Google Earth Engine (GEE) - Proceso fácil con JavaScript

En esta lección introductoria, aprenderás los fundamentos básicos de la programación en JavaScript con especial enfoque en su aplicación dentro de Google Earth Engine.

Se inicia con el clásico ejemplo "Hello World" para entender cómo funciona la consola y cómo imprimir información. A partir de ahí, se explican los tipos de datos fundamentales como strings, números, listas y objetos (diccionarios), mostrando ejemplos prácticos de cada uno.

También se presentan las sintaxis esenciales utilizadas en Google Earth Engine para manipular imágenes, colecciones de imágenes, y para centrar o añadir datos en el mapa. Finalmente, se introduce la importancia de escribir código eficiente y legible mediante el uso adecuado de comentarios, punto y coma y nombres claros para variables, asegurando un mejor flujo de trabajo en GEE.

Temas clave cubiertos en esta lección:

• Concepto básico de programación con "Hello World" en JavaScript.

• Tipos de datos: strings, números, listas y diccionarios.

• Sintaxis específica de Google Earth Engine: ee.Image, ee.ImageCollection, Map.center, Map.centerObject y Map.addLayer.

• Limpieza y eficiencia en el código: comentarios, uso de punto y coma y nomenclatura de variables.

• Impresión y visualización de datos en la consola para facilitar la interpretación.

Valor práctico para el análisis geoespacial:

• Comprender los fundamentos de JavaScript que permiten manipular datos geoespaciales en GEE.

• Familiarizarse con la sintaxis básica para trabajar con imágenes y colecciones en Google Earth Engine.

• Mejorar la capacidad de escribir códigos claros y eficientes que faciliten análisis y visualizaciones posteriores.

• Preparar al estudiante para realizar manipulaciones de datos y visualizaciones personalizadas en GEE.

Al finalizar esta lección, el alumno entenderá los elementos básicos de programación en JavaScript orientados a Google Earth Engine, dominando cómo crear variables, utilizar diferentes tipos de datos y emplear la sintaxis propia de GEE para empezar a construir scripts eficientes y funcionales.

En esta lección exploraremos cómo importar y visualizar datos vectoriales y ráster en Google Earth Engine (GEE), una habilidad fundamental para trabajar con información geoespacial.

La sesión se inicia con la presentación de distintas fuentes de conjuntos de datos disponibles en GEE, incluyendo importantes misiones satelitales como Landsat, Sentinel y MODIS.

Posteriormente, aprenderás el proceso práctico para importar conjuntos de datos vectoriales, definir sus parámetros de visualización y gestionarlos en el mapa de forma eficiente dentro de la plataforma.

Temas clave abordados en esta lección:

• Fuentes de conjuntos de datos vectoriales y ráster disponibles en GEE, como Landsat, Sentinel y MODIS.

• Diferencias entre imágenes individuales, colecciones de imágenes y colecciones de características vectoriales.

• Cómo importar conjuntos de datos mediante la declaración de variables y creación de diccionarios de parámetros para visualización.

• Uso de códigos HTML para definir colores y estilos visuales de capas vectoriales en el mapa.

• Gestión y superposición de múltiples capas en la visualización de datos.

• Proceso para importar datos propios desde el ordenador, incluyendo archivos shapefile y archivos comprimidos en formato ZIP.

• Manejo práctico para renombrar variables y visualizar datos importados exitosamente en el mapa.

Valor práctico en el análisis geoespacial con Google Earth Engine:

• Incorporación directa de datos vectoriales y ráster para análisis personalizado y visualizaciones efectivas.

• Optimización de la representación cartográfica mediante estilos y paletas de colores personalizadas.

• Flexibilidad para integrar conjuntos de datos públicos y datos propios en un flujo de trabajo común.

• Mejora en la comprensión y manejo de estructuras de datos geoespaciales complejas dentro de GEE.

