Tarea 1
Población, Territorio y Datos Satelitales

Información general

  • Profesor: Leo Ferres, TAs: Antuan Vayisqui y Alex Palatnic
  • Valor: 9 puntos de homework (consistente con el esquema del curso)
  • Librerías clave: geopandas, pandas, matplotlib, rasterio, rasterstats
  • Contexto del curso: estimación poblacional con VIIRS y datos administrativos, parte del pipeline hacia modelos espacio-temporales de salud.
  • Alcance: Trabajo grupal por comunas asignadas de Chile. Haré que la lista de regiones esté disponible cuando todos se hayan registrado. Se les asignarán regiones mediante el código disponible aquí (con una seed diferente: he elegido el seed 756, por el código del curso).
  • Objetivo: consolidar una capa comunal con población y proxies satelitales, y producir mapas y análisis exploratorio reproducible.
  • newave.gif Grupos newave.gif
    1. Grupo 1 → Región del Maule
    2. Grupo 2 → egión de Aysén del General Carlos Ibáñez del Campo
    3. Grupo 3 → Región de Coquimbo
    4. Grupo 4 → Región del Biobío
    5. Grupo 5 → Región de Los Ríos
    6. Grupo 6 → Región de Valparaíso
    7. Grupo 7 → Región de Tarapacá
    8. Grupo 8 → Región de Ñuble
    9. Grupo 9 → Región de Magallanes y de la Antártica Chilena
    10. Grupo 10 → Región de Los Lagos
    11. Grupo 11 → Región de La Araucanía

Materiales de estudio

  • Geopandas
    • GIS in geopandas and python [link]
    • Intro to geopandas [link]
    • Joris Van den Bossche's geopandas tutorial [link]
  • Rasterio
    • Official Documentation: Python Quickstart - Rasterio [link]
    • Comprehensive Tutorial: Dealing with Geospatial Raster Data in Python with Rasterio [link]
  • Rasterstats
    • Manual [link]
    • Tutorial [here]

    • Maravillosos tutoriales de nuestro propio Antuan:

      1. Parte I

      1. Parte II

Recommended Study Order

  1. Comenzar con el curso de YouTube de GeoDelta Labs sobre geopandas (2,5 horas)
  2. Leer la guía rápida de Python de rasterio para el manejo de rásteres
  3. Revisar la guía de la comunidad ESRI sobre rasterstats para estadísticas zonales
  4. Practicar con ejemplos de integración geopandas-rasterio
  5. Repasar pandas, scipy, matplotlib en el contexto de visualización geoespacial

Si encuentran un tutorial más claro o una documentación mejor, compártanlo para poder añadirlo aquí y que sirva tanto a los demás como a futuros cursos. Por favor, incluyan el enlace.

Limpieza

  1. Cree la estructura mínima de proyecto:
    • data/raw, data/processed/geo, notebooks, reports, scripts.
  2. Coloque todas las fuentes originales en data/raw; en data/processed/geo guarde la capa comunal ya armonizada (CRS común).
  3. Documente fuentes y versión de cada dataset en reports/README.md.
  4. Cada grupo trabajará solo con sus comunas asignadas, pero el repo debe permitir recomputar para todo Chile con un parámetro.

Mapas de Población y Proxies Satelitales (VIIRS)

Objetivo

Aprender a cargar, unir y visualizar datos geoespaciales en Python; construir un coroplético comunal de población y evaluar la relación población ↔ luces nocturnas como proxy de magnitud urbana (coherente con el temario de Population estimation: Census vs VIIRS).

Parte 1: Búsqueda y preparación de datos

  1. Límites comunales RM: shapefile o geopackage oficial.
  2. Población por comuna: Censo/INE (último año disponible) con códigos administrativos compatibles.
  3. Luces nocturnas (VIIRS): raster reciente (radiance o stable lights).
  4. Puntos: aeropuertos u otra POI para practicar superposición de puntos (estilo tarea2).
  5. Armonice CRS, renombre columnas y verifique joins por código comuna.

Parte 2: Mapa coroplético de población

  1. Cargue límites con geopandas y población con pandas; haga el join.
  2. Genere un coroplético: gdf.plot(column="poblacion") con leyenda, título, scale bar simple y north arrow básico.
  3. Exporte a reports/figs/poblacion_rm.png.

Parte 3: Puntos

  1. Cargue POIs (p. ej., aeropuertos).
  2. Conviértalos a GeoDataFrame y superpóngalos sobre el coroplético con símbolos diferenciados.
  3. Exporte a reports/figs/poblacion_pois.png.

Parte 4: Zonal statistics de VIIRS por comuna

  1. Cargue raster VIIRS con rasterio.
  2. Calcule zonal_stats (media y suma) por comuna; añada las métricas a la capa comunal.
  3. Construya un DataFrame con columnas poblacion y viirsmean/viirssum.

Parte 5: Análisis y visualización

  1. Estime correlación (Pearson/Spearman) entre población y VIIRS; reporte coeficientes y n.
  2. Genere un scatter con línea de tendencia y destaque outliers con labels de comuna.
  3. Incluya dos mapas mínimos: población y VIIRS (clasificación cuantílica).

Entrega

  1. Un .ipynb o .py reproducible en notebooks/ con seed fija y rutas relativas.
  2. reports/README.md con:
    • Fuentes y enlaces de datos, fechas de descarga y licencias.
    • Decisiones de limpieza y CRS usado.
    • Resultados (mapas y gráficos) y 5-8 bullet points de hallazgos. Es decir, qué les llamó la atención numericamente. Por ejemplo, los aeropuertos están en zonas rurales, o la población tiene una cierta distribucipón, etc.
  3. Figuras: al menos dos mapas (población y VIIRS) y un scatter de correlación en reports/figs/.
  4. Estructura de proyecto conforme a Limpieza.

Fecha de entrega

Viernes 3 de octubre de 2025 (11:59pm, hora RM).

Criterios de evaluación

Criterio Puntos
Estructura de proyecto y documentación de fuentes 1.0
Coroplético de población (join correcto, legibilidad) 1.5
Superposición de puntos (POIs) 0.5
Zonal stats de VIIRS por comuna (pipeline correcto) 2.0
Correlación y análisis crítico (interpretación, outliers) 2.0
Calidad de visualizaciones (2 mapas + 1 scatter) 1.0
Reproducibilidad (rutas relativas, seeds, README claro) 1.0
Total 9.0

—

Go to the course's home or to my website.