In diesem Modul untersuchen Sie, wie Raumanalysten Werte zwischen diskreten Messpunkten schätzen. Anhand von Daten von Luftqualitätssensoren als anschauliches Beispiel werden Sie in die IDW-Interpolation (Inverse Distance Weighting) eingeführt und lernen, wie entfernungsbasierte Annahmen genutzt werden, um aus Punktbeobachtungen kontinuierliche Oberflächen zu generieren. Sie werden untersuchen, wie die Wahl der Parameter die Interpolationsergebnisse beeinflusst, und lernen, wie man geschätzte Flächen in realen räumlichen Analysekontexten verantwortungsbewusst interpretiert.

In diesem Modul wenden Sie sich von der Berechnung hin zur Interpretation und konzentrieren sich dabei auf Semivariogramme als Diagnosewerkzeuge für räumliche Strukturen. Indem Sie lernen, wie man Range, Sill und Nugget interpretiert, entwickeln Sie ein Gespür für räumliche Abhängigkeiten – ein Wissen, das sowohl Ihre Analyseentscheidungen als auch die Kommunikation mit einem nicht-fachkundigen Publikum beeinflusst.

Die Lernenden verstehen, was LiDAR-Punktwolken darstellen, und sind in der Lage, diese sicher in eine 3D-Umgebung zu laden und dort zu erkunden.

Die Lernenden verstehen, warum DEMs abgeleitete Produkte sind, und können ein solches aus LiDAR-Punkten der Bodenklasse korrekt erstellen.

Die Lernenden beurteilen, ob ein DEM für den jeweiligen Zweck geeignet ist, indem sie es mit bekannten Referenzhöhen vergleichen.

Sie werden untersuchen, warum Rohbilddaten allein für die überwachte Klassifizierung nicht ausreichen und wie künstlich erzeugte Merkmale die Modellleistung verbessern. Im Mittelpunkt dieser Lektion steht die praktische Extraktion von Spektralbändern und Texturmetriken, die bei der Landbedeckungsanalyse zum Einsatz kommen.

Sie werden aufbereitete Merkmale verwenden, um einen Random-Forest-Klassifikator zu trainieren. Der Schwerpunkt liegt dabei auf der intuitiven Verständnisweise: Wie „stimmen“ die Bäume ab, wie wirken sich Parameter auf die Leistung aus und wie lassen sich Anfängerfehler vermeiden?

Sie werden anhand der Auswertung von Verwechslungsmatrizen und Genauigkeitskennzahlen beurteilen, ob das Modell die Anforderungen der Aufgabe erfüllt. Der Schwerpunkt dieser Lektion liegt auf der Entscheidungsfindung und nicht nur auf der Berechnung.

In diesem Modul wenden Sie Transfer-Learning-Techniken an, um ein vortrainiertes konvolutionelles neuronales Netzwerk (CNN) für die Landbedeckungsklassifizierung anhand von Satellitenbildern zu optimieren. Der Schwerpunkt des Moduls liegt auf der Anpassung bestehender Bildverarbeitungsmodelle an georäumliche Daten unter realen Einschränkungen wie einer begrenzten Anzahl beschrifteter Beispiele, einem Klassenungleichgewicht und Herausforderungen bei der räumlichen Generalisierung.

In diesem Modul entwerfen und wenden die Lernenden Pipelines zur Datenaugmentierung an, um die Generalisierungsfähigkeit von konvolutionellen neuronalen Netzen zu verbessern, die anhand von Satellitenbildern trainiert wurden. Der Schwerpunkt des Moduls liegt auf der Auswahl realistischer Augmentationen, die die räumliche Bedeutung bewahren und gleichzeitig das Problem begrenzter und unausgewogener Landbedeckungsdaten angehen.

In diesem Modul nutzen die Teilnehmer Grad-CAM-Visualisierungen, um die Vorhersagen von Faltungsneuronalen Netzen für Satellitenbilder zu interpretieren. Der Schwerpunkt des Moduls liegt auf dem Verständnis der Modell-Attention, der Identifizierung von Fehlermodi und der klaren Vermittlung des Modellverhaltens an technische und nicht-technische Interessengruppen.

In diesem Projekt erstellen Sie einen georäumlichen Machine-Learning-Workflow zur Klassifizierung der Bodenbedeckung unter Verwendung von Bilddaten, aus LiDAR-Daten abgeleiteten Höhendaten und beschrifteten Stichproben. Sie werden Merkmale entwickeln, ein Modell trainieren, die Ergebnisse validieren und eine klassifizierte Bodenbedeckungsausgabe erstellen. Außerdem fassen Sie die Modellleistung zusammen und erstellen eine Interpretationsausgabe, um das Verhalten des Modells zu erläutern. In diesem Projekt müssen die Lernenden räumliche Analyse, die Nutzung von 3D-Daten, die Implementierung von maschinellem Lernen, Validierung, Interpretation und die Kommunikation mit Stakeholdern in einem authentischen Workflow unter Beweis stellen.