Nazwa przedmiotu:
Teledetekcja hiperspektralna
Koordynator przedmiotu:
dr hab. inż. Katarzyna Osińska-Skotak, mgr inż. Aleksandra Radecka
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Geodezja i Kartografia
Grupa przedmiotów:
Obowiązkowe
Kod przedmiotu:
GK.SMK
Semestr nominalny:
2 / rok ak. 2018/2019
Liczba punktów ECTS:
3
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1) Liczba godzin kontaktowych - 32 godzin, w tym: a) uczestnictwo w wykładach - 15 godzin b) uczestnictwo w ćwiczeniach - 15 godzin, c) udział w konsultacjach - 2 godziny. 2) Praca własna studenta - 43 godziny, w tym: a) przygotowanie do zajęć - 13 godzin, b) sporządzenie raportów z wykonania ćwiczeń - 15 godzin, c) przygotowanie do sprawdzianów - 15 godzin. RAZEM: 75 godzin - 3 punkty ECTS.
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1,3 punktu ECTS - liczba godzin kontaktowych - 32 godzin, w tym: a) uczestnictwo w wykładach - 15 godzin b) uczestnictwo w zajęciach projektowych - 15 godzin, c) udział w konsultacjach - 2 godziny.
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1,7 punktu ECTS - 43 godziny, w tym: a) uczestnictwo w zajęciach projektowych - 15 godzin; a) przygotowanie do zajęć - 13 godzin, b) sporządzenie raportów z wykonania ćwiczeń - 15 godzin,
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia15h
  • Laboratorium0h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Znajomość podstaw teledetekcji (w tym charakterystyk spektralnych różnych obiektów), struktury zapisu obrazów cyfrowych i podstawowych funkcji przetwarzania cyfrowego obrazów satelitarnych, w szczególności metod klasyfikacji cyfrowej treści obrazów teledetekcyjnych.
Limit liczby studentów:
-
Cel przedmiotu:
Przedmiot ma na celu zaznajomienie studenta z problematyką przetwarzania i zastosowaniami zobrazowań hiperspektralnych.
Treści kształcenia:
Wykłady: 1. Idea i podstawy teoretyczne pozyskiwania danych hiperspektralnych. Dane wielospektralne a dane hiperspektralne – porównanie, wady i zalety, ograniczenia techniczne. 2. Przegląd systemów pozyskujących zobrazowania super- i hiperspektralne z różnych pułapów (satelitarny, lotniczy, niski, naziemny). 3. Źródła błędów radiometrycznych na obrazach hiperspektralnych, szumy instrumentalne i przyczyny ich powstawania w zależności od sposobu rejestracji danych. 4. Przetwarzanie wstępne obrazów hiperspektralnych: korekcja radiometryczna, geometryczna i atmosferyczna zobrazowań hiperspektralnych. Redukcja wymiarowości danych hiperspektralnych – przegląd metod. 5. Naziemne pomiary spektrometryczne. Biblioteki spektralne i ich rola w przetwarzaniu zobrazowań hiperspektralnych. 6. Obrazy wskaźnikowe i ich zastosowania. 7. Metody klasyfikacji zobrazowań hiperspektralnych. Klasyfikacja pikselowa i podpikselowa danych hiperspektralnych. Przegląd algorytmów klasyfikacyjnych dedykowanych danym hiperspektralnym (m.in. Random Forest, Suport Vector Machine, Spectral Angle Mapper, Spectral Correlation Mapper). 8. Zastosowania obrazów hiperspektralnych w różnych dziedzinach nauki i gospodarki, m.in. w rolnictwie, leśnictwie, monitorowaniu stanu i jakości środowiska przyrodniczego, wykrywaniu określonych materiałów (np. produktów azbestowych). Ćwiczenia: Ćwiczenia realizowane są w formie projektu, w trakcie którego wykonują ciąg technologiczny od pozyskania danych do opracowania produktu końcowego (warstwy tematycznej) na podstawie zobrazowań hiperspektralnych. Studenci mają do wyboru wykonanie jednego z tematów typu: opracowanie mapy upraw, opracowanie mapy zróżnicowania gatunkowego lasów, opracowanie warstwy tematycznej pokryć dachowych itp. W ramach wykonania projekty studenci dokonują: 1. Oceny jakości zobrazowania hiperspektralnego – analizy stosunku szumu do sygnału. 2. Korekcji radiometrycznej i atmosferycznej zobrazowań hiperspektralnych. 3. Redukcji wymiarowości danych hiperspektralnych z wykorzystaniem transformacji MNF. 4. Klasyfikacji treści zobrazowania hiperspektralnego (dobór danych referencyjnych, dobór algorytmu klasyfikacyjnego, ocena dokładności produktu, postprocessing).
