumen nos permite trabajar nuestras capas vectoriales bajo un sistema de control de versiones (VCS), por lo tanto, para los que están familiarizados con el uso de Git por ejemplo, seguro será muy familiar lo que vamos a presentar, la diferencia radica en la posibilidad de gestionar el control de versiones de nuestros datos geoespaciales dentro del QGIS dentro de un entorno de usuario más amigable. Es muy recomendable que tengamos claro los conceptos que involucran un VCS como Git, para ello se recomienda revisar algunos tutoriales que te ayudan a conocer sus fundamentos y las ventajas de usarlo.

Primeros pasos con Kart

Lo primero que debemos hacer previo a la instalación del complemento de Kart es contar con el software Kart, según el sistema operativo que estemos usando. Podemos revisar su repositorio en caso necesitemos alguna orientación para su instalación. También será necesario configurarlo para identificar nuestra identidad cuando realizamos los «commits» con Kart. Solo será necesario ingresar lo siguiente dentro del terminal.

$ kart config --global user.email "you@example.com"
$ kart config --global user.name "Your Name"

Ahora si estamos listos para ir al administrador de complementos de nuestro QGIS para buscarlo e instalarlo.

Una vez instalado lo primero que debemos hacer es configurarlo para poder usarlo adecuadamente, para ello será necesario ir a «Settings» para indicar la ruta de nuestra instalación del software Kart. En la figura siguiente se muestra en caso lo tenemos en una distribución de Linux, para otros casos se recomienda revisar la documentación oficinal.

Uso del plugin Kart

A continuación mencionaremos el flujo básico para poder usar el plugin Kart dentro de QGIS, aunque también es recomendable que apredemos a combinarlo con nuestro terminal para sacar el máximo provecho, sobre todo al inicio, de acuerdo a mi experiencia considero que funciona mejor.

1. Creación de un repositorio

Como primera acción debemos crear un repositorio, en mi caso lo voy a realizar desde la terminal, el cual será abierto dentro de una carpeta que ha sido seleccionada para ser un repositorio. Luego solo utilizo el siguiente comando.

$ kart init

Luego abrimos en QGIS nuestro panel de repositorios y podemos elegir la opción de «Add existing repository…», ubicando la carpeta destinada para tal fin.

2. Incorporación de datos a nuestro repositorio

Una vez que tenemos algún repositorio disponible en nuestro panel de repositorios, vamos a seleccionar la opción denominada «Import layer into repo…«.

Para nuestro ejemplo disponemos de algunas capas vectoriales en formato Geopackage, los cuales serán incorporados a nuestro repositorio y luego lo podemos incluir a nuestro proyecto de QGIS para visualizarlo.

3. Acceder al historial de nuestro repositorio

Los cambios realizados en un comienzo dentro del repositorio consistió en la incorporación de nuevas capas, eso lo podemos apreciar si dentro del panel ingresamos a la opción «Show log…«.

4. Vista de los cambios realizados

Si bien podemos apreciar la lista de los cambios, si necesitamos que nos muestren de manera visual y con mayor detalle algún cambio realizado a nuestras capas, desde la vista del historial podemos seleccionar uno de ellos y luego haciendo un clic derecho ingresamos a la opción «Show changes introduced by this commit…«. A manera de ejemplo a una capa que representa centros poblados, se editó incorporando un valor de población en el campo respectivo, esa modificación se puede apreciar en la siguiente figura.

Vista del cambio en la tabla de atributos

Cuando el cambio es realizado sobre la geometría de la capa, podemos también visualizar la diferencia entre la versión anterior y la nueva empleando transparencias. En la siguiente figura se muestra la modificación de los vértices de un polígono para aumentar el área de una parcela de cultivo.

Vista de los cambios a la geometría de una capa

5. Creación de ramas

Una de las principales ventajas que nos presenta el uso de un VCS es la posibilidad de crear ramas «Branchs«, con la finalidad de realizar algunos cambios sin alterar la rama principal. Una nueva rama puede ser creado a partir de un commit realizado.

