Sista kursgången

Förhandsgjort arbete

Kursens sista och överlägset mest skrämmande test var att göra en karta på egen hand med material och data som samlats.
Hade verkligen svårt att bestämma mig för vilket material jag skulle ladda ner för att kunna producera en karta på egen hand. I ett skede lutade det åt luftkvaliteten i metropoler i USA och jag laddade till och med ner de (superstora) .csv-filer som kunde ha hjälpt mig, men märkte snabbt att de var för svåra att tolka.
Mitt andra alternativ var att se hur utbildningssiffrorna skiljer sig i delstater på olika håll i USA. Jag markerade till och med ut California, New York, North Dakota och Texas för att välja de största städerna inom dem och jämföra mina resultat sinsemellan. Det här visade sig också gå över mina kunskaper och jag tvingades inse fakta – USA var för svårt.
Så jag fortsatte söka och efter en stund slog det mig att jag kanske på något sett kunde hitta data inom ett ämne som intresserar mig. Då valde jag att se på hur olika sjukdomar är utspridna i Afrika för tillfället. Om det här finns det en hel del information på internet, bland annat Unicef och WHO hade bra information. Det svåra var ändå att hitta precis det jag behövde (något som inte är lätt i den oändliga öppna information på internet). TIll sist fick jag fram data och kunde ladda ner det jag ville i .csv-format. Kartan över Afrika hade jag från kursgång 3, så den passade superbra till dagens uppgift.
Jag har under veckoslutet jobbat mycket med QGIS och faktiskt tyckt om det, bortsett från gångerna när programmet craschade för tionde gången.
Tabellerna gav mig ändå lite problem då den .csv-tabell jag laddat ner inte ville formateras rätt så jag kunde genom Join-funktionen sammanföra den information till Afrika-kartan. Tack vare internet och Arttu lyckades jag ändå fixa det och fick gjort en karta över malariautspridningen i Afrika.

Producerat material

Bild 1. Malariaspridningen i Afrika år 2017. (WHO, 2017)

Malariasjukdomen sprids av myggor i tropiska och subtropiska områden och leder ofta i afrikanska länder till döden. Läget har dock blivit bättre tack vare myggnät, bättre behandling och statistik över områden där sjukdomen förekommer (Folkhälsomyndigheten, 2018). Kartan visar tydligt att Burkina Faso, Nigeria och Uganda har stora antal drabbade invånare. (Bild 1).

Bild 2. HIV-smittade i medeltal per land i Afrika 2017. (WHO, 2017)

En annan vanlig, och tyvärr också dödlig, sjukdom i Afrika är HIV som förorsakar nedsatt immunförsvar och sprids t.ex. via oskyddat samlag eller via kontakt med en smittad persons blod (THL, 2016).
På kartan syns att en stor del av Afrika är drabbat av HIV och speciellt i Sydafrika och t.ex. Nigeria kan man se ett högre medeltal (Bild 2). Siffrorna är alltså bara medeltal räknade för varje land och är därför så avrundade.

Bild 3. Dödsfall på grund av kolera 2016. (WHO, 2016)

Den sista sjukdomen jag valde var kolera. Det är en mycket smittsam magtarmssjukdom som förorsakas av en bakterie. Diarré och kräkningar förorsakar farlig vätskebrist som, speciellt för barn, kan leda till döden på grund av bristfällig behandling (Läkare utan gränser, 2018). Kolerautbrott blir dessutom ofta epidemier som sprids speciellt efter katastrofer som skett i områden där hygienförhållandena är dåliga.
På kartan (Bild 3) syns att Somalia, Sydsudan, Kenya och Nigeria haft de flesta dödsfall på grund av kolera. Över lag har koleradödsfallen år 2015 varit ganska koncentrerat  till mellersta Afrika.

