Kursomgång 7: Regional konkurrenskraft i Finland

För den sjunde och sista kursomgången skulle vi själv söka upp data och skapa kartor av fenomen som vi fick välja. I början var det litet krångligt, eftersom det var ganska svårt att komma på vad jag ville analysera för fenomen. Efter att ha sökt efter olika variablar på Statistikcentralens databas Kommunernas nyckeltal, hittade jag en variabel som innehöll data om andelen invånare som arbetar inom sin hemkommun.

Jag bestämde mig att regionalt jämföra andelen som arbetar innanför sin egen kommun, tillsammans med data av hur många invånare kommunerna har, för att försöka se vilka kommuner som har och inte har konkurrenskraft. Min hypotes var att större städer har allmänt en högre andel personer som arbetar i sin hemkommun, jämfört med mindre städer.

Hela Finland

Bild 1. Karta över hela Finland, som visar andelen personer som arbetar inom sin egna kommun, samt diagram för hur många personer bor i kommunen (Statistikcentralen 2018).

Den första kartan jag skapade syns på bild 1. Koropletkartan visar hur många personer procentuellt arbetar inom sin hemkommun, samtidigt som den visar befolkningsmängden för kommunerna med hjälp av cirkeldiagram. Min hypotes stämmer till en viss mån. Man kan se på kartan hur landskapscentren, såsom Rovaniemi, Uleåborg, Kuopio och Villmanstrand, har väldigt höga andelar, medan de mindre kommunerna runtom har en betydligt mindre andel som arbetar inom sin egna kommun. Detta kunde ske p.g.a. det finns mera jobbplatser i städer, vilket betyder att människor ofta pendlar till större kommuner från mindre kommuner.

En sak som överraskade mig var Lappland, där man kan se många kommuner, där en väldigt stor andel arbetar innanför sin kommun. Jag tror att detta beror på att distanserna i Lappland är väldigt stora, så människorna kan egentligen bara arbeta inom sin hemkommun, eftersom de inte kan pendla 200–300 kilometer varje dag. Utöver detta så tycker jag att man kan ganska tydligt se hur större städer har förhållandevis mera invånare som arbetar inom kommunen, jämfört med småkommuner.

Kartan på bild 1 blev ganska lyckad, eftersom färgerna avskiljer bra på de olika grupperna. Trots det är det svårt att analysera områden såsom Nyland, p.g.a. diagrammen för befolkningsmängden täcker mycket. För att kunna bättre analysera på en landskapsnivå, har jag skapat 2 nya kartor på en landskapsnivå med samma data.

Åland och Egentliga Finland

 

Bild 2. Koropletkarta över Egentliga Finland och Åland,  som visar andelen personer som arbetar inom sin egna kommun, samt diagram för hur många personer bor i kommunen (Statistikcentralen 2018).

Kartan på bild 2 visar fortfarande samma fenomen som kartan på bild 1, men nu på ett litet mer läsbart sätt. Jag valde att analysera Åland och Egentliga Finland tillsammans, eftersom de ligger bredvid varandra. Det som man först märker är tydliga centrum för befolkning, där en stor andel av människorna arbetar också innanför sin hemkommun.

De fyra tydligaste är Mariehamn, Åbo, Nystad och Salo. Naturligtvis så är Mariehamn, på grund av sin storlek, den kommun där de flesta människor på Åland arbetar. Även om Mariehamn är liten jämfört till arean av de andra kommuner på Åland, bor ända flesta människor i kommunen eller kring den, vilket förklarar varför många arbetar inom Mariehamn samt pendlar dit.

De små öarna utanför Åland och Åbo däremot har en relativt hög procent av människor som arbetar inom sin hemkommun, troligen p.g.a. nåbarhet och liten befolkningsmängd. Nystad är har en hög andel som arbetar inom kommunen, eftersom det finns t.ex. bilfabriken som anställer mycket människor där. Salo är också ett centrum p.g.a. en stor befolkningsmängd, vilket ofta korrelerar med mera arbetsplatser.

Åbo är det tydligaste exemplet, eftersom i kommunerna kring Åbo arbetar bara under 30% av befolkningen inom sin hemkommun. Åbo är den största och mest betydande staden i Egentliga Finland, vilket förklarar varför så man arbetar i kommunen. Distanserna mellan Åbo och kommunerna utanför är små, vilket tillåter människorna att bo utanför där det finns mera utrymme och var det är billigare, samtidigt som de kan lätt pendla till Åbo för att arbeta.

Nyland

Bild 3. Koropletkarta över Nyland,  som visar andelen personer som arbetar inom sin egna kommun, samt diagram för hur många personer bor i kommunen (Statistikcentralen 2018).

