mathildl's blog

Vecka 7. Korrelerar högre högskoleutbildning med högre inkomster?

Sista veckans övning var mycket rolig att göra, då jag valde själv materialen och hurdan karta jag ville göra. Jag är mycket intresserad i hur huvudstadsregionen är uppbyggd. Det vill säga var olika sorters människor bor och ifall det finns liknelser mellan personer som bor i inom områden. Under de senaste veckorna har vi gjort en karta över mängden hus med simbassäng, vilket endast säger något om hur husen är gjorda. I denna uppgift undersöker jag invånarnas utbildning och inkomster.

Kartan jag gjorde, bild 1., visar procenten invånare som avlagt högre högskoleexamen inom de olika postnummerorterna och hur invånarna är indelade i de olika inkomstklasserna enligt cirkeldiagram. Man kan tydligt se på kartan att i södra huvudstadsregionen har en större del invånare högre högstadieutbildning medan norra huvudstadsregionen har endast ett fåtal procent av invånarna högsta universitetsutbildning. Man kan även se att medelinkomstnivån är vanligast i norra huvudstadsregionen.

Jag använde mig av Paavo 2020, öppen data enligt postnummerort, till att göra kartorna. Det är en databas som innehåller statistik från postnummerorterna, varifrån jag valde att använda invånarnas disponibla penninginkomster och invånarnas utbildningsnivå. Att sedan kunna bearbeta datan och forma den till ett användbart lager, var mycket roligt. Speciellt då man kunde se stora procentuella skillnader mellan områdena.

Resultatet av kartan var lyckad då man kan se tydligt att det har en skillnad på områdets inkomstnivå beroende på procenten invånare som avlagt högre högskoleutbildningen. Områden där en stor procent av invånarna avlagt högre högskoleexamen är Grankulla, Helsingfors centrum, Brändö, sydöstra Esbo och Svedängen. Inom de flesta områden i Vanda, har en låg procent av invånarna avlagt en högre högskoleexamen.

Huvudstadsregionen är relativt stort, bild 2. är en förstorning på bild 1. så man kan urskilja skillnaderna lättare. Ett område som står ut bland de röda områden är det ljus gröna Otnäs. Orsaken bakom varför Otnäs är ljus grönt med en låg procentuell andel invånare som avlagt högre högskoleexamen, är på grund av mängden studerande i området. Det påverkar även inkomstnivån som visar att största delen invånare är låginkomsttagare. Datan jag använde räknar med alla invånare som fyllt 18 år, bland 18-24 åringar är det få som har en hög inkomst och ännu färre som hunnit avlägga en högre högskoleexamen. Det gör att kartan stämmer inte helt men man får en bra bild över var människor med högre högskoleexamen bor.

Bäst av allt skulle ha varit om datan jag använde skulle gått att räkna exakt hur många som avlagt högre högskoleexamen och även hör till högsta inkomstklassen. Men det blev ett mycket intressant resultat oberoende att jag använde två olika statistiska material. Det skulle även varit mycket intressant att se hur högre högskoleexamen är fördelad mellan kvinnor och män. Lotta Puodinketo hade forskat i människor som känner sig osäkra inom Helsingfors områden och arbetslöshetsgrad, vilket skulle även ha varit intressant att jämföra med min kartas resultat.

Denna kurs har varit både rolig och mycket jobbig, men jag har tyckt väldigt mycket om den. Man har fått vara kreativ och lärt sig ett helt nytt datorprogram. Jag har alltid varit fascinerad över olika sorters statistik och nu kunna göra statistiken till en karta, anser jag vara en mycket bra kunskap. Tack för den givande kursen!

Källa:

Puodinketo, L (2021) viitattu 17.3.2021 https://blogs.helsinki.fi/lottapuo/2021/03/02/7-kurssikerta-omaa-tyoskentelya/

Tilastokeskus, Paavo-postinumeroaluetilastot, viitattu 16.3.2021

 

 

Vecka 6. Naturkatastrofer

Jag har alltid varit mycket intresserad i tektoniska plattornas rörelser. Hur vissa områden kan ha hög vulkanaktivitet och många jordbävningar medan andra områden som Finland inte utsätts för samma naturkatastrofer. Då jag var liten upplevde jag en stor jordbävning med magnitud över 6 i Kalifornien, sedan dess har jag varit fascinerad över eldringen. Under veckans övning fick jag turen att skapa kartor med mål att användas som undervisningsmaterial till hur tektoniska plattornas rörelse påverkar var det sker jordbävningar och vulkanutbrott.

Jag gjorde 4 kartor, bild 1. är en karta över var det skett jordbävningar över magnitud 6 och vulkanutbrott, bild 2. är en karta över extremt kraftiga jordbävningar, bild 3. är en karta över alla jordbävningar över magnitud 6 och bild 4. är en karta över jordbävningar per land sedan 1950-talet.

