本课程旨在提供城市大数据分析的深入知识和实践技术。它介绍了城市大数据的概念、收集和清洗这些大数据集的方法以及分析这些数据的技术。课程通过高级机器学习方法涵盖了基本的城市大数据分析，并通过实践实验室进行。此外，课程还探讨了基于地理信息系统（GIS）的空间分析方法，包括处理多个栅格和矢量数据集。另外，课程还探索了城市规划、环境分析、交通和移动性、住房、城市可持续性和韧性、商业智能以及城市社会经济等方面的应用。
A. 远程 sensing 的基本物理原理 B. 传感器：相机、光谱仪、热成像、激光雷达及其他 C. 平台：航空器、卫星、地面和移动平台 D. 远程 sensing 在城市和自然环境中的应用
A. 地籍测量项目/业务 • 地籍测量项目的类型——工程测量、土地边界测量、管线管理、地理信息技术 • 项目运营管理 B. 地籍测量项目管理 • 招标过程 • 项目主题或目标识别 • 项目生命周期 • 项目管理方法论 C. 建筑信息模型（BIM）作为项目管理工具 • 建筑项目中服务提供商之间的互操作性 • BIM 模型在项目管理和环境影响分析中的应用 • 法律和政策问题 D. 项目管理会计：原则和程序 • 项目管理会计的基本原则 • 地籍测量项目中的成本估算和预算 • 价格策略和投标报价 • 项目执行期间的财务控制和监控
A. 基本生态概念与过程 B. 环境介绍 – 亚洲及全球的环境概念与问题 C. 环境监测与环境建模 D. 环境影响评估 – 原则与技术 E. 环境数据及其收集 F. 地理信息技术在城市环境质量中的应用：空气、噪音、拥堵 G. 地理信息技术在自然资源监测与控制中的应用 H. 环境监测与评估项目
A. 远程 sensing 和 GIS 结合 B. 城市土地使用及不透水面 C. 城市景观及规划考虑 D. 城市热岛及空气质量 E. 城市洪涝、滑坡及其他灾害 F. 城市人口估计及生活质量评估 G. 城市环境中的公共卫生 H. 夜间城市
BIM 启动: • BIM 概念 • 本地与全球背景，BIM 标准与指南 BIM 软件与技术 • BIM 软件 • 技术 BIM 应用与流程 • 客户 BIM 战略阶段 • 客户投标前项目阶段 • 定义与设计阶段 • 施工阶段 • 移交阶段 • 运营与维护阶段 数字信息管理、协作与集成 • 数字信息管理 • 共享数据环境 (CDE) • 各阶段数据质量控制与保证 商务与合同 • 商务问题 • 合同问题
空间大数据分析 • 大数据和空间大数据介绍 • 大数据预处理 o 数据清洗、归一化和集成 o 噪声识别 • 探索性空间数据分析与可视化 • 描述性分析与回归 o 空间数据的描述性统计 o 空间加权回归 • 点数据模式分析 o 格网估计 o K 函数 • 线数据模式与网络分析 o 线特征 o 网络连通性和路径算法 • 区域数据模式与空间自相关 o 联合计数 o Moran’s I 和 Geary’s C • 空间插值与表面分析 o IDW、Tessellation、Spline o 简单克里金和普通克里金 • 流数据与时间序列分析 o 平滑 o 分解 o 模型构建
A. 高级变形监测与分析 • 基础与方案设计：变形概念；土木与结构行为；设计稳健可靠的变形监测方案的原则。 • 高级监测技术： o 地面测量方法：高精度GNSS/GPS用于连续监测。 o 远程 sensing：卫星雷达干涉测量（InSAR）用于大面积变形成图。 o 陆地与移动 sensing：激光扫描（LiDAR）和摄影测量用于三维位移分析。 • 数据处理与稳健分析：高级最小二乘调整，包括自由网平差；统计方法用于检测和量化显著移动；数据过滤与趋势分析。 • 变形建模与解释：使用地球物理与地质统计模型建模变形；整合传感器数据以解释原因并预测未来行为。 B. 精密隧道对中与控制测量 • 隧道与测量集成：隧道施工方法及其特定的测量要求；项目生命周期中测量的作用。 • 高级地下控制： o 从地面精确传递方位角和坐标至地下。 o 转向陀螺仪和惯性测量系统的操作、应用及其精度限制。 • 指导与验证测量：为隧道掘进机（TBM）和传统隧道提供指导；监控临时和最终隧道对中。 • 穿通与实测测量：高精度穿通测量的设计与执行；通过实测测量和体积分析验证最终对中。
