Kursgång 7: sista arbetet

Lite statistik. Jag använde 3 timmar och 25 minuter på att hitta material för den här uppgiften – det blev en rätt sen kväll igår. Precis som andra också konstaterar i sina bloggar tog informationssökningen lång tid (Tavi, 2016) Sedan gick det ännu 3 timmar före jag fick datan rätt i Excel, rätt i alla uppdaterade kolumner i Table listorna i MapInfo och därifrån vidare till temakartor. Men till sist blev jag rätt nöjd med resultatet. Speciellt med tanke på att jag har gjort allt det här FÖRE kursgången ens har börjat och nu är jag så stolt över mig själv att jag helt fräckt inte ens tänker dyka upp på kvällens övningar (sori Arttu! :D) för att allt är färdigt! Tadaa! Enjoy! Someone give me a Nobel prize!

Det här var alltså sista kursgången och då var det dags att testa om man faktiskt har lärt sig något de senaste sju veckorna. Eftersom mitt förhållande till MapInfo kanske inte alla veckor har varit det bästa möjliga tog jag det med största möjliga allvar när Arttu skrev i Tiedotusblogin “Viimeisellä kurssikerralla tehdään kartta itse valitusta aiheesta. Siksi onkin syytä valmistautua jo ennen varsinasta kurssikertaa etsimällä sopivaa materiaalia aiheen toteuttamiseen.” (Paarlahti, 2016). Så jag satt en hel eftermiddag och sökte material och har nu en mapp på min dator som heter “Massor GIS-data”. Jag kunde nämligen inte helt bestämma mig för vad jag skulle göra så jag sökte runt efter allt möjligt och sparade bit-kartor över Afrika, Europa och Sydamerika. Jag har också geodata över antropogena ekosystem i Afrika. Över bilvägar i Norge. Över nedbördsmängder i Afrika. Över malariafall i Afrika. You name it – I’ve got it. Så småningom blev det dock klart att jag hade flera problem. Mycket av datan var i mer eller mindre oanvändbar form – det saknades uppgifter om flera länder i Afrika och en del material fanns på så underliga sidor att varningsklockorna för källkritik började ringa. Senare märkte jag att jag inte var den enda som hade problem med Afrika-datan (Rautakoski, 2016).

Det jag helst ville göra var antingen något om biologi, ekosystem, hot-spots eller arters utbredning. Men all data jag hittade var oanvändbar eller krävde inloggning (exempelvis European Environment Agency verkade länge lovande tills sidan plötsligt krävde inloggning för att ladda ned datafilerna) med information om Natura 2000-områdena. Så jag skippade detta. Sedan tog jag mitt andra favorittema; Afrika! Här var största problemet att flera sidor länkades vidare och vidare och till slut till någon sida som inte exsisterade. Suck. Vid det här laget kände jag att allt kändes hopplöst. Hittade plötsligt på NASA:s webbsidor fin data direkt för MapInfo-bruk över nederbörden i hela kontinentala Afrika. Dessutom hade jag tidigare hittat en bit-karta över Afrika. Uppgiften var ju att ha minst två variabler så nu behövde jag bara en variabel till. Jag är medveten om att jag säkert kunde ha valt nånting som vi använt tidigare på kursen men jag var envis och ville hitta allt själv. Sitä saa mitä tilaa. Använde löjligt mycket tid men hittade inget – tog en paus och bestämde att jag försöker på något lättare och går sedan tillbaka till Afrika.

Jag resonerade att om Finland har lättillgänglig statistik som är pålitlig torde ju Danmark, Norge och Sverige också ha det. Här var jag främst ute efter extremhögern- och populistiska partiernas framfart. I Finland Sannfinländarna, i Sverige Sverigedemokraterna, i Norge Fremskrittspartiet och i Danmark Dansk Folkparti. Först tänkte att jag att det hade varit roligt att ha en nordisk karta och sedan ha arbetslöshet i varje land och så ovannämnda partiers understöd. Men så läste jag instruktionerna en gång till och läste att man borde ha 20-30 områden så att man kan analysera mera. Så då bestämde jag mig för att välja ett av länderna och undersöka det närmare. (Av någon anledning tänkte jag aldrig tanken på att göra samma sak, alltså populistiska partiers understöd versus arbetslöshet för hela Europa. Då hade det varit tillräckligt mycket områden och säkerligen mycket att analysera och fundera.)

Först i tur blev Norge, tyckte att deras statistikcentrals sidor var lite vilseledande (eller så är det bara jag som inte kan norska längre og det er jo ikke bra ass!) så jag böt över till Sverige snabbt. Och herregud. I love Sweden! Sveriges Statistiska Centralbyrå var modern, extremt användarvänlig och lätt att använda och sökfunktionerna fungerade felfritt! De hade till och med färdiga bottenkartor för MapInfo och andra program. Jag kan varmt rekommendera Statistiska Centralbyrån! Finlands Statistikcentral bleknar vid jämförelsen (tyvärr).

Först försökte jag undersöka om det fanns några kopplingar mellan Sverigedemokraternas understöd och utbildningsnivå (bild 1). Jag fick kämpa en stund att få fram datan enligt län och inte kommun eller valdistrikt – eftersom jag inte känner till Sveriges kommuner kändes en sådan områdesindelning onödig och dessutom är det antagligen lättare att avläsa trender från en karta med mindre områden. Sveriges 21 län (Statistiska Centralbyrån, 2016 a) verkade som en lämplig mängd områden. Först tänkte jag att jag gör en koropletkarta av nåndera variablen och stapeldiagram av den andra men skillnaderna var så pass små att det var väldigt svårt att läsa kartan. Därför bestämde jag mig för att göra två koropletkartor på varandra – en med färg som botten och den andra med ett mönster (se bild 1).

