Hejdå see you never

Nämen GUD hej! Klappat och klart. Love it! Kursen är sluuuuuuuuuuut. Nu skriver jag detta igen ganska sent. Kursen har varit givande. Bloggen har varit ett bra sätt att lära sig. Som jag redan tidigare sakt, gillar jag en friare form att skriva. Dock vet jag inte om jag till och med skrivit lite för fritt…

Under kursen blev uppgifterna hela tiden svårare men det var bra att det hela tiden blev mera självständigt, att man påriktigt måste tänka vadman gör och VARFÖR man gör det! Sista kursgången var också bra för att vi fick lära oss hur och varifrån man kan söka databaser online. Man kunde ju nästan börja göra sånhänt frivilligt!

Så sista gången gjorde jag två kartor och använde en databas av terrorattacker runt världen. Databasen var punktformad och väldigt stor. Det var klart att jag måste begränsa datan på något sätt för att kunna påpeka någonting. Men jag är inte helt nöjd med resultatet, för att det blev på ett konstigt sätt blankt. Jag gjorde alltså två kartor (bild 1 och 2), som berättar hur många och vad för vapen man använt i terrorattackerna som hänt i Europa och en del av Amerika. Man kan se att man använt mycket mera skjutvapen än handvapen. Detta kan visa att man har större möjlighet att skaffa sig själv ett skjutvapen i Amerika än i Europa. Dock kan det också handla om andra saker än bara tillgängligheten av vapen.

Bild 1: Vapen som använts under terrorattacker i Amerika
Bild 2: Vapen som använts under terrorattacker i Europa

På kartan av Europa kan vi se kluster av punket till exempel i Irland som troligen beror på konflikten i Nordirland.

 

Som Matti Katajisto sade i sin blogg, var det lättare att hitta ett ämne man ville göra om, men att hitta datan och kunna använda den var svårare. Många sidor var komplicerade och man visste inte riktigt hur man kunde ladda någonting…  Det blev ennu lite oklart hur man kan kombinera databaser och Laura Hynynen hadde hittat bra data till sin blogg om plaståtervinning. Hon hadde väldigt snygga kartor med en klar ”agenda”. I hennes båda kartor hade hon också kombinerat mängden av plasten som återvinns med mängden energi som är ”gjord av” förnybar energi i alla land i Europa. Intressant!!!

Men så då, är det slut. Jag ahr lärt mig väldigt mycket men jag kunde ha ennu LIIIITE mera se en djupare bild med alla arbeten vi gjort. Jag kunde ha analyserat mera och påriktigt haft mera baktanke med allt man gjort. Men det är ju bra att lämna lite space för att kunna bli bättre i framtiden. Med detta slutar jag denna blogg, tack o adjö!

 

KÄLLOR:

Hynynen, Laura. Kotiplaneetan puolesta, kursgång 7. Använt 9.3.2020. https://blogs.helsinki.fi/lauravel/

Katajisto, M. Afrikka, sarvikuonojen maa, kursgång 7. Använt 9.3.2020.https://blogs.helsinki.fi/mattikat/

 

sjätte kursgången ohmy

Tjeeeeena, sjätte kursgången hohojjj. Dock lite sent, hehe. Kommer knappt ihåg vad vi gjorde men ja ska fixa det. Om jag är ärlig väntar jag väääldigt mycket på att kursen är SLUT! KLAPPAT OCH KLART. Men inte ennu. Kursen har varit väldigt givande ändå.

Vi började lektionen med att ladda Epicollect appen på våra telefoner och ta en liten rundtur nära kampuset. Idén var att samla data om områden och hur vi ansåg området att vara (till exempel om vi anser området vara farligt). Appen samlade koorsinaterna på ställena somvi analyserade och detta ledde till att vi fick en punktformad databas som hadde geodata. När vi kom tillbaka till klassen laddade vi upp informationen till Excel och ladda den ner som en csv-fil. Efter det laddade vi datan till QGIS.

