Sista kursgången

Sista kursgången och uppgiften har äntligen anlänt. Jag närmade mig uppgiften med en viss arrogans om att jag lät skulle klara av att göra den. Men nu när jag under dagen har jobbat på uppgiften och försökt hitta data på netet för mina kartor, förstår jag att jag borde ha reserverat mer tid för jobbet. Eftersom deadlinen närmar sig med raska steg, måste jag nöja jag mig med en karta med två variabler som jag skapade.

Bild 1 Skolor och stora städer i USAs delstater

Kartan på bild 1 visar kommunala skolors mängd delstatvis och stora befolkade städer i USA. Jag ville undersöka utbildning i USA, och hade som mål att jämföra skolornas mängd med inkomstnivån i delstaterna, men kunde inte hitta lämpligt material som jag kunde producera en egen karta av, så jag hittade istället en färdig karta med delstaternas medelinkomst per person. Den syns på bild 2.

Bildresultat för income by state
Bild 2 Medelinkomster i delstaterna. (Källa: https://www.google.com/url?sa=i&source=images&cd=&ved=2ahUKEwjp8pqxoJvhAhUwxqYKHd70CZIQjRx6BAgBEAU&url=https%3A%2F%2Fcommons.wikimedia.org%2Fwiki%2FFile%3AMap_of_states_by_median_household_income_in_2014.svg&psig=AOvVaw2_YWwHYvLsC2jQ7gJGafkd&ust=1553533169917662)

Genom att jämföra bilderna kan man konstatera att inkomstnivån och skolornas mängd i delstaterna inte korrelerar perfekt, men ändå en del. Till exempel i Kalifornien är inkomstnivån en av de högsta, som korrelerar med mängden skolor i delstaten. Men det finns också vissa delstater i mellersta USA som har högre medelinkomst än de omgivande delstater, men ändå en låg mängd skolor. Något som jag fann underligt var den låga mängden skolor i New York regionen, eftersom det är ett väldigt tätt befolkat område med hög medelinkomst. En orsak kan vara delstatens lilla storlek jämfört med delstater som Texas och Kalifornien. Områdena i norra USA är mera glest bebodda med färre större städer, vilket också förklarar det låga antalet skolor på området. Jag hade förväntat mig att korrelationen skulle vara starkare, eftersom inkomsterna enligt min hypotes är högre i och med en högre utbildningsnivå. Min karta behandlade ju endast grundskolor, men de är ändå en förutsättning för fortsatt utbildning. Dessutom är det endast kommunala skolor som presenteras på kartan. Hela 25% av USAs skolor är privatskolor, vilket betyder att en hel del fattas från kartan som kunde ändra på hur den ser ut. (CAPE, u.å.)

 

Kursen har varit givande även om den krävt mycket tålamod och några tårar. Jag är säker på att jag kommer att ha mycket nytta av det vi lärt oss under kursen, och har nu en bra grund för QGIS att bygga på och lära mig mera.

 

Källor:

CAPE, (u.å.). Private School Facts. Hämtad 24.3.2019 från http://www.capenet.org/facts.html

Kursgång 6: Hasarder

Den sjätte kursgångens tema var att överföra punktdata från cvs-filer till QGIS. Jag missade faktiskt kursgången, och gjorde uppgifterna självständigt, vilket betyder att jag inte gjorde den första delen av lektionen, nämligen att samla data med Epicollect-applikationen för att göra en karta över hur olika områden i Helsingfors upplevs. Jag läste ändå andras bloggar som deltog på kursgången, och kan konstatera bland annat av bild 1 på Susanna Kukkavuoris blogg, att området bakom Arabias köpcentrum upplevs som det mest otrygga, medan kampusområdet upplevs som ett väldigt tryggt område. Jag undrar om det nyliga mordet i Arabiastranden (Siironen & Myllyoja, 2018) som fått mycket publicitet har påverkat uppfattnigen om området. Speciellt för människor som inte haft en klar bild om området kan denna nyhet starkt forma sinnebilden. Kursdeltagarna använde sig också av interpolering, som skulle hjälpa till att analysera bristfälligt material. Interpolering går ut på att datorn räknar ut möjliga värden för områden mellan två punkter, så att det inte finns tomma områden.

