Екологічний моніторинг ДЗЗ-методами
Спеціальність: Геоаналітика
Код дисципліни: 6.E4.05.M.052
Кількість кредитів: 7.00
Кафедра: Вища геодезія та астрономія
Лектор: Федорчук Аліна Володимирівна – док.філософії, асистент
Семестр: 7 семестр
Форма навчання: денна
Завдання: Вивчення навчальної дисципліни передбачає формування у здобувачів освіти компетентностей:
загальні компетентності:
ЗК7. Завички використання інформаційних і комунікаційних технологій.
ЗК11. Прагнення до збереження природного навколишнього середовища.
фахові компетентності:
ФК2. Здатність застосовувати базові знання фізики, хімії, біології, екології, математики, інформаційних технологій тощо при вивченні Землі та її геосфер.
Результати навчання: У результаті вивчення навчальної дисципліни здобувач освіти повинен бути здатним продемонструвати такі програмні результати навчання:
ПР4. Використовувати інформаційні технології, картографічні та геоінформаційні моделі в області наук про Землю.
ПР7. Застосовувати моделі, методи і дані фізики, хімії, біології, екології, математики, інформаційних технологій тощо при вивченні природних процесів формування і розвитку геосфер.
ПР9. Вміти виконувати дослідження геосфер за допомогою кількісних методів аналізу.
ПР18. Використовувати знання і уміння з організації робіт у сфері геотехнічного інжинірингу, управління природними ресурсами та геоконсалтингу.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Попередні навчальні дисципліни
Сучасні технології моніторингу
Методи опрацювання космічних знімків
Супутні і наступні навчальні дисципліни
Прикладні задачі моніторингу
Короткий зміст навчальної програми: Навчальна дисципліна «Екологічний моніторинг супутниковими методами» охоплює теоретичні лекції та лабораторні заняття, де студенти зможуть опанувати основи дистанційного зондування Землі, фізичні принципи формування супутникових даних, особливості роботи різних типів сенсорів (оптичних, мульти- та гіперспектральних, SAR, мікрохвильових), методи попереднього та тематичного опрацювання даних, а також основи багатосенсорної інтеграції. У процесі навчання студенти навчаються завантажувати й опрацьовувати супутникові дані за допомогою спеціалізованого програмного забезпечення (наприклад, SNAP, QGIS, R, Python), розраховувати основні біофізичні індекси (NDVI, NDWI, LST тощо), аналізувати часові ряди для виявлення екологічних трендів і аномалій, застосовувати методи машинного навчання для автоматизованої класифікації й прогнозування змін у довкіллі, а також візуалізувати результати у вигляді карт і тематичних звітів. Особлива увага приділяється практичному застосуванню отриманих знань для моніторингу таких екологічних явищ, як зміни земельного покриву, пожежі, підтоплення, посухи, ерозійні процеси, динаміка біорізноманіття та впливи антропогенного навантаження. Таким чином, дисципліна забезпечує комплексну підготовку бакалаврів до роботи у сфері екологічного моніторингу із використанням сучасних супутникових технологій.
Опис: Тема 1. Вступ до екологічного моніторингу супутниковими методами.
Тема 2. Сенсори й платформи дистанційного зондування.
Тема 3. Біофізичні та спектральні індекси.
Тема 4. Аналіз часових рядів супутникових даних.
Тема 5. Багатосенсорне злиття даних.
Тема 6. Машинне навчання в аналізі супутникових даних.
Тема 7. Розпізнавання об’єктів та шаблонів.
Тема 8. Моніторинг ґрунтових та водних ресурсів.
Тема 9. Моніторинг біорізноманіття та ландшафтних змін.
Тема 10. Міські та антропогенні впливи.
Тема 11. Екологічний моніторинг у реальному часі.
Тема 12. Інтеграція та візуалізація даних.
Лабораторна робота №1. Ознайомлення з супутниковими даними та онлайн-ресурсами.
Лабораторна робота №2. Робота з супутниковими сенсорами та метаданими. Геометричне та радіометричне коригування знімків.
Лабораторна робота №3. Розрахунок біофізичних індексів.
Лабораторна робота №4. Злиття SAR та оптичних даних. Класифікація земельного покриву за допомогою машинного навчання.
Лабораторна робота №5. Моніторинг ґрунтової вологи та водних ресурсів. Виявлення змін антропогенного походження.
Лабораторна робота №6. Системи моніторингу в реальному часі, IoT, SCADA.
