“大数据智绘与仿真”微专业人才培养方案

大数据智绘与仿真微专业人才培养方案

近年来国家大力推进高质量发展，以4D产品为核心的多尺度、多类型地理空间数据已渗透到数字经济、数字治理和数字生活的方方面面，发挥着越来越重要的“时空基底”和关键生产要素作用。但现有数字化、信息化测绘技术在智能化、动态性、精准度等方面尚存在着不足或局限性，难以完全满足“查得准”、“认得透”、“管得好”的应用需求。国土空间规划、生态环境保护、防灾减灾、自动驾驶、疫情防控等新兴应用领域对时空信息的精细程度、更新周期、服务方式等提出了诸多新需求，迫切需要研发和提供更多的多维、动态、高精时空数据产品，构建新型时空信息基础设施，从数据信息服务走向时空知识服务。面对全社会智能化转型的时代浪潮以及“第四次工业革命”的影响，如何审时度势，把握机遇，推动行业技术进步和事业转型升级，已成为测绘业界关心的热点问题。在这个求变的过程中，高校承担着向测绘行业输入新型人才的责任，如何培养智慧时代引领测绘行业发展的人才成为了高校工作者思考的问题。“大数据智绘与仿真”微专业目标就是解决新时代人工智能背景下，面向智绘工程、人工智能、大数据、云计算、物联网等多学科知识融合的实践能力培养的问题，培养品德优良、知识复合、技术超前、能力卓越的新工科人才。

测绘地理信息学院现有教职工68人，其中教授17人，副教授18人；博士生导师9人；具有博士学位43人；人员中包括国家级专家3人，八桂学者2人，中科院专家1人。学院围绕测绘科学与技术一级学科建设，积极整合力量谋发展，新增“遥感科学与技术”本科专业，获得“测绘科学与技术”广西一流学科；“大地测量学与测量工程”获得了广西教育厅重点学科；“测绘工程”获国家一流本科专业、广西一流本科专业、广西优势特色专业；“地理信息科学”获广西一流本科专业；建成广西测绘激光雷达智能装备科技成果转化中试研究基地、“空间信息与测绘协同育人平台”自治区级协同育人平台；广西空间信息与测绘虚拟仿真实验教学中心；广西空间信息与测绘重点实验室；生态时空大数据感知服务重点实验室，测绘工程本科专业和测绘工程专业硕士获得了国家级卓越工程师培养计划。

测绘地理信息学院师资力量雄厚，教师教学水平高，开设《大数据智绘与仿真》微专业可以提高同学们的专业技能，更好地适应当今社会的发展和需要、更好地走向就业。

一、培养目标

本专业培养思想政治坚定、德技并修、全面发展，适应人工智能时代时空信息开发、分析、挖掘、算法研发、三维建模以及云计算等岗位需要，具有良好职业道德、人文素养和艺术素养，掌握时空大数据、Python编程、聚类分析、大数据挖掘、物联网、深度学习、3DSMax建模、基础网络协议（TCP/IP/ARP/DHCP）等基本理论知识和技术技能，面向互联网、物联网、人工智能、金融、在线教育、交通、物流、三维建模等领域的高素质技术技能人才。

二、学制

微专业学制两年

三、学分要求

微专业学分要求为：21学分

第三学期：8学分        第四学期：6学分

第五学期：4学分        第六学期：3学分

四、专业名称及代码

专业名称：大数据智绘与仿真

专业代码：GUTW001

五、入学要求

大学本科大二、大三学生。

六、职业面向

七、培养规格

本微专业毕业生在素质、知识和能力等方面达到以下要求：

1．政治素质和人文素质要求

（1）坚定拥护中国共产党领导和中国特色社会主义制度，在习近平新时代中国特色社会主义思想指引下，践行社会主义核心价值观，具有深厚的爱国情感和中华民族自豪感；（2）具有良好的职业道德和职业素养，具有较强的实践能力;（3）具有职业生涯规划意识，具有良好的生活习惯、行为习惯和自我管理能力;（4）具有较强的集体意识和团队合作精神，能够进行有效的人际沟通和协作，与社会、自然和谐共处;（5）具有良好的身心素质和人文素养，具有感受美、表现美、鉴赏美、创造美的能力;（6）具有质量意识、绿色环保意识、安全意识、创新精神。

