Programming and spatial data modeling

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.

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

Warunkiem koniecznym do zaliczenia zajęć jest:

- wykonywanie zadań przez studentów, zrealizowanie projektu (część dotycząca ćwiczeń),

- zaliczenie egzaminu teoretycznego (część dotycząca wykładów).

Do zaliczenia konieczne są obecności na zajęciach (dopuszczalne są dwie nieobecności nieusprawiedliwione). Minimalny próg zaliczenia to 60% punktów.

W przypadku niezaliczenia w ustalonym terminie, student ma prawo do zaliczenia poprawkowego. Szczegółowe informacje na temat trybu zaliczenia ćwiczeń i wykładów zostaną przekazane na pierwszych zajęciach.