Questo corso fornisce le basi delle tecniche di machine learning, con esempi relativi all'utilizzo dei dati di telerilevamento o al raggiungimento di risultati di interesse utilizzando i dati telerilevati attraverso un mix di lezioni on-line, esperimenti a casa ed esperienze in loco.
Prerequisiti
Lo studente deve possedere conoscenze di base di fisica, chimica, analisi matematica, normalmente acquisite dai corsi di laurea triennale.
Metodi didattici
Il piano complessivo del programma prevede una componente di mobilità virtuale e una fisica, a bando, organizzata secondo il seguente calendario. Mobilità virtuale • 8 ore di lezioni on-line intrecciate con • 12 ore di formazione on-line sull'ambiente del cloud computing, e • 3 sfide da gestire in team work, sempre on line. Mobilità fisica • 1 giornata di seminari tenuti da esperti sulle ultime novità di machine learning per applicazioni EO in loco in Italia, seguita da • 3 giorni per la raccolta della verità sul terreno, le visite in loco e la gestione della sfida finale di persona, e conclusi da • 1 giornata conclusiva con presentazioni pubbliche e valutazione finale da parte degli organizzatori dei lavori di gruppo da parte dei partecipanti.
Testi
Thomas Lillesand, Ralph W. Kiefer, Jonathan Chipman: Remote Sensing and Image Interpretation, 7th Edition. Wiley, January 2015, 736 pages. ISBN: 978-1-118-91947-7 Aaron E. Maxwell, Timothy A. Warner & Fang Fang (2018) Implementation of machine-learning classification in remote sensing: an applied review, International Journal of Remote Sensing, 39:9, 2784-2817, DOI: 10.1080/01431161.2018.1433343 Holloway, J.; Mengersen, K. Statistical Machine Learning Methods and Remote Sensing for Sustainable Development Goals: A Review. Remote Sens. 2018, 10, 1365. https://doi.org/10.3390/rs10091365 G. Cheng, X. Xie, J. Han, L. Guo and G. -S. Xia, "Remote Sensing Image Scene Classification Meets Deep Learning: Challenges, Methods, Benchmarks, and Opportunities," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 13, pp. 3735-3756, 2020, doi: 10.1109/JSTARS.2020.3005403. Qiangqiang Yuan, Huanfeng Shen, Tongwen Li, Zhiwei Li, Shuwen Li, Yun Jiang, Hongzhang Xu, Weiwei Tan, Qianqian Yang, Jiwen Wang, Jianhao Gao, Liangpei Zhang, “Deep learning in environmental remote sensing: Achievements and challenges”, Rem. Sens. of Envir. Vol. 241, 2020, 111716, ISSN 0034-4257, https://doi.org/10.1016/j.rse.2020.111716.
Contenuti
Il programma mira a formare professionisti formati all'uso dei dati geospaziali provenienti dal satellite per applicazioni di Osservazione della Terra, come il monitoraggio degli Obiettivi di Sviluppo Sostenibile delle Nazioni Unite. Si basa su una mobilità virtuale che fornisce le basi delle tecniche di apprendimento automatico applicate ai set di dati satellitari e sfida i partecipanti a fornire risposte a domande sull'elaborazione dei dati in gruppi di studenti da parte di diverse istituzioni che collaborano online. Le sfide, da completare su piattaforma di cloud computing aperta, si riferiscono a problematiche di monitoraggio ambientale in un ambiente urbano reale, e saranno selezionate sulla base di un'esperienza più che decennale da parte di alcuni istruttori del gruppo organizzatore nell'organizzazione di eventi internazionali concorsi che utilizzano set di dati EO. Imparando le basi dell'elaborazione dei dati EO, sperimentando i limiti e i vantaggi delle tecniche di apprendimento automatico applicate alle immagini satellitari e risolvendo problemi reali per un ambiente reale, la componente virtuale di questo programma misto ha lo scopo di fornire ai partecipanti nuove abilità, come nonché un primo esempio sia di formazione a distanza, che si rivelerà importante per la loro futura carriera professionale, sia di lavoro in team in un ambiente remoto.
Lingua Insegnamento
INGLESE
Altre informazioni
Questo è un corso finanziato dall'iniziativa ERASMUS Blended Intensive Program (BIP).