Sverige3

Bild 1. Sverigedemokraternas understöd (%) i riksdagsvalet 2014 länvis samt utbildningsnivån hos befolkningen mätt i hur stor andel av befolkningen som studerat minst tre år efter gymnasiet. Källa: Valmyndigheten (2016) och Statistiska Centralbyrån (2016 c).

Från kartan ovan (bild 1) kan man tydligt avläsa att Sverigedemokraternas understöd är som störst i södra och mellersta delarna av Sverige. Störst Sverige_kartaunderstöd för SD (Sverigedemokraterna) finns i Skåne, Blekinge, Kalmar, Kronoborgs län i söder samt i Dalarnas och Gävleborgs län i mellersta Sverige (se bild 2 för namnen på de svenska länen). En möjlig förklaring kunde vara att de södra länen med Skåne i spetsen är de länen som först tar emot invandrare och flyktingar som kommer från resten av Europa via Danmark till Sverige.

Däremot verkar det inte finnas några direkta samband mellan utbildningsnivå och SD:s understöd (bild 1). Föga oväntat är de största universitetsstäderna Stockholm, Uppsala och Göteborg i län som har en hög andel av befolkningen som studerat minst tre år efter gymnasiet. Städerna verkar ha mera liberala och till sina åsikter öppna människor. Fyra av länen med högst understöd för Sverigedemokraterna  Bild 2. Sveriges län. Källa: Länstyrelsen.

har också lägst utbildningsnivå (bild 1). Det finns kanske en svag korrelation men om det finns kausalitet är en helt annan sak. För att undersöka saken vidare letade jag fram statistik gällande sysselsätting och arbetslöshet. Jag gjorde en till karta, igen en dubbelkoropletkarta men den här gången böt jag ut utbildningsnivån mot arbetslösthet (bild 3).

Sverige2

Bild 3. Sverigedemokraternas understöd (%) i riksdagsvalet 2014 länvis samt arbetslösheten i Sveriges län under sista kvartalet 2015. Källa: Valmyndigheten (2016) och Statistiska Centralbyrån (2016 b).

I bild 3 återspeglas vissa fenomen från bild 1. Flera av Sverigedemokraternas starkaste områden är områden med i genomsnitt högre arbetslöshet än hela landets som är 7,5% i januari 2016 och var  (Statistiska Centralbyrån, 2016 b). Före riksdagsvalet var Sveriges arbetslöshet 8,6 % (Statistiska Centralbyrån, 2016 b). På basis av mina kartor (bild 1 och bild 3) finns det tecken på att Sverigedemokraternas understöd är störst i områden där arbetslösheten är snäppet högre än medeltalet och där utbilningsnivån är sämre. Enligt SVT:s undersökningar är den stereotypa SD-röstaren en ung man som är dåligt utbildad (ofta endast högstadieutbildning) och har inkomster som ligger under medeltalet (Magnusson, 2015).

Mycket har dock hänt sedan riksdagsvalet 2014. I januari 2016 var Sverigedemokraternas Sveriges näst största parti enligt Aftonbladets gallup med 22,2 % – bara en dryg procenenhet under det största partiet, Socialdemokraterna (Homqvist, 2016). Så sent som igår kom dock en ny gallupmätning som visade att Sverigedemokraterna fallit med 1,3 % (Karlsson, 2016). Som jämförelse var SD:s valresultat 12,9 % (Valmyndigheten, 2016). SD har alltså nästan fördubblat sitt understöd och då kan man kanske också anta att de som röstar på SD inte enbart är unga män med låg utbildning. För att uppnå dagens understöd krävs understöd från en såväl unga som gamla och av båda könen.

Medan jag arbetade med de här kartorna slog det mig det som Emil skrev i sin blogg om att man ibland blir rädd för hur mycket makt man har när man gör kartor (Ehnström, 2016). Det gick hur lätt som helst att med olika grupperingar och olika mängd klasser ändra kartornas utseende drastiskt. Speciellt när skillnaderna i arbetslöshet mellan länen ändå var ganska liten (bild 3) och det samma gäller utbildningsnivåskillnaderna (bild 1) blev det extra mycket press på att försöka skapa en karta som varken över- eller underdriver.

Funderingar när kursen tar slut

Tiden går fort när man har roligt. Jämfört med höstens metodikkurser tyckte jag att den här kursen var undan i ett huj. Jag vet inte om jag vågar påstå att jag är bra på att använda MapInfo men efter att helt själv (!) ha klarat av att producera det här blogginläggets kartor kan man väl med gott samvete säga att någonting kan man! Och till skillnad för ännu ett par veckor sedan känns det nu som att jag också förstår betydligt mera av hur MapInfo fungerar och förstår när jag gör något fel. Det har varit givande att märka. Det bästa med MapInfo är nog hur lätt man kan göra temakartor och analyser med buffertzonerna.

En annan sak som är värd att poängtera är att det har varit otroligt givande att ha kursen i bloggform. Man har kunnat läsa andras bloggar och få stöd när andra haft liknande problem som en själv. Bloggarna har fungerat som ett bra stöd vid sidan av det egna arbetet och lektionernas undervisning.

Jag blev faktiskt så ivrig av bloggandet här att jag bestämde mig för att göra en egen blogg där jag samlar in information om mina egna karteringsprojekt. Ironiskt nog är den bloggen på finska (trots att jag envisades med att skriva den här bloggen på svenska).

Källförteckning:

Ehnström, E. (2016). Kurssikerta 6 ja koulukarttoja. <https://blogs.helsinki.fi/ehem/2016/03/03/kurssikerta-kuus-ja-koulukarttoja/> Läst 3.3.2016.

