# Instalación de pygbif
!pip install pygbif --quiet

   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 70.2/70.2 kB 2.0 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 61.4/61.4 kB 2.5 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 66.4/66.4 kB 2.9 MB/s eta 0:00:00

from pygbif import occurrences
import pandas as pd # biblioteca para análisis de datos

# Nombre científico de la especie a buscar, debe coincidir con el nombre registro en Gbif
especie = "Porthidium"

limite = 250   # Límite de registros por solicitud
offset = 0    # Desplazamiento para iniciar la solicitud
registros_acumulados = []  # Lista para acumular los resultados

# Ciclo que obtiene los registros en la cantidad especificada
# en la variable limite
while True:
    # Solicitud, en esta sección se delimita los párametros de busqueda.
    res = occurrences.search(
        scientificName=especie,
        hasCoordinate=True,
        hasGeospatialIssue=False,
        limit=limite,
        offset=offset
    )

    # Extraer resultados
    registros = res.get("results", [])

    # Si ya no hay resultados, se detiene el ciclo
    if not registros:
        break

    # Agregar registros nuevos al acumulado
    registros_acumulados.extend(registros)

    # Actualizar el offset para la siguiente "página"
    offset += limite

# Convertir todo a un DataFrame de pandas
presencia = pd.DataFrame(registros_acumulados)

# Cantidad de registros de presencia recuperados
print(f"Se recuperaron {len(presencia)} registros de presencia")

# Muestra de los registros recuperados, seleccionando solo las columnas presentes
columnas_disponibles = presencia.columns.intersection(['species', 'basisOfRecord', 'countryCode', 'locality', 'decimalLongitude', 'decimalLatitude', 'eventDate', 'year', 'recordedBy'])

# Get the minimum between the desired sample size and the actual number of rows.
sample_size = min(10, len(presencia[columnas_disponibles]))

# Sample the DataFrame with the adjusted sample size or with replacement if the sample size is 0.
if sample_size > 0:
    presencia[columnas_disponibles].sample(sample_size)
else:
    # If there are no rows to sample, you can display a message or handle it differently.
    print("No rows to sample.")

Se recuperaron 2919 registros de presencia

# Importación de matplotlib
import matplotlib.pyplot as plt

# 1. Contar registros por país
registros_x_pais = presencia['country'].value_counts()

# 2. Generar un gráfico de barras
plt.figure(figsize=(10, 6)) # tamaño del gráfico
registros_x_pais.plot(kind='bar')

# 3. Especificar el título y las etiquetas del gráfico
plt.title('Cantidad de registros por país')
plt.xlabel('País')
plt.ylabel('Cantidad de registros')

# 4. Mostrar el gráfico
plt.show()

# Carga de geopandas con el alias gdp
import geopandas as gpd

# Carga de pandas con el alias pd
import pandas as pd

# Carga de folium
import folium

# Carga de matplotlib
import matplotlib.pyplot as plt

# Biblioteca requerida para mapas interactivos
!pip install mapclassify --quiet

import mapclassify

   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 0.0/59.1 kB ? eta -:--:--
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 59.1/59.1 kB 2.5 MB/s eta 0:00:00

# Montar unidad drive para cargar base de datos de registros en Costa Rica
from google.colab import drive
drive.mount('/content/drive')

Mounted at /content/drive

# Crear un DataFrame con registros de presencia de porthidium
porthidium_df = pd.read_csv(
    '//content/drive/MyDrive/Colab Notebooks/Datos proyecto final/2025/Porthidium sp_CR.csv',
    sep='\t',
)

# Crear un GeoDataFrame a partir del DataFrame
porthidium_gdf = gpd.GeoDataFrame(
    porthidium_df,
    geometry=gpd.points_from_xy(porthidium_df.decimalLongitude, porthidium_df.decimalLatitude),
    crs='EPSG:4326'
)

# Mostrar los primeros registros del GeoDataFrame,
# incluyendo la columna de geometría
porthidium_gdf[['gbifID', 'species', 'decimalLongitude', 'decimalLatitude', 'geometry']].head(20)

/usr/local/lib/python3.11/dist-packages/geopandas/geoseries.py:860: UserWarning: GeoSeries.notna() previously returned False for both missing (None) and empty geometries. Now, it only returns False for missing values. Since the calling GeoSeries contains empty geometries, the result has changed compared to previous versions of GeoPandas.
Given a GeoSeries 's', you can use '~s.is_empty & s.notna()' to get back the old behaviour.

