Guia en format PDF
Logo

Mètodes d'Obtenció d'Informació Geogràfica

Codi: 43383
Crèdits: 6
2026/2027
Titulació Tipus Curs
Teledetecció i Sistemes d'Informació Geogràfica OB 1

Professor/a de contacte

Nom :
Xavier Pons Fernandez
Correu electrònic :
xavier.pons@uab.cat

Equip docent

Miquel Ninyerola Casals
Robert Benavente Vidal

Equip docent (extern a la UAB)

José Ángel Burriel
Agustin Lobo Aleu
Mario Padial

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

No es requereixen requisits previs

Objectius

En finalitzar l’assignatura, l’alumne/a serà capaç de:

  • Aspectes bàsics de la digitalització i avançats d’estructuració topològica, així com eines de modelització, obtenció de cartografia temàtica i quantificació de la fiabilitat dels productes obtinguts.
  • Utilització adequada dels conceptes estadístics que sustenten la classificació automàtica de dades multivariants, i en particular de les proporcionades per les imatges de satèl·lit així com els criteris més adequats per a la interpretació visual de les imatges de sensors remots.

Resultats d'aprenentatge

  • CA07 (Interpretar la informació tematicocategòrica de naturalesa espacial, a partir d’imatges de sensors satel·litaris i aeroportats, ja sigui de forma manual o mitjançant procediments informàtics per valorar-ne la precisió.) Interpretar la informació tematicocategòrica de naturalesa espacial, a partir d’imatges de sensors satel·litaris i aeroportats, ja sigui de forma manual o mitjançant procediments informàtics per valorar-ne la precisió.
  • CA08 (Dissenyar competències numèriques i de càlcul, incloent anàlisis estadístiques i geoestadístiques avançades orientades a la modelització espacial.) Dissenyar competències numèriques i de càlcul, incloent anàlisis estadístiques i geoestadístiques avançades orientades a la modelització espacial.
  • CA09 (Relacionar coneixements per a l’abordatge de la complexitat en l’elaboració de judicis a partir d’una informació que, tot i ser incompleta o limitada, inclogui reflexions sobre les responsabilitats socials i ètiques vinculades a l’aplicació d’aquests coneixements i judicis.) Relacionar coneixements per a l’abordatge de la complexitat en l’elaboració de judicis a partir d’una informació que, tot i ser incompleta o limitada, inclogui reflexions sobre les responsabilitats socials i ètiques vinculades a l’aplicació d’aquests coneixements i judicis.
  • KA09 (Identificar els fonaments de la digitalització cartogràfica i dels principis avançats d’estructuració topològica en la generació de cartografia temàtica.) Identificar els fonaments de la digitalització cartogràfica i dels principis avançats d’estructuració topològica en la generació de cartografia temàtica.
  • KA10 (Reconèixer els conceptes estadístics ens els quals es fonamenta la modelització cartogràfica i la classificació automàtica d’imatges de satèl·lit, així com els criteris més adequats per a la interpretació visual d’imatges remotes.) Reconèixer els conceptes estadístics ens els quals es fonamenta la modelització cartogràfica i la classificació automàtica d’imatges de satèl·lit, així com els criteris més adequats per a la interpretació visual d’imatges remotes.
  • KA11 (Reconèixer tècniques de mostreig i tècniques d’avaluació de la fiabilitat dels productes geogràfics obtinguts, tan des del punt de vista de l’usuari com del productor, etc., integrant reflexions ètiques i socials, posant atenció a les desigualtats per raons lingüístiques, culturals, de gènere o d’origen.) Reconèixer tècniques de mostreig i tècniques d’avaluació de la fiabilitat dels productes geogràfics obtinguts, tan des del punt de vista de l’usuari com del productor, etc., integrant reflexions ètiques i socials, posant atenció a les desigualtats per raons lingüístiques, culturals, de gènere o d’origen.
  • SA12 (Interpretar visualment imatges geogràfiques mitjançant tècniques de fotointerpretació i criteris temàtics.) Interpretar visualment imatges geogràfiques mitjançant tècniques de fotointerpretació i criteris temàtics.
  • SA13 (Utilitzar eines de digitalització i estructuració topològica, de modelització cartogràfica i de classificació automàtica d’imatges (supervisada, no supervisada i mixta, incloent-hi mètodes paramètrics i no paramètrics) per a l’extracció d’informació geogràfica històrica i contemporània coherent i estructurada.) Utilitzar eines de digitalització i estructuració topològica, de modelització cartogràfica i de classificació automàtica d’imatges (supervisada, no supervisada i mixta, incloent-hi mètodes paramètrics i no paramètrics) per a l’extracció d’informació geogràfica històrica i contemporània coherent i estructurada.

