joqhager’s blog

Denna vecka var den sista kursgången, där uppgiften var att ha med eget material som man antingen samlat eller skapat på förhand. Jag håller med Knippare (2024) som skrev att det var svårt att komma på vad man ville ha för data. Detta främst då man fick helt fria händer. Jag valde att skapa egen data på en Excel-fil där jag lade till olika statistik om de olika afrikanska länderna. Denna data samlade jag från sidan World Data. Datat för karta 3 tog jag från Wikipedia, fastän den sidan inte är den bästa, eftersom det var kalla fakta, utan åsikter och större möjligheter för förvrängning. Jag skulle inte säga att jag gjorde arbetet alltför svårt för mig själv, eftersom jag inte känner mig så säker med de mera invecklade funktionerna av QGIS, utan valde att undersöka data jag fann intressant och rolig. All fakta jag samlade gjorde jag däremot inte visualiserade kartor över, men det var roligt att söka upp och läsa fakta om de olika länderna. Hursomhelst så gjorde jag tre olika kartor, enligt invånarantal, befolkningstäthet och enligt hur många AFCON-guldtitlar landet vunnit. Jag valde att göra “likadana” kartor för alla tre för att kunna jämföra dem med varandra, se möjliga likheter och skillnader på kartorna.

Karta 1 & 2. Afrika uppdelat enligt befolkningsmängd och enligt befolkningstäthet.

De två första kartorna visar alltså på de afrikanska ländernas befolkningsmängd, där ju mörkare röd desto mera invånare. Man kan se att en stor del av de främst befolkade länderna i Afrika är i de centrala och östra delarna, med några avvikelser som t.ex. Nigeria, Egypten och Sydafrika. Den andra kartan visar befolkningstätheten i Afrika per land, där man kan se att de länder med tätast befolkning är t.ex. Rwanda, (Mauritius som ligger strax utanför bild till öst), Nigeria och Uganda. Man kan se ganska många likheter mellan dessa kartor, men skillnaderna ligger t.ex. främst i Centralafrika, där stora länder som t.ex. DR Kongo, Angola och Zambia inte har så tät befolkningsgrad.

Karta 3. AFCON-titlar / land

Den sista kartan visar de afrikanska länderna som vunnit AFCON, d.v.s. det afrikanska mästerskapet i fotboll. Här kan man se att länder som Egypten, Ghana och Kamerun dominerat genom historien, med DR Kongo, Nigeria, Kamerun och Algeriet snäppet efter. Många av de länder som vunnit AFCON är även länder med höga invånarantal, vilket gör att detta kan vara en bidragande faktor till framgångarna inom sporten, men såklart inte den enda.

Källor:

Knippare, Nora. (2024) Go GIS girl. Vecka 7. https://blogs.helsinki.fi/knippare/2024/03/04/vecka-7/

Wikipedia (2024) https://en.wikipedia.org/wiki/Africa_Cup_of_Nations

World Data (2024) https://www.worlddata.info/africa/index.php

Denna vecka fick vi skapa egen data, genom att gå ut och samla dem med epicollect5 appen. Likt Wirén (2024) skrev i sin blogg, var det roligt med en annan slags uppgift, men även eftersom det gav en mera konkret inblick över hur man skapar eget material och sedan kan bearbeta det via QGIS. Vi lärde oss att undersöka denna data med interpolering, där vi använde en heatmap-liknande funktion för att få resultatet nedan, där blått är säkert och orange och röd är mera osäkert. Detta kändes ganska enkelt och roligt, speciellt med egen data.

Bild 1. Säkerhet i Gumtäkt

Sedan blev det såklart svårare, då vi själva skulle göra interpolering via någon datakälla. Detta visade sig inte slutligen vara alltför svårt, men som vanligt uppstod komplikationer på vägen. Det mesta berodde på att jag inte hade rätt kartprojektion inställt, vilket gjorde att programmet inte kunde utföra önskat kommando. När jag, med hjälp, bytte till rätt projektion fick jag det och funka. Jag undersökte dödsfall till följd av jordbävningar där man på bilden kartan nedan kan se att dödsfallen är väldigt koncentrerade till specifika platser, d.v.s. de mest dödliga (jordbävningar) platserna.