To further ignore this warning, you can do: 
import warnings; warnings.filterwarnings('ignore', 'GeoSeries.notna', UserWarning)
  return self.notna()

# Crear un geodataframe con datos y polígonos de provincias
provincias_gdf = gpd.read_file(
    '/content/drive/MyDrive/Colab Notebooks/Datos Tarea 3/Provincias.gpkg'
)

# Mostrar los primeros registros del GeoDataFrame,
# incluyendo la columna de geometría
provincias_gdf[['PROVINCIA', 'AREA', 'geometry']].head(7)

# Mapa estático de registros de porthidium
porthidium_gdf.plot()
provincias_gdf.plot()

<Axes: >

# Crear figura y ejes
fig, ax = plt.subplots(figsize=(8, 6))

# Capa de provincias de Costa Rica
provincias_gdf[(provincias_gdf['PROVINCIA'] == 'Guanacaste') | (provincias_gdf['PROVINCIA'] == 'Alajuela') | (provincias_gdf['PROVINCIA'] == 'Cartago') | (provincias_gdf['PROVINCIA'] == 'Heredia') | (provincias_gdf['PROVINCIA'] == 'Limón') | (provincias_gdf['PROVINCIA'] == 'Puntarenas') | (provincias_gdf['PROVINCIA'] == 'San José') ].plot(
    ax=ax,
    color="white",
    edgecolor="black"
)

# Capa de registros de porthidium en Guanacaste y Alajuela
porthidium_gdf[(porthidium_gdf['decimalLongitude'] < 0) & (porthidium_gdf['decimalLatitude'] < 16)].plot(
    ax=ax,
    marker="o",
    color="red",
    markersize=5
)

<Axes: >

# Mapa interactivo de registros de porthidium
porthidium_gdf[(porthidium_gdf['decimalLongitude'] < 0) & (porthidium_gdf['decimalLatitude'] < 16)].explore()

# Filtrar los datos
porthidium_provincias_gdf = porthidium_gdf[(porthidium_gdf['decimalLongitude'] < 0) & (porthidium_gdf['decimalLatitude'] < 16)]
provincias_costarica_gdf = provincias_gdf[(provincias_gdf['PROVINCIA'] == 'Guanacaste') | (provincias_gdf['PROVINCIA'] == 'Alajuela')| (provincias_gdf['PROVINCIA'] == 'Cartago') | (provincias_gdf['PROVINCIA'] == 'Heredia') | (provincias_gdf['PROVINCIA'] == 'Limón') | (provincias_gdf['PROVINCIA'] == 'Puntarenas') | (provincias_gdf['PROVINCIA'] == 'San José') ]

# Definir un índice
provincias_costarica_gdf.set_index('PROVINCIA', inplace=True)

# Unión (join) espacial
porthidium_provincias_costarica_gdf = porthidium_provincias_gdf.sjoin(
    provincias_gdf,
    predicate='intersects'
)

porthidium_provincias_costarica_gdf[['gbifID', 'species', 'CÓDIGO_PR', 'PROVINCIA']].head(200)

# Conteo de especies en cada provincia
conteo_especies_por_provincia = porthidium_provincias_costarica_gdf.groupby("PROVINCIA").species.nunique()

# Convertir la serie a dataframe
conteo_especies_por_provincia = conteo_especies_por_provincia.reset_index()

# Definir un índice
conteo_especies_por_provincia.set_index('PROVINCIA', inplace= True)

# Cambio de nombre de columna
conteo_especies_por_provincia.rename(columns = {'species': 'especies_porthidium'}, inplace = True)

