Month: February 2020

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).

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.

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.

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.

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.

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/

 

 

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/

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.

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.

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/