Metoder inom geoinformatik 2020

Denna vecka har vi diskuterat och gjort diverse analyser med hjälp av verktyget Viewshed i ArcGis PRO samt bekantat oss med 3D modelling och visualisering. En viewshed analys innebär att räkna ut vilka områden som påverkas eller hindras av ett objekt eller fenomen. Exempel på situationer som viewshed analys används för är när man vill granska en vald punkts synlighet från ett visst område eller om man vill veta om det finns ett hinder mellan sändarantennen och mottagarantennens siktlinje som försämrar mottagningen av signalen.

Första uppgiften ”Performing Viewshed Analysis in ArcGIS Pro” handlade om att med hjälp av viewshed analys räkna ut hur stort yta av ett campingområde lyses upp av artificiellt ljus på eftermiddagen. Uppgiften bestod av att jämföra ljus täckningen av en lampa som lyster från 3 meters höjd och en lampa som lyster från 10 meters höjd då det endast fanns två stycken ljuskällor. Idén med uppgiften var att med hjälp av viewshed analys räkna ut vilket alternativ lyste bättre upp campingområdet.

För att slutföra analysen redigerade jag attribut tabellen och tillade fler variabler som skulle tas i beaktade i uträkningen. Sedan använde jag en raster funktion, Math:Logical för att skriva in värdet på variablerna samt använde jag även Viewshed verktyget.

I andra uppgiften ”Performing Line of Sight Analysis” använde jag också viewshed verktyget samt bekantade mig med 3D modelling. Uppgiften handlade om en fiktiv parad i Philadelphia där jag skulle göra en uträkning hur mycket av parad rutten var sedd från två olika punkter på två olika byggnaders tak. Jag genomförde analysen två gånger för att jämföra synlighetsgraden av rutten ifall det skulle vara klart väder och ifall det skulle förekomma regn, dimma eller smog vilket skulle försämra siktet. Synlighets sträckan var 1100 feet (ca. 335m) vid uppehåll och 600 feet (ca. 182m) vid nederbörd. Denna typs analys är väldigt nödvändig och användbar i diverse branscher, yrken samt olika typs analyser. Jag tycker det var spännande att göra en matematisk analys i en tredimensionell modell.

Jag använde bland annat verktyget ”Construct Sight Lines” för att skapa linjer från observationspunkterna till rutten med 30 feets (ca. 9m) intervall. Därefter använde jag verktyget ”Line Of Sight” för att med hjälp av data om terrängen gallra bort de linjer vars siktlinje blev blockerade av diverse objekt, t.ex byggnader.

Bild 1. En tredimensionell karta över synlighet av parad rutten från två observeradepunkter, synligheten är upptill 1100 feet. ArcGIS PRO.

På kartan ser man de synliga siktlinjerna på 1100 feets avstånd, alltså hur väl man skulle se paraden ifall det vore uppehåll. Paradrutten syns i rött, observationspunkterna syns som en röd diamant och de synliga siktlinjerna syns i lila. För att slutföra den andra delen av uppgiften använde jag verktyget Select By Attributes för att endast välja de siktlinjer som har synlighet till 600 feets avstånd.

Bild 2. En tredimensionell karta över synlighet av parad rutten från två observeradepunkter, synligheten är upptill 600 feet. ArcGIS PRO.

Då det är uppehåll är det betydlig bättre täckning av parad rutten än när det förekommer något atmosfäriskt fenomen som försämrar siktet. Vädret är en viktig variabel att ta i beaktande då man gör analyser om verkliga evenemang eller fenomen.

Sista uppgiften ”Authoring 3D Scenes” bestod till största dels av teori om 3D modelling där jag bland annat läste om tredimensionella modeller på global och lokal skala samt tredimensionella modellers fotorealistiska eller kartografiska egenskaper och hur man kan visualisera modeller.

Uppgiften bestod också av tre kortare deluppgifter där man bland annat bekantade sig med 3D modellings grundläggande egenskaper samt hur man infogar tredimensionella objekt på kartan för vidare visualisering. I sista deluppgiften skulle man visualisera omgivningen runt en specifik byggnad samt hur ljusets skuggning faller på omgivningen beroende från vilken vinkel ljuset faller.

Karta 3. En tredimensionell karta över en byggnad samt dess omgivning. ArcGIS PRO.

Den blåa boxen föreställer bygganden och de gröna bollarna föreställer träd. Skuggningen faller in på en 40 graders vinkel. Speciellt skuggnings processen var väldigt tung för min dator så jag hade svårigheter att ändra på teckenförklaringen. Program som ArcGis PRO som behandlar stordata tär på datorer, speciellt då datorn bearbetar med tredimensionella modeller.