A. 提案: 学生在第二学年末选择一个研究领域，并接近导师；提供在确定研究领域方面（包括行业建议的主题）的帮助；需要将测量学和计算机科学概念结合起来；在第三学年第一个月结束前提交提案，概述研究领域、参考文献和初步工作计划。 B. 进度报告: 在第一学期结束后提交；包括问题概述、全面的文献综述、替代解决方案的评估、项目方法设计、初步结果、分析、问题、可能的解决方案以及完成时间表。 C. 演示: 概述学位论文主题并进行答辩；导师和评审提问与书面FYP报告相关的问题。 D. 最终报告: 在第二学期结束前提交学位论文的装订版本；任何生成式人工智能内容必须声明/致谢。
1. 选题深入研究，通常由导师提出 学生需在选定学科中与导师及具备人工智能和数据分析专长的共同导师确定项目主题。学生需在项目中展示其学科知识和AIDA知识，并接受两位导师的指导。对于特定主题，需进行深入研究，以解决目标领域的问题。 2. 项目会议与规划 项目应体现分析和解释所获得的数据/信息所需的必要努力，运用各相关课程所学的原则和技术。学生还需展示在选定应用领域中的显著分析能力，最好是研究能力。定期与导师开会，制定项目计划。 3. 项目提案撰写 第一学期提交项目提案。提案应包含全面的文献综述、问题概述、目标、项目设计、拟采用的方法（AIDA）及解决方案评估。初步结果及项目完成时间表也应一并提供。 4. 定期进度检查与报告 定期向导师报告项目进度，导师将就项目执行提供及时的评论和建议，包括数据预处理、模型选择和结果评估的指导。 5. 项目文档 包括数据集、代码、输出数据和技术文档在内的材料应被记录和归档，学生需提交装订好的论文副本及相关文档。 6. 项目展示与演示 第二学期，学生将展示其论文主题的总结，并在问答环节中捍卫结果和结论。
A. 供应用途的设计与网络故障、局部结构与材料故障：由于设计、网络、结构故障（如滑坡、地面塌陷、沉降）以及材料故障（如泄漏、应力与应变、裂缝、塑性变形、金属疲劳与腐蚀、热调节与控制及其在不同环境条件下的功能极限）导致的供应用途系统与材料失效的原因、过程及后果。 B. 流量与压力监测：分区盆地、集水区和区域计量区中流速与流深测量的基本原理与仪器，散点图解释，降雨依赖的渗透与流入。 C. 高级供应用途测量、监测与数据处理：地探测雷达多维成像、声学噪声记录、泄漏噪声相关方法、红外热成像、闭路电视检查、管道清管、不同来源的误差与噪声、去噪技术、仪器校准、误差与不确定性分析、采样定理、傅里叶分析。将提供实地考察。
A. 智慧城市项目/业务 • 根据主要技术类型划分的智慧城市项目类型：城市地理信息系统、物联网、人工智能、遥感等 • 智慧城市项目的运营管理 B. 智慧城市项目管理 • 可行性研究 • 项目主题或目标识别 • 招投标过程 • 项目生命周期 • 项目管理方法论 C. 城市空间大数据基础设施作为项目管理工具 • 利用城市空间大数据基础设施（如建筑信息模型）进行项目管理及环境影响分析 • 实现项目服务提供商之间的互操作性 • 处理法律和政策问题 D. 项目管理会计：原则和程序 • 项目管理会计的基本原理 • 智慧城市项目中的成本估算和预算 • 价格策略和投标报价 • 项目执行期间的财务控制和监控
• 地理信息系统/LIS的发展史：相关学科和技术，当前影响和问题 • 系统组件概述：系统组件，设计原则 • 地理信息系统中的空间数据获取：地图注册，数字化技术 • 空间数据模型：矢量模型和栅格模型，线状模型，几何模型和拓扑模型 • 空间数据管理：数据库概念，DBMS • 空间查询与分析：空间和非空间查询，叠加分析，缓冲区分析，网络分析
• 地图投影和地理参考系统。地球的形状及其各种表示方法。 • 常规的实地测量仪器和方法，重点在于地形图测绘。使用经纬仪、水准仪和全站仪测量角度、距离、高程和位置。 • 空中摄影测量。空中摄影测量的概念和应用，包括定向、自然和人造物体的建模以及制图产品。 • 激光扫描。空中和地面系统。介绍该技术、其产生的产品及其应用。 • 卫星定位系统。GNSS 的概念和工作原理。
1. 智慧城市的介绍 • 智慧城市的概念、特点和组成部分 • 智慧城市的起源与发展 • 现代技术概览 2. 智慧城市的基础设施和技术 • 城市感知与物联网 • 空间大数据分析 • 人工智能 • 信息技术（ICT） • 三维空间数据基础设施 • 云计算与边缘计算 • 城市计算 • 机器人技术 • 人机交互 3. 智慧城市的解决方案——政府、企业和学术界的视角 • 智慧治理（如：通用空间数据基础设施和互操作性） • 智慧环境（如：城市空气质量监测与控制；水污染、城市热岛效应；城市光污染；城市树木管理） • 智慧交通（如：城市交通管理；步行友好性） • 智慧经济（如：金融科技；智能旅游；建筑与房地产管理） • 智慧生活（如：老龄化人口；智能家居；可持续城市发展） • 智慧人群（如：智慧城市教育） 4. 隐私与伦理 5. 学生对未来智慧城市的创新 • 引导学生提出一个关于上述六个领域之一（或更多）的新想法，并利用最新技术进行设计与实现 • 编写一份关于想法的可行性、设计与实施的报告 • 以PolyU校园或香港城市作为设计的实验场 • 向全班同学展示设计，并邀请来自行业或公共部门对智慧城市提案感兴趣的嘉宾参与
