Planetary Computer con Python

Planetary Computer: guía esencial de TerraClimate con Python

Planetary Computer con Python permite consultar datos climáticos en la nube y analizarlos por territorio. En esta guía aprenderás a abrir el cubo mensual TerraClimate, recortarlo con el límite de la cuenca Maure y obtener series de precipitación y temperatura con xarray.

El resultado será una tabla mensual, un resumen anual y una climatología por mes. También verás cómo validar el sistema de coordenadas, hacer el recorte espacial y exportar los resultados para continuar el análisis en Python, Excel o un SIG.

En pocas palabras: STAC permite localizar el conjunto de datos, Zarr facilita su lectura por partes y Python convierte las variables climáticas en indicadores útiles para una cuenca.

¿Quieres aplicar Python e inteligencia artificial a proyectos ambientales? Participa en el seminario gratuito con certificación de Big Data Academy.

Inscribirme gratis al seminario
Flujo de análisis climático con Planetary Computer, Python y TerraClimate en una cuenca
Flujo de trabajo: desde el cubo climático global hasta los indicadores mensuales de una cuenca.

1. ¿Qué es Microsoft Planetary Computer?

Microsoft Planetary Computer es una plataforma para descubrir y trabajar con datos ambientales alojados en la nube. Su catálogo expone colecciones mediante STAC (SpatioTemporal Asset Catalog), un estándar que ayuda a localizar datos por colección, ubicación, fecha y tipo de activo.

En este flujo no hace falta descargar el cubo climático completo. Python solicita los datos necesarios y xarray permite trabajar con las dimensiones tiempo, latitud y longitud.

  • El catálogo STAC ayuda a localizar la colección y sus activos.
  • Zarr organiza arreglos multidimensionales en fragmentos que pueden leerse por partes.
  • xarray permite seleccionar variables y resumir datos conservando sus coordenadas.

2. ¿Qué datos climáticos ofrece TerraClimate?

TerraClimate es un conjunto de datos climáticos mensuales de cobertura global, con una resolución espacial aproximada de 4 km. Para el ejercicio se analizarán tres variables:

  • ppt: precipitación acumulada mensual, en milímetros.
  • tmin: temperatura mínima mensual, en grados Celsius.
  • tmax: temperatura máxima mensual, en grados Celsius.

La colección de TerraClimate consultada en Planetary Computer indica datos desde 1958 hasta diciembre de 2021. Comprueba el rango temporal en los metadatos antes de iniciar un análisis, porque la cobertura disponible puede actualizarse.

La resolución mensual y espacial es adecuada para estudiar patrones climáticos regionales. No representa las condiciones de cada estación meteorológica ni los cambios dentro de una celda de aproximadamente 4 km.

3. Preparar la cuenca Maure

El análisis parte de un archivo vectorial con el límite de la cuenca. Antes de consultar el cubo, verifica que la capa tenga un sistema de referencia definido, que contenga geometrías y que estas sean válidas. Después, reproyéctala a WGS84 (EPSG:4326), que es el sistema de coordenadas de TerraClimate.

import geopandas as gpd

cuenca = gpd.read_file("cuenca_maure.shp")

if cuenca.empty:
    raise ValueError("La capa de la cuenca está vacía.")
if cuenca.crs is None:
    raise ValueError("La capa no tiene un sistema de referencia definido.")
if cuenca.geometry.is_empty.any():
    raise ValueError("La capa contiene geometrías vacías.")
if not cuenca.geometry.is_valid.all():
    raise ValueError("Revisa y corrige las geometrías inválidas antes de continuar.")

cuenca = cuenca.to_crs("EPSG:4326")
minx, miny, maxx, maxy = cuenca.total_bounds
print("Límites geográficos:", minx, miny, maxx, maxy)

El rectángulo envolvente (bounding box) sirve para reducir la consulta inicial. El polígono exacto se aplicará después para excluir las celdas que quedan fuera de la cuenca.

4. Abrir TerraClimate desde Planetary Computer con Python

En Google Colab o Jupyter, instala las dependencias necesarias. El paquete adlfs permite acceder al activo Zarr alojado en Azure Blob Storage.

%pip install -q planetary-computer pystac-client xarray zarr fsspec adlfs geopandas rioxarray openpyxl

Desde Planetary Computer, conecta el catálogo STAC, abre la colección terraclimate y carga su activo Zarr. Los argumentos de apertura se obtienen de los metadatos del activo para respetar la configuración publicada por Planetary Computer.

import numpy as np
import xarray as xr
import rioxarray
import planetary_computer
from pystac_client import Client

URL_STAC = "https://planetarycomputer.microsoft.com/api/stac/v1"

catalog = Client.open(
    URL_STAC,
    modifier=planetary_computer.sign_inplace
)

coleccion = catalog.get_collection("terraclimate")
activo_zarr = coleccion.assets["zarr-abfs"]

ds = xr.open_zarr(
    activo_zarr.href,
    **activo_zarr.extra_fields.get("xarray:open_kwargs", {}),
    storage_options=activo_zarr.extra_fields.get("xarray:storage_options", {})
)

variables_objetivo = ["ppt", "tmin", "tmax"]
variables_faltantes = [v for v in variables_objetivo if v not in ds.data_vars]
if variables_faltantes:
    raise ValueError(f"Faltan variables en TerraClimate: {variables_faltantes}")

ds = ds[variables_objetivo]
print("Periodo disponible:", str(ds.time.min().values), "a", str(ds.time.max().values))
print("Variables:", list(ds.data_vars))

Revisa las fechas que imprime el conjunto de datos. No supongas que el periodo termina en el año más reciente: utiliza el rango que realmente devuelve la colección.