# Despliegue de países y cantidades de especies
conteo_especies_por_provincia.sort_values(by="especies_porthidium", ascending=False)

# Join para agregar la columna con el conteo a la capa provincias
provincias_costarica_riqueza_porthidium_gdf = provincias_costarica_gdf.join(conteo_especies_por_provincia)

provincias_costarica_riqueza_porthidium_gdf[['especies_porthidium']].sort_values(by='especies_porthidium', ascending=False)

# Capa de provincias
m = provincias_gdf[(provincias_gdf['PROVINCIA'] == 'Guanacaste') | (provincias_gdf['PROVINCIA'] == 'Alajuela')| (provincias_gdf['PROVINCIA'] == 'Cartago') | (provincias_gdf['PROVINCIA'] == 'Heredia') | (provincias_gdf['PROVINCIA'] == 'Limón') | (provincias_gdf['PROVINCIA'] == 'Puntarenas') | (provincias_gdf['PROVINCIA'] == 'San José')].explore(
    name='Provincias',
    tooltip=['PROVINCIA'],
    popup=True,
    style_kwds={
        'fillColor': 'lightgray',
        'color': 'green',
        'weight': 1,
        'fillOpacity': 0.5
    }
)

# Capa de porthidium
porthidium_gdf[(porthidium_gdf['decimalLongitude'] < 0) & (porthidium_gdf['decimalLatitude'] < 16)].explore(
    m=m, # se usa el mapa que se creó en la instrucción anterior
    name='Porthidium',
    marker_type='circle',
    marker_kwds={'radius': 20, 'color': 'red'},
    tooltip=['species', 'locality', 'eventDate'],
    popup=True
)

# Agregar un control de capas al mapa
folium.LayerControl().add_to(m)

# Definir colores manualmente para cada especie
colores_personalizados = {
    "Porthidium nasutum":     "#d7ca31",          # Amarillo verdoso
    "Porthidium ophryomegas": "#8a7154",      # Café opaco
    "Porthidium volcanicum":  "#3357FF",       # Azul fuerte
    "Porthidium porrasi":     "#F4A460",          # Marrón claro
}

# Get unique species from the 'species' column of porthidium_gdf
especies_unicas = porthidium_gdf['species'].unique()

# Si una especie no tiene color definido, asignar un color gris por defecto
colores = {especie: colores_personalizados.get(especie, "#808080") for especie in especies_unicas}

# Agregar puntos al mapa, diferenciando cada especie por color
for _, row in porthidium_gdf.iterrows():
    # Check if the species is in the colores dictionary and coordinates are valid
    if row["species"] in colores and not pd.isna(row["decimalLatitude"]) and not pd.isna(row["decimalLongitude"]):
        folium.CircleMarker(
            location=[row["decimalLatitude"], row["decimalLongitude"]],
            radius=1,
            color=colores[row["species"]],
            fill=True,
            fill_color=colores[row["species"]],
            fill_opacity=0.2,
            popup=f"{row['species']}"  # Muestra el nombre de la especie al hacer clic
        ).add_to(m)
    else:
        print(f"Warning: Species '{row['species']}' not found in color dictionary. Skipping.")

# Agregar un control de capas al mapa
folium.LayerControl().add_to(m)

# Mostrar el mapa interactivo
m

# Instalación de rasterio
!pip install rasterio --quiet

   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 22.2/22.2 MB 67.1 MB/s eta 0:00:00

# Carga de rasterio
import rasterio

# Carga de rasterio.plot (para graficar datos raster)
import rasterio.plot

# Carga de numpy (para álgebra lineal)
import numpy as np

# Carga de matplotlib.pyplot
import matplotlib.pyplot as plt

# Carga de datos de temperatura media anual
temperatura_media_anual = rasterio.open(
    'https://github.com/datos-geoespaciales-biodiversidad/python/raw/refs/heads/main/datos/clima/worldclim/2.1-10m-bio/wc2.1_10m_bio_1.tif'
)

print(temperatura_media_anual)

