Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage, Erdbeobachtungsdaten mittels Python (i) zu lesen, (ii) zu schreiben, (iii) zu analysieren, (iv) zu manipulieren, und (v) zu visualisieren. Dabei lernen die Studierenden eine Vielzahl geodatenspezifischer Python Programmbibliotheken kennen. Insbesonder beherrschen die Studierenden  ...

• den Umgang mit geometrischen Primitiven (Punkte, Linien, Polygone) und darauf angewandte geometrische Operationen (Verschneidung, Vereinigung, Pufferung, etc.),
• das Lesen und Schreiben von Geodaten in verbreiteten Datenformaten (ASCII, Binary, Excel, NetCDF, GeoTIFF, etc.)
• den Umgang mit Zeitserien und multi-dimensionalen sowie multi-temporale Datensätzen,
• die kartographische Aufbereitung von Erbeobachtungsdaten und deren Integration in Geographische Informationssysteme,
• den Umgang mit und den Einsatz von räumlichen Indizes und deren Anwendung zur Analyse, Segemtierung und Klassifizierung von Vektor- und Rasterdaten
• den Einsatz von maschinellem Lernen zur Lösung geo- sowie umweltrelevanter Fragestellungen
• Python in geowissenschaftlichen Studien/Applikationen einzusetzen.

• 3rd party Python Bibliotheken (IPython, Numpy, Scipy, Pandas, matplotlib, GDAL/OGR, rasterio, shapely, cartopy, fiona, OpenCV etc.)
• Geometrische Basistypen und geometrische Operationen, 
• Geometrische Datenstrukturen (Vektor, Raster) und räumliche Indizierung (Quadtree, Octtree, kdTree
• File I/O (ASCII, Binary, ShapeFile, GeoTif, Excel, NetCDF, etc)
• Erdbeobachtungsanwendungen (PyQGis, Bildverarbeitung, Karten und Projektionen, 1D/2D-Zeitreihen)
• Geodatenvisualisierung and GIS-Integration
• Segmentierung und Klassifizierung von Rasterdaten und Punktwolken
• Machine Learning (scipy, PyTorch) für Erbeobachtungsanwendungen

• Bereitstellung einer zentralen Web-basierten Programmierumgebung (Jupyter Notebooks, Web-basierte IDE, GitLab) für die praktische Arbeit
• Anleitung zur Installation und Konfiguration externen Python Programmierumgebungen (Conda, PyCharm)
• Vermittlung der Lehrinhalte in Form von Video Tutorials (Theorie und praktische Coding Beispiele)
• Skriptum auf Basis von Jupyter Notebooks (6 Kapitel)
• Pro Kapitel eine Programmierhausübung zur praktischen Übung des Vorlesungsstoffs in der Jupyter Notebook Umgebung
• Teil-automatisierte Beurteilung und Feedback zu den Hausübungsbeispielen
• 6 Präsenztermine (mit simultanem Streaming) zur Besprechung der Hausübungen und Nachbesprechung/Diskussion der Lehrinhalte
• Unterstützung der Studierenden durch die Lehrenden
• Gruppenarbeit zur Ausarbeitung einer größeren Programmierarbeit (vordefinierte Themen oder eigene Vorschläge) inkl Gruppenbetreuung durch das LVA-Team

Die LVA findet prinzipiell in Präsenz (EDV Labor, Department für Geodäsie) statt. Die LVA ist allerdings voll digitalisiert, sodass auch eine Teilnahme im Distance Learning Modus möglich ist..Alle Präsenztermine werden über Zoom gestreamt und aufgezeichnet. Die Zoom Meetings werden aber nicht moderiert. Die Anzahl der Teilnehmer:innen ist mit 45 begrenzt, wobei maximal 25 Personen in der Präsenzgruppe zugelassen sind. Die Zulassung zur LVA erfolgt individuell, wobei im Bedarfsfall Hörer:innen von Geodäsie und Geoinformation bzw. Umweltingenieurwesen bevorzugt zugelassen werden.

• 6 kurze Programmierhausaufgaben (eigenständig auszuführen)
• 1 größere Programmieraufgabe (in Gruppenarbeit auszuführen) inkl Abschlusspräsentatioin

Grundlegende Kenntnisse von Python Programmierung sind erforderlich. Vorausgesetzt werden Kenntniss zu folgenden Themen:

• Einfache und zusammengesetzte Datentypen (bool, int, float, str, list, tuple, set, dict)
• Arithmetische und logische Operationen
• Verzweigungen (if - elif -else)
• Schleifen (for, while)
• Funktionen (Definition und Anwendung, Parameter und Argumente)
• Module und Pakete (Python Standardbibliothek: math, os, sys..., eigene Module)
• Eingabe- und Ausgabe (ASCII/binär, String Operationen, Ausgabeformatierung)
• Datenanalyse (statistics, numpy, pandas)
• Datenvisualisierung (matplotlib)