Bild 1. Jordbävningar med magnituden 8 eller mera
bild 2. Jordbävningar med magnituden 7 eller mera

Som den självständiga delen av kursgången hade vi som uppgift att göra tre kartor av ett av tre valbara teman. Jag valde att göra kartor över jordbävningar och vulkaner. Jag skapade kartorna genom att samla materialet till dem från nätet och förde det till excel var jag ändrade datat till en csv-fil så att det gick att öppna i QGIS. När jag första gången öppnade csv-filen i QGIS hade det hänt något fel då inga av punkterna träffade min bottenkarta. Efter att ha undersökt problemet märkte jag att excel hade multiplicerat mina longitud värden med tio, vilket betydde att alla koordinater var fel. Men efter att ha fixat detta problem fungerade allt smidigt. Jag letade upp från nätet litosfärplattornas gränser som jag tillade till kartorna, för att lättare visualisera korrelationen mellan gränserna och vulkanernas och jordbävningarnas läge. På bild 1 och 2 ser man mina kartor på jordbävningar med magnituden 8 och uppåt, och 7 och uppåt från 1980 till 2012. Som läromaterial tycker jag att kartorna skulle vara ganska bra, även om ett storskaligare karta skulle ha visat datat tydligare eftersom en så stor del av jordbävningarna nu placeras på varandra. För dessa kartor är det inte heller nödvändigt att ha en så beskrivande bakgrundskarta, utan landområdena kunde ha presenterats enfärgat, likaså havsområden, så som till exempel Edvin Väänänen har valt att göra på bild 2. På hans karta kan man skilja punkterna från bakgrunden bättre än på mina kartor.

Bild 3. Vulkaner
Bild 4. Jordbävningar och vulkaner

På bild 3 och 4 är en karta över världens vulkaner och en karta över jordbävningar med magnituden 7 eller mera och vulkanernas läge. Kartan på bild 4 är ganska fullproppad, vilket kan försvåra dess läsning, ett bättre alternativ skulle också här ha varit att att begränsa materialet som undersöks mer och att fokusera på ett mindre område. Annars tycker jag att den ger en bra helhetsbild över vulkaners och jordbävningars  korrelation i läge. Det är dock synd att eldringen runt Stilla Havet blev delat på olika sidor av kartan. Oula Inkeröinen löste det problemet genom att redigera kartan i CorelDraw, resultatet blev väldigt snyggt.

Det nyttigaste med denna kursgång var nog att lära mig att ändra excel filer så att de fungerar i csv format, eftersom jag troligen kommer att behöva den kunskapen med den sista kursgångens uppgift.

 

Källor:

Inkeröinen, O. (2019). Maastohommista maanjäristyksiin. Hämtad 22.3.2019 från https://blogs.helsinki.fi/inkeroul/

Kukkavuori, S. (2019). Paikkatiedon luomisesta ja hyödyntämisestä. Hämtad 22.3.2019 från https://blogs.helsinki.fi/kukkasus/

Väänänen, E. (2019). Kurssikerta 6: Hasardikarttoja. Hämtad 22.3.2019 från https://blogs.helsinki.fi/edvaanan/

Siironen, S. & Myllyoja, M. (2018, 25 december). Alakouluikäisen pojan epäilty murha järkyttää Helsingin Arabianrannassa – “Tässäkö tämä meidän pieni lintukoto nyt sitten on?”. Yle. Hämtad från https://yle.fi/uutiset/3-10571133