Bild 2. Dödsfall p.g.a. jordbävningar

Interpolering är ett väldigt bra visualiseringsverktyg då man vill visa t.ex. specifika fenomen på någon plats. Det är även slutligen ganska enkelt att använda och ganska roligt att se hur informationen förvandlas från “text”-form till visuellt.

Källa:

Wirén, Greta. (2024) https://blogs.helsinki.fi/gwiren/

Denna vecka övade vi på några nya kommandon: line intersect, clip och buffer. Dessa kan vara bra verktyg för olika ändamål, buffer t.ex. för att se olika objekt som faller inom distansen från något objekt, t.ex. skola. Vi började med övningsuppgifter för att lära oss att använda kommandona, vilket inte kändes så svårt.

Vi skulle undersöka ljudstörningsområde från Malm flygplats, där jag i misstag prickade ut flygplatsens område istället för endast flygbanor, men hursomhelst. Inom 2 km från flygplatsen bor det 71014 människor som skulle falla inom detta oljudsområde, inom 1 km från flygplatsen bor det 12969 människor, som skulle falla inom detta oljudsområde. På bilden nedan ser man 2 km oljudsområdet från Malm flygplats samt husen som faller in i området.

Bild 1. 2 km oljudsområde Malm flygplats

Sen skulle vi ta reda på hur många som bor inom 2 km från Hki-Vanda flygplats, vilket är 11644 människor. Av dessa bor 17 människor inom det värsta området (65 dB), vilket procentuellt ca. 0,15%.

Bild 2. 2km område från HKI-Vanda flygplats.

Det var vid denna uppgift som det började strula, där jag inte kom vidare till flera uppgifter. Jag förstår priniciperna av det vi gjorde och jag förstår olika ändamål man kan använda dessa verktyg/kommandon till, vilket är bra. Däremot hade jag svårigheter att själv få det att funka ordentligt. Detta berodde främst på att det var några detaljer jag glömde göra, vilket betydde att det var svårt att få resten att funka.

Då jag läste Kontinens (2024) blogg, märkte jag att hon visualiserat statistiken i tabeller, vilket var smart. Förutom visualiseringen i tabeller tittade jag hur Kontinen hade utfört sina uppgifter och konstaterade att det kanske inte verkade alltför svårt, men då jag inte haft tid att jobba vidare på resten av uppgifterna från denna kursgång är jag inte säker på att jag skulle klara det självständigt.

Jag känner överlag att jag förstår det mesta vi går igenom, vad man kan använda dessa kommandon till osv. Däremot har jag själv ibland mer och ibland mindre svårigheter att utföra dessa uppgifter självständigt. En orsak är definitivt språkmuren, där uppgifterna på finska inte alltid är väldigt lätta att tolka ordagrant och en del misstag sker utifrån att jag uppfattat uppgiften fel. Den andra är att jag tycker det finns så många kommandon att jag oftast glömmer någon detalj som behövs för finslipning etc.

Källor:

Kontinen, Hilla. (2024) Geoinformatiikan menetelmät 1. https://blogs.helsinki.fi/hillakon/

Denna vecka fortsatte vi som vanligt med att utveckla våra QGIS kunskaper. Varje vecka känns det som att man börjar få ett grepp på hur man ska arbeta med QGIS, men nästa vecka introduceras många nya saker så att man inte riktigt hänger med igen. Man förstår värdet av väldigt lärarhandledd undervisning med detta program eftersom det finns så många olika saker man kan göra med det och det kan bli ganska invecklat.

Anyways..

Den här veckan tränade vi dels på hur man kan visa statistik på en karta, och dels hur man kan sammansätta olika kartor för att göra en sammansatt som visar olika saker.