Metody oceny:
Do zaliczenia przedmiotu wymagane jest uzyskanie pozytywnej oceny z zaliczenia wykładu oraz pozytywnej oceny z ćwiczeń projektowych. Do zaliczenia ćwiczeń projektowych wymagane jest uzyskanie pozytywnej oceny ze sprawdzianu oraz uzyskanie pozytywnej oceny z raportu opisującego wykonane zadanie projektowe. Do zaliczenia sprawdzianu wymagane jest uzyskanie minimum 60% punktów. Ocenę z ćwiczeń stanowi średnia ważona ocen uzyskanych ze sprawdzianu (waga: 2) oraz ocen z raportów (waga ocena z raportu: 1) oraz ew. z kartkówek (waga: 0,5). Ocenę łączną stanowi średnia arytmetyczna ocen uzyskanych z zaliczenia wykładu oraz zaliczenia zajęć projektowych. Oceny wpisywane są według zasady: 5,0 – pięć (4,76 – 5,0); 4,5 – cztery i pół (4,26-4,74), 4,0 –cztery (3,76-4,25), 3,5-trzy i pół (3,26-3,75), 3,0-trzy (3,0-3,25). Nieobecność na więcej niż 2 zajęciach oznacza niezaliczenie przedmiotu. Student nieobecny na zajęciach ma obowiązek zgłosić się do prowadzącego (mail, osobiście) celem uzgodnienia terminu odrobienia ćwiczeń.
Egzamin:
nie
Literatura:
1. Jensen J.R., Remote Sensing of the Environment – An Earth Resource Perspective, Prentice Hall, New Jersey, 2000 2. Manolakis D.G., Lockwood R.B., Cooley T.W. , Hyperspectral Imaging Remote Sensing: Physics, Sensors, and Algorithms, Cambridge University Press; 1 edition (December 6, 2016), s. 706. 3. Thenkabail P.S. , Lyon J.G. , Hyperspectral Remote Sensing of Vegetation, CRC Press, 1 edition, 2011, s. 782, 4. Zagajewski B., 2010, Ocena przydatności sieci neuronowych i danych hiperspektralnych do klasyfikacji roślinności Tatr Wysokich, Teledetekcja środowiska, tom 43, s. 113 Czasopisma naukowe: - Teledetekcja Środowiska, dawniej: Fotointerpretacja w Geografii - Archiwum Fotogrametrii, Teledetekcji i Kartografii - Roczniki Geomatyki - Remote Sensing of Environment - International Journal of Remote Sensing - Photogrammetric Engineering& Remote Sensing - European Remote Sensing - Remote Sensing
Witryna www przedmiotu:
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt W1
ma wiedzę z zakresu metod przetwarzania obrazów hiperspektralnych
Weryfikacja: sprawdzian z wykładów
Powiązane efekty kierunkowe: K_W11, K_W14
Powiązane efekty obszarowe: T2A_W04, T2A_W05, T2A_W07, T2A_W04, T2A_W05, T2A_W07
Efekt W2
ma wiedzę na temat metod pozyskiwania i opracowania danych hiperspektralnych oraz na temat zastosowań technik hiperspektranych w badaniach naukowych i gospodarce
Weryfikacja: sprawdzian z wykładów
Powiązane efekty kierunkowe: K_W04, K_W06, K_W15
Powiązane efekty obszarowe: T2A_W04, T2A_W07, T2A_W08, T2A_W09, T2A_W11, T2A_W04, T2A_W05, T2A_W07

Profil ogólnoakademicki - umiejętności

Efekt U1
potrafi przygotować analizę tematyczną na podstawie danych hiperspektralnych, w tym potrafi wykonać klasyfikację treści obrazów hiperspektralnych do wybranego celu
Weryfikacja: raport z realizacji ćwiczeń projektowych
Powiązane efekty kierunkowe: K_U03, K_U08, K_U18, K_U21, K_U22
Powiązane efekty obszarowe: T2A_U04, T2A_U05, T2A_U12, T2A_U17, T2A_U18, T2A_U08, T2A_U09, T2A_U10, T2A_U17, T2A_U15, T2A_U09, T2A_U10, T2A_U12, T2A_U17, T2A_U18, T2A_U09, T2A_U12, T2A_U17, T2A_U18

Profil ogólnoakademicki - kompetencje społeczne

Efekt K1
ma świadomość wagi przygotowywanych opracować dla rozwoju gospodarczego kraju
Weryfikacja: raport z realizacji ćwiczeń projektowych
Powiązane efekty kierunkowe: K_K03
Powiązane efekty obszarowe: T2A_K02