Hoppa till huvudinnehållet

FAI3308 Tillämpad rumslig analys: en introduktion 7,5 hp

Kursomgångar saknas för aktuella eller kommande terminer.
Rubriker med innehåll från kursplan FAI3308 (VT 2021–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursinnehåll

Kursen är uppdelad i tre delar. I den första delen diskuteras den geografiska datans natur, medan rumsliga mönster ligger i fokus för den andra delen. Den tredje delen behandlar confirmatory rumslig dataanalys genom tillämpning och utvärdering av regressionsanalys (fallstudie).

DEL 1 – Föreläsning 1: Att tänka rumsligt: Introduktion till GIScience, Föreläsning 2: Den rumsliga analysens natur, Föreläsning 3: Datakvalité.

DEL II – Föreläsning 4: Den rumsliga datans rumsliga struktur, Föreläsning 5: Icke-parametriska metoder för rumslig interpolation, Föreläsning 6: Areal interpolation, Föreläsning 7: Undersökande rumslig dataanalys (ESDA) och metoder för att upptäcka kluster.

DEL III – Föreläsning 9: Regressionsanalys, Föreläsning 10: Implementering av rymd (space) i samhällsvetenskapen: En sammanfattning, Föreläsning 11 och 12: Tillämpning, Projekt (fallstudie) och projektpresentation.

Under den första veckan får studenten en introduktion till kursen och verktyg. En samling inledande praktiska övningar kommer att erbjudas studenter som inte arbetat med ArcGis, GeoDa and ScanStat. Studenterna ska ha läst Hainings (senaste upplagan) första kapitel när de kommer till första föreläsningen (tillgänglig i BILDA tre veckor innan kursstart).

Lärandemål

Under kursens gång får studenten lära sig att använda sig av dataanalystekniker. Studenten får en bred kunskap om aktuella ansatser, vilka metoder som finns tillgängliga och expempel på tillämpningar av rumslig analys inom olika områden (t. ex. ekonomisk geografi, epdiemologi, och urban säkerhet). Efter kursen ska studenten kunna:

Identifiera lämpliga tekniker för rumslig analys

- Använda relevant kunskap för att lösa rumsligt relaterade problem genom användande av real-life databaser och rumsliga statistiska verktyg, som visualisering, interpolation, mönster identifiering och modellering (spatial regressionsanalys)

- Utveckla både tekniska och sociala färdighetet genom arbete i grupp för att lösa real-life problem med olika statistiska mjukvara

- Analysera resultat av praktiska övningar och kunna redogöra för svårigheter och fördelar med de prövade teknikerna

- Utveckla, tolka och kritiskt reflektera på resultaten av en fallstudie där en (eller flera) rumsliga analystekniker som ingått i kursen använts

- Använda rumsliga analystekniker och kommunicera dem till en publik (skriftligt, grafiskt och muntligt)

- Känna igen och ge uttryck för värdet av att inkludera olika fenomens och samhällsvetenskapliga processers rumsliga dimension.

Kurslitteratur och förberedelser

Särskild behörighet

Kursen vänder sig till studerande på doktorandnivå inom relevant område (t. ex. Urban och Regional Planering, Ekonomi, Real Estate, Geografi, Demografi, Kriminologi, Miljökunskap). Förkunskaper i Geographical Information Systems och/eller baskunskaper I statistik är en fördel.

Rekommenderade förkunskaper

Ingen information tillagd

Utrustning

Ingen information tillagd

Kurslitteratur

Ingen information tillagd

Examination och slutförande

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

Betygsskala

P, F

Examination

  • PRO1 - Projektuppgift, 5,0 hp, betygsskala: P, F
  • SEM1 - Seminarier, 2,5 hp, betygsskala: P, F

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Övriga krav för slutbetyg

För att bli godkänd krävs det att studenten:

- deltar i föreläsningar och genomför praktiska övningar

- deltar i diskussioner under föreläsningarna (“forum-time” och lämnar in uppgifter i tid)

- deltar och bidrar till grupparbetet (max 2 personer) i fallstudien som innebär att utveckla, tolka och kritiskt reflektera egna resultat genom användande av rumsliga datatekniker som lärts ut under kursens gång. Användande av egna data är uppmuntrat.

- presenterar gruppens fallstudie i en poster session på avdelningen (skriftligt, grafiskt och muntligt). Avdelningens personal (forskare, doktorander) och övriga kursdeltagare utvärderar var grupps utförande samt informationen som presenterats i poster session. Den skriftliga rapporten lämnas till ansvarig lärare.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Etiskt förhållningssätt

  • Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
  • Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
  • Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.

Ytterligare information

Kursrum i Canvas

Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.

Ges av

Huvudområde

Denna kurs tillhör inget huvudområde.

Utbildningsnivå

Forskarnivå

Påbyggnad

Ingen information tillagd

Kontaktperson

Vania Ceccato (vania.ceccato@abe.kth.se)

Forskarkurs

Forskarkurser på ABE/Urbana och regionala studier