Continguts

FOTOINTERPRETACIÓ


  1. Criteris visuals per identificar usos y cobertes del sòl.
  2. Reconeixement de diferents tipus de usos y cobertes del sòl.
  3. Fotointerpretació: Principals aplicacions a l'estudi del medi ambient natural i artificial.
  4. Interpretació d'imatges multiespectrals.
  5. Cartografia de suport a la fotointerpretació.


MÈTODES ESTADÍSTICS


  1. Introducció a les dades multivariants. Caracterització de distribucions. Verificació de normalitat. Correlació. Implicacions en Teledetecció. Estandardització. Anàlisi de components principals.
  2. Distàncies estadístiques entre individus, poblacions i entre individus i poblacions. Implicacions de l’escalat de les variables. Mesures de divergència.
  3. Obtenció de nova informació (multitemporalitat, dades col·laterals, índexs i transformacions diverses). Reducció d’informació a partir de les mostres i a partir de les variables. Introducció a l’obtenció de variables contínues i de variables categòriques: regressió lineal i no lineal, simple i múltiple, classificació, etc.
  4. Regressió múltiple aplicada a la interpolació de superfícies climàtiques.
  5. Models linears generalitzats aplicats a l’obtenció de superfícies d’idoneïtat basades en la modelització del nínxol ecològic.
  6. Classificació jeràrquica i no jeràrquica. Classificació supervisada, no supervisada i mixta; classificació borrosa.
  7. Segmentació d'imatges. Escales i models d'escena.Mètodes de processament que tenen en compte la informació espacial. Mètodes de segmentació.Classificació per segments.
  8. Xarxes neuronals.
  9. Generalització de resultats en cartografia categòrica. Mètodes directes i mètodes intel·ligents.
  10. Verificació de resultats en cartografia binària. Mostreig.
  11. Verificació de resultats en cartografia categòrica. Mostreig.


Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Estudi personal 10 0,4
Pràctiques d'aula 35 1,4
Classes magistrals / expositives 38 1,52
Elaboració de treballs 64 2,56
Tutories 2 0,08
Lectura d'articles i informes d'interés 1 0,04

Llengua vehicular majoritària: espanyol (spa), tot i que els materials bibliogràfics poden estar en altres llengües, majoritàriament anglès.

En aquest mòdul es realitzen 3 grups d'activitats d'aprenentatge:

  • Les activitats dirigides consisteixen en classes de teoria i pràctiques que es realitzaran en una aula d'informàtica especialitzada. A l'inici de cadascuna de les matèries que formen el mòdul els docents explicaran l'estructura dels continguts teorico-pràctics, així com el mètode d'avaluació.
  • Les activitats supervisades consisteixen en pràctiques d'aula que permetran elaborar els treballs i exercicis de cada matèria, així com sessions de tutories amb els docents en cas que els estudiants ho sol·licitin.
  • Les activitats autònomes són el conjunt d'activitats relacionades amb l'elaboració de treballs, exercicis i exàmens, com ara l'estudi de diferent material en forma d'articles, informes, dades, etc., definides segons les necessitats de treball autònom cada estudiant.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Treballs pràctics 100 % 0 0 CA07, CA08, CA09, KA09, KA10, KA11, SA12, SA13

L'avaluació regular d'aquest mòdul és com s’explica a continuació:

  • La realització de diferents treballs pràctics proposats durant la docència del mòdul i lliurats abans de la data fixada, que valdran un 100 % de la nota final. Es valorarà una presentació formal correcta i una elaboració curosa.

Aspectes a tenir en compte.

  • L’assistència continuada a classe és altament recomanable pel correcte seguiment de les assignatures. Només en casos d’impossibilitat física d’assistència presencial el seguiment en streaming està justificat, ja que una part important de les experiències i aprenentatges s’assoleixen plenament amb el contacte amb el professorat i els companys de classe.
  • En cas d’haver de lliurar treballs pràctics, aquest lliurament cal fer-lo dins dels terminis previstos perquè siguin avaluats.
  • En el moment en què sigui possible iniciar la preparació o realitzar cada activitat avaluativa, l’Equip docent informarà l’alumnat del procediment i data de revisió de les qualificacions.

