¿R o QGIS? Un estudio de caso sobre la eficiencia del análisis de imágenes ráster en la enseñanza de ingeniería agronómica
DOI:
https://doi.org/10.29076/issn.2528-7737vol19iss52.2026pp72-83pPalabras clave:
análisis espacial, aprendizaje, ráster, Rmarkdown, Rstudio, SIGResumen
Los Sistemas de Información Geográfica (SIG) son esenciales en las ciencias agrícolas y ambientales; sin embargo, el manejo de datos espaciales complejos requiere flujos de trabajo eficientes y reproducibles. Este estudio evaluó la eficiencia operativa y la percepción estudiantil de R (mediante R Markdown) frente a QGIS para el análisis ráster. Cincuenta y dos estudiantes de ingeniería agronómica de la Universidad de Cuenca completaron un ejercicio de extracción de temperatura ráster en ambas plataformas. Las respuestas de la encuesta y los tiempos de ejecución se analizaron mediante la prueba de McNemar, pruebas binomiales exactas y modelos lineales generalizados. Los resultados mostraron que la finalización del ejercicio fue significativamente mayor en R (98%) que en QGIS (87%; P = 0.031). R demostró mayor eficiencia temporal: el 65% de los estudiantes terminó en tres minutos o menos, frente a solo un 29% en QGIS. Además, los participantes reportaron una comprensión autopercibida del flujo de trabajo significativamente mayor al usar R (71% frente a 29%; P < 0.01). Aunque la preferencia por la plataforma principal de enseñanza estuvo dividida (QGIS 52%, R 48%; P > 0.05), una abrumadora mayoría (96%; P < 0.001) indicó que adoptaría R como herramienta complementaria debido a su rapidez de ejecución y transparencia metodológica. Aunque la asimetría del formato instruccional representa un potencial factor de confusión, estos hallazgos demuestran que integrar entornos de programación reproducibles en la educación SIG fortalece la eficiencia computacional, la confianza del usuario y la claridad procedimental
Descargas
Referencias
Cuevas, E. H., Zaldivar, D., and Perez, M. (2025). Impact of Programming Languages on Learning Performance. International Journal of Information and Communication Technology Education, 21(1), 1–17. https://doi.org/10.4018/IJICTE.371419
Giofandi, E., Munibah, K., Kraugusteeliana, K., Novalinda, A., and Sekarrini, C. (2023). The Comparison of Vector and Raster Data for The Calculation of Landscape Environment Using a Geographic Information System Approach. IT Journal Research and Development, 7(2), 209–219. https://doi.org/10.25299/itjrd.2023.10878
Graser, A., Sutton, T., y Bernasocchi, M. (2025). The QGIS project: Spatial without compromise. Patterns, 6(7), 101265. https://doi.org/10.1016/j.patter.2025.101265
Hijmans, R. J. (2020). raster: Geographic Data Analysis and Modeling. R package version 3.4-5. https://cran.r-project.org/package=raster
Hijmans, R. J. (2025). terra: Spatial data analysis (R package version 1.8-60). CRAN. https://cran.r-project.org/web/packages/terra/index.html
Knutas, A., Hynninen, T., and Hujala, M. (2021). To Get Good Student Ratings should you only Teach Programming Courses? Investigation and Implications of Student Evaluations of Teaching in a Software Engineering Context. Proceedings - International Conference on Software Engineering, 253–260. https://doi.org/10.1109/ICSE-SEET52601.2021.00035
Li, X., Yue, J., Wang, S., Luo, Y., Su, C., Zhou, J., Xu, D., and Lu, H. (2024). Development of Geographic Information System Architecture Feature Analysis and Evolution Trend Research. Sustainability (Switzerland), 16(1). https://doi.org/10.3390/su16010137
Martin Gomez, S., and Bartolome Muñoz de Luna, A. (2023). Systemic Review through Bibliometric Analysis with RStudio of Skills Learning to Favor the Employability of Its Graduates. Trends in Higher Education, 2(1), 101–122. https://doi.org/10.3390/higheredu2010007
Mladenović, M., Krpan, D., and Mladenovi, S. (2017). Learning programming from scratch. Turkish Online Journal of Educational Technology, 2017(November Special Issue INTE), 419–427. https://www.semanticscholar.org/paper/Learning-programming-from-Scratch-Mladenović-Krpan/7fc1de582f2fa9230b2c505ba07770adf347d5ef
Nguyen Tien, H., Nguyen Thi, H., and KOIKE, K. (2019). High versatility and potential of spatial data analysis with R programming. Geoinformatics, 30(1), 3–14. https://doi.org/10.6010/geoinformatics.30.1_3
Parra, M. I., Sanjuán, E. L., Robustillo, M. C., and Pizarro, M. M. (2023). Using R for teaching and research. http://arxiv.org/abs/2306.12200
Paucar-Curasma, R., Silveira, I. F., Rondon, D., Robles, Z. M. L., and Porras-Ccancce, L. E. (2023). Analysis of the Teaching of Programming and Evaluation of Computational Thinking in Recently Admitted Students at a Public University in the Andean Region of Peru. CEUR Workshop Proceedings, 3353, 101–110. https://dspace.mackenzie.br/items/5b561733-5c90-44c6-8385-49bd7ace46b9
Pavlenko, L., Pavlenko, M., Khomenko, V., and Mezhuyev, V. (2022). Application of R Programming Language in Learning Statistics. January, 62–72. https://doi.org/10.5220/0010928500003364
Pebesma, E. (2018). Simple features for R: Standardized support for spatial vector data. The R Journal, 10(1), 439–446.