Методи та критерії оцінювання: Лабораторні та самостійні роботи, які оцінюються у 5 балів:
? 5 балів – («відмінно») виставляється за високий рівень знань (допускаються деякі неточності) навчального матеріалу, вміння аналізувати явища, які вивчаються, у їхньому взаємозв’язку і роз витку, чітко, лаконічно, логічно, послідовно відповідати на поставлені запитання, вміння застосовувати теоретичні положення під час розв’язання практичних задач;
? 4 бали – («добре») виставляється за загалом правильне розуміння навчального матеріалу, включаючи розрахунки, аргументовані відповіді на поставлені запитання, які, однак, містять певні (неістотні) недоліки, за вміння застосовувати теоретичні положення під час розв’язання практичних задач;
? 3 бали – («посередньо» («задовільно») виставляється за посередні знання навчального матеріалу, мало аргументовані відповіді, слабке застосування теоретичних положень під час розв’язання практичних задач;
? 2 бали – («задовільно») виставляється за слабкі знання навчального матеріалу компонента, неточні або мало аргументовані відповіді, з порушенням послідовності викладення, за слабке застосування теоретичних положень під час розв’язання практичних задач;
? 1 бал – («незадовільно») виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння застосувати теоретичні положення під час розв’язання практичних задач;
? 0 балів – («дуже погано») виставляється за незнання значної частини навчального матеріалу, істотні помилки у відповідях на запитання, невміння орієнтуватися під час розв’язання практичних задач, незнання основних фундаментальних положень.
Лабораторні та самостійні роботи, які оцінюються у 10 балів:
? 10 балів – («відмінно») виставляється за високий рівень знань (допускаються деякі неточності) навчального матеріалу, вміння аналізувати явища, які вивчаються, у їхньому взаємозв’язку і роз витку, чітко, лаконічно, логічно, послідовно відповідати на поставлені запитання, вміння застосовувати теоретичні положення під час розв’язання практичних задач;
? 8 балів – («дуже добре») виставляється за знання навчального матеріалу вище від середнього рівня, включаючи розрахунки, аргументовані відповіді на поставлені запитання (можлива невелика кількість неточностей), вміння застосовувати теоретичні положення під час розв’язання практичних задач;
? 6 бали – («добре») виставляється за загалом правильне розуміння навчального матеріалу, включаючи розрахунки, аргументовані відповіді на поставлені запитання, які, однак, містять певні (неістотні) недоліки, за вміння застосовувати теоретичні положення під час розв’язання практичних задач;
? 4 бали – («посередньо» («задовільно») виставляється за посередні знання навчального матеріалу, мало аргументовані відповіді, слабке застосування теоретичних положень під час розв’язання практичних задач;
? 2 бали – («задовільно») виставляється за слабкі знання навчального матеріалу компонента, неточні або мало аргументовані відповіді, з порушенням послідовності викладення, за слабке застосування теоретичних положень під час розв’язання практичних задач;
? 1 бал – («незадовільно») виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння застосувати теоретичні положення під час розв’язання практичних задач;
? 0 балів – («дуже погано») виставляється за незнання значної частини навчального матеріалу, істотні помилки у відповідях на запитання, невміння орієнтуватися під час розв’язання практичних задач, незнання основних фундаментальних положень.
