En el marco de esta I Reunión on-line, el viernes 27 de noviembre, se realizará un Curso sobre análisis de datos georeferenciados impartido en dos sesiones por Daniel Arribas-Bel y Federico Pablo-Martí con el siguiente horario:

10:00-11:45 Primera parte, impartida por Daniel Arribas-Bel:

Ciencia de Datos Geográficos en Python para Científicos Regionales

 En los últimos años hemos asistido a la aparición de nuevas formas de datos. Desde trazas de GPS recogidas por teléfonos inteligentes hasta plataformas online cuyos negocios interactúan con el medio urbano. Una nueva generación de datos, buena parte de ellos con una referencia espacial, se ha incorporado a la caja de herramientas que científicos regionales pueden utilizar para su investigación. Un elemento importante a la hora de aprovechar estas nuevas bases de datos es la habilidad de manejar nuevas herramientas como lenguajes de programación populares en ciencia de datos.

Este taller cubrirá elementos de dos recursos recientemente disponibles para científicos regionales:

– El libro (en progreso) “Geographic Data Science in Python”: https://geographicdata.science/book

– El curso “Geographic Data Science”: https://darribas.org/gds_course/

 De manera interactiva, cubriremos elementos de procesamiento de datos espaciales y de regresión espacial en Python. El curso utilizara la plataforma online Binder como principal instrumento para interactuar con los contenidos, por lo que el único requisito para asistir es una conexión de internet y un navegador moderno.

11:45-12:00 Descanso

12:00-13:00 Segunda parte, impartida por Federico Pablo-Martí :

Georreferenciación

Una de las limitaciones con que la más habitualmente nos enfrentamos como científicos regionales es la falta de datos. Frecuentemente la respuesta que damos a esta situación es adaptar nuestro análisis a los datos disponibles, normalmente ofrecidos por administraciones y servicios estadísticos.

La georreferenciación amplia nuestras posibilidades de trabajo y nos da la posibilidad de invertir esa situación adaptando los datos a nuestras necesidades.

En este breve curso introductorio trataremos en primer lugar la relación entre los datos y el territorio y veremos que no siempre hacemos un uso eficaz de la información disponible.

En la segunda parte de la sesión comprobaremos de forma práctica las posibilidades que nos ofrece esta metodología para incorporar a nuestros análisis econométricos datos procedentes de fuentes no estructuradas como las imágenes aéreas o los mapas antiguos. Para ello, nos descargaremos de Internet alguna imagen y la convertiremos en “shapefiles” con los que posteriormente podremos trabajar.

Conocimientos básicos de GIS son convenientes, aunque no imprescindibles.

El software que utilizaremos será QGIS. Al ser de código abierto puede ser libremente descargado desde https://www.qgis.org/es/site/forusers/download.html

Descarga QGIS QGIS en OSGeo4W: OSGeo4W Instalador en red (64 bit) OSGeo4W Instalador en red (32 bit) En el instalador escoge Instalación rápida de Escritorio y selecciona QGIS para instalar el lanzamiento más reciente . Para obtener la Versión con Soporte a Largo Plazo (que no es el último lanzamiento) seleccione Instalación Avanzada y seleccione qgis-ltr-full Para obtener la última versión inestable en … www.qgis.org

 

---

Dani Arribas-Bel

Profesor Titular de Ciencia de Datos Geográficos en el Departamento de Geografía y Planificación, y miembro del Laboratorio de Ciencia de Datos Geográficos de la Universidad de Liverpool (Reino Unido), donde dirige el Máster en Ciencia de Datos Geográficos. De 2020 a 2023, también es miembro de ESRC en el Instituto Alan Turing. Miembro del equipo de desarrollo de la biblioteca de código abierto PySAL para análisis espacial en Python, creó “contextualmente”, un pequeño paquete de Python para usar servicios de teselas web en mapas estáticos. Desde 2019, es coeditor de “Environment and Planning B – Urban Analytics and City Science” y, desde 2020, también en el panel editorial de “Journal of the Royal Statistical Society, Series A – Statistics in Society”. Sus principales intereses de investigación son: ciencia de datos geográficos y nuevas formas de datos, economía urbana y ciencia regional, computación científica de código abierto y reproducibilidad.

 

Federico Pablo- Martí

Federico Pablo Martí es Doctor en Economía por la Universidad de Alcalá y Máster en Economía Industrial por la Universidad Carlos III. Actualmente es profesor asociado de Economía Aplicada en el Departamento de Economía de la Universidad de Alcalá. Ha sido investigador invitado en el Instituto de Estrategias de Desarrollo de la Universidad de Indiana. Sus principales áreas de investigación son la economía regional, el transporte y los modelos de simulación basados en agentes desde la perspectiva de redes complejas, campos en los que ha publicado varios artículos nacionales e internacionales.