Då man ser på bilderna 1,2 och 3 kan man urskilja att punkterna finns på viss områden. Det beror på var de tektoniska plattorna möts, man kan tydligt urskilja eldringen på kartorna som befinner sig runt Still Havet. Eldringen är det mest aktiva vulkaniska området i världen. Man kan även urskilja hotspots i haven, Hawaii som en ensam gul prick i Stilla Havet.

Då jag gjorde kartorna skulle jag velat göra en karta som innehåller tektoniska plattornas rörelse så man kunde rakt se hur jordbävningarna och vulkanerna korrelerar med var tektoniska plattornas gränser finns. I Roosa Harmonens blogg kan man se på bild 5 en karta över de tektoniska plattorna och hur de rör sig. Det finns sker sällan jordbävningar i mitten av tektoniska plattor vilket förklarar den lilla mängd jordbävningar i Finland och norra Europa. Finland ligger på den Eurasiska plattan och närmaste stället som befinner sig på gränsen är Island, vilket man kan se på bilderna 1, 2 och 3 med hög vulkanisk aktivitet.

Ett problem som uppstod då jag gjorde kartorna färdigt, var att Qgis print layouts mått på kartorna visade fel. Märkte det först när jag gjort två av kartorna färdigt. Man kan se på bild 2 och 3 att måttet på kartan inte stämmer för det står att ett svart streck är lika mycket som 100 km, vilket är helt fel skala.

 

Källor:

Arc Gis. Lager: Countries_WGS84 , hemsida: https://services.arcgis.com/B7NI2jUD81lCgSpx/arcgis/rest/services/Assignment_6_Spatial_Reference_Systems/FeatureServer/1

Harmonen, R (2021) Geoinformatiikan menetelmät1. Hemsida: https://blogs.helsinki.fi/harmoroo/

NCEDC (2014), Northern California Earthquake Data Center. UC Berkeley Seismological Laboratory. Dataset. doi:10.7932/NCEDC. Hemsida: https://earthquake.usgs.gov/earthquakes/search/#hazards

National Geophysical Data Center / World Data Service (NGDC/WDS): NCEI/WDS Global Significant Volcanic Eruptions Database. NOAA National Centers for Environmental Information. doi:10.7289/V5JW8BSH , Hemsida: https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/event-data?minYear=1950

Usgs, jordbävningar från 2013-2021. Hemsida: https://earthquake.usgs.gov/earthquakes/search/

 

 

Vecka 5. Tidskrävande men belönande

Då jag var färdig med förra veckans uppgifter trodde jag att jag började förstå Qgis, då visste jag inte vilka svårigheter jag skulle stöta på i vecka 5s uppgifter. Att få färdigt alla uppgifter var mycket svårt då det kändes som om jag stötte på nya svårigheter varannan minut. Jag gjorde övningarna Pornainen, självständiga uppgifterna 1, 2, 3.skolor och 3.simbassänger.

De största svårigheterna upplevde jag i självständiga uppgifterna del 3. Jag kunde göra de tidigare uppgifterna bra då det fanns stödande instruktioner, medan del 3 endast hade frågor man skulle svara på. Eftersom vektorlagren hade mycket information crashade programmet, vilket gjorde att jag vet hur man ska göra mindre databaser för att inte sakta ner programmet. Speciellt jobbigt var pks_vaki lagret.

Då jag gjorde simbassängsuppgiften och skoluppgiften krävdes det att man kunde addera tillsammans de olika punkterna i lagren. Jag trodde att det skulle göras via kalkylator verktyget men jag hade fel. Count points in polygon var min räddare i nöden. Jag insåg att det var det verktyget jag sökte, då jag gick igenom tidigare veckors anvisningar. Efter det hade jag inga problem med Q-gis, men då insåg jag hur viktigt det är att veta vad de olika verktygen gör för att underlätta ens arbete. För att kunna count points in polygon krävs det att man buffrar lagret som är området man ska räkna punkterna i. Man kan välja att buffra ett område runt en punkt och kunna räkna till exempel mängden invånare nära stationer. Man skulle även kunna använda buffer för nästan vad som helst, jag började tänka att man skulle kunna räkna ut korrelationen mellan människors välmående och olika tillgängligheter som till exempel parker eller hav.

På bild 1. ser man en koropletkarta över huvudstadsregionen som visar vilka områden som har flest antal hus med simbassänger i. Det fanns många olika lager som skulle räkna information ut och sedan göra karta. Med hjälp av Sannan blogi, kunde jag se hur kartan borde se ut så att jag visste att jag gjorde rätt, eftersom jag prövat så många olika metoder kunde jag vara säker på att jag gjort rätt när det fanns en klar version.