Homqvist, A. (2016). SD näst störst i ny mätning. Aftonbladet. <http://www.aftonbladet.se/nyheter/article22117739.ab> Läst 3.3.2016.

Karlsson, P. (2016). Åkesson om SD:s nedgång: “Förvånad att vi inte tappat mer”. Aftonbladet.<http://www.aftonbladet.se/nyheter/samhalle/article22369666.ab> Läst 3.3.2016.

Magnusson,  Ö. (2016). SD-väljarna finns nu i alla grupper. SVT. <http://www.svt.se/nyheter/inrikes/sd-valjare-finns-nu-i-alla-grupper> Läst 3.3.2016.

Rautakoski, H. (2016). Kurssikerta 7. Loppuhuipennus.  <https://blogs.helsinki.fi/helenrau/2016/03/02/kurssikerta-7-loppuhuipennus/> Läst 3.3.2016.

Statistiska Centralbyrån (2016 a). Digitala gränser. <http://www.scb.se/sv_/Hitta-statistik/Regional-statistik-och-kartor/Regionala-indelningar/Digitala-granser/> Läst 2.3.2016

Statistiska Centralbyrån (2016 b). Arbetskraftundersökningar. <http://www.statistikdatabasen.scb.se/pxweb/sv/ssd/START__AM__AM0401__AM0401N/NAKUBefolkningLK/table/tableViewLayout1/?rxid=fef9e244-bfa7-4792-92f0-2010bbbb075f#> Läst 3.3.2016

Statistiska Centralbyrån (2016 c) Befolkningens utbildning. <http://www.scb.se/sv_/Hitta-statistik/Statistik-efter-amne/Utbildning-och-forskning/Befolkningens-utbildning/Befolkningens-utbildning/#c_undefined> Läst 2.3.2016

Tavi, T. (2016). 7. Kurssikerta – MapInfo-taitojen osoittaminen ja analyyttinen sisällön sekä  kurssin perkaaminen  <https://blogs.helsinki.fi/tugtavi/2016/03/02/mapinfo-taitojen-osoittaminen-ja-analyyttinen-sisallon-seka-kurssin-perkaaminen/> Läst 3.3.2016

Valmyndigheten (2016). Röster – Val 2014. <http://www.val.se/val/val2014/slutresultat/R/rike/> Läst 2.3.2016.

Bildkällor:

Länstyrelsen (2016). Sveriges län. <http://www.lakartidningen.se/OldWebArticleImages/7/7330/large/LKT0842_03.jp> Läst 3.3.2016

 

 

Kursgång 6: Röda bilar och jordbävningar

Efter förra veckans äventyr som slutade med 1-0 till MapInfo förberedde jag mig mentalt för en tuff eftermiddag i Gumtäkt. Men den här kursgången var den överlägset trevligaste och roligaste kursgången. Det började med att vi i smågrupper fick en GPS och skulle samla in data om valfritt tema i Gumtäkt-trakterna. Tanken var alltså att sedan mata in datan i Excel och från Excel föra över koordinaterna till MapInfo och göra en karta av det hela. Vår grupp valde att lokalisera (grann)röda bilar (parkerade) på Gumtäkt campus. Det visade sig finnas fler röda bilar än vi trodde, vi gick en runda runt Physicum och bongade bilar för fulla muggar. När vi hade 20 observationer gick vi in och matade in koordinaterna i Excel och förde över dem på MapInfo. Resultatet kan beundras nedan (bild 1). Nu väntar vi bara på Nobelpris för vår fina slutsats; röda bilar finns oftast parkerade på parkeringsplatser. Vem hade trott det liksom?

Punaisten_autojen_metsastysPuniaset_autot

Bild 1 & 2: Karta över Gumtäkt kampus som visar var grannröda bilar står parkerade. De röda bilarna är markerade med röda prickar på kartan. Till höger en bild från jakten på röda bilar.

Efter vårt lyckade röda-bilar-projekt var det dags att sätta igång på allvar. Jag valde att göra temakartor som illustrerar jordbävningars förekomst på jorden. Kartorna varierar gällande tidsperiod och styrkan på jordbävningar (se bild 3, 4 och 5).

Jordbavningar_1980_8richter

Bild 3: Jordbävningar över 8 på richterskalan från och mellan 1980-2015.

Jordbavningar_1900_8richter

Bild 4: Jordbävningar över 8 på richterskalan från 1900-2015.

Jordbavningar_1980_6richter

Bild 5: Alla jordbävningar över 6 på richterskalan från 1980 till 24.2.2016.

Plates_tect2_sv_svg

Bild 6: Litosfärplattorna. Källa: wikipedia.

Det mest överraskande med kartorna hittar man (enligt mig) om man jämför bild 3 och bild 4. Bild 3 illustrerar alla jordbävningar med styrkan 8 eller större på Richterskalan från och med år 1980 till idag. Bild 4  illustrerar alla jordbävningar med styrkan 8 eller större på Richterskalan från och med år 1900 till idag. Trots att den senare kartan (bild 4) innehåller en 80 år längre tidsperiod ser kartorna förvånansvärt likadanna ut det vill säga att en stor del av de riktigt stora jordbävningarna har de facto skett under de senaste 35 åren. Det enda området som skiljer sig från den trenden är jordbävningar vid Alaska och längs med Aleuterna – där finns inga jordbävningar som är 8 eller högre på Richterskalan efter år 1980 men däremot hela sju sådana jordbävningar mellan 1900-1979.

Som Theresia sammanfattar saken i sin blogg finner man mest seismisk och vulkanisk aktivitet vid den så kallade eldringen (Molander, 2016). Där träffar Stilla havsplattan flera andra litosfärplattor och skapar därmed förutsättningarna för ovannämnda fenomen vid litosfärplattornas kantzoner. En brist i mina kartor är att de är europacentrerade. Eftersom som största delen av jordbävningarna sker vid eldringen hade det varit bättre med en karta som hade Stilla havsområdet i mitten (Leppämäki, 2016).