Kartan på bild 3 är skapad på samma sätt som den på bild 2. Jag bestämde mig att numrera kommunerna för att hjälpa läsaren att förstå kartan, samt hjälpa med analysen.

Intressant nog finns det bara 3 kommuner, Helsingfors, Raseborg och Hangö, som tillhör klassen där ca 60-80% av invånarna arbetar inom sin hemkommun. Hangö har troligen en hög andel av invånare som arbetar inom kommunen, eftersom kommunen geografiska läge är isolerat, eftersom kommunen ligger på en udd. Raseborg däremot är en kommun som har en stor svenskspråkig befolkning, vilket betyder att svenskspråkiga arbetsplatser finns inom kommunen. Samma stämmer säkert också för Hangö. Eftersom Raseborg har också en stor areal, kan flesta människor som arbetar i kommunen också bo där. Trots det kan man se skillnader innanför Raseborg, t.ex. att människor pendlar mycket från mindre ställen som Pojo och Tenala, för att arbeta i Ekenäs och Karis.

Helsingfors däremot är det mest tydligaste exemplet i Nyland. Helsingfors har klart den största befolkningen i hela Finland, vilket betyder att det finns mest arbetsplatser där. Man ser tydligt hur människor pendlar till Helsingfors från Esbo, Vanda och Sibbo, fastän Esbo och Vanda har också mycket arbetsplatser. Däremot pendlar människor mycket från Kyrkslätt, Grankulla och Nurmijärvi till Esbo, medan många pendlar till Vanda från Tusby, Kervo och Träskända. Man kan alltså sen en hierarki av var arbetsplatserna finns på Nyland.

Kommunerna såsom Lojo, Lovisa och Borgå har en relativt hög andel som arbetar inom kommunen. Dessa ovannämnda kommuner har också mindre kommuner kring dem, varifrån människor pendlar. Man kan till exempel se att människor från Borgnäs och Askola pendlar in till Borgå.

Slutsats

Utöver de 3 kartor jag skapade och analyserade, kan jag bedöma om min tidigare hypotes stämde. Jag tycker att man kan dra en slutsats av att större kommuner, konkurrerar bättre än mindre kommuner på grund av flera arbetsplatser, vilket också lockar arbetare utanför kommunen. Däremot tar mina kartor inte i beaktande andra faktorer som kunde påverka konkurrenskraften, såsom försörjningskvot eller hur mycket som det investeras i kommunen.

Lotta Sainio hade analyserat både arbetslöshet och inflyttning i hennes blogg. Sainio hade skapat en koropletkarta över Birkaland i samma stil som jag för att presentera fenomenen. Ifall jag skulle ha själv analyserat Birkaland mera noggrant, skulle det ha varit intressant att jämföra min och Sainios karta, för att hitta möjliga trender och likheter, eftersom arbetslöshet hänger ihop med arbetsplatser inom en kommun.

Reflektion över kursen

Det känns som att kursen har gått snabbt, fastän det har krävt mycket arbete och tid för att skapa alla dessa kartor. Jag har själv märkt hur mina kunskaper och färdigheter för att använda QGIS har förbättrats under kursens gång. Jag kan nu använda programmet effektivt och då jag stöter på problem, kan jag lösa dem. Vi har gjort flera olika analyser och använt olika verktyg, vilket har också varit bra för inlärningen.

Källor:

Sainio, L (2022) Mantsailua, Viikko 7: Loppuhuipennus, (hämtad 9.3.2022) länk: https://blogs.helsinki.fi/salotta/

Statistikcentralen (2018) Andelen personer som arbetar i sin bostadskommun, %, (hämtad 4.3.2022) länk: https://pxnet2.stat.fi/PXWeb/pxweb/fi/Kuntien_avainluvut/

Statistikcentralen (2019) Folkmängd, (hämtad 4.3.2022) länk: https://pxnet2.stat.fi/PXWeb/pxweb/fi/Kuntien_avainluvut/

 

Kursomgång 6: Vulkaner och jordbävningar

Datainsamling

I början av kursomgången fick vi gå ut och samla in data med EpiCollect5, vilket är en app, där man kan ladda upp upplägg med geografiska lägen. Iden var att vi skulle bedöma omgivningen med olika kriterier, såsom trygghet, och ge dem vitsord från 1 (väldigt dåligt) – 5 (väldigt bra). Då vi återvände till klassen, laddade vi ner datan och satte den på en karta, vilket vi kunde göra eftersom EpiCollect5 samlade in lägesdata. Sedan interpolerade vi noderna, så att vi fick en karta som visade hur ett fenomen såg ut spatialt, t.ex. var gick det mycket människor och tvärtom. Övningen var givande, eftersom jag lärde mig hur man kan interpolera samt samla in data själv. Nu vidare till huvuduppgiften.