Bild 1. Svenskspråkighet i huvudstadsregionen

Den första uppgiften, som behandlade hur man visar statistik på en karta gjorde vi genom att visa andelen svenskspråkiga på olika områden i HSR. På min bild ser man att ju rödare det blir desto mer svenskspråkiga finns det där (glömde lägga till en legend). Man kan se att det finns flest svenskspråkiga i de centrala delarna av Helsingfors, men även i vissa delar av Esbo, Grankulla och mot östra Helsingfors. Det som inte visas här, är däremot den relativa andelen svenskspråkiga, som även Arttu påpekade på föreläsningen. D.v.s. att såklart finns det främst i centrum eftersom det överlag finns flest människor i centrum. Det skulle kunna vara intressant att se en karta som visar den procentuella andelen svenskspråkiga i HSR, men denna statistik gav inte möjlighet för det. Torvi (2024) skriver i sin blogg om hur hennes rutkarta blivit ganska olik de som satt bredvid och framför henne, och påpekade att det kanske inte är så pålitligt ifall kartorna (som borde se ganska likadana ut) alla ser olika ut. Jag håller med, där även de kartor jag råkade se såg ganska annorlunda ut fastän det var samma statistik etc.

Till näst sammansatte vi två olika kartor, en höjdkarta och en “vanlig” karta. Resultet blev följande:

Bild 2. Sammansatt karta

På kartan ser man även den tredje uppgiften vi gjorde, att rita vägar och pricka in hus m.h.a. ett ritverktyg. Ritningen var väldigt likt andra uppgifter man gjort på andra kurser, inte direkt svårt, men väldigt monotont.

Överlag denna kursgång kändes kanske lite svårare än tidigare veckor, men samtidigt fanns det mycket som kändes bekant sedan tidigare. Jag tror att det som börjar kännas svårt är att komma ihåg alla olika verktyg, kommandon och programmets finesser som man ska använda för att göra olika uppgifter.

Källor:

Torvi, Saara. (2024) Saara´s blog – Neljäs kurssikerta – ruutukarttoja ja tallennusongelmia. https://blogs.helsinki.fi/saatorvi/

Denna vecka gick vi djupare in i hur man kan undersöka data i QGIS. Vi testade att jämföra data med varandra, lägga till data från ett excel-dokument och använda det med data från en annan fil.

Under kursgången övade vi statistik och korrelation genom en Afrika-uppgift, där vi tittade på statistik kring konflikter, diamantfynd och olja. Jag håller med Wirén (2024) om att denna uppgift gav en bra grund för hur man utför dessa uppgifter på programmet. Det var även en intressant uppgift, främst genom att studera sambanden för att se varför konflikter uppstod, men gav även insikt i att specifik statistik inte kan förklara alla samband. Exempelvis att olje- och diamantfynd möjligtvis kunde vara en bakgrund till länder med många konflikter, men det fanns ändå länder med mycket konflikter utan större fynd.

Det var ganska svårt, men visade att mycket av arbetet med data i QGIS kräver väldig noggranhet. Om man gör ett minsta lilla fel så kan man inte använda data. Som tur finns det vägar runt det. Jag omvandlade till exempel inte textdata till nummerdata, vilket gjorde att jag inte kunde visualisera datat ordentligt först, men det visade sig att man kunde använda ett kommando för att omvandla det. Tyvärr kraschade mitt QGIS varje gång jag försökte omvandla det, så jag behövde börja om från början med delar av denna uppgift hursomhelst.

Bild 1. Översvämningsområden

Uppgiften var att undersöka översvämningsområden i Finland, samt se hur stor del är “järvisyys” och hur stor del “maa-ala”, vilket visas på pie charts på bilden ovan. Ett någorlunda förutsett problem var att som huvudsakligen svenskspråkig är det ofta svårt att hänga med dels exakt vad det är vi undersöker, men även i att förstå instruktionerna precis, vilket ofta utgör ett hinder i finslipningen.