Bild 4. Procentandel av invånare med möjlighet till handtvätt i sitt hem år 2015. (WHO, 2015)

Jag hittade intressant data över hur många invånare procentuellt har möjlighet att tvätta händerna hemma (från 2015) och då man jämför de båda kartorna kan man se att procenterna är låga i centrala Afrika som t.ex. i Etiopien (1%). Det förvånade mig att över 50% på Madagascar har tillgång till bas handhygien. Dessutom kan man konstatera att procenterna varierar över hela kontinenten, då Egypten, Algeriet och Tunisien har procenter över 80. Det beror i och för sig antagligen på deras läge närmare Europa och Mellanöstern där förhållanden är bättre och de påverkas av dem.

På kartorna  saknas enstaka länders data då jag antingen missat dem när jag filtrerat data eller så saknas data för just det landet.

Slutsatser om kursen

Den här kursen har varit en av de mest intensiva och krävande, men samtidigt en av de mest lärorika. Jag tycker att det vi lärt oss verkligen är sådant man har nytta av i framtiden och hoppas på att jag kommer kunna uppehålla mina nyinlärda kunskaper med hjälp av QGIS på min egen dator. Knappast kommer jag sitta på min lediga tid och fixa karta efter karta, men ibland kan det vara roligt och kanske till och med aningen avkopplande(???) att bara koncentrera sig på en och samma sak. Plus att det känns roligt att kunna något som antagligen ingen av mina icke-geografiska kompisar kan 😉

Källor:
GHO (2017), http://apps.who.int/gho/data/node.main.A1364?lang=en läst 26.2.2019
GHO (2017), http://apps.who.int/gho/data/node.main.620?lang=en läst 26.2.2019
GHO (2016), http://apps.who.int/gho/data/node.main.176?lang=en läst 26.2.2019
GHO (2015), http://apps.who.int/gho/data/view.main.WSHHYGIENEv?lang=en läst 26.2.2019
Folkhälsomyndigheten (2018), https://www.folkhalsomyndigheten.se/smittskydd-beredskap/smittsamma-sjukdomar/malaria/ läst 26.2.2019
THL (2016), https://thl.fi/sv/web/infektionssjukdomar/sjukdomar-och-mikrober/virussjukdomar/hiv läst 26.2.2019
Läkare utan gränser (2018), https://lakareutangranser.se/vart-arbete/arbetsomraden/kolera läst 26.2.2019

Epicollect5 och CSV-data

Föreläsningen

Vi började med en datainsamlingsuppgift ute i cirka en timme, där vi skulle använda oss av Epicollect5 – en applikation som kan användas med t.ex. telefonen. Uppgiften gick ut på att vi skulle besöka 5-10 ställen från vilka vi skulle samla koordinater och besvara några korta frågor (som till mesta dels handlade om var och ens egen uppfattning om platsen). Då alla väl samlats igen i dataklassen, såg vi tillsammans på det samlade data (Bild 1). Det omvandlades också till .csv-form för att användas i QGIS. Där såg man spridningen på de samlade punkterna och åsikterna om var och en plats. Den fråga vi gick mer utförligt igenom var hur man upplevde säkerheten på platsen (Bild 2).

Bild 1. Utspridningen av platserna som sparats.
Bild 2. De grönaste punkterna symboliserar stark känsla av säkerhet och de röda stark känsla av osäkerhet.

Som en snabbt dragen slutsats kan man konstatera att de flesta upplevde Gumtäkt och Arabiastranden som relativt trygga områden, medan fler upplevde områden kring Sörnäs som mindre trygga.

Producerat material

På egen hand skulle tre kartor över naturhasarder produceras. Jag valde att göra en karta över jordbävningsdata från åren 1901-1909, 2001-2009 och 2010-2018.

Bild 3. Jordbävningar 2010-2018. (USGS, 2019).
Bild 4. Jordbävningar 2010-2018 och 2001-2009 (USGS, 2019)
Bild 5. Jordbävningar från alla tre tidsintervaller. (USGS, 2019)

Det är tydligt att mängden stora (6,0-9,0 magnitud) jordbävningar ökat under denna tid. En drastisk skillnad syns mellan 1901 och 2018.
Över lag har jordbävningarna skett kring Stilla havets Eldring – ett område som där litosfärplattor möts och därför skapar massa spänningar som frigörs som jordbävningar. Av samma orsak är tsunamin vanliga i dessa områden.
Jag tycker ändå det var intressant att se hur jordbävningarna i början av 1900-talet var relativt koncentrerade till kontinenterna, medan de senare jordbävningarna skett i stort sett mesta dels till havs.

