PRESENTAZIONE

L'insegnamento introduce i concetti chiave relativi al telerilevamento per osservazione della Terra nel contesto delle applicazioni alle fonti energetiche rinnovabili. Si introducono anche concetti di machine learning nell'ambito di tale applicazioni.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Introducing the key concepts associated with Earth observation through remote sensing images for renewable energy applications. Providing the students with basic knowledge about remote sensing image acquisition and about mapping, through remote sensing image analysis, bio/geophysical parameters associated with renewable energy sources, including vegetation biomass, wind velocity field over sea water, solar irradiance, and air surface temperature.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Dopo il corso, lo studente conoscerà nozioni di base sul telerilevamento mediante sensori ottici, radar e laser e su come operare con i dati da essi forniti per mappare la biomassa vegetale, il campo di velocità del vento sul mare, l'irradianza solare e la temperatura superficiale dell'aria. Lo studente conoscerà anche le metodologie di base di machine learning per classificazione e regressione supervisionate.

MODALITA' DIDATTICHE

Lezioni frontali ed esercitazioni in laboratorio software.

Gli studenti che abbiano certificazioni in corso di validità per Disturbi Specifici dell’Apprendimento (DSA), per disabilità o altri bisogni educativi sono invitati a contattare il docente e il referente per la disabilità della Scuola Politecnica, Prof. Federico Scarpa (federico.scarpa@unige.it), all’inizio dell’insegnamento per concordare eventuali modalità didattiche e di esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali.

PROGRAMMA/CONTENUTO

• Nozioni e terminologia di base su sensori, piattaforme ed orbite spaziali per osservazione della Terra
• Acquisizione di dati telerilevati mediante sensori passivi, attivi radar ed attivi laser
• Mappatura della biomassa vegetale mediante analisi di dati telerilevati
• Elementi di base di machine learning per classificazione e regressione con dati telerilevati
• Stima del campo di velocità del vento sul mare tramite telerilevamento
• Stima dell'irradianza solare e della temperatura dell'aria tramite telerilevamento
• Filtraggio di immagini telerilevate e riduzione di rumore e speckle

L'insegnamento contribuisce al raggiungimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda ONU 2030 n. 4, 7, 8 e 13.

TESTI/BIBLIOGRAFIA

• Bishop C., Pattern recognition and machine learning, Springer, 2006
• Campbell J. B. and Wynne R. H., Introduction to remote sensing, Guilford Press, 2011
• Goodfellow I., Bengio Y., and Courville A., Deep learning, MIT Press, 2016
• Hastie T., Tibshirani R., and Friedman J., The elements of statistical learning, Springer, 2008
• Long D. and Ulaby F. T., Microwave radar and radiometric remote sensing, Artech House, 2015
• Manolakis D. G., Lockwood R. B., and Cooley T. W., Hyperspectral imaging remote sensing, Cambridge University Press, 2016
• Moser G., Analisi di immagini telerilevate per osservazione della Terra, ECIG, 2007
• Moser G. and Zerubia J. (eds.), Mathematical models for remote sensing image processing, Springer, 2018
• Sonka M., Hlavac V., Boyle R., Image processing, analysis, and machine vision, Cengage Learning, 2015
• Slide dell'insegnamento fornite agli studenti tramite  AulaWeb.

DOCENTI E COMMISSIONI

Commissione d'esame

GABRIELE MOSER (Presidente)

SILVANA DELLEPIANE

SEBASTIANO SERPICO (Presidente Supplente)

LEZIONI

INIZIO LEZIONI

https://corsi.unige.it/corsi/10170/studenti-orario

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

Esame scritto obbligatorio sui temi dell'insegnamento con massimo voto ammissibile pari a 24/30. Se lo studente ottiene un voto sufficiente in tale esame scritto, può opzionalmente sostenere anche un esame orale aggiuntivo con voto massimo ammissibile pari a 30/30 e lode.

Gli studenti che abbiano certificazioni in corso di validità per Disturbi Specifici dell’Apprendimento (DSA), per disabilità o altri bisogni educativi sono invitati a contattare il docente e il referente per la disabilità della Scuola Politecnica, Prof. Federico Scarpa (federico.scarpa@unige.it), per concordare eventuali modalità di esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali.

MODALITA' DI ACCERTAMENTO

Nell'esame scritto obbligatorio, si valuterà la conoscenza, da parte dello studente, dei concetti principali discussi nell'insegnamento. Nell'esame orale facoltativo, si valuterà la capacità dello studente sia di affrontare semplici problemi di analisi di immagini telerilevate nel contesto di applicazioni energetiche sia di discutere criticamente le relative basi metodologiche.

Calendario appelli