Den här var kursgången var väldigt givande. Det gick nästan förvånansvärt enkelt att producera en karta som lämpar sig som undervisningsmaterial. I mitt huvud tänkte jag redan hur man med gymnasieelever kunde göra en liknande övning i Riskgeografi-kursen. Framför allt kändes kursgången väldigt nyttig, så här pass enkelt kan man producera material för egna seminarier eller kandi- eller graduarbeten. En trevlig insikt så här mot slutet av kursen.

Källförteckning:

Leppämäki, T. (2016). Otetaan opiksi, tehdään opiksi – 6. kurssikerta. <https://blogs.helsinki.fi/leppatat/2016/02/26/kuudes-kurssikerta-tyon-alla/> Läst 3.3.2016

Molander, T. (2016) Uppfriskande och användbart. <https://blogs.helsinki.fi/theresia/2016/03/02/uppfriskande-och-anvandbart/> Läst 2.3.2016.

Bilden på litosfärplattorna, https://sv.wikipedia.org/wiki/Plattektonik#/media/File:Plates_tect2_sv.svg bild på litosfärplattor (läst 25.2.2016)

 

 

 

Kursgång 5: Buffertzoner

Jaa-a var skall man börja? Diplomatiskt uttryckt kunde man kanske säga att den här kursgången inte var den lättaste. Senast nu märkte jag nog i praktiken att jag tyvärr har ganska dålig koll på hur MapInfo fungerar och att jag inte helt förstår centrala syy-seuraus-suhteita dvs. att jag inte helt förstår varför vissa saker händer när jag använder programmet. Plötsligt saknar jag CorelDraw alldeles fruktansvärt som kändes logiskt då jag använt Photoshop i flera år. Sedan gjorde jag förstås misstaget att före jag började skriva min bloggtext surfade jag omkring och jämförde mina svar med andras svar. Well, what can I say? Det enda som är klart är att svaren varierar.

Det kursgången alltså gick ut på var att använda ett av MapInfos mest centrala verktyg; buffertzoner. Om jag förstått saken rätt går det i praktiken ut på att MapInfo med hjälp av polygoner, som man skapar på olika avstånd av valda punkter, räknar ut eller analyserar den data som finns i de önskade områdena. Ett belysande är hur många människor som bor inom 1 km från Malms flygfält (Tabell 1). Buffertzonerna är således ett ganska centralt redskap inom stadsplanering och planering av infrastruktur då man lätt kan räkna ut hur många människor som berörs av ljudet av en ny motorväg exempelvis. Användningen av buffertzoner var inte så svårt när man väl kommit igång, största problemet var att olika lager var i fel ordning eller aktiverade så att ens svar inte syntes genast och gjorde en aningen förvånad. Svarena från kursgången finns nedan. Under tabellen finns också några kommentarer som förklarar vissa resultat.

Skärmklipp

Tabell 1: Svarena för kursgången. *) Av misstag hade jag här räknat ut andelen skolbarn i tätorter och inte utanför tätorterna så lämnade rutan tom för att inte skapa förvirrning.

Ett av de mest konstiga och minst pålitliga svaren jag fick var i tätortsuppgiften där man skulle ta reda på antal områden där andelen utlänningar överstiger en viss procent. De två första svarena (tabell 1) kändes ännu logiska; 13 områden med över 10 % och 6 områden med över 20%. Och också det sista värdet, 9 områden med över 30 % kändes realistiskt. Ända tills jag kollade datan bakom sifforna och märkte att MapInfo hittade områden där utlänningarnas andel var 110%… Jag har ingen aning om hur det hände och hur jag ska tolka detta (förutom att något helt tydligt inte gick som på Strömsö). Shit happens I suppose.

Buffertzoner kan säkert användas till allt möjligt. Det första jag tänkte på var att det hade varit coolt att analysera hur många människor som berörs av en orkan som slår till mot någon stad och hur många som måste evakueras (ifall man beaktar vindstyrkan och hur mycket havsnivån kan stiga och på så vis få fram ett område som enligt prognoserna drabbas värst). Ett mer finskt exempel kunde vara hur många som påverkas av exempelvis Vanda Ås årliga översvämningar eller hur många som påverkas av en hypotetiskt jättestor översvämning som kanske sker 1/50 år statistiskt sett och se hur många människor som skulle beröras av en sådan översvämning. Också företagare kunde använda buffertzoner; exempelvis om någon skall öppna ett nytt gym kanske man vill få reda på hur många människor i målgruppen som bor inom ett par kilometers radie från den tilltänkta nya faciliteten. Vidare kan räddningstjänsten använda sig av metoden för att bedöma var de rent geografiskt lönar sig att placera sig (Johanson, 2016).

Jag anser att de största fördelarna med MapInfo är hur sorglöst (läs: lätt) det är att göra olika sorters temakartor. Efter den här kursgången är det förstås också klart att buffertzonerna är otroligt användbara. På basis av egna erfarenheter misstänker jag å andra sidan att den största begränsningen är käyttäjän tyhmyys – det att man av misstag glömmer att uppdatera en kolumn här eller aktivera ett lager där och plötsligt har man väldigt konstiga analyser eller kartor till hands. Eftersom man både kan bearbeta tabeller, information och göra kartor är MapInfo mångsidigare än CorelDraw och fungerar bra som ett kombinationsprogram just därför.