Hasarder

Veckouppgiften den här veckan var att skapa tre olika kartor, med data som vi skulle själv söka och ladda ner från nätet. Kartornas tema var hasarder och syftet var att de skulle användas som läromaterial i skolan. Uppgiften lät intressant, eftersom jag tänker studera till ämneslärare i geografi. Övningen fick mig att tänka ur en annan perspektiv, vilket är något som jag borde lära mig om jag vill bli en lärare.

Det som var krångligast den här gången var att själv ladda ner materialet, fastän vi hade redan länken till nätsidorna. Med tanke på nästa kursomgång, då vi måste självständigt söka det material vi behöver, är detta en bra övning. En annan sak jag märkte var att kartorna skulle både vara informativa men också sådana som eleverna kunde förstå.

Ali Ylikoski hade skapat utmärkta kartor i sin blogg, som t.o.m. innehöll gränserna för litosfärplattorna. Jag tycker också att stilen som Ylikoski använde för att göra legenden var fin, eftersom legenden inte lades direkt på kartan. Jag bestämde mig för att tillämpa samma idéer i mina egna kartor.

 

 

 

 

 

 

 

 

Bild 1. Alla meteoriter som har hittats i världen, OBS. inte meteoritkratrar (data: Nasa, 2018).

Syftet med kartan på bild 1, var att visa eleverna hur meteoriter har hittats från närmare alla ställen på jorden. Som en lärare kunde jag fråga eleverna varför man inte har hittat meteoriter i Amazonas eller Sibirien, medan man har hittat väldigt många i USA samt Europa. Förklaringen skulle vara att man har inte kunnat forska t.ex. Amazonas lika mycket Europa eller USA, p.g.a. terrängen och nåbarheten. Poängen är att förvisa hur meteoriterna är sporadiskt utspridda och att de inte följer några mönster.

 

 

 

 

 

 

 

 

Bild 2. Karta över jordbävningarna (2,5-6,8 magnitud) som har skett under senaste 30 dagarna (data: USGS, 2022).

Bild 3. Jordbävningar (över 5 magnitud) som har skett under första halvan av 2019  (ECHO, 2019).

Kartorna på bild 2 och 3 visar båda jordbävningar. Bild 2 visar jordbävningar, mellan 2,5 och 6,8 magnitud under en månad, samt gränserna för tektoniska plattorna (. Jag tycker att kartan jag skapade kunde fungera bra som läromedel, eftersom den är tillräckligt lätt att förstå. Kartan visar bra hur jordbävningar sker kring gränserna till tektoniska plattor. Jag tycker att plattgränserna är litet för noggranna på vissa ställen, något som kunde förenklas.

Kartan på bild 3 däremot är mera noggrann, men ändå ganska lätt att förstå. Kartan kunde också användas som undervisningsmaterial, fastän den innehåller litet för mycket information. Kartan innehåller t.ex. data om tsunamier och dödsfall, vilka kunde vara nyttigt för gymnasieundervisning. Man kan se att jordbävningarna sker ungefär på samma ställen på bägge kartorna, med några undantag. Båda två skulle fungera bra som undervisningsmaterial, speciellt den som var skapad av ECHO. Man kunde tillägga saker till min egna karta, såsom platsnamn och information av skador.

 

 

 

 

 

 

 

 

Bild 4. Karta över världens aktiva vulkaner (minst ett utbrott efter år 1964) (data: NOAA, NCEI, 2002).

Bild 5. Världens aktiva vulkaner i Google Earth (data: NOAA, NCEI, 2002).

Bild 4 är en karta som visar världens aktiva vulkaner, samt litosfärplattgränserna. Kartan kan bra kombineras med kartan över jordbävningarna, för att visa eleverna hur plattektoniken hänger ihop med båda två fenomenen. Som lärare kunde man fråga eleverna varför det finns aktiva vulkaner på ställen som inte ligger vid plattgränser (t.ex. Hawaii).

Bild 5 visar samma vulkaner som på bild 4, däremot på Google Earth. Google Earth fungerar bra som läromedel, eftersom vulkanerna visas på ett klot, istället för en karta. På det sättet får eleverna en bättre bild av var vulkanerna finns i verkligheten. Google Earth kunde tillämpas till att visa andra fenomen, såsom sjöar och bergskedjor.