Recuperació.

  • En cas que no s’hagi assolit una nota mínima de 5 sobre 10 s’haurà de recuperar l’activitat d’avaluació. La possibilitat de recuperació és única.
  • L’Equip docent corresponent informarà de la data assignada per a realitzar/lliurar l’activitat d’avaluació per a la recuperació.

L'avaluació única d'aquest mòdul és com s’explica a continuació:

Aquest mòdul contempla també la possibilitat d'acollir-se a l'opció de l'avaluació única, de la qual cal tenir en compte els següents aspectes:

  • L'avaluació única suposa una única data d'avaluació però no una única activitat d'avaluació.
  • La realització d'un o més treballs pràctics proposats durant la docència del mòdul i lliurats abans de la data fixada, que valdran un 100 % de la nota final. Es valorarà una presentació formal correcta i una elaboració curosa.
  • L'avaluació única també serà competencial, és a dir, l’estudiant ha de demostrar que és capaç de fer les tasques previstes a l'assignatura i aquestes activitats tindran el mateix nivell d'exigència que les que formin part de l'avaluació continuada.
  • L'estudiant que es vulgui acollir a l'avaluació única ho haurà de comunicar entre el 5 d'octubre de 2023 i el 19 d’octubre i no ho podrà fer en qualsevol altre moment del curs.
  • Les proves d'avaluació única poden coincidir amb dates reservades per a l'avaluació continuada.

Recuperació

S’aplicarà el mateix sistema de recuperació que per l’avaluació continuada.

Còpies i plagis.

  • La realització de qualsevol irregularitat en un acte d’avaluació (frau acadèmic, plagi o ús indegut de la IA, tret que aquest ús estigui autoritzat expressament a la guia docent), que pugui conduir a una variació significativa de la qualificació, suposa que aquest acte es qualificarà amb un 0. En cas que la guia docent prevegi que per superar l’assignatura sigui requisit imprescindible haver obtingut una nota mínima en aquest acte d’avaluació o que es produeixin diverses irregularitats en els actes d’avaluació d’una mateixa assignatura, la qualificació final d’aquesta assignatura és 0. Al marge d’això, es podrà instruir un procés disciplinari a l’estudiant que incorri en alguna d’aquestes irregularitats.

Bibliografia

Atkinson, P.M. and Tatnall, A.R.L., 1997. Introduction Neural Networks in Remote Sensing. International Journal of Remote Sensing, vol. 18, no. 4, pp. 699-709 DOI 10.1080/014311697218700.

Ball and Hall (1965) ISODATA, a Novel Method of Data Analysis and Pattern Classification. Stanford Research Institute, Menlo Park, Cal.

Benson, B.J. and MacKenzie, M.D. (1995) Effects of sensor spatial resolution on landscape structure parameters. Landscape Ecology, 10: 113-120.

Bishop, C.M., 1995. Neural Networks for Pattern Recognition. Oxford University Press ISBN 0 19 853864

Caetano, M. and Painho, M. (2006) Proceedings of Accuracy 2006. 7th International Symposium on Spatial Accuracy Assessment. Instituto Geográfico Português, 924 p.

Chuvieco, E. (2002) Teledetección Ambiental, Barcelona, Ariel. [Prèviament: Chuvieco, E. (1996) Fundamentos de teledetección espacial. Rialp, Madrid, 3ª edició (reimpressió corregida, febrer 2000), 453 p.]

Chuvieco, Emilio. (1996): Fundamentos de Teledetección Espacial (3ª edición revisada). Editorial Rialp, Madrid. 568 p. ISBN: 84-321-3127-X.

Chuvieco, Emilio. (2010): Teledetección Ambiental (3ª edición revisada). Editorial Ariel, Barcelona. 528 p. ISBN: 978-8-434-43498-1.

Cipolletti, M.P., Delrieux, C.A., Perillo, G.M.E., Piccolo, M.C., (2012) Superresolution border segmentation and measurement in remote sensing images. Computers & Geosciences, 40:87-96.

Clinton, N., Holt, A., Scarborough, J., Yan L., Gong, P. (2010) Accuracy Assessment for Object-Based Image Segmentation Goodness. Photogrammetric Engineering & Remote Sensing 76(3), 289-299.

Congalton, R.G. and Green, K. (2009) Assessing the Accuracy of Remotely Sensed Data—Principles and Practices. CRC Press, Boca Raton, 2ª edició, 183 p.

