508281 - LABORATORIO DI GIS E TELERILEVAMENTO

1. Pensiero geografico e struttura dei dati
Introduzione ai GIS e all’informazione geografica. Modelli raster e vettoriali, geometrie e attributi, sistemi di riferimento e proiezioni cartografiche. Scala, risoluzione, accuratezza, incertezza, relazioni spaziali, interrogazioni e operazioni GIS di base.
Software principale: QGIS.

2. Principi di telerilevamento e osservazione della Terra
Interazione tra radiazione elettromagnetica e superfici naturali. Pixel, bande, immagini multispettrali, risoluzione spaziale, spettrale, radiometrica e temporale, riflettanza. Composizioni RGB e falsi colori. Introduzione ai sistemi Sentinel e Landsat.
Software principale: QGIS.

3. Variabili ambientali derivate da dati satellitari
Algebra di mappa, combinazione di bande e indici spettrali. NDVI e altri indicatori di vegetazione, acqua e superfici naturali, con attenzione al significato fisico e all’interpretazione critica. Primo collegamento tra operazioni GIS ed espressioni computazionali semplici.
Ambienti: QGIS e Google Colab.

4. Rilievo e osservazione sul terreno
Progettazione della raccolta di dati georiferiti: schede di rilievo, domini, vocabolari controllati, GNSS, fotografie e attributi. Relazione tra osservazioni di terreno e risoluzione dei dati satellitari. Preparazione dei progetti in QGIS e acquisizione con QField.
Prima esercitazione sul terreno: fenomeno naturale → osservazione → dato geospaziale strutturato.

5. Osservazione della Terra su grandi archivi di dati
Introduzione al geospatial cloud computing, ai cataloghi di immagini e alle Image Collections. Ricerca e selezione per area, periodo e qualità, mascheratura delle nubi, compositing e riduzione delle collezioni. Introduzione a Google Earth Engine tramite Code Editor, con script forniti e modificati dagli studenti attraverso parametri predefiniti.

6. Analisi di serie temporali ambientali
Dimensione temporale dei dati geospaziali: osservazioni singole, confronti multitemporali e serie temporali. Stagionalità, variabilità interannuale, trend, anomalie, eventi e cambiamenti persistenti. Costruzione e interpretazione di semplici serie temporali da dati di osservazione della Terra.
Piattaforma principale: Google Earth Engine.

7. Dal geospatial cloud computing a Python
Introduzione progressiva a Python in Google Colab mediante Earth Engine Python API e geemap. Traduzione dei workflow del Code Editor in Python. Uso pratico di variabili, liste, funzioni e parametri secondo la progressione:
eseguire → modificare → combinare → scrivere semplici blocchi di codice.
Non è prevista una trattazione separata della sintassi Python.

8. Relazioni tra dati ambientali
Integrazione di dati da fonti diverse. Organizzazione tabellare mediante identificativi, tempo, variabili ambientali e relazioni spaziali. Introduzione a DataFrame, dati vettoriali e rappresentazione grafica in Python. Analisi delle relazioni tra variabili distinguendo correlazione, associazione e causalità. Introduzione a COG, GeoParquet e alla separazione cloud-native tra archiviazione, elaborazione e visualizzazione.

9. Classificazione del territorio e machine learning
Classificazione supervisionata: classi, feature, dati di training, validazione e predizione. Preparazione dei dati di training in ambiente GIS e introduzione a Random Forest per dati geografici e di telerilevamento. Confronto tra implementazioni GIS, cloud e Python.
Ambienti: QGIS, Google Earth Engine e Google Colab.

10. Accuratezza, errore e incertezza
Separazione tra dati di training e validazione. Matrice di confusione, errori di omissione e commissione, precision, recall, accuratezza complessiva e overfitting. Interpretazione geografica degli errori: dove si concentrano e in quali condizioni ambientali.

11. Introduzione alla GeoAI
Differenze tra classificazione tradizionale, machine learning, deep learning e GeoAI. Patch di immagine, segmentazione semantica e di istanza, object detection. Uso guidato di modelli pre-addestrati per elementi naturali. Introduzione a OpenGeoAI e all’uso di GPU in Google Colab.

12. Foundation Models e analisi del cambiamento
Introduzione ai foundation models e alla segmentazione basata su prompt, incluso Segment Anything e modelli affini per dati geospaziali. Uso delle segmentazioni come variabili quantitative: area, numero, densità ed evoluzione temporale. Confronto tra change detection tradizionale, machine learning e GeoAI, con valutazione critica dell’appropriatezza scientifica dell’uso dell’AI.

13. Validazione sul terreno
Seconda esercitazione con QField per validare prodotti di classificazione o GeoAI. Campionamento di aree con diversa affidabilità del modello, raccolta indipendente di osservazioni sul terreno e integrazione con QGIS e Colab.
Workflow: modello → predizione → osservazione sul terreno → validazione.

14. Progetto integrato
Sviluppo di un semplice progetto ambientale, individuale o in piccoli gruppi. Gli studenti formulano una domanda scientifica e definiscono dati necessari, scale spaziali e temporali, metodi di acquisizione o selezione, analisi, validazione, valutazione dell’incertezza e comunicazione dei risultati. Il progetto può integrare QGIS, QField, Google Earth Engine, Google Colab, machine learning e GeoAI, ma la scelta degli strumenti deve essere motivata dalla domanda di ricerca e dalle caratteristiche dei dati.