 

Källor:

Ylikoski, A (2022) Alin geoinformatiikkablogi, Kurssikerta 6: Sään ääri-ilmiöitä ja maanjäristyksiä (hämtad 2.3.2022) länk: https://blogs.helsinki.fi/alingeoinformatiikka/

European Civil Protection and Humanitarian Aid Operations (2019) Earthquakes Global Overview, 1 January – 5 June 2019 (hämtad 2.3.2021) Länk: https://reliefweb.int/map/world/earthquakes-global-overview-1-january-5-june-2019-emergency-response-coordination-centre

 

 

Kursomgång 5: Buffert-analyser

Uppgift 1.

Tabell 1. Svar till uppgift 1.

 

Bild 1. Visualiseringen av flygbullerområdet (60db), som uppstår då flygplanen landar från en avvikande riktning.

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.

Bild 2. Visualisering av bostadsområdena i Helsingfors, Esbo och Vanda, OBS stroleken av Vallberget och Myrbacka på bilden, är inte exakt rätt i förhållande till de andra.

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.

Bild 3. Koropletkarta över mängden simbassänger i bostäder kring huvudstadregionen.

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/

Kursomgång 4: Rutnätsanalyser är roliga

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.

 

Bild 1. Antalet svenskspråkiga i huvudstadsregionen, 1km x 1km rutor.

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.

 

Bild 2. Antalet svenskspråkiga i huvudstadsregionen, 1km x 1km rutor, med tydliga kommungränser.

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.

Bild 3. Befolkningsrutor i huvudstadsregionen, där det bor 100 eller flera svenskspråkiga, samt totalt 500 eller flera invånare, 1km x 1km.

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/

 

Kursomgång 3: Karta på karta

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.

Bild 1. Karta över Afrika, som innehåller information om den geografiska utbredningen av diamantgruvor, konflikter och oljefynd.

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.

Bild 2. Avrinningsområdenas flödesindex (skillnaden mellan hög-/ lågvattenföring), med information om hur stor andel av områdena täcks av sjöar.

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/

Kursomgång 2: Kartprojektion och mera QGIS

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.

Bild 1. Storleksskillnaden (%) av kommuner, då man jämför Mercator-projektionen med ETRS-TM35FIN

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.

Bild 2. Storleksskillnaden (%) av kommuner, då man jämför Natural Earth-projektionen med ETRS-TM35FIN

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

 

Kursomgång 1: QGIS och fina kartor

Inledning

Kursen ”Geoinformatiikan menetelmät” började med en kort presentation, som handlade ganska långt om repetition om teman såsom raster- och vektordata. Detta var något som jag kände till från förr, fastän repetition är alltid nyttigt. Därefter började vi  skapa en karta på programmet QGIS. QGIS var bekant åt mig från tidigare, eftersom jag använde den i en kurs under första perioden. Trots det så tog det en stund före man kunde använda programmet smidigt, eftersom väldigt mycket var fortfarande nytt åt mig. Det är intressant att lära sig använda olika slags program och jag gillade att jag kunde igen skapa en egen karta.

Då vi började skapa kartan, följde vi bara det som läraren gjorde på sin dator. Arbetssättet, var man följer olika steg, tycker jag att fungerade bra för mig. Jag hann bra med och fick allting gjort rätt i slutet. Jag hade dock några små problem då jag gjorde uppgiften, vilka uppståd då jag stannade upp på ett visst steg för länge. Detta ledde till att jag blev efter och måste själv hitta på lösningen. Kanske det kan vara bra ibland att hitta ett sätt att göra något själv. Något som jag tycker att jag borde bli bättre på, är att försöka förstå bättre det jag gör, istället för att bara kopiera det som läraren gör som en slags ”checklista”. Om jag skulle lägga mera tid på att förstå vad jag gör och varför, skulle jag i framtiden säkert dra nytta av det. Läraren gav oss bra tips på hur man skall använda programmet, såsom hur man kunde lättare ändra på ett objekts färg. Jag märke under uppgiftens gång att jag inte behärskade QGIS än, vilket jag vill bli bättre på under kursens gång.

Karta över Östersjön

Bild 1. Koropletkarta över Östersjöländernas kväveutsläpp i andelar.

Bild 1 visar en karta över Norra Europa, mer noggrannare Östersjöområdet. Kartans uppgift är att visa hur stora andelar av kväveutsläpp olika länder kring Östersjön har. Detta visas i form av en koropletkarta, där ljusa färger visar länder med mindre andelar, medan väldigt mörka färger antyder höga kväveutsläpp. Jag är ganska nöjd med slutsprodukten, eftersom kartan är tydlig och uppfyller sin uppgift. Norrpilen och skalan fick jag också med. Jag är dock inte helt nöjd med hur starkt alla sjöar syns, en detalj som inte är viktig för kartans ändamål. En annan sak på min karta som jag inte är nöjd med var att Estland hamnade i sin egna klass med vit färg istället för röd. Legenden är jag dock nöjd med, eftersom allting finns med och den är lätt att förstå.