Källor:
U.S Geological Survey (2019); Earthquake Hazards Program – Search Earthquake Catalog, https://earthquake.usgs.gov/earthquakes/search/ läst 25.2.2019

Övning ger färdighet – eller?

Föreläsningen

Den femte veckan saknade teoridel och istället fick vi snabbt sätta igång med relativt självständigt arbete. Veckans tema var ändå buffering och analysering av resultat. Genom att se på ett utmarkerat område i Borgnäs skulle vi med hjälp av bufferingverktyget räkna ut bland annat hur många hus som finns inom en radie på 100 m från de största vägarna inom området. I ett material över flygplatserna och olika stationer inom Helsingfors och Vanda, var det möjligt att få fram hur många människor som påverkas av ljudet från olika flygplatser inom olika radier (Bild 1).

Bild 1. Flygljudets spridning kring områden runt om Helsingfors Malm flygfält. Det ljusare området är en radie på 1 km och den mörkare 2 km.

De egna övningarna som skulle göras fick jag kämpa med. Genom att buffering-verktyget gjorde jag radier för att kunna undersöka hur många invånare som bor i det området och som utsätts för oljudet från flygplatsen. (Tabell 1)

Tabell 1. Invånare inom olika radier och hur många som påverkas av flygplatsens aktivitet.
Förutom bosatta människor nära flygfält, undersökte jag också hur många människor som bor inom ett avstånd på 500 m från tåg- eller metrostationer (Tabell 2). Det här kan vara bra att veta när man planerar en eventuell flytt till området.

Tabell 2. Människor bosatta inom 500 m från tåg- eller metrostationer inom huvudstadsregionen.
Följande uppgift var att ta reda på hur många som bor i tätorter och barnens andel i tätorter (Tabell 3).

Tabell 3. Statistik över tätorter.
Det var sedan dags att göra en egen vald uppgift. Jag valde, precis som Susanna och många fler, uppgiften som handlade om simbassänger och bastun inom huvudstadsregionen (Tabell 4).

Bild 1. Simbassängernas utspridning inom HR.

Tabell 4. Statistik över simbassänger inom huvudstadsregionen och i vilka slags byggnader de finns.
På kartan är simbassängerna utmärkta inom huvudstadregionen och mängden per stadsdel kan bero på majoriteten bostadsform inom området. I Tabell 4 kan redan ses att det finns en tydlig ökning i antalet simbassänger i egnahemshus jämfört med hög- eller radhus. Det kan exempelvis bero på att husbolaget förbjuder simbassäng på den gemensamma gården vid höghus (Ekman, 2014).

Bild 2. Utplacerade simbassänger i HR. På kartan syns att Drumsö har de flesta simbassänger.

 

Bild 3. En tydligare karta över utspridningen av simbassänger. Drumsö, Västra Baggböle och Marudden sticker tydligt ut i mängden.

Tabell 5. Statistik över bastun inom huvudstadsregionen.


Mina tabeller är delvis ofullständiga eftersom jag inte förstod hur man skulle få fram de olika uppgifterna.

Hur känns QGIS för tillfället?

Visst, QGIS har blivit lättare att använda ju mer uppgifter jag gjort, men fortfarande tycker jag att jag måste göra det mesta med hjälp av instruktionerna eller fråga någon annan kursdeltagare. Jag skulle gärna innan kursen är slut kunna känna att jag verkligen kan använda programmets basfunktioner relativt bra och att jag har förstått hur och varför man gjort på ett visst sätt.
Som Elina tycker jag att attributtabellerna och deras funktion är mest klart. Det går snabbt att lägga till och ta bort kolumner och jag kan bra se i vilken form data som matas in i en ny kolumn ska vara, t.ex. heltal eller decimaltal. Att markera enligt värde eller med hjälp av en ekvation känns också bra, men att kombinera olika funktioner eller räkna ut/visa många saker på en gång krånglar till det för mig. Det känns nästan som att jag inte förstår vad som ska kombineras med vad eller vilka funktioner som är möjliga alternativ för att få fram rätt resultat. Jag vet inte riktigt hur jag ska lösa det problemet, men kanske det bara hjälper att försöka om och om igen. Eventuellt kunde jag lägga mer tid på att lära mig, men man blir också lite småtokig när QGIS-programmet hemma crashar om och om igen..