2．知识素质和业务能力要求

（1）掌握大数据开发工程师需要的基本理论知识和方法;

（2）掌握大数据分析师需要的基本理论知识和业务能力;

（3）掌握大数据挖掘工程师需要的基本技能;

（4）掌握算法研发工程师需要的基本理论和技术方法;

（5）掌握三维建模师需要的基本技术方法;

（6）掌握云计算工程师需要的基本理论和方法;

（7）掌握智能测绘工程师需要的技术能力;

（8）了解国内外最新算法、编程语言流行趋势及相关的大数据、人工智能、物联网、三维建模、云计算等知识。

3．实践能力和技能

（1）具备一定的口语和书面表达、信息技术应用能力；

（2）具备对新知识、新技能的学习能力和创新创业能力；

（3）具有较强的编程与项目开发能力；

（4）具备三维建模、大数据分析与挖掘、智绘测绘等能力。

八、课程设置及要求

课程主要为《智绘工程学》、《位置服务网络与大数据技术》、《虚拟现实与实景三维建模》、《人工智能方法及应用》、《云GIS技术》、《物联网技术与应用》六门专业（技能）课程。

1、课程名称：智绘工程学

①课程类别：专业技能课

②先修课程：高等数学、工程制图、测量学

③学时数：64学时（其中实践教学学时数：36学时）

④主要内容：智绘工程学是一门结合了测量学、地理信息系统、遥感科学与技术、人工智能、物联网和虚拟仿真的交叉学科，旨在通过掌握各类工程建设各阶段中智能化数据获取和处理方法，了解工程项目的理论、应用和发展。

⑤课程目标：熟悉不同性质工程、不同设计阶段对地形图的基本要求，正确掌握分析地形图精度、选取等高距及测图比例尺的基本方法；掌握现代数据获取技术和数据处理方法；通过虚拟仿真平台掌握三维数据可视化手段。

⑥学生学习效果评价方式（或考试方式）：学生学习效果评价采用实践过程考核与大作业考核相结合的形式。总评成绩=过程考核成绩×70%+期末考核成绩×30%，其中平时的过程考核占70%，期末考核占30%。平时考试过程考核学生通过虚拟仿真平台控制全站仪等硬件设备进行工程测量的流程，大作业主要考核学生通过虚拟仿真平台完成各项工程操作。

⑦教师教学质量评价方式：教师教学质量采取日常教学检查、督导检查、学生和社会评价等多元化评价。

2、课程名称：位置服务网络与大数据技术

①课程类别：专业技能课

②先修课程：C#面向对象程序设计、GIS网络开发、计算机网络

③学时数：64学时（其中实践教学学时数：36学时）

④主要内容：位置服务网络与大数据技术，该课程是一项集成系统，是地理信息系统、空间定位、移动通信、无线互联网等技术的综合体，是通过无线通信网络获取无线用户的位置信息（经纬度坐标或高程数据），在地理信息平台的支持下提供相应服务的一种无线增值服务。目前，无论是公众用户还是行业用户，对于获得位置及其相关服务都有着广泛的需求，包括娱乐消息、交通报告、地图和向导、目标广告、交互式游戏、车辆跟踪、运程信息和网络管理等众多领域。

⑤课程目标：熟悉数学、专业知识，掌握常规开发技术，能够掌握位置服务网络与大数据技术基础理论，并能应用于解决开发的问题，具备一定的LBS和大数据的开发能力；能深入了解移动定位技术、卫星定位技术、混合定位技术、移动通信、卫星通信、集群通信、数据库、数据管理系统、分布式数据库、LSB的数据组织、Web Service、移动开发端等基本概念与基本原理；掌握LBS的开发框架的方法与思路，并具备LSB开发的能力；培养学生在从事软件调试、软件开发等工作中认识LSB的作用，分析、解决在开发过程遇到的问题，具备发现行业前沿并提出相应解决问题方案的能力；培养学生软件系统评价的能力，能够从资源、社会、环境等方面全方位评价系统的指标；培养学生系统研发过程中的严谨精神和负责精神；培养学生学习新技术并将其应用于本专业领域的能力。