Una vez que hemos creado nuestra rama, podemos elegir hacer cambios solo en dicha rama, para ello empleamos la opción de «Switch branch..,» y luego /seleccionamos la rama sobre el que vamos a trabajar, en nuestro panel de repositorios se mostrará la rama activa, en este caso hemos creado la rama «update_parcelas«.

Luego de hacer todos los cambios que deseamos dentro de la rama, tenemos la opción de unirlo a nuestra rama principal «main«, para ello primero debemos cambiarnos a dicha rama para que la unión «merge» se realice con éxito.

Unión a nuestra rama principal los cambios realizados en la rama creada

6. Retornando a una versión anterior

Desde nuestro historial podemos deshacer los cambios realizados a partir de un commit específico, para retarnar a una versión anterior, siendo esto otra de las principales ventajas de usar un sismtea de control de versiones.

Seleccionando al commit que deseamos retornar

Luego de ejecutarlo vamos a ver que volvemos a un estado anterior a los últimos cambios realizados a la capa, en este caso justo cuando se realizó la unión de nuestra rama creada a la rama principal, para incorporar la creación de dos nuevos polígonos.

Comprobando el retorno a una versión anterior.

Reflexión Final

No cabe duda que el uso del complemento de QGIS Kart, nos facilita mucho la interacción con el repositorio y los datos con que deseamos trabajar, pero si es muy importante que para quienes no han tenido experiencia alguna en el uso de un sistema de control de versiones, entiendan sus fundamentos, para que puedan sacar el mayor provecho a esta herramienta. En lo particular considero que cuenta con las principales opciones para llevar un control de los cambios que podamos realizar a nuestras capas, pero quizás en algunas ocasiones será necesario combinarlo con el tipeo de los comandos desde una terminal. En mi experiencia personal puedo mencionar dos cosas que no me funcionaron como hubiera querido, una de ellas fue la creación del repositorio y la segunda cuando intenté importar una capa geopackage que contenía más de una tabla, siendo en ambos casos solucionados al emplear comandos en la terminal. En resumen, siendo un complemento reciente estoy seguro que vendrán pronto algunas novedades, por lo pronto, los invito a probarlo.

Se elaboró un video sobre mi experiencia usando este complemento.

Introducción a la ciencia de datos con Julia-Parte 1

Tabla de contenidos

Introducción
Proceso de análisis de datos
Procedimiento
Reflexión Final

Introducción

En esta oportunidad iniciare una serie de entradas ligadas a la ciencia de datos empleando el lenguaje Julia, siendo una importante motivación la posibilidad de explorar una alternativa que me permite analizar distintos tipos de datos, siendo mi especial interés aquellos que tienen el componente espacial. En los últimos meses le estuve dedicando tiempo a conocer mejor a Julia y como producto de ello quiero compartir parte de lo aprendido, siendo mi deseo el seguir escribiendo sobre las ventajas que tenemos con Julia. Como primeras acciones se han elaborado un par de vídeos sobre su instalación y los primeros pasos que debemos considerar para iniciarnos en esta aventura.

Proceso de análisis de datos

En esta primera parte me pienso enfocar en tres fases dentro del conocido como proceso de análisis de datos: Importar, Ordenar y Transformar.

Si lo vemos dentro de un flujo, el mismo que corresponde a las etapas definidas por Hadley Wickham, resaltamos en la siguiente gráfica lo considerado por ahora.

**Fuente**: Ciencia de Datos para Gente Sociable – Antonio Vasquez Brust

Procedimiento

Si bien nos enfocaremos en el uso de Julia, por la naturaleza de los datos iniciaremos apoyándonos en otras herramientas. Los datos a emplear tienen un componente geográfico, por lo tanto, empleará el software QGIS, con la final de realizar un preprocesamiento necesario.

Fuente de Datos – Uso de QGIS

Como fuente de datos vamos a considerar los siguientes:

Datos de población mundial (Kontur Population: Global Population Density for 400m H3 Hexagons)

Datos sobre centros poblados en Perú (Tipología de distritos – PCM)

Como parte de la preparación de nuestros datos para un posterior análisis se ha creado un Proyecto en QGIS con la incorporación de un grupo de capas, tal como se aprecia en la siguiente figura.