Källförteckning:

Johanson, J. (2016). Kurstillfälle 5. <https://blogs.helsinki.fi/jorunn/> Läst 24.2.2016

 

Kursgång 4: Ristin rastin med rutor och raster

Idag bekantade vi oss med rutor och raster i MapInfo. Målet var att producera en karta över huvudstadsregionen med valfri variabel. Jag valde att granska hur personer med annat modersmål än finska eller svenska är utspridda över huvudstadsregionen. Idéen var att producera ett rutnätverk, en grid, över kartan som samtidigt som man gör den också gör en tabell med info om varje ruta (Fischer, 2016). Sedan när man väl har gjort sin grid kan man göra temakartor på basis av den.

K4_250grid

Bild 1: Karta över antalet personer vars modersmål inte är svenska eller finska. Rutornas storlek 250×250 meter.

K4_500grid

Bild 2: Karta över antalet personer vars modersmål inte är svenska eller finska. Rutornas storlek 500×500 meter.

Av någon anledning fick jag inte kompassrosen flyttad så den blev lite fånigt placerad rakt på Helsingfors kommungräns (bild 1 och bild 2). Färgerna fungerar K4_500grid_pienalueetmen jag är inte helt säker på att de är optimala. Man kunde också lägga på ett “pienalue-lager” på kartan som visar de olika stadsdelarna. Jag tyckte att det störde mera än gav information så jag valde bort det (se bild 3).

Bild 3: Samma karta som bild 2 men med stadsdelarna utritade.

I jämförelse med koropletkartor är informationen betydligt noggrannare i en punkttemakarta (“ruututeemakartta”) eftersom de små rutorna möjliggör mer detaljerad information (Wicklund, 2016). Å andra sidan är den kanske mer komplicerad att avläsa. Speciellt i kartan med små rutor (bild 1) blir det lätt för mycket information som illustreras med för många, små rutor i olika färger. Rutstorleken är ofta avgörande för att kartan skall se bra ut (Johanson, 2016). Även om trenderna går att avläsa ur båda kartorna tycker jag själv att kartan med större rutor (bild 2) är lättare att titta på.

Jag anser att den lättaste kartan att läsa är den andra (bild 2) med stora rutor (500meters grid) och inga extra områdesindelningar förutom kommungränserna. Där syns den informationen som jag önskar förmedla med kartan.

Från kartan (bild 2) kan man avläsa att det finns mest människor med andra modersmål än finska och svenska i Helsingfors Centrum, östra delarna av Helsingfors och vissa stadsdelar i Esbo vilket går hand i hand med den pågående segregeringen av huvudstadsregionen. Å andra sidan finns det förstås mest människor annors också i Helsingfors innerstad och därför också fler personer med andra modersmål än finska eller svenska.

Grankulla och norra delarna av Esbo har väldigt lite personer med andra modersmål än våra nationalspråk. Vissa små, intressanta detaljer finns också i kartan. Otnäs-området är betydligt “rödare” än omkringliggande områden (bild 2) vilket sannolikt beror på att campusområdet lockar internationella studeranden och företagen som finns i området lockar arbetstagare från när och fjärran.

Källförteckning:

Fischer, M. (2016). Paikkatiedon hankinta, analyysi ja kartografia, kurssikerta 4. <https://blogs.helsinki.fi/mattifis/2016/02/15/paikkatiedon-hankinta-analyysi-ja-kartografia-kurssikerta-4/Läst 15.2.2016.

Johanson, N. (2016). Kursgång 4: Rutor och rasterkartor. <https://blogs.helsinki.fi/nicolina/2016/02/13/kursgang-4-rutor-och-rasterkartor/> Läst 15.2.2016.

Wicklund, A. (2016). Kurssikerta 4 – Ruudukot ja rasterikartat mapinfossa. <https://blogs.helsinki.fi/awicklun/2016/02/13/kurssikerta-4-ruudukot-ja-rasterikartat-mapinfossa/> Läst 15.2.2016.

Kursgång 3: Bland diamanter och avrinningsområden

Det här var åtminstone enligt mig den hittills mest krävande kursgången. Vi kombinerade flera olika databaser till varandra för att skapa kartor. Under själva demonstrationen gjorde vi en karta över Afrika som visualiserade oljekällor på land, diamantgruvor och konflikter (platser där konflikter skett).

Det förblev lite oklart för mig ifall det var meningen att man skulle skriva något om Afrika i det här blogginlägget men som tur dök det upp noggrannare instruktioner på Tiedotusblogin senare. Jag sparade inte kartan över Afrika på något vettigt sätt eftersom vi blev tillsagda att det inte behövs. För analysen nedan använde jag kartan som hittas på kursens tiedotusblogi (Paarlahti, 2016).

Det korta svaret på frågan ifall det finns ett samband mellan konflikter, diamantegruvor och oljekällor på land är jo och nej. På kartan ser nästan hela Afrika grönt ut där grönt anger konfliktzoner (Paarlahti, 2016). Så kallade bloddiamanter är sorligt exempel på att det nog finns samband mellan konflikter och diamantbranshen. Däremot måste man också komma ihåg att största delen av alla konflikter i Afrika är socioekonomiska/sociopolitiska och har sina rötter i kolonialisemens tidevarv. Oljekällor och diamantgruvor säger nödvändigtvis inte mycket om ett lands utveckling ifall inte resurserna är jämnt fördelade – vilket de sällan är. Ett sätt man kunde mäta hur bra det går för ett afrikanskt land är andelen av befolkningen som har internet (Alanko, 2015).

Det som hade varit intressant att göra med kartan över Afrika vore att få mer information om de enskilda konflikterna och sätta dem i relation till öppningsåret för diamantgruvor och/eller oljefälten i närheten. Det hade märkbart underlättat att granska om konflikten kan tänkas bero på någon av ovannämnda orsaker eller om det är en annan typs konflikt. Till exempel i Nigeria har Shell fått se starka motreaktioner (läs attacker) mot deras verksamhet (kanske inte helt oväntat heller då flera oljeutsläpp förstört miljön ganska ordentligt i Nigeria) (Vidal, 2014).