⑥学生学习效果评价方式（或考试方式）：学生学习效果评价采用实践过程考核与大作业考核相结合的形式。总评成绩=过程考核成绩×70%+期末考核成绩×30%，其中平时的过程考核占70%，期末考核占30%。平时考试过程考核学生的软件操作和开发能力，大作业主要考核学生掌握具体的LBS和大数据开发。

⑦教师教学质量评价方式：教师教学质量采取日常教学检查、督导检查、学生和社会评价等多元化评价。

3、课程名称：云GIS技术

①课程类别：专业技能课

②先修课程：C#面向对象程序设计、计算机网络、计算机知识及应用初步、GIS网络开发、GIS二次开发

③学时数：48学时（其中实践教学学时数：28学时）

④主要内容：云GIS技术，该课程重点论述云GIS的基本原理和分析方法。讲述云GIS的基本概念、核心技术、系统架构、云GIS建设规划，基础云平台选型，OpenStack云平台、VMware云平台、Docker云平台、Super Map云GIS产品体系等内容及与GIS的基本理论、方法。

⑤课程目标：能够掌握云GIS基础理论，并能应用于解决GIS的实际应用问题；能深入理解云GIS核心技术、系统架构、建设规划、云平台选型的基础理论；掌握OpenStack云平台、VMware云平台、Docker云平台三大平台基本概念与基本原理；初步掌握分析与解决云GIS问题的方法与思路；培养学生在从事地理信息系统、计算机等工作中认识云GIS作用，分析、解决与云GIS的问题的能力。

⑥学生学习效果评价方式（或考试方式）：学生学习效果评价采用实践过程考核与大作业考核相结合的形式。总评成绩=过程考核成绩×70%+期末考核成绩×30%，其中平时的过程考核占70%，期末考核占30%。平时考试过程考核学生利用云计算解决GIS实际应用的能力，大作业采用项目化考核主要考核学生分析与解决云GIS问题的能力。

⑦教师教学质量评价方式：教师教学质量采取日常教学检查、督导检查、学生和社会评价等多元化评价。

4、课程名称：物联网技术与应用

①课程类别：专业技能课

②先修课程：C#面向对象程序设计、计算机网络、计算机知识及应用初步

③学时数：48学时（其中实践教学学时数：20学时）

④主要内容：该课程从物联网基本概念出发，系统讨论物联网感知层、网络层、应用层与网络安全的关键技术，并选取物联网中的十个重点应用领域，介绍我国与世界各国物联网应用成功的案例与一些重要的物联网研究问题。

⑤课程目标：能够掌握物联网技术与应用基础理论，并能了解其在智能工业、智能农业、智能交通、智能电网、智慧医疗等工作中的应用情况和前景；能深入理解物联网网络层技术，物联网网络的基本功能、计算机网络技术、移动通信网技术；掌握蜂窝系统、5G技术、NB-IoT技术等基本概念与基本原理；初步掌握物联网应用层技术的方法与思路；培养学生在从事智慧工业、智慧农业、智慧交通、智慧电网等工作中认识物联网作用，分析、解决与物联网相关的工作问题的能力。

⑥学生学习效果评价方式（或考试方式）：学生学习效果评价采用实践过程考核与大作业考核相结合的形式。总评成绩=过程考核成绩×70%+期末考核成绩×30%，其中平时的过程考核占70%，期末考核占30%。平时考试过程考核学生利用物联网新技术解决工作中实际问题的能力，大作业考核学生具备从事智能服务的能力。

⑦教师教学质量评价方式：教师教学质量采取日常教学检查、督导检查、学生和社会评价等多元化评价。

5、课程名称：虚拟现实与实景三维建模

①课程类别：专业技能课

②先修课程：高等数学、程序设计

③学时数：64学时（其中实践教学学时数：38学时）

④主要内容：该课程在阐述虚拟现实技术必要理论知识的基础上，重点介绍了VRP虚拟现实技术平台、Unity游戏引擎和Web3D技术及其案例讲解，并着重分析了增强现实技术及其应用。以典型实例贯穿教学，使学生能够在较短的时间里由浅入深地了解、认识和掌握虚拟现实技术，并具备运用开发工具制作三维交互的、效果逼真的虚拟现实场景的能力。

