Kuukausi: helmikuu 2022

Uppgift 1.

Tabell 1. Svar till uppgift 1.

 

Den första uppgiften, vilken bestod av 3 olika delar, gjorde jag halvägs klart under föreläsningen. Eftersom vi hade övat på hur man gör buffertanalyser under lektionen, var det relativt lätt att börja. Jag lärde mig också under lektionen hur man kan välja t.ex. alla hus som är innanför buffern lätt, vilket gjorde hela processen snabbare. Jag lyckades bra med uppgiften, men det tog en stund före jag kunde jobba effektivt. Jag räknade t.ex. ihop summan av alla klasser som lagg mellan 15 år och 60-64 år, vilket tog en onödigt lång tid, eftersom jag inte fann ett bättre sätt.

I Miia Mattilas blogg, Geoinformatiikan menetelmiä harjoittelemassa, hade Mattila skapat fina och färggranna tabeller, vilket var inspirationen för hur jag skapade mina. Jag tycker att sättet som Mattila presenterade sina resultat var bra, eftersom det var lättförståerligt och tydligt, utan att vara för överdrivet.

Extrauppgift.

Tabell 2. Svar till extrauppgiften.

Extrauppgiften låt intressant, så jag bestämde mig för att göra den. Slutresultatet visar, att det är svårt att hitta ett område (i norra Huvudstadsregionen i varje fall),  som skulle vara lika tätbebott som det planerade bostadsområdet på Malms-Flygplats. De två områden vilka var närmast Malms-flygplats befolkningstäthet, var Myrbacka och Gårdsbacka. Jag skulle kunna tänka mig att det finns väldigt tätbebodda områden i Helsingfors centrum, men tyvärr hade jag inte tillgång till material över området, då jag gjorde analysen. 25000 invånare på ett så litet område, låter möjligt ändå, fastän det kan vara en överoptimistisk prognos.

Uppgift 2.

Tabell 3. Svar till uppgift 2.

I uppgift 2 använde jag ungefär samma metoder som i den första, fastän jag behövde igen litet tillämpa.  Jag stötte också på några besvär, såsom att datan innehöll fel. Det krävde ganska mycket tid och strid, men slutligen förståd jag hur jag kunde lösa det. Jag stötte också på ett problem, där det stod att det fanns närmare 50000 områden, vilket jag lyckades lösa. Buffertanalysen var redan bekant i det här skedet, så efter att jag fixade datan lyckades jag få svaren ganska lätt.

Uppgift 3.

Tabell 4. Svar till uppgift 3.

Man ser tydligt i tabell 4, hur det finns en bastu i nästan en fjärdedel av alla bostäder i huvudstadsregionen. Däremot har mycket färre bostäder simbassänger, med totalt 885. Det är inte överraskande att det finns mest bastun i egnahemshus.

Ronja Sonninen hade skapat en karta i hennes blog Ronjan GIS-blogi, i samma stil som jag senare gjorde, eftersom jag inser att Sonninens karta var lyckad. Det var också litet oklart först hur kartan skulle se ut i slutet, men det blev klart för mig då jag såg Sonninens karta. 

Jag är ganska nöjd med kartan jag skapade, även om den kunde vara bättre. Nu efteråt tycker jag att legenden för staplarna syns dåligt på grund av den ljusa färgen och tunna symbolerna. Jag kunde inte hitta en bättre lösning, så tyvärr blev resultatet sådan. Jag valde att själv skapa två röda polygoner på områdena som hade fel i datan, så att de skulle synnas bättre. Jag valde att använda en litet genomskinlig färg, för att visa var finns t.ex. havsområden, men det gör samtidigt kartan mera oklar.

Reflektion över mina QGIS-kunskaper

Mina kunskaper för tillfället är helt okej, med tanke på att jag har nu använt QGIS i två kurser. Det finns ännu mycket för mig att lära, fastän vissa verktyg finns redan i muskelminnet, såsom Select objects by location samt verktygen med vilka man tillägger lager till projektet. Jag inser att de grundläggande kunskaperna jag har lärt mig är kommer att vara nyttiga i framtiden också, fästan jag borde bli bättre på att använda t.ex. Field calculator-verktyget.

Data med luckor i sig har varit något som har varit ett problem, speciellt då man försöker göra analyser. Detta synliggjordes för mig i uppgift 1, då man skulle räkna hur många invånare bor inom 500 m från en tågstation. Vissa stationer skapade buffertzoner, som täkte half noder med hus, samt ett område som var helt och hållet tomt. Jag lärde mig litet hur man hittar och filtrerar bort felen, något som jag tror är en viktig kunskap. QGIS är fortfarande ganska svårt att använda och navigera, vilket leder till att jag arbetar långsammare än vad jag kunde. Jag tror ändå att jag blir skickligare desto mera jag använder programmet.

