GMFM350 Stordata og maskinlæring i fjernmåling

Studiepoeng:10

Ansvarlig fakultet:Fakultet for realfag og teknologi

Emneansvarlig:Misganu Debella-Gilo

Campus / nettbasert:Undervises campus Ås

Undervisningens språk:Engelsk, norsk

Frekvens:Årlig

Forventet arbeidsmengde:Samlet strukturert tid: 100 timer. Øvingsarbeid uten direkte veiledning: 96 timer. Selvstudium: 50 timer.

Undervisnings- og vurderingsperiode:Høstparallell

Om dette emnet

Forelesninger: Egenskaper og prosesseringsløyper til fjernmåling data. Stordata prinsipper og stordata verktøy i fjernmåling. Maskinlæring (ML) og dyplærings (DL) metoder fjernmåling. ML og DL metoder i bildeklassifisering, segmentering og prosessering (korrigering og forbedring). ML og DL metoder i analyse av høydimensjonale fjernmålings data: lidardata, satellittbilde tidsserie, og hyperspektral bilder.

Øvelser: 1) Stordata i fjernmåling: bildekolleksjon, datakuben, tidsserie og prosessering. 2) Multispektral bilde klassifisering og segmentering med bruk av ML. 3) Satellittbilde tidsserie, lidar data og hyperspektral bilde klassifisering med bruk av ML.

Dette lærer du

Etter gjennomføring av emnet skal studenten ha fått betydelig innsikt, teknisk forståelse og praktisk erfaring med maskinlæring og dyplæring algoritmer som brukes i behandling og analyse av ulike typer fjernmålingsdata, spesielt innen bildebehandling, klassifisering, segmentering og endringsdeteksjon. I tillegg vil studentene være kjent med forståelsen og grunnleggende kompetanse for å håndtere fjernmåling stordata. Python er arbeidshesten i dette kurset, og grunnleggende kompetanse i Python er nødvendig.

Læringsaktiviteter
Forelesningene introduserer og oppfrisker teoretiske bakgrunner som er relevante for bruk av maskinlæringsalgoritmer innen fjernmåling ved å karakterisere fjernmålingsbilder, deres prosesseringskjeder og utforske anvendelige maskinlærings- og dyp læringsalgoritmer. Øvelsene gir praktisk erfaring med bruk av maskinlæring på ulike bruksområder for fjernmålingsdata.
Læringsstøtte
Læringsstøtte vil fortrinnsvis bli gitt i tilknytning til den delen av den strukturerte tiden som er avsatt til øvingsveiledning. Det vil også være mulig å samtale direkte med faglærer etter nærmere avtale innenfor dennes kontortid.
Pensum
Utvalgte artikler og annen dokumentasjon som gjøres tilgjengelig under gjennomføringen av emnet.
Forutsatte forkunnskaper
GMBB100/GMFM100 eller tilsvarende (eks. MINA305), og DAT200 eller tilsvarende
Anbefalte forkunnskaper
GMBB201/GMFM200 eller GMBB300/GMFM300, INF200
Vurderingsordning, hjelpemiddel og eksamen
Mappe vurdering basert på rapport og muntlig presentasjon av øvelsene (teller 50% av karakter) og Skriftlig eksamen (teller 50% av karakter).

Mappevurdering Karakterregel: Bokstavkarakterer
Sensorordning
Ekstern sensor deltar sammen med intern sensor ved utformingen av eksamensoppgavene og sensorveiledningen. Ekstern sensor kontrollerer intern sensors vurdering av et tilfeldig utvalg kandidater som en kalibrering med visse mellomrom i henhold til instituttets retningslinjer for sensur.
Obligatorisk aktivitet
Obligatoriske oppgaver
Undervisningstider
Forelesning: 30 timer. Øvinger: 60 timer. Utferd: 8 timer. Langsgående vurdering: 2 timer.
Overlapp
Ingen
Opptakskrav
Realfag