Pebesma, E., and Bivand, R. (2023). Spatial data science: With applications in R. Chapman and Hall/CRC.
Portella-Cleves, J. E., and Rodríguez-Hernández, A. A. (2024). Enhancing Programming Education with an Active Learning Plan and Artificial Intelligence Integration. Revista Facultad de Ingeniería (Rev. Fac. Ing.), 33(67), 2024. https://doi.org/10.19053/01211129.v33.n67.2024.16328
Poynton, C. (2003). 1 - Raster images. In C. B. T.-D. V. and H. Poynton (Ed.), The Morgan Kaufmann Series in Computer Graphics (pp. 1–16). Morgan Kaufmann. https://doi.org/https://doi.org/10.1016/B978-155860792-7/50067-7
R Core Team. (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.r-project.org/
Rasul, A., Ibrahim, S., Onojeghuo, A. R., y Balzter, H. (2020). A trend analysis of leaf area index and land surface temperature and their relationship from global to local scale. Land, 9(10), 1–17. https://doi.org/10.3390/land9100388
Saqr, M., and López-Pernas, S. (2024). Learning Analytics Methods and Tutorials: A Practical Guide Using R. Learning Analytics Methods and Tutorials: A Practical Guide Using R, June, 1–736. https://doi.org/10.1007/978-3-031-54464-4
Scholten, H. J. (1990). Application of geographical information systems in the Netherlands. Kartografisch Tijdschrift, 16(4), 27–36. https://pubmed.ncbi.nlm.nih.gov/1949884/
Singla, S., Eldawy, A., Diao, T., Mukhopadhyay, A., and Scudiero, E. (2021). Experimental study of big raster and vector database systems. Proceedings - International Conference on Data Engineering, 2021-April, 2243–2248. https://doi.org/10.1109/ICDE51399.2021.00231
Son, J. Y., Blake, A. B., Fries, L., and Stigler, J. W. (2021). Modeling First: Applying Learning Science to the Teaching of Introductory Statistics. Journal of Statistics and Data Science Education, 29(1), 4–21. https://doi.org/10.1080/10691898.2020.1844106
Steiniger, S., De La Fuente, H., Fuentes, C., Barton, J., and Muñoz, J. C. (2017). Building a geographic data repository for urban research with free software - Learning from Observatorio.Cedeus.Cl. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 42(4W2), 147–153. https://doi.org/10.5194/isprs-archives-XLII-4-W2-147-2017
Tucker, M. C., Shaw, S. T., Son, J. Y., and Stigler, J. W. (2023). Teaching Statistics and Data Analysis with R. Journal of Statistics and Data Science Education, 31(1), 18–32. https://doi.org/10.1080/26939169.2022.2089410
Turk, T., Kitapci, O., and Dortyol, I. T. (2014). The Usage of Geographical Information Systems (GIS) in the Marketing Decision Making Process: A Case Study for Determining Supermarket Locations. Procedia - Social and Behavioral Sciences, 148(August), 227–235. https://doi.org/10.1016/j.sbspro.2014.07.038
Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., and Yutani, H. (2019). Welcome to the tidyverse. Journal of Open Source Software, 4(43), 1686.
Wu, J., Gan, W., Chao, H. C., and Yu, P. S. (2024). Geospatial Big Data: Survey and Challenges. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 17, 17007–17020. https://doi.org/10.1109/JSTARS.2024.3438376
Zhou, C. (2025). Exploring future GIS visions in the era of the scientific and technological revolution. Information Geography, 1(1), 100007. https://doi.org/10.1016/j.infgeo.2025.100007
Zhou, G., Pan, Q., Yue, T., Wang, Q., Sha, H., Huang, S., and Liu, X. (2018). Vector and raster data storage based on morton code. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 42(3), 2523–2526. https://doi.org/10.5194/isprs-archives-XLII-3-25
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Alberto Macancela Herrera, Eduardo Tacuri Espinoza, Lucía Lupercio Novillo, Mateo López Espinoza
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor de sus trabajos y conceden a la revista Ciencia UNEMI el derecho de primera publicación. Los artículos se publican bajo la licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0), la cual permite compartir la obra siempre que se reconozca adecuadamente la autoría y la publicación inicial en esta revista, sin fines comerciales y sin realizar obras derivadas.
