Grundzüge der Geoinformatik

Diese Einführung in die Geoinformatik halte ich in deutscher Sprache an der Universität der Bundeswehr (UniBW) München. Ziel des Kurses ist ein grundlegendes Verständnis der Modellierung und Verarbeitung unterschiedlichster Geodaten und der dazu gehöirgen Konzepte und Algorithmen.

Organisatorisches

Termine

Die Vorlesung findet montags von 8.00 - 10.15 im Wechsel mit der Übung statt.

Es entfallen die Termine

  • 22.4.2019 (Ostern)
  • 10.6.2019 (Pfingsten)

Kontakt

Es gibt einen Chat-Kanal unter https://chat.icaml.org/channel/unibw-geoinf, der wird insbesondere in den Übungen nützlich sein…

Mich erreichen Sie unter meiner E-Mailadresse martin@martinwerner.de oder im Chat meines BMBF-Projekts ICAML, wo auch ohne Anmeldung gechattet werden kann Direkt zum Chat.

Materialübersicht [TL;DR]

Material

Gesamtmaterial

Zur einfacheren Klausurvorbereitung hier noch einmal alles Slides in einer Datei:

Für die Klausur gilt das gesprochene Wort, lediglich der recht informelle Teil über Deep Learning in der Geoinformatik aus der letzten Vorlesung ist nicht prüfungsrelevant. Viel Erfolg bei der Vorbereitung und für Fragen bin ich im Chat gerne erreichbar.

Vorlesung 1: Einführung

Wir haben uns mit vielen Themen in Form von einem ersten Überblick beschäftigt. Insbesondere haben wir

  • den Prozess der Verarbeitung von Geoinformation aus verschiedenen Sichten definiert und mit verwandten Prozessmodellen verglicihen (Kapitel 1.1 und 1.2)
  • verschiedene Software angesprochen, die typischerweise verwendet wird. Für die Vorlesung werden wir QGIS verwenden.
  • Beispiele für Geodaten und Geodatenmodelle angeschaut (Kapitel 1.4)

Vorlesungsfolien (Download)

Vorlesung 2: Modelle für Geodaten

Wir haben uns mit grundlegenden Geometrien (Kapitel 1.5, Punkte, Linienzüge, Ellipse, Kreis, Polygone, Kurven, Ellipsoid etc.) und ihrer Konzeptionalisierung (Core Concepts) beschäftigt und dabei auch beispielhaft besprochen, wie man Koordinatensysteme für die Erdoberfläche entwirft und verwendet (Projektionen). Zum Konzept der Granularität wurde der Douglas-Peucker Algorithmus eingeführt, der aber später noch einmal etwas genauer besprochen wird. Ferner haben wir die euklidische Distanz zwischen zwei Punkten und zwischen einem Punkt und einer Polylinie eingeführt (orthogonale Projektion, Skalarprodukt). Auch haben wir das Konzept des Großkreises und der Distanz auf der Kugeloberflächer (Haversine) besprochen und festgestellt, dass man eben die Distanz zwischen einem Punkt und einem Großkreis nicht so leicht berechnen kann, wie im orthogonalen Fall.

Vorlesungsfolien (Download)

Übungsblatt 1

In diesem Übungsblatt soll im Wesentlichen QGIS und ein OSM-Plugin installiert werden, damit wir in der nächsten Übung direkt mit Geodaten arbeiten können.

Übungsblatt (Download)

Vorlesung 3: Simple Feature Specification

In dieser Vorlesung haben wir das OGC-Geometriemodell besprochen und insbesondere das DE-9IM Modell definiert, mit dem sich die Relationen von unterschiedlichen Geometrien fassen lassen. Zu diesem Thema stelle ich auch ein Python-Skript zur Verfügung, mit dem man üben kann. Ferner haben wir SQL eingeführt und uns kurz ins Gedächtnis gerufen, wie Computer grundsätzlich aufgebaut sind und warum es so schwierig ist, über die Performanz eines Algorithmus eine sinnvolle Aussage zu treffen.

Vorlesungsfolien (Download)

Vorlesung 4: Spatial SQL

In dieser Vorlesung haben wir uns mit Spatial SQL weiter beschäftigt, raumzeitliche Indexstrukturen (kD-Bäume) eingeführt, generelle Methoden zur Positionsbestimmung (Triangulation) eingeführt und Lateration (mit linearer Ausgleichsrechnung) im Detail eingeführt.

Vorlesungsfolien (Download)

Übung 2: Spatial SQL und Relationen

In diesem Übungsblatt werden inhalte aus dem Bereich Geometrie und SQL vertieft.

Übungsblatt (Download)

Als Daten stehen zur Verfügung:

Vorlesung 4a: GNSS

Wir haben uns mit der Funktionsweise von GPS und ähnlichen Satellitennavigationssystemen prinzipiell vertraut gemacht. Die Slides dazu können aus Copyright-technischen Gründen nicht hier veröffentlicht werden, finden sich aber in Kürze im Lehr- und Lernportal der Universität. Für die Prüfungsvorbereitung werden sie allerdings auch nicht benötigt.

Vorlesung 5:

In dieser Vorlesung haben wir das soziale Netz Twitter als Geodatenquelle betrachtet und die JSON Query Engine JQ vorgestellt, mit der sich ähnlich wie mit SQL auf solchen Daten arbeiten lässt. Ferner haben wir Gitter und Raster eingeführt und den Bresenham-Algorithmus zum rasterisieren einer Linie besprochen.

Vorlesungsfolien (Download)

Vorlesung 6:

In dieser Vorlesung behandeln wir Raster-Bilder, Rasterisierung, Vektorisierung, Vereinfachung, Raster-Operationen, Morphologie. Danach führen wir die Grundlagen für Deep Learning als Exkurs ein und beschäftigen uns mit Deep Learning für Punktwolken (Point Clouds).

Vorlesungsfolien (Download)