docs: 1.4 NetCDF y GRIB (MyST) + portada e imágenes actualizadas

_toc.yml

@@ -1,22 +1,28 @@
 format: jb-book
 root: README
 parts:
-  - caption: Preámbulo
+  - caption: "Preámbulo"
     chapters:
       - file: notebooks/how-to-cite
-  - caption: Introducción a la programación científica con Python
+
+  - caption: "Introducción a la programación científica con Python"
     chapters:
       - file: notebooks/1.fundamentos/1.1Fundamentos-python
       - file: notebooks/1.fundamentos/1.2Numpy-Pandas-Xarray
       - file: notebooks/1.fundamentos/1.3PyArt-Xradar-Wradlib
-  - caption: Acceso a datos hidrometeorológicos
+      - file: notebooks/1.fundamentos/1.4exploracion_netcdf_grib
+        title: "1.4 NetCDF y GRIB"
+
+  - caption: "Acceso a datos hidrometeorológicos"
     chapters:
       - file: notebooks/2.acceso-datos/2.1.Estaciones
       - file: notebooks/2.acceso-datos/2.2.Radares
       - file: notebooks/2.acceso-datos/2.3.GFS
-  - caption: ENOS
+
+  - caption: "ENOS"
     chapters:
       - file: notebooks/3.ENSO/3.1ENSO
-  - caption: Cambio Climático
+
+  - caption: "Cambio Climático"
     chapters:
       - file: notebooks/4.cambio-climatico/4.1Global-Mean-SST

myst.yml

@@ -0,0 +1,60 @@
+version: 1
+
+project:
+  title: Ciencia de Datos Hidrometeorológicos con Python
+  description: Un libro interactivo enfocado en programación científica con Python para datos climáticos.
+  keywords: [Python, clima, hidrometeorología, ciencia abierta, Pythia, ENSO, cambio climático, Radar]
+  authors:
+    - name: Alfonso Ladino-Rincon
+      orcid: 0000-0001-8081-7827
+      github: aladinor
+    - name: Nicole Rivera
+      orcid: 0000-0001-8318-1983
+      github: nicolerivera1
+    - name: Max Grover
+      orcid: 0000-0002-0370-8974
+      github: mgrover1
+  github: https://github.com/ProjectPythia/AtmosCol-2023
+  toc:
+    - file: README.md
+    - file: notebooks/how-to-cite.md
+    - title: Introducción a la programación científica con Python
+      children:
+        - file: notebooks/1.fundamentos/1.0.Introduccion-JupyterLab.ipynb
+        - file: notebooks/1.fundamentos/1.1.Fundamentos-python.ipynb
+        - file: notebooks/1.fundamentos/1.2.Introduccion-Numpy.ipynb
+        - file: notebooks/1.fundamentos/1.3.Introduccion-Pandas.ipynb
+        - file: notebooks/1.fundamentos/1.4.Introduccion-Xarray.ipynb
+        - file: notebooks/1.fundamentos/1.5.Introduccion-Radar.ipynb
+        - file: notebooks/1.fundamentos/1.6.Exploracion_netcdf_grib.ipynb
+    - title: Acceso a datos hidrometeorológicos
+      children:
+        - file: notebooks/2.acceso-datos/2.1.Estaciones.ipynb
+        - file: notebooks/2.acceso-datos/2.2.Radares.ipynb
+     #   - file: notebooks/2.acceso-datos/2.3.GFS.ipynb
+    - title: Aplicaciones científicas
+      children:
+        - file: notebooks/3.Aplicaciones/3.1.ENSO.ipynb
+#        - file: notebooks/3.Aplicaciones/3.2.Global-Mean-SST.ipynb
+        - file: notebooks/3.Aplicaciones/3.3.ERA5.ipynb
+        - file: notebooks/3.Aplicaciones/3.4.QVPs.ipynb
+        - file: notebooks/3.Aplicaciones/3.5.QPE.ipynb
+  jupyter:
+    binder:
+      url: https://binder.projectpythia.org/
+      repo: ProjectPythia/AtmosCol-2023
+
+site:
+  template: book-theme
+  options:
+    toc_title: Contenido
+  nav:
+    - title: Página principal
+      url: https://github.com/ProjectPythia/AtmosCol-2023
+  actions:
+    - title: Ejecutar en Binder
+      url: https://binder.projectpythia.org/v2/gh/ProjectPythia/AtmosCol-2023/main?labpath=notebooks
+
+config:
+  execute:
+    execute_notebooks: "off"