Cuadras C.M. (1996) Métodos de análisis multivariante. EUB, Barcelona.

Curran, Paul J. (1985): Principles of remote sensing. Longman Scientific and Technical. 282 p. ISBN: 978-0-582-30097-2.

Dalponte, M., Bruzzone, L., Vescovo, L. and Gianelle, D. (2009) The role of spectral resolution and classifier complexity in the analysis of hyperspectral images of forest areas. Remote Sensing of Environment, 113, 2345-2355.

Duda, R.O., Hart, P.E. and Stork, D.G. (2001) Pattern Classification. John Wiley & Sons, New York, 2a Edició, 654 p

Eastman, J.R. (2001) IDRISI32 Release 2: Guide to GIS and Image Processing. Clark University . Worcester, (2 vol.), 161+144 p.

Eklundh, J.O., Yamamoto, H. and Rosenfeld (1980) A relaxation method for multispectral pixel classification. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-2, 72-75.

Foody, G.M. (2009) Classification accuracy comparison: Hypothesis tests and the use of confidence intervals in evaluations of difference, equivalence and non-inferiority. Remote Sensing of Environment, 113: 1658-1653.

Foody, G.M. and Mathur, A. (2004) Toward intelligent training of supervised image classifications: directing training data acquisition for SVM classification. Remote Sensing of Environment, 93: 107-117.

Foody, G.M. and Mathur, A. (2007) The use of small training sets containing mixed pixels for accurate hard image classification. Training on mixed spectral responses for classification by a SVM. Remote Sensing of Environment, 103: 179-189.

Franklin, J. (2010). Mapping Species Distributions. Spatial Inference and Prediction. Cambridge University Press, Cambridge.

Fukunaga, K. (1990) Introduction to Statistical Pattern Recognition. Elsevier, San Diego, 2ª edició, 591 p.

Goodchild, M. and Gopal, S. (eds) (1989) Accuracy of Spatial Databases. Taylor & Francis, London, 290 p.

Graham, Ron & Koh, Alexander (2002): Digital Aerial Survey, Theory and Practice. Whittles Publishing. 274 p. ISBN: 978-184995-085-5.

Graham, Ron& Read, Roger E. (1990): Manual de fotografía aérea. Omega, Barcelona. 359 p. ISBN: 84-282-0859-X.

Haralick, R. and Shapiro, L. (1985) Image segmentation techniques. Journal of Computer Vision, Graphics and Image Processing. 29:100-132.

Haralick, R.M., Shanmugam, K. and Dinstein, I. (1973) Textural features for image classification. IEEE Transactions on Systems, Man and Cybernetics, vol. SMC-3, 610-621.

Hastie, T., R. Tibshirani and J. Friedman (2009), The Elements of Statistical Learning (2nd edition). Springer-Verlag. 763 p. http://statweb.stanford.edu/~tibs/ElemStatLearn/

Höppner, F., F. Klawonn, R. Kruse and T. Runkler (1999) Fuzzy Cluster Analysis. Wiley, Chichester, 289 p. IEEE (2011) Special volume: Spectral Unmixing of Remotely Sensed Data. IEEE Transactions on Geoscience and Remote Sensing, Vol. 49.11.

Irons, J.R. and Petersen, G.W. (1981) Texture transformations of remote sensing data. Remote Sensing of Environment, 11:359-370.

Jansen, L.L.F. and Molenaar, M. (1995) Terrain objects, their dynamics and their monitoring by integration of GIS and remote sensing. IEEE Transactions on Geoscience and Remote Sensing, 33:749-758.

Jensen, J.R. (2004) Introductory Digital Image Processing. A Remote Sensing Perspective, Prentice Hall, Englewood Cliffs, 3ª edició, 544 p.

Karimi, Y., Prasher, S.O., Patel, R.M. and Kim, S.H. (2006) Application of support vector machine technology for weed and nitrogen stress detection in corn. Computers and electronics in agriculture, 51:99-109.

Kaufman and Rousseeuw, (1990) Finding Groups in Data: an Introduction to Cluster Analysis. John Wiley and Sons. 342 p.

Lillesand, T.M. and R.W. Kiefer (2003) Remote Sensing and Image Interpretation. John Wiley & Sons. New York, 5ª edició, 784 p.

Lillesand, T.M., Kiefer, R.W., & Chipman, J. (2015): Remote Sensing and Image Interpretation (7nd edition). John Wiley & Sons, Inc. New York. 768 p. ISBN:978-1-118-34328-9.

