CODEa Business Logo
Cursos Programación y Automatización

Procesos de datos hiperespectrales utilizando Python

El análisis hiperespectral permite obtener información detallada de la composición mineral y ambiental a partir de imágenes y sensores especializados. En minería, esta técnica se utiliza en

2 horas
Programación y Automatización
On Demand

Lo que aprenderás

Python hiperespectral minería machine learning exploración firmas espectrales clasificación mineral

Contenido del curso

5 módulos · 24 lecciones

Diferencia entre imágenes RGB y datos hiperespectrales.

Sensores y rangos espectrales: visible, UV e infrarrojo.

Tipos de captura: sensores pasivos (drones, satélites) y activos (laboratorio, sondajes).

Aplicaciones en agricultura, medio ambiente y exploración minera.

Desafíos en la adquisición: ruido, nubosidad, ángulos de captura, humedad.

Formatos de archivos hiperespectrales: ASD, binarios y estándares abiertos.

Conversión de datos brutos a curvas espectrales.

Concepto de “curva espectral”: picos, valles y su interpretación mineralógica.

Librerías en Python para hiperespectral: spectral, matplotlib, os.

Organización de datos en DataFrames de Pandas para análisis estructurado.

Exploración inicial y control de calidad de los datos.

Identificación de minerales mediante firmas espectrales de referencia.

Manejo de valores erróneos y clases poco representadas.

Codificación de variables categóricas (encoding).

Feature engineering: generación de curvas derivadas y cocientes espectrales.

División de datasets: entrenamiento, prueba y validación.

Modelos supervisados aplicados:

Clasificación multiclase vs. binaria (ejemplo: detección de White Mica).

Validación de modelos: matriz de confusión, accuracy, recall y métricas balanceadas.

Resultados de clasificación mineral en Python (ejemplo: 88% precisión en White Mica).

Ventajas frente a análisis de laboratorio externo: reducción de tiempos y costos.

Aplicaciones en minería: análisis de testigos, mapeo superficial y exploración avanzada.

Integración con sensores remotos y machine learning no supervisado.

Futuro: integración con Big Data, Inteligencia Artificial y Gemelos Digitales.