Källor:

Mattila, M (2022), Geoinformatiikan menetelmiä harjoittelemassa, GIS-itsenäistymistä. (Hämtad 25.2.2022) Länk: https://blogs.helsinki.fi/mcmiia/

Sonninen, R (2022), Ronjan GIS-blogi, tiedon-analysointia (Hämtad 25.2.2022) Länk: https://blogs.helsinki.fi/sronja/

Den fjärde kursomgången började först med att vi laddade ner materialet för uppgiften, vilken bestod av bl.a. kommungränser, strandlinjer, sjöar samt noder för enskilda bostadshus.

Vår uppgift var att skapa ett rutnät ovanpå materialet, så att vi skulle kunna analysera var människorna bor. Vi använde oss av verktygen ”Vector Grid”, för att göra rutnätet. Eftersom vi själv ritade rutnätet på materialet, fanns det naturligtvis rutor där ingen bor. För att lösa detta använde vi ”Select by location”-verktyget, för att välja de rutor som innehåller bostadsnoder, varefter vi sparade resultatet. Slutligen använde vi ”Join attributes by location” till att överföra datan från de enskilda noderna till rutorna. Voilà.

 

Den första kartan som jag skapade syns på bild 1. Kartan är slutresultatet av det vi gjorde under lektionen. Jag är nöjd med slutprodukten, fastän jag hade litet problem med att få färgerna att se bra ut. Min tanke var att använda grönt för området med inga invånare, men det blev krångligt då färgskalan innehöll två klasser med grön färg. Lösningen var att jag använde än väldigt stark grön, som inte kanske ser värst fint ut, men fungerar bra på att visa tydligt var ingen bor. Förutom den är jag nöjd med resultatet.

Tuomas Hartikainen hade skapat en fin karta i sin blogg Maa-gis-ta Menoa, där han hade inkluderat en kolumn i legenden för områden med inga invånare, vilket jag sedan tillade till min egna karta.

På bild 1 ser man hur svenskspråkiga befolkningen är utspridd i huvudstadsregionen. Man ser tydligt hur de rutor med mest svenskspråkiga finns i Helsingfors centrum, samt litet norrut om centrumet. Man kan också se ett par orangea rutor kring Grankulla. Man kan ser tydligt hur de flesta svenskspråkiga bor kring södra Esbo och Helsingfors, där det finns naturligt också mera människor än i norr. Man kan också se en möjlig koncentration kring ringvägarna, vilket skulle ha kunnats analyseras bra med att tillägga vägnät till kartan.

Katariina Karvinen hade tillagt vägnätet till sin karta i hennes fjärde blogginlägg, något som jag tycker att möjliggjort en bättre analys av den spatiala uppdelningen. Med hjälp av vägnätet, ser man tydligt hur bebyggelse och väger hänger ihop. Karvinen nämnde också bra hur t.ex. industriområden och icke-bostadsområden kräver vägar, vilket förklarar vägarna i områden där ingen bor.

 

Kartan på bild 2 är, enligt mig, än bättre version av den första kartan. Skillnaden mellan kartorna är att på bild 2 syns kommungränserna tydligt, vilket hjälper vid analys. Kartan innehåller inte samma gröna backgrundfärg, vilket gör den tydligare.

Nu kan man se hur mycket flera svenskspråkiga det bor i Grankulla, Esbo och Helsingfors, jämfört med Vanda. Grankulla syns nu också tydligare som ett slags centrum för svenskspråkiga. Andra liknande koncentrationer syns t.ex. vid Mattliden i södra Esbo samt Helsingfors centrum. Man måste dock minnas att, fastän det ser ut som om det inte bor många svenskspråkiga, den svenskspråkiga befolkningen är bara mera utspridd, i t.ex. norra Esbo.

Kartan på bild 3 var skapad för att synliggöra koncentrationen av den svenskspråkiga befolkningen bättre. Resultatet blev bra, men samtidigt tänker jag på andra sätt jag kunde ha gjort, t.ex. att visa andelar av svenskspråkiga istället. Likväl fungerar denna karta tillräckligt bra för en analys.

