Course Syllabus
Obiettivi formativi
Acquisire competenze di base nel trattamento e analisi di dati georeferenziati. L'insegnamento si colloca tra le attività dell'area statistica e informatica.
-
Conoscenza e comprensione
Gli studenti acquisiranno conoscenze di base nel campo dei dati geospaziali, includendo concetti fondamentali di cartografia, Sistemi Informativi Geografici (GIS) e tipologie di dati georeferenziati. Il corso pone particolare attenzione alla relazione tra i dati e i sistemi che li generano, introducendo strumenti teorici per la loro gestione e interpretazione. Le applicazioni sono tratte in particolare dall’ambito delle scienze climatiche, con esempi che spaziano dalle osservazioni fisiche alle simulazioni con modelli climatici. -
Conoscenza e capacità di comprensione applicate
Attraverso sessioni pratiche, gli studenti svilupperanno competenze operative nella gestione, visualizzazione e analisi dei dati geospaziali utilizzando il linguaggio Python. Le attività includono esercizi ed esercitazioni che favoriscono l’applicazione di tecniche statistiche e computazionali a dataset reali in ambito climatico. Gli studenti applicheranno strumenti per l’analisi spazio-temporale, test di ipotesi e riconoscimento di pattern, sia in modo guidato che autonomo. -
Autonomia di giudizio
Agli studenti è richiesto di dimostrare capacità di pensiero critico autonomo attraverso lo sviluppo di un progetto individuale finale. Il progetto prevede la selezione di metodi adeguati per l’analisi di dati geospaziali, integrando i concetti presentati durante il corso con tecniche apprese in altri insegnamenti del programma di laurea magistrale. La valutazione della presentazione finale permettera di verificare la capacità di formulare giudizi informati nella progettazione e nell’interpretazione delle analisi di dati geospaziali. -
Abilità comunicative
Gli studenti eserciteranno la capacità di comunicare contenuti tecnici in modo efficace, attraverso la presentazione e discussione del progetto finale. L’esame orale valorizza la capacità di argomentare le scelte metodologiche, interpretare i risultati e discutere problemi relativi all’analisi dei dati. -
Capacità di apprendere
Il corso promuove l’apprendimento autonomo tramite esercitazioni di programmazione e attività progettuali. L’utilizzo di strumenti open-source e dati reali permette agli studenti di sviluppare competenze trasferibili e durature.
Contenuti sintetici
Modulo 1: Introduzione ai dati geospaziali
Modulo 2: Dati da osservazioni nelle sceinze del clima
Modulo 3: Modelli climatici
Modulo 4: Analisi di dati climatici
Modulo 5: Le sfide legate ai cambiamenti climatici
Programma esteso
Le lezioni frontali (2 ore per modulo) descrivono il contesto del campo di applicazione, con particolare attenzione alla relazione tra i dati ed i sistemi fisici che li hanno generati, in modo da fornire agli studenti gli strumenti per la gestione dei dati stessi, a livello teorico.
Le lezioni pratiche (3 ore per modulo) forniscono gli strumenti software per la gestione, visualizzazione e analisi dei dati geospaziali. Il linguaggio di programmazione Python viene utilizzato sia per gli esempi illustrati dal docente, che per gli esercizi individuali o a gruppi proposti agli studenti. Sono previsti brevi assignments da consegnare entro l'ultima settimana del corso (è previsto un malus di 2/30 per ogni assignment non consegnato per tempo).
Nel Modulo 1 si introduce l'argomento dei dati geospaziali, compreso le tipologie dei dati e i concetti di base legati alla cartografia e ai sistemi informativi territoriali.
Nei Moduli 2-4 si trattano esempi e applicazioni tratti dalle scienze del clima. Si presentano diverse tipologie di dati geospaziali, fra cui quelli derivanti da osservazioni del mondo fisico (M2) e quelli prodotti da simulazioni numeriche (M3), ognuno caratterizzato da specifiche caratteristiche e problematiche. In termini di analisi integratata dei dati, vengono introdotte diverse applicazioni che spaziano da semplici test di ipotesi fino al pattern recognition (M4, M5). Nel Modulo 5 è prevista anche la correzione degli assignments.
Prerequisiti
Basi di Python.
Metodi didattici
5 lezioni da 2 ore svolte in modalità erogativa in presenza
5 attività di laboratorio da 3 ore svolte in modalità interattiva in presenza
Modalità di verifica dell'apprendimento
Esame orale: 50% presentazione e discussione del progetto individuale finale, 50% argomenti ed assignments del corso.