Критерії оцінювання результатів навчання: Лабораторна робота №1 5 балів
Лабораторна робота №2 5 балів
Лабораторна робота №3 5 балів
Лабораторна робота №4 10 балів
Лабораторна робота №5 10 балів
Лабораторна робота №6 5 балів
Екзамен 60 балів
Разом за дисципліну 100 балів
Порядок та критерії виставляння балів та оцінок: 100-88 балів - атестований з оцінкою «відмінно» - Високий рівень: здобувач освіти демонструє поглиблене володіння поняттєвим та категорійним апаратом навчальної дисципліни, системні знання, вміння і навички їх практичного застосування. Освоєні знання, вміння і навички забезпечують можливість самостійного формулювання цілей та організації навчальної діяльності, пошуку та знаходження рішень у нестандартних, нетипових навчальних і професійних ситуаціях. Здобувач освіти демонструє здатність робити узагальнення на основі критичного аналізу фактичного матеріалу, ідей, теорій і концепцій, формулювати на їх основі висновки. Його діяльності ґрунтується на зацікавленості та мотивації до саморозвитку, неперервного професійного розвитку, самостійної науково-дослідної діяльності, що реалізується за підтримки та під керівництвом викладача. 87-71 балів - атестований з оцінкою «добре» - Достатній рівень: передбачає володіння поняттєвим та категорійним апаратом навчальної дисципліни на підвищеному рівні, усвідомлене використання знань, умінь і навичок з метою розкриття суті питання. Володіння частково-структурованим комплексом знань забезпечує можливість їх застосування у знайомих ситуаціях освітнього та професійного характеру. Усвідомлюючи специфіку задач та навчальних ситуацій, здобувач освіти демонструє здатність здійснювати пошук та вибір їх розв’язання за поданим зразком, аргументувати застосування певного способу розв’язання задачі. Його діяльності ґрунтується на зацікавленості та мотивації до саморозвитку, неперервного професійного розвитку. 70-50 балів - атестований з оцінкою «задовільно» - Задовільний рівень: окреслює володіння поняттєвим та категорійним апаратом навчальної дисципліни на середньому рівні, часткове усвідомлення навчальних і професійних задач, завдань і ситуацій, знання про способи розв’язання типових задач і завдань. Здобувач освіти демонструє середній рівень умінь і навичок застосування знань на практиці, а розв’язання задач потребує допомоги, опори на зразок. В основу навчальної діяльності покладено ситуативність та евристичність, домінування мотивів обов’язку, неусвідомлене застосування можливостей для саморозвитку. 49-00 балів - атестований з оцінкою «незадовільно» - Незадовільний рівень: свідчить про елементарне володіння поняттєвим та категорійним апаратом навчальної дисципліни, загальне уявлення про зміст навчального матеріалу, часткове використання знань, умінь і навичок. В основу навчальної діяльності покладено ситуативно-прагматичний інтерес.
Рекомендована література: Chuvieco, E. (2020). Fundamentals of satellite remote sensing: An environmental approach. CRC press.
Chang, N. B., & Bai, K. (2018). Multisensor data fusion and machine learning for environmental remote sensing. CRC Press.
Gemitzi, A., Koutsias, N., & Lakshmi, V. (2019). Advanced Environmental Monitoring with Remote Sensing Time Series Data and R. CRC Press.
Hinz, S., Weinmann, M., & Braun, A. (2018). Object and Pattern Recognition in Remote Sensing. Whittles Publishing.
Acevedo, M. F. (2023). Real-Time Environmental Monitoring: Sensors and Systems-Textbook. CRC Press.
Remote Sensing Tutorials. URL: https://natural-resources.canada.ca/maps-tools-and-publications/satellite-imagery-and-air-photos/tutorial-fundamentals-remote-sensing/9309
Euillades, P., Euillades, L., Pepe, A., Mastro, P., Falabella, F., Imperatore, P., ... & Rosell, P. (2021). Recent advancements in multi-temporal methods applied to new generation SAR systems and applications in South America. Journal of South American Earth Sciences, 111, 103410. https://doi.org/10.1016/j.jsames.2021.103410
Asiyabi, R. M., Ghorbanian, A., Tameh, S. N., Amani, M., Jin, S., & Mohammadzadeh, A. (2023). Synthetic aperture radar (SAR) for ocean: A review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. https://doi.org/10.1109/JSTARS.2023.3310363
Sharma, L. K., Gupta, R., & Pandey, P. C. (2021). Future aspects and potential of the remote sensing technology to meet the natural resource needs. Advances in remote sensing for natural resource monitoring, 445-464. https://doi.org/10.1002/9781119616016.ch22
