TILS600 Spatial Data Analysis (4 cr)

Study level:
Advanced studies
Grading scale:
0-5
Language:
Finnish
Responsible organisation:
Department of Mathematics and Statistics
Curriculum periods:
2017-2018, 2018-2019, 2019-2020

Description

Sisältö

1. Johdanto - Spatiaalinen data, spatiaaliset mallit, kysymyksenasetteluja, spatiaalisen riippuvuuden hyödyt ja "haitat" 2. Jatkuvaparametrinen satunnaiskenttä - Satunnaiskenttä, Semivariogrammin estimointi, empiirinen semivariogrammi vs. kvariogrammi, variogrammimallin sovitus, aggregointi 3. Spatiaalinen otanta - Spatiaaliset otanta-asetelmat, keskiarvon estimointi, otantavirhe, otantavirheen estimointi, sekamallisähestymistapa, koealaotanta 4. Spatiaalinen interpolointi - Ongelmanasettelu, kriging, esimerkkejä krigingistä 5. Gaussisen satunnaiskentän simulointi - Choleskyn hajoitelman käyttö, spektraalimenetelmä, kääntyvän nauhan menetelmä, ehdollinen simulointi 6. Alueellinen data ja diskreetit satunnaiskentät - Alueellinen data, riippuvuusluvut, mallinnuksen esihistoria-gravitaatiomalli, simultaaninen autoregressio, ehdollinen autoregressio-Markovin kentät 3. Gaussisen satunnaiskentän simulointi. 4. Spatiaalinen otanta. 5. Alueellinen data ja satunnaiskentät 6. Hierarkkiset alueelliset mallit.

Suoritustavat

Harjoitukset, harjoitustyö ja kurssitentti tai kurssin lopputentti.
Suoritustavat ovat tarkemmin opetusohjelmasssa.

Arviointiperusteet

Arviointiin vaikuttavat menestys kurssitentissä ja mahdollisesti aktiivisuus harjoitustehtävien tms. tekemisessä sekä harjoitustyöstä suoriutuminen.
Kurssin lopputentissä hyväksyttyyn suoritukseen vaaditaan yleensä vähintään puolet tentin maksimipisteistä.
Opetusohjelmassa on tarkemmat arviointiperusteet.

Learning outcomes

Kurssin menestyksellisesti suorittanut:
- ymmärtää spatiaalisen datan erityispiirteet, erityisesti spatiaalisen riippuvuuden,
- tuntee Gaussisen satunnaiskentän perusteoriaa ja simulointimenetelmiä,
- osaa käyttää geostatistiikan työkaluja kuten variogrammia ja interpolointia,
- osaa käyttää spatiaalisen otannan perusmenetelmiä virhearvionti mukaanlukien
- osaa käyttää aluetilastotieteen malleja (Markovin kentät)

Description of prerequisites

Esitiedoiksi oletetaan Todennäköisyyslaskenta 1 ja 2 kurssin asioiden hyvä hallinta sekä valmius R-ohjelmiston käyttöön. Hyödyllisiksi edeltäviksi opinnoiksi katsotaan Aikasarja-analyysi tai Stokastiset mallit tai vastaavan kurssin asioiden hallinta.

Completion methods

Method 1

Select all marked parts
Parts of the completion methods
x
Unpublished assessment item