Denna veckas uppgifter var givande, spännande och roliga. Det var spännande att få bekanta sig med 3D modelling samt lära sig hur användbart viewshed analys är.

Uppgifterna denna vecka var klara och intressanta. Jag förstod till största del varför vilka verktyg användes och vad verktygens funktion var. Vad verktygen egentligen gör har tidigare veckor varit lite oklart men efter denna veckas uppgifter har jag fått mer självförtroende av att använda ArcGis PRO och diverse verktyg.

Veckans uppgifter bestod endast av två längre uppgifter. Den första uppgiften handlade om att lokalisera ett lämpligt odlingsområde för en vinodling i San Diego, Kalifornien. Den andra uppgiften var att skapa ett diagram över ställen med översvämningsrisker i Stowe, Vermont.

För att lokalisera ett lämpligt vinodlings område i San Diego måste man ta i beaktande tre stycken krav:

• • • Elevation above 200 meters (656 feet)
    • Slope between 1.5 percent and 15 percent
    • Some southern exposure (southeast, south, or southwest)

Dessa tre krav är viktiga element för vinodling. Om sluttningen är för brant kan det orsaka till exempel erosion och jordskred. Vindruvors odling kräver relativt mycket solljus för att vindruvorna skall mogna, därför måste sluttningen vara riktad mot syd, sydost eller sydväst. En vinodlings höjd över havet varierar beroende på hurdant vin man vill framställa och av hurdana druvor. Dessutom ville den fiktiva lantbrukaren att utsikten från vinodlingen skulle vara över Murray sjön. Med dessa krav i bakfickan började jag slutföra analysen.

Först skapade jag olika raster lager baserat på höjd över havet, lutning på sluttningen och riktningen på sluttningen med hjälp av verktygen Slope och Aspect. Sedan använde jag raster calculation för att kombinera alla dessa lager till ett gemensamt lager. I raster calculation skrev jag en expression där alla krav ingick, då skapades ett kart lager som utmärkte alla områden som är lämpliga för vinodling. Dessa  lämpliga områden syns på kartan nedan.

Karta 1. Karta över områden som lämpar sig för vinodling baserat på tre krav. San Diego, Kalifornien. ArcGis Pro.

Jag använde mig av verktyget hillshade för att skapa en 3D effekt på kartlagret som skugglade sydliga sluttningar. Detta verktyg förbättrar visualiseringen av topografin. Sedan använde jag även verktygen contour lines för att skapa höjdkurvor på topografin. Med hjälp av dessa höjdkurvor kunde man bättre se var gränsen för 200 meters höjd går, vilket var ett krav. Till sist använde jag verktyget viewshed för att räkna ut från vilka områden Murray sjön är synlig från.

Karta 2.  Topografisk karta över områden som lämpar sig för vinodling samt utsiktsområden över Murray sjön i San Diego, Kalifornien. ArcGis Pro.

De lila raster områdena är ställen som lämpar sig för vinodling medan de ljusröda raster områdena är ställen därifrån Murray sjön är synlig. På vissa områden överlappar dessa varandra vilket skulle vara det ideala området för en vinodling enligt den fiktiva lantbrukaren.

I den andra uppgiften skulle man med hjälp av diverse verktyg göra ett förutseende av översvämningsriskerna kring Little river i Stowe, Vermont. För att slutföra denna uppgift måste man bland annat rätta till fel i datan, räkna flödes hastigheten och flödes tiden samt hur vattnet rinner. Med dessa uträkningar framkallade man olika kartlager som man hade attribut tabeller. Informationen av dessa attribut tabeller kunde man skapa en hydrograf som visar översvämningsriskerna kring floden.

Bild 1. Hydrograf över översvämningsriskerna kring Little river i Stowe, Vermont. ArcGis Pro.

Jag tycker att verktygen i dessa uppgifter fungerade väl och uppgifterna var klara och tydliga. Det känns nu som att man allt mer hänger med i uppgifterna och kan börja göra uppgifterna lite mer självständigt.

 

Förvirringen fortsätter än en gång…

Denna veckas uppgifter var en fortsättning av förra veckans uppgifter. Alltså det var samma material som jag använde och konceptet var detsamma. Trots att uppgifterna har klara anvisningar så har jag svårt att greppa vad jag egentligen gör i uppgifterna, så som det också varit under de tidigare veckorna.

