Agricultura Inteligente con Python: Datos, GIS y Machine Learning

Curso online de Agricultura Inteligente con Python: Datos, GIS y Machine Learning

logo python
colab

Inicio 15 de septiembre de 2026

ClockCreated with Sketch.

Modalidad ON LINE
Abierto 24/7

APOYO de tu tutor
durante el curso

CERTIFICADO
al finalizar

Plazas limitadas a 15 alumnos

La agricultura del siglo XXI está viviendo una transformación impulsada por los datos, la inteligencia artificial y las nuevas tecnologías geoespaciales. En este contexto, Python se ha convertido en una herramienta clave para automatizar procesos, analizar grandes volúmenes de información y tomar decisiones más precisas en el campo.

En el curso online de «Agricultura Inteligente con Python: Datos, GIS y Machine Learning» aprenderás a trabajar con datos espaciales, meteorológicos, imágenes de satélite y sensores agrícolas, y aplicarás modelos de aprendizaje automático y profundo para resolver problemas reales como la clasificación de cultivos, el análisis de suelo o la detección de malas hierbas🌿.

Al finalizar el curso, serás capaz de:

  • Comprender el ecosistema Python y sus aplicaciones específicas en agricultura.
  • Automatizar procesos de análisis y visualización de datos agrícolas (climáticos, sensores, ISOBUS, etc.).
  • Trabajar con datos vectoriales y ráster aplicando técnicas de análisis espacial con GeoPandas, Rasterio y PySTAC.
  • Acceder y procesar imágenes satelitales y ráster agrícolas para calcular índices como el NDVI o modelos de elevación.
  • Construir visualizaciones interactivas y mapas con Matplotlib, Plotly y Folium.
  • Aplicar algoritmos de Machine Learning supervisado y no supervisado para clasificar cultivos, detectar anomalías o segmentar parcelas agrícolas.
  • Entrenar modelos de Deep Learning (redes neuronales) para identificar objetos o clasificar imágenes aéreas con TensorFlow y Keras.
  • Dominar entornos como Google Colab y Kaggle para ejecutar tus análisis sin necesidad de instalaciones complejas.

Un recorrido práctico, paso a paso, con apoyo tutorial y casos reales, pensado tanto para profesionales del sector como para perfiles técnicos o científicos que quieran aplicar sus conocimientos al ámbito agro.

15 de septiembre - 26 de octubre de 2026

Duración:
6 semanas / 120 h.

Precio: 290 €
(270 € para antiguos alumnos)

Inscripción y pago

Hay 15 plazas disponibles

Requisitos

  • Es recomendable tener conocimientos básicos de SIG.
  • No es necesario tener conocimientos previos de Python. Si estás familiarizado con algún lenguaje de programación (SQL, Python, JavaScript, etc) sacarás más provecho del curso.

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, que incluye un identificador único para su verificación online.

