Le deuxième module s'intitule "Structures de solution des problèmes de la science des données spatiales". Il est composé de quatre conférences et donnera aux apprenants un aperçu des sujets académiques, des outils logiciels et de leurs combinaisons pour les structures de solution des problèmes de la science des données spatiales. La première conférence, "Quatre disciplines pour la science des données spatiales et les applications", présentera quatre disciplines académiques liées à la science des données spatiales, à savoir le système d'information géographique (SIG), le système de gestion de base de données (SGBD), l'analyse des données et les systèmes de données massives (Big Data). Le deuxième cours "Logiciels libres" présentera les logiciels libres dans les quatre disciplines concernées, QGIS pour les SIG, PostgreSQL et PostGIS pour les SGBD, R pour l'analyse des données, Hadoop et les solutions basées sur Hadoop pour les systèmes de Big Data, qui seront utilisés tout au long de ce cours. Le troisième cours "Problèmes de science des données spatiales" présentera six structures de solutions, qui sont des combinaisons différentes de SIG, de SGBD, d'analyse de données et de systèmes de Big Data. Les structures de solutions sont liées aux caractéristiques des problèmes donnés, à savoir la taille des données, le nombre d'utilisateurs, le niveau d'analyse et l'objectif principal des problèmes. La quatrième conférence "Données spatiales vs. Big Data spatiales" permettra à l'apprenant d'avoir une solide compréhension des données spatiales et des Big Data spatiales en termes de similitudes et de différences. En outre, la valeur des Big Data spatiales sera discutée.

Le troisième module est le "Système d'information géographique (SIG)", qui est l'une des quatre disciplines de la science des données spatiales. Le SIG comprend cinq couches, à savoir le cadre de référence spatial, le modèle de données spatiales, les systèmes d'acquisition de données spatiales, l'analyse des données spatiales et la géovisualisation. Ce module est composé de six cours. Le premier cours "Cinq couches de SIG" est une introduction au troisième module. Le reste des cours couvrira les cinq couches du SIG, une par une. Le deuxième cours "Cadre de référence spatial" permet aux apprenants de comprendre, premièrement, une série d'étapes de formulation de la terre physique, du géoïde, de l'ellipsoïde, du datum et des projections cartographiques et, deuxièmement, la transformation des coordonnées entre les différentes projections cartographiques. Le troisième cours "Modèles de données spatiales" enseignera aux apprenants comment représenter la réalité spatiale dans deux modèles de données spatiales - le modèle vectoriel et le modèle matriciel. Le quatrième cours "Systèmes d'acquisition de données spatiales" abordera des sujets tels que comment et où acquérir des données spatiales et comment produire vos propres données spatiales. Le cinquième cours "Analyse des données spatiales" donnera aux apprenants un bref aperçu de la manière d'extraire des informations utiles et précieuses des données spatiales. Des algorithmes plus avancés pour l'analyse spatiale seront couverts dans le cinquième module. Dans le sixième cours "Géovisualisation et diffusion de l'information", les apprenants comprendront les aspects puissants ainsi que les potentiels négatifs des représentations cartographiques en tant que moyen de communication des phénomènes spatiaux.

Le quatrième module s'intitule "SGBD spatiaux et systèmes de big data" et couvre deux disciplines liées à la science des données spatiales. Il permettra aux apprenants de comprendre comment utiliser les SGBD et les systèmes de big data pour gérer les données spatiales et les big data spatiales. Ce module est composé de six cours. Les deux premiers cours couvrent les SGBD et les SGBD spatiaux, et le reste des cours couvre les systèmes de Big Data. Le premier cours "Système de gestion de base de données (SGBD)" présentera les puissantes fonctionnalités des SGBD et les caractéristiques connexes, ainsi que les limites des SGBD relationnels conventionnels pour les données spatiales. Le deuxième cours "SGBD spatial" se concentre sur la différence entre les SGBD spatiaux et les SGBD conventionnels, ainsi que sur les nouvelles fonctionnalités permettant de gérer les données spatiales. La troisième conférence donnera aux apprenants un bref aperçu des systèmes Big Data et du paradigme actuel - MapReduce. La quatrième conférence couvrira Hadoop MapReduce, Hadoop Distributed File System (HDFS), Hadoop YARN, en tant qu'implémentation du paradigme MapReduce, et présentera également le premier exemple de traitement de Big Data spatiales à l'aide de Hadoop MapReduce. Le cinquième cours présentera l'écosystème Hadoop et montrera comment utiliser les outils Hadoop tels que Hive, Pig, Sqoop et HBase pour le traitement des big data spatiales. Le dernier exposé, intitulé "Spatial Big Data System", présentera deux outils Hadoop pour les big data spatiales - Spatial Hadoop et GIS Tools for Hadoop, et examinera leurs avantages et inconvénients pour la gestion et le traitement des big data spatiales.

