Programowanie i modelowanie danych przestrzennych

obowiązkowe

Student powinien posiadać znajomość obsługi komputera oraz oprogramowania teledetekcyjnego i GIS.

W celu pełnego zrozumienia omawianych zagadnień student musi być zaznajomiony z podstawami teledetekcji lotniczej i satelitarnej, geostatystyki i analiz GIS

w sali

Przedmiot składa się z trzech części:

I- wprowadzenie do analizy i opisu danych przestrzennych z wykorzystaniem oprogramowania

Statistica, R oraz ArcGIS. Dotyczy zarówno teoretycznych jak i praktycznych elementów statystyki

klasycznej, modelowania i estymacji struktury danych.

II- poznanie wybranych funkcji języka Python i ModelBuilder z wykorzystaniem oprogramowania

ArcGIS, ArcGIS Pro

III- poznanie zaawansowanych metod klasyfikacji obrazów rastrowych ze szczególnym uwzględnieniem wysokorozdzielczych danych rastrowych.

I- Głównym celem jest przyswojenie wiedzy o podstawach wnioskowania statystycznego, zapoznanie z metodami analizy geostatystycznej, a także zaznajomienie się z technikami i zastosowaniami danych metod do analiz przestrzennych. Program przedmiotu będzie obejmował

następujące zagadnienia: statystyki opisowe oraz skale pomiarowe, graficzna prezentacja danych, podstawy testowania statystycznego, przedziały ufności, rozkłady zmiennych, analiza wariancji, korelacja, regresja, analiza wieloczynnikowa, metody interpolacji, kriging, semiwariogram.

Programy: Statistica 12, R, ArcGIS

II- Głównym celem jest zapoznanie studenta z wybranymi funkcjami języka Python oraz aplikacją ModelBuilder, używaną do tworzenia, edytowania i zarządzania modelami. Student pozna metody tworzenia modeli w MB (ArcGIS i ArcGIS Pro) oraz wizualny język programowania do tworzenia

przepływów pracy: jeden proces lub sekwencja połączonych procesów tworzonych w ModelBuilder.

III- Głównym celem jest zapoznanie studenta z wykorzystaniem danych wysokorozdzielczych w klasyfikacji obrazów a także z nowoczesnymi algorytmami klasyfikacji obrazów. Student pozna metody przygotowania danych do wykonania klasyfikacji, kompresji danych, opracowania

wzorców do klasyfikacji (pozyskiwanie charakterystyk spektralnych, biblioteki spektralne) oraz zaawansowane algorytmy klasyfikacji – sztuczne sieci neuronowe, Support Vector Machines, Specral Angle Mapper, Spectral Unmixing i inne. W czasie zajęć wykorzystywane będzie oprogramowania firmy Exelis – ENVI (w języku angielskim). W ramach samodzielnej nauki student będzie wykonywał ćwiczenia oraz studiował literaturę w języku polskim i angielskim.

Stosowane metody dydaktyczne:

- wykład

- wspólne wykonywanie ćwiczeń w oprogramowaniu razem z prowadzącym

- ćwiczenia wykonywane przed komputerem indywidualnie w ramach zajęć i poza nimi

- wykonanie projektu w grupach - wspólne rozwiązywanie problemu

- prezentacja projektu i wspólna dyskusja nad problemem

- dyskusja

Nakład pracy studenta: 10 ECTS = 10 × 25 h = 250 h (w bezpośrednim kontakcie 0,5 ECTS)

(N) – praca w bezpośrednim kontakcie z nauczycielem,

(S) – praca własna (samodzielna) studenta.

Zajęcia:

wykład 40 h (N)

ćwiczenia 45 h (N)

projekt 20 h (N)

konsultacje 15 h (N)

Praca własna studentów:

Przygotowanie do egzaminu 40 h (S)

wykonanie ćwiczeń 40 h (S)

wykonanie projektu 40 h (S)

analiza literatury 10 h (S)

Łomnicki A. 2006. Wprowadzenie do statystyki dla przyrodników (wyd. 3). - Wydawnictwo Naukowe PWN, Warszawa.

Urbański J. 2010. GIS w badaniach przyrodniczych. - Wydawnictwo Uniwersytetu Gdańskiego.

Namysłowska-Wilczyńska B. 2006. Geostatystyka: teoria i zastosowania. - Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.

Rabiej M. 2012. Statystyka z programem STATISTICA. Wydawca: Helion, Gliwice.