<open DatasetReader name='https://github.com/datos-geoespaciales-biodiversidad/python/raw/refs/heads/main/datos/clima/worldclim/2.1-10m-bio/wc2.1_10m_bio_1.tif' mode='r'>

# Nombre de la fuente de datos
temperatura_media_anual.name

# CRS
temperatura_media_anual.crs

# Resolución (tamaño de cada celda)
temperatura_media_anual.res

# Límites
temperatura_media_anual.bounds

# Todos los metadatos
temperatura_media_anual.meta

{'driver': 'GTiff',
 'dtype': 'float32',
 'nodata': -3.3999999521443642e+38,
 'width': 2160,
 'height': 1080,
 'count': 1,
 'crs': CRS.from_wkt('GEOGCS["WGS 84",DATUM["WGS_1984",SPHEROID["WGS 84",6378137,298.257223563,AUTHORITY["EPSG","7030"]],AUTHORITY["EPSG","6326"]],PRIMEM["Greenwich",0,AUTHORITY["EPSG","8901"]],UNIT["degree",0.0174532925199433,AUTHORITY["EPSG","9122"]],AXIS["Latitude",NORTH],AXIS["Longitude",EAST],AUTHORITY["EPSG","4326"]]'),
 'transform': Affine(0.16666666666666666, 0.0, -180.0,
        0.0, -0.16666666666666666, 90.0)}

import rasterio
from rasterio import plot # Asegurarse de importar el submódulo plot de rasterio

# Mapa de temperatura media anual
rasterio.plot.show(temperatura_media_anual)
fig, ax = plt.subplots(figsize=(8, 8))

# Mapa de temperatura media anual
rasterio.plot.show(
    temperatura_media_anual,
    cmap="coolwarm", # colores
    ax=ax,
    title="Temperatura media anual Costa Rica"
)

# Agregar una leyenda
cbar = fig.colorbar(ax.images[0], ax=ax, shrink=0.8)
cbar.set_label('°C')

# Limitar el rango de los ejes
ax.set_xlim(-88.0, -80.0)
ax.set_ylim(5.0, 12.0)

plt.show()

# Lectura de imagen Sentinel
import rasterio # Importación del módulo rasterio

imagen = rasterio.open(
    '/content/drive/MyDrive/Colab Notebooks/Datos proyecto final/2025/2025-03-03-00_00_2025-03-03-23_59_Sentinel-2_L1C_NDVI.tiff'
)

print(imagen)

<open DatasetReader name='/content/drive/MyDrive/Colab Notebooks/Datos proyecto final/2025/2025-03-03-00_00_2025-03-03-23_59_Sentinel-2_L1C_NDVI.tiff' mode='r'>

# Metadatos
imagen.meta

{'driver': 'GTiff',
 'dtype': 'float32',
 'nodata': None,
 'width': 2398,
 'height': 1546,
 'count': 3,
 'crs': CRS.from_wkt('GEOGCS["WGS 84",DATUM["WGS_1984",SPHEROID["WGS 84",6378137,298.257223563,AUTHORITY["EPSG","7030"]],AUTHORITY["EPSG","6326"]],PRIMEM["Greenwich",0,AUTHORITY["EPSG","8901"]],UNIT["degree",0.0174532925199433,AUTHORITY["EPSG","9122"]],AXIS["Latitude",NORTH],AXIS["Longitude",EAST],AUTHORITY["EPSG","4326"]]'),
 'transform': Affine(8.99826317056265e-05, 0.0, -85.78186798724347,
        0.0, -8.995195923314384e-05, 10.969215705051996)}

# Lista de nombres de bandas
nombres_bandas = [
    "aerosol de costa",
    "azul",
    "verde",
    "roja",
    "NIR",
    "SWIR1",
    "SWIR2"
]