Temario de la 8ª edición

  • Aplicaciones de Python para agricultura.
  • Conceptos clave.
  • Formas de trabajar con Python.
  • Google Colaboratory: utilizar notebook sin instalaciones.
    • Primeros pasos en Colaboratory.
    • Entornos de ejecución.
    • Acceso a los datos desde un cuaderno de Colab.
    • Conectar con Google Drive.
    • Importar e instalar bibliotecas.
    • Ejecutar un programa de Python.
    • Configurar Colab.
    • Markdown.
  • Características de Python.
  • Sintaxis de Python.
  • Comentarios en Python.
  • Variables.
    • Entrada de datos: comando input.
  • Tipos de datos en Python.
  • Tipos de operadores en Python.
  • Las cadenas de texto en Python.
    • La función print() y los f-strings en Python.
    • Métodos para cadenas de texto.
  • Listas.
    • Métodos para trabajar con listas.
  • Tuplas.
    • Métodos de las tuplas.
  • Diccionarios Python.
  • Estructura if/else en Python.
  • While en Python.
  • For en Python.
    • Bucle for para recorrer un diccionario.
    • Range().
  • Funciones.
    • Parámetro *args y **kwargs.
    • Variables locales y variables globales.
    • Función lambda.
  • Manejo de archivos.
    • Agregar texto a un archivo.
    • Crear un archivo y dotarlo de contenido.
  • Módulos.
  • Paquetes.
  • Clases y objetos.
  • Datos abiertos.
    • Intercambio de datos.
    • Licencias.
  • Calidad de los datos.
    • Reglas de validación.
  • Trabajando con datos en forma de array: NumPy.
    • Dimensiones y ejes en NumPy.
    • Unir arrays.
    • Índices.
    • Slicing.
    • Iteraciones.
    • Otras operaciones con NumPy: Buscar, ordenar.
  • Pandas.
    • Series.
    • Pandas Dataframe.
    • Añadir filas y columnas a un dataframe.
    • Trabajando con índices.
    • Importar CSV a Pandas.
    • Crear columnas a partir de otras columnas.
    • Cálculos estadísticos.
    • Trabajar con datos ausentes.
    • Interpolación de datos.
  • Datos espaciales.
    • INSPIRE.
  • Fuentes de datos espaciales.
  • Datos climáticos.
  • Datos de ISOBUS aplicados a la agricultura mediante el empleo de Python.
  • Análisis exploratorio de datos.
    • Análisis de las variables.
    • Reajuste de las variables.
    • Detección y tratamiento de datos ausentes.
    • Identificación de datos atípicos y su tratamiento.
  • Librerías para visualización de datos.
  • Matplotlib.
    • Un gráfico sencillo.
    • Dibujar varias líneas en el mismo gráfico.
    • Creación de subgráficos.
    • Asignar estilos y títulos a los gráficos.
    • Gráficos de dispersión.
    • Diagrama de sectores o circular.
    • Diagrama de barras.
    • Personalizar ejes y leyendas.
  • Folium.
    • Instalar Folium y primeros pasos.
    • La clase folium.Map.
    • Añadir mapas de teselas.
    • La clase TileLayer de Folium.
    • Añadir servicios WMS.
    • Marcadores.
    • Capas vectoriales.
    • GeoJSON en Folium.
    • Crear y aplicar estilos a las capas.
    • Añadir controles de capas y de escala.
  • Plotly.
    • plotly.graph_objects.
    • Plotly Express.
    • Mapas de tiles disponibles para Plotly.
    • Empleo de datos en formato GeoJson en Plotly Express.
    • Mapas de coropletas.
    • Mapas de calor o de densidad.
  • Librerías para datos vectoriales geoespaciales.
  • Crear y manejar geometrías con Shapely.
    • Crear Geometrías.
    • Manejo de geometrías con Shapely.
    • Operaciones de unión, diferencia y buffer entre geometrías mediante Shapely.
  • Trabajar con datos espaciales: GeoPandas.
  • Geoseries y geodataframes.
    • Formatos de los datos vectoriales.
  • Lectura y escritura de datos espaciales.
    • Grabar archivo con GeoPandas.
  • Análisis espacial.
    • Consultando los metadatos.
    • Trabajar con sistemas de coordenadas Geográficas.
    • Seleccionar datos.
    • Seleccionar elementos por cuadro delimitador.
    • Seleccionar una fila.
    • Obtener el área y el perímetro.
    • Obtener los centroides.
  • Cálculo de rutas óptimas con la librería NetworkX
    Operaciones espaciales.
    • Operaciones de unión.
    • Buffer.
    • Operaciones de cálculo de áreas diferentes entre dos polígonos.
    • Cálculo de vecinos: obtener polígonos colindantes.
    • Intersecciones.
    • Extraer los datos (puntos) incluidos en un polígono.
    • Otras operaciones de análisis con GeoPandas: superposiciones, cruzamientos, límites…
  • Manipulación de geometrías.
  • Cálculo de rutas óptimas: NetworkX.
    • Caso práctico: Descargar datos de OpenStreetMap y calcular una ruta.
  • Búsqueda de imágenes de Satélite con STAC: PySTAC.
    • Introducción a STAC.
  • Instalar librerias: Rasterio, Pystac_client.
  • Pystac_client.
    • Imágenes Sentinel.
  • Rasterio.
    • Consultando los metadatos.
    • Consultando datos raster.
  • Visualizar imágenes raster con rasterio.
    • Histogramas con rasterio.
    • Modificar la resolución de las imágenes.
  • Operaciones con las bandas de las imágenes Sentinel.
    • Caso Practico: cálculo de NVDI.
  • Extraer datos de una imagen raster.
    • Caso Práctico: obtener la altitud de puntos a partir de un raster de elevaciones.
  • Filtrar datos con rasterio.
    • Caso Práctico: obtener un raster con cota superior a 1000 metros a partir de un raster de elevaciones.
  • Crear mapa vectorial a partir de imagen raster con rasterio y GeoPandas.
  • Obtener el máximo valor de una imagen raster y sus coordenadas.
    • Clasificar un archivo raster por sus valores de pixel.
    • Recortar una imagen.
  • Obtener un Modelo Digital de elevaciones a partir de un mapa de curvas de nivel.
  • ¿Qué es Machine Learning?.
  • Aprendizaje Supervisado.
  • Regresión aplicada a la Agricultura: conceptos de Regresión lineal.
  • Regresión lineal mediante scikit-learn.
  • Transformaciones polinómicas. Regresión múltiple.
  • 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.
    • Búsqueda de parámetros para optimizar Random Forest.
    • Caso práctico: 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.
    • Cargar imágenes, definir y compilar un modelo, entrenar el modelo y hacer predicciones.
    • Evaluar un modelo.
    • Matriz de confusión.
    • Sobreajuste.
  • Caso práctico: crear un modelo para la identificación de objetos (balsas de riego) a partir de imágenes aéreas.
    • Crear un dataset para entrenamiento.
    • Roboflow.
    • Versiones en Roboflow.
    • Exportar un modelo.
    • Aplicar un modelo: hacer predicciones.
DESCARGA dossier completo