Efter det hade vi bakom punktdatan en baskarta, och så kategoriserade vi punkterna så att vi valde en av frågorna, i detta fall ”Anser du området som hur farligt”, och desto mörkare punkten var desto farligare ansåg man området. När vi ser var punkterna ligger märker man att mörkare eller den röda färgen som tyder på att man ansåg omrpdet som farligt, ligger nära stora vägar (bild 1).

Bild 1: Område som är ansedda vara farligare, interpoliserade

Efter det fick vi välja själv att göra kartor om olika hasarder. Vi använde liknande punktformad data. Jag började med att kolla på korrelation mellan jordbävningar och vulkaner. Vi kan se en tydlig korrelation mellan båda (bild 2), vilket kan ge oss många slutsatser. Som ett bra exempel kan man se den kända Eldringen runt Stilla Havet. Denna information kunde man använda till att förstå litosfärplattornas rörelser.  Michaela Söderholm hade i sin blogg under kursgång 6, en fin karta över olika typer av vulkaner. På hennes karta kan man se hurdana vulkaner finns vid olika slags gränser, t.ex. sköldvulkaner finns vid spridningszonerna. På hennes karta (bild 4 i hennes text) kan man se stratovulkanerna vid Asiens östra gräns, alltså vid konvergenszonen pacifiska och eurasiatiska plattan.

Bild 2: Jordbävningar över 7.5 magnitud och vulkaner 1980-2017

Till näst gjorde jag en karta över alla meteoritnedslag på jorden (bild 3). Kartan berättar inte särskilt mycket eftersom meteoritnedslag är långt slumpmässiga. Dock hade Mikko Kangasmaa en väldigt bra poäng i sin blogg om att forskningen för meteoriter inte alls är lika bra än på vissa andra ställen. Som exempel använde han USA där man troligen sätter mer tid och pengar på att undersöka dem än i Antarktis.

Bild 3: Meteoritnedslag i världen

Som tredje karta gjorde jag bara en karta över jordbävningar över 8.0 magnitud mellan 2005-2013. Kartan är märkligt tom, 8.0 magnituds jordbävning är väldigt stor och kraftig och förekommer inte så ofta. På kartan kan vi till exempel se jordbävningen nära Japans östra kust som ledde till Fukushimas nukleära katastrof år 2011. Jag skulle ha kunnat lägga in litosfärplattornas gränser så att man lättare kunde se korrelationen mellan jordbävningarna och gränserna, särskilt när det inte finns så många punkter på kartan. På den första kartan kan man anta var gränserna går.

Bild 4: Jordbävningar över 8.0 magnitud år 2005-2013

Jag tog en bild från nätet som visar aktiva vulkaner (området baserar sig runt eldringen), bilden är uppladdad av  Sarah Krystyna Brown på sidan Researchgate, och här kan man se plattgränserna, om de till exempel konvergerar eller divergerar. Här kan vi tydligt se att det finns speciellt mycket vulkaner vid de konvergerande gränserna.

Bild 5: Plattgränser och vulkaner som varit aktiva ända sen 1900 och aktiva under Holocen.

Till nästa gång!

 

KÄLLOR:

Kangasmaa, Mikko. ”Kenttätöitä ja hasardeja”. Kursgång 6. Läst 28.2.2020. https://blogs.helsinki.fi/kanmikko/

Researchgate. Brown. K. S. Publicerad juli 2015. Läst 28.2.2020. https://www.researchgate.net/figure/Global-map-of-the-distribution-and-status-of-Holocene-volcanoes-as-listed-in-VOTW422_fig4_280714920

Söderholm, M. ”Sjätte kursgången”. Kursgång 6. Läst 28.2.2020. https://blogs.helsinki.fi/micsoder/

 

 

EN BRA DAG!!! (5)

Jag är så jääävla nöjd! Första gången jag påriktigt förstod vad vi höll på med; och jag var messis hela tiden (nästan)! Kaffet höll mig vaken och lektionen gick relativt snabbt. Det var roligt att se hur alla hjälpte varandra. Vi höll på med buffering och olika analyser.  Iden var att få reda på hur mycket och till exempel hurdana människor som bor en viss längd ifrån ett område (till exempel en metrostation) och analysera det. Med buffer verktyget kan vi göra ett område med en radie som vi själv valt med verktyget.