Källor:
Huhtinen, Elina (2019); Viikko 5 – puskurivyöhykkeitä ja itsenäisiä tehtäviä. https://blogs.helsinki.fi/huhelina/2019/02/18/viikko-5/ läst 18.2.2019
Kukkavuori, Susanna (2019); Spatiaalisesta kyselystä. https://blogs.helsinki.fi/kukkasus/2019/02/22/spatiaalisesta-kyselysta/ läst 24.2.2019
Ekman, Mirva (2014); Uima-allasta takapihalla ei voi kieltää mahdollisten häiriöiden pelossa. https://yle.fi/uutiset/3-7368866

 

Punkt- och rutmaterial i QGIS

Föreläsningen

Dagens tema var punkt- och rutdata och olika sätt att använda dem. Följande stycke är en kort sammafattning med information från PP:n vi såg på.
Punktdata är den noggrannaste geografiska information som finns och kan användas för att samla information om en massa olika objekt genom exempelvis laserskanning. Exempel på punktdata är t.ex. byggnader eller djurobservationer.
Rutdata är ett sätt att samla in material över stora områden och delas in i olika rutor där det samlas in mer data. Rutorna kan ha olika storlekar, men det är vanligt med 250mx250m eller 1kmx1km. En nackdel med rutdata är att det är dyrt och finns sällan som gratis data.

Teoridelen kändes rätt bra och jag hängde med lite bättre än senast.
Nästa steg var att använda oss av raster- och vektormaterial i QGIS. Vi började med ett ganska oklart vektorpaket över huvudstadsregionen som skulle ordnas upp för att vi sedan kunde lägga till data och analysera resultaten. Den här delen gick helt okej delvis, men imellan åt tappade jag bort mig och fattade knappt vad vi höll på mig. En basic QGIS-timme för mig alltså 😀
AH! Fick dessutom förklaring till en del av mina problem hemma med QGIS – jag har laddat en lite för ny version (QGIS3) och den skiljer sig allt för mycket från den vi har på universitetet, så Arttu sa att det lönar sig att ladda ner en äldre version, så nu har jag lyckats ladda ner den rätta och kan äntligen göra samma saker hemma som på universitetet. Hade förra veckoslutet tänkt att jag skulle ha övat på samma övning vi gjorde förra tisdagen, men hela min Vektormeny fattades och med hjälp av internet försökte jag fixa problemet, men det vägrade fungera. Nu är jag i alla fall back on track!

Producerat material

På vektorlagren som fanns (sjöar, havet, strandlinje och kommungränser) sattes ett punkdatalager med information om alla hus och byggnader inom huvudstadsområdet (Helsingfors, Vanda, Esbo och Grankulla). Husen var representerade som punkter och attributtabellen var rätt så stor och invecklad. Vi skapade ett vektorrutnät över området där rutorna var 1km x 1km och sammanförde punktdata till rutnätet för att skapa en temakarta. Jag valde att göra min över de svenskspråkigas utbredning inom det här området (Bild 1). På kartan syns det att det bor svenskspråkiga i så gott som hela området, men ju längre mot kusten man kommer, desto tätare är de packade. I Grankulla (det lilla området inne i Esbo kommun) finns det något mer koncentrerad svenskspråkig befolkning än i Esbo och Vanda. Samma sak gäller stadsdelar i Helsingfors som t.ex. Drumsö, Kampen, Tölö och Ulrikasborg.  I Drumsö byggs det mycket nytt för tillfället och det lockar till sig befolkning, däribland svenskspråkiga. Dessutom har man sett att tjänster som dagis eller skolor påverkar var man bosätter sig och därför kan en svenskspråkig befolkning bli rätt koncentrerad kring områden där det finns dessa tjänster. (Småros, 2018). I Vanda och norra Esbo finns det mindre eller ingen svenskspråkig befolkning alls.
Den här uppgiften kändes ganska bra och jag tycker att den visuellt är helt okej. Kanske lite tråkiga färger, men den visar tydligt det den ska och det är det viktiga. Rutnätet fungerar enligt mig helt okej att visa utbredningen av något visst fenomen, men på en karta som den här ser det lite klumpigt ut på vissa ställen, t.ex. där rutorna går över kommungränsen, men det kan hända att det är något man egentligen kan fixa. Informationen kommer tydligt fram med hjälp av olika färgnyanser och på så sätt går det både enkelt och snabbt för läsaren att få en uppfattning om informationen på kartan.

