📖 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 ordbokbruke
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 arealberegne avstand mellom geometrier og teste romlige relasjoner som
intersects()ogtouches()bruke assert med informative feilmeldinger for å fange ugyldige inndata i egne funksjoner, og forklare forskjellen på
AssertionErrorogTypeError
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 gruppebruke 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
.crsog reprojisere medto_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()(medaggfunc),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 avhowogpredicatekontrollere at lag har samme CRS før en kobling, f.eks. med en
assertlage 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
lambdaogapply()aggregere data romlig med
dissolve()og en passendeaggfunc(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,differenceogsymmetric differencekombinere to polygonlag med
geopandas.overlay()og tolke resultatetvisualisere 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/GeoPandasog 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 Mercatorlage et interaktivt Leaflet-kart med
folium: markører, GeoJSON-lag, popup/tooltip og koroplettlagre 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 grafenfinne 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)