- 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. 2019/2020
- 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