# Import necessary modules
import rasterio
import rasterio.plot  # Import the plot submodule

# Visualización de una banda
rasterio.plot.show((imagen, 1), cmap="Greys_r")

<Axes: >

fig, axes = plt.subplots(nrows=4, ncols=2, figsize=(8, 10))
axes = axes.flatten()

for banda in range(1, imagen.count + 1):
    datos = imagen.read(banda)
    ax = axes[banda - 1]
    im = ax.imshow(datos, cmap="BrBG_r")
    ax.set_title(f"Banda {nombres_bandas[banda - 1]}")
    fig.colorbar(im, ax=ax, label="Reflectancia", shrink=0.8)

plt.tight_layout()
plt.show()

import rasterio
import rasterio.plot
import numpy as np  # Import numpy
import matplotlib.pyplot as plt

red_band = imagen.read(1).astype('float32')

# The raster only has one band, so we'll use that for green and nir as well
green_band = imagen.read(1).astype('float32')  # Using band 1 for green
nir_band = imagen.read(2).astype('float32')  # Using band 1 for nir

# Manejar valores NaN
nir_band = np.nan_to_num(nir_band, nan=nir_band.min())
red_band = np.nan_to_num(red_band, nan=red_band.min())
green_band = np.nan_to_num(green_band, nan=green_band.min())

# Normalizar las bandas
nir_norm = (nir_band - nir_band.min()) / (nir_band.max() - nir_band.min())
red_norm = (red_band - red_band.min()) / (red_band.max() - red_band.min())
green_norm = (green_band - green_band.min()) / (green_band.max() - green_band.min())

# Verificar que los valores están entre 0 y 1
nir_norm = nir_norm.clip(0, 1)
red_norm = red_norm.clip(0, 1)
green_norm = green_norm.clip(0, 1)

# Arreglo de bandas
rgb = np.dstack((red_norm, green_norm, nir_norm))

# Cálculo del NDVI: NDVI = (NIR - roja) / (NIR + roja)
ndvi = (nir_band - red_band) / (nir_band + red_band)
ndvi = ndvi.clip(-1, 1)

plt.figure(figsize=(8, 8))
plt.imshow(ndvi, cmap="RdYlGn", vmin=-1, vmax=1)
plt.colorbar(label="NDVI", shrink=0.5)
plt.title("NDVI")
plt.show()

import numpy as np
import rasterio
from rasterio.transform import from_origin
import geopandas as gpd
from pygbif import occurrences
import pandas as pd

# Instalación de leafmap
!pip install leafmap --quiet

# Instalación de rasterio
!pip install rasterio --quiet

# Instalación de mapclassify
!pip install mapclassify --quiet

# Instalación de localtileserver
!pip install localtileserver --quiet

# Para mapas interactivos
import leafmap

# Para datos vectoriales
import geopandas as gpd

# Para datos raster
import rasterio

# Para gráficos
import matplotlib.pyplot as plt

# Para crear rampas de colores
from matplotlib.colors import LinearSegmentedColormap

# Para álgebra lineal
import numpy as np

# Para permitir widgets de JavaScript
from google.colab import output
output.enable_custom_widget_manager()

   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 0.0/519.2 kB ? eta -:--:--
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━╺━━━━━━━━━━━ 368.6/519.2 kB 11.2 MB/s eta 0:00:01
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 519.2/519.2 kB 9.5 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 219.1/219.1 kB 13.0 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 7.7/7.7 MB 71.4 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 41.4/41.4 kB 2.1 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 108.6/108.6 kB 5.3 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 2.7/2.7 MB 67.2 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 765.5/765.5 kB 32.8 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 194.2/194.2 kB 9.4 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 74.0/74.0 kB 3.5 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1.6/1.6 MB 49.3 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 17.1/17.1 MB 48.5 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 2.8/2.8 MB 54.5 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 267.5/267.5 kB 15.8 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 52.8/52.8 kB 3.2 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 49.5/49.5 kB 2.8 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 195.0/195.0 kB 11.6 MB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 62.3/62.3 kB 3.8 MB/s eta 0:00:00

# Crear un geodataframe con datos y polígonos de áreas de conservación, Costa Rica
ac_gdf = gpd.read_file(
    '/content/drive/MyDrive/Colab Notebooks/Datos proyecto final/2025/ACs.gpkg'
)