Al finalizar esta lección, el alumno comprenderá cómo importar y gestionar distintos tipos de datos geoespaciales, personalizar su visualización y combinar múltiples capas en Google Earth Engine para potenciar sus análisis y proyectos cartográficos.

En esta lección aprenderás cómo filtrar conjuntos de datos vectoriales y colecciones de imágenes rasterizadas en Google Earth Engine, lo cual es clave para manejar grandes cantidades de datos geoespaciales de manera eficiente.

El proceso de filtrado te permite seleccionar únicamente los datos relevantes para tu análisis, optimizando así el rendimiento y la precisión de los resultados.

Veremos los diferentes tipos de filtros disponibles y entenderemos cuándo y dónde aplicarlos adecuadamente dentro de un flujo de trabajo en GEE.

Temas clave cubiertos en esta lección

• La necesidad de filtrar conjuntos de datos geoespaciales extensos.

• Tipos comunes de filtros, incluyendo filtro por límite espacial y filtro temporal.

• Uso del filtro "Bounds" para delimitar imágenes dentro de un área de interés.

• Diferencias entre filtrar y recortar conjuntos de datos.

• Aplicación de filtros para seleccionar imágenes según porcentaje de cobertura de nubes y otras propiedades.

• Uso de filtros para colecciones de imágenes y vectores en GEE.

• Buenas prácticas para manejar sintaxis y errores comunes al aplicar filtros en código.

Valor práctico para el análisis de datos geoespaciales con GEE

• Seleccionar datos geoespaciales específicos según área y periodo de tiempo necesarios.

• Optimizar análisis evitando procesar datos irrelevantes o excesivos.

• Realizar filtrado avanzado basado en metadatos como porcentaje de nubes o presencia de agua.

• Visualizar y validar conjuntos resultantes de filtros para garantizar calidad de análisis.

Al finalizar esta lección, serás capaz de implementar filtros básicos en Google Earth Engine para acotar tus datos vectoriales y raster, mejorando la eficiencia y precisión en tus análisis geoespaciales.

En esta lección nos adentramos en la importancia de los reductores y la función de recorte dentro de los análisis con Google Earth Engine (GEE). Entenderemos cómo transformar grandes colecciones de imágenes en una sola imagen significativa para facilitar el procesamiento y análisis de datos geoespaciales.

Comenzaremos explicando el papel fundamental de los reductores, que permiten calcular estadísticos como la media, desviación estándar, mínimo y máximo en una gran variedad de datos. Luego, exploraremos los diferentes tipos de reductores disponibles en GEE y cuándo usar cada uno según nuestros objetivos de análisis.

También aprenderemos a importar conjuntos de datos NDVI de satélites como Landsat para calcular promedios anuales sobre áreas específicas. Finalmente, veremos cómo aplicar la función de recorte para limitar el análisis a un área de interés después de haber reducido la colección de imágenes.

Temas clave cubiertos en esta lección

• Concepto y función de los reductores en GEE.

• Diferentes tipos de reductores y su aplicación.

• Cómo convertir colecciones de imágenes en una sola imagen representativa.

• Importación y manejo de datos NDVI para análisis específicos.

• Uso correcto de la función de recorte tras la reducción.

• Consejos para evitar errores comunes al usar recorte en colecciones.

• Diferencias entre métodos de reducción y mosaico en imágenes.

Valor práctico en analítica geoespacial

• Permite resumir grandes volúmenes de imágenes en resultados manejables para el análisis.

• Optimiza el rendimiento del procesamiento al evitar errores por uso excesivo de recorte.

• Facilita el enfoque del análisis en áreas específicas mediante recortes adaptados.

• Apoya la automatización y eficiencia en análisis NDVI para monitoreo ambiental o agrícola.

Al finalizar esta lección, el alumno comprenderá cómo utilizar reductores y recortes de manera efectiva para convertir colecciones complejas de imágenes satelitales en resultados analíticos precisos y significativos dentro de Google Earth Engine.

