📖 Læringsmål#

På denne siden finner du læringsmålene for emnet fordelt på hver uke.

Emnet gir en innføring i programmering for geografiske analyser og programmatisk behandling av geografiske data. Gjennom emnet vil du få en innføring i ulike analysemetoder innenfor geografisk informasjonsvitenskap (GIS), og praktisk erfaring i databehandling og analyse med geografiske data.

Studenten skal etter gjennomført kurs være i stand til å utføre grunnleggende analyser av og med geografiske data i Python, skrive kode som analyserer og visualiserer geografiske data, samt kunne lese og forstå programmer på tilsvarende kompleksitetsnivå.

Uke 1 - Introduksjon, oppsett og en smakebit av Python#

Introduksjon til emnet, Python-miljø og de mest grunnleggende Python-byggeklossene.

Første uke består av informasjon av emnet og introduksjon til hvordan sette opp et fungerende miljø for kurset. Vi starter også med en liten praktisk innføring i Python.

Etter denne uka skal du kunne:

  • sette opp et fungerende conda-miljø for kurset og kjøre en Jupyter Notebook

  • definere og bruke variabler, og velge beskrivende variabelnavn

  • identifisere og bruke sentrale datatyper: heltall, flyttall, streng, boolsk, liste og ordbok

  • forklare hvordan disse datatypene representerer romlig informasjon som koordinater og attributter

  • utføre enkle operasjoner på datatypene: aritmetikk, indeksering, .append(), oppslag i ordbok

  • bruke if/elif/else, for-løkker og enkle funksjoner (def/return), og importere moduler med import

Uke 2 - Geometriske objekter i Shapely#

Hvordan enkeltgeometrier representeres i Python og defensiv programmering.

Etter denne uka skal du kunne:

  • finne og vurdere relevante Python-pakker for GIS og romlig analyse

  • forklare hvordan punkt, linje og polygon representeres og lagres i shapely, inkludert well-known text (WKT)

  • opprette shapely-geometrier fra koordinatverdier og hente ut egenskaper som geom_type, koordinater, lengde og areal

  • beregne avstand mellom geometrier og teste romlige relasjoner som intersects() og touches()

  • bruke assert med informative feilmeldinger for å fange ugyldige inndata i egne funksjoner, og forklare forskjellen på AssertionError og TypeError

Uke 3 – GeoPandas og vektordata#

Fra enkeltgeometrier til hele datasett: lese, utforske og skrive vektordata.

Etter denne uka skal du kunne:

  • bygge robuste filstier med pathlib og skille rådata fra resultater med konstanter

  • lese vektordata i ulike formater og fra ulike kilder (lokal fil, zip, URL, WFS) med geopandas.read_file()

  • liste tilgjengelige filformat/drivere og skrive en GeoDataFrame til fil med to_file()

  • forklare oppbygningen av en GeoDataFrame: rader, attributtkolonner og geometry-kolonnen

  • gruppere data med groupby() og iterere over gruppene, f.eks. for å skrive én fil per gruppe

  • bruke en traceback til å finne og rette vanlige feil??,??,

Uke 4 – Projeksjoner, geometriske operasjoner og geokoding#

Koordinatsystem, avledede geometrier og å gå fra stedsnavn til koordinater.

Etter denne uka skal du kunne:

  • inspisere en GeoDataFrame sitt koordinatsystem med .crs og reprojisere med to_crs()

  • skille mellom geografiske og projiserte koordinatsystem og forklare hvorfor areal- og avstandsberegninger krever et projisert CRS

  • angi et CRS på flere måter (EPSG-kode, WKT, PROJ-streng)

  • utføre geometriske operasjoner: centroid, buffer(), dissolve() (med aggfunc), simplify(), convex_hull, envelope, union_all()

  • hente koordinater for stedsnavn/adresser med geokoding (Nominatim) og koble resultatet til en tabell med join()/merge()

Uke 5 – Romlige utvelgelser og koblinger#

Å velge og kombinere data ut fra hvordan objekter ligger i forhold til hverandre.

Etter denne uka skal du kunne:

  • forklare romlige predikat (within, contains, intersects)

  • velge ut objekter basert på romlig relasjon, f.eks. punkt-i-polygon

  • utføre en romlig kobling med geopandas.sjoin() og begrunne valg av how og predicate

  • kontrollere at lag har samme CRS før en kobling, f.eks. med en assert

  • lage et enkelt koroplettkart av resultatet med klasseinndeling (scheme, cmap)

Uke 6 – Reklassifisering og aggregering#

Å gjøre kontinuerlige verdier om til klasser, og å slå sammen data.

Etter denne uka skal du kunne:

  • klassifisere kontinuerlige verdier med mapclassify-metoder som Natural Breaks og kvantiler, og hente ut klassegrensene (.bins)

  • begrunne valg av klassifiseringsmetode og antall klasser, og vise grensene i et histogram

  • lage egne klassifiseringsregler med en funksjon eller lambda og apply()

  • aggregere data romlig med dissolve() og en passende aggfunc (sum, gjennomsnitt), og velge en meningsfull grupperingsvariabel

Uke 7 – Overlay-analyse (og oppstart av prosjekt)#

Å kombinere to polygonlag, og introduksjon til prosjektoppgaven.

Etter denne uka skal du kunne:

  • forklare forskjellen på overlay-operasjonene intersection, union, difference og symmetric difference

  • kombinere to polygonlag med geopandas.overlay() og tolke resultatet

  • visualisere hva en overlay-operasjon gjør, f.eks. med en hjelpefunksjon

Uke 8 – Statiske og interaktive kart#

Kartografi i praksis, både for trykk og for web.

Etter denne uka skal du kunne:

  • lage et statisk kart med flere lag i matplotlib/GeoPandas og styre farge, klasseinndeling, gjennomsiktighet og utsnitt (scheme, cmap, alpha, set_xlim/set_ylim)

  • legge til tittel, tegnforklaring og bakgrunnskart (contextily), og forklare hvorfor bakgrunnskart krever Web Mercator

  • lage et interaktivt Leaflet-kart med folium: markører, GeoJSON-lag, popup/tooltip og koroplett

  • lagre et interaktivt kart som en HTML-fil

  • vurdere kartografiske valg kritisk – klasseinndeling, fargevalg, lesbarhet

Uke 9 – OpenStreetMap-data og nettverksanalyse#

Å hente data fra OSM og regne på gatenettet.

Etter denne uka skal du kunne:

  • hente geodata fra OpenStreetMap med osmnx: gatenett, bygninger, POI-er, grøntområder (graph_from_place, features_from_place)

  • konvertere et gatenett mellom graf og GeoDataFrame (graph_to_gdfs) og projisere grafen

  • finne nærmeste node til et punkt og beregne korteste vei mellom to punkt (nearest_nodes, shortest_path)

  • visualisere en rute på nettverket og hente ut enkel nettverksstatistikk (basic_stats)

  • lagre en beregnet rute til fil

Uke 10 – Rasteranalyse (og prosjektveiledning)#

Prosjektarbeid#

Å sette sammen alt til én sammenhengende, reproduserbar arbeidsflyt.

Etter prosjektet skal du kunne:

  • planlegge og gjennomføre en sammenhengende, automatisert GIS-arbeidsflyt fra rådata til ferdig analyse og kart

  • skille gjenbrukbar kode ut i funksjoner i .py-moduler som importeres i notebooks

  • dokumentere prosjektet slik at en annen person kan kjøre det på nytt (README, mappestruktur, miljøfil)

  • gjøre rede for eventuell bruk av KI-verktøy i arbeidet (00_bruk_av_ai)