|
|
| JDZ7202 | Spatial Data Models and Data Str. for Gis | 3+0+0 | AKTS:7.5 | | Yıl / Yarıyıl | Güz Dönemi | | Ders Duzeyi | Doktora | | Yazılım Şekli | Seçmeli | | Bölümü | HARİTA MÜHENDİSLİĞİ ANABİLİM DALI | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Prof. Dr. Çetin CÖMERT | | Diğer Öğretim Üyesi | Yok | | Öğretim Dili | İngilizce | | Staj | Yok | | | | Dersin Amacı: | | CBS de kullanılan konumsal veri modelleri ve konumsal veri yapılarını anlamak. Geliştirici perspektiften bu modelleri ve yapıları kavramak. |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | CBS için konumsal veri modellerini öğrenecek | 1 | 1, | | ÖK - 2 : | CBS için konumsal veri yapılarını öğrenecek | 9 | 1 | | ÖK - 3 : | İlişkisel ve Nesne Yönelimli veri modellerini öğrenecek | 1 | 1, | | ÖK - 4 : | Bir yazılım kullanarak teorik bilgiler pekiştirilecek | 9 | 4, | | PÖKK :Program öğrenim kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),ÖK : Öğrenim Kazanımı | | |
| CBS için konumsal veri modelleri ve veri altyapıları; temel kavramlar. İlişkisel ve nesne tabanlı veri modelleri. Dinamik olguların modellenmesi; Eulerian ve Lagrangian temsil. Geleneksel ve Maikine Öğrenmesi (ML) temelli modeller. Süreksiz (discrete) ve sürekli modeller; Celular Automata (CA), Computational Fluid Dynamics (CFD) and its applications in GIS; Flood modelling, air pollution modelling. Hareket eden objeler modellemesi ; trajectory modelling. (Machine Learning) ML teknikleri. Yapay sinir ağları (ANN), Geleneksel yöntemler ve ANN karşılaştırması için bir durum çalışması; Heyelan riski analizi, Dönem Projesi. |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | CBS için konumsal veri modelleri ve veri altyapıları; temel kavramlar, dersin içeriği | | | Hafta 2 | İlişkisel ve nesne tabanlı veri modelleri | | | Hafta 3 | Dinamik olguların modellenmesi; Eulerian ve Lagrangian temsil. Geleneksel ve Maikine Öğrenmesi (ML) temelli modeller. Süreksiz (discrete) ve sürekli modeller; Celular Automata (CA) | | | Hafta 4 | Bilgisayarlı Akışkanlar dinamiği (CFD) ve CBS de uygulamaları. | | | Hafta 5 | Lab: Flow-2d qgis plug in ile taşkın modelleme | | | Hafta 6 | Kent gelişiminin modellenmesi; conventional and ML models | | | Hafta 7 | Hareket eden objeler modellemesi ; trajectory modelling | | | Hafta 8 | Arasınav | | | Hafta 9 | Lab : trajectory modelling and spatial SQL in Postgis | | | Hafta 10 | Yapay sinir ağlarına (ANN) giriş ; temel kavramlar | | | Hafta 11 | Yapay sinir ağlarında (ANN) hiper parametreler | | | Hafta 12 | Lab: ANN uygulaması ; Python Keras | | | Hafta 13 | Geleneksel yöntemler ve ANN karşılaştırması için bir durum çalışması; Heyelan riski analizi | | | Hafta 14 | Dönem Projesi sözlü sunum ve sınavı | | | Hafta 15 | Dönem Projesi sözlü sunum ve sınavı | | | Hafta 16 | Dönem sonu sınavı | | | |
| 1 | Samet, H., 1990;The design and Analyses of Spatial Data Structures, Addison Wesley, New York. | | | 2 | Worboys, M, Duckham M., 2004,GIS, A computing Perspective, CRC Press, second edition. | | | |
| 1 | Oosterom, P.,V., 1993; Reactive Data Structures for GIS, Oxford University Press. | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 8 | | 1,5 | 30 | | Laboratuar sınavı | 15 | | 2 | 20 | | Dönem sonu sınavı | 16 | | 1,5 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 14 | 42 | | Sınıf dışı çalışma | 2 | 14 | 28 | | Arasınav için hazırlık | 6 | 1 | 6 | | Arasınav | 1 | 1 | 1 | | Proje | 3 | 6 | 18 | | Kısa sınav | 2 | 3 | 6 | | Dönem sonu sınavı için hazırlık | 6 | 1 | 6 | | Dönem sonu sınavı | 1 | 1 | 1 | | Toplam Çalışma Yükü | | | 108 |
|