Matematiska analyser

God dag!

Äntligen…… ÄNTLIGEN blev jag klar med förra lektionens uppgifter and booy it took a while.

Förra lektionen gick vi igenom hur man gör bufferzoner och analyser av olika slag.  Jag var faktiskt ganska taggad av att få börja arbeta med matematiska analyser av geodata. Dels för att utvecklas mera men främst för att då när jag läste geografi till studentskrivningarna tyckte jag att det verkade svårt, komplicerat och funderade mycket över ifall jag någonsin skulle använda mig av sådana analytiska modeller. Nu 1,5 år senare när jag har liiite mer hum om GIS och faktiskt gjort analyser tycker jag att bufferanalys i sig inte är speciellt svårt, utan de tekniska aspekterna i QGIS  är betydligt svårare. Jag tycker t.ex att det är relativt lätt att tänka vad man skall räkna och göra för att uppnå ett resultat men hur man gör det är mycket svårare.

Denna vecka, både under lektionen men främst hemma har jag gjort olika bufferanalyser på olika material. Först gjorde jag en buffertanalys på hur många som bor inom en viss radie från Malms och Helsingfors-Vanda flygfält och hur många av dem som påverkas av ljudnivån. Jag räknade rätt hur många som bor inom zonen i fråga men jag tror att jag räknade fel hur många som påverkas av ljudnivån. Orsaken att jag tror så är för att jag läste andra kursdeltagares blogg och mina värden för de som påverkas av ljudnivån var betydligt lägre än flera andras. I till exempel Vilma Koljonens tabell är värdet betydligt högre över hur många som påverkas av ljudnivån över 55 decibel än mina värden.  Överlag när jag kollade igenom bloggar märkte jag att fleras värden varierade från varandra men jag tror att det främst har och göra med att alla har ritat de buffrade linjerna lite olika vilket förändrar resultatet. Så då är värdena korrekta enligt ens egen analys men de resultaten kan inte tillämpas för andras analyser.

Tabell 1.  Tabell över mina resultat på bufferanalyserna.

En annan buffertanalys jag gjorde var över mängden invånare som bor inom 500 meters radie från metro- och tågstationer samt hur många av dem som är i arbetsålder. Det var intressant att se att 69% av alla de som bodde nära stationerna var i arbetsålder, detta verkar logiskt för mig då pendlig är väldigt normalt i arbetslivet så bosättning nära goda transportled verkar logiskt.

Diagram 1. Ett stapeldiagram som visualiserar i staplar hur stor andel som bor nära stationerna och är i arbetsålder av den totala befolkningen.

Jag gjorde även en buffertanalys på hur många av den totala befolkningsmängden bor i stadsområden i  Vanda samt de som bor i mer periferia områden.  Dessutom räknade jag hur stor procent av dem är i skolålder och hur stor andel av barnen i skolåldern som bor i stadsområdet samt utanför i periferia områden. Det var en klar majoritet som bodde i stadsområden, speciellt kring korsningar, vägnät och som sagt stationer. Tättbefolkade urbana områden har flera pull faktorer; bättre service, tjänster och vägnät. Speciellt barnfamiljer bosätter sig i stadsområden för korta avstånd till daghem och skolor, av dessa tjänster finns det ofta rikligt av vid områden som är tättbefolkat. Enligt min graf (diagram 2.) bor 97,4% av alla barn i skolåldern  i stadsområden medan endast 2,6% av alla barn bor utanför stadsområdet.

Tabell 2. Tabell över mina resultat på buffertanalyserna.

Jag valde att göra diagram i Excel, dels för att visualisera resultaten bättre men också för att fräscha upp mina Excel kunksaper så att jag inte totalt glömmer bort dem.

 Diagram 2. Stapeldiagram över mängden invånare och barn som bor i stadsområde samt utanför i mer periferia områden.

Till sist men inte minst gjorde jag en betydligt svårare analys över skol regioner i Helsingfors. Jag skulle ta reda på bl.a hur många barn som börjar årskurs 1 kommande läsår i Helsingin Yhtenäiskoulu. Jag höll på i timmar och funderade  och filade över uppgiften. Först var det något tekniskt fel vilket hindrade mig av att göra uppgiften och sedan hade jag svårigheter med att veta exakt vilka verktyg jag skall använda och i vilken ordning. Men efter flera om och men så fick jag uppgifen gjord vilket var väldigt belönande. Kortfattat avklarade jag uppgiften med att först välja den skol regionen som Helsingin Yhtenäiskoulu finns, vart efter jag valde invånarna inom zonen. Efter att ha uppnått detta räknade jag ut mängden kommande första klassister, hur många barn allt som allt studerar i skolans högstadium samt hur många barn det finns i skol regionen.

‘ Tabell 3: Tabell över mina resultat på bufferanalyserna.

Bufferanalys kan absolut vara väldigt användbart och relevant i flera olika samhälliga situationer. Allt från att kartlägga förödande effekter av olika naturkatastrofer till att planera olika offentliga evenemang i städer. Som Tomi Kiviluoma nämnde i sin blogg att bufferanalyser kan vara användbart i stadsplanering vilket jag absolut håller med om.  Också i byggandet av infrastruktur och avverkning av skog skulle matematiska analyser vara viktiga redskap.

Just nu känns det som att jag någonlunda behärskar matematiska anlyser i QGIS men att jag inte alls kan det ännu så väl som jag skulle villa. Jag känner mig fortfarande lite osäker med de nya verktygen och vad de exakt gör men jag upplever att jag utvecklas mer efter varje vecka. Jag vet att jag för 1,5 år sedan skulle vara enormt stolt över mig själv nu och allt jag har lärt mig inom GIS.

Tack och gonatt,

Micki

 

Källor:

Koljonen, V. Bufferointia & analysointia. Läst 17.2.2020 https://blogs.helsinki.fi/vilmakol/

Kiviluoma, T. Valintojen maailma: bufferointia ja tietokantojen syväluotaavaa suodatusta. Läst 17.2.2020. https://blogs.helsinki.fi/tomingeoblogi/