Efter att vi gjort en buffer till ett område, som till exempel Helsingfors-Vanda flygfält, kan vi välja vissa punkter inom området som gjorts med buffer verktyget. På detta sättet kunde vi till exempel få reda på att hur många människor som bor vid området där bullret från flygfältet är över 50db, alltså ett visst område. Så kunde vi också göra lika analyser, som att om flygfältet använder en tillfällig väg till landningsbanan (över Tikkurila), kunde vi räkna hur många som lider av högt buller. Våra resultat kan ses i tabell 1.

Vi gjorde också undersökning av invånare nära tåg- och metostationer. Här kunde man se resultat som var ganska långt förväntade, största delen av människor på huvudstadsregionen bor i närheten av en tåg- eller metrostation. Resultaten kan man se i tabell 2. I uppgift 2 kollade vi andelen människor som bor i tätorter och hur stor andel av dem går i grundskolan. På detta sättet lärde vi oss att använda verktygen buffering, join attributes by location, intersection och också hur man kan utnyttja ”selected features only” för att kunna göra beräkningar med valda områden vilket visade sig vara till stor hjälp. SÅÅÅÅ IN A NUTSHELL:

  1. BEGRÄNSA ett visst område
  2. BUFFER och välj ett objekt och gör en viss storleks radie från objektet
  3. JOIN ATTRIBUTES BY LOCATION och vi väljer datan vi vill ha från buffererade området.
  4. SELECTED FEATURES ONLY så att vi kan se statistiken av den valda datan! Till exempel: Hur många människor som bor på buffererade området.

Till näst gjorde jag den första självständiga uppgiften som handlade om skolor och skoldistrikt. Uppgiften var att undersöka en viss skoldistrikt vid Böle. Våra undersökningsresultat kan man se i tabell 3. När man undersökte andelen invånare i skolålder, kunde man märka att andelen var väldigt liten. Vi kan anta att Helsingin Yhtenäiskoulu är en relativt liten skola i förhållande med andra skolor i Helsingfors. Andelen utländska elever i skolan är endast 6, vilket också är en märkligt liten del. Man kunde ha gjort en jämförelse, men det var svårt eftersom många av distrikten hade flera än en skola inom sig.

Tabell 1: Invånartal nära flygfält

Invånare på området
Malms flygfält (1km radie) 8657
Malms flygfält (2km radie) 56 687
Helsingfors-Vanda flygfält (2km) 10 576
65db och över (H:fors-Vanda) 324 (3,14%)
över 55db 11 913
Tillfällig landningsbana och bullerstörning 27 072

Tabell 2: Invånartal nära tåg- och metrostationer

Invånare på området
500m från en station 106 691
Invånare tillsammans 490 173
Procentuell andel (500m från station) 21,70 %
Invånare i arbetslivet (500m från station) 73 108

 

Tabell 3: Andelar av vissa slags invånare i skoldistriktet

Andelar av invånare på området
Hur många som börjar grundskolan nästa år 14
Högstadie-elever 62
Människor i skolålder (alla i distriktet) 159
Alla invånare i området 1894
Procentuell andel av invånare i skolålder 8,40 %
Elever som är utländska 6

Denna kursgång var skön. Som Pihla Haalpalo och Sonja Nylund sade i sina bloggar, var det väldigt skönt att få sitta en stor del av lektionen helt i lugn och ro och göra uppgifterna i egen takt. På något konstigt sätt fick det mig att djupare förstå vad vi höll på med och det resulterade också till att man inte bara satt och följde efter vad Arttu gjorde på tavlan. Men ennu är det en lång väg att kunna använda programmet BRA på egen hand. Men stora hopp om att vi kommer dit någon dag! TJULILUTTAN vi ses!!!

Anna Nuutinen

KÄLLOR

Haapalo, P. Kädet Ilmaan, (kursgång 5). Använt 17.2.2020. https://blogs.helsinki.fi/haapalop/

Nylund, S. Level 5: Bufferointia, (kursgång 5). Använt 17.2.2020. https://blogs.helsinki.fi/sonysony/

Rasterdata aka KRÅNGEL

Tjuliluttan!