Det som jag inte helt förstår med Afrika-kartan (Paarlahti, 2016) är vad det har för skillnad på konflikterna som är märka med röda kryss och de som är märka gröna bollar… Man skulle ju tro att det finns en orsak till att de illustrerats på två sätt.

I “Afrika-databaserna” fanns massor data som kunde jämföras sinsemellan. Till exempel kunde man försöka utreda hur eventuella diamantgruvor och/eller oljefält har påverkat den sociala och ekonomiska utvecklingen i det undersökta landet – som indikator för de processerna kunde användas antalet internetanvändare eller användare av mobiltelefoner. Å andra sidan är det sorligt många fall där pengarna från oljefälten rinner ut ur ursprungslandet via internationella företag till andra länder och då kanske internetanvändningen ändå inte har så mycket att göra med landets naturresurser.

Sedan var det dags att på egen hand kombinera olika databaser för att få fram en koropletkarta på basis av översvämningsindex (tulvaindeksi) och dessutom lägga till ett kartogram över hur stor andel av området som består av sjöar (järvisyys, %). Det kändes genast som om jag hade glömt bort hälften av det vi gick igenom tidigare under föreläsningen. Öppnade filerna jag behövde men glömde att kombinera datan så när jag trodde att jag räknade ut översvämningsindexet (MHQ/MNQ där MHQ är keskiylivirtaama och MNQ keskialivirtaama) räknade jag egentligen något helt annat. Men efter lite krishjälp av Arttu och några bordsgrannar fick jag det rätt.

När översvämningsindexet var uträknat borde man egentligen ha gjort ett histogram av det. Men för att spara tid fick vi histogrammet färdigt. Där såg man tydligt att det fanns ett extremt avvikande område; Aura Å fick ett värde på 1100 medan alla andra områden rörde sig mellan 53-550. Med den här infon valde jag att göra klassificeringarna med Natural Break i fem klasser (se bild 1)

Som färger valde jag vita och blåa toner eftersom det är frågan om vattenrelaterade saker och det är färger som ofta länkas ihop till det. Dessutom är färgerna rätt neutrala och “lätta” att se på.

Procentandelen sjöar sattes till via Bar Charts så att varje område fick en stapel vars längd symboliserar procenten sjöar i området. Också här valde jag blå färg. Efter det gjorde jag en hel del finjusteringar (vilket inte var så lätt som man kunde tro), gjorde en måttstock och en nordpil, redigerade legenden och sparade hela härligheten. Slutresultatet ser du nedan (bild 1).

Valumaalueet2Bild 1: Koropletkarta över översvämningsindexet och kartogram över andelen sjöar.

Det som hade varit roligt och fint var ifall vattendragen som nu syns utanför Finlands avrinningsområden hade synats svagt bakom koropletkartan. Kom att tänka på det först senare men har faktiskt ingen aning om hur man gör det i MapInfo. Då hade ju sjöarnas stora andel Insjö-Finland synats ännu bättre.

Från kartan (bild 1) kan man tydligt avläsa att de områdena med lägst risk för översvämningar är i de områden som har mycket sjöar. Insjö-Finland med de stora sjöarna så som Päijänne och Saimen har följaktligen väldigt låga översvämningsindex. Det beror på att sjöar “bromsar” upp vattnets kretslopp medan områden med mycket åar och flodar gör att vattnet snabbt rinner från a till b och ökar risken för översvämning. Till samma slutsats har flera andra kursister också kommit till (Pakkasvirta, 2016) Typiskt är också att områden som har större risk för översvämning är låglänta områden nära kusten och det är alla områden med hög risk för översvämning på kartan (bild 1).

Dessutom är områdena med högre översvämningsindex viktiga jordbruksområden och framför allt i Österbotten har stora delar av myrarna dikats ut för att ge plats åt mera åkrar (Luonnontila, 2013). Det här bidrar till att göra de årliga översvämningarna värre. För att förbättra läget kunde man återställa myrarna i sitt naturliga tillstånd det vill säga täppa igen dikena så att vattnet “rinner långsammare” (Suomen Luonnonsuojeluliitto, 2012). Flera av områdena är också relativt tätt befolkade (åtminstone i finsk skala) så där har antropogen verksamhet också kunnat bidra till översvämningsrisken (utdikning av myrar, göra flodåror raka, avverkningar av skog, förändringar i avrinningsområdena osv.). Trots detta, är det självklart att den största orsaken till att områdena med högst översvämningsindex finns där de finns är för att de har de stora floderna som ofta översvämmar under våren (Lappalainen, 2016), få sjöar och kärrsystem som bromsar upp vattnet och låglänt mark.

Källförteckning:

Alanko, Joonas. (2015). Pak kerta 3. <https://blogs.helsinki.fi/jbalanko/>Läst 6.2.2016.

Lappalainen, Sirje. (2016). 3. kurssikerta – aineistojen muokkausta ja karttatulkintaa. <https://blogs.helsinki.fi/sirjelap/> Läst 6.2.2016.

Luonnontila (2013). SU1 Soiden ojitustilanne. <http://m.luonnontila.fi/fi/elinymparistot/suot/su1-soiden-ojitustilanne> Läst 6.2.2016.

Paarlahti, Arttu. (2016). PAK-kurssin Tiedotusblogi. Konflikteja Afrikassa. <https://blogs.helsinki.fi/pak-2016/2016/02/09/konflikteja-afrikassa/> Läst 10.2.2016

Pakkasvirta, Elsa. (2016). KOLMAS KURSSIKERTA – SYVISSÄ VESISSÄ (HEH) VALUMA-ALUEILLA, AFRIKASSA JA MUUTENKIN. <https://blogs.helsinki.fi/elspakka/Läst 6.2.2016.