# Crear mapa leafmap
m = leafmap.Map(height="400px")

# Agregar capa base
m.add_basemap("CartoDB.Positron")

# Definir estilo
style = {"color": "black", "fillColor": "black", "fillOpacity": 0.1, "weight": 2}

# Agregar un geodataframe al mapa
m.add_gdf(
    ac_gdf,
    style=style,
    layer_name="ACs",
    zoom_to_layer=True
)

# Desplegar el mapa
m

Map(center=[20, 0], controls=(ZoomControl(options=['position', 'zoom_in_text', 'zoom_in_title', 'zoom_out_text…

# Crear mapa leafmap
m = leafmap.Map(height="400px")

# Agregar capa de datos vectoriales
m.add_data(
    ac_gdf,
    column="area_ha", # columna para el mapa de coropletas
    scheme="Quantiles", # esquema de clasificación
    cmap="Oranges", # paleta de colores
    legend_title="Áreas de Conservación"
)

# Desplegar el mapa
m

Map(center=[20, 0], controls=(ZoomControl(options=['position', 'zoom_in_text', 'zoom_in_title', 'zoom_out_text…

import leafmap
import geopandas as gpd
from pygbif import occurrences
import pandas as pd

# 🔹 Definir la especie a consultar
especie = "porthidium"  # Cambia esto por la especie que desees
archivo_ac = "ACs.gpkg"  # Cambia por tu archivo SHP o GeoJSON
import leafmap
import geopandas as gpd
from pygbif import occurrences
import pandas as pd

# 🔹 Definir la especie a consultar
especie = "porthidium"  # Cambia esto por la especie que desees
archivo_ac = "ACs.gpkg"  # Cambia por tu archivo SHP o GeoJSON

# 🔹 Cargar las Áreas de Conservación en un GeoDataFrame
ac = gpd.read_file("/content/drive/MyDrive/Colab Notebooks/Datos proyecto final/2025/ACs.gpkg").to_crs("EPSG:4326")

# 🔹 Obtener datos de ocurrencia desde GBIF
print(f"Descargando datos de GBIF para: {especie}...")
datos = occurrences.search(scientificName=especie, limit=3000)  # Puedes aumentar el límite

# Convertir a DataFrame
ac_df = pd.DataFrame(datos["results"])

# 🔹 Filtrar registros con coordenadas válidas
ac_df = ac_df.dropna(subset=["decimalLatitude", "decimalLongitude"])

# Convertir los datos a un GeoDataFrame
ac_gdf = gpd.GeoDataFrame(ac_df,
                       geometry=gpd.points_from_xy(ac_df["decimalLongitude"], ac_df["decimalLatitude"]),
                       crs="EPSG:4326")  # Sistema de coordenadas geográficas WGS84

# 🔹 Crear el mapa centrado en los datos de la especie
m = leafmap.Map(center=[ac_gdf.geometry.y.mean(), ac_gdf.geometry.x.mean()], zoom=5)

# Agregar los puntos al mapa
m.add_gdf(ac_gdf, layer_name=especie, marker=True, icon_colors=["red"])

# Mostrar el mapa
m
print(f"Descargando datos de GBIF para: {especie}...")
datos = occurrences.search(scientificName=especie, limit=3000)  # Puedes aumentar el límite

# Convertir a DataFrame
ac_df = pd.DataFrame(datos["results"])

# 🔹 Filtrar registros con coordenadas válidas
ac_df = df.dropna(subset=["decimalLatitude", "decimalLongitude"])

# 🔹 Realizar la unión espacial (spatial join) para filtrar
ac_gdf_filtrado = gpd.sjoin(ac_gdf, ac, how="inner", predicate="intersects")

# Convertir los datos a un GeoDataFrame
ac_gdf = gpd.GeoDataFrame(ac_df,
                       geometry=gpd.points_from_xy(ac_df["decimalLongitude"], ac_df["decimalLatitude"]),
                       crs="EPSG:4326")  # Sistema de coordenadas geográficas WGS84

# 🔹 Crear el mapa interactivo
m = leafmap.Map(center=[9.75, -84], zoom=7)

# Agregar Áreas de Conservación
m.add_gdf(ac, layer_name="ACs", style={"color": "green", "fillOpacity": 0.2})

# Agregar puntos filtrados
m.add_gdf(ac_gdf_filtrado, layer_name=especie, marker=True, icon_colors=["red"])

# Mostrar el mapa interactivo
m

Descargando datos de GBIF para: porthidium...
Descargando datos de GBIF para: porthidium...

