Data Science

MATTIA GIOVANNI CRESPI

The course finds its motivation in the great availability and relevance of geospatial data (in particular big data), and it aims to provide the fundamentals on the main methodologies and techniques currently available for their acquisition, verification, analysis, storage and sharing.
In fact, the vast majority (a percentage close to 80%) of the currently available data has a geographical connotation, is intrinsically linked to a position; they are therefore named geospatial data. Furthermore, the ever-increasing availability of sensors capable of acquiring geospatial data, allowing the acquisition of larger and larger amounts of data, raises several important issues related to the correct, efficient and effective use of these geospatial big data.
Special attention is given to data coming from Global Navigation Satellite Systems (GNSS), Photogrammetry and Remote Sensing, Volunteered Geographic Information (VGI) and crowdsourcing, both regarding their analysis and management with freely available software and cloud-based platforms for planetary-scale environmental data analysis (Google Earth Engine).


Knowledge and understanding
Students who have passed the exam will know the fundamentals on the main methodologies and techniques currently available for geospatial data acquisition, verification, analysis, storage and sharing, with focus on Global Navigation Satellite Systems (GNSS), Photogrammetry and Remote Sensing, and cloud-based platforms for planetary-scale environmental data analysis (Google Earth Engine), being also aware of the relevant resources represented by Volunteered Geographic Information (VGI) and crowdsourcing

Applying knowledge and understanding
Students who have passed the exam will be able to plan and manage the acquisition, verification, analysis, storage and sharing of geospatial data necessary to solve interdisciplinary problems, using Global Navigation Satellite Systems (GNSS), Photogrammetry and Remote Sensing, and cloud-based platforms for planetary-scale environmental data analysis (Google Earth Engine), being also aware of the relevant additional contributions which can be supplied by Volunteered Geographic Information (VGI) and crowdsourcing

Making judgment
Students will acquire autonomy of judgment thanks to the skills developed during the execution of the numerical and practical exercises that will be proposed on three main topics of the course (Global Navigation Satellite Systems, Photogrammetry and Remote Sensing, Google Earth Engine)

Learning skills
The acquisition of basic methodological skills on the topics covered, together with state-of-the-art operational skills, favors the development of autonomous learning skills by the student, allowing continuous, autonomous and thorough updating.

Obiettivi

Motivazione del corso
Il corso trova la sua motivazione nella grande disponibilità e rilevanza dei dati geospaziali (in particolare i big data), e si propone di fornire i fondamenti sulle principali metodologie e tecniche attualmente disponibili per la loro acquisizione, verifica, analisi, archiviazione e condivisione.
Infatti, la stragrande maggioranza (una percentuale vicina all'80%) dei dati attualmente disponibili ha una connotazione geografica, è intrinsecamente legata ad una posizione; sono quindi denominati dati geospaziali. Inoltre, la sempre maggiore disponibilità di sensori in grado di acquisire dati geospaziali, consentendo l'acquisizione di quantità sempre maggiori di dati, solleva diverse questioni importanti legate all'uso corretto, efficiente ed efficace di questi big data geospaziali.
Particolare attenzione viene data ai dati provenienti da Global Navigation Satellite Systems (GNSS), Fotogrammetria e Telerilevamento, Volunteered Geographic Information (VGI) e crowdsourcing, sia per quanto riguarda la loro analisi e gestione con software liberamente disponibili e piattaforme cloud-based per l'analisi ambientale su scala planetaria analisi dei dati (Google Earth Engine).

Conoscenza e comprensione
Gli studenti che hanno superato l'esame conosceranno le nozioni fondamentali sulle principali metodologie e tecniche attualmente disponibili per l'acquisizione, la verifica, l'analisi, l'archiviazione e la condivisione di dati geospaziali, con particolare attenzione ai sistemi globali di navigazione satellitare (GNSS), alla fotogrammetria e al telerilevamento e al cloud- piattaforme basate per l'analisi di dati ambientali su scala planetaria (Google Earth Engine), essendo anche consapevoli delle risorse rilevanti rappresentate da Volunteered Geographic Information (VGI) e crowdsourcing.

Applicare conoscenza e comprensione
Gli studenti che hanno superato l'esame saranno in grado di pianificare e gestire l'acquisizione, la verifica, l'analisi, l'archiviazione e la condivisione dei dati geospaziali necessari alla risoluzione di problemi interdisciplinari, utilizzando i sistemi di navigazione satellitare globale (GNSS), la fotogrammetria e il telerilevamento e i sistemi basati su cloud piattaforme per l'analisi di dati ambientali su scala planetaria (Google Earth Engine), nella consapevolezza anche dei rilevanti contributi aggiuntivi che possono essere forniti da Volunteered Geographic Information (VGI) e crowdsourcing.

Capacità di giudizio
Gli studenti acquisiranno autonomia di giudizio grazie alle competenze sviluppate durante l'esecuzione delle esercitazioni numeriche e pratiche che verranno proposte su tre argomenti principali del corso (Global Navigation Satellite Systems, Fotogrammetria e Telerilevamento, Google Earth Engine).