El procedimiento seguido para obtener dichas capas a partir de los datos descargados se puede resumir en las siguientes figuras.

Las capas que corresponden a dist_huanuco, prov_huanuco y dep_huanuco, fueron obtenidos desde los datos libres del OpenStreetMap. En QGIS empleamos el plugin QuickOSM para realizar la extracción de elementos que corresponden a los mismos.

Al final, todas las capas que fueron preprocesadas en QGIS fueron exportados al formato GeoJSON y de manera adicional las capas que presentan geometría de puntos fueron exportados en un formato tipo CSV.

Julia con Visual Studio Code

Ahora que tenemos los datos que vamos a emplear en nuestra carpeta de trabajo, vamos abrir el mismo empleando Visual Studio Code. En la actualidad considero que es una de las mejores opciones para trabajar Julia, en especial por la facilidad que tenemos para incorporar extensiones que permiten tener un mejor entorno de trabajo. Para nuestro objetivo voy a dividirlos en extensiones que son necesarios y aquellos recomendados, los últimos buscan principalmente mejorar la visualización de nuestro código.

Necesarios: Julia, Jupyter, Geo Data Viewer, HTML Preview, Office Viewer, Tabnine.
Recomendados: Julia Color Themes, Better TOML, Rainbow End, Prettify JSON, Rainbow CSV, Better Comments, vscode-icons

Luego de instalar las extensiones necesarias en VSCode, debemos realizar los siguientes pasos:

Abrir la vista del terminal (habilitarlo desde el menú view)
Iniciamos el REPL (por defecto se usa Alt + j Alt + o)
Activamos nuestro entorno en nuestra carpeta (usamos la tecla ] y luego activate .)
Dentro de nuestro entorno iniciamos la instalación de los paquetes de Julia requeridos, solo ingresamos el comando add seguido del nombre del paquete. Para esta primera parte usaremos los siguientes: IJulia, CSV, ArchGDAL, DataFrames, DataFramesMeta, PrettyTables)
Luego ejecutamos el comando status, para verificar que todos los paquetes fueron instalados.
Finalmente verificamos que se han generado dos archivos, el Project.toml y el Manifest.toml (incluyen información de los paquetes instalados como las dependencias, versiones, compatibilidad, nombres, etc.).

Es importante resaltar que al contar con Project.toml + Manifest.toml, es posible crear una instancia del mismo entorno de paquetes, lo cual es muy útil para la reproducibilidad.

Importación de datos

En Julia tenemos a las extensiones de CSV, DataFrames y ArchGDAL para apoyarnos en la importación de datos que tenemos en nuestra carpeta de trabajo. Para el caso de archivos en formato CSV podemos emplear el siguiente código.

En el caso que necesitemos trabajar con formatos de tipo GeoJSON, emplearemos el paquete ArchGDAL, que usa la librería GDAL para trabajar con diversos formatos de datos geoespaciales vectoriales y ráster.

Considerar que el resultado a diferencia del anterior, se incluye una columna con la geometría de los datos (wkbPoint). Se recomienda ejecutar typeof(dat_geo) y typeof(layer_geo), para conocer los tipos de datos generados.

Para realizar una exploración a nuestros datos en nuestro Dataframe emplearemos la función describe, obteniendo una tabla en donde se presenta algunos datos estadísticos, pero lo que quiero resaltar es la identificación de datos faltantes en algunas columnas.

Generando Tablas en formato HTML

Con la finalidad de ir visualizando nuestros resultados tabulares, vamos a generarlos en un formato más amigable como el html, para ello empleamos el paquete PrettyTables. Para automatizar la generación y posterior guardado de nuestras tablas usaremos una función específica, aunque en su documentación mencionan el procedimiento para guardar las tablas, para la función debo reconocer que seguí las indicaciones mostradas por el canal julia for talented amateurs.

Ordenar los datos

En Julia podemos ordenar rápidamente nuestros datos empleando la función sort, el uso de «!» seguido de la función indica una solicitud para cambiar los datos originales de manera permanente, en otras palabras, es considerado como la versión «in-place«. De la misma manera vamos a emplear la función dropmissing para eliminar los datos faltantes a nuestro Dataframe. Ambos resultados serán guardados en html.