Nu ser man ännu tydligare hur små koncentrationer av svenskspråkiga det finns i Vanda. Nu ser man också tydligare hur många svenskspråkiga bor kring de ”centrum” jag talade om tidigare, såsom Grankulla och Helsingfors centrum. Ett sätt som kunde använde för att delvis förklara denna spridning är placeringen av skolor. Jag vet från egna erfarenheter att det finns 4 svenskspråkiga grundskolor med högstadier innanför Esbo. De finns i Esbo centrum, Mattliden, Sököviken och Grankulla, vilket korrelerar litet med den svenskspråkiga befolkningen.

Man måste minnas att min karta visar rutor med en befolkning på minst 500 personer och minst 100 svenskspråkiga, så naturligt utesluter den flera svenskspråkiga från mindre områden, där andelen kunde var hög.

Miia Mattila hade använt sig av en karta som visade den relativa andelen av utländska befolkningen i huvudstadsregionen. Jag tycker att kartan fungerar väldigt bra som ett verktyg för analys, speciellt då man jämför den med en karta som visar antal. Jag tänker mig att man skulle ha kunnat sett mera koncentrationer av svenskspråkiga på mindre ställen, såsom Köklax i västra Esbo.

Källor:

Hartikainen, T, (2022) Maa-gis-ta menoa, 4. Kurssikerta (hämtad 18.2.2022) länk: https://blogs.helsinki.fi/tuomhart/

Karvinen, K (2022) Katariinan Blogi, Rasteri ja Vektoriaineistoja (Hämtad 19.2.2020) länk: https://blogs.helsinki.fi/karvkata/2022/02/09/rasteri-ja-vektoriaineistoja/

Mattila, M (2022) Geoinformatiikan menetelmiä harjoittelemassa, Ruudut ja rasterit (hämtad 19.2.2022) https://blogs.helsinki.fi/mcmiia/

 

Kartan över Afrika

Den tredje kursomgången började med att vi skulle producera en karta över Afrika. Materialet var oanvändbart först, eftersom den räknade varje öpolygon som ett eget objekt. Vi måste alltså lägga ihop (dissolve-funktionen) alla polygoner av ett land, så att materialet fungerade till våra ändamål. En annan sak som var nytt var att hämta data från t.ex. Excel. Utöver detta var mycket av det vi gjorde repetition, vilket är alltid nyttigt.

Slutresultatet blev ganska bra enligt mig. Färgerna och legenden är tillräckligt klara för att vem som helst kunde förstå vad som visas med kartan. Det fanns mycket data över t.ex. diamantgruvorna, där det står när man hittade diamanterna och när gruvan öppnades. Materialet innehåller också data av internet-användare år 2000 och år 2020 i länderna.

Man kunde göra ett flertal av analyser med mängden data som finns. Som exempel kunde man studera, om mängden diamantgruvor och olja i ett land korrelerar med långvariga konflikter. Därefter kunde man bedöma om konflikterna har påverkat ökningen av mängden internet-användare. I flesta fall kan se ett samband mellan konflikter och t.ex. diamantgruvor, men man måste minnas att det finns också andra faktorer som påverkar detta. Jessika Isomeri nämnde detta i hennes blogg, vilket jag tycker är väldigt viktigt att komma ihåg då man gör en holistisk analys.

Hemuppgift

Efter att vi hade gjort kartan över Afrika, skulle vi tillämpa det vi lärde oss pånytt. Uppgiften var att skapa en karta över Finland, som visar den regionala flödesindexen. Kartan skulle också innehålla staplar, som skulle visa, förhållandevis, hur stor andel av ytan var sjöar.

Fastän det var inte länge sedan jag skapade kartan över Afrika, behövde jag läsa intruktionerna om då och då. Efter en timme av repetition och kamp med att få datan att fungera, började kartan ta form. Jag lade märke på att jag börjar kunna bättre och bättre använda QGIS, eftersom jag vet vilka verktyg jag skall använda. Jag stöter inte längre på samma problem, såsom fel i datan, på grund av att jag har lärt mig att undvika dem.

Kartan på bild 2, blev ganska lyckad. Det krävde en del tid, men slutligen fick jag färgerna att passa bra. Jag hade litet problem med sjöarnas andel i legenden, något som jag är inte så nöjd med. Jessika Isomeri hade gjort sin legend bra, eftersom den visade maximala värdet av sjöarnas andel. Utöver detta tycker jag att kartan fungerar bra.

