Інфопакет

Автоматизоване дешифрування даних дистанційних зондувань

ВК 2.1.1.3

Вибіркова дисципліна для ОП

Другий

2022/2023

3 Семестр

4

Аналізувати особливості природних та антропогенних систем і об'єктів верхньої частини земної кори та її осадового шару, зокрема, застосовувати свої знання для визначення і вирішення проблемних питань і прийняття обґрунтованих рішень в питаннях тематичної обробки геологогеофізичних та інших геопросторових даних. Вміти спілкуватися з фахівцями та експертами різного рівня інших галузей знань, у тому числі в міжнародному контексті, в глобальному інформаційному середовищі. Вміти здійснювати тематичну обробку й інтерпретацію геопросторових даних, отриманих різними методами дослідження геологічного середовища, розробляти відповідні алгоритми і програмні продукти, формувати бази геоданих, створювати веб-публікації картографічних даних. Створювати спеціалізовані програмні продукти, використовувати вебтехнології та дані ДЗЗ у науковій і виробничій діяльності.

1. Успішне опанування курсу «Дистанційні зондування Землі». 2. Успішне опанування курсів «Лінійна алгебра та аналітична геометрія», «Теорія ймовірностей та математична статистика». 3. Успішне опанування курсів «Топографія», «Геодезія». 4. Володіння елементарними навичками роботи з персональним комп’ютером.

В рамках навчальної дисципліни розглядаються сучасні тенденції в застосуваннях даних дистанційних зондувань для широкого кола природоохоронних, природокористувацьких, моніторингових задач тощо. Наводиться перелік сучасного прикладного програмного забезпечення (як комерційного, так і відкритого), що активно використовується для стандартної та розширеної обробки даних дистанційних зондувань. Вивчаються теоретичні основи деяких поширених алгоритмів класифікації багатовимірних даних, а також виконуються практичні роботи із залученням цих алгоритмів до розв’язання конкретних прикладних задач. Студенти набувають теоретичних знань, практичних навичок та вмінь, необхідних для предметної постановки задачі, її формалізації, вибору вхідних даних, алгоритму класифікації та необхідного програмного середовища, що забезпечує можливість проведення відповідного тематичного дешифрування та інтерпретації отриманих результатів.

1. Robert A. Schowengerdt. Remote Sensing: Models and Methods for Image Processing. Third Edition. Elsevier, 2007. 2. Jon Atli Benediktsson, Pedram Ghamisi. Spectral-Spatial Classification of Hyperspectral Remote Sensing Images. Artech House, 2015 3. Jerome O Connell, Ute Bradter, Tim G. Benton. Using high resolution CIR imagery in the classification of non-cropped areas in agricultural landscapes in the UK. Remote Sensing for Agriculture, Ecosystems, and Hydrology XV, edited by Christopher M. U. Neale, Antonino Maltese. Proc. of SPIE Vol. 8887, 888708 · © 2013 SPIE. doi: 10.1117/12.2028356 4. Jaromir Borzuchowski and Karsten Schulz. Retrieval of Leaf Area Index (LAI) and Soil Water Content (WC) Using Hyperspectral Remote Sensing under Controlled Glass House Conditions for Spring Barley and Sugar Beet. Remote Sensing 2010, 2, 1702-1721; doi:10.3390/rs2071702

аудиторні заняття (29 %), з них: лекційні – 19 %, практичні – 10 %. Cамостійна робота (71 %).

Контроль здійснюється за модульно-рейтинговою системою та передбачає: виконання 5 практичних робіт (де студенти мають продемонструвати якість засвоєних знань та вирішити поставлені задачі використовуючи окреслені викладачем методи та засоби), виконання 10 самостійних практичних робіт (де студенти мають продемонструвати якість засвоєних знань та вирішити поставлені задачі без обмеження інструментарію та техніки вирішення проблеми) та проведення 2 письмових модульних контрольних робіт. Підсумкове оцінювання проводиться у формі іспиту.

українська