Map(center=[9.75, -84], controls=(ZoomControl(options=['position', 'zoom_in_text', 'zoom_in_title', 'zoom_out_…

import rasterio
import geopandas as gpd
import pandas as pd
from shapely.geometry import Point
from rasterio.plot import show
import matplotlib.pyplot as plt
from shapely.geometry import Point, box


# Definir rutas de los archivos
raster_path = "/content/drive/MyDrive/Colab Notebooks/Datos proyecto final/2025/2025-03-03-00_00_2025-03-03-23_59_Sentinel-2_L1C_NDVI.tiff"  # Cambia esto con tu ruta
csv_path = "/content/drive/MyDrive/Colab Notebooks/Datos proyecto final/2025/Porthidium sp_CR.csv"            # Cambia esto con tu ruta

# Leer el archivo ráster
raster = rasterio.open(raster_path)

# Leer el archivo CSV
df = pd.read_csv(csv_path, sep='\t')

# Cálculo del NDVI: NDVI = (NIR - roja) / (NIR + roja)
ndvi = (nir_band - red_band) / (nir_band + red_band)
ndvi = ndvi.clip(-1, 1)


# Verificar que el CSV tiene las columnas necesarias
if not {"decimalLongitude", "decimalLatitude"}.issubset(df.columns):
    raise ValueError("El CSV debe contener las columnas 'decimalLongitude' y 'decimalLatitude'")

# Convertir a GeoDataFrame
geometry = [Point(xy) for xy in zip(df["decimalLongitude"], df["decimalLatitude"])]
gdf = gpd.GeoDataFrame(df, geometry=geometry, crs="EPSG:4326")  # Suponiendo WGS84

# Reproyectar al CRS del ráster
gdf = gdf.to_crs(raster.crs)

# Obtener los límites del ráster como un polígono
bounds = raster.bounds  # (min_x, min_y, max_x, max_y)
raster_box = box(bounds.left, bounds.bottom, bounds.right, bounds.top)

# Filtrar solo los puntos dentro del ráster
gdf_within_raster = gdf[gdf.geometry.within(raster_box)]

# Graficar el NDVI
fig, ax = plt.subplots(figsize=(10, 8))
show(ndvi, transform=raster.transform, cmap="RdYlGn", ax=ax)  # Verde = más vegetación
gdf_within_raster.plot(ax=ax, color="black", markersize=10, label="Registros P. Oprhyomegas")
plt.legend()
plt.title("Registros P. Ophryomegas")
plt.colorbar(plt.cm.ScalarMappable(cmap="RdYlGn"), ax=ax, label="NDVI")
plt.show()

# Mostrar cuántos puntos fueron filtrados
print(f"Total de puntos en CSV: {len(gdf)}")
print(f"Puntos dentro del ráster: {len(gdf_within_raster)}")