Suomen Luonnonsuojeluliitto (2012). Soiden ennallistaminen vähentää tulvia.<http://www.sll.fi/ajankohtaista/tiedotteet/2012/soiden-ennallistaminen-vahentaa-tulvia> Läst 6.2.2016.

Vidal, John. (2014). “Shell faces payouts in Nigerian oil spill case.” The Guardian, 20.6.2014. <http://www.theguardian.com/environment/2014/jun/20/shell-faces-payouts-nigerian-oil-spill-case> Läst 10.2.2016.

Artikel 1 – Koropletkartor med två variabler

Artikeln  Two-variable choropleth maps as a useful tool for visualization of geographical relationship handlar om bivariabla kartor (kartor med två variabler) och hur de kan användas. Också potentiella problem med sådana kartor behandlas. Före jag läste artikeln har jag nog passivt stött på och bekantat mig med bivariabla koropletkartor men jag har inte reflekterat så mycket över saken eller ens tänkt på att det här är en karta med två variabler.

En fördel med kartor med flera variabler är att läsaren då kan märka förhållanden mellan de olika variablerna (Ehnström, 2016). Nackdelen är att kartorna med flera variabler oftast blir mer komplicerade och risken för feltolkning ökar. Därför har kartografen ett stort ansvar och också små förändringar i kartans visuella utseende kan vara avgörande för hur kartan tolkas. Kartografernas främsta mål borde följaktligen vara att se till att kartan är så läsbar som möjligt (Hakala, 2016).

En kritisk sak gällande kartor med flera variabler är hurdan klassificering man gör av datan. Antalet grupper borde vara så pass få att läsaren lätt förstår dem (artikeln) i praktien 4 (2×2) eller 9(3×3) för då går det ännu lätt att avgöra vilka av klassificeringarna som är höga värden, medelvärden och vilka som är låga värden (Leonowicz, 2006). Men precis som Veera skriver i sin blogg är redan 9 olika färger att hålla koll på svårt (Karvonen, 2016) och att avläsa legenden är därför ofta mycket svårare i bivariabla koropletkartor än i en koropletkarta med endast en variabel. Som Christina påpekar i sitt blogginlägg är detta särskilt problematiskt; om man inte förstår legenden förstår man knappas mycket av resten av kartan heller (Elgert, 2016). En begränsning av bivariabla koropletkartor är läsarens perception av kartan i frågan (Leonowicz, 2006). Om läsaren missförstår kartan har kartografens arbete varit förgäves.

Också val av färger påverkar mycket. Ett belysande exempel är användningen av grönt och rött vilket förorsakar problem för personer med färgblindhet. Ett annat exempel är att olika färger ofta förknippas med olika saker, även om det är könnsstereotypiskt att framställa män med blå färger och kvinnor med röda hade en temakarta som använde motsatta färger för könen krävt att man kollat en extra gång för att säkert förstå kartan rätt. Också färgernas intensitet påverkar så som Alexandra påpekar i sin blogg (Arppe, 2016) – ju starkare färg, desto högre ”värde” eller procent förväntar vi oss oftast.

Jag har inte själv gjort lika avancerade kartor som återfinns i artikeln (Leonowicz, 2006) men jag upplever likväl att det svåraste i att göra kartor är att göra klassificeringarna. Dels hur många grupper man har och dels hur de indelas sinsemellan (equal count, natural break osv.). Det påverkar kartans utseende extremt mycket och jag kan bra tänka mig att det påverkar en bivariabel koropletkarta ännu mer än en “normal” karta.

Källförteckning:

Arppe, Alexandra. (2016). Artikel 1. https://blogs.helsinki.fi/abcarppe/ Läst 6.12.2016

Ehnström, Emil. (2016). Artikkeli 1- Miten kartta + kartta = parempi kartta <https://blogs.helsinki.fi/ehem/2016/02/04/artikkeli-1-miten-kartta-kartta-parempi-kartta/> Läst 6.2.2016.

Elgert, Christina. (2016). Artikkeli 1: Kahden muuttujan koropleettikartat. <https://blogs.helsinki.fi/christie/2016/02/04/artikkeli-1-kahden-muuttujan-koropleettikartat/> Läst 6.2.2016

Hakala, Hanna. (2016). Artikkelitehtävä 1: Kahden muuttujan koropleettikartat. <https://blogs.helsinki.fi/hakanna/2016/02/04/artikkelitehtava-1-kahden-muuttujan-koropleettikartat/Läst 6.2.2016.

Leonowicz, A. Two-variable choropleth maps as a useful tool for visualization of geographical relationship. T. 42. Nr. 1. P. 33–37 Geografija (2006). Polish Academy of Sciences, Institute of Geography and Spatial Organization.

Karvonen, Veera. (2016) Artikkeli 1. Kahden muuttujan koropleettikartta. <https://blogs.helsinki.fi/kveera/2016/02/01/artikkeli-1-kahden-muuttujan-koropleettikartta/>  Läst 6.2.2016.

Kursgång 2: Kombinationskartor

Under den andra kursgången fortsatte vi att bekanta oss med MapInfo och olika sätt att göra temakartor på. Vi gjorde en hel del övningar under föreläsningsdelen av kursgången. Bland annat gjorde vi en tredimensionell karta men jag någonstans halvvägs igenom instruktionerna lyckades jag tappa bort mig så totalt att Columbus felnavigering bara liknar en liten omväg. Färgerna bokstavligen flög ut ur kartan och placerade sig bakom kartan i alla regnbågens färger. (Borde ha sparat “kartan” och sålt den som ett konstverk.) Efter det här lilla missödet tvivlade jag starkt på att nästa arbete skulle gå mycket bättre. Men det gick faktiskt rätt bra.