Help programu ArcGIS

Help programu Statistica: www.statsoft.pl/textbook/stathome.html

Gągolewski M., 2014 Programowanie w języku R : analiza danych, obliczenia, symulacje. Dokumentacja programu R: https://cran.r-project.org/manuals.html

Zagajewski B., Sobczak M., (red.) 2005. Imaging spectroscopy. New quality in environmental studies. EARSeL, Uniwersytet Warszawski WGiSR, Warszawa

ERDAS Field Guide, przewodnik geoinformatyczny, 1998. GEOSYSTEMS Polska, Warszawa

Jensen J.R., 1996. Introductory digital image precessing – a remote sensing perspective. 2ed ed. Prentice Hall.

„Zanurkuj w Pythonie” – 2012, Wikibooks.

Dowolne podręczniki z zakresu programowania w Pytonie.

Dokumentacja ArcPy i ArcGIS.

Efekty kierunkowe: K_W06, KW_09, K_W10, K_U02, K_K02, K_K03

Efekty specjalnościowe: S5_W06, S5_W10, S5_W15, S5_U02, S5_K02

Student:

- wie jak wprowadzić dane zgodnie z wymogami konkretnej analizy statystycznej,

- potrafi samodzielnie przeprowadzić analizę statystyczną z wykorzystaniem omawianych testów w poznanym oprogramowaniu,

- potrafi zinterpretować, opisać i zilustrować wynik przeprowadzonych analiz w poznanym oprogramowaniu,

- rozumie w czytanych tekstach naukowych analizy statystyczne opisywane na zajęciach,

- potrafi krytycznie wnioskować, analizować wyniki badań,

- ma umiejętność myślenia statystyczno-metodologicznego

- posiada wiedzę teoretyczną niezbędną do modelowania w GIS

- zna kluczowe zasady tworzenia modeli w MB

- wie, w jaki sposób wykorzystać możliwości oprogramowania ArGIS z poziomu skryptów Python

- potrafi korzystać z aplikacji Model Builder

- potrafi zaplanować i wykonać modelowanie w MB oraz zinterpretować jego wyniki.

- potrafi określić, jaki rodzaj danych należy zastosować do konkretnego algorytmu klasyfikacji

- potrafi zdefiniować etapy przetwarzania danych do klasyfikacji

- wyjaśnić zasadę działania algorytmów klasyfikacyjnych

- wyjaśnić sposób pobierania, budowę i wykorzystanie bibliotek spektralnych do klasyfikacji

- wyznaczyć wzorce do klasyfikacji

- wyznaczyć schemat przetwarzania obrazów do wykonania klasyfikacji

- opisać procedurę korekcji atmosferycznej, geometrycznej obrazów wysokorozdzielczych

- przeprowadzić klasyfikację danych rastrowych przy użyciu przedstawionych algorytmów

- ocenić dokładność wykonanych klasyfikacji

- wymienić zastosowania wybranych algorytmów klasyfikacji w badaniach środowiska

Przedmiot składa się z trzech modułów.

Ćwiczenia.

Zaliczenie każdego z modułów ćwiczeń jest podstawą do dopuszczenia do egzaminu końcowego.

Ocena z ćwiczeń składa się ze średniej arytmetycznej ocen z trzech modułów: oceniana będzie dokładność wykonanych ćwiczeń i projektów, aktywność na zajęciach i terminowość oddawania prac oraz kolokwia. Skala ocen będzie dopasowana do punktacji.

Nieobecność na danym ćwiczeniu wymaga indywidualnego umówienia się z prowadzącym i wykonania zaległego ćwiczenia zgodnie ze wskazówkami prowadzącego.

W ramach ćwiczeń zaliczany jest także projekt.

W przypadku braku zaliczenia ćwiczeń, student nie jest dopuszczony do egzaminu, co skutkuje brakiem zaliczenia całego przedmiotu. W takiej sytuacji niezbędne jest powtórzenie całego przedmiotu w kolejnym cyklu zajęć.

Wykład.

Część wykładowa kończy się egzaminem ustnym, gdzie egzaminatorzy zadają po jednym pytaniu z każdego modułu. Ocena końcowa z wykładu to średnia arytmetyczna z trzech pytań. Skala ocen będzie dopasowana do punktacji.

Końcowa ocena z przedmiotu jest średnią z ćwiczeń i egzaminu.

Obecność na zajęciach jest obowiązkowa.