Curso | Teledetección óptica – Nivel Avanzado.

Published by Instituto Gulich on

Curso Teledetección óptica - Nivel Avanzado

El curso está dirigido a usuarios con experiencia en el uso de herramientas SIG, aplicadas al manejo de datos ráster, que quieran perfeccionarse en el análisis de datos ópticos, haciendo uso de herramientas abiertas y de libre distribución (FOSS).

El objetivo principal, es introducir a los alumnos en el análisis de datos ópticos, partiendo desde su descarga en sitios oficiales, su pre-procesamiento, la generación de productos y visualización. Dirigido principalmente a profesionales y técnicos del área de la geomática, que quieran formarse o completar su formación en el análisis de datos espectrales ópticos utilizando software de libre acceso.

PRE INSCRIPCIÓN: 

Inscripción online del 01/09/2020 al 26/10/2020 (o hasta agotar vacantes)

CONFIRMACIÓN DE INSCRIPTOS: 

Del 27 de Septiembre al 2 de Octubre.

INICIO Y FIN DE CLASES:

Del 05 de Octubre al 27 de Noviembre del 2020.

  • Familiarizarse con la interpretación de imágenes mediante análisis visual y digital.
  • Reconocer situaciones en las que es necesario aplicar técnicas de realce radiométrico
  • Comprender la relevancia de las técnicas de Análisis de Componentes Principales, Transformación Tasseled Cap y cálculo de Índices espectrales.
  • Comprender las ventajas y desventajas de aplicar un método de clasificación supervisado y no supervisado.
  • Dominar los conceptos teóricos de las etapas de entrenamiento del clasificador, la evaluación del producto generado, e interpretación de resultados.

      El curso se dictará a través de un aula virtual educativa (Moodle UNC). Todo el material disponible para el alumno, así como también las evaluaciones de cada instancia, se encuentran en dicha plataforma a disposición de alumnos y docentes.

      El curso se dicta de manera virtual en formato de ocho semanas de clases de 8 hs de dedicación cada una, con una carga horaria total de 60 hs, con un total de 30 horas de clases teóricas y 30 horas prácticas. Se toman exámenes parciales semanales teóricos y prácticos.

       ¿Se prevé examen? Si, exámenes parciales teóricos y prácticos. Un examen por semana.

      Conocimientos previos requeridos: nociones básicas de teledetección óptica (Teleobservación óptica o censado remoto).

      Criterios para la selección de los postulantes: Abierto a todo aquel que cumpla  los conocimientos previos recomendados.

      Cupo mínimo y máximo:  20/120

      Requisitos de hardware y software para los alumnos:  QGIS,  SAGA GIS, R. 

      Unidad 1: CORRECCIONES DE LA IMAGEN

      • Fuentes de errores radiométricos.
      • Correcciones de efectos de la atmósfera.
      • Correcciones Radiométricas.
      • Fuentes de errores Geométricos.
      • Correcciones Geométricas.
      • Georeferenciación.

      Prácticos:

      • Calibración a radiancia espectral en el sensor en imágenes Landsat 7 y 8.
      • Cálculo reflectancia TOA en imágenes Landsat 7 TM y Landsat 8.
      • Georreferenciación con puntos de control imagen a imagen.

      Unidad 2: TÉCNICAS DE REALCE DE IMÁGENES

      • Histograma de la imagen.
      • Realces visuales.
      • Modificación del contraste.
      • Composiciones en color y pseudocolor.
      • Filtrado espacial.
      • Filtros de paso bajo y de paso alto.
      • Filtros de detección de bordes: Operador Laplaciano.
      • Operador Sobel.
      • Análisis morfológico.
      • Operaciones de erosión, dilatación, abriendo-cerrando.
      • Cálculo de variables de textura.

      Prácticos:

      • Composición de imagen multiespectral y acondicionamiento al área de interés para su posterior estudio (realización de mosaicos, recortes, apilamiento de bandas).
      • Análisis visual de la imagen (brillo, color, textura), realización de ajustes de contraste, ecualización e igualación de histogramas, visualización de diferentes composiciones RGB.
      • Aplicación de filtros.

      Unidad 3: ANÁLISIS DE DATOS MULTIESPECTRALES

      • Extracción de información mediante transformación de datos.
      • Técnicas de Clasificación: Clasificación no supervisada (K-Means y IsoData).
      • Generación de regiones de entrenamiento y de evaluación.
      • Clasificación supervisada paramétrica (Paralelepípedo, Distancia Mínima, Máxima Verosimilitud) y no paramétrica (RF, SVM, NN). 
      • Técnicas de Post-Clasificación: Análisis de matriz de confusión.
      • Índices de precisión de la clasificación.
      • Estadísticas de clases.

      Prácticos:

      • Cálculo de índices específicos para la detección de diferentes coberturas.
      • Clasificación no supervisada, interpretación y comparación de resultados.
      • Clasificación supervisada empleando diferentes clasificadores (Mínima Distancia, Paralelepípedos, Máxima Verosimilitud).
      • Evaluación de la precisión de la clasificación, análisis de errores, y comparación de los resultados.
      • Suavizado de clases.
      • Cálculo de áreas de cada clase de interés.

      Unidad 4: ANÁLISIS MULTITEMPORAL DE DATOS

      • Requisitos y aplicación del análisis multitemporal.
      • Detección de cambios: Empleo de componentes principales.
      • Regresión.
      • Diferencia y coeficiente de imágenes.
      • Segmentación multitemporal.
      • Detección de patrones: Transformadas de Fourier.

      Prácticos:

      • Análisis multitemporal de una serie de dos años del producto NDVI del producto MODIS, e identificación de cambios.
      • Análisis de los resultados

          Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31.

