Google Earth Engine biedt toegang tot een enorme hoeveelheid satellietbeelden en geospatiale datasets. In deze cursus leer je hoe je deze data met Python ontsluit, analyseert en visualiseert voor uiteenlopende geo-toepassingen. Je werkt met krachtige tools voor remote sensing, tijdreeksanalyse en interactieve kaartvisualisaties. Zo ontwikkel je praktische vaardigheden om grootschalige geodata efficiënt te verwerken en om te zetten in waardevolle inzichten.
Google Earth Engine biedt toegang tot een enorme verzameling satellietbeelden, klimaatdata en andere geospatiale datasets. Door deze gegevens te combineren met de kracht van cloud computing kunnen analyses worden uitgevoerd op een schaal die met traditionele desktopsoftware vaak niet mogelijk is.
In deze blended learning cursus leer je hoe je Google Earth Engine gebruikt met Python om geospatiale data te verzamelen, analyseren en visualiseren. Je werkt met satellietbeelden, tijdreeksen en wereldwijde datasets en ontdekt hoe je waardevolle inzichten haalt uit grote hoeveelheden aardobservatiedata.
De cursus is geschikt voor GIS-professionals, remote sensing-specialisten, data-analisten en iedereen die wil leren werken met cloudgebaseerde geospatiale analyses. Door de praktijkgerichte aanpak leer je niet alleen de theorie, maar pas je de technieken direct toe op realistische datasets en toepassingen.
In deze blended learning cursus leer je de fundamenten van Google Earth Engine met Python. Je begint met het ontsluiten van datasets en leert hoe je satellietbeelden en geospatiale gegevens kunt ophalen vanuit de Google Earth Engine-omgeving.
Je leert onder andere werken met de Earth Engine API, Geemap, EEMont en WxEE voor het uitvoeren van analyses en het visualiseren van resultaten. Vervolgens ontdek je hoe je satellietbeelden filtert, combineert en verwerkt voor verschillende toepassingen.
Daarnaast ga je aan de slag met tijdreeksanalyses, classificaties en monitoring van veranderingen in de tijd. Je leert hoe je geospatiale datasets analyseert, interactieve kaarten ontwikkelt en workflows automatiseert voor remote sensing en aardobservatie. Ook krijg je inzicht in de mogelijkheden van cloudgebaseerde geodata-analyse.
Kortom: deze cursus is ideaal voor iedereen die satellietbeelden en geospatiale data op grote schaal wil analyseren met behulp van Google Earth Engine en Python.
Blended learning combineert zelfstandig online leren met praktijkgerichte begeleiding. Je krijgt toegang tot online lesmateriaal waarmee je in je eigen tempo leert werken met Google Earth Engine, satellietbeelden en cloudgebaseerde analyses. 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 remote sensing, milieuonderzoek, landbouw en ruimtelijke analyse. Je leert hoe je datasets verwerkt, veranderingen monitort en inzichten genereert uit aardobservatiedata.
Na afloop van deze cursus beschik je over een solide basis in Google Earth Engine met Python. Je kunt zelfstandig geospatiale analyses uitvoeren, satellietbeelden verwerken en cloudgebaseerde workflows ontwikkelen 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.
Google Earth Engine (GEE) heeft de manier waarop geospatiale analyses worden uitgevoerd fundamenteel veranderd. Het platform biedt directe toegang tot petabytes aan satellietbeelden, klimaatdata en aardobservatiegegevens die normaal gesproken veel opslagruimte en rekenkracht vereisen. Hierdoor kunnen analyses worden uitgevoerd die voorheen alleen mogelijk waren voor grote onderzoeksinstituten of overheden.
Google Earth Engine bevat onder andere gegevens van Sentinel, Landsat, MODIS, klimaatmodellen, hoogtebestanden en vele andere wereldwijde datasets. Hierdoor kun je veranderingen in landgebruik, vegetatie, waterkwaliteit, droogte, verstedelijking en klimaat op zowel lokaal als mondiaal niveau onderzoeken.
De combinatie van Earth Engine en GeoAI maakt het mogelijk om enorme hoeveelheden satellietbeelden automatisch te analyseren. Machine learning en deep learning kunnen worden toegepast op wereldwijde datasets voor classificaties, objectdetectie, monitoring en voorspellingen. Hierdoor ontstaan nieuwe toepassingen binnen klimaatonderzoek, landbouw, natuurbeheer, waterbeheer en ruimtelijke planning.
Je leert hoe je satellietbeelden en geospatiale datasets ontsluit, analyseert en visualiseert met Python en Google Earth Engine. Daarnaast ontdek je hoe je tijdreeksen analyseert, veranderingen monitort en cloudgebaseerde workflows ontwikkelt. Deze vaardigheden behoren momenteel tot de meest gevraagde competenties binnen remote sensing, GeoAI en geospatiale data-analyse.