Metodología

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.
PAGAR ahora

Accede al campus virtual y crea un usuario.

CAMPUS ONLINE

Nosotros te matricularemos en el curso.

Opiniones

El curso es lo que es: un intensivo muy fuerte de Python. En este curso, he aprendido y utilizado Python por primera vez, y yo siento que voy a necesitar repasar mucho los dos últimos temas (después del curso), porque en tan poco tiempo no soy capaz de asimilar toda la información. Pero los temas, para el contenido que tratan (tan complicados) están elaborados brillantemente. 70 páginas parecen muchas pero es un "condensado" de la información espectacular. Siento que me quedo con algunas lagunas, porque me es imposible "absorber" toda la información (no por dudas), pero salgo con una sonrisa enorme con todo lo que he aprendido y por haber descubierto todo el potencial de Python (no con ejemplos de libro sino "sumergiéndome" en la práctica).
Eugenio Sánchez Lorente
Eugenio Sánchez Lorente 14 de abril de 2026
Ha sido un curso complejo, pero muy bien explicado, ha permitido que fuera progresando poco a poco en estas complejas cuestiones de programación y machine learning.
Alberto Fraile
Alberto Fraile10 de diciembre de 2025
Excelente la participación del tutor
Custodio López Cruz
Custodio López Cruz15 de octubre de 2025
Sobre todo quería destacar la excelente labor del tutor José Luis. Durante el curso siempre ha sido atento con las consultas y la retroalimentación de los ejercicios. Me ha sorprendido mucho para bien, gracias a su atención el curso me ha resultado mucho más valioso y ahora pienso en hacer otros, ya que este me ha resultado sencillo gracias a la atención del tutor. Gracias por la ayuda!!
Ana Gallego
Ana Gallego21 de octubre de 2024
La atención del tutor es siempre expedita y amable. En los ejercicios resultó de mi interés la motivación por fomentar el pensamiento para la resolución de problemas.
Jesús Abraham Navarro Moreno
Jesús Abraham Navarro Moreno11 de febrero de 2025
Leer + Opiniones

¿Tienes preguntas?

Ponte en contacto con nosotros

FAQS
CONTACTO

Completa tu formación

QGIS
Inteligencia Artificial
Programación
R & Python
BBDD espaciales
Teledetección
Web mapping