I första uppgiften gjorde jag enkla binära lämplighets modeller för att skapa ett kartlager som utmärker lämpliga ställen för ett habitat för den vithövdade havsörnen. Jag använde mig av fyra krav för området som skulle lämpa sig som ett habitat för örnen.

Kriterierna för habitatet var följande:

• Far from developed areas
• Not too densely or sparsely covered by forest
  (ranging from 20 percent to 60 percent, ideally near 45-percent tree cover)
• Close to lakes (fewer than 2 miles)
• Located on northeast-facing aspects

Jag använde främst Modelbuilder för att skapa kartlagret där jag editerade variabler och använde mig av bland annat verktyget, raster calculator.

Karta 1. En karta över habitat lämplighet i Kalifornien. ArcGis Pro. 

I andra uppgiften skapade jag en Weighted suitability model. I denna uppgift använde jag mig även av modelbuilder för att skapa kartlagret. Jag använde mig bland annat av verktygen reclassify och rescale by function. På bilden nedan ser man analyskedjan som automatiserade räkningarna.

Bild 1. En skärmbild på modelbuilder, här syns alla inputs och outputs samt verktyg. ArcGisPro.

I sista uppgiften skulle man kombinera alla kartlager för att hitta de områden som har högst lämplighet för habitatet och med hjälp av diverse verktyg. Jag använde mig av bland annat Weighted Sum verktyget för att kombinera kartlagren. Sedan använde jag mig av Sensitivity analysis och Error analysis för att skapa ett kartlager som verkligen visar områden som lämpar sig för ett habitat för den vithövdade havsörnen.

Karta 2. En karta som visar både error och lämplighetsgrad. 

De gröna områdena på kartan lämpar sig bäst för ett habitat där alla krav uppfylls. Områden av rött och gult  lämpar sig inte alls eller sämre och uppfyller inte alla krav. Den röda färgen visuliserar bebyggelse och infrastuktur vilket var ett krav som inte fick vara nära habitatet. Orangea och gula färgen på kartan kan uppfylla några krav för habitatet men uppfyller inte alla parametrar av kraven. De överlägset bästa områdena för habitatet är brevid sjöarna och natur områden i sydost.

Jag känner mig borttappad i ArcGis PRO.

Jag följer alla instruktioner, gör alla uppgifter och resultaten blir alldeles rätt men ändå har jag inte riktigt någon aning vad jag gör. ESRI Academys uppgifter känns diffusa och svåra att greppa trots att anvisningarna är väldigt detaljerade. Förhoppningsvis blir jag snart mer bekväm med programmet och förstår alla verktyg som jag använder fundamentalt.

Den första uppgiftens ”Processing Raster Data Using ArcGIS Pro” material var två stycken satellitbilder från år 2013 och 2015. Uppgiften var att med hjälp av olika verktyg framkalla ett nytt kartlager som visar hur vegetationen och landanvändningen skiljer sig från år 2013 och 2015 i Salinas, Kalifornien. I uppgiften använde jag mig av NDVI (Normalized Difference Vegetation Index) indexet som berättar hur mycket ljus som reflekterar från infra-rött och rött ljus i satellitbilderna. Jag använde bland annat verktyget Difference för att skapa ett nytt lager som visar skillnaderna mellan vegetationen år 2013 och år 2015.

Karta 1. En karta över skillnaderna i vegeationen åren 2013 och 2015, Kalifornien. ArcGisPRO.

Uppgift 1 var indelad i två delar. Andra delen handlade om att göra praktiskt taget ett likadant kartlager som tidigare men via en annan process, raster function chain. För att slutföra en raster function chain måste man inte redigera eller bearbeta datan utan med enkla verktyg och commands kan man skapa samma resultat. Denna process är mer tidseffektiv och eventuellt simplare när man förstår alla verktyg.

Bild 1. Raster function chain över processen. ArcGisPRO.

Den andra uppgiften ”Introduction to Suitability Modeling” var endast att läsa teori om hur processen av tredje och fjärde uppgiften skulle slutföras. Tredje uppgiften ”Preparing Data for a Suitability Model” handlade om vilka metoder och verktyg man skall använda för att uppfylla kriterierna av en viss analys. Idén med uppgiften var att hitta ett lämpligt habitat för den vithövdade havsörnen där uppgiften var att göra en suitability model och workspace för analysen.

Karta 2. Karta över suitability model för kriterierna av den vithövdade havsörnen. ArcGisPro.