Capacità di apprendimento
L'acquisizione di competenze metodologiche di base sugli argomenti trattati, unitamente a competenze operative all'avanguardia, favorisce lo sviluppo di capacità di apprendimento autonomo da parte dello studente, consentendo un aggiornamento continuo, autonomo e approfondito.

Le seguenti conoscenze pregresse sono molto utili per una proficua frequenza e comprensione del corso:
fondamenti di Analisi Matematica (derivate, integrali)
fondamenti di Algebra Lineare (vettori, matrici, fondamenti di calcolo matriciale)
fondamenti di Statistica e Teoria della Stima (centro e indici di dispersione, teorema della media e legge di propagazione della covarianza, principio dei minimi quadrati)

0. Presentazione del corso, Fondamenti di Geomatica, Telerilevamento e Geoinformazione

1. Fondamenti di Geodesia e Geomatica
Sistemi di riferimento
Sistemi di coordinate
Proiezioni cartografiche
ESERCIZIO 1 - Trasformazioni tra sistemi di riferimento e conversioni tra sistemi di coordinate

2. Sistemi globali di navigazione satellitare - GPS
Fondamenti, orbite, orologi, segnale
Osservazioni di codice e di fase
Posizionamento con osservazioni di codice e di fase
ESERCIZIO 2 - Posizionamento assoluto e telerilevamento della troposfera

3. Fotogrammetria e telerilevamento
Fondamenti, orientamento delle immagini
Equazioni di collinearità
Risoluzioni delle immagine (spaziale, temporale, spettrale, radiometrica)
Image matching
Manipolazione dell'istogramma dell'immagine, filtri modello
Ricostruzione 3D con Agisoft Metashape
Fotogrammetria satellitare
ESERCIZIO 3 - Gestione degli indici spettrali

4. Dati geospaziali
Modelli digitali di elevazione
Ortoimmagini
Modelli di elevazione digitali globali e regionali all'interno di Google Earth Engine

5. Gestione e analisi dei Geo Big Data
Google Earth Engine
ESERCIZIO 6 - Machine Learning con Google Earth Engine
ESERCIZIO 7 - Monitoraggio della siccità con Google Earth Engine

6. Risorse gratuite per l'osservazione della Terra
Servizi Copernicus
ESA - earth online
NASA - earth data

I libri di riferimento sono disponibili alla pagina web:
https://sites.google.com/a/uniroma1.it/mattiacrespi-eng/teaching/geomatics-and-geoinformation/teaching-material?authuser=0

I libri di riferimento sono disponibili alla pagina web:
https://sites.google.com/a/uniroma1.it/mattiacrespi-eng/teaching/geomatics-and-geoinformation/teaching-material?authuser=0

Le lezioni e le esercitazioni si tengono in aula.
Le lezioni e gli esercizi sono registrati e le registrazioni sono condivise al link:
https://sites.google.com/a/uniroma1.it/mattiacrespi-eng/teaching/geomatics-and-geoinformation/teaching-material?authuser=0

La frequenza è facoltativa ma vivamente consigliata

L'esame consiste in:

1. almeno due relazioni scritte sulle esercitazioni svolte durante il corso secondo le seguenti regole:
1.1 almeno una relazione relativa al 1° gruppo di esercizi:
ESERCIZIO 1 - Trasformazioni di sistemi di riferimento e conversioni di sistemi di coordinate
ESERCIZIO 2 - Posizionamento assoluto e telerilevamento della troposfera
1.2 almeno una relazione relativa al 2° gruppo di esercizi:
ESERCIZIO 3 - Gestione degli indici spettrali
ESERCIZIO 6 - Machine Learning con Google Earth Engine
ESERCIZIO 7 - Monitoraggio della siccità con Google Earth Engine
ogni ulteriore relazione, se corretta, verrà valutata positivamente fino a +1/30 per il voto finale secondo la seguente regola:
FMR = A + (N-2)*(A-18)/(30-18)
N = numero di relazioni presentate
A = voto medio di tutte le N relazioni presentate
FMR = voto finale delle relazioni
esempio:
N = 4
A = 27
se tutti i rapporti sono corretti: FMR = 27 + 2*(27-18)/(30-18) = 28,5
tutte le relazioni dovranno essere presentate tramite Google Classroom almeno una settimana prima di ogni sessione d'esametutte le relazioni devono essere inviate tramite Google Classroom almeno una settimana prima di ogni sessione d'esame

2. un questionario scritto su alcuni argomenti trattati durante il corso da completare in due ore in aula durante ogni appello d'esame
esempio:
FMQ = 28

Il voto finale sarà la media tra il voto finale delle relazioni sui compiti (FMR) e il voto finale del questionario d'aula (FMQ):
FM = (FMQ + FMR)/2 = 28,25 ---> (arrotondamento) ---> 28

Esempi di esami precedenti sono disponibili alla pagina web:
https://sites.google.com/a/uniroma1.it/mattiacrespi-eng/teaching/geomatics-and-geoinformation/teaching-material?authuser=0