Tia-Maria Liljeroos hade skapat en fin karta i hennes blogginlägg, vilken gav mig ideér på hur jag kunde ha gjort min egna karta bättre. Liljeroos hade använt sig av bara 3 olika grupper och färger för att visa ländernas kväveutsläppsandelar, vilket gjorde kartan lättare att förstå. Det kunde ha också löst problemet jag hade med att Estland hamnade i sin egna grupp. När jag granskade Liljeroos karta, märke jag också att färgerna var mycket trevligare än mina. I framtiden försöker jag ta i hänsyn bättre hur färgerna får kartan att se ut.

Då man analyserar kartan kan man tydligt se att Polen är mest ansvarig för kväveutsläppen i Östersjön. Sverige och Ryssland tillhör den näst största gruppen. Finland och Latvien finns i den mellersta gruppen, vilken har nästa lika stora andelar av kväveutsläpp som gruppen med Ryssland. I den näst minsta gruppen finns Tyskland och Litauen, vilka verkar vara mindre ”skyldiga” än andra länder på grund av deras ljusa färg. Man måste dock minnas att t.ex. Tyskland kan ha utsläpp som var nära Finlands mängd. Estland har den minsta utsläppsmängden. En möjlig orsak till att t.ex. Sverige har så höga utsläpp jämfört med Tyskland, är att Sverige har en större kustlinje.

Jag läste om kvävets effekter på Östersjöns ekosystem från artikeln Övergödning,  som publicerades av Havet.Nu. I artikeln står det att den största källan för t.ex. kväveutsläpp är jord- och skogsbruk. En hög mängd kväve leder tyvärr till övergödsel i Östersjön, vilket ökar mängden cyanobakterier,. Cyanobakterier, eller blågröna alger, är dåliga för ekosystemet, eftersom de ökar mängden näring ytterligen. Övergödning orsakar också en ökad mängd av t.ex. växtplankton, vilket kan leda till syrefria bottnar på grund av minskad nedbrytning (Havet.Nu).

Hemuppgift

Bild 2. Svenskpråkigas andel (%) i kommuner, 2015. Ruotsinkielisten osuus (%) kunnissa, 2015.

Som hemuppgift hade vi att skapa en koropletkarta utav färdig statistik. Jag tycker att hemuppgiften var nyttig, eftersom den fick mig att tänka efter och repetera hur man skapade en karta på QGIS. Processen var nu mycket lättare och snabbare, eftersom jag hade redan tidigare skapat en karta med samma metod. Jag behövde inte följa lika noggrant instruktionerna, eftersom jag kunde redan flera saker, såsom att dela datan i olika klasser. 

Kartan på bild 2 blev mera lyckad än den på bild 1. Jag tycker att färgerna är klarare, samt klassernas storlekar visar bättre verkligheten. Kartan på bild 2 har mindre onödigt information, vilket gör den lättare att läsa. Färgskalan är också lyckad, eftersom den skiljer tydligt på klasserna. 

På bild 2 ser man vilka kommuner har den största andelen av svenskspråkiga i Finland. Man kan se kluster av svenskspråkiga vid kusten, mera noggrant vid Österbotten, Nyland, Åland och Åbo skärgård. Innanför Nyland ser man skillnader mellan hur svenskspråkiga kommunerna är. Som exempel har Helsingfors och Esbo bara en svenskspråkig befolkning på 4-18%. Västra- och Östra Nyland är starkare svenskspråkiga än Helsingforsregionen. Åland syns mörkast, eftersom svenskan är majoritetsspråket. I Österbotten ser man att de kommuner som är starkast svenskspråkiga ligger utanför Vasa, som är mindre svenskspråkig. Kommunerna som har en svenskspråkig majoritet, är allmänt ganska små. Intressant nog finns det mest svenskspråkiga i  Helsingfors och Esbo, fastän andelen är relativt liten.

 

Källor:

Havet.Nu (red. 2021) Övergödning. (Hämtad 26.1.2022), från webbsidan: https://www.havet.nu/overgodning-

Liljeroos, T.M. (2022) Tiitun Gisreissu, viikko 1: Jostain on aloitettava (Hämtad 26.1.2022), från webbsidan: https://blogs.helsinki.fi/litili/