          Bocco, M., Sayago, S., & Willington, E. (2014). Neural network and crop residue index multiband models for estimating crop residue cover from Landsat TM and ETM+ images. International journal of remote sensing, 35(10), 3651-3663.

          Bolstad, P. 2005. GIS Fundamentals, 2nd edition. Eider Press, White Bear Lake, MN, 543pp.

          Breiman, L., 2001. Random Forests. Machine Learning, 45(1), pp.5–32.

          Byrne, G. R., & Crapper, P. F. (2009). An example of the detection of changes between successive Landsat images by numerical methods in an urban area. Proceedings of the First Australasian Conference on Remote Sensing.

          Chander, G., Markham, B. L., Helder, D. L., & Ali, E.-. (2009). Summary of current radiometric calibration coefficients for Landsat MSS , TM , ETM + , and EO-1 ALI sensors. Remote Sensing of Environment, 113(5), 893–903.

          Chen, G., Hay, G. J., Carvalho, L. M. T., & Wulder, M. A. (2012). Object-based change detection. International Journal of Remote Sensing, 33(14), 4434–4457. 

          Fisher, R. 2017.  Satellite Image Analysis and Terrain. Charles Darwin University, Australia. https://sagatutorials.files.wordpress.com/2016/02/saga_manual_english_cdu_june-2017.pdf

          Hilera González, J. R., and V. J. Martínez Hernando. 2000. Redes Neuronales Artificiales: Fundamentos Modelos Y Aplicaciones. Madrid: Ra-Ma

          IGET team. Introduction to Filters using SAGA. Institute of Environment Education and Research, Bharati Vidyapeeth University. India. http://dst-get.in/tutorials/IGET_RS_006/IGET_RS_006.pdf

          Irons, J. R., Dwyer, J. L., & Barsi, J. A. (2012). The next Landsat satellite: The Landsat Data Continuity Mission. Remote Sensing of Environment, 122, 11–21. 

          Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern recognition letters, 31(8), 651-666.

          Jensen, J. R., 2005. Introductory Digital Image Processing: A Remote Sensing Perspective. Upper Saddle River, NJ: Prentice Hall.

          Lary, D. J., Alavi, A. H., Gandomi, A. H., & Walker, A. L. (2016). Machine learning in geosciences and remote sensing. Geoscience Frontiers, 7(1), 3-10.

          Li, Z., Huffman, T., McConkey, B., & Townley-Smith, L. (2013). Monitoring and modeling spatial and temporal patterns of grassland dynamics using time-series MODIS NDVI with climate and stocking data. Remote Sensing of Environment, 138, 232–244. 

          Lu, D., Li, G., & Moran, E. (2014). Current situation and needs of change detection techniques. International Journal of Image and Data Fusion, 5(1), 13–38. 

          Monserud, R. A., & Leemans, R. (1992). Comparing global vegetation maps with the Kappa statistic. Ecological modelling, 62(4), 275-293.

          Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247-259.

          Narumalani, S. et al., 2015. Digital Image Processing: A Review of the Fundamental Methods and Techniques. In P. S. Thenkabail, (Ed). Remotely Sensed Data Characterization, Classification, and Accuracies. CRC Press, pp. 197–218.

          Nolasco, M., 2018. Mapeo remoto multisensor de coberturas agrícolas extensivas en la zona central de Córdoba. Universidad Nacional de Córdoba. Available at: https://rdu.unc.edu.ar/handle/11086/6841.

          OTB Team, The Orfeo ToolBox Cookbook, a guide for nondevelopers. Centre National d’Études Spatiales, 2016. https://www.orfeo-toolbox.org/packages/archives/Doc/CookBook-5.6.0.pdf

          QGIS Proyect, QGIS User Guide Publicación 2.14. 2017. https://docs.qgis.org/2.14/pdf/es/QGIS-2.14-UserGuide-es.pdf

          QGIS Training Manual. 7. Module: Vector Analysis 7.4. Lesson: SpatialStatistics. https://docs.qgis.org/2.8/en/docs/training_manual/vector_analysis/spatial_statistics.html

          Richards, J. A. (2013). Remote Sensing Digital Image Analysis. New York: Springer.

          Richards, J. A. 2012. Remote Sensing Digital Image Analysis: An Introduction, 5th edn. New York: Springer Science+Business Media

          Thenkabail, P. S. (2016). Satellite Remote Sensing Beyond 2015. In P. S. Thenkabail (Ed.), Remote Sensing Handbook. Boca Raton: Taylor & Francis Group.

          Vapnik, V.N., 2000. Statistics for Engineering and Information Science, New York: Springer.

          Wulder, M. A., White, J. C., Goward, S. N., Masek, J. G., Irons, J. R., Herold, M., … Woodcock, C. E. (2008). Landsat continuity: Issues and opportunities for land cover monitoring. Remote Sensing of Environment, 112(3), 955–969.

          INSCRIPCIÓN CERRADA – 1 DE SEPTIEMBRE

            PAGO

            Si usted queda seleccionado, tendrá tiempo de abonar el valor de la matrícula y el valor del curso hasta el día 2 de Octubre. Por email se le enviará el link para poder hacerlo. 

            No becados $5000

            Becados $1700

            BECAS DISPONIBLES

            Los requerimientos para acceder a las becas se publicarán, una vez habilitado el llamado, en el formulario de inscripción. 

            CERTIFICACIÓN

            El presente curso no es de posgrado.

            Al finalizar el cursado del mismo, se emitirán certificados de participación. Se enviarán de manera digital por correo electrónico siempre y cuando el alumnado haya cumplido con los requerimientos académicos y económicos de la materia, y haya entregado toda la documentación correspondiente al momento de la inscripción.