Google Earth Engine y los incendios de verano: el caso de Cadalso de los Vidrios, Madrid (Julio 2019)

Gracias a la inestimable ayuda de mi compi de co-working Pablo Martín -ingeniero Forestal- con Google Earth Engine hemos modelado este NBR (Normalized Burn Ratio) que usa los canales NIR y SWIR de Sentinel-2 para medir la severidad del incendio de la semana pasada en mi pueblo, Cadalso de los Vidrios (Madrid, España). Rozamos la tragedia en lo personal pero sin duda fue terrible a nivel material. Tardaremos décadas en revertir este funesto incendio…

Seminarios motivacionales para (quizá) futuros Geógrafos

La idea era mostrar el día a día del trabajo de un Geógrafo cualquiera (yo) y el recorrido que me ha llevado hasta aquí. El porqué de la elección de la carrera, los diferentes trabajos, las influencias de otros trabajos a priori sin conexión, el día a día actual, etc.

Análisis de la inundación en Sant Llorenç des Cadassar (Baleares, España) en Octubre 2018

Esta simulación con datos reales permite constatar empíricamente la pésima ubicación del pueblo en medio del cauce de un torrente al mismo tiempo que muestra lo osado de no gastar el dinero suficiente en infrastructuras que salven la vida de los habitantes de un entorno potencialmente peligroso en situaciones de borrascas ocluídas (gotas frías) o ciclogénesis expansivas, tan comunes en esta epoca del año por esta zona.

El láser desvela toda la grandeza de la civilización maya (Fuente: El País)

Esta mañana encontré este interesante reportaje sobre el LIDAR (Laser Imaging Detection and Ranging, detección y localización de imágenes por láser) la tecnología con la que trabajo desde hace años y que a algunos les parece recién inventada, jeje.

Retirada de vehículos por la grúa municipal en Madrid: Una aproximación visual usando Datos Abiertos.

Solo estoy tomando en cuenta 185 puntos debido a las limitaciones de mi servidor de geocode https://www.mapdevelopers.com/batch_geocode_tool.php pero muestra que los datos tienen sentido, siendo el barrio de Sol el que concentra una densidad mayor de actuaciones de la grua municipal. Para el fondo, he usado una conexón WMS a OSM y geometrías de Barrios tomadasContinue reading “Retirada de vehículos por la grúa municipal en Madrid: Una aproximación visual usando Datos Abiertos.”

BGS Geology of Britain: Geovisualization 100%

Oh! a must see: BGS Geology of Britain. Source from http://www.bgs.ac.uk/discoveringGeology/geologyOfBritain/home.html Britain is fortunate in possessing a remarkably varied geology within a relatively small area. The rocks that make up our islands represent a long and complicated history of events. They encompass most of the major periods of geological time and extremes of climate from desert toContinue reading “BGS Geology of Britain: Geovisualization 100%”

Análisis espacial de precios en el mercado inmobiliario (Ejemplo sobre Vicálvaro, Madrid)

Análisis espacial de precios en el mercado inmobiliario

Visualizar mapas animados en el tiempo: Seguimiento de aves en CARTO [ENG]

SuperinteresantE demo para ‘jugar’con datos reales georeferenciados desde la aplicación CARTO. Tres aves migrando desde El Norte de Europa hasta el África subsahariana. Source: https://carto.com/learn/guides/styling/animating-maps-with-point-data This guide describes how to visualize point data over time, by applying the ANIMATED aggregation style to animate your map. This feature requires a map layer containing point geometries withContinue reading “Visualizar mapas animados en el tiempo: Seguimiento de aves en CARTO [ENG]”

Homicidio doloso en Ciudad de México 2013-2015

Recibí este link por Facebook hace un rato (Gracias Paco!)… https://hoyodecrimen.com/mapa#/19.4052/-99.0987/12 y me dediqué unos minutos a analizar un hecho puntual, el homicidio doloso, en un periodo concreto de tiempo, de 2013 a 2015. Veamos la previsualización de todos los homicidios ocurridos en 2013 en CARTO. El autor de la página llamada CRIMEN POR TUContinue reading “Homicidio doloso en Ciudad de México 2013-2015”

Allocation analysis: Attaching customers to facilities

Allocates a set of demand points (Customers) to user specified number of supply points (Facilities) out of a Facilities point dataset based on the Euclidian distance between the Customers and Facilities.