Kursgång 5: Buffring och tillämpning av våra kunskaper

Den femte kursgången skiljde sig aningen från de tidigare. Nu skulle vi självständigt försöka lösa en mängd olika problem med hjälp av vad vi lärde oss i början av kursgången (att buffra), och med verktyg vi använt på tidigare kursgångar. Än en gång visade sig Spatial Query verktyget vara väldigt användbart. Juuso Kervinen  skriver i sin blogg att han märkt att han klarar av att göra vissa uppgifter på andra sätt än de rekommenderade, vilket bevisar att han åtminstone i viss mån behärskar grundegenskaperna av QGIS. Jag märkte samma sak när jag försökte lista ut ett svar på en av frågorna, och förstod att jag kunde använda Spatial Query verktyget istället för Join Attributes by Location verktyget. Det fungerade som en liten motivationsboost att fortsätta försöka även om vissa av uppgifterna kändes svåra. Jag tog och jämförde mina svar med bland annat Sanni Laaksonens resultat, vilket visade att speciellt våra resultat om flygplatsernas frågor varierande ganska mycket.

 

Flygplatser:

8 883 personer bor inom 1km från Malms flygplats.

57 573 personer bor inom 2km från Malms flygplats.

11 491 personer bor inom 2km från Helsingfors flygplats.

29 personer bor inom 2km från Helsingfors flygplats och inom 65dB bullerzon.

622 personer bor inom 2km från Helsingfors flygplats och inom minst 55dB bullerzonen.

12 456 personer skulle bo inom 60dB bullerzonen om flygrutten ändrades mot nordost.

 

Tåg- och metrostationer:

106 691 personer bor inom 500m från en tåg- eller metrostation, alltså

21,7% av områdets människor bor inom 500m från en tåg- eller metrostation.

105 335 personer, alltså 78% av befolkningen som bor inom 500m från en tåg- eller metrostation, är i arbetsför ålder.

 

Tätorter:

Ca 97% av områdets invånare bor i tätorter.

1404 personer i skolåldern bor utanför tätorterna, alltså ca 2,6% av hela befolkningen.

 

Bastun och simbassänger:

855 byggnader i huvudstadsregionen har en simbassäng.

12 170 personer bor i byggnad med en simbassäng.

345 av dessa byggnader är egnahemshus.

154 är parhus.

113 är radhus.

181 är höghus.

21 922 byggnader har en bastu (av sammanlagt 90 725 byggnader, alltså ca 24%).

 

På Drumsö finns det mest simbassänger, hela 53 stycken. Västra Baggböle kommer som en nära två med 52 simbassänger. Också i Marudd, Brändö och Vanha Munkkiniemi finns det över 40 simbassänger. De mest simbassängsrika områdena är småhusdominerade områden.

 

När jag sammanställde kartan på bild 1, hade jag problem med att kombinera informationen om simbassängsmängden med lagret om områdesindelningen. Jag hade som plan att göra det med Join Attributes by Location verktyget, men QGIS vägrade att kombinera attributtabellerna och meddelade bara om en felkod. Jag försökte samma med Count Points in Polygon verktyget men jag fick bara samma felkod som resultat. Jag var nära på att ge upp när Susanna Kukkavuori snällt hjälpte mig att lösa mitt problem. Hon förklarade att eftersom jag inte jobbar på universitetets datorer, måste jag välja Save to file… istället för Create temporary layer för att processerna skall fungera. Jag ändrade detta val och efter oändliga försök fungerade det! Efter det tillade jag ännu histogram till kartan som jag hade haft problem med tidigare, med hjälp av en Youtube video.

Inspirerad av Susannas blogg, bestämde jag också att göra en karta där man såg den absoluta mängden simbassänger för varje område, eftersom den kartan verkade tydligare. Den kartan ser man i bild 2.

Denna uppgift fick mig verkligen och förstå hur mycket QGIS beror på små detaljer som måste vara rätt för att få något att fungera, men också att uppfinnighet och tålamod belönas.

