Monitorización ambiental inteligente en la Región de Murcia
Este repositorio alberga el ecosistema tecnológico creado para la Situación de Aprendizaje "Del Big Data al modelo predictivo: una propuesta a través de Google Colab para el tratamiento de bases de datos".
El proyecto trasciende el análisis convencional de estaciones físicas mediante el uso de datos satelitales del programa Copernicus (CAMS, ERA5 y EAC4). El objetivo es dotar al aula de Tecnología de 2º de Bachillerato de herramientas avanzadas de Data Science e Inteligencia Artificial, transformando a los alumnos de usuarios pasivos en desarrolladores activos de soluciones técnicas frente al cambio climático.
Debido a que el dataset completo supera los 90 GB, los archivos no se encuentran alojados directamente en GitHub. Para poder ejecutar los cuadernos en Google Colab, es estrictamente necesario seguir estos pasos:
- Acceso a la fuente: Entra en la carpeta pública de Google Drive: Datasets Proyecto Murcia.
- Vincular a tu Drive: Haz clic en el nombre de la carpeta en la parte superior (
Datasets Proyecto Murcia) y selecciona la opción "Añadir acceso directo a Drive". - Ubicación: Selecciona "Mi unidad" como destino.
Nota importante: Este proceso no copia los archivos a tu cuenta ni consume tu espacio de almacenamiento (los 15GB gratuitos). Solo crea un "puente" para que Google Colab pueda leer los archivos de 30GB y 60GB directamente desde la nube.
- Copia los ficheros: En esta carpeta aparecen dos ficheros:
- Murcia_Dataset_Completo_Global_1H.parquet Registros cada hora con los valores de las variables atmosféricas.
- Murcia_Dataset_Completo_Global_3H.parquet Registros cada 3 horas con los valores de las variables atmosféricas. Estos valores resultan de aplicar la media entre el valor de la hora antes, la correspondiente y la siguiente.
- Modifica la ruta: Cambia la ruta en el cuaderno para que lea este archivo de la nueva ubicación donde se ha copiado.
- Ingeniería de Datos: Pipelines en Python para la extracción, limpieza y normalización de datasets masivos (más de un millón de registros horarios).
- Inteligencia Artificial Aplicada: Implementación de modelos predictivos mediante redes neuronales LSTM y algoritmos de Machine Learning para sistemas de alerta temprana.
- Propuesta Didáctica (ABP): Diseño de una Situación de Aprendizaje alineada con la LOMLOE, que integra competencias STEM, alfabetización algorítmica y los ODS de la Agenda 2030.
/src: Scripts de Python para la interactuación con las APIs científicas de Copernicus./notebooks: Entornos de Google Colab configurados con el "Laboratorio de Datos" para el modelado predictivo.
- Lenguajes: Python.
- Infraestructura: Google Colab (Cloud Computing).
- Fuentes Globales: Copernicus (CAMS, ERA5-Land, EAC4).
- Librerías:
pandas(gestión de datos),scikit-learn(Machine Learning),tensorflow/keras(redes neuronales).
Este desarrollo forma parte del Trabajo Fin de Máster (TFM) del Máster Universitario en Formación del Profesorado de Educación Secundaria Obligatoria y Bachillerato, Formación Profesional, Enseñanzas de Idiomas y Enseñanzas Artísticas (Especialidad en Tecnología) del curso 2025-2026.