Remote sensing en rasterdata vormen de basis van veel moderne geo-informatie toepassingen. In deze cursus leer je hoe je satellietbeelden en andere rasterdatasets verwerkt, analyseert en visualiseert met Python. Je werkt met veelgebruikte open source libraries uit de GIS- en remote sensing-wereld en past deze direct toe op praktijkgerichte opdrachten. Zo ontwikkel je de vaardigheden om zelfstandig waardevolle inzichten uit geospatiale data te halen.
Rasterdata en remote sensing vormen de basis van veel toepassingen binnen GIS, klimaatonderzoek, landbouw, natuurbeheer en ruimtelijke analyse. Met behulp van satellietbeelden, luchtfoto’s en andere rasterdatasets kunnen grote gebieden efficiënt worden geanalyseerd en gemonitord.
In deze blended learning cursus leer je hoe je rasterdata en remote sensing-data verwerkt, analyseert en visualiseert met Python. Je werkt met veelgebruikte libraries voor het beheren van satellietbeelden, het uitvoeren van rasteranalyses en het verwerken van grote geospatiale datasets.
De cursus is geschikt voor GIS-professionals, data-analisten en iedereen die meer wil leren over het werken met rasterdata en aardobservatie. Door de praktijkgerichte aanpak leer je niet alleen de theorie, maar pas je technieken direct toe op realistische datasets.
In deze blended learning cursus leer je de fundamenten van rasteranalyse en remote sensing met Python. Je begint met het inlezen, beheren en visualiseren van rasterdata en leert hoe verschillende rasterformaten worden gebruikt binnen geospatiale toepassingen.
Je leert onder andere werken met libraries zoals Rasterio, Rioxarray, Xarray en EarthPy voor het verwerken van rasterbestanden. Vervolgens ga je aan de slag met satellietbeelden en remote sensing-data en leer je hoe je deze gegevens kunt analyseren en voorbereiden voor verdere verwerking.
Daarnaast ontdek je hoe je rasterstatistieken berekent, satellietdata verzamelt via STAC-services en werkt met gespecialiseerde tools zoals Satpy, PyResample, StackSTAC en Spectral. Ook maak je kennis met beeldverwerkingstechnieken met OpenCV en Scikit-image voor classificatie, detectie en analyse van rasterbeelden.
Kortom: deze cursus is ideaal voor iedereen die rasterdata en remote sensing wil inzetten voor analyse, monitoring en het verkrijgen van waardevolle inzichten uit satelliet- en aardobservatiegegevens.
Blended learning combineert zelfstandig online leren met praktijkgerichte begeleiding. Je krijgt toegang tot online lesmateriaal waarmee je in je eigen tempo leert werken met rasterdata, satellietbeelden en remote sensing-technieken. De theorie wordt ondersteund met praktische opdrachten, zodat je direct oefent met realistische datasets.
Tijdens de begeleide sessies kun je vragen stellen, extra uitleg krijgen en werken aan opdrachten die aansluiten op toepassingen binnen GIS, milieu, klimaat en aardobservatie. Je leert hoe je rasteranalyses uitvoert, satellietbeelden verwerkt en geospatiale inzichten genereert op basis van actuele data.
Na afloop van deze cursus beschik je over een solide basis in rasteranalyse en remote sensing met Python. Je kunt zelfstandig rasterdata verwerken, satellietbeelden analyseren en geavanceerde geospatiale analyses uitvoeren voor uiteenlopende toepassingen.
Je ontvangt persoonlijke begeleiding. Na je aanmelding neemt onze cursuscoördinator contact met je op om je eerste sessie in te plannen.
Heb je vragen over de inhoud van de cursus? Of twijfel je of de cursus aansluit bij jouw leerdoelen of wensen? Liever incompany of een privé cursus? We helpen je graag verder.
De hoeveelheid beschikbare satellietbeelden, luchtfoto’s en andere rasterdatasets groeit enorm. Dankzij open databronnen zoals Sentinel en Landsat is er meer aardobservatiedata beschikbaar dan ooit tevoren. Hierdoor kunnen organisaties veranderingen in landschap, infrastructuur, landbouw, natuur en klimaat op grote schaal monitoren en analyseren.
GeoAI maakt het mogelijk om grote hoeveelheden rasterdata automatisch te analyseren met machine learning en deep learning. Waar analyses vroeger handmatig werden uitgevoerd, kunnen AI-modellen tegenwoordig automatisch objecten herkennen, veranderingen detecteren en classificaties uitvoeren op satellietbeelden. Hierdoor ontstaan steeds meer toepassingen binnen klimaatonderzoek, landbouw, waterbeheer en ruimtelijke planning.
Je leert werken met satellietbeelden, hoogtebestanden, multispectrale rasterdata en andere aardobservatiegegevens. Daarbij maak je gebruik van Python-libraries zoals Rasterio, Rioxarray, Xarray en Satpy voor het verwerken, analyseren en visualiseren van rasterdatasets.
Remote sensing wordt wereldwijd toegepast binnen GIS, klimaatonderzoek, landbouw, natuurbeheer, waterbeheer, infrastructuur, defensie en smart cities. De combinatie van rasteranalyse, aardobservatie en GeoAI zorgt ervoor dat de vraag naar professionals met kennis van remote sensing en geospatiale data-analyse snel groeit.
