ENVIRONMENTAL DATA ANALYSIS

Il corso fa parte degli insegnamenti fondamentali del Master in Scienze Ambientali (Curriculum in Global Environmental Change). L'analisi quantitativa dei dati è essenziale per le scienze ambientali
e saper utilizzare essa aumenta la nostra comprensione dei processi ambientali.
Questo modulo fornirà una panoramica delle tecniche statistiche e grafiche comunemente utilizzate per l'analisi dei dati ambientali.
Gli studenti avranno l'opportunità di progettare semplici esperimenti, raccogliere e analizzare i propri dati, nonché di analizzare i dati reali forniti da diversi studi di ricerca ambientale.
Inoltre diamo un'introduzione a R, un ambiente statistico e computazionale liberamente disponibile, Tale software è ampiamente utilizzato dagli scienziati di tutto il mondo.
Non è richiesta alcuna esperienza di programmazione prerequisito.

In questo corso gli studenti applicheranno i metodi appresi in un corso base in Statistica per esplorare e rispondere a domande chiave utilizzando i dati in Ecologia e Scienze Ambientali.
In tal modo, gli studenti si confronteranno con la complessità dei dati del mondo reale, imparando e praticando strumenti essenziali per acquisire, trattare e condividere i dati.

* Competenze specifiche

1) Conoscenza elementare del linguaggio di programmazione R e applicazione di esso alla
1.1) visualizzazione di dati
1.2) modellazione di dati

2) Utilizzo di linguaggi Markdown per scrivere un rapporto tecnico

Conoscenza di base della statistica a livello di un corso introduttivo di una triennale (esempio di libro di testo David S. Moore (2013) Statistica di base, Apogeo)

Programmazione in R
Elementi di algebra e analisi in R
Introduzione all'analisi dei dati ambientali.
Analisi esplorativa
Distribuzioni, campionamenti.
Stima
Verifica d'ipotesi
Regressione e correlazione
Analisi della varianza
Statistica non parametrica
Metodi esplorativi per serie temporali
Analisi spettrale

Chandler, R. and Scott, M. (2011). Statistical Methods for Trend Detection and Analysis in the Environmental Sciences. Wiley
Helsel, D.R., Hirsch, R.M., Ryberg, K.R., Archfield, S.A., and Gilroy, E.J., 2020, Statistical Methods in Water Resources: U.S. Geological Survey Techniques and Methods, book 4, chapter A3, 458 p. (https://doi.org/10.3133/tm4A3 )
Dormann, C. (2019) Environmental Data Analysis, Springer
Qian, S.S. (2016) Environmental and Ecological Statistics with R, (2nd ed), CRC press

Materiale addizionale (slides, appunti) saranno distribuiti dal docente

L'esame consiste in una prova direttamente al computer, in cui ogni studente analizzerà un set di dati proposto dal docente, e dovrà anche rispondere ad alcune domande sulla parte metodologica.
Si tratta di un esame a libro chiuso.

Lo studente sarà valutato in termini di
- qualità delle sue analisi statistiche (max 11 points)
- uso corretto della terminologia tecnica (max 11 points)
- conclusioni corrette (max 11 points)

Per stimolare la partecipazione attiva in classe verranno svolti 6 test di 15 minuti ogni due settimane dentro l'orario della lezione Completando le 6 prove è possibile ottenere fino a 3 punti.

Il punteggio massimo della prova scritta è di 33 punti. Il punteggio finale è dato dalla somma del punteggio della prova scritta e del punteggio ottenuto nei test. Un punteggio complessivo che supera o eguaglia i 33 punti corrisponde alla lode.

scritto

Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.

| **Grade** | **Equivalent in %** | **Description** | **Ranking** |
|-----------|---------------------|-----------------------|------------------------|
| 30L (30 e lode) | 97-100% | With honors (cum laude) | Excellent (Eccellente) |
| 30 | 93-96% | Excellent | Eccellente |
| 29 | 90-92% | Very good | Ottimo |
| 28 | 87-89% | Very good | Ottimo |
| 27 | 83-86% | Good | Buono |
| 26 | 80-82% | Good | Buono |
| 25 | 76-79% | Satisfactory | Discreto |
| 24 | 73-75% | Satisfactory | Discreto |
| 23 | 70-72% | Sufficient | Sufficiente |
| 22 | 66-69% | Sufficient | Sufficiente |
| 21 | 63-65% | Pass | Sufficiente |
| 20 | 60-62% | Pass | Sufficiente |
| 19 | 55-59% | Barely passing | Sufficiente |
| 18 | 50-54% | Minimum passing | Sufficiente |
| <18 | Below 50% | Fail | Insufficiente |

Questo corso si basa su lezioni frontali, che copriranno i principali argomenti, sottolineando e discutendo i punti importanti.
Le lezioni teoriche saranno integrate da esercizi e sessioni di laboratorio. Il software statistico utilizzato nel corso è R (www.r-project.org).
La partecipazione personale è importante e aiuterà lo studente a imparare in modo più efficiente per leggere il materiale assegnato per rafforzare le lezioni.
Degli script R da varie fonti possono essere usati per rinforzare il materiale.

La frequenza di ogni lezione e uno sforzo genuino nel fare gli esercizi suggeriti sono due dei fattori più importanti che influenzano la riuscita in questo corso. L'analisi statistica richiede sia l'ascolto che il fare.
L'accesso a Moodle per l'anno accademico 2026-2027 sarà consentito agli studenti che hanno il corso inserito nel proprio piano di studi.
La rischiesta può essere inviata all'indirizzo gaetan@unive.it indicando nome e cognome, numero di matricola e corso di laurea e allegando uno screenshot del piano di studi.