Hej igen, här sitter jag och skriver igen… ca 18h senare. Morgonen började med en stor kopp kaffe, trött var man. Idag gick allt ändå relativt smidigt, men nu när jag försöker göra detta själv blev det… KRÅNGLIGT! Någonting fick jag ändå gjort, nämligen en fin rutkarta som visar den procentuella andelen av människor med annat språk i huvudstadregionen. Men nu ska jag berätta om vad vi gjorde under lektionen!

Iden med lektionen var att lära sig att föra över punktformad data till rutdata. Vår originella data var alltså i punkformat, som innehöll data om olika slags hus vid huvudstadsregionen. Vi måste kunna överföra punktformade datan till rutnötet. Så vigjorde vi ett rutnät för att kunna se datan tydligare. Vi raderade alla onödiga rutor som inte hade några hus alls för att få datan att bli mindre och lättare att hantera. Matti Katajisto hade bra poänger i hans blogg om rutdatan. Till läsaren har det ingen skillnad var husen befinner sig för att kunna uppfatta informationen lättare. Med punkter skulle datan vara mycket mer krångligare att läsa, och därför är det bättre i sådana här situationer att välja rutdata istället.

Efter allt struggel med detta gjorde jag en egen ruttemakarta. Den beskriver hur stor andel som är ”muunkielisiä” i huvudstadsregionen i jämförelse med hela andelen av befolkningen i rutorna. Jag gjorde räkningen procentuellt och så såg kartan ut såhär (bild 1). Man kan se vissa tydliga klungor av mörkare rutor. Det som man också kan märka är de ensamma mörka rutorna lite här och där.

Bild 1: Ruttemakarta på andelen av olikspråkiga i huvudstadsregionen, procentuellt

Klungorna beror på att det till exempel bor mycket invandrare i östra delen av Helsingfors och också vid ”kehäratan”, alltså nära tåget som åker från Helsingfors till Kivistö och Dickursby till Helsingfors. Detta beror dels på segregation, vissa slags bosättningar och andra faktorer. Man måste dock komma ihåg att alla ”muunkieliset” inte är endast invandrare, utan kan också bestå av hushåll där det till exempel finns övriga emigranter, som studerande.

De ensamma mörka rutorna kan bero på att det inte finns mycket bosättning där, men den som finns är dominerad av människor med annat språk. Man kan också se att stadskärnan är ganska ljus, vilket kan tyda på att bostadspriserna är för höga för att en invandrare eller en studerande kunde bosätta sig där. Som Joonatan Reunanen sade i sin blogg, är inga av resultaten egentligen bemärkliga. Reunanen hade gjort en likadan karta som jag, och hade också en bra poäng med att klungorna också beror på stadens regionalpolitik, till exempel kollektivtrafiken.

Till slut började vi med att digitalisera vägr och byggnader i Pornainen för användning i framtiden. Det var ganska jobbigt att klicka på varenda ett hus men som tur kunde vi göra det som punkter och inte polygoner. Dock var det endast början på en uppgift och det finns inte ennu någonting att visa, så ni får troligen se allt  i nästa inlägg! STAY TUNED!

Vi hörs <3 Anna

KÄLLOR:

Katajisto, M. ”Varsinaista Velhoilua”. Använt 7.2.2020. https://blogs.helsinki.fi/mattikat/

Reunanen, J. ”Posilla, vaikka väkisin”. Använt 7.2.2020. https://blogs.helsinki.fi/reunajoo/

 

 

Effektiv användning av databaser

Tja!

Förra kursgången kollade vi igen på databaser och försökte lära oss hur man kan maximera användningen av dem. Ibland har databaser vissa klurigheter som måste fixas före man kan använda den på ett fiffigt sätt. Allt som förklarades gick in från ena örat och ut från det andra, men troligen kommer man ihåg bättre när man skriver och repeterar sakerna… Denna gång hittade vi Afrikas karta som databas, men kartan hade kanske onödigt mycket detaljer…

Vi började med att öppna Afrikas karta som databas. Vissa stater hade hundratals små polygoner, och vår uppgift var att kombinera dem alla till en polygon för att kunna hantera datan på ett fiffigt sätt. Efter det hämtade vi in data via Excel, vilket inte ar så lätt som man skulle tro. Pointen var att lära sig att hämta data i rätt format (i detta fall csv) för att kunna få datan i attributtabellen i QGIS. Som Emma Ward också nämnde i sin blogg, var det viktigt att informationen i tabellen i både Excel och QGIS skulle gå hand i hand.