Le cinquième module est intitulé "Analyse des données spatiales", qui est l'une des quatre disciplines liées à la science des données spatiales. L'analyse des données spatiales peut couvrir un large spectre de méthodes d'analyse spatiale, cependant, dans ce module, seule une partie des méthodes d'analyse des données spatiales sera couverte. Le premier cours est une introduction, dans laquelle une vue d'ensemble de l'analyse des données spatiales et une liste de six sujets sont présentées et discutées. Le deuxième exposé "Proximité et accessibilité" permettra aux apprenants de réaliser comment la science des données spatiales peut être utilisée pour des applications commerciales, tandis que l'analyse des zones commerciales, le rapport entre l'offre et la demande, l'analyse des bassins versants flottants (FCA) et l'indice d'accessibilité basé sur la gravité sont présentés et appliqués à des problèmes du monde réel. Le troisième cours "Autocorrélation spatiale" explique comment mesurer l'autocorrélation spatiale et appliquer le test d'hypothèse avec l'I de Moran. Le quatrième cours "Interpolation spatiale" présente l'analyse de la surface de tendance, la pondération par l'inverse de la distance et le krigeage. En particulier, des explications approfondies sur le Krigeage, un standard de facto de l'interpolation spatiale, seront présentées. La cinquième conférence "Catégorisation spatiale" permettra aux apprenants de comprendre les algorithmes de classification tels que la distance minimale à la moyenne (MDM) et l'arbre de décision (DT), ainsi que les algorithmes de regroupement tels que K-Means et DBSCAN, à l'aide d'exemples concrets. Le sixième cours "Analyse des points chauds" présente l'analyse des points chauds et Getis-Ord GI*, la méthode la plus populaire. Le septième cours "Analyse de réseau" permettra aux apprenants d'explorer les algorithmes de géocodage, de mise en correspondance de cartes et de recherche du chemin le plus court, dont l'importance est croissante dans l'analyse des données spatiales (big data).

Le sixième module est intitulé "Applications pratiques de la science des données spatiales", dans lequel cinq problèmes du monde réel sont introduits et les solutions correspondantes sont présentées avec des procédures étape par étape dans les structures de solution et les logiciels open source connexes, discutés dans le module 2. La première conférence présente un exemple de SIG de bureau, dans lequel seul QGIS est utilisé, pour trouver les 5 premiers comtés pour l'investissement dans les terres boisées dans les États du sud-est des États-Unis, dans lequel une simple différenciation de la demande et de l'offre est appliquée pour déterminer les comtés où l'offre de bois est fortement déficitaire par rapport à la demande de bois. Dans la deuxième conférence, un exemple de SIG sévère, dans lequel QGIS et PostgreSQL/PostGIS sont utilisés, sera présenté comme une solution à un problème donné du centre de données spatiales de la ville de New York, qui nécessitait l'accès de plusieurs utilisateurs et différents niveaux de privilèges. La troisième conférence présente un exemple d'analyse de données spatiales, dans lequel QGIS et R sont utilisés, pour découvrir les facteurs régionaux qui contribuent à une prévalence plus élevée ou plus faible de la maladie dans les districts administratifs, pour lesquels une analyse d'autocorrélation spatiale est effectuée et une analyse d'arbre de décision est appliquée. La quatrième conférence est un autre exemple d'analyse de données spatiales, pour trouver un itinéraire d'infiltration optimal avec l'analyse de réseau, dans lequel la surface de coût est produite et l'algorithme de Dijkstra est utilisé. La cinquième conférence est un exemple de gestion et d'analyse de données spatiales (big data), dans lequel QGIS, PostGIS, R et Hadoop MapReduce sont tous utilisés, pour fournir une solution de "Passenger Finder", qui peut guider vers les endroits où plus de passagers attendent les taxis. Pour cette solution, des big data spatiales, les trajectoires des taxis, sont collectées, et l'élimination du bruit et la mise en correspondance des cartes sont effectuées dans l'environnement Hadoop. Ensuite, une série de traitements et d'analyses de données spatiales tels que la jointure spatiale dans PostGIS, l'analyse des points chauds dans R sont effectués afin de fournir la solution. Dans l'ensemble, les apprenants se rendront compte de la valeur des big data spatiales et de la puissance de la structure de la solution grâce à la combinaison de quatre disciplines.