Little R.J.A. and Rubin D.B. (2002) Statistical Analysis with Missing Data. John Wiley, New York. 2ª edició, 381 p.

Lobo, A. (1997) Image segmentation and discriminant analysis for the identification of land cover units in ecology IEEE Transactions on Geoscience and Remote Sensing, 35: 1136-1145.

Lobo, A., Chic., O. and Casterad, A. (1996) Classification of mediterranean crops with multisensor data: perpixel versus perobject statistics and image segmentation. International Journal of Remote Sensing, 17: 2385-2400.

Lobo, A., Ibáñez Martí, J.J. and Carrera Giménez Cassina, C. (1997) Regional scale hierachical classification of temporal series of AVHRR vegetation index. International Journal of Remote Sensing, 18: 3167-3193.

Lu, W. and Weng, Q. (2007) A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28: 823 – 870.

Manly, B.F.J. (1994). Multivariate statistical methods. A primer. Chapman and Hall, London. 2ª Edició (reimpressió 2000)

Marceau, D., Howarth, P.J., Dubois, J.M.M. and Graton, D.J. (1990) Evaluation of the greylevel cooccurence matrix method for landcover classification using SPOT imagery. IEEE Transactions on Geoscience and Remote Sensing, 28: 513-519.

Mas, J.F. and Flores, J.J. (2008) The Application of Artificial Neural Networks to the Analysis of Remotely Sensed Data. International Journal of Remote Sensing, vol. 29, no. 3, pp. 617-663 DOI 10.1080/01431160701352154

Mather, P.M. (2004) Computer Processing of Remotely-Sensed Images J. Wiley & Sons, Chichester, 3ª edició, 324 p..

McCoy, R.M. (2005) Field Methods in Remote Sensing. The Guilford Press, New York. 159 p.

Michie, D., Spiegelhalter, D.J. and Taylor, C.C. (eds) (1994) Machine Learning, Neural and Statistical Classification. Ellis Horwood.

Moré G, Pons X (2008) Influencia del número de imágenes en la calidad de la cartografía detallada de vegetación forestal. Revista deTeledetección, 28: 61-68.

Mountrakis, G., Jungho, I., Ogole, C. (2011) Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66: 247-259

Ninyerola M, Pons X, Roure JM. (2000). A methodological approach of climatological modelling of air temperature and precipitation through GIS techniques. International Journal of Climatology 20: 1823-1841.

Paine, David P. & Kiser, James D. (2012): Aerial Photography and Image Interpretation (3rd edition). John Wiley & Sons Inc, New York. 648 p. ISBN: 978-0-470-87938-2.

Pedley, M. and Curran, P.J. (1991) Perfield classification: an example using SPOTHRV imagery. International Journal of Remote Sensing, 12: 2181-2192.

Persello, C. and Bruzzone, L. (2010) A Novel Protocol for Accuracy Assessment in Classification of Very High Resolution Images. IEEE Transactions on Geoscience and Remote Sensing, 48(3), 1232-1244.

Pons, X. and Arcalís, A. (2012) Diccionari terminològic de teledetecció Enciclopèdia Catalana i Institut Cartogràfic de Catalunya. Barcelona. 597 pàgs.

Richards, J. A. (2013) Remote Sensing Digital Image Analysis. An Introduction. Springer-Verlag, Berlin, 5ª edició, 494 p.

Schowengerdt, R. A. (2006) Remote Sensing. Models and methods for image processing. Academic Press, San Diego, California, 2ª edició, 560 p.

Serra, P., Moré, G., Pons, X. (2009) Thematic accuracy consequences in cadaster land-cover enrichment from a pixel and from a polygon perspective. Photogrammetric Engineering and Remote Sensing, 75: 1441–1449.

Shahshahani, B.M., Landgrebe, D.A. (1994) The Effect of Unlabeled Samples in Reducing the Small Sample Size Problem and Mitigating the Hughes Phenomenon, IEEE Transactions on Geoscience and RemoteSensing. Vol. 32-5.

Shi, W., Fisher, P. and Goodchild, M. (2002) Spatial Data Quality. Taylor & Francis, 313 p.

Shirabe, T. (2005) Classification of Spatial Properties for Spatial Allocation Modeling. GeoInformatica, 9(3): 269–287.

Sokal, R. i Rohlf, J. 1995. Biometry: the principles and practice of statistics in biological research. 3ª edició. Ed. Freeman and Company. New York.