 

Källor:

Kervinen, J. (2019). Kurssikerta 5, bufferoidaan. Hämtad 3.3.2019 från https://blogs.helsinki.fi/kejuuso/

Kukkavuori, S. (2019). Spatiaalisesta kyselystä. Hämtad 3.3.2019 från https://blogs.helsinki.fi/kukkasus/

Laaksonen, S. (2019). Kurssikerta 5. Hämtad 3.3.2019 från https://blogs.helsinki.fi/sanlaaks/

Kursgång 4: Rutor och rasterkartor

På den fjärde kursgången övade vi oss på att göra rutnät och att tillägga data till det från en annan databas. Vi använde ”spatial query” plugin verktyget, som förenklar processen av att välja objekt genom flera olika filter. Verktyget kom att vara användbart också på den femte kursgången.

Vi tog alltså och sammanförde data om befolkningsmängden till rutnätet. Databasen om befolkningen var väldigt stor och innehöll flera tusen objekt, som alla hade information om tiotals olika teman, vilket gjorde några av processerna långsamma och riskabla eftersom QGIS kunde krascha när man gjorde dem. För att förenkla fortsätta processer tog vi och sparade en rensad version av befolkningsdatabasen, som endast innehöll data om befolkningsmängden som vi skulle göra en temakarta över.

 

Vi hade egentligen som uppgift att göra en temakarta över något annat än befolkningsmängden som vi gjorde tillsammans, men när jag under den kursgången inte hann med det och försökte göra den senare, fick jag det inte att fungera. Problemet var att attributtabellen till databasen om befolkningen var tom, vilket betydde att jag inte kunde visa någon data i rutnätet. Som plan hade jag att göra en temakarta med svenskspråkigas mängd i Helsingforsregionen. Det är synd att jag inte fick datat att synas, eftersom alla stegen före det gick bra och jag tror att kartan skulle ha blivit intressant att analysera.

 

Jag nöjer mig alltså med att presentera kartan som jag hann göra på kursgången över befolkningstätheten indelat i 1km x 1km rutor, trots att bildens rubrik säger annat. På kartan på bild 1 ser man att befolkningstätheten, som man också kan förvänta sig, är störst i centrum av Helsingfors, och i grannkommunernas centrum eftersom jobb och service oftast förkommer i största grad i dessa områden. I utkanterna av det visade området sjunker befolkningstätheten i och med att avståndet från centrumen ökar. Elisa Aho presenterar sin karta med samma tema, men våra kartor ser aningen annorlunda ut. Jag misstänker att orsaken till skillnaden är att vi använt olika klassificeringsmetoder för värdena. Våra värden har också olika övregränser, vilket betyder att vi också måste ha gjort olika val i något skede i framställningsprocessen. Jag märkte att Amelia Cardwell också hade en annan övregräns för värden än jag och Elisa, vilket får mig att tro att det inte är så allvarligt om det finns viss variation. Annars liknade min Amelias kartor mer varandra. Eftersom kartans område är indelat i lika stora rutor, tycker jag att det är passande att presentera datat i absoluta värden.

Vi övade oss också på att sammanföra rasterkartblad till ett och samma lager så att de alla skulle ha samma skala. På dem tillade vi ännu terrängskuggning.

Efter detta började vi ännu med nästa veckas uppgift, att digitalisera alla bostäder inom ett område i Borgnäs. Detta gjorde vi genom att skapa ett nytt vektorlager, dit vi lade till nya objekt som prickar på kartan. Processen var lätt men krävde mycket tålamod.

 

 

Källor:

Aho, E. (16-2-2019). Rastereita ja ruutuja. Hämtad från https://blogs.helsinki.fi/elqaho/

Cardwell, A. (8-2-2019). Viikko neljä: väestötietoja sekä korkeuskäyriä. Hämtad från https://blogs.helsinki.fi/amca/

