Geoestadística

Dirigido a profesionales con título expedido por Universidad Pública o Privada o Extranjera afín a las Ciencias Agropecuarias, Forestales, Biológicas o Ambientales. 

Objetivo General

• Ofrecer a los participantes un espacio para la discusión y generación de conocimientos que les permitan adquirir
  destrezas en el campo de la estadística espacial.

Objetivos Específicos 

• Modelar la variabilidad espacial a partir de datos provenientes de muestreos georreferenciados.
• Familiarizar al participante con las técnicas estadísticas de análisis univariado y multivariado aplicables a datos espaciales.
• Presentar nuevas estrategias para el análisis estadístico con datos espaciales.
• Instruir en el manejo del software R como herramienta
  de análisis para datos espaciales.

Unidad 1

Introducción.
Estadística espacial y datos georreferenciados. Muestreos. Presentación de casos de estudio. Procesos espaciales. Tipos de datos (patrones de punto, geoestadísticos, lattice), enfoques para el tratamiento de datos espaciales.

Unidad 2

Análisis exploratorio para datos espaciales. Visualización de datos, conversión de coordenadas, índices de autocorrelación espacial, identificación y eliminación de outliers globales y outliers espaciales.

Unidad 3

Caracterización de variabilidad espacial. Semivariogramas empíricos y teóricos. Métodos de predicción por Interpolación espacial. Kriging simple, ordinario y universal. Kriging puntual y en bloque. Predicción global y local. Mapeo de la variabilidad espacial. Evaluación de predicciones. Validación cruzada y validación cruzada espacial.

Unidad 4

Caracterización de variabilidad espacial con múltiples capas de datos.
Técnicas de clasificación y reducción de la dimensión. Análisis de cluster k-means y fuzzy k-means. Análisis de Componentes Principales Espacial (MULTISPATI-PCA). Clasificación KMsPC. Construcción de mapas de variabilidad espacial multivariados. Kriging Regresión. Métodos de aprendizaje automático para
predicción espacial: Arboles de Regresión, Random Forest Kriging, Quantile Regression Forest.

28, 29, 30, 31 de julio y 1º de agosto 

9 a 17 hs

Descarga y completa la solicitud de Inscripción Curso y luego enviar a posgrado@agro.unc.edu.ar

Aguardar confirmación de cupo.

Docentes FCA & UNC, profesionales o becarios contemplados en Ordenanza 02/09 o RHCD 792/2019, deberán enviar resoluciones que acrediten su situación de revista.

Dr. Ing. Agr. Mariano Augusto Córdoba

Dr. Ing. Agr. Pablo Paccioretti

Se utilizará el software R (R Core Team, 2025) y RStudio (Posit
team, 2025), interfaz de usuario para R.

Posit team (2025). RStudio: Integrated Development Environment for R. Posit Software, PBC, Boston, MA. URL http://www.posit.co/.
R Core Team (2025). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL http://www.R-
project.org/.

Bibliografía

Bivand, R. S., Pebesma, E. J., Gómez-Rubio, V., & Pebesma, E. J. (2008). Applied spatial data analysis with R (Vol. 747248717, pp. 237-268). New York: Springer.
Córdoba M., Paccioretti P., Giannini Kurina F., Bruno C., Balzarini M. (2019). Guía para el análisis de datos espaciales aplicaciones en agricultura. Serie Estadística Aplicada. Com. Balzarini M. Brujas. Córdoba, Argentina.
Kuhn, M and Johnson, K. (2023) Applied Machine Learning for Tabular Data. https://aml4td.org
Lovelace, R., Nowosad, J., & Muenchow, J. (2025). Geocomputation with R. Chapman and Hall/CRC. https://r.geocompx.org/
Oliver, M. A., & Webster, R. (2015). Basic steps in geostatistics: the variogram and kriging. Springer.
Pebesma, E.; Bivand, R. (2023). Spatial Data Science: With Applications in R (1st ed.). 314 pages. Chapman and Hall/CRC, Boca Raton. https://doi.org/10.1201/9780429459016
Schabenberger, O., & Gotway, C. A. (2005). Statistical methods for spatial data analysis. CRC press.
Webster, R y Oliver, M.A. (2007). Geostatistics for Environmental Scientists. John Wiley & Sons Ltd.

+54 9 351 6134333

posgrado@agro.unc.edu.ar