Bild 2 visar olika avrinningsområdens flödesindex, vilket är ett värde som är förhållandet mellan högvattenföringen  (översvämmning) och lågvattenföringen (torrperiod). Kartan innehåller också staplar, vilka förvisar sjöarnas andel av totala arean av avrinningsområdet. Den största andelen har Vuoksi, i östra Finland, med 19,8% procent. Man kan se att flesta områden med de högsta andelarna av sjöar finns i inlandet, speciellt i norra Lappland och östra Finland, med några undantag. Flesta områden kring kusten har en mindre andel sjöar, samtidigt som flödesindexen är allmänt högre. Områden med högsta flödesindexen finns i södra Finland. Detta betyder att skillnaden mellan torrperioden och extrema förhållanden är väldigt stor. Detta berättar dock inte direkt om översvämningsrisken i områden, eftersom man bör ta i beaktande t.ex. topografin och jordmånen. Man kan dock se en korrelation mellan flödesindexet och andelen av sjöar, fastän det inte kan talas om kausalitet.

Källor:

Isomeri, Jessika (2022) Jessikan GIS-hurvittelut, Viikko 3- Tietokantojen tulva (hämtad 11.2.2022), länk: https://blogs-test.it.helsinki.fi/jessikangishurvittelut/

Vi började lektionen med att öva på hur man använder olika verktyg i QGIS. Vi övade bl.a- att mäta areor samt sträckor på kartlagret. Poängen var att jämföra skillnaderna mellan verkligheten (som fås då man mäter med inställningen ellipsoidal) och olika kartprojektioner.

Jeanette Hatanpää hade gjort en fin tabell i sin blogg, vilken visade skillnaden av areor och distanser, då man jämför verkligheten med olika projektioner. Jag bestämde mig att också göra en, eftersom jag tycker att det var ett bra sätt att visa resultaten.

	Ellipsoidal (verklighet)	ETRS-TM35FIN	Mercator	Azimuthal equidistant	Cylindrical Equal Area
Sträcka, km	494.524	494.450	1086.879	598.337	1086.262
Area, km²	22902.409	20797.795	113147.041	27407.827	22790.604
Sträcka %	100%	99.985 %	219.783 %	120.993 %	219.658 %
Area %	100%	90.811 %	494.040 %	119.672 %	99.512 %

Tabell 1: Samma sträcka och area i olika kartprojektioner, jämfört med verkligheten

Då man studerar tabell 1, ser man att ETRS-TM35 projektionen motsvarar mest verkligheten, medan Mercator avviker mest.  Cylindrical Equal Area- projektionen motsvarar väldigt noggrant verkliga arean, medan sträckan är 119% större än verkligheten. Azimuthal equidistant avviker med ca 20% i båda spalterna, trots att den längdriktig (sträckorna har rätt längd). Man måste ta i beaktande att alla projektioner, förutom ETRS-TM35FIN, använder sig av en koordinatsystem som täcker hela världen, medan TM35FIN använder en som täcker europa.

På bild 1 ser man hur mycket större (%) kommunerna i Finland är i Mercator-projektionen jämfört med TM35-FIN. Eftersom Finland ligger långt ifrån ekvatorn, förvrängs hela landets storlek. Skillnader inom landet blir också enorma, eftersom Finland är ett långt land. Storleksskillnaden är naturligt minst i södra delarna av landet (ca 4 %), medan de mest nordliga delarna är förhållandevis 2 gånger så stora än vad de sydligaste delarna är (ca 8%). På själva kartan kan man se hur Finland blir tydligt större ju mera norrut man kommer.

På bild 2 ser man hur mycket större (%) kommunerna i Finland är i Natural earth-projektionen, då man jämför med TM35-FIN. Natural Earth- projektionen motsvarar klart mera verkligheten än vad Mercator-projektionen gör, eftersom storleksskillnaderna är små. Fastän Natural Earth ökar storleken på kommunerna med ca 1,3-1,6%, är skillnaden mellan klasserna små, vilket betyder att storleken hålls förhållandevis ganska lika. Natural Earth projektionen är pseudocylindrisk och en kompromiss mellan en vinkel- och ytriktig karta, där ingenting motsvarar exakt verkligheten. Kartan används som en världskarta. Areor förvrängs ju längre man kommer från ekvatorn, medan vinklarna förvrängs när man närmar kanterna av kartan (Esri).

Källor:

Esri, Natural Earth. (hämtad 2.2.2022), från webbsidan: https://pro.arcgis.com/en/pro-app/latest/help/mapping/properties/natural-earth.htm

Hatanpää, J (2022) Fiilis on gis, QGIS, jo viikon vanha ystäväni…(hämtad 2.2.2022), från webbsidan:  https://blogs.helsinki.fi/hatanjea/?lang=en