Curlander, J. C. (1982, June). Geometric and rediametric distortion in spaceborne SAR imagery. In Proc. of the NASA Workshop on Registration and Rectification. https://ntrs.nasa.gov/citations/19820020841
Argenti, F., & Alparone, L. (2002). Speckle removal from SAR images in the undecimated wavelet domain. IEEE Transactions on Geoscience and Remote Sensing, 40(11), 2363-2374. https://ieeexplore.ieee.org/abstract/document/1166595?casa_token=APcdq7h9f1MAAAAA:-KEHRyENqNsbgJcxE5UUH4Lwmrd9F0AjFehcOQy3BYvndI7jFUKnqL5I41_X5yVJNgJxNcYcXu-K
Schlaffer, S., Matgen, P., Hollaus, M., & Wagner, W. (2015). Flood detection from multi-temporal SAR data using harmonic analysis and change detection. International Journal of Applied Earth Observation and Geoinformation, 38, 15-24. https://doi.org/10.1016/j.jag.2014.12.001
Singh, A., & Kushwaha, S. K. P. (2021). Forest degradation assessment using UAV optical photogrammetry and SAR data. Journal of the Indian Society of Remote Sensing, 49(3), 559-567. https://doi.org/10.3390/rs8030217
Zhu, Y., Yao, X., Yao, L., & Yao, C. (2022). Detection and characterization of active landslides with multisource SAR data and remote sensing in western Guizhou, China. Natural Hazards, 1-22. https://doi.org/10.1007/s11069-021-05087-9
Arslan, I., Topakc?, M., & Demir, N. (2022). Monitoring maize growth and calculating plant heights with Synthetic Aperture Radar (SAR) and optical satellite images. Agriculture, 12(6), 800. https://doi.org/10.3390/agriculture12060800
Alaska Satellite Facility. (n.d.). Retrieved July 2025, from https://search.asf.alaska.edu
Copernicus Data Space Ecosystem. (n.d.). Retrieved July 2025, from https://browser.dataspace.copernicus.eu
Copernicus EGMS. (n.d.). Retrieved July 2025, from https://egms.land.copernicus.eu
Copernicus Training YouTube Channel. (n.d.). Retrieved July 2025, from https://www.youtube.com/@ruscopernicustraining5404/videos
EarthScope Consortium. (n.d.). Retrieved July 2025, from https://www.earthscope.org
ESA Forum. (n.d.). Retrieved July 2025, from https://forum.step.esa.int
ESA SNAP Download. (n.d.). Retrieved July 2025, from https://step.esa.int/main/download/snap-download
Sentinel Hub Custom Scripts. (n.d.). Retrieved July 2025, from https://custom-scripts.sentinel-hub.com
Sentinel Hub EO Browser. (n.d.). Retrieved July 2025, from https://www.sentinel-hub.com/explore/eobrowser
SNAP. Sentinel Application Platform. (n.d.). Retrieved July 2025, from https://step.esa.int/main/download/snap-download/
SSARA API. (n.d.). Retrieved July 2025, from https://www.unavco.org/gitlab/unavco_public/ssara_client
SSARA GUI. (n.d.). Retrieved July 2025, from https://web-services.unavco.org/brokered/ssara/gui
UNAVCO. (n.d.). Retrieved July 2025, from https://www.unavco.org
WInSAR. (n.d.). Retrieved July 2025, from https://winsar.unavco.org
ZOOM EARTH. (n.d.). Retrieved July 2025, from https://zoom.earth/maps
NASA EarthData. (n.d.). Retrieved July 2025, from https://earthdata.nasa.gov
Copernicus Data Hub. (n.d.). Retrieved July 2025, from https://scihub.copernicus.eu
Sentinel Hub Custom Scripts. (n.d.). Retrieved July 2025, from https://custom-scripts.sentinel-hub.com
ESA SNAP tutorials. (n.d.). Retrieved July 2025, from https://step.esa.int/main/doc/tutorials
QGIS documentation. (n.d.). Retrieved July 2025, from https://docs.qgis.org
R packages: raster, terra. (n.d.). Retrieved July 2025, from https://cran.r-project.org
Уніфікований додаток: Національний університет «Львівська політехніка» забезпечує реалізацію права осіб з інвалідністю на здобуття вищої освіти. Інклюзивні освітні послуги надає Служба доступності до можливостей навчання «Без обмежень», метою діяльності якої є забезпечення постійного індивідуального супроводу навчального процесу студентів з інвалідністю та хронічними захворюваннями. Важливим інструментом імплементації інклюзивної освітньої політики в Університеті є Програма підвищення кваліфікації науково-педагогічних працівників та навчально-допоміжного персоналу у сфері соціальної інклюзії та інклюзивної освіти. Звертатися за адресою:
вул. Карпінського, 2/4, І-й н.к., кімн. 112
E-mail: nolimits@lpnu.ua
Websites: https://lpnu.ua/nolimits https://lpnu.ua/integration
Академічна доброчесність: Політика щодо академічної доброчесності учасників освітнього процесу формується на основі дотримання принципів академічної доброчесності з урахуванням норм «Положення про академічну доброчесність у Національному університеті «Львівська політехніка» (затверджене вченою радою університету від 20.06.2017 р., протокол № 35).