Total de puntos en CSV: 814
Puntos dentro del ráster: 56

	gbifID	species	decimalLongitude	decimalLatitude	geometry
0	991955938	Porthidium nasutum	-84.689033	10.503133	POINT (-84.68903 10.50313)
1	991955937	Porthidium nasutum	-84.689033	10.503133	POINT (-84.68903 10.50313)
2	991955936	Porthidium nasutum	-84.689033	10.503133	POINT (-84.68903 10.50313)
3	991955935	Porthidium nasutum	-84.689033	10.503133	POINT (-84.68903 10.50313)
4	991955934	Porthidium nasutum	-84.689033	10.503133	POINT (-84.68903 10.50313)
5	991955933	Porthidium nasutum	-84.689033	10.503133	POINT (-84.68903 10.50313)
6	991955931	Porthidium nasutum	-84.689033	10.503133	POINT (-84.68903 10.50313)
7	991955930	Porthidium ophryomegas	-85.349717	10.396117	POINT (-85.34972 10.39612)
8	991955929	Porthidium nasutum	-84.689033	10.503133	POINT (-84.68903 10.50313)
9	891071760	Porthidium nasutum	-84.068100	10.450527	POINT (-84.0681 10.45053)
10	786437924	NaN	-85.000000	10.480000	POINT (-85 10.48)
11	786435514	NaN	-84.078056	10.258561	POINT (-84.07806 10.25856)
12	786299434	NaN	-85.068053	10.458553	POINT (-85.06805 10.45855)
13	736313846	Porthidium ophryomegas	NaN	NaN	POINT EMPTY
14	686908718	Porthidium ophryomegas	NaN	NaN	POINT EMPTY
15	686908717	NaN	-83.683300	9.900000	POINT (-83.6833 9.9)
16	686846956	Porthidium ophryomegas	-85.536381	10.790203	POINT (-85.53638 10.7902)
17	686846955	Porthidium ophryomegas	-85.523581	10.759405	POINT (-85.52358 10.75941)
18	686846954	Porthidium nasutum	-83.616670	9.950000	POINT (-83.61667 9.95)
19	686742347	Porthidium nasutum	-84.950603	10.505779	POINT (-84.9506 10.50578)

Proyecto final¶

Por Jairo Moya y Alejandra Méndez¶

Víboras (Género Porthidium)¶

Género Porthidium en Costa Rica¶

Carga de datos de ocurrencias de Porthidium sp.¶

Registro de avistamientos de las diferentes especies del género Porthidium¶

Número de avistamientos agrupados por país¶

Avistamientos reportados para Costa Rica¶

Mapa interactivo de avistamientos de porthidium en Costa Rica¶

Riqueza de especies del género Porthidium en Costa Rica por provincias¶

Conteo de Porthidium sp por provincias en Costa Rica¶

Mapa de coropletas interactivo de las distintas especies del género Porthidium en Costa Rica¶

Biblioteca para archivos raster¶

Mapeo en imágenes satelitales para temperatura en el Mundo y Costa Rica¶

Imagen satelital para ánalisis de vegetación de una sección del área de distribución en Guanacaste para la especie P. Ophryomegas¶

Visualización de imagen raster en una sección del hábitat de la zona de distribución en la provincia de Guanacaste de *P. ophryomegas texto en negrita texto en negrita¶

Cálculo del NDVI para un sitio del Sector Murciélago del ACG¶

Mapa de las Áreas de Conservación de Costa Rica utilizando Leafmap¶

Mapa de las Áreas de Conservación de Costa Rica¶

Mapa de los avistamientos de Porthidium sp. en las Áreas de Conservación de Costa Rica¶

Muestra aleatoria de registros de P. Oprhyomegas en un sitio del Sector Murciélago del Área de Conservación Guanacaste¶

	gbifID	species	CÓDIGO_PR	PROVINCIA
0	991955938	Porthidium nasutum	2	Alajuela
1	991955937	Porthidium nasutum	2	Alajuela
2	991955936	Porthidium nasutum	2	Alajuela
3	991955935	Porthidium nasutum	2	Alajuela
4	991955934	Porthidium nasutum	2	Alajuela
...	...	...	...	...
258	476706248	Porthidium nasutum	3	Cartago
259	476706247	Porthidium nasutum	3	Cartago
260	476706246	Porthidium nasutum	3	Cartago
261	476706245	Porthidium nasutum	3	Cartago
262	476706141	Porthidium nasutum	3	Cartago

	especies_porthidium
PROVINCIA
Puntarenas	4
Alajuela	2
Guanacaste	2
Limón	2
Cartago	1
Heredia	1
San José	1