En esta lección, nos enfocaremos en cómo utilizar operadores en Google Earth Engine (GEE) para analizar imágenes satelitales y colecciones de imágenes. Aprenderás a aplicar operadores matemáticos básicos a datos geoespaciales y a integrar estas operaciones en tus análisis de manera eficiente.

Comenzaremos importando un conjunto de datos Sentinel-2 y exploraremos cómo filtrar imágenes por condiciones específicas, como la cobertura de nubes, y definir un área de interés mediante geometrías. Veremos cómo aplicar máscaras para la eliminación de nubes y cómo usar reductores para condensar colecciones de imágenes en una sola imagen representativa.

Además, realizaremos un análisis específico del NDVI (Índice de Vegetación de Diferencia Normalizada), aprendiendo a definir expresiones con operadores en GEE para calcular este índice clave y visualizarlo adecuadamente en el mapa con parámetros de visualización adecuados.

Temas clave abordados en esta lección

• Uso básico de operadores matemáticos en programación dentro de GEE.

• Importación y filtrado de imágenes Sentinel-2 por fecha, cobertura de nubes y área de interés.

• Aplicación de máscaras de nube usando funciones matemáticas y mapas de colección.

• Uso de reductores para combinar colecciones en imágenes únicas mediante la mediana.

• Definición y cálculo del NDVI mediante expresiones con operadores en Google Earth Engine.

• Configuración de parámetros de visualización y ajuste de estiramiento para mejor análisis visual.

Valor práctico para el análisis geoespacial con Google Earth Engine

• Capacidad para realizar preprocesamiento básico de imágenes, como filtrado y eliminación de nubes.

• Facilita la reducción y simplificación de grandes colecciones de imágenes para análisis anualizados.

• Habilidad para calcular índices vegetacionales relevantes para la salud y clasificación del uso del suelo.

• Mejora la visualización de datos geoespaciales para una interpretación rápida y efectiva.

Al finalizar esta lección, el estudiante comprenderá cómo integrar operadores matemáticos en scripts de Google Earth Engine para procesar datos satelitales, eliminar interferencias como nubes, y calcular índices importantes como el NDVI, sentando las bases para análisis geoespaciales más avanzados.

En esta última clase del curso, exploramos la automatización en Google Earth Engine (GEE) y cómo implementar bucles para agilizar análisis repetitivos de datos geoespaciales.

La lección introduce el concepto de ciclos for (loops) con referencia al lenguaje Python para facilitar su comprensión, y muestra cómo aplicar este concepto en GEE mediante la función map.

Utilizando un ejemplo práctico, se enseña a calcular el índice NDVI para cada imagen dentro de una colección Sentinel-2, automatizando así la tarea utilizando funciones definidas y mapeos sobre colecciones de imágenes.

Temas claves cubiertos:

• La necesidad de automatización en el análisis de grandes cantidades de datos satelitales.

• Introducción y uso de bucles for, con enfoque en su implementación en Python y analogía con GEE.

• Aplicación de la función map para aplicar funciones definidas a colecciones de imágenes.

• Definición de funciones en JavaScript para calcular NDVI en cada imagen.

• Uso de operadores y métodos para nombrar y agregar bandas de índice a las imágenes.

• Visualización y verificación de resultados en colecciones procesadas.

• Buenas prácticas para manejar colecciones grandes y operaciones simultáneas.

Valor práctico en el análisis geoespacial con GEE:

• Permite automatizar tareas repetitivas, como el cálculo del NDVI en múltiples imágenes.

• Optimiza el manejo y procesamiento eficiente de grandes volúmenes de datos satelitales.

• Facilita la extensión de análisis para múltiples áreas o periodos sin intervención manual para cada conjunto de datos.

• Ayuda a usar funciones propias de GEE para la manipulación avanzada de colecciones y bandas.

Al concluir esta clase, el alumno podrá implementar funciones de automatización usando la función map para aplicar análisis personalizados a colecciones de imágenes en Google Earth Engine, mejorando significativamente la eficiencia y productividad del procesamiento geoespacial.