notebooks/1.fundamentos/1.6.Exploracion-NetCDF-GRIB.ipynb

@@ -0,0 +1,272 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "id": "cd843307",
+   "metadata": {},
+   "source": [
+    "<img src=\"../images/netcdf_portada_1.png\" width=300 alt=\"portada\"></img>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "cc968afc",
+   "metadata": {},
+   "source": [
+    "# 📘 Exploración de formatos climáticos: NetCDF y GRIB\n",
+    "**Curso AtmosCol-2023 – Cuadernillo Didáctico**\n",
+    "\n",
+    "Este cuaderno está diseñado para introducir los dos formatos de archivo más comunes en el análisis de datos meteorológicos y climáticos: **NetCDF** y **GRIB**. Está pensado para ser completado en aproximadamente 20 minutos y utiliza exclusivamente Python."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "bbb1ffdf",
+   "metadata": {},
+   "source": [
+    "## ✨ Introducción\n",
+    "Los modelos meteorológicos y los satélites generan enormes volúmenes de datos. Estos se almacenan en formatos especializados que permiten eficiencia y flexibilidad. En este cuaderno aprenderás a reconocer, leer y explorar los formatos **NetCDF** y **GRIB** usando Python. Estos conocimientos son esenciales para cualquier persona que trabaje en ciencia del clima, meteorología operativa o análisis satelital."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "f1b0ad01",
+   "metadata": {},
+   "source": [
+    "## ⚙️ Prerrequisitos\n",
+    "Este cuaderno requiere conocimientos básicos de Python y las siguientes librerías:\n",
+    "\n",
+    "```python\n",
+    "import xarray as xr\n",
+    "import matplotlib.pyplot as plt\n",
+    "# Para archivos GRIB\n",
+    "# pip install cfgrib\n",
+    "```"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "27eabe4f",
+   "metadata": {},
+   "source": [
+    "## 📦 Formato NetCDF\n",
+    "**NetCDF (Network Common Data Form)** es un formato de archivo binario auto-descriptivo ampliamente utilizado en las ciencias atmosféricas.\n",
+    "\n",
+    "### 📊 Estructura\n",
+    "<img src=\"../images/Netcdf_1.png\" width=300 alt=\"NetCDF-estructura\"></img>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "5a45291b",
+   "metadata": {},
+   "source": [
+    "### 🔍 Características principales\n",
+    "- Almacena datos multidimensionales (tiempo, latitud, longitud, nivel)\n",
+    "- Permite metadatos descriptivos\n",
+    "- Soporta estructuras jerárquicas (NetCDF-4)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "a191c26c",
+   "metadata": {},
+   "source": [
+    "### ✅ Ventajas\n",
+    "- Fácil de explorar con `xarray`\n",
+    "- Compatible con muchas herramientas científicas\n",
+    "- Ideal para almacenamiento a largo plazo"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "de2fa285",
+   "metadata": {},
+   "source": [
+    "### ⚠️ Desventajas\n",
+    "- Tamaño de archivo mayor comparado con GRIB\n",
+    "- Puede ser más lento para acceso puntual"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "5666e3b2",
+   "metadata": {},
+   "source": [
+    "### 🔄 Versiones\n",
+    "- **Classic**: estructura simple y universal\n",
+    "- **NetCDF-4**: permite compresión y grupos jerárquicos"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "c99d5d4a",
+   "metadata": {},
+   "source": [
+    "### 🛠️ Tips ETL en Python\n",
+    "- Usa `ds.sel()` y `ds.isel()` para filtrar por dimensión\n",
+    "- Verifica unidades (`ds.attrs`, `ds.variable.attrs`)\n",
+    "- Asegura el formato de fechas (`time` en UTC)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "c39de887",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Lectura básica NetCDF\n",
+    "ds = xr.open_dataset('datos/ejemplo.nc')\n",
+    "ds"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "a50e5eab",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Visualización de una variable\n",
+    "ds['nombre_variable'].isel(time=0).plot()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "bd664646",
+   "metadata": {},
+   "source": [
+    "## 📦 Formato GRIB\n",
