Curso online de Machine Learning aplicado a los SIG y la Teledetección
Inicio 15 de septiembre de 2026
Modalidad ON LINE
Abierto 24/7
APOYO de tu tutor
durante el curso
CERTIFICADO
al finalizar
Plazas limitadas a 15 alumnos
En el curso online Machine Learning aplicado a los SIG y la Teledetección el alumno aprenderá a aplicar técnicas de Machine Learning y Deep Learning sobre datos espaciales, ráster y vectoriales, integrando flujos de trabajo entre Python, Google Earth Engine y plataformas GIS.
Se abordará desde la obtención y preparación de datos satelitales hasta la clasificación y segmentación de imágenes mediante modelos predictivos.
Son objetivos de este curso:
- Comprender los fundamentos del Machine Learning y su aplicación en el ámbito de los Sistemas de Información Geográfica (SIG) y la teledetección.
- Usar las principales herramientas de Python para desarrollar modelos predictivos y de clasificación geoespacial: scikit-learn, TensorFlow y Keras.
- Obtener y preparar datos geoespaciales desde fuentes abiertas como Google Earth Engine, Kaggle o Roboflow.
- Aplicar métodos de aprendizaje supervisado y no supervisado para clasificar imágenes satelitales y datos raster.
- Implementar modelos de Deep Learning para tareas de segmentación y análisis avanzado de imágenes.
- Integrar el Machine Learning en entornos SIG, especialmente en QGIS, para realizar clasificaciones supervisadas con Python.
- Desarrollar flujos de trabajo completos que conecten la adquisición de datos, el entrenamiento de modelos y la visualización de resultados en entornos geoespaciales.
15 de septiembre - 19 de octubre de 2026
Duración:
5 semanas - 100 horas
Precio: 290 €
(270 € para antiguos alumnos)
Hay 15 plazas disponibles
Requisitos
- Es recomendable tener conocimientos básicos de SIG y de Python.
- El curso se desarrolla principalmente en Google Colab, por lo que no es necesario realizar ninguna instalación.
- Es conveniente tener instalado algún SIG de escritorio como QGIS para operaciones complementarias.
Tutor
José Luis García Grandes. Ingeniero Agrónomo con más de 20 años de experiencia en trabajos de consultoría de ingeniería. Desde 2012 desarrollador de proyectos GIS con Python y JavaScript.
Cualquier duda se podrá plantear personalmente mediante correo electrónico o en los foros del curso. El tutor responderá siempre en la mayor brevedad posible.
Formación certificada
Una vez completados satisfactoriamente los ejercicios, MappingGIS otorgará un Certificado de realización y aprovechamiento, en formato PDF, con un identificador único para su correcta verificación.
Temario de la 6ª edición
- Conceptos clave.
- Formas de trabajar con Python.
- Google Colaboratory: utilizar notebook sin instalaciones.
- Ecosistema de Python para Machine Learning.
- Trabajando con datos en forma de array: NumPy.
- Rasterio.
- Conceptos de Machine Learning.
- Scikit-learn.
- Flujo de trabajo típico en Machine Learning con Scikit-learn.
- Entrenar y evaluar un modelo para hacer predicciones con Scikit Learn.
- ¿Cómo elegir el estimador en Scikit-Learn?.
- Transformaciones.
- Conceptos de Regresión lineal.
- Regresión lineal mediante scikit-learn.
- Transformaciones polinómicas. Regresión múltiple.
- Clasificación.
- Obtener imágenes de satélite con Google Earth Engine.
- El Dataset de Google Earth Engine.
- Script de Python para Google Earth Engine. Obtener imágenes Landsat.
- Imágenes Sentinel.
- Normalización y transformación.
- Normalización con StandardScaler.
- Muestreo espacial.
- Estrategias de muestreo espacial.
- Muestreo aleatorio simple.
- Muestreo aleatorio estratificado.
Muestreo sistemático (en grillas).- Muestreo por clústeres.
- Ejemplo de muestreo espacial.
- Buenas prácticas en muestreo espacial.
- Cálculo de índices espectrales para imágenes satelitales.
- ¿Por qué son importantes los índices espectrales en Machine Learning?.
- Calculo de NDVI a partir de imágenes Sentinel.
- El problema de los datos ausentes y el ruido en geodataset espaciales.
- Estrategias para datos faltantes.
- Estrategias para eliminar las nubes en imágenes Sentinel.
- Crear una máscara para eliminar las zonas cubiertas de nubes.
- Uso de la capa de clasificación de escena (SCL).
- Crear máscaras para las nubes mediante el empleo de índices espectrales.
- Aprendizaje Supervisado.
- K-Nearest Neighbors (KNN).
- Clasificar una imagen mediante el algoritmo KNN.
- Caso práctico: Clasificar una imagen Sentinel mediante el algoritmo KNN.
Random Forest.- Conceptos de Random Forest.
- Clasificación con Random Forest.
- Búsqueda de parámetros para optimizar Random Forest.
- Clasificar una imagen de dron de una plantación de frutales para identificar zonas con malas hierbas.
- Support Vector Machines (SVM).
- Clasificar una imagen mediante SVM.
- Aprendizaje no supervisado.
- k-means.
- Conceptos del algoritmo K-means.
- Clasificar imágenes de satélite con k-means.
- Aprendizaje no supervisado con DBSCAN.
- Parámetros para DBSCAN.
- Clasificar imágenes de satélite con DBSCAN
Conceptos de redes neuronales.- Keras.
- TensorFlow.
- Caso práctico: identificar un cultivo a partir de una imagen mediante redes neuronales.
- Kaggle: obtener datos para entrenar un modelo.
- Utilizar Kaggle en Google Colab.
- Depurar los datos.
- Evaluar un modelo.
- Matriz de confusión.
- Sobreajuste.
- Caso práctico: Crear un dataset para entrenamiento.
- Roboflow.
- Versiones en Roboflow.
- Exportar un modelo.
- Aplicar un modelo: hacer predicciones.
- Modelos para GIS.
- Modelos para segmentar imágenes.
- Caso práctico: utilizar modelo SAM para crear una máscara de los edificios en una ortoimagen aérea.
- Clasificación supervisada en Google Earth Engine.
- Entrenar un modelo en GEE.
- Caso Práctico: Obtener el área quemada por un incendio forestal a partir de imágenes Sentinel con GEE.
- Caso práctico. Clasificar edificios según su altura a partir de imágenes LIDAR.
- Integración de Machine Learning en QGIS.
- Instalación de librerías de Python en QGIS.
- Aprendizaje no supervisado en QGIS.
- Clasificación supervisada en QGIS.
El curso es asíncrono, es decir, no es necesario estar conectado a una hora concreta, ya que no hay actividades en vivo. La plataforma está abierta 24 horas los 7 días de la semana, por lo que el alumno puede organizarse el tiempo y puede realizar el curso en cualquier momento. Nosotros solo establecemos un calendario de entregas de ejercicios.
El alumno/a debe realizar los ejercicios indicados y enviárselos al tutor a través de la plataforma de formación. El tiempo disponible para realizar los ejercicios varía en función de la dificultad de cada unidad.
El campus también es un apoyo para realizar consultas en los foros del curso o al profesorado directamente.
Inscripción y pago
Puedes realizar el pago mediante:
- Transferencia bancaria.
- Tarjeta de débito o crédito / bizum, utilizando la pasarela de pago segura. Toda nuestra web está cifrada con protocolo de seguridad SSL de máxima seguridad para que la introducción de sus datos cuando se registra, sea totalmente confidencial y protegida con las máximas garantías.
Nosotros te matricularemos en el curso.
Opiniones