5. Recortar TerraClimate con el polígono de la cuenca

Primero selecciona el rectángulo envolvente y luego aplica el recorte exacto. El orden de la latitud puede cambiar entre conjuntos de datos; el código identifica si las coordenadas aumentan o disminuyen para construir la selección adecuada.

from shapely.geometry import mapping

lon_primera = float(ds["lon"].values[0])
lon_ultima = float(ds["lon"].values[-1])
lat_primera = float(ds["lat"].values[0])
lat_ultima = float(ds["lat"].values[-1])

lon_slice = slice(minx, maxx) if lon_primera < lon_ultima else slice(maxx, minx)
lat_slice = slice(miny, maxy) if lat_primera < lat_ultima else slice(maxy, miny)

ds_bbox = ds.sel(lon=lon_slice, lat=lat_slice)
if ds_bbox.sizes.get("lat", 0) == 0 or ds_bbox.sizes.get("lon", 0) == 0:
    raise ValueError("El rectángulo de la cuenca no contiene celdas de TerraClimate.")

ds_bbox = ds_bbox.rio.set_spatial_dims(
    x_dim="lon",
    y_dim="lat",
    inplace=False
)
ds_bbox = ds_bbox.rio.write_crs("EPSG:4326", inplace=False)

geometrias = [mapping(geom) for geom in cuenca.geometry]
ds_cuenca = ds_bbox.rio.clip(
    geometrias,
    cuenca.crs,
    drop=True,
    all_touched=False
)

if ds_cuenca.sizes.get("lat", 0) == 0 or ds_cuenca.sizes.get("lon", 0) == 0:
    raise ValueError("El recorte no devolvió celdas. Revisa el polígono y su CRS.")

Si el recorte exacto falla, revisa la geometría, el CRS y los nombres de las dimensiones. No uses el rectángulo como si fuera la cuenca: incluiría áreas externas y alteraría los promedios.

6. Calcular la serie climática mensual

Para resumir la cuenca, se calcula un promedio espacial ponderado por el coseno de la latitud. Esta ponderación aproxima el área de las celdas en una grilla regular de latitud y longitud. Luego se conserva la dimensión temporal y se añaden el año y el mes.

pesos_latitud = xr.DataArray(
    np.cos(np.deg2rad(ds_cuenca["lat"])),
    dims=["lat"],
    coords={"lat": ds_cuenca["lat"]}
)

serie = (
    ds_cuenca
    .weighted(pesos_latitud)
    .mean(dim=["lat", "lon"])
    .to_dataframe()
    .reset_index()
)

serie["anio"] = serie["time"].dt.year
serie["mes"] = serie["time"].dt.month

print(serie.head())

La tabla resultante contiene una fila por mes, con precipitación y temperaturas medias representativas del área recortada. Conserva las unidades de las variables: milímetros para ppt y grados Celsius para tmin y tmax.

7. Crear el resumen anual y la climatología mensual

La precipitación mensual es acumulada, por eso se suma para obtener el total anual. Las temperaturas mínimas y máximas se promedian entre los valores mensuales para describir el año.

resumen_anual = (
    serie.groupby("anio", as_index=False)
    .agg(
        ppt_mm=("ppt", "sum"),
        tmin_media_C=("tmin", "mean"),
        tmax_media_C=("tmax", "mean")
    )
)

climatologia_mensual = (
    serie.groupby("mes", as_index=False)
    .agg(
        ppt_media_mm=("ppt", "mean"),
        tmin_media_C=("tmin", "mean"),
        tmax_media_C=("tmax", "mean")
    )
)

print(resumen_anual.head())
print(climatologia_mensual)

El resumen anual ayuda a comparar años. La climatología mensual promedia cada mes a través de todos los años disponibles y permite reconocer la estacionalidad de la cuenca.

8. Exportar resultados a CSV y Excel

Guarda las tablas para revisarlas, graficarlas o integrarlas en otro flujo de análisis.

from pathlib import Path

carpeta_salida = Path("resultados_terraclimate_maure")
carpeta_salida.mkdir(parents=True, exist_ok=True)

serie.to_csv(carpeta_salida / "serie_mensual.csv", index=False)
serie.to_excel(carpeta_salida / "serie_mensual.xlsx", index=False)

resumen_anual.to_csv(carpeta_salida / "resumen_anual.csv", index=False)
resumen_anual.to_excel(carpeta_salida / "resumen_anual.xlsx", index=False)

climatologia_mensual.to_csv(carpeta_salida / "climatologia_mensual.csv", index=False)
climatologia_mensual.to_excel(carpeta_salida / "climatologia_mensual.xlsx", index=False)

print("Resultados guardados en:", carpeta_salida.resolve())
Series mensuales y resúmenes climáticos obtenidos con Python y TerraClimate
Las tablas exportadas permiten comparar años y describir el ciclo climático mensual de la cuenca.

