Das zweite Modul trägt den Titel "Lösungsstrukturen raumbezogener datenwissenschaftlicher Probleme". Es besteht aus vier Vorlesungen und gibt den Lernenden einen Überblick über akademische Fächer, Software-Tools und deren Kombinationen für die Lösungsstrukturen raumbezogener datenwissenschaftlicher Probleme. Die erste Vorlesung "Four Disciplines for Spatial Data Science and Applications" (Vier Disziplinen für raumbezogene Datenwissenschaft und Anwendungen) stellt vier akademische Disziplinen vor, die mit raumbezogener Datenwissenschaft zu tun haben, nämlich Geographische Informationssysteme (GIS), Datenbankmanagementsysteme (DBMS), Datenanalyse und Big-Data-Systeme. Die zweite Vorlesung "Open Source Software" stellt Open Source Software in den vier verwandten Disziplinen vor, QGIS für GIS, PostgreSQL und PostGIS für DBMS, R für Datenanalyse, Hadoop und Hadoop-basierte Lösungen für Big Data System, die in diesem Kurs verwendet werden. In der dritten Vorlesung "Spatial Data Science Problems" werden sechs Lösungsstrukturen vorgestellt, bei denen es sich um unterschiedliche Kombinationen von GIS, DBMS, Datenanalyse und Big-Data-Systemen handelt. Die Lösungsstrukturen hängen mit den Merkmalen der gegebenen Probleme zusammen, d.h. mit der Datengröße, der Anzahl der Benutzer, der Analyseebene und dem Schwerpunkt der Probleme. Die vierte Vorlesung "Spatial Data vs. Spatial Big Data" vermittelt den Lernenden ein solides Verständnis von Spatial Data und Spatial Big Data in Bezug auf Gemeinsamkeiten und Unterschiede. Außerdem wird der Wert von Spatial Big Data diskutiert.

Das dritte Modul ist "Geographisches Informationssystem (GIS)", eine der vier Disziplinen der Geodatenwissenschaft. GIS besteht aus fünf Schichten, nämlich dem räumlichen Bezugsrahmen, dem räumlichen Datenmodell, den Systemen zur Erfassung räumlicher Daten, der räumlichen Datenanalyse und der Geovisualisierung. Dieses Modul besteht aus sechs Vorlesungen. Die erste Vorlesung "Five Layers of GIS" ist eine Einführung in das dritte Modul. Die restlichen Vorlesungen behandeln die fünf Schichten von GIS, eine nach der anderen. Die zweite Vorlesung "Räumlicher Bezugsrahmen" vermittelt den Lernenden erstens eine Reihe von Formulierungsschritten der physischen Erde, des Geoids, des Ellipsoids, des Datums und der Kartenprojektionen und zweitens die Koordinatentransformation zwischen verschiedenen Kartenprojektionen. In der dritten Vorlesung "Geodatenmodelle" lernen die Teilnehmer, wie man die räumliche Realität in zwei Geodatenmodellen darstellt - dem Vektormodell und dem Rastermodell. Die vierte Vorlesung "Geodatenerfassungssysteme" befasst sich mit der Frage, wie und wo Sie Geodaten erwerben und wie Sie Ihre eigenen Geodaten erstellen können. In der fünften Vorlesung "Analyse räumlicher Daten" erhalten Sie einen kurzen Einblick in die Extraktion nützlicher und wertvoller Informationen aus räumlichen Daten. Fortgeschrittenere Algorithmen für die räumliche Analyse werden im fünften Modul behandelt. In der sechsten Vorlesung "Geovisualisierung und Informationsbereitstellung" lernen die Teilnehmer sowohl die positiven als auch die negativen Aspekte kartografischer Darstellungen als Kommunikationsmittel für räumliche Phänomene kennen.

Das vierte Modul trägt den Titel "Spatial DBMS and Big Data Systems". Es deckt zwei Disziplinen ab, die mit der Wissenschaft der räumlichen Daten zusammenhängen, und vermittelt den Lernenden, wie DBMS und Big Data Systems zur Verwaltung räumlicher Daten und räumlicher Big Data eingesetzt werden können. Dieses Modul besteht aus sechs Vorlesungen. Die ersten beiden Vorlesungen behandeln DBMS und Spatial DBMS, die restlichen Vorlesungen behandeln Big Data Systems. In der ersten Vorlesung "Database Management System (DBMS)" werden die leistungsstarken Funktionen von DBMS und die damit verbundenen Merkmale sowie die Grenzen herkömmlicher relationaler DBMS für räumliche Daten vorgestellt. Die zweite Vorlesung "Spatial DBMS" befasst sich mit den Unterschieden zwischen Spatial DBMS und konventionellen DBMS sowie mit neuen Funktionen zur Verwaltung räumlicher Daten. Die dritte Vorlesung gibt den Teilnehmern einen kurzen Überblick über Big Data Systeme und das aktuelle Paradigma - MapReduce. Die vierte Vorlesung behandelt Hadoop MapReduce, Hadoop Distributed File System (HDFS), Hadoop YARN als Implementierung des MapReduce-Paradigmas und stellt das erste Beispiel für die Verarbeitung von räumlichen Big Data mit Hadoop MapReduce vor. In der fünften Vorlesung wird das Hadoop-Ökosystem vorgestellt und gezeigt, wie Hadoop-Tools wie Hive, Pig, Sqoop und HBase für die räumliche Big-Data-Verarbeitung eingesetzt werden können. In der letzten Vorlesung "Spatial Big Data System" werden zwei Hadoop-Tools für Spatial Big Data vorgestellt - Spatial Hadoop und GIS Tools for Hadoop - und ihre Vor- und Nachteile für die Verwaltung und Verarbeitung von Spatial Big Data besprochen.

