Python para Geólogos

Versión: 2.5 (Noviembre 2024)

Si tienes cuenta en Github, no olvides darle una estrella al proyecto para que siga creciendo ⭐ ***

portada

Autor: Kevin Alexander Gómez

Contacto: kevinalexandr19@gmail.com | Linkedin | Github

¿Quieres probar el código en menos de 2 minutos y sin necesidad de instalar Python?

Ingresa a la aplicación haciendo clic aquí ☞ ***

¿Tienes Python instalado en tu computadora?

Puedes descargar todo el contenido del proyecto haciendo clic aquí ☞

Descripción

Este proyecto académico fue creado con la finalidad de facilitar el aprendizaje en Python para estudiantes y profesionales en el campo de la Geología y ramas afines.

Desarrollando un pensamiento algorítmico, aprenderás a usar código en Python para la solución de problemas en Geología.

Es recomendable tener conocimientos previos en geología general, estadística y álgebra lineal.
También es importante tener perseverancia para aprender cada tema y creatividad para resolver problemas.

Índice

Todos los capítulos están disponibles dentro del repositorio como notebooks de Jupyter .ipynb.
Es recomendable descargar el contenido del repositorio y usarlo como plantilla para desarrollar tus propios notebooks.

La mayoría de notebooks están listos (✔️), pero algunos todavía están en desarrollo (⏳).

Fundamentos de programación geológica
- PG001 - Fundamentos de Python
  - Variables geológicas ✔️
  - ¿Cómo mostrar un resultado en Python? ✔️
  - Lógica computacional ✔️
  - Estructuras de datos ✔️
  - Automatización de tareas en Geología ✔️
  - Programación orientada a objetos ✔️
  - Palabras reservadas en Python ✔️
- PG002 - Librerías fundamentales de Python
  - Numpy ✔️
  - Pandas ✔️
  - Matplotlib ✔️
  - SQLite - Bases de datos ✔️
  - Midiendo el tiempo con Python ✔️
- PG003 - Librerías de automatización
  - Interactividad en Python ✔️
  - Procesando PDFs en Python ✔️
  - Automatización de reportes ✔️
- PG099 - Ejercicios de programación geológica ✔️
- PG099 - Ejercicios de programación geológica (Solucionario) ✔️
Estadística y Matemática
- PG101 - Fundamentos de Estadística
  - Estadística descriptiva ✔️
  - Variables aleatorias ✔️
  - Estadística inferencial ⏳
  - Bootstrap ✔️
  - Simulación de Montecarlo ✔️
  - Datasaurus ✔️
- PG102 - Análisis de datos en Geología
  - Análisis descriptivo ✔️
  - Análisis exploratorio de datos ⏳
  - Análisis inferencial ⏳
- PG103 - Visualización de datos en Geología
  - Seaborn ✔️
  - Plotly ✔️
  - Visualización de datos ✔️
  - Visualización de sondajes en 3D ✔️
  - Visualización de un modelo de bloques en 3D ✔️
Ciencia de datos y Machine Learning
- PG200 - Fundamentos de Machine Learning ✔️
  - Descenso del Gradiente ✔️
- PG201 - Aprendizaje supervisado
  - Regresión lineal ✔️
  - Regresión logística ✔️
  - Árboles de decisión (DT) ✔️
  - Random Forest (RF) ✔️
  - Support Vector Machine (SVM) ⏳
  - K-Nearest Neighbors (KNN) ⏳
  - Extreme Gradient Boosting (XGBoost) ✔️
- PG202 - Aprendizaje no supervisado
  - Análisis de componentes principales (PCA) ✔️
  - Clustering con K-means ⏳
- PG203 - Deep Learning
  - Fundamentos de Deep Learning ⏳
  - Redes neuronales desde cero ✔️
  - Autoencoders (AE) ⏳
  - Generative Adversarial Networks (GAN) ⏳
Aplicaciones en Geología
- PG301 - Geoestadística
  - Introducción al Variograma ✔️
  - Variograma 1D ✔️
  - Declustering ✔️
- PG302 - Geoquímica
  - Pyrolite ✔️
  - Diagramas ternarios ⏳
  - Diagrama de clasificación QAP ⏳
- PG303 - Análisis geoespacial
  - Shapely ✔️
  - Geopandas ✔️
  - Rioxarray ✔️
  - Leafmap ✔️
  - Geoherencia ⏳
- PG304 - Geofísica
  - Anomalía de Bouguer ⏳
  - Intensidad magnética total y residual ⏳
  - Intensidad radiométrica ⏳
- PG305 - Geología económica y Exploración mineral
  - Introducción a la Geología Económica ⏳
  - Bases de datos - Sondajes ✔️
  - Mapeo de prospectividad mineral ⏳
- PG306 - Estratigrafía y Sedimentología
  - StratiLib - Columnas estratigráficas ✔️
- PG307 - Geología estructural y Geomecánica
  - Mplstereonet ✔️
  - Estimación de la probabilidad de fallo en un talud ✔️
- PG308 - Geología del Petróleo
  - Introducción a la Geología del Petróleo ⏳
  - Petrofísica ⏳
  - Visualización de registros de pozo ✔️

Plantillas de trabajo

Plantilla para visualizar sondajes en 3D ✔️

¿Cómo usar el contenido de este proyecto?

El proyecto contiene documentos en formato .ipynb y se pueden abrir de las siguientes formas:

A través de un navegador web, usando la aplicación de Google Colab.
Usando Binder, una aplicación web que permite ejecutar código arbitrario dentro de un entorno virtual (similar a Google Colab).
A través de un editor de código instalado en tu computadora, como por ejemplo: Jupyter Lab, Jupyter Notebook o Visual Studio Code.

Si no tienes instalado Python, puedes seguir las indicaciones del archivo instalar_python.ipynb.

Referencias

Barbieri, R., Garelik, C. (2022). La matemática y las geociencias. Editorial UNRN (pp. 15 y 136).
Bhattacharya, S. (2021). A Primer on Machine Learning in Subsurface Geosciences.
GEOROC (2023). Geochemistry of Rocks of the Oceans and Continents. Geoscience Centre Göttingen, Germany.
Kinsley, H., & Kukiela, D. (2020). Neural Networks from Scratch in Python. Sentdex.
Mälicke, M. (2022). SciKit-GStat 1.0: a SciPy-flavored geostatistical variogram estimation toolbox written in Python. European Geosciences Union, Volume 15, issue 6. Institute for Water and River Basin Management, Karlsruhe Institute of Technology (KIT), Karlsruhe, Germany.
Marsden, Eric. (2021). Monte Carlo simulation for estimating slope failure risk.
Merlino, Rubens (2022). Stratilib.
Petrelli, M. (2021). Introduction to Python in Earth Science Data Analysis. Repositorio en Github.
Petrelli, M. (2023). Machine Learning for Geosciences
Prieto Gómez, G. (2024). Introducción a Python para geociencias. Universidad Nacional de Colombia, Sede Bogotá, Facultad de Ciencias.
Pyrcz, M. (2021). Python Numerical Demos.
Suarez-Burgoa, L. (2017). Matematización de la geología. Boletín de Ciencias de la Tierra 41 (pp. 30 - 38). Universidad Nacional de Colombia.
Trauth, M. (2022). Python Recipes for Earth Sciences. Institute of Geosciences, University of Potsdam, Potsdam, Brandenburg, Germany.
Wu, Qiusheng (2023). Leafmap Geopython Tutorials.