+    "**GRIB (GRIdded Binary)** es un formato binario eficiente utilizado principalmente para pronósticos numéricos del tiempo.\n",
+    "\n",
+    "### 📊 Estructura\n",
+    "<img src=\"../images/grib_1.png\" width=300 alt=\"GRIB-estructura\"></img>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "68bd067a",
+   "metadata": {},
+   "source": [
+    "### 🔍 Características principales\n",
+    "- Datos almacenados como registros binarios con encabezados\n",
+    "- Alta eficiencia en tamaño y lectura\n",
+    "- Muy usado por servicios meteorológicos operativos"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "451a6056",
+   "metadata": {},
+   "source": [
+    "### ✅ Ventajas\n",
+    "- Tamaño de archivo reducido\n",
+    "- Acceso puntual eficiente\n",
+    "- Ideal para distribución de pronósticos"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "e220679f",
+   "metadata": {},
+   "source": [
+    "### ⚠️ Desventajas\n",
+    "- Menos intuitivo que NetCDF\n",
+    "- Requiere herramientas específicas como `cfgrib`"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "12cb0595",
+   "metadata": {},
+   "source": [
+    "### 🔄 Versiones\n",
+    "- **GRIB1**: formato más simple y aún en uso\n",
+    "- **GRIB2**: admite más metadatos y compresión"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "1d1ad588",
+   "metadata": {},
+   "source": [
+    "### 🛠️ Tips ETL en Python\n",
+    "- Usa `engine='cfgrib'` con `xarray`\n",
+    "- Explora claves con `filter_by_keys` si hay múltiples campos\n",
+    "- Presta atención al paso temporal (`step`), tipo de nivel y superficie"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "182d6873",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Lectura básica GRIB\n",
+    "ds_grib = xr.open_dataset('datos/ejemplo.grib', engine='cfgrib')\n",
+    "ds_grib"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "1e9b166b",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Visualización de una variable\n",
+    "ds_grib['nombre_variable'].isel(time=0).plot()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "a7ecf997",
+   "metadata": {},
+   "source": [
+    "## 📊 Comparación general\n",
+    "| Aspecto        | NetCDF                    | GRIB                      |\n",
+    "|----------------|-----------------------------|----------------------------|\n",
+    "| Compresión     | Opcional (NetCDF-4)         | Alta (GRIB2)               |\n",
+    "| Facilidad de uso    | Más intuitivo               | Más eficiente              |\n",
+    "| Finalidad      | Archivos científicos        | Distribución operativa     |\n",
+    "| Estructura     | Auto-descriptiva            | Encabezados + binario      |"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "d3180fa4",
+   "metadata": {},
+   "source": [
+    "## ✅ Conclusiones\n",
+    "Ambos formatos son esenciales en meteorología. NetCDF es más flexible para análisis y documentación, mientras que GRIB es óptimo para pronósticos y distribución de modelos. Manejar ambos con Python permite construir flujos ETL robustos para proyectos climáticos, energéticos y operativos."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "7b6fe8a4",
+   "metadata": {},
+   "source": [
+    "## 📚 Recursos y Bibliografía\n",
+    "- Earth Lab. (s.f.). *Introduction to Climate Data in NetCDF Format*. University of Colorado Boulder. https://www.earthdatascience.org/courses/use-data-open-source-python/hierarchical-data-formats-hdf/intro-to-climate-data/\n",
+    "- ECMWF. (2014). *GRIB – NetCDF: Setting the Scene*. https://www.ecmwf.int/sites/default/files/elibrary/2014/13706-grib-netcdf-setting-scene.pdf\n",
+    "- UCAR Unidata. (s.f.). *NetCDF Documentation*. https://www.unidata.ucar.edu/software/netcdf/docs/\n",
+    "- ECMWF. (s.f.). *GRIB API & ecCodes*. https://confluence.ecmwf.int/display/ECC"
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "base",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "name": "python",
+   "version": "3.12.10"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}