Computação para Deteção Remota

Código:

EGEO/CC4000

Sigla:

EGEO/CC4000

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores
OFICIAL	Engenharia Geográfica

Ocorrência: 2024/2025 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Geociências, Ambiente e Ordenamento do Território
Curso/CE Responsável:	Mestrado em Deteção Remota

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
M:DR	0	Plano estudos a partir de 2018	1	-	6	42	162
M:EGEO	9	Plano de Estudos Oficial	1	-	6	42	162

Língua de trabalho

Português e inglês

Objetivos

Pretende-se que os estudantes adquiram competências e conhecimentos de programação/computação científica que lhes permita desenvolver ferramentas e aplicações dedicadas às áreas de Deteção Remota (DR).

Resultados de aprendizagem e competências

O programa cobre como linguagem de programação, a linguagem Python, bem como a utilização de bibliotecas de computação científica para manipulação e visualização de informação geoespacial para o desenvolvimento de aplicações.

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

Sem pré-requisitos.

Programa

Introdução à linguagem Python

Introdução à linha de comandos para computação interactiva – IPython

Tipos de Dados (variáveis do tipo int, float, byte…, strings, listas, dicionários…)

Fluxo de controlo (ciclos, condições if-then)

Organização do código (funções, módulos, pacotes)

Escrita e Leitura de ficheiros, input-output de dados

Introdução ao módulo numpy

Compreender a estruturação de dados com N-dimensões

Criação de arrays

Indexação de arrays, junção e corte com índices, máscaras

Operações básicas e manipulação de arrays com N-dimensões

Introdução ao módulo de visualização 2D – matplotlib

Controlo de cores, eixos e legendas

Criação de gráficos de dispersão, linhas e barras

Gráficos de estatística, histogramas

Curvas de nível, visualização 2,5D

Sub-figuras, organização gráfica

Introdução ao módulo scipy para computação científica

Funções trigonométricas

Funções estatísticas

Álgebra Linear, vectores e matrizes

Interpolação linear, polinomial e splines

Input-output de dados

Visualização de informação georreferenciada – basemap e cartopy

Criação de mapas

Projecções cartográficas

Linhas de costa, fronteiras políticas, terra-mar, lagos e rios

Mapeamento de informação vectorial através de shapefiles

Estruturação de dados em séries temporais e dataframes – módulo pandas

Input-output de dados no pandas

Informação estruturada 1D (séries) e 2D (dataframes)

Critérios de organização de dados, agregação e indexação

Computação e análise de informação no pandas

Controlo de datas e tempos, módulo astropy

Visualização 2D e matplotlib integrado no Pandas

Arrays multi-dimensionais e datasets com o pandas e xarray

Input-output de informação estruturada em netCDF

Indexação e selecção de dados

Extracção e manipulação de variáveis

Análise estatística por dimensões e séries temporais

Reorganização e visualização

Bibliografia Obrigatória

Mark Lutz; Programming Python. ISBN: 0-596-00085-5

Bibliografia Complementar

Mark Lutz; Python pocket reference. ISBN: 978-1-56592-500-7
Matt A. Wood; Python and Matplotlib essentials for scientists and engineers. ISBN: 978-1-62705-619-9
Hans Peter Langtangen; A primer on scientific programming with Python. ISBN: 978-3-642-02474-0

Métodos de ensino e atividades de aprendizagem

As aulas são dadas com base em apresentações Powerpoint e Notebooks com exercícios práticos exemplificando o uso dos vários módulos abordados.

Software

Interpretador Python
Virtualbox

Tipo de avaliação

Avaliação por exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	100,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	50,00
Frequência das aulas	50,00
Total:	100,00

Obtenção de frequência

A frequência das aulas é obrigatória.
Os alunos podem perder a frequência se excederem o número de faltas previsto na lei.

Fórmula de cálculo da classificação final

Exame Final (100%).

Observações