Så började vi med att hämta in data om var Afrikas diamantgruvor, konfliktområden och oljebelägg finns. Vi undersökte korrelationen med dem, men man kan inte se en så tydlig likhet (se bild 1). Med datan som vi fick via Excel kunde vi undersöka hur mycket internet-användare det finns i Afrika i jämförelse med populationen. Som Pihla Haapalo nämnde i sin blogg, var vissa delar av informationen felaktigt, för att den visa att det skulle finnas 5 gånger så mycket internet-användare i ett land i jämförelse med populationen, vilket ju inte kan stämma. När man märker sådana fel, måste man vara noggrann över informationen man behandlar.

Bild 1: Oljebestånd, diamantgruvor och konfliktområden i Afrika

Man skulle också kunna tänka på om t.ex. konflikter påverkar mängden internet-användare eftersom konflikter ofta påverkar ett lands välstånd och på ett negativt sätt och vice versa, påverkar diamantgruvorna eller oljebestånden områdena på ett positivt sätt, vilket i sig skulle öka mängden internet-användare? Ett intressant ämne att kunna vidare diskuteras.

Till nästa uppgift skulle vi göra en koropletkarta över Finland där vi visade översvämningsindex och mängden sjöar på en och samma karta (se bild 2). Mängden sjöar syns som pelardiagram på kartan. Diagrammen kunde ha hellre varit till exempel bollar, som ett snyggt exempel har Pihla Haapalo gjort det i sin blogg (bild 3 i hennes blogg). Dock blev min karta ändå ganska klar och tydlig eftersom jag reglerade genomskinligheten på pelarna.

Bild 2: Översvämningsindex och mängden sjöar i olika områden i Finland

Som man kan se på kartan, finns det mest översvämningar vid strandlinjen vid västra- och östra Finland. Här finns också mest åar som är kända för att översvämma lättare än sjöar, och därför kan man också se att det finns mindre översvämningar på områden där det inte finns sjöar.

Allt var ganska svårt igen, men mot nya utmaningar säger jag!

xoxo Anna <3

Källor:

Ward Emma. Tredje kursgången. Använt 4.2.2020. https://blogs.helsinki.fi/emmaward/

Haapalo Pihla. Tredje kursgången. Använt 4.2.2020. https://blogs.helsinki.fi/haapalop/

 

 

Förvirringen fortsätter

Tjenis!

Som rubriken säger; förvirringen fortsätter. Filisen från senaste kursgången är ganska blandad. Svåra saker! Jag har trott att jag är bra att lära mig att använda program, och framför allt ibland kanske till och med gissa vad jag ska göra till näst, men det visar sig att det inte är så. Dock fick jag ändå två kartor gjorda, men jag tror att den ena är fel gjord eftersom den har samma värden som den andra, vilket ju inte väl var meningen… Jag försökte alltså göra en karta av skillnaderna mellan ETRS och Robinson men senare förstod jag att värdena var samma som på kartan jag gjorde över felen med Mercators projektion.

Till saken! Under den andra kursgången gick vi igenom bland annat hur man använder olika verktyg för att välja endast vissa områden för att undersökas; annors skulle vi alltid behandla hela databaser vilket vi inte alltid vill göra. Efter det började vi undersöka hur olika kartprojektioner påverkar olika uppgifter när vi gör mätningar.

Bild 1: Ytornas skillnad beskriven genom en koropletkarta mellan Mercators- och ETRS89-TM35FIN:s projektion.