Transformar los datos

En Julia para realizar una operación de agrupamiento, primero se debe crear un objeto GroupedDataFrame a partir del DataFrame empleando la función groupby. La función toma dos argumentos, el mismo DataFrame y un conjunto de columnas para agrupar. Luego se puede aplicar a cada grupo las funciones Combine, Select y Transform. En nuestro caso vamos a usar el primero, siendo muy útil para calcular estadísticas resumidas por grupo. Mayor detalle sobre la opciones de dichas funciones lo pueden encontrar aquí.

Como podemos apreciar en nuestro último resultado, no existe una columna que enumere las filas, por lo tanto, vamos a crear una columna índice, de la misma manera, al crear la columna en donde se sumaron los valores de población por distrito (name) y se identificaron los valores únicos (pe_ubigeo), por defecto se nombraron dichas columnas, en nuestro caso vamos a modificar los encabezados empleando la función rename. También vamos a convertir la última columna para que represente un valor de tipo String y finalmente el resultado lo guardaremos en un archivo con formato CSV.

Uso de Macros

Sobre herramientas de metaprogramación para DataFrames, Julia a través de los denominados macros presentes gracias al paquete DataFramesMeta, nos brinda la oportunidad de contar con una sintaxis más conveniente. En esta oportunidad exploraremos una de sus bondades como por ejemplo el uso de filtros y también opciones que tenemos para encadenar procesos (uso de operadores «Pipe«). En posteriores entradas profundizaré estos temas con otros paquetes, por ahora solo es un ejemplo básico pero muy útil.

Incorporando tablas a nuestro mapa

Como punto adicional, quisiera mostrarles la ventaja que tenemos ante la posibilidad de incorporar tablas en formato html a nuestro compositor de mapas en el QGIS. A continuación se muestra una imagen como ejemplo.

Reflexión Final

Considero que lo presentado hasta el momento nos puede dar una idea del gran potencial que tenemos al manejar nuestros datos empleando algunos paquetes de Julia. Para quienes ya tienen conocimiento de Python y R, se habrán fijado cierta similitud, incluso al leer la documentación de los paquetes de Julia, algunos de ellos fueron inspirados en dichos lenguajes. Si llegaron hasta aquí espero que haya despertado el interés en el uso de Julia, porque como dije, esto solo es el inicio de un grupo de entradas en donde me dedicaré a explorar otros paquetes que nos permitan realizar otro de los procesos importantes como la visualización.

Para quienes deseen probar todo lo visto hasta el momento, se ha generado un repositorio en donde se comparte todo el código y el proyecto de QGIS para visualizar el mapa. https://github.com/ccarbajal16/IntroDataScience.

También comparto un video elaborado sobre el procedimiento seguido.

Algoritmos de selección de puntos en QGIS

Introducción

Una de las principales funciones de los Sistemas de Información Geográfica (SIG) es la posibilidad de realizar análisis espacial. En esta oportunidad, con el ánimo de introducirnos al campo del análisis de datos empleando capas de tipo vectorial, vamos a mostrar el uso del plugin de QGIS denominado Point selection algorithms. En resumen, vemos que es posible realizar diversos procesos de selección sobre una capa de puntos, empleando para ello un grupo de algoritmos que iremos explorando. Tal como lo mencionan en [3], dentro del contexto de la elaboración de mapas web, un desafío es la implementación de una regla que seleccione geometrías de puntos, por ejemplo, ciudades y picos con un atributo numérico claramente definido, por ejemplo, población y elevación, para ser empleados en dicha selección.

Detalles del Plugin

El plugin contiene herramientas para el cálculo de medidas para seleccionar puntos en el proceso de generalización cartográfica. Generalmente, ayuda a encontrar el máximo o mínimo local. Esta función también se puede utilizar con fines analíticos [1]. Cuando instalamos el plugin apreciamos en la caja de herramientas de procesos cuatro opciones, pero que en esencia digamos que son tres algoritmos que nos permite realizar distintos tipos de selección de puntos.