Kursgång 3: Kombination av databaser

På den tredje kursgången lärde vi oss att kombinera databaser för att bättre kunna analysera samband mellan olika fenomen med hjälp av statistik. Vi övade detta med data över internetanvändning, konflikter och diamantgruvor i Afrika, som vi sedan analyserade. Vi lärde oss också att gruppera olika objekt under samma ID så att attributtabellerna inte skulle vara så massiva och lättare att läsa. Jag glömde att spara en bild över kartan av Afrika, men genom att studera Juho Kauppis karta kan man se, så som det också diskuterades på lektionen, att länder som har lidit av väldigt många konflikter genom åren ofta också har många värdefulla naturresurser som oljeborrningar och diamantgruvor. Korrelationen beror på att andra då också ofta vill ha dessa dyrbarheter, men också länder som hade väldigt få naturresurser led av många konflikter, vilket förklarades med fattiga levnadsförhållanden. Genom att studera graden av internetanvändning i olika länder vid olika tidpunkter kan man också smidigt analysera länders utvecklingsgrad.

Som andra uppgift skulle vi kombinera data om Finlands sjöars minimi- och maximiströmningars medeltal, för att få redan på översvämningsindexet, vilket vi gjorde en temakarta över som syns nedan på bild 1.

Bild 1 Översvämningsindex

Till vår uppgift hördes också att visualisera sjöandelen i de olika avrinningsområdena med hjälp av stapeldiagram, men instruktionerna för den delen var för ytliga för att jag skulle klara av det, och mitt tålamod tog till slut så jag nöjde mig med denna karta. Från kartan kan man ändå tolka att områdena längs med Finlands kust har högre översvämningsindex. I Österbotten beror detta ofta på landhöjningen som sker där och orsakar avrinningen att sakta ner. Johanna Von Frenckell lyckades med stapeldiagrammen som visade sjöandelen i Finland, och kunde från dem konstatera att översvämningsindexet är väldigt lågt vid områden med en hög andel sjöar, vilket antagligen beror på att floderna har många utlopp då vattennivåerna kan jämnas ut.

 

Källor:

Kauppi, J. (30-1-2019). Viikko numero kolme. Hämtad från https://blogs.helsinki.fi/juhokaup/

Von Frenckell, J. (5-2-2019). Att sammanföra data. Hämtad från https://blogs.helsinki.fi/johannvo/

Kursgång 2: Jämförelse av projektioner

Den här veckan granskade vi hur stor skillnad olika projektioner har på presentationen av områden. Vi lärde oss också att välja olika objekt i kartlagret, för att ge dem en gemensam nämnare, och att göra räkneoperationer i QGIS.

Vi började med att göra en exel-tabell över skillnader i area och avstånd i olika projektioner. Projektionen jag jämförde områdena till var ETRS-TM35, alltså en transversal Mercators projektion. Projektionen är gjord med en cylinder som tangerar den 35:e längdgraden, den är alltså en lämplig projektion för länder som är avlånga i syd-nordlig riktning, såsom Finland. Projektionen är mest ytriktig längs med meridianen som projektionen projicerats från, felen blir alltså större desto längre bort man rör sig från denna linje. (Wikipedia, 2018).

Här nedan kan man se en tabell över skillnaderna.

 

Projektionen som skilde sig mest från resten var helt klart Sphere Mercator, som visade arean som över 700% större än de andra projektionerna. Sphere Mercator projektionen projiceras till en cylinder som tangerar ekvatorn, där den är mest ytriktig, men storleksförvrängningen blir snabbt större desto längre man rör sig från ekvatorn, därför är felet så stort vid Finland.

Här nedan finns också en koropletkarta som lätt visualiserar hur skillnaderna mellan dessa projektioner växer desto längre norrut man rör sig.

 

Till näst jämförde jag projektionerna ETRS-LAEA (Lambert’s Azimuthal Equal Area projection), som framställer Europa väldigt ytriktigt, och Bonnes världsprojektion. Nedan finns resultatet.

