290027 PR Applied Image Processing and Remote Sensing (2023S)
Continuous assessment of course work
Labels
Registration/Deregistration
Note: The time of your registration within the registration period has no effect on the allocation of places (no first come, first served).
- Registration is open from Mo 06.02.2023 09:00 to Mo 20.02.2023 09:00
- Deregistration possible until Fr 31.03.2023 23:59
Details
max. 25 participants
Language: German
Lecturers
Classes (iCal) - next class is marked with N
- Thursday 02.03. 08:00 - 11:00 GIS-Labor Geo NIG 1.OG
- Thursday 09.03. 08:00 - 11:00 GIS-Labor Geo NIG 1.OG
- Thursday 16.03. 08:00 - 11:00 GIS-Labor Geo NIG 1.OG
- Thursday 23.03. 08:00 - 11:00 GIS-Labor Geo NIG 1.OG
- Thursday 20.04. 08:00 - 11:00 GIS-Labor Geo NIG 1.OG
- Thursday 27.04. 08:00 - 11:00 GIS-Labor Geo NIG 1.OG
- Thursday 11.05. 08:00 - 11:00 GIS-Labor Geo NIG 1.OG
- Thursday 25.05. 08:00 - 11:00 GIS-Labor Geo NIG 1.OG
- Thursday 01.06. 08:00 - 11:00 GIS-Labor Geo NIG 1.OG
Information
Aims, contents and method of the course
Assessment and permitted materials
- Anwesenheit & Mitarbeit
- Übungsaufgaben
- Präsentation
- Abschlussgespräch
- Übungsaufgaben
- Präsentation
- Abschlussgespräch
Minimum requirements and assessment criteria
Die Note setzt sich aus 6 Übungsaufgaben: 6 kleinere Übungen (je 10%), Präsentation und Mitarbeit (20%) und einem Abschlussgespräch/Abschlussprüfung (20%) zusammen. Ein positiver Abschluss erfordert eine Gesamtbewertung von mind. 51%.
Examination topics
siehe "Inhalte der LV"
Reading list
Bereitstellung via E-Learning Plattform sowie Unterlagen aus der Vorlesung Bildverarbeitung und Fernerkundung (WS)
Association in the course directory
(MK1-W2-PI)
Last modified: Tu 31.01.2023 11:10
1. Einführung
a. Wiederholung der Basics aus Fernerkundung und Bildverarbeitung (auch physikalische Grundkenntnisse – elektromagnetisches Spektrum etc.)
b. Bildverarbeitung mittels Scripting (R [R-ArcGIS Bridge]; Python)
c. Einführung in ArcGIS Pro (Benutzeroberfläche etc.; Funktionen zu Raster in Pro; Integration von R oder Python in Pro (Praxis)
d. Datengrundlagen (Aktive/passive Sensoren, Space-borne, Airborne, Terrestrial…; Multispektral, Hyperspektral…; Praxisbeispiel: Download von Daten [Sentinel Science Hub, USGS Earth Explorer]; Laser Scanning und Point Clouds)2. Prozessierung und Verarbeitung
a. Vorverarbeitung (Grundlagen [TOA Berechnung etc.]; Bilddarstellung: spektrale und räumliche Profile, Kontrastoperationen, Histogramme; Radiometrische und geometrische Korrektur; Bildtransformation)
b. Bildverbesserung und Bildfusion (Histogramm Matching; Pan-sharpening, IHS/PCA merging; Praxisbeispiel: Preprocessing mittels Scripting)3. Klassifikation
a. Grundlagen zur Klassifikation von FE-Daten (Überwachte/unüberwachte Klassifikation; Parametrische/nichtparametrische Klassifikationen; Klassifikationsalgorithmen aus dem Machine Learning; Time Series Analysis/Change Detection; Accurracy Assessment; Abschlussprojekt: Preprocessing von Daten, Klassifikation, Accurracy Assessment, Visualisieurng der Endergebnisse, Präsentation)METHODEN:
Erläuterung und kurze Wiederholung der Grundlagen, interaktiver Unterricht und praktisches Arbeiten mit Spezialsoftware, sowie präsentieren eines Kleingruppenprojekts+ZIELE:
Studierende sind mit den Grundlagen der digitalen Bildverarbeitung vertraut und kennen die aktuellen Entwicklungen sowie die Anwendungen in lokalen, regionalen und globalen Problemfeldern. Sie sind in der Lage, Methoden der Fernerkundung einzusetzen, deren Integration in Geoinformationssysteme zu bewerkstelligen und darauf aufbauend Fragestellungen z.B. des Umweltmonitorings zu lösen.