• 城市和地理空间大数据介绍 • 城市和城市区域的定义和演变 • 城市规划、灾害管理、经济、贸易和交通/移动发展 • 城市大数据的获取 • 城市定位技术（例如，GPS/GNSS） • 卫星和航空遥感技术。 • 城市感知技术及用户生成内容（例如，VGI（志愿地理信息）、带有地理标签的社交媒体、出租车GPS轨迹、智能卡交易记录、移动电话数据、街景图像、物联网设备）。 • 城市大数据挖掘与知识发现 • 知识发现的过程 • 可以挖掘的数据类型 • 城市大数据挖掘的主要问题 • 算法和分析解决方案 • 机器学习和人工智能在城市和地理空间分析中的应用 • 监督、无监督和半监督分类 • 对象检测/计数 • 交通拥堵预测 • 人工智能重塑城市配置和规划 • 语义和情感分析（自然语言处理） • 城市和地理空间大数据的应用 • 城市经济学和社会不平等 • 城市环境暴露评估 • 城市交通 • 城市空间结构 • 城市规划 • 城市物流 • 商业智能 • 城市韧性与灾害减缓 • 疾病控制与公共卫生 • 城市和地理空间大数据可视化 • 城市数据可视化的工具和平台 • 不同类型城市大数据的可视化
空间数据处理中的可视化与表示是两个重要的过程。本课程旨在为学生提供空间数据可视化的理论和技术；多尺度表示的空间数据理论与方法；以及在GIS环境下进行健康研究时可视化和多尺度表示的实际考虑。
• 全球卫星导航系统：卫星导航系统的开发； Transit Doppler、GLONASS、北斗、伽利略和GPS及其现代化；导航卫星信号结构及其定位概念；GNSS观测值；基于伪距的定位；基于载波相位的定位；GNSS在测量应用中的使用；其他使用GNSS的应用；GNSS的局限性。 • 其他导航系统与集成：航迹推算及其误差源；惯性导航系统（INS）的基本原理及其误差源；INS定位算法；不同传感器的集成；通信系统；陆地、海洋和民航综合导航系统。
• 介绍：GIS分析和空间数据分析，空间分析的目的，为何使用统计学来识别模式？理解空间数据，数据属性，实体-属性空间数据类型的示意图表示，空间数据分析的阶段，空间数据类型的定义与分类，通过GIS表示的空间数据类型，数据质量，比例尺问题。 • 空间统计：重心，中位重心，均值重心，权重，加权均值重心，标准距离和加权标准距离度量，计算及其解释。 • 空间分布：标准偏差椭圆及其解释，测量线状特征的方向和方向性，测量方向或方向性的变化。空间随机性。 • 描述性和推断性统计的基本原理：随机变量的分布：直方图，概率密度函数和正态分布，t分布，卡方分布和F分布，假设检验。 • 空间分析：点模式分析：点密度方法，点交互方法。方块分析。Kolmogorov-Smirnov（K-S）检验。最近邻分析。完全空间随机性下的点分布。K函数。未来位置的模式：未来值的模式，寻找具有类别区域的模式，具有连续值特征的模式，联合计数统计，检验联合计数统计结果的显著性。 • 测量附近特征的相似性：权重矩阵，自相关，Geary’s C和Moran’s I度量及其统计显著性，G统计量和G统计量的显著性。LISA。 • 分析空间过程：空间自相关，检验空间数据集的均值，空间自相关和双变量关联的检验，皮尔逊相关系数，使用皮尔逊秩相关系数。 • 多元回归和局部加权空间回归：关键变量识别，影响回归结果的因素，回归分析与空间数据，区域差异，局部趋势，残差分析。 • 空间数据挖掘和知识发现概览：空间特征规则，空间分类规则，空间聚类规则，空间关联规则，空间依赖规则，空间序列规则。空间数据挖掘与探索性空间数据分析。 • 空间数据仓库，空间数据挖掘的在线可视化。
• 获取遥感影像数据：遥感成像的基本原理和物理基础。 • 遥感影像数据的特性。 • 遥感影像数据的辐射校正处理：辐射校准、图像增强、图像滤波等。 • 遥感影像数据的几何处理：几何校正、图像配准等。 • 遥感影像数据的主题处理：手动解译、自动图像分类和变化检测。 • 机器学习在遥感影像处理与分析中的应用：水体检测、土地覆盖制图等。
