Month: March 2021

Tusen tack för en bra och intressant kurs Arttu!

Förberedelse

Inför den här sista kursgången skulle vi själv förbereda vårt material som vi ville använda. Vi fick själva leta rätt på kartor, material och statistik på precis vad som helst som vi kunde framställa med QGIS. Många använde hela världsdelar, t.ex. Sandra Nystöm och Kasper Mickos, men jag bestämde mig för att hålla mig mitt hemland kärt och experimentera på Finlands kommunala nivå.

Mitt arbete

Som material har jag då alltså valt Finlands kommunala gränser, population i kommunerna, tätortsgraden och ett trafikdata över hur många kollisioner som skett med bil som fordon.

Min första karta som jag producerade föreställer därmed andelen allvarliga bilkollisioner i förhållande till invånarantalet per kommun (bild 1). För att få fram kollisionsandelen så började jag jobba med att dela antalet allvarliga kollisioner med invånarantalet i varje kommun. Det som gav problem var mest de mer simpla sakerna som att försöka flytta data från ett “layer” till ett annat. Jag tror jag förlorade ett helt präktigt antal timmar på att försöka få kolumnen med kollisioner från mitt trafikdata till kommundatat men efter många svordomar så lyckades det och jag kunde utvinna det jag ville få fram.

Det som lite ännu också får mig att fundera på hur bra min första karta är (bild 1) är att ställen där jag skulle ha antagit att andelen krockar skulle varit stort inte alls visar sig vara speciellt utmärkande. Jag trodde att huvudstadsområdet eller de kommuner med stora städer (Tammerfors, Jyväskylä, Lahtis osv.) skulle ha ett större antal bilkollisioner.

Jag har funderat ut ett par förklaringar till varför mina kartor (bild 1 och bild 2) ser ut som de gör. Den mest sannolika orsaken är att procenten blir mycket högre i kommuner där det inte finns så mycket människor, vilket ju är ganska logiskt eftersom om en kommun har 100 invånare och det sker 20 krockar så är ju andelen 20% medan om en kommun har 10 000 invånare och 200 krockar så är andelen bara 2%. Visserligen så borde ju antalet kollisioner öka i mer tätt bebodda kommuner men t.ex. i Helsingfors där det bor över 600 000 personer men alla har ju inte en bil. Nå oberoende så gjorde jag också en karta som närmare visar norra Finland med kollisionsadelen given i procent på kartan (bild 2). Vad man också bör lägga märke till är att andelen är väldigt låg oberoende var man befinner sig. Majoriteten av värdena ligger under 20% så siffrorna är inte speciellt höga då datat tar i beaktande alla sorters allvarliga kollisioner, vare sig det är mellan flera bilister, utkörningar eller djurkrockar.

Bild 1: Bilkollisioners andel i förhållande med invånarantal i varje kommun (%), 2019

Tätorter och krockar

Efter att jag tillverkat min första karta så fick jag idén att ta reda på om tätortsgraden kan ge en bidragande förklaring till varför vissa kommuner har en högre krockprocent än andra kommuner (bild 3). Igen en gång var svårigheten att föra över data från en layer till en annan och med mild irritation så fick jag arbetet avklarat och igen en gång tycker jag att mitt resultat blev helt annorlunda än vad jag förväntat mig. Datat visar en rolig trend där antalet krockar verkar öka då tätortsgraden sjunker. Kort och koncist: personer som bor på landsbygden verkar vara sämre chaufförer än personer som bor i tätorter, eller rättare sagt så förekommer det fler kollisioner i kommuner med lägre tätortsgrad. Datat visar ju inte vem som körde eller varifrån kusken kom ifrån, bara var olyckan skett.

Trenden är ändå intressant men om den är helt verklighetstroende är svårt att säga. Antagligen så blir resultaten lite dumma eftersom jag valt att jämföra krockar med individantal från första början. Jag skulle kanske ha bordat laga en “heatmap” istället för att man bättre skulle kunna urskilja var det sker mest olyckor men det blev hur det blev.