**Figura 1:** Plugin dentro de la caja de herramientas de procesos de QGIS.

Discrete Isolation:

Calcula la distancia de aislamiento discreta (discrete isolation distance) para puntos con atributos numéricos. El concepto es similar al aislamiento topográfico (topographic isolation), el cual, para el caso de cumbres, corresponde a la distancia desde un pico hasta el punto más cercano con mayor elevación. Se puede tener una mejor comprensión si vemos la siguiente figura.

**Figura 2:** *Aislamiento topográfico y prominencia de una cumbre*
Fuente: Wikipedia

En general, cuando ejecutamos la opción en QGIS, debemos tener claro que el aislamiento es la distancia desde un punto al punto más cercano con un valor de atributo más alto (opción Máx.) O más bajo (opción Mínimo). Como valor de atributo se puede utilizar cada atributo numérico, por ejemplo, la elevación (para picos) o la población (para lugares poblados). La distancia de aislamiento se puede calcular en metros según el elipsoide por defecto o cartesiano en las unidades CRS. En la siguiente imagen por ejemplo, podemos ver que se ha seleccionado en base a datos de picos de montañas como puntos, los valores de elevación como atributo numérico y el valor de «máximo aislamiento» el valor de 50 km, es decir que nos calculará las distancias entre puntos que tengan este valor como el máximo encontrado.

**Figura 3**: Opciones para calcular el aislamiento discreto

Functional Importance:

Calcula la importancia funcional según Hormann, almacenando la mayor diferencia de valores de la función. Si revisamos la referencia [3] se puede apreciar la función mencionada.

$f(x) = p * e^\frac {-x^2}{\beta}$

x = distancia existente entre nuestra geometría de puntos

p = valor del atributo numérico (por ejemplo, la población)

β = variable para ajustar la rapidez para reducir el valor de la distancia y mantener la distancia entre los puntos cercanos.

En la misma referencia, se muestra de manera visual el método de distancia funcional, empleando como ejemplo valores numéricos de población (parámetro p) y al realizar ajustes a la variable β, logra ajustar la carga de información y la distancia mínima entre puntos que se mostrarán en el mapa. La población da como resultado la selección o no del punto, siempre que exista la condición que la diferencia entre los valores de la función debe ser mayor que cero.

Para emplear el plugin, el campo con valores numéricos debe ser en caso de un lugar poblado el número de habitantes (population). El valor de Beta (β) es el diámetro del círculo alrededor del punto en metros; considerar que tiende el valor de la función hacia cero. Utilice este parámetro para asegurar una distancia mínima entre lugares, que debe seleccionarse.

**Figura 4**: Opciones para calcular la importancia funcional.

Label Grid:

Crea una cuadrícula y comprueba cual de los puntos está contenida en alguna celda de la misma (un valor de -1 representa que el punto no se encuentra en la celda). Según la opción que elegimos, es decir, si optamos por el valor máximo, se establece un orden o ranking empezando con el número 1 correspondiente al valor más alto y se irá incrementando por cada punto que esté presente en la celda. En QGIS debemos considerar generar dos columnas para almacenar los resultados, en una se establece una clasificación realizada, con la finalidad de establecer un agrupamiento de valores, mientras que en la otra columna se incorpora el orden mencionado para cada celda. En la siguiente figura podemos apreciar la definición de los requisitos, entre ellos se seleccionó los valores máximos, el tamaño y forma de la celda. También debemos indicar las columnas para almacenar los resultados y finalmente indicar los nombres de los archivos, uno con una capa vectorial (polígono) que corresponde a la cuadrícula y el otro de puntos con los valores resultantes.

**Figura 5**: Opciones para la creación de la cuadrícula etiquetada.

Point in Polygon:

Tiene el mismo concepto del algoritmo previo, con la diferencia que ahora tenemos la oportunidad de emplear un polígono o una cuadrícula predefinida, siendo muy útil si queremos analizar por ejemplo ámbitos conocidos. En nuestro caso lo hicimos empleando polígonos que representan los limites de distrito de una Región en Perú, tal como se aprecia en la siguiente figura.