⑤课程目标：使学生通过本大纲所规定的全部教学内容的学习，掌握虚拟现实技术的概念、虚拟现实技术的发展、虚拟现实建模技术的基本理论；让学生能够初步掌握3DS Max、VRP、Unity三维建模技术，能够实现基本三维展示和高级交互功能；能够利用3DS Max、VRP、Unity创建基本几何造型、设置虚拟场景环境、实现动画效果、实现交互功能等；掌握该课程的主要技能，为今后从事实际工作打下必要的基础。

⑥学生学习效果评价方式（或考试方式）：学生学习效果评价采用实践过程考核与大作业考核相结合的形式。总评成绩=过程考核成绩×70%+期末考核成绩×30%，其中平时的过程考核占70%，期末考核占30%。平时考试过程考核学生能够掌握能力3DS Max、VRP、Unity三维建模技术，大作业考核学生能够实现基本三维展示和高级交互功能的能力。

⑦教师教学质量评价方式：教师教学质量采取日常教学检查、督导检查、学生和社会评价等多元化评价。

6、课程名称：人工智能方法及应用

①课程类别：专业技能课

②先修课程：人工智能导论，计算机应用基础

③学时数：48学时（其中实践教学学时数：20学时）

④主要内容：该课程包含人工智能概述，确定性知识系统，不确定性知识系统，智能搜索技术，机器学习，神经网络，智能应用等知识。通过该课程使学生在已有计算机知识基础上，对人工智能从整体上形成较全面和清晰的系统认识，为进一步学习和运用人工智能相关理论方法和技术解决实际问题奠定初步基础，更重要的是培养学生积极思考、严谨创新的科学态度和解决实际问题的能力。

⑤课程目标：了解人工智能的概念和人工智能的发展，了解国际人工智能的主要流派和路线，了解国内人工智能研究的基本情况,熟悉人工智能的研究领域,列举出人工智能的研究与应用领域，熟悉多媒体信息的表示、存储形式；较详细地论述知识表示的各种主要方法。重点掌握产生式表示法和谓词逻辑法，熟悉语义网络法，了解知识表示的其他方法，如框架法。熟悉产生式推理方法，了解自然演绎推理和归结演绎推理；掌握可信度推理的模型和算法，掌握主观Bayes方法的推理模型和推理特性，了解模糊推理的定义，掌握贝叶斯网络推理的概念和类型、贝叶斯网络的精确推理；掌握盲目搜索和启发式搜索的基本原理和算法，特别是宽度优先搜索、深度优先搜索、启发式搜索、有序搜索、A*算法等，了解博弈树搜索和遗传算法的基本方法；掌握机器学习的概念，掌握一元线性回归模型，了解多元线性回归模型，熟悉决策树的概念、ID3算法，掌握小样本统计学习理论、支持向量机模型，掌握集成学习定义、AdaBoost算法、Bagging算法，了解无监督学习的概念、K均值聚类算法；掌握人工神经网络概念、连接学习概念，了解人工神经网络的生物机理，熟悉人工神经元的结构及模型，掌握感知器模型、BP网络模型、Hopfield网络模型，熟悉深度卷积神经网络模型、深度循环神经网络模型，能利用神经网络模型解决实际应用问题；熟悉自然语言理解的基本概念，熟悉词性分析的方法，了解句法分析和语义分析方法。了解生物特征识别系统的组成，熟悉生物特征识别中的图像处理模型和算法；指导学生探索人工智能领域的新知识，培养自主学习和终身学习的意识，提升不断学习和适应发展的能力，为今后学习和工作打下良好的基础。

⑥学生学习效果评价方式（或考试方式）：学生学习效果评价采用实践过程考核与大作业考核相结合的形式。总评成绩=过程考核成绩×70%+期末考核成绩×30%，其中平时的过程考核占70%，期末考核占30%。平时考试过程考核学生掌握人工智能的基本知识和算法的能力，大作业考核学生能利用神经网络模型解决实际应用问题的能力。

⑦教师教学质量评价方式：教师教学质量采取日常教学检查、督导检查、学生和社会评价等多元化评价。