Avslut

Det här var alltså den sista kursgången i det här givande ämnet som kallas geoinformatikens metoder. Det här har varit en mycket bra och intressant kurs. Antagligen så gillade jag den här kursen också lika mycket som “tiedon esittäminen maantieteessä” kurssen för att den innehöll så mycket datoranvändning, och jag gillar att syssla med datorer. Det som jag fortfarande lite saknar med den här kursen är övning. En del saker känns ännu ganska svåra när det kommer till att försöka manipulera och redigera mina attributtabeller, speciellt då jag vill försöka flytta data från en attributtabell till en annan men det är väl bara så att man måste lära sig det bättre på egen hand.

Källor:

Tilastokeskus, Kuntien avainluvut 1987-2019, hämtad 29.3.2021: https://pxnet2.stat.fi/PXWeb/pxweb/fi/Kuntien_avainluvut/Kuntien_avainluvut__2021/kuntien_avainluvut_2021_aikasarja.px/?rxid=444223df-f91c-4479-891f-5dcd50b983d2

Tilastokeskus, Tieliikenneonnettomuuksissa kuolleet ja loukkaantuneet alueittain tienkäyttäjäryhmän, iän ja sukupuolen mukaan vuosina 2003-2021, Hämtad 29.3.2021: https://tieliikenneonnettomuudet.stat.fi/PXWeb/pxweb/fi/Tieliikenneonnettomuudet/Tieliikenneonnettomuudet__1_Tienkayttajat/010_tienk_tau_101.px/

Sandra Nyströms blogg, hämtad 29.3.2021: https://blogs.helsinki.fi/nystroms/2021/03/05/seitsemas-ja-viimeinen-kurssikerta/

Kasper Mickos blogg, hämtad 29.3.2021: https://blogs.helsinki.fi/kmickos/2021/03/08/kurssiviikko-7-on-tamakin-s-tyomaa/

Interpolation

Den här kursgången började med att vi använde oss av data som samlats insamlats av kursen deltagare, mestadels från Helsingfors. Det data vi använde oss av var trygghet på en skala 1-5 där 1 är otrygg och 5 är trygg. Vi Interpolerade ett passligt stort område så att alla datapunkter rymdes med och på det sättet skapade vi en sort “heat map” över helsingfors (Bild 1). Interpolering är en av de lättare verktygen som inte kräver alldeles för svåra funktioner för att använda, 5/5.

Hasarder

Till följande började vi med lektionens verkliga uppgifter som gick ut på att använda oss av olika data från webben över olika hasarder (jordbävningar, tsunamier, vulkanutbrott) och av dem framställa kartor som man skulle kunna använda inom undervisningen (Bild 2-5).

Det var inte så svårt att söka data eftersom webbsidorna USGS och NCEI är ganska lätta att navigera. Man bara väljer vilken typ av hasard man vill kolla upp och definierar variabler enligt eget tycke, t.ex. år, plats eller status. Datat laddades ned antingen som .csv eller .tsv filer vilket betyder att man måste vara lite extra noggrann då man för in datat i QGIS. Man måste välja koordinater och se till att man använder sig av rätt avskiljare (komma, punkt, semikolon, etc.) för att skapa rätt data. Efter det är allt ganska “smooth sailing” och man kan redigera datat hur man vill för att framställa t.ex. en karta över hur jordbävningar och tsunamier korrelerar mellan åren 2000 och 2021 (Bild 2).

Aningen besvärligt ännu är att få QGIS att lyda när man vill få fram specifikt data med många variabler som endast jordbävningar mellan åren 2000-2021 av en minsta magnitud av 7 och sedan kombinera det datat med vulkanutbrott (Bild 3). Jag lagade inte själv desto fler och mer invecklade variabler men om man har kunskapen så kan man i princip jämföra vad som helst. Aino Schulz lagade väldigt bra kartor med olika variabler som magnituder, dödsoffer och positionering.

Som en liten bonus gjorde jag en karta över några olika typer av vulkaner som haft utbrott (eruption) i Sydostasien för att jag tyckte det såg fint ut (Bild 4).

Källor:

Aino Schulz blogg, hämtad 3.3.2021: https://blogs.helsinki.fi/scsc/2021/03/01/24-2-2021-maa-202-luento-ja-itsenaistehtava/

USGS, science for a changing wordl, Earthquake Hazards Program: https://earthquake.usgs.gov/earthquakes/search/

NCEI, National Centers for Enviromental Information, Natural Hazards: https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-data?region=13#