Das fünfte Modul trägt den Titel "Spatial Data Analytics", eine der vier Disziplinen, die mit der räumlichen Datenwissenschaft verbunden sind. Spatial Data Analytics könnte ein breites Spektrum an räumlichen Analysemethoden abdecken. In diesem Modul wird jedoch nur ein Teil der Methoden der räumlichen Datenanalyse behandelt. Die erste Vorlesung ist eine Einführung, in der ein Überblick über Spatial Data Analytics und eine Liste von sechs Themen gegeben und diskutiert wird. In der zweiten Vorlesung "Proximity and Accessibility" (Nähe und Erreichbarkeit) wird den Lernenden klar, wie die räumliche Datenanalyse für Geschäftsanwendungen genutzt werden kann, während die Analyse von Gewerbegebieten, das Verhältnis von Angebot und Nachfrage, die Floating Catchment Analysis (FCA) und der auf der Schwerkraft basierende Index der Erreichbarkeit vorgestellt und auf reale Probleme angewandt werden. Die dritte Vorlesung "Räumliche Autokorrelation" gibt eine Anleitung zur Messung der räumlichen Autokorrelation und zur Anwendung des Hypothesentests mit Moran's I. Die vierte Vorlesung "Räumliche Interpolation" führt in die Trendflächenanalyse, die inverse Distanzgewichtung und Kriging ein. Insbesondere werden ausführliche Erklärungen zu Kriging, einem De-facto-Standard der räumlichen Interpolation, gegeben. In der fünften Vorlesung "Spatial Categorization" lernen Sie Klassifizierungsalgorithmen wie Minimum Distance to Mean (MDM) und Decision Tree (DT) sowie Clustering-Algorithmen wie K-Means und DBSCAN anhand von Beispielen aus der Praxis kennen. Die sechste Vorlesung "Hotspot-Analyse" stellt die Hotspot-Analyse und Getis-Ord GI* als beliebteste Methode vor. In der siebten Vorlesung "Netzwerkanalyse" lernen Sie die Algorithmen der Geokodierung, des Kartenabgleichs und der Suche nach dem kürzesten Weg kennen, die in der räumlichen Big Data-Analyse immer wichtiger werden.

Das sechste Modul trägt den Titel "Practical Applications of Spatial Data Science" (Praktische Anwendungen der räumlichen Datenwissenschaft), in dem fünf reale Probleme vorgestellt und die entsprechenden Lösungen mit Schritt-für-Schritt-Verfahren in den Lösungsstrukturen und der zugehörigen Open-Source-Software, die in Modul 2 besprochen wurde, präsentiert werden. In der ersten Vorlesung wird ein Beispiel für Desktop-GIS vorgestellt, bei dem nur QGIS verwendet wird, um die 5 wichtigsten Bezirke für Holzlandinvestitionen in den südöstlichen Staaten der USA zu ermitteln. Dabei wird eine einfache Differenzierung von Angebot und Nachfrage angewandt, um Bezirke mit einem großen Defizit an Holzangebot im Vergleich zur Holznachfrage herauszufinden. In der zweiten Vorlesung wird ein Beispiel für ein sever GIS vorgestellt, in dem QGIS und PostgreSQL/PostGIS als Lösung für ein gegebenes Problem des NYC Geodatenzentrums verwendet werden, das den Zugriff mehrerer Benutzer und verschiedene Privilegierungsstufen erforderte. Der dritte Vortrag stellt ein Beispiel für räumliche Datenanalyse vor, bei dem QGIS und R verwendet werden, um regionale Faktoren herauszufinden, die zu einer höheren oder niedrigeren Krankheitsprävalenz in Verwaltungsbezirken beitragen, wofür eine räumliche Autokorrelationsanalyse durchgeführt und eine Entscheidungsbaumanalyse angewendet wird. Die vierte Vorlesung ist ein weiteres Beispiel für die räumliche Datenanalyse, um mit Hilfe der Netzwerkanalyse eine optimale Route für die Infiltration zu finden, wofür eine Kostenoberfläche erstellt und der Dijkstra-Algorithmus verwendet wird. Die fünfte Vorlesung ist ein Beispiel für räumliche Big Data-Verwaltung und -Analyse, bei der QGIS, PostGIS, R und Hadoop MapReduce eingesetzt werden, um eine Lösung für den "Passenger Finder" zu finden, die zu den Orten führt, an denen mehr Fahrgäste auf Taxis warten. Für die Lösung werden raumbezogene Big Data, also Taxistrecken, gesammelt und in der Hadoop-Umgebung werden Rauschunterdrückung und Kartenabgleich durchgeführt. Anschließend werden eine Reihe von räumlichen Datenverarbeitungen und -analysen durchgeführt, wie z.B. die räumliche Verknüpfung in PostGIS und die Hotspot-Analyse in R, um die Lösung zu finden. Alles in allem werden die Lernenden den Wert von räumlichen Big Data und die Leistungsfähigkeit der Lösungsstruktur durch die Kombination von vier Disziplinen erkennen.