Sonka, Hlavac, and Boyle, (1993) Image Processing, Analysis, and Machine Vision. Chapman & Hall.

Spiegel, M.R. (1991) Estadística. McGraw Hill, 556 p.

StatSoft, Inc. (1999). STATISTICA for Windows [Computer program manual]. Tulsa, OK: StatSoft, Inc., WEB:http://www.statsoft.com

Stehman, S.V., Arora, M K., Kasetkasem, T., and Varshney, P.K. (2007) Estimation of Fuzzy Error Matrix Accuracy Measures Under Stratified Random Sampling. Photogrammetric Engineering & Remote Sensing, 73(2): 165-173.

Strahler, A., Woodcock, C and Smith., J.A. (1986) On the nature of models in remote sensing. Remote Sensing of Environment, 20: 121-139.

Tso, Br. and Mather, P.M. (2009) Classification methods for remotely sensed data. Taylor and Francis Grup, Boca Raton, 2ª edició.

Vázquez Maure, Francisco & Martín López José (1988): Fotointerpretación. Instituto Geografico Nacional, Madrid. 301 p. ISBN: 84-505-7312-2

Vogelmann, J.E., Tolk, B. and Zhu, Z. (2009) Monitoring forest changes in the southwestern United States using multitemporal Landsat data. Remote Sensing of Environment, 113: 1739-1748.

Woodcock, C.E. and Strahler, A.H. (1987) The factor of scale in remote sensing. Remote Sensing of Environment, 21: 311-332.

Yu, Q., Gong, P., Tian, Y.Q., Pu, R. and Yang, J. (2008) Factors Affecting Spatial Variation of Classification Uncertainty in an Image Object-based Vegetation Mapping. Photogrammetric Engineering & Remote Sensing, 74: 1007-1018.

DocumentaciónSIOSE2005. L'Anexo IV i la Guía, amb imatges de cobertes. http://www.ign.es/siose/documentacion.jsp

Manual de Fotointerpretación SIOSE2005. http://www.ign.es/siose/Documentacion/Guia_Tecnica_SIOSE/Manual_Fotointerpretacion_SIOSE2005.pdf

Anexo IV: Fichas Fotointerpretación Zonas Agrícolas y Forestales - Coberturas simples http://www.ign.es/siose/Documentacion/Guia_Tecnica_SIOSE/070206_Manual_Fotointerpretacion_anexoIV_ficha_AgriForestales.pdf

Anexo IV: FichasFotointerpretación Zonas Agrícolas y Forestales – Asociaciones http://www.ign.es/siose/Documentacion/Guia_Tecnica_SIOSE/070122_Manual_Fotointerpretacion_anexoIV_fichas_Asociaciones.pdf

Anexo IV: Fichas Fotointerpretación Coberturas Artificiales http://www.ign.es/siose/Documentacion/Guia_Tecnica_SIOSE/070727_Manual_Fotointerpretacion_anexo_IV_fichas_Artificialcomp.pdf

http://www.ign.es/siose/Documentacion/Guia_Tecnica_SIOSE/061101_Manual_Fotointerpretacion_anexoIV_Tabla_color.pdf

Mapa forestal de España escala 1:25.000 Manual de fotointerpretación. No conté imatges de boscos però és un bon recull de metodologia i de descripció de categories.

http://www.nasdap.ejgv.euskadi.net/contenidos/informacion/inventario_forestal_2011/es_agripes/adjuntos/Manual%20Fotointerpretacion%20MFE25_v5_feb2010_2.pdf

Organización de los Estados Americanos (OEA): \"El Salvador - Zonificación Agrícola - Fase II - Sistema de Información para el Desarrollo\".

http://www.oas.org/dsd/publications/Unit/oea35s/ch26.htm

http://studylib.es/doc/8744482/universidad-nacional-abierta-ya-distancia

https://www.juntadeandalucia.es/medioambiente/portal/landing-page-%C3%ADndice/-/asset_publisher/zX2ouZa4r1Rf/content/gu-c3-ada-t-c3-a9cnica-del-mapa-de-usos-y-coberturas-vegetales-del-suelo-de-andaluc-c3-ada-1-25.000/20151

Programari

MiraMon, ArcGIS, QGIS, ENVI, Office Microsoft

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Tipus de docència Grup Idioma Semestre Torn
(TEm) Teoria (màster) 1 Espanyol segon quadrimestre tarda
(PAULm) Pràctiques d'aula (màster) 1 Espanyol segon quadrimestre tarda