I uppgifterna svarade man på frågor och informationen samlade jag in i en excel, det var meningen att spara det som en html fil men något gick snett så man hittar den insamlade informationen på bild 2.

Källor:

Jantunen S, kursblogg 2/2021: https://blogs.helsinki.fi/smjantun/

 

Vecka 4. Rutnäts temakarta

Rutnäts temakart är en temakarta som visar data genom rutor, lite som en koropletkarta men man använder ett rutsystem istället för politiska gränser. Alla rutor är lika stora vilket betyder att man kan använda absolutvärden. Användning av absolutvärden i koropletkartor fungerar inte lika bra som i rutnätskartor, då koropletkartornas områden är olika stora och det blir svårare att urskilja mängden i de olika områden. Problemet med en rutnätskarta är att man kan inte jämföra olika städer med varandra utan bara ett specifikt område i taget. Man kan även bestämma hur stora rutor man gör, ju mindre desto mer specifik data och vise versa.

Bild 1. är en rutnäts temakarta över var det finns barn i åldern 7-11 år. Jag valde åldersklassen enligt den ålder man är då man går i lågstadiet, för att kunna finna koncentrationer på barnfamiljer.

Då man ser på kartan kan man tydligt urskilja vissa områden med hög koncentration med barnfamiljer. Största delen är koncentrerad till södra huvudstadsregionen med vissa undantag. Man kan urskilja områden som Grankulla, Esboviken, Mattby, Södra Helsingfors, Hertonäs och Nordsjö på kartan. Alla de nämnda områden har en sak gemensamt, det finns lågstadier i närheten av alla de rödmärkta områden. Nu är kartan lite för enkel för att kunna dra slutsatser, men ifall det skulle vara utsatt på kartan var det finns grundskolor, hade man möjligheten att kunna se samband mellan var barnfamiljer bor versus skolor. För att kunna göra kartan tydligare, kunde man tillägga de största orternas namn och kommungränser så att man kunde uppfatta var olika områden är.

Under lektionen gjorde vi en rutnäts temakarta över andelen svenskspråkiga och nu gjorde jag om människors ålder. Det intressanta med rutnätskartor är att man kan göra den av nästan vad som helst för data. I Antongra’s Geggablog  presenterar Anton en rutnätstemakarta över husens ålder, var man ser var det finns flest gamla hus versus nya hus. Via de olika rutnäts kartorna kan man ser hur staden är uppbyggd, Antons visar var det har byggts nya hus och min visar igen var barnfamiljer bor.

 

Källor:

Anton Granqvist blogg (16.02.21) , https://blogs.helsinki.fi/antongra/

Vecka 3. QGIS börjar bli bekant

Under lektion 3 gjorde vi en karta över konflikter inom Afrika, bild 1. Det intressanta med kartan vi gjorde är att det är ett bra verktyg att förklara hur konflikterna korrelerar med mängden naturresurser. Problemet med min karta är att jag använde dåliga färger och det gjorde att kartan blev mycket otydlig. Man har svårt att urskilja konflikterna med diamanter och det försvårar möjligheten att tyda kartan rätt.

Då jag började arbeta med inlämningsuppgiften valde jag att fokusera på att göra tydligare färger för att urskilja de olika kategorierna på kartan. Detta visade sig dock inte vara den största utmaningen med uppgiften. Då jag började göra översvämningsindex kartan, bild 2, hade jag svårigheter att få Qgis att fungera. Orsaken till svårigheterna var att jag hade inte förstått att då man vill göra en ekvation krävs det att talen är på samma lager. Keskiylivirtaama lagret var i själva verket inte ett lager utan endast information i tabell format, och därav gick det inte att dividera MHQ/MNQ.

Efter att jag äntligen fått lagren ihopsatta så att det gick att dividera de två tabellerna började kartan se ut som den borde. Då uppstod en ny utmaning som jag nu senare märkt att flera andra också upplevt. I till exempel Maijan blogi ser man även hur min karta sett ut då jag inte förstått diagram verktyget. Det var djupet av sjön, järvisyvyys, som inte ville se ut som ett diagram. Orsaken varför kartan blev tillslut färdig var att jag prövade varenda en funktion i diagram verktyget. Kartan är en koropletkarta och en punktkarta, som visar översvämningsindex och djupet av sjöar i Finland

Inlämningsuppgiften var den första uppgiften på Qgis utan tydliga anvisningar. Tack vare den lilla mängd anvisningar blev man tvungen att pröva sig framåt och det gjorde att jag börjar förstå mycket bättre Qgis

 

Källor:

Kursmaterial Geoinformatiikan menetelmät

Maija Jalosen blogi: https://blogs.helsinki.fi/mmjalone/ , 25.2.2021

Vecka 2. Projektioner som förvränger verkligheten

Under den andra lektionen lärde man sig att använda flera redskap inom qgis, bland annat funktionen att tillägga ett vektor lager. Jag tycker det var intressant hur man kan lägga ett till vektorlager och dessutom kunna jämföra de färdiga projektioner med varandra. När man jämför två urklipp av Finland, bild 1., ser man att det är skillnad på kartorna. Problemet är att då man ser för länge på kartorna börjar de se likadana, därför gjorde vi en koropletkarta över hur mycket arean skiljer sig på mercator projektionen från TM35FIN.