**Figura 6**: Vista de las opciones y resultados empleando un polígono predefinido

Metodología

Como escenario o ámbito que usamos para explorar el plugin se ha elegido zonas de Perú, para los datos de población nos enfocados sobre la Región de Huánuco, mientras que los datos extraídos de picos (peaks), están en su mayoría sobre la Región de Ancash, este último muy conocida por sus nevados.

Colección de Datos

Para esta demostración en relación a los datos de población se emplearon los que están disponibles en https://data.humdata.org/, al filtrar para este tipo de datos seleccionamos la mencionada en la referencia [5]. Estos datos a nivel mundial nos permite tener un geopackage con celdas de hexágonos que contienen valores de población. De toda esa información, se trabajó solo las que se encontraban solo la zona de trabajo, según se puede apreciar en la siguiente figura.

**Figura 7**: Datos de población en celdas de hexágonos sobre la Región de Huánuco

Como se estuvo mencionando, requerimos datos de puntos, por lo tanto, se hizo la transformación a puntos empleando herramientas como el Centroide o Punto en superficie. Ahora solo nos queda ajustar mejor nuestros datos a una superficie más definida, es decir, consideramos solo los puntos que estén dentro de la Región Huánuco. Al realizar las primeras pruebas, se comprobó que debido al volumen de datos los algoritmos demoraban en terminar de procesar, ante ello, se trabajó también con otros datos de población en función a centros poblados.

Para los datos de picos nos apoyamos con la extracción de datos del OpenStreetMap, pero desde QGIS se usó el plugin QuickOSM para contar con una capa en formato GeoJSON, luego se hizo un preprocesamiento para ajustar mejor el ámbito seleccionado y también algunos ajustes a la tabla de atributos.

En caso quieran probar el plugin, pueden descargar los datos empleados desde aquí.

Resultados Obtenidos

Como producto final de ejecutar los algoritmos descritos, mostramos a continuación una galería de imágenes, pero en resumen, se aprecia que el plugin nos permitió mostrar resultados esperados y un análisis profundo de todos ellos es necesario, también es importante mencionar que se emplearon una simbología de tipo graduado para mostrar mejor los resultados.

Aislamiento discreto con datos de población

Reflexión Final

Por lo mostrado podemos darnos cuenta de que el plugin presenta más aplicaciones que lo visto hasta ahora, si nos ponemos a pensar en otros tipos de valores numéricos que podemos tener registrado como producto de nuestras actividades, esto sumado al hecho que no estamos limitados que deban ser por naturaleza puntos, ya vimos que podemos generarlos fácilmente, porque lo importante es evaluar una variable. En resumen, si logramos entender su uso nos abre un gran abanico de posibilidades para analizar datos y la relación existente con su espacio. Espero que puedan encontrar otras aplicaciones prácticas y lo comenten al respecto.

Se comparte un video en donde se pueda apreciar el procedimiento seguido para obtener los resultados presentados.

Referencias:

Plugin QGIS: https://plugins.qgis.org/plugins/point_selection/
Repositorio del Plugin: https://github.com/MathiasGroebe/point_selection
Paper ICA: https://varioscale.bk.tudelft.nl/events/icagen2020/ICAgen2020/ICAgen2020_paper_12.pdf
Wikipedia: https://es.wikipedia.org/wiki/Aislamiento_topogr%C3%A1fico
Datos de población global:https://data.humdata.org/dataset/kontur-population-dataset

Visualizando datos en formato GTFS con QGIS

En esta oportunidad abordamos la temática sobre el transporte público y una alternativa para su representación espacial, en este caso nos referimos a una especificación de datos conocida por sus siglas en inglés como GTFS (General Transit Feed Specification), el cual define un formato común para los horarios de transporte público y la información geográfica relacionada. Según (1), permite a las agencias de transporte público publicar sus datos de tránsito en un formato que puede ser consumido por una gran variedad de aplicaciones de software. Hoy en día, el formato de datos GTFS es utilizado por miles de proveedores de transporte público.

Según (3), un feed es un formato de datos utilizado para proporcionar a los usuarios contenidos actualizado con cierta frecuencia. Dentro del ámbito del estándar GTFS existen dos tipos:

Feeds GTFS estáticos, que son es una serie de archivos CSV, comprimidos en formato ZIP, con diferentes niveles de detalle según la precisión facilitada por las empresas o agencias que lo provean.
Feeds GTFS-realtime, que proporcionan tres tipos de información actualizada en tiempo real sobre los servicios, como predicciones de llegada (actualización del viaje), posiciones de vehículos y avisos de servicio (alertas).

