ID:
510475
Durata (ore):
56
CFU:
6
SSD:
TELECOMUNICAZIONI
Anno:
2024
Dati Generali
Periodo di attività
Secondo Semestre (03/03/2025 - 06/06/2025)
Syllabus
Obiettivi Formativi
Questo è un modulo del corso "Sensing and vision for industry and environment". L'obiettivo di questo modulo è di far acquisire allo studente solide conoscenze sui concetti di base del telerilevamento per l'osservazione della Terra, la comprensione dei dati prodotti dai vari sistemi di telerilevamento e come sfruttare tali dati per applicazioni del mondo reale. Lo studente acquisirà la capacità di immaginare come utilizzare diversi tipi di dati telerilevati per risolvere un problema relativo al fenomeno osservato sulla superficie terrestre.
Prerequisiti
Lo studente deve possedere conoscenze di base di fisica, chimica, analisi matematica, normalmente acquisite dai corsi di laurea triennale.
Metodi didattici
Il corso si basa su lezioni frontali, eventualmente integrate con seminari. Quando possibile, saranno organizzate sessioni pratiche sull'elaborazione di set di dati ottici spaziali. Anche se non obbligatoria, è fortemente consigliata la frequenza alle lezioni e alle esercitazioni.
Verifica Apprendimento
Per gli studenti che seguiranno almeno il 75% delle lezione l'esame consisterà nella discussione di un lavoro scientifico di revisione di un argomento dell'area. Per tutti gli altri studenti, l'esame consisterà in una discussione orale su almeno tre diversi argomenti del corso, finalizzata ad accertare il livello di conoscenza e comprensione della materia da parte del candidato. Il voto è espresso con un numero compreso tra 18 (appena sufficiente) e 30 con lode (eccellente).
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.
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
Questo corso insegna il telerilevamento per l'osservazione della Terra a un livello introduttivo. È progettato per insegnare agli studenti una serie di tecniche di elaborazione e analisi comunemente applicate in vari contesti ai dati telerilevati, con particolare riguardo ai dati ottici. Gli studenti impareranno come diversi tipi di dati possono essere gestiti e utilizzati in modo efficace per ottenere le informazioni desiderate sul fenomeno monitorato sulla superficie terrestre. Nel corso è inclusa una menzione all'iniziativa europea “Copernicus” e alle sue implicazioni ambientali.
Programma dettagliato:
Concetti basilari
• Il telerilevamento ei suoi principi fisici
• Sensori e piattaforme
Sensori
• Tipi di sensori e loro caratteristiche
• Reti di sensori
Elaborazione dati
• Dati telerilevati: caratteristiche e organizzazione
• Correzione radiometrica e geometrica, miglioramento dei dati
Elaborazione e analisi
• Analisi statistica/spaziale/spettrale
Estrazione di informazioni
• Approcci supervisionati e non supervisionati
• Analisi contestuale e basata sugli oggetti
• Approcci di Machine Learning e Intelligenza Artificiale
Argomenti generali
• Fusione delle informazioni e integrazione dei metadati
• Copernicus e Big Data dallo spazio
Programma dettagliato:
Concetti basilari
• Il telerilevamento ei suoi principi fisici
• Sensori e piattaforme
Sensori
• Tipi di sensori e loro caratteristiche
• Reti di sensori
Elaborazione dati
• Dati telerilevati: caratteristiche e organizzazione
• Correzione radiometrica e geometrica, miglioramento dei dati
Elaborazione e analisi
• Analisi statistica/spaziale/spettrale
Estrazione di informazioni
• Approcci supervisionati e non supervisionati
• Analisi contestuale e basata sugli oggetti
• Approcci di Machine Learning e Intelligenza Artificiale
Argomenti generali
• Fusione delle informazioni e integrazione dei metadati
• Copernicus e Big Data dallo spazio
Lingua Insegnamento
INGLESE
Corsi
Corsi
ARTIFICIAL INTELLIGENCE FOR SCIENCE AND TECHNOLOGY
Laurea Magistrale
2 anni
No Results Found
Persone
Persone (2)
No Results Found