För att visa hur olika projektioner påverkar uppgifterna skulle vi räkna felet (procentuellt) som uppstod när vi använde samma data med olika projektioner. Först laddade vi data med den vanligaste projektionen som vi använder i Finland (ETRS89-TM35FIN) och sedan skulle vi mäta felet till skillnad av Mercators projektion (se bild 1). På kartan kan man se det procentuella felet genom färgerna på kartan. Denna karta  berättar inte ändå problemet i sig själv, öppnar inte kontexten, den bara demonstrerar skillnaden, som också Mikko Kangasmaa konstaterade i sin blogg. Dock tycker jag nog att man ganska lätt kan tolka bilden genom en bra legend och bildtext. Men som man ser har jag inte skrivit till vilken projektion jag jämför Mercators projektion i bild 1, vilket kunde ge felaktig information. Detta kunde jag dock fixa genom att skriva bildtexten ordentligt.

Bild 2: ETRS38-TM35FIN projektion och area på 4159,423km^2
Bild 3: Robinsons- projektion. Skillnaden mellan ETRS89-TM35FIN projektionen och denna är stor, platta formen och skillnaden på ytan är 1718,716 km^2.

När vi gör uppgifter som innehåller olika projektioner är det viktigt att komma ihåg hur mycket de olika projektionerna kan påverka slutresultatet. Detta kan vi se på bild 2 och 3 eftersom ytans storlek har ändrats drsitkst på grumd av ändringen på projektionen. På bild 2 kan vi se ytstorleken på ETRS89-TM35FIN projektionen och på bild 3 samma område valt men med Robinsons projektion som tydligt plattar till och förstorar ytorna till skillnad från ETRS89-TM35FIN projektionen.

I uppgiften där vi räknade ytskillnaderna mellan projektorerna och gjorde en koropletkarta var ganska svår. Jag försökte ennu göra den andra kartan hemma för mig själv men jag fick det aldrig att fungera fastän jag följde instruktionerna väldigt noggrant. Hoppas saker börjar klarna sig!

Till nästa gång! xoxo anna <33333333333

Källor:

Kangasmaa, M. Använt: 27.1.2020, https://blogs.helsinki.fi/kanmikko/

 

 

 

Första lektionen av GEM

Sådär! Så har en ny GIS-kurs startat. Jag gick in på första lektionen utan några förväntningar men med en positiv inställning. Det här med bloggandet känns helt okej, jag gillar att skriva för relativt fri hand. På första lektionen gick vi igenom lite vad kursen innebär, repeterade grunder inom lägesinformation, raster- och vektordata och talade om olika databaser.

Efter att vi fått alla lite tråkigare saker och ting gjorda, började vi med att öppna ett helt nytt program för säkert alla i klassrummet; nämligen QGIS. Vi gick igenom grunderna för användningen av programmet och till slut gjorde vi två uppgifter baserat på datan vi fört in på programmet.

På första kartan hade vi information om hur mycket kväveutsläpp länder runt Östersjön har. Vi hämtade datan av alla kustländer och deras kväveutsläpp, och räknade de relativa utsläppen för alla länder skilt. Efter det kunde man se rödaktiga färger på alla länder, och desto rödare landet är desto mera utsläpp har det. I detta fall kan man se att Polen har de största utsläppen av kväve (se bild 1).

Bild 1: Andelen utsläpp av kväve per land, %.

Efter att vi bekantat oss med att öppna data på programmet, göra kartan, reglera färgerna och skalorna, gjorde vi en annan valfri karta. Jag valde att göra en karta som visar arbetslöshetsgraden i Finland. Arbetslösheten räknas med att räkna den procentuella andelen i en kommun av summan arbetslösa i hela Finland. Tyvärr sparade jag inte kartan och kan inte visa den i detta inlägg. Sorry! Dock har min goda vän Matias Hytti gjort en likadan karta och använt samma data i hans blogginlägg. Länken till hans blogg finns nedanför.

Såja! En bra start på kursen. Ligger på soffan i Suppa och skriver denna text, super skönt. Idag är det onsdag, inte länge kvar till det efterlängtade veckoslutet. Kursen verkar hittils ok, jag har en stark känsla att jag kommer lära mig mycket under kursen!

Till nästa gång, Anna Nuutinen

Källor:

Hytti, M, blogginlägg från kurstillfälle 1, använt 22.1.2020 https://blogs.helsinki.fi/mchytti/