Principales Aplicaciones (Fuente: Wikipedia)

Planificación de viajes, GTFS se utiliza normalmente para proporcionar datos sobre el transporte público para su uso en aplicaciones de planificación de viajes multimodales.
Investigación de accesibilidad del tránsito, GTFS es usado para estimar los tiempos de viaje en tránsito desde un punto a muchos otros puntos en diferentes momentos del día.
Comparación de niveles de servicio, un análisis de los cambios en el servicio a lo largo del tiempo se puede lograr simplemente comparando los datos GTFS publicados para la misma agencia en diferentes períodos de tiempo.

Estructura de los GTFS

Un feed GTFS es una colección de al menos seis y hasta 13 archivos CSV (con extensión .txt) contenidos en un archivo .zip. La codificación de caracteres preferida es UTF-8. En conjunto, las tablas CSV relacionadas describen las operaciones programadas de un sistema de tránsito como visibles para los pasajeros.

DIAGRAMA DE CLASES DE GTFS
Fuente: Wikipedia

Uso de Plugins con QGIS

Dentro de QGIS existen un grupo de plugins que nos permiten capturar, generar, visualizar y hasta modelar este tipo de datos GTFS. En esta oportunidad se describirá con cierto detalle a dos plugins. Hablamos del denominado GTFS Loader y del GTFS-GO.

1. GTFS Loader

El plugin nos permite abrir un archivo con la extensión .zip, el mismo que contiene la estructura de datos GTFS indicada previamente. Según la documentación del Plugin, una de las fuente de datos a emplearse sería la página del PID.

Otras fuentes de datos que podemos emplear son:

Dentro del QGIS luego de ser instalado nos aparece un pequeño panel que nos permite ingresar la ruta de acceso al archivo en formato GTFS. En la siguiente imagen se presenta un ejemplo de la ciudad de Sao Paulo en Brasil que fue descargada previamente desde aquí. Tener en cuenta que el plugin solo acepta archivos con la extensión .zip.

El resultado que vemos en nuestro panel de capas, se trata de un grupo de datos de tipo vectorial (rutas y paradas) y de tablas relacionadas, todos ellos almacenados en formato GeoPackage.

Vista de datos GTFS sobre el tránsito en Sao Paulo

La ventaja de contar con un archivo en formato GeoPackage, es la posibilidad de incorporarlo a nuestro administrador de base de datos y realizar las consultas necesarias.

Integración del archivo GeoPackage generado dentro del administrados de bases de datos del QGIS.

2. GTFS-GO

El plugin nos permite extraer datos GTFS como GeoJSON y logra representar rutas y paradas en el mapa. Cuando activamos el plugin nos aparece un pequeño panel en donde tenemos la opción de cargar un archivo .zip, del mismo modo vemos que existen algunos ejemplos disponibles. En este caso cargamos el de la ciudad de México.

Luego podemos ajustar nuestra salida para mostrar solo rutas (routes) y paradas (stops).

Como resultado obtenido podemos apreciar que se muestra una simbología propia elaborada para una mejor visualización. Se considera esta opción como una simplificación a todas las tablas que existen en los datos, buscando tener una presentación rápida de la información.

Otra opción con que contamos es incorporar la frecuencia de tráfico, si tenemos en cuenta que como parte de los datos se tiene registrado el horario del servicio, esto se podría calcular. Para lograr esto debemos seleccionar «aggregate route frecuency«. Se probó que funciona para el caso de los datos del Bronx, por lo tanto, tendremos como resultado una capa de frecuencia como línea, en donde si hacemos un acercamiento veremos que existen unos números, los cuales representan la frecuencia de cada línea, a mayor frecuencia de la ruta las líneas son más gruesas. También se crea una capa de puntos denominada «frequency_stops», que contiene los nombres de las paradas similares, que nos pueden permitir unificar valores.