På bild 1. ser man kartan över Finland, som visar hur mycket mercator skiljer sig från TM35FIN. När färgerna är lika så ser mercator projektionen bara lite mindre, ögat har svårt att se skillnade på de likanande kartorna. När man tittar noggrant ser man att södra Finland är mycket smalare och norra Finland mycket större på mercator projektionen än TM35FIN. För att kunna urskilja skillnaderna mellan kartprojektionerna borde man se hur mycket arean i verkligheten skiljer sig från varandra. Tack vare kalkylator och vektor lagren kunde man göra en karta, bild 2. , i TM35FIN projektion som visar hur mycket mercator skiljer sig ifrån den.

Att en karta skiljer sig sådär mycket är inte bra. Mercator projektionen är menad att visa hela världen på ett blad vilket orsakar störningar vid ekvatorn och polerna. När jag gjorde kartorna försökte jag hitta en annan karta som skulle skilja sig mycket, men hittade ingen som skiljde sig så mycket ifrån TM35 kart projektionen. Harmonen Roosa hade lyckats hitta en karta som skiljer sig markant från TM35FIN kartan. Harmonen hade gjort en jämförelse mellan Mollweiden och TM35FIN i hennes blogg, jämförelsen mellan de två arean var inte delad uppifrån ner utan från mitten av Finland mot kanterna vilket gjorde det till en intressant jämförelse.

Det finns många olika kartprojektioner men alla är inte gjorde för hela världen, jag hade velat ha en transverse mercator projektion över Finland, vilket gjorde att jag använde endast en karta. Intressantast skulle vara om man kunde få flera kartor och kunna jämföra dem med varandra över hur t.ex. en mercator projektion skiljer sig ifrån en transverse mercator projektion. En annan sak som skulle varit bra om det fanns i Qgis är att kunna göra två olika koropletkartor som ändå använder samma färg skala så att det är lättare att jämföra två olika karttyper med varandra utan att måsta ha samma färg, med olika värden, på båda kartlagren. Då kunde man märka att mercator skiljer sig mer än andra kartor ifrån verkligheten.

Källor:

Harmonen. R(2021) Toinen kurssikerta: karttaprojektioita

 

Vecka 1. Introduktion till Geoinformatiikan Menetelmät

I kursen Gis metoder är det meningen att man ska lära sig att bilda kartor från statistiskt material. Under första lektionen lärde vi oss att använda programmet Qgis, det är ett program som kan bilda kartor av insamlad data. Under timmen gjorde vi en koropletkarta som visar mängden kväve utsläpp runt östersjön. Jag märkte att det är mycket lättare att följa med på den sparade zoom videon då man har möjligheten att pausa och hitta de olika funktionerna utan att behöva skynda sig ifatt. 

Vi skulle göra en koroplet karta som visar mängden kväve utsläpp i norra Europa. Jag hade svårigheter att förstå hur man skulle få in i programmet datan från moodle men efter en väldigt lång stund lyckades jag. Att göra själva kartan gick helt bra, ifrån sätt att jag råkade tappa bort färdiga kartan i qgis men hittade den genom att skriva in de rätta koordinaterna i programmet med hjälp av se vilka koordinater det fanns i zoom video.
På Bild 1. är det den första kartan jag gjorde, som man kan urskilja borde jag gjort sjöarna till en mindre skrikig färg så att de inte skulle vara så starkt kontrast mellan färgerna. Man fokuserar mera på sjöarna än den riktiga poängen som är att se vilka länder har olika kväve utsläpp. 

I den första kartan fanns det mycket material som lades till kartan medan i den andra kartan användes det endast ett kartlager. Bild 2. visar andelen svenskspråkiga i de olika kommunerna. Som man kan se då man jämför de olika kartorna är bild 2 mycket tydligare när man kan urskilja tydligt vilka kommuner som har liten eller stor mängd svenskspråkiga invånare. Orsaken varför bild 2 är mycket tydligare än första bilden är på grund av den lilla mängd statistik som används i andra bilden. 

Det viktigaste jag lärd mig av de första uppgifterna är att det krävs mycket tålamod och det hjälper inte att trycka på alla möjliga knappar, utan istället försöker klura ut vad som gick fel. Speciellt då när mitt färdiga arbete försvann på grund av väldigt underliga koordinater.