Month: March 2021

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/