Χωρική ανάλυση και μοντελοποίηση οικολογικών δεδομένων (ΤΠ-70052)
Κωνσταντίνος Ποϊραζιδης
Το μάθημα είναι διαρθρωμένο σε έξι ενότητες. Έχει θεωρητικό σκέλος και πρακτική εφαρμογή (με βάση το ArcPro ή /και τη γλώσσα R).
Αναλυτικότερα:
ΕΝΟΤΗΤΑ Α:
Περιγραφή των δεδομένων μέσα από περιγραφική στατιστική. Κατανόηση των δεδομένων και των ειδικών χαρακτηριστικών τους
- Εισαγωγή στη χωρική ανάλυση
- Βασική περιγραφική χωρική στατιστική
Πρακτική εφαρμογή
- Δημιουργία και απεικόνιση ποσοτικών δεδομένων με βάση διαφορετικές συνόψεις – δημιουργία ιστογραμμάτων
ΕΝΟΤΗΤΑ Β:
Διερευνητική ανάλυση χωρικών δεδομένων (exploratory spatial data analysis).
- Περιγραφή, σύνοψη οπτικοποίηση χωρικών κατανομών
- Προσδιορισμός ενοτήτων (clusters)
Πρακτική εφαρμογή
- Δημιουργία θηκογραμμάτων, scatter plots
ΕΝΟΤΗΤΑ Γ:
Διερευνητική χωρική στατιστική (εξήγηση και κατανόηση των αιτιών και των αποτελεσμάτων - ανίχνευση παραγόντων (drivers) για τις αλλαγές)
- Ανάλυση γεωγραφικών κατανομών και σημειακών προτύπων
- Χωρική αυτοσυσχέτιση
- hot – spot περιοχές
Πρακτική εφαρμογή
- Mean – median center
- Nearest Neighborhood
- Ripley’s K functionG
- Moran’ s I, Getis -Ord
- Hot - spots
ΕΝΟΤΗΤΑ Δ:
Πολυμεταβλητή στατιστική ανάλυση
- Ανάλυση κυρίων συνιστωσών (Principal Component Analysis και GW PCA)
- Ανάλυση παραγόντων (Factor Analysis – FA)
- Ανάλυση συστάδων (cluster analysis)
- Ανάλυση ομοιότητας
Πρακτική εφαρμογή
- K-Means Clustering
- Χωρικό clustering
- Ανάλυση ομοιότητας
ΕΝΟΤΗΤΑ E:
Μοντελοποίηση χωρικών σχέσεων
- Απλή και πολλαπλή γραμμική παλινδρόμηση
- Ordinary least squares (OLS)
- Γεωγραφικά Σταθμισμένη Παλινδρόμηση (GWR)
- Παλινδρόμηση με Τυχαία Δάση (Random Forest)
- Ανάλυση συστάδων (cluster analysis)
- Ανάλυση ομοιότητας
Πρακτική εφαρμογή
- Παλινδρόμηση
- OLS παλινδρόμηση
- GWR
- Τυχαία δάση
- Ανάλυση Cluster
ΕΝΟΤΗΤΑ ΣΤ:
Χωρική παρεμβολή
- Πλησιέστερος γείτονας
- Mέθοδος αντιστρόφων αποστάσεων (IDW)
- Γεωστατιστική – Kriging και βαριόγραμματα
Πρακτική εφαρμογή
- Πλησιέστερος γείτονας
- Αντίστροφες αποστάσεις
- Γεωστατιστική - Kriging
Το μάθημα είναι διαρθρωμένο σε έξι ενότητες. Έχει θεωρητικό σκέλος και πρακτική εφαρμογή (με βάση το ArcPro ή /και τη γλώσσα R).
Αναλυτικότερα:
ΕΝΟΤΗΤΑ Α:
Περιγραφή των δεδομένων μέσα από περιγραφική στατιστική. Κατανόηση των δεδομένων και των ειδικών χαρακτηριστικών τους
- Εισαγωγή στη χωρική ανάλυση
- Βασική περιγραφική χωρική στατιστική
Πρακτική εφαρμογή
- Δημιουργία και απεικόνιση ποσοτικών δεδομένων με βάση διαφορετικές συνόψεις – δημιουργία ιστογραμμάτων
ΕΝΟΤΗΤΑ Β:
Διερευνητική ανάλυση χωρικών δεδομένων (exploratory spatial data analysis).
- Περιγραφή, σύνοψη οπτικοποίηση χωρικών κατανομών
- Προσδιορισμός ενοτήτων (clusters)
Πρακτική εφαρμογή
- Δημιουργία θηκογραμμάτων, scatter plots
ΕΝΟΤΗΤΑ Γ:
Διερευνητική χωρική στατιστική (εξήγηση και κατανόηση των αιτιών και των αποτελεσμάτων - ανίχνευση παραγόντων (drivers) για τις αλλαγές)
- Ανάλυση γεωγραφικών κατανομών και σημειακών προτύπων
- Χωρική αυτοσυσχέτιση
- hot – spot περιοχές
Πρακτική εφαρμογή
- Mean – median center
Το μάθημα είναι διαρθρωμένο σε έξι ενότητες. Έχει θεωρητικό σκέλος και πρακτική εφαρμογή (με βάση το ArcPro ή /και τη γλώσσα R).
Αναλυτικότερα:
ΕΝΟΤΗΤΑ Α:
Περιγραφή των δεδομένων μέσα από περιγραφική στατιστική. Κατανόηση των δεδομένων και των ειδικών χαρακτηριστικών τους
- Εισαγωγή στη χωρική ανάλυση
- Βασική περιγραφική χωρική στατιστική
Πρακτική εφαρμογή
- Δημιουργία και απεικόνιση ποσοτικών δεδομένων με βάση διαφορετικές συνόψεις – δημιουργία ιστογραμμάτων
ΕΝΟΤΗΤΑ Β:
Διερευνητική ανάλυση χωρικών δεδομένων (exploratory spatial data analysis).
- Περιγραφή, σύνοψη οπτικοποίηση χωρικών κατανομών
- Προσδιορισμός ενοτήτων (clusters)
Πρακτική εφαρμογή
- Δημιουργία θηκογραμμάτων, scatter plots
ΕΝΟΤΗΤΑ Γ:
Διερευνητική χωρική στατιστική (εξήγηση και κατανόηση των αιτιών και των αποτελεσμάτων - ανίχνευση παραγόντων (drivers) για τις αλλαγές)
- Ανάλυση γεωγραφικών κατανομών και σημειακών προτύπων
- Χωρική αυτοσυσχέτιση
- hot – spot περιοχές
Πρακτική εφαρμογή
- Mean – median center