Bild 1. Den svenskspråkiga befolkningens utbredning inom huvudstadsregionen.

Uppgiften som skulle göras hemma handlade (ifall jag förstod rätt) om att jämföra höjdkurvor över ett område med ett annat material av höjdkurvor. Jag valde att jobba med Borgnäs (samma material som vi använde under föreläsningen) och jämförde med material jag laddat från Paituli som producerats av Lantmäteriverket.

Bild 2. Höjdkurvor i brunt från materialet över Borgnäs gjorda genom QGIS och höjdkurvor i svart från Lantmäteriverkets kartblad L4322.

Skillnaderna är inte så stora, i allmänhet kan man se att båda höjdkurvorna följer rätt samma spår, men Lantmäteriverkets (svarta) är lite mer generaliserade (Bild 2, 3). I de andra finns det mer detalj och småkurvor, medan Lantmäteriverkets är mer raka. Jag tror precis som Kirsi att det inte är nödvändigt i en grundkarta att visa så pass detaljerade höjdkurvor som dem man själv la till i QGIS. De svarta höjdkurvorna har ändå gjorts så att de visar mer höjd än de bruna, vilket syns tydligt då man ser att de svarta går tätare också mot mitten.

Bild 3. Höjdkurvor i brunt från materialet över Borgnäs gjorda genom QGIS och höjdkurvor i svart från Lantmäteriverkets kartblad L4322.

Källor:
Småros, Staffan (2018); Här bor de svenskspråkiga i Helsingfors – Se hur det ser ut i ditt område. Hufvudstadsbladet, https://www.hbl.fi/artikel/har-bor-de-svensksprakiga-i-helsingfors-se-hur-det-ser-ut-i-ditt-omrade/ läst 7.2.2019
Paituli; nerladdningsservice, https://avaa.tdata.fi/web/paituli/latauspalvelu, använt 8.2.2019
Ylinen, Kirsi (2019); Rastereita korkeuskäyriä rastereita korkeuskäyriä rastereita. https://blogs.helsinki.fi/yxkirsi/2019/02/04/rastereita-korkeuskayria-rastereita-korkeuskayria-rastereita/ läst 8.2.2019

 

Afrika-övning och översvämningsindex

Föreläsningen

Så gott som genast satt vi igång med QGIS, vilket kändes behövligt. Under föregående vecka hade jag ett love-hate-förhållande med QGIS för att det imellan gick superbra, men imellan så kom jag ingenstans och satt bara och klickade som en galning på alla knappar för att hitta rätta funktioner. Det positiva var ändå jag lärde mig vissa saker utantill för att jag måste göra om dem så många gånger…

Den här veckans kursövning gick i alla fall ut på att fortsättningsvis lära oss att hantera olika data och nu också sätta ihop dem till en och samma. Vi arbetade med en karta över Afrika där attributtabellen skulle städas upp och olika polygoner skulle sammanföras. Som tidigare gick det ganska bra att apa Arttu som en robot, men på något sätt tror jag att en del också fastnade.
Förutom shapefiler med konflikt- och oljeborrningsområden och diamantgruvor , fick vi också en Excel-tabell över internetanvändare som exporterades till en csv-fil för att  kunna utnyttjas i QGIS. I det här skede förstod jag i praktiken hur det fungerar med en gemensam faktor mellan data som ska sammanföras (vi lärde oss det här i MAA-104) och i detta fall kunde man se att namnkolumnerna kunde fungera som den faktorn.
När all information var presenterad på karta, kunde man analysera den. Precis som Saaga, tror jag att man kan se sambandet mellan konflikter och mängden internetanvändare genom analysering och dessutom se områdets utveckling i förhållande till konflikterna. Det finns antagligen också ett samband mellan diamantgruvorna eller oljeborrningarna och konflikterna eftersom både diamanter och olja är eftertraktade varor runt om i världen. Diamanterna fungerar dessutom som ett finansieringssätt för både arméer och rebellorganisationer i Afrika och på det här sättet bidrar de till att konflikterna i Afrika fortsätter (Britannica, 2011).
Övningen gick helt okej, mot slutet kändes den lite mer oklar men över lag hängde jag med. Annat kan man säga om vår självständiga övning…