Denhär gången var resultaten inte lika klara för mig att analysera, eftersom skillnaden verkar växa norrut, tills den plötsligt blir liten igen. Emma hade valt att jämföra samma projektioner, och hennes resultat så mer logiska ut. Efter att ha försökt förstå vad mitt underliga resultat beror på, måste jag medge att jag måste ha gjort något fel när jag gjorde kartan. Men oavsett det lilla felet kan man se att skillnaderna är väldigt små, varienrandes mellan 0,64-1,13%, Bonne projektionen är alltså också väldigt ytriktiga.

 

Källor:

Sinisalo, E. (25.1.2019). Hämtad 31.1.2019 från https://blogs.helsinki.fi/sinisale/

ETRS-TM35FIN. (4.1.2018). I Wikipedia. Hämtad 31.1.2019, från https://fi.wikipedia.org/wiki/ETRS-TM35FIN

 

Kursgång 1: Introduction till QGIS och producering av egna kartor

I geoinformatiikan menetelmät kursen använder vi oss av programmet QGIS, ett GIS program som är gratis för alla att använda. Jag har använt QGIS under en kurs i gymnasiet, och minns att den samtidigt var den jobbigaste samt mest givande geografikursen dittills. Jag hade lust att ge upp varje gång jag försökte få något att fungera, men efter kursen kändes det som om jag kunde göra vad som helst med programmet.  

Jag hade hoppats på att jag skulle minnas hur man använder programmet, men största delen hade jag nog glömt. Första kursgången gick ändå ganska smidigt när vi fick klara instruktioner av läraren och hade möjlighet att få hjälp när vi stötte på problem, så som också Vilma Pylkkö konstaterade i sin blogg. Resultatet efter lektionen var en koropletkarta över länder som har kväveutsläpp i Östersjön. Kartan syns här under. 

 

Färgskalan och indelningen av värdena i olika klasser blev i min åsikt lyckad, eftersom man klart kan se skillnaderna mellan länderna. En sak jag kunde ha förbättrat med resten av kartan, skulle ha varit att ge djupkurvorna mer färg, och kanske placerat deras förklaring i legenden efter kväveutsläppens förklaring, eftersom det ju är dem kartan fokuserar på. Emilia Ihalainens kartas djupkurvor syntes klart och resten av kartkomponenterna var också fint placerade, så att kartan bildade en fin kvadratisk helhet, utan överlopps utrymme på ena sidan. 

Efter lektionen trodde jag att jag skulle minnas största delen av vad vi hade lärt oss, men när jag några dagar senare skulle göra veckans hemuppgift, förstod jag att jag minsann skulle behöva instruktionerna som fanns på moodle. Som uppgift hade vi att göra en koropletkarta med ett tema som vi själv valde av den statistik som vi hade till förfogande. Jag valde att göra en karta över arbetslöshetsgraden kommunvis i Finland. Den kartan kan man se här under. 

 

Jag hade problem med att hitta var man väljer vilken data man vill att skall synas, eftersom det steget inte stod i instruktionerna. På grund av mina svårigheter läste jag noggrant igenom resten av instruktionerna flera gånger letandes efter lösningen på mitt problem, så nu borde jag åtminstone kunna allt som vi lärde oss på lektionen, och jag bekantade mig också med QGIS olika verktyg bättre. 

Från kartan kan man tolka att arbetslösheten är som störst i norr och öst, alldeles som Riikka Matikainen också har kunnat läsa av sin karta om samma tema. I valet av klasser märkte jag att de flesta indelningarna som QGIS färdigt föreslår inte alls skulle ha fungerat för detta material, eftersom de fick resultatet att se ut som om Finland inte alls skulle lida av arbetslöshet, eller att alla kommuner skulle ha en väldigt hög procent. Det fick mig ännu bättre att förstå hur olika samma material kan se ut beroende på indelningen i klasser. 

Som en sammanfattning kan jag alltså konstatera att för att bemästra QGIS måste man öva sig och använda programmet tillräckligt så att det sitter i ryggmärgen. När man lär sig programmet och orkar spendera tillräckligt med tid på det kan man skapa väldigt lyckade kartor som ser precis ut som man önskar.