La discussione degli esempi pratici visti a lezione e degli assigments (la cui risoluzione sarà stata presentata durante l’ultima lezione del corso) mira a verificare che gli studenti abbiano compreso i passaggi specifici per la soluzione di problemi di analisi e visualizzazione dei dati.
La presentazione e discussione del progetto individuale finale mira a verificare che gli studenti siano in grado di sviluppare autonomamente un’applicazione di analisi dati pertinente alle tematiche del corso, sia applicando metodi visti a lezione, sia integrando nel contesto specifico tecniche acquisite più in generale durante il percorso di studi della laurea magistrale.
Non sono previste prove intermedie, ma la mancata consegna degli assignments in tempo (ultima lezione del modulo) comporterà un malus al punteggio finale (vedi dettagli nella sezione "Programma dettagliato").
Testi di riferimento
Presentazioni del docente; links a paper scientifici e pagine web per approfondimenti. Il materiale viene reso disponibile sulla pagina elearning del corso.
Periodo di erogazione dell'insegnamento
Secondo semestre
Lingua di insegnamento
Inglese
Sustainable Development Goals
Learning objectives
The aim of the module is to enable students to have a basic competence to manage and analyze georeferenced data. The teaching module is part of the offer in the statistics and informatics disciplinary area.
-
Knowledge and Understanding
Students will acquire foundational knowledge in the field of geospatial data, including key concepts related to cartography, Geographic Information Systems (GIS), and types of georeferenced data. The course emphasizes the relationship between data and the systems that generate them, and introduces theoretical tools for managing and interpreting such data. Applications are drawn particularly from climate science, with examples ranging from physical observations to climate model simulations. -
Applied Knowledge and Understanding
Through practical sessions, students will gain hands-on experience in handling, visualizing, and analyzing geospatial data using Python. These sessions include exercises and assignments that support the application of statistical and computational techniques to real-world climate datasets. Students will apply tools for space-time data analysis, hypothesis testing, and pattern recognition in guided and autonomous activities. -
Autonomy of Judgment
Students are expected to demonstrate independent critical thinking through the development of a final individual project. This project requires selecting appropriate methods for analyzing geospatial data, integrating course concepts with techniques learned elsewhere in the master’s program. The final presentation will evaluate students' ability to make informed decisions when designing and interpreting geospatial analyses. -
Communication Skills
Students will practice communicating technical content effectively through the presentation and discussion of their final projects. This oral examination emphasizes the ability to explain methodological choices, interpret results, and engage in discussion about data analysis problems. -
Ability to Learn
The course encourages self-directed learning through coding assignments and project work. By engaging with open-source tools and real data, students develop the capacity to extend their skills beyond the classroom.
Contents
Module 1: Introduction to geospatial data
Module 2: Observational data in climate sciences
Module 3: Climate models
Module 4: Analysis of climate data
Module 5: The challenges of climate change
Detailed program
The frontal lessons (2 hours per module) will present some background on the field of application, with specific attention to the relation between the data and the system that generated them, providing the theoretical tools for their management.
The practical sessions (3 hours per module) will provide the software tools for geospatial data handling, visualization and analysis. Python will be used for examples shown by the teacher and for students individual or group exercises. Small assignments are foreseen, due by the last week of classes (a malus of 2/30 will be applied for every assignmnet not delivered on time).
Module 1 will introduce the topic of geospatial data, including data types, and basic concepts related to cartography and Geographic Information Systems.
In Modules 2-4 examples and applications will be drawn from the domain of climate science. Different geospatial data types will be presented, including from observations of the physical world (M2) and from computer model simulations (M3), each characterized by different features and challenges. Integrated data analysis applications, ranging from simple hypothesis testing to space-time pattern recognition, will be introduced (M4, M5). Correction of the assignments will be carried out in Module 5.
Prerequisites
Basic knowledge of Python.
Teaching methods
5 two-hour lectures (delivered didactics, in person)
5 three-hours laboratory sessions (interactive teaching, in person)
Assessment methods
Oral exam: 50% presentation and discussion of a final individual project, 50% topics and assignments from the course.
The discussion of practical examples and assigments (by then reviewed during the last lesson) aims at verifying the understanding that students have of specific passages for the solution of data analysis and visualization problems.
The presentation and discussion of a final individual project aims at testing the students’ ability to autonomously develop a data analysis application appropriate for the topics of the course, by applying both methods presented in class and techniques acquired elsewhere with the master program in data science.
There are no mid-term tests, but failing to deliver assignments in time (last class of this module) will cause a malus to the final score (see details in section "Detailed program").
Textbooks and Reading Materials
Teacher slides; links to scientific papers and webpages. Distributed via elearning.
Semester
Second semester
Teaching language
English.