Producerat material

Som tur gjorde jag och Tuuli tillsammans den självständiga uppgiften där vi skulle använda material över Finland. Vi skulle genom att sammanföra data producera en karta där vi hade räknat ut ett översvämningsindex för sjöarna i Finland. Med hjälp av hög- och lågvattenföringen kunde vi räkna ut den data som fattades och sedan sammanföra dem så de kunde visualiseras.
Uppgiften kändes ganska invecklad och det mesta måste jag be Tuuli förklara för att jag tyckte det verka så oklart. Till sist (efter att QGIS kraschat ett antal gånger) fick vi ändå producerat det vi skulle (Bild 1), men precis som Amelia och Kirsi, kändes det som att kartan inte blev så visuellt bra trots att man försökte pröva många olika färgkombinationer. Kan ha berott på att strandlinjematerialet inte skilde sig från havet, så bakgrunden blev mer bara som en enda råddig färgklimp som inte kunde vara för svag eller för stark. Jag tycker alltid att det bästa med uppgifterna är att få välja färger till kartorna, men den här gången kändes det mer som en börda.

Bild 1. Översvämningskänsliga områden i Finland. Staplarna visar sjöprocenten.

Eftersom det kändes så osäkert den här gången, tänker jag försöka självständigt göra båda uppgifterna pånytt med hjälp av våra instruktioner för att se ifall det går bättre den här gången. Jag känner ändå att det ibland också känns svårare för att min QGIS hemma skiljer sig från den på universitets dator och då blir det ännu mer oklart. Ska ändå ge det en chans!

Källor:
Encyclopedia Britannica; Blood diamond. https://www.britannica.com/topic/blood-diamond, läst 1.2.2019.
Laapotti, Saaga: Kovaa hermojen koettelua. https://blogs.helsinki.fi/saagalaa/2019/01/30/kovaa-hermojen-koettelua/, läst 1.2.2019
Cardwell, Amelia: Viikko 3: Tulvaindeksejä, järvisyysprosentteja sekä pettyminen teemakarttaan. https://blogs.helsinki.fi/amca/2019/01/30/viikko-3-valuma/, läst 1.2.2019
Ylinen, Kirsi: Sinä lähdet ja tulvii Pohjanmaa. https://blogs.helsinki.fi/yxkirsi/2019/01/30/sina-lahdet-ja-tulvii-pohjanmaa/, läst 1.2.2019

Datakällor & bråkar med QGIS

Föreläsningen

Vår andra kursgång handlade om datakällor och hur man på rätt sätt skulle hantera och söka data. Det påpekades att problemet i dagens läge är snarare att det finns för mycket än för lite data tillägänglig för allmänheten. Det mesta är gratis och öppet, men det finns också material som kan köpas – det garanterar ändå inte att materialet är jättemycket bättre än det som är gratis.

Vi gick ändå ganska kort och koncist igenom teorin innan vi satt igång med QGIS. Det fanns färskt i minnet eftersom jag ännu en halvtimme innan kursen satt hemma och bråkade  med kommunkartan som hörde till förra veckans inlägg (fick som tur hjälp av Johanna och Kia!). Den här gången lärde vi oss att vara mer selektiva med datan vi använde och lärde oss en hel del nya funktioner.
Attributtabellen kändes mer bekant och det flöt på ganska bra, men tycker att det fortfarande blev oklart när man ska spara och stänga och när man bara kan fortsätt på samma projekt. Hoppas jag inte är den enda.. 🙂 I alla fall kom det en hel del ny information och vi jobbade med kommunmaterialet från 2015 som skulle ses på och jämföras i olika projektioner. Förutom att man lärde sig om QGIS, var det också en hel del info om olika projektioner från Wikipedia vilket var jätteintressant.