Errores frecuentes al analizar TerraClimate con Python

  • No revisar los metadatos de Planetary Computer: confirma las fechas disponibles, las variables y las unidades antes de procesar.
  • No revisar el CRS: reproyecta el polígono a EPSG:4326 antes de recortarlo.
  • Usar solo el rectángulo envolvente: aplica también el polígono exacto para excluir celdas externas.
  • Asumir el sentido de la latitud: comprueba si las coordenadas aumentan o disminuyen antes de usar slice.
  • Promediar celdas como si tuvieran la misma superficie: en una grilla latitud-longitud, considera ponderar por latitud.
  • Suponer que los datos llegan hasta el año actual: consulta las fechas disponibles en los metadatos y en el propio cubo.
  • Interpretar el resultado como una medición de estación: TerraClimate es una estimación gridded de escala regional, no una observación puntual.
  • Olvidar las dependencias de exportación: instala openpyxl si vas a escribir archivos Excel.

¿Qué puedes hacer con esta serie climática?

Con las tablas mensuales puedes describir temporadas húmedas y secas, comparar la precipitación entre años y explorar la variabilidad térmica. Para un análisis de impacto o una decisión de manejo, contrasta los resultados con estaciones meteorológicas, información local y el objetivo del estudio. La resolución aproximada de 4 km y la frecuencia mensual no permiten inferir condiciones a escala de parcela ni eventos diarios.

Este flujo de Planetary Computer puede ampliarse a otras variables de TerraClimate, como evapotranspiración, déficit hídrico o humedad del suelo, siempre verificando sus unidades y significado en los metadatos.

Preguntas frecuentes sobre Planetary Computer y TerraClimate

¿Cómo usar Planetary Computer con Python para analizar una cuenca?

Abre la colección TerraClimate desde el catálogo STAC, selecciona el activo Zarr, recorta sus variables con el límite de la cuenca y resume los valores por mes.

¿Necesito descargar todo TerraClimate para empezar?

No. Puedes abrir el activo Zarr y seleccionar primero el periodo y el área de interés. Así evitas descargar el conjunto global completo para este ejercicio.

¿Qué es STAC?

STAC es un estándar para describir y descubrir datos geoespaciales. En Planetary Computer puedes consultar una colección y sus activos mediante el catálogo STAC.

¿Qué periodo cubre TerraClimate?

La metadata de la colección consultada indica un periodo desde 1958 hasta diciembre de 2021. Comprueba el rango temporal que devuelve el catálogo y el cubo en el momento de tu análisis.

¿Qué resolución tiene TerraClimate?

La colección tiene una resolución espacial aproximada de 4 km y una frecuencia mensual. Por ello, es útil para patrones regionales, pero no reemplaza los registros de una estación meteorológica local.

¿Cómo obtengo una serie por cuenca?

Reproyecta el polígono a EPSG:4326, recorta el cubo con la geometría y resume las celdas dentro del área. Para la grilla latitud-longitud, el ejemplo utiliza una ponderación por coseno de latitud.

¿Qué archivos puedo entregar?

Como mínimo, entrega la serie mensual, el resumen anual y la climatología mensual en CSV o Excel, junto con una descripción del periodo, las variables, las unidades y el método de recorte.

Inscríbete al seminario gratuito con certificación

Ya viste cómo convertir un cubo climático en indicadores por cuenca. Da el siguiente paso y participa en el seminario gratuito de Big Data Academy sobre herramientas de Python e inteligencia artificial para el análisis ambiental.

Completa el formulario para reservar tu lugar:

Fuentes y documentación

Oferta educativa: continúa tu formación en análisis ambiental

Si esta guía te ayudó a ver cómo trabajar con datos climáticos en la nube, puedes seguir con una ruta de formación relacionada con el análisis ambiental. Elige según el tipo de proyecto que quieras desarrollar:

Python e IA para Ecología y Bosques

Fortalece tus análisis ambientales con programación e inteligencia artificial, y aplícalos a problemas de ecología y bosques.

Conoce el curso de Python e IA para Ecología y Bosques

Monitoreo de Bosques con Google Earth Engine

Aprende a trabajar con información satelital y a desarrollar flujos de monitoreo para ecosistemas forestales.

Explora el curso de Monitoreo de Bosques con Google Earth Engine

Ecología Espacial con Google Earth Engine

Aprende a analizar patrones ecológicos y relaciones espaciales con herramientas de Google Earth Engine.

Conoce el curso de Ecología Espacial con Google Earth Engine

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Carrito de compra
Scroll al inicio