Se comparte un vídeo demostrativo con el uso de ambos plugins.

Referencias:

Uso del Append Features to Layer en QGIS

En esta oportunidad vamos a mostrar de manera práctica el uso del plugin de QGIS denominado Append Features to Layer, el cual fue recientemente actualizado. Me pareció interesante lo que nos permite hacer cuando manejamos capas de tipo vectorial, por ejemplo, para aquellos que están actualizando los campos de manera permanente.

Funcionamiento del Plugin

Vamos a entender el funcionamiento del plugin en algunos casos que se puedan presentar, con la finalidad de ilustrar el uso que podemos darle y que nos permitirá facilitar nuestro trabajo.

Caso 1: Cuando necesitamos integrar elementos geográficos (features) a nuestra capa vectorial, los cuales contienen los mismos campos en la tabla de atributos. Por ejemplo, en la imagen podemos ver un grupo de polígonos (límites políticos), los cuales están incompletos, con el plugin podemos unirlos para integrarlos en un un sola capa vectorial.

Caso 2: En el caso que al tener una capa vectorial con todos sus elementos completos, pero que existen la necesidad algunos elementos geográficos en donde se necesita actualizar los datos en sus campos. Siguiendo con el ejemplo, es posible que en algunos límites de distritos, los valores de población se hayan actualizado, en este caso también podemos emplear el plugin, con la finalidad de actualizar solo las geometrías en donde sea necesario, sin alternar nada más.

Podemos resumir que el plugin nos permite integrar o unir capas vectoriales con la posibilidad de mantener la estructura de los campos ya establecido, del mismo modo, podemos actualizar valores en aquellos campos que han sufrido alguna variación, pero siempre en base a la existencia de otra capa vectorial con los nuevos datos. Lo interesante es la facilidad que nos brinda el plugin para evitar duplicar geometrías, para ello es necesario seleccionar bien las opciones.

Mayor detalle sobre el funcionamiento del plugin lo pueden encontrar en su repositorio de código, además se debe mencionar que el plugin incorpora en la «Caja de herramientas de Procesado», dos modelos que nos permiten automatizar algún proceso más complejo y con mayor cantidad de capas.

Como recurso adicional y para un mejor entendimiento se elaboró un vídeo en donde se muestra algunas aplicaciones del plugin presentado. En caso deseen probarlo, pueden descargar los datos de los ejemplos desde aquí.

Demostración del uso del Plugin Append Features to Layer

Plataforma de Enseñanza EducaGIS

Para el presente año 2021, vamos a retomar la elaboración de cursos a través de la plataforma de enseñanza EducaGIS. Dentro de este ambiente se buscará una mayor interacción con los alumnos, combinando el acceso del material de enseñanza y diversas actividades que buscan un mejor aprendizaje, entre ellos el desarrollo de ejercicios y evaluaciones por tema a desarrollar. El primero de los cursos a ofrecer se denomina QGIS 3.16 – Nivel Básico (QGIS-1) y según la programación deberá estar disponible durante las primeras semanas de Julio.

De manera adicional desde el presente Blog, se brindará algunos cursos libres con la finalidad de brindar acceso sin restricciones, al material de enseñanza y los interesados puedan consultarlos cuando lo deseen, los mismos tendrán una secuencia lógica de temas para cumplir los objetivos de aprendizaje que se proponen. En la actualidad ya se encuentra disponible el curso denominado «SIG – Nivel Básico«, al cual pueden acceder desde el menú de Cursos.

Los cursos libres estarán principalmente dirigidos para personas con poco o ningún conocimiento sobre los Sistemas de Información Geográfica (SIG) y las tecnologías relacionadas. Dentro de lo posible, se pretende seguir un flujo o secuencia de aprendizaje, en donde los cursos libres formen parte de los requisitos previos para llevar los cursos brindados a través de la plataforma EducaGIS.

Si bien existe un manual de usuario de la Plataforma EducaGIS, en los próximos días estará disponible una actualización necesaria. Por el momento, aquellos que expresen su interés en llevar cursos, pueden ir al menú de Contacto, con el objetivo de recopilar los datos necesarios para la generación de usuarios de la Plataforma.