| Nummer |
40401
|
| Leitung |
Martin Christen, bWFydGluLmNocmlzdGVuQGZobncuY2g= |
| ECTS |
0.0 |
| Unterrichtssprache |
Deutsch |
| Lernziele/Kompetenzen |
Die Studierenden können:
- fortgeschrittene Geodatenverarbeitungstechniken mit Python beherrschen
- komplexe geographische Datenanalyse durchzuführen
- Daten auf verschiedenen Ebenen zu manipulieren und zu visualisieren
- OpenStreetMap-Daten zu verstehen und anzuwenden
Lernziele
1. Fortgeschrittene Geodatenverarbeitungstechniken: GDAL, Raster- und Vektordaten, Datenbank-Integration, Georeferenzierung, Geostatistik
- Anwendung von GDAL zur Verarbeitung von Geodaten, z.B. Raster- und Vektordaten.
- Integration von Geodaten in Datenbanken und -tabellen zur Optimierung der Datenverarbeitung.
- Anwendung von Geostatistik zur geographischen Datenanalyse.
2. Geodatenanalyse: GeoPandas, Geoprocessing, Geocoding
- Anwendung von GeoPandas zur Datenmanipulation und -analyse.
- Anwendung von Geoprocessing zur automatisierten Geodatenanalyse und -verarbeitung.
- Verwendung von Geocoding zur Adressauflösung und Geolokalisierung.
3. Datenvisualisierung: Matplotlib, Seaborn, Plotly, Geodaten-Visualisierung
- Verwendung von Matplotlib, Seaborn und Plotly zur Datenvisualisierung.
- Verwendung von Geodaten-Visualisierung zur Erstellung von Karten, Diagrammen und Visualisierungen.
4. OpenStreetMap: Datenmodell, API, Overpass API
- Verständnis des OpenStreetMap-Datenmodells.
- Verwendung von OpenStreetMap-API zur Erfassung von Geodaten.
- Verwendung von Overpass API zur Abfrage von Geodaten.
5. Geodaten-Erfassung, -Verarbeitung und -Bereitstellung: Python-Web-Scraping, Geocoding API, Geodaten-Management-Systeme
- Anwendung von Python-Web-Scraping zur Erfassung von Geodaten aus dem Web.
- Verwendung von Geocoding-APIs zur Adressauflösung und Geolokalisierung.
- Anwendung von Geodaten-Management-Systemen zur Verwaltung, Verarbeitung und Bereitstellung von Geodaten.
|
| Inhalt |
1. Fortgeschrittene Geodatenverarbeitungstechniken:
- Vertiefte Anwendung von GDAL zur Verarbeitung von Raster- und Vektordaten, z.B. Re-Projektion, Transformation, Klassifizierung, Analyse und Visualisierung.
- Integration von Geodaten in Datenbanken und -tabellen zur Optimierung der Datenverarbeitung und -analyse (SQL/NoSQL)
- Anwendung von Geostatistik zur geographischen Datenanalyse, z.B. räumliche Interpolation, Kriging, Vorhersage, Unsicherheitsanalyse.
2. OpenStreetMap:
- Verständnis des OpenStreetMap-Datenmodells und der verfügbaren Daten (Tags).
- Verwendung von OpenStreetMap-API und Overpass API zur Erfassung und Abfrage von Geodaten, z.B. Straßen, Gebäude, POIs, Routen.
- Verarbeitung und Analyse von OpenStreetMap-Daten mit Python, z.B. Extraktion, Filterung, Konvertierung, Aggregation, Visualisierung.
3. Geodatenanalyse:
- Anwendung von GeoPandas zur Datenmanipulation und -analyse, z.B. Verknüpfung, Gruppierung, Filterung, Join, Overlay, Clip.
- Anwendung von Geoprocessing zur automatisierten Geodatenanalyse und -verarbeitung, z.B. Geometrieoperationen, räumliche Abfragen, Netzwerkanalyse, Klassifizierung.
- Verwendung von Geocoding-APIs zur Adressauflösung und Geolokalisierung von Geodaten, z.B. Nominatim, Geopy.
4. Datenvisualisierung:
- Verwendung von Matplotlib, Seaborn, Plotly und Folium zur Datenvisualisierung und Geodaten-Visualisierung, z.B. Karten, Diagramme, Heatmaps, Marker, Linien, Polygone.
- Erstellung von interaktiven Webkarten mit Python und OpenStreetMap-Daten, z.B. Leaflet, Mapbox, OpenLayers.
5. Geodaten-Erfassung, -Verarbeitung:
- Anwendung von Python-Web-Scraping zur Erfassung von Geodaten aus dem Web, z.B. Webseiten, RSS-Feeds, soziale Medien.
|
| Leistungsbewertung |
E100
1-2 Zwischenprüfungen |