Dagens uppgift var att göra en valfri temakarta på valfritt geografiskt område i Finland med två olika teman som jämförs sinsemellan. Jag valde landskapet Päijät-Tavastland, dels för att jag bekantade mig med kommunen Padasjoki redan under TAK-kursen och dels för att jag genuint är intresserad av området. Först gjorde jag en koropletkarta över antal arbetsplatser. En koropletkarta har en färdig områdesindelning (kommunerna i det här fallet) och varje område får en viss färg på basis av dess värde (Helsingfors Universitet, 2012) Klassificeringen gjordes med Equal Count. Sedan lade jag till familjernas antal som staplar i varje kommun. Resultat ser du nedan (bild 1).

Vecka2_Rikberg

Bild 1: Antal familjer och arbetsplatser i Päijät-Tavastland, 2010.

Det första jag tänkte när jag satte ihop koropletkartan (arbetsplatserna) med staplarna med familjernas antal var att det här är inget nytt under solen. Kommunen med överlägset mest familjer och arbetsplatser är förstås landskapets största kommun Lahtis. Aningen generaliserat kunde man säga att det finns mest familjer och arbetsplatser i Lahtis och i Lahtis grannkommuner (Hollola, Nastola och Heinola). Padasjoki, Hartola och Hämeenkoski har igen minst familjer och minst arbetsplatser vilket långt hänger ihop med att där helt enkelt bor minst människor.

Fenomenet följer samma trend som i Taneli Pärssinens karta över Egentliga Finland och korrelationen mellan arbetsplatser i kommunerna och hur stor andel av kommuninvånarna som arbetar i sin egen kommun (Pärssinen, 2016). Ju fler arbetsplatser, desto fler jobbar i sin egen kommun (Pärssinen, 2016). Bakgrundsorsakerna är exakt samma som i min karta; kommuner med fler människor har fler familjer, fler arbetsplatser och därmed också en högre andel av personer som jobbar inom den egna kommunen. Städerna lockar människor från landsbygden och mindre kommuner förlorar invånare till större städer och kommuner (Päijät-Hämeen Verkkotietokeskus, 2012).

Källor:

Helsingfors Universitet, (2012.) Koropleettikartat. Kartografian perusteet. Helsinki (http://www.helsinki.fi/maantiede/kurssit/TAK/Kartografian%20oppimateriaali/kartogrper/Kartoilla_viestiminen/viestim97.html#) Läst 2.2.2016.

Päijät-Hämeen Verkkotietokeskus. (2012.) Päijät-Hämeen kunnat; väestöennuste.  (http://www.verkkotietokeskus.fi/index.php/vaesto/87-vaeestoeennuste/294-paeijaet-haemeen-kunnat) Läst 2.2.2016.

Pärssinen, Taneli. (2016.) Kurssikerta 2 (26.1.2016). https://blogs.helsinki.fi/tanelipa/ Läst 2.2.2016.

Kursgång 1: Introduktion till MapInfo

Under den första kursgången bekantade vi oss med programmet MapInfo som kan användas för att göra kartor. Som van användare av Photoshop och efter höstens kurser med CorelDraw kändes MapInfo aningen ”stökigare” med massor olika fönster, flikar och menyer. Men bara man sätter lite mer på tid på det klarnar det säkert mer. Dagens övningsuppgift var att göra en kloropletkarta.

Jag valde att göra en koropletkarta över var personer med en högre examen bor – det vill säga hur stor andel av befolkningen i varje kommun som har en högre examen. Jag valde att gruppera datan med equal count. Måste medge att jag inte reflekterade så hemskt mycket över det valet utan tyckte att kartan såg bra ut med den grupperingen och att tydliga skillnader kom fram bra. Såhär i efterhand hade det ju varit bra att användVersion2a ett histogramverktyg för att ta reda på vilken gruppering som på riktigt hade varit bäst men då när jag gjorde kartan en sen torsdag eftermiddag i Gumtäkt var det helt tillräckligt utmanande att förstå sig på MapInfos grundfunktioner. Men nästa gång vet jag bättre.

Kloropletkartan har vissa tydliga trender. I samband med de stora städerna och inte minst universitetsstäderna (exempelvis Helsingfors, Tammerfors, Åbo, Vasa, Rovaniemi, Uleåborg, Joensuu, Lahtis och Jyväskylä), är andel av befolkningen med högre examen stor. Också kommunerna utanför de stora städerna (ett belysande exempel är alla kommuner i Västra Nyland) har en högre andel av högtutbildade än kommuner längre bort. Finlands 34 tätortsområden går som hand i handske med områdena över utbildningsnivån (Suomen Ympäristökeskus, 2012). Det här är i och för sig inget nytt under solen – i de stora städerna finns mera arbetsplatser, mer människor och mer studeranden som eventuellt blir kvar i orten och jobbar efter studietiden.

Kartan kunde också symbolisera vilka kommuner som växer och vilka som krymper (både ekonomiskt och befolkningsmässigt). Tittar man på Hanna Hakalas karta från samma kursgång (Hakala, 2016) ser man (lite generaliserat förstås) att det är ungefär samma områden i Finland som har både sämst ”huolto-suhde” och lägst andel av människor med en högre examen. Också det hänger ihop med den allmänna trenden i Finland där tätorterna vinner på landsbygdens bekostnad.

Källförteckning:

Hakala, H. 2016. 1. kurssikerta. https://blogs.helsinki.fi/hakanna/ Läst 23.1.2016.

Suomen Ympäristökeskus, Yhdyskuntarakenteen toiminnalliset alueet Suomessa. Helsinki, 2012. Sidorna 9-11.