Den här gången var (tyvärr) ganska matematisk stundvis… Inte min starka sida, men jag klarade mig. Som vanligt, tog det en stund tills jag (läs: internet) kom ihåg hur man räknar ut procent, men det fixade sig.

Producerat material

Den första uppgiften var att genom mätinstrument mäta arean på Suomineitos ”mössa” och mäta det bredaste stället i Finland för att sedan se hur olika projektioner påverkar resultatet (Bild 1).

Bild 1. Områden som mättes (Nyland är utmärkt, men inte uträknat).

I den andra uppgiften skulle man jämföra hur stor procentuell skillnad det var på kommunernas area då man såg på en Lambert-projektion (relativt rätt) och Mercator-projektion (förvränger ju längre mot polerna man går). Jag måste erkänna att jag är osäker på om jag satt funktionen för procenträkningen i rätt ordning, så mina procenter kan vara helt fel, hehe. I allafall ser man på kartan att ju längre mot norr man går, desto större blir skillnaderna på kommunernas areor (Bild 2).

Bild 2. Areaskillnader mellan en Lambert- och Mercatorprojektion i procent

Gjorde ännu en jämförelse mellan Lambert- och Robinson-projektionen och man kan än en gång se hur skillnaden växer ju längre mot nordpolen man ser (Bild 3).

Bild 3. Areaskillnader mellan en Lambert- och en Robinson-projektion visad i ETRS-TM35FIN.

Efter en lång, men lärorik tisdag känns det skönt att få skriva av sig lite.
Ha en bra fortsättning på veckan!

Källor:
Hokkinen, Johanna: Introduction till qgis och producering av egna kartor. https://blogs.helsinki.fi/johhokki/2019/01/22/introduction-till-qgis-och-producering-av-egna-kartor/, läst 22.1.2019
Kautonen, Kia: https://blogs.helsinki.fi/kautkia/
Wikipedia.org: https://en.wikipedia.org/wiki/List_of_map_projections, läst 22.1.2019

 

Introduktion & QGIS

Föreläsningen

Vi fick en kort introduktion till kursen och gick igenom vad målen för kursen är och hur vi kan uppnå dem. Rätt snabbt efter det satte vi igång med teorin för den gången.
I och med att jag gått MAA-104 – en introduktionskurs för geoinformatik – var det mesta vi gick igenom repetition, men jag tycker ändå det satt bra att gå igenom saker på nytt. I prof. A. Paarlahtis presentation påpekades att platsinformation består av både lägesdata och attributdata. Det första handlar om en plats position och kan anges till exempel med hjälp av koordinater eller geometri, men genom att tillägga attributdata får man en bättre helhet. Det finns olika former av attributdata. Den kan vara individuell (namn), lokaliserande (gatuadress), tidsmässig (byggnadsår) eller beskrivande (skogstyp). Attributdata presenteras ofta i tabellformat där den är indelad i kolumner och rader. Information som kan läsas från platsen, t.ex färg eller annan visuell egenskap, kallas fototeknisk information.

Platsinformation sparas i antingen vektor- eller rasterformat. Vektorformat är baserat på flera lager som gör det att man kan undersöka materialet närmare och fortfarande se det tydligt, medan rasterformat finns på ett och samma lager och syns mer otydligt ju närmare man ser. Det visas i små pixlar (rutor) som innehåller information om just det ställe pixeln representerar. Vektorformat material tar dock mer utrymme än rasterformat vilket kan skapa problem för de som inte har tillräckligt bra utrustning för att hantera det. Rasterformat används inom bland annat flyg- och satellitbilder.

Efter den teoretiska delen fick vi bekanta oss med vår kurskompis på datorn – QGIS.