Det känns däremot som att man sakta men säkert börjar bli lite mera säker på att använda QGIS och jag börjar komma ihåg mera och mera kommandon som vi gått igenom, vilket är roligt.

Wirén, Greta. (2024) Gwiren blogg. https://blogs.helsinki.fi/gwiren/

Denna vecka undersökte vi hur kartprojektioner kan påverka t.ex. hur kommuner indelas i storleksordning. Jag gjorde denna övning med tre olika kartprojektioner, Patterson, Wan der Grinten och World Times. Jag klassificerade dem i sju klasser. Det intressanta var att alla projektionerna var relativt likadana, men indelningen var ändå lite olika varandra. Detta var ganska likadant som Wanström (2024), där även hen använde tre olika kartprojektioner, Robinson, Winkel Tripel och Mercator, men slutresultatet visuellt är väldigt lika varandra, samt väldigt lika mina kartvisualiseringar.

Bild 1. Kommuners area enligt Patterson

Patterson och World Times projektionerna är mest liknande varandra, där de olika “bältena” ligger vid ganska samma kommuner, där det ligger flera nordliga kommuner än sydliga per del.

Bild 2. Kommuners area enligt World Times

Bild 3. Kommuners area enligt Wan der Grinten

Wan der Grinten projektionen, om man jämför med de andra, har uppdelningen ett mera sydligt fokus.

I bildernas legend glömde jag lägga in km² som är den faktor som kommunerna är indelade enligt, i storleksordningen. Det var intressant att se hur olika projektioner kan påverka hur en kartbild kan se t.ex. storleksmässigt, beroende på vad fokuset för den specifika kartan är. Jag lärde mig även flera kommandon för QGIS, vilket var bra att känna att man blir mera van vid att använda programmet.

Källa:

Wanström, Armida (2024) Gissful Thinking. https://blogs.helsinki.fi/armida/

Den första veckans uppgift på föreläsningen var att visualisera kväveutsläpp i länderna runt Östersjön. Detta gjordes på QGIS programmet. Vi fick lära oss grunderna i att använda QGIS programmet och tittade tillsammans på olika funktioner. Användningen av programmet var relativt lätt under handledning, men troligtvis svårt utan. Vi lärde oss att undersöka statistik, räknefunktioner och hur man visualiserar denna statistik m.h.a. räknefunktionerna till en karta. Detta gick ganska smärtfritt. Jag var tidigare inte bekant med QGIS.

Bild 1. Kväveutsläpp i länderna runt Östersjön

På bilden ovan är den koropletiska kartan jag gjorde för att visualisera statistiken kring kväveutsläpp. Kartan ger en ganska bra helhetsbild över ländernas kväveutsläpp. Som Lamberg (2024) skrev i sin blogg, så kan man från färgvärlden inte ge en alltför noggrann bild över vissa skillnader mellan länderna, där t.ex. Polen har mycket större utsläpp än andra länder, men färgeran är ganska lika.

Veckans andra uppgift var en självständig uppgift kring Finlands kommuner. Man kunde välja mellan tre olika svårighetsnivåer, där jag valde första nivån, eftersom jag inte är väldigt kunnig i användningen av programmet. Jag hade inte haft tid att träna på QGIS under veckan, så återkom först följande vecka, vilket gav mig svårigheter då jag inte kom ihåg den större delen av funktionerna.

Bild 2. Svensspråkiga kommuner i Finland

Jag fann det svårt att hitta en bra titel som berättar vad vi ser på, men kartan visar den procentuella andelen svenskpråkiga per kommun i Finland. Jag delade in grupperna enligt det jag tyckte var en bra uppdelningsrepresentation. Däremot för bådas uppgifterna fick jag inte bra exporterat bilderna, fast jag testade på olika format (bestämde mig för PNG) och resolution. Detta försöker jag förbättra nästa uppgift.

 

Källor:

Lamberg, B. (2024) Blamberg’s blog. Ensimmäinen kurssikerta. Refererad: 22.1.2024. Källa: https://blogs.helsinki.fi/blamberg/