Análisis geoespacial y Machine Learning con R para la predicción de riesgos climáticos

Conocimientos y capacidades que adquirirán las personas participantes:

• Programar en R para resolver problemas vinculados al análisis geoespacial.
• Manipular, procesar y visualizar datos vectoriales, ráster y climáticos.
• Comprender los fundamentos de la inteligencia artificial, el big data y la ciencia de datos aplicados al medio natural.
• Aplicar modelos de machine learning para tareas de regresión y clasificación.
• Desarrollar modelos predictivos con algoritmos como regresión, random forest y boosting.
• Analizar la vulnerabilidad frente a inundaciones y riesgos climáticos a partir de datos hidrometeorológicos.
• Generar mapas de riesgo y visualizaciones técnicas orientadas a la toma de decisiones.
• Automatizar informes reproducibles para facilitar la comunicación de resultados en equipos técnicos y multidisciplinares.

Entre los ejercicios prácticos se incluyen:

• Programación básica en R mediante variables, estructuras de control, funciones y lectura de datos.
• Manipulación y visualización de datos tabulares con librerías como dplyr y ggplot2.
• Lectura y tratamiento de datos geoespaciales vectoriales, como shapefiles y GeoPackage.
• Lectura y manipulación de datos ráster, como modelos de elevación e imágenes satelitales.
• Visualización de mapas y datos geoespaciales en R.
• Preparación y preprocesamiento de datos para proyectos de ciencia de datos.
• Selección y creación de variables para modelos predictivos.
• Aplicación de modelos de machine learning para regresión y clasificación.
• Uso de algoritmos como regresión lineal, regresión logística, árboles de decisión, random forest y gradient boosting.
• Entrenamiento y evaluación de modelos mediante métricas de rendimiento e importancia de variables.
• Manejo y análisis de series temporales climáticas, como precipitación y temperatura.
• Predicción de caudales máximos a partir de datos históricos de lluvia.
• Clasificación de áreas según su vulnerabilidad a inundaciones utilizando datos de uso del suelo, pendiente y proximidad a ríos.
• Creación de mapas temáticos de riesgo predictivo.
• Generación de gráficos interpretables para visualizar tendencias, predicciones y niveles de riesgo.
• Elaboración de informes automáticos y reproducibles con RMarkdown.

Los contenidos de este curso, tanto teóricos como prácticos, se imparten a través de vídeos. La gestión del curso se realiza mediante una plataforma de formación online, donde el alumno puede realizar consultas al equipo docente, entregar las actividades de evaluación y descargar los materiales del curso.

Tema 01 | Fundamentos de programación con R

• Introducción a R, RStudio y principales librerías (dplyr, ggplot2).
• Variables, tipos de datos y estructuras de control (bucles, condicionales).
• Funciones y modularidad del código.
• Lectura, manipulación y visualización de datos tabulares.

Tema 02 | R para el análisis de datos geoespaciales 

• Introducción a las librerías geoespaciales: sp, terra, raster.
• Lectura y manipulación de datos vectoriales (shapefiles, GeoPackage).
• Lectura y manipulación de datos raster (modelos de elevación, imágenes satelitales).
• Visualización de mapas y datos geoespaciales.

Tema 03 | Fundamentos de inteligencia artificial, big data y ciencia de datos 

• Conceptos clave: inteligencia artificial y machine learning (supervisado, no supervisado).
• El reto del big data: volumen, velocidad y variedad en datos climáticos.
• Ciclo de vida de un proyecto de ciencia de datos: de los datos al modelo.
• Preprocesamiento de datos y selección de variables (feature engineering).

Tema 04 | Modelos de machine learning para regresión y clasificación

• Regresión lineal para la predicción de variables continuas (ej. predicción de caudales).
• Regresión logística y árboles de decisión para la clasificación (ej. clasificación de zonas con/sin riesgo).
• Introducción a modelos más complejos: random forest y gradient boosting.
• Entrenamiento y evaluación de modelos: métricas de rendimiento (precisión, R², etc.) e importancia de variables.
• Uso de la librería caret para la implementación de modelos.

Tema 05 | Modelado de datos hidrometeorológicos con machine learning

• Manejo de series temporales de datos climáticos (precipitación, temperatura) con terra.
• Visualización y análisis de tendencias y estacionalidad.
• Caso práctico: predicción de caudales máximos de un río utilizando datos históricos de lluvia y modelos de regresión.
• Caso práctico: clasificación de áreas según su vulnerabilidad a inundaciones usando datos de uso del suelo, pendiente y proximidad a ríos.

Tema 06 | Visualización de resultados y comunicación

• Creación de mapas temáticos de riesgo predictivos, integrando resultados de modelos con datos geoespaciales.
• Generación de gráficos interpretables para visualizar tendencias, predicciones y niveles de riesgo.
• Generación de informes automáticos y reproducibles utilizando RMarkdown, combinando texto, código y visualizaciones.
• Estrategias para comunicar resultados a perfiles no técnicos, facilitando la toma de decisiones en contextos de gestión del riesgo climático.