QGIS

QGIS är ett öppet geoinformationssystem som uppehålls av frivillaga runt om i världen (qgis.0rg, 2018). Jag har läst om QGIS, men aldrig använt det, så det var helt nytt för mig. Kände att det fanns många funktioner att utforska, men konstaterade snabbt att jag inte skulle lära mig dem under den första kursgången. Tror ändå, precis som Elina, att jag har nytta av det jag lärde mig om CorelDraw förra perioden. Så lite blandade känslor kring QGIS, men hoppeligen känns det bättre med tiden.
Efter att vi laddat ner den ZIP-fil från Moodle som innehöll det komprimerade materialet, skulle vi öppna mappen för att nå det material vi behövde för uppgiften. Det bestod av shapefiler med bland annat administrativa gränser till länder runt Östersjön, sjöar, djupkurvor i Östersjön och utsatta punkter för kvävekällor i området. Genom att använda dessa skulle en karta skapas som visade vilka länders kväveutsläpp påverkar Östersjön.

Först lärde vi oss om hur programmet fungerar och gick igenom funktionerna kort, tills vi tillsammans gjorde uppgiften från början så att vi skulle (försöka) lära oss funktionerna i praktiken.
De olika shapefilerna fanns i olika lager och eftersom de presenterats av QGIS i automatiska färger, var de inte så estetiskt som man önskat. Då fick man välja färger för de olika lagren tills de var bättre och tydligare. Själv valde jag en färggrann men tydlig ljusröd färgskala. I efterhand känns den eventuellt lite för färgstark, men tjänar sitt syfte att visa vilka länders utsläpp som bidrar till övergödning av Östersjön genom kväveutsläpp.
Attributdata från en tabell användes för att genom en funktion kunna räkna ut de olika kvävekällornas andel av de totala kväveutsläppen. Först gjorde vi tabellen redigerbar och skapade en ny kolumn dit de nya uträkningarna skulle sättas. Programmet räknade skönt nog själv ut svaret efter att vi skrivit in funktionen. De olika andelarna gjorde att de olika länderna med kväveutsläpp skulle få olika färg enlig hierarkisk ordning. Det land med störst andel (Polen), fick den mörkaste färgen och den ljusaste färgen symboliserade det land med minst andel kväveutsläpp.

Bild 1. Länder, vars kväveutsläpp påverkar Östersjön.

Till sist skapade vi en legend, skala och satte in en nordpil. Innan vi avslutade sparades kartan som ett projekt, där de förändringar jag gjort på shapefilerna fanns registrerade. Kartan sparade jag dessutom som bild i PNG-format och den är bifogad i detta inlägg. Att spara ett arbete enligt projekt-principen blev ännu oklar för mig och hoppas att mitt arbete sparats på något sätt i QGIS…

Jag väntar med spänning på att se vad jag kommer lära mig av kursen. Efter dagens paket är jag övertygad om att den kommer vara intensiv men lärorik 🙂

Försökte efter några dagar återvända till QGIS hemma, men märkte snabbt att jag kom ihåg lite från kursgången och försöker fortfarande idag (tisdag 22.1) kämpa med kommunkartan. Får inte fältkalkylatorn att räkna ut rätt värden så har fastnat där. Jag har i alla fall sett fina exempel, som Emilias och lyckas hoppeligen lika bra med min egen (om jag får den klar………..).

EDIT: Wihuu! Äntligen någon slags koropletkarta över kommunerna i Finland.
Kartan visar hur barn (0-14-åringar) i Finland är utspridda. I södra och mellersta Finland syns det ett större antal än t.ex. i Lappland och i östra Finland. Det beror till en viss del på att det bor färre människor i norr än i söder.

Bild 2. Andelen 0-14-åringar i kommunerna, 2015.

Källor:
QGIS.org, https://qgis.org/en/site/about/index.html, läst 18.1.2019
Huhtinen, Elina: Viikko 1 – QGIS-ja siihen perehtyminen, https://blogs.helsinki.fi/huhelina/2019/01/16/viikko-1-qgis-ja-siihen-perehtyminen/
Ihalainen, Emilia: QGis:in alkeet, https://blogs.helsinki.fi/ihem/2019/01/18/qgisn-alkeet/