In dieser Woche werden Sie untersuchen, was Fernerkundungsinstrumente messen und wie die Bildqualität durch radiometrische und geometrische Verzerrungen beeinträchtigt werden kann. Sie werden erfahren, wie diese Fehler entstehen, und sich mit Techniken zu ihrer Korrektur befassen, um sicherzustellen, dass Fernerkundungsbilder die realen Gegebenheiten genau wiedergeben.

In dieser Woche lernen Sie, wie die Bildgeometrie mithilfe von Kontrollpunkten, Resampling-Verfahren und Methoden zur Bild-zu-Bild-Registrierung korrigiert wird. Außerdem befassen Sie sich mit Ansätzen zur Bildauswertung und Kontrastverbesserung, die die Nutzbarkeit und die visuelle Qualität von Fernerkundungsdaten verbessern.

In dieser Woche beschäftigen Sie sich mit den Grundlagen der Bildklassifizierung und der thematischen Kartierung. Sie werden Kovarianz- und Korrelationsmatrizen untersuchen und lernen, wie die Hauptkomponentenanalyse eingesetzt werden kann, um die Komplexität der Daten zu reduzieren und gleichzeitig wichtige Informationen für die Bildanalyse zu erhalten.

In dieser Woche konzentrieren Sie sich auf die praktische Anwendung der Hauptkomponentenanalyse in der Fernerkundung. Anhand von Beispielen und Anwendungsfällen aus der Praxis lernen Sie, wie diese Methode die Bildauswertung, die Merkmalsextraktion und die effizientere Analyse komplexer Datensätze unterstützt.

In dieser Woche werden Sie in die Grundlagen der computergestützten Bildauswertung und des maschinellen Lernens in der Fernerkundung eingeführt. Sie werden sich mit den Prinzipien der überwachten Klassifizierung befassen, untersuchen, wie Maximum-Likelihood-Klassifikatoren Klassifizierungsentscheidungen treffen, und lernen, wie Diskriminanzfunktionen zur Unterscheidung von Bildklassen eingesetzt werden. Außerdem werden Sie verschiedene Klassifizierungsansätze vergleichen und ein Verständnis dafür entwickeln, wie Techniken des maschinellen Lernens die automatisierte Bildanalyse unterstützen.

In dieser Woche lernen Sie, wie lineare Klassifikatoren trainiert und auf Fernerkundungsdaten angewendet werden. Sie befassen sich mit der Entwicklung von Support-Vektor-Maschinen (SVMs), lernen, wie diese sowohl lineare als auch nichtlineare Datensätze klassifizieren, und untersuchen praktische Beispiele für die Implementierung von SVMs.

In dieser Woche werden Sie sich mit dem Aufbau und der Funktionsweise neuronaler Netze als Klassifizierungswerkzeuge befassen. Sie werden erfahren, wie neuronale Netze trainiert werden, wie sie Muster in Daten erkennen und wie sie zur Lösung von Klassifizierungsproblemen in der Fernerkundung eingesetzt werden können.

In dieser Woche werden Sie sich mit der Entwicklung von traditionellen neuronalen Netzen hin zu konvolutionellen neuronalen Netzen (CNNs) befassen. Sie werden erfahren, wie CNNs aufgebaut sind, wie sie bei Fernerkundungsbildern eingesetzt werden und wie ihre Leistung im Vergleich zu anderen Klassifizierungsansätzen abschneidet.

In dieser Woche beschäftigen Sie sich mit unüberwachten Klassifizierungsverfahren und der Rolle des Clusterings bei der Erkennung von Mustern in unbeschrifteten Daten. Sie werden gängige Clustering-Verfahren, darunter das k-Means-Clustering, untersuchen und Ansätze kennenlernen, die für die Verarbeitung umfangreicher Fernerkundungsdatensätze konzipiert sind.

In dieser Woche lernen Sie Techniken zur Reduzierung und Auswahl von Merkmalen in Fernerkundungsdatensätzen kennen. Sie werden sich mit transformationsbasierten Methoden, Separabilitätsmaßen sowie den Unterschieden zwischen verteilungsbasierten und verteilungsfreien Ansätzen befassen, die zur Verbesserung der Klassifikationsleistung und -effizienz eingesetzt werden.

In dieser Woche werden Sie untersuchen, wie die Genauigkeit thematischer Karten und die Leistung von Klassifikatoren bewertet werden. Sie lernen den Unterschied zwischen Klassifikationsgenauigkeit und Kartierungsgenauigkeit kennen und setzen sich mit Methoden auseinander, die überwachte und unüberwachte Verfahren kombinieren, um die Ergebnisse der Bildauswertung zu verbessern.

In dieser Woche erhalten Sie eine Einführung in die Themen Bildgebungsradar und Radar mit synthetischer Apertur (SAR). Sie werden sich mit den Konzepten der Radarstreuung, dem Radarquerschnitt und dem Speckle-Phänomen befassen und sich so eine Grundlage für das Verständnis von Radarbildern und deren Anwendungen in der Fernerkundung aneignen.

In dieser Woche werden Sie untersuchen, wie Radarenergie mit der Erdoberfläche interagiert. Sie werden sich mit Oberflächen- und Volumenstreuung, Reflexionen von harten Zielen, Streuung an der Meeresoberfläche und dem Kardinal-Effekt befassen und so ein tieferes Verständnis für die Auswertung von Radarbildern entwickeln.

In dieser Woche beschäftigen Sie sich mit fortgeschrittenen Konzepten der Radar-Fernerkundung, darunter geometrische Verzerrungen, Radarkalibrierung, Interferometrie und Tomographie. Außerdem untersuchen Sie die Vorteile der Kombination von optischen und Radarbildern und schließen den Kurs mit einer Zusammenfassung der wichtigsten Konzepte und Anwendungen ab, die im Laufe des Programms behandelt wurden.