I den fjärde uppgiften ”Transforming Data for a Simple Suitability Model” skulle man med hjälp suitability modeln och workspacen från tredje uppgiften slutföra analysen om ett lämpligt habitat för den vithövdade havsörnen utgående från kriterierna.

Kriterierna för habitatet var följande:

• • • Far from developed areas
    • Not too densely or sparsely covered by forest
      (ranging from 20 percent to 60 percent, ideally near 45-percent tree cover)
    • Close to lakes (fewer than 2 miles)
    • Located on northeast-facing aspects

Jag använde mig av Modelbuilder samt olika verktyg som reclassify, raster calculator, aspect och euclidean distance för att skapa ett kartlager utgående från kraven. Denna analys gjordes som en raster function chain så som första uppgiften andra del genomfördes.

Bild 2. Raster function chain över processen av att bestämma lämpligaste habitatet för vithövdade havsörnen. Bilden tagen från ESRI Academy.

Resultatet blev kartan nedan som visar alla kriterier samt deras utspridning. Analyserar man kartan kan man komma till en slutsats om var det lämpligaste områden finns för ett habitat för den vithövdade havsörnen. Genom att iaktta kartan ser man att bufferzonen på två mil runtom kring sjöarna har flera områden som uppfyller kriterierna för habitatet.

Karta 3. Karta med alla variabler för det lämpligaste habitatet för den vithövdade havsörnen.

Denna veckas uppgifter kändes svårare än förra veckans för att det var svårare att förstå vad man gör. Själva arbetet var inte speciellt svårt då man endast följde de detaljerade anvisningar. Förhoppningsvis kommer vi också att ha uppgifter där man själv måst tänka och fundera hur och med vilka verktyg man skall slutföra analysen. Detta skulle främja ens lärande.

Till nästa vecka,

Micki

 

Så fortsätter livet för min geoinformatik blogg. Jag tänkte publicera alla mina uppgifter jag gör under GEM-2 kursen på bloggen från förra läsåret. Så får jag olika GIS uppgifter sparade och samlade på ett trevligt ställe.

Under andra lektionen i GEM-2 gjorde jag fyra stycken uppgifter på ESRI Academy. I dessa uppgifter använde jag mig av GIS programmet ArcGis Pro samt webbversionen ArcGis Online. De tre första uppgifterna var relativt enkla då ESRI har klara och tydliga anvisningar och instruktioner men den sista uppgiften Perform a site suitability analysis for a new wind farm var betydligt mer krävande. Alla dessa analyser och metoder fungerade väl och är användbara i stora skalor på privat och statliga nivå.

Första uppgiften Managing Map Layers in ArcGIS Pro handlade om att förstå olika skalor på kartor och hur skalorna kan användas för att visa information i rätt skala. Jag lärde mig hur jag kan själv bestämma ifall ett kartlager är synlig vid en viss skala i ArcGis Pro. På skärmbilden nedan synns  en satellitbild av staden Oamaru i Nya Zeeland där skalan på kartan är 1:45,373. På bilden synns inga järnvägsspår eller järnvägsstationer.

Bild 1. En skärmbild på staden Oamaru i Nya Zeeland, skala 1:45,373. ArcGisPro

Bild 2. En skärmbild på staden Oamaru i Nya Zeeland, skala 1:37,811. ArcGisPro

På skärmbilden (bild 2.) av staden Oamaru i Nya Zeeland synns järnvägsspår till skillnad från bild 1. På bild 2 är skalan 1:37,811. Enligt anvisningarna för denna uppgift skulle man välja olika gränser på skalor där kartlagren skulle synnas samt inte synnas. En skala mindre än 1:40,000 och större än 1:1,000 skulle endast visa kartlagret av järnvägsstationer och järnvägsspår. Först var järnvägsstationer och järnvägsspår skilda kartlager men jag använde mig av ett grupperings verktyg som sammanslöt kartlagren till ett lager. Detta underlättar analyser och gör arbetet mer strukturerat.

Den andra uppgiften Understanding Spatial Relationships handlade mest om att läsa teori om hur man gör vissa analyser och väljer olika verktyg. Denna uppgift kändes gaska onödig och betydelselös.

Först i den tredje uppgiften Introduction to Proximity Analysis började det kännas som att jag höll på med en geoinformatik uppgift. Uppgiften handlade om närhetsanalys och i hurdana situationer man skall använda olika verktyg som t.ex buffer zoner. Uppgiften bestod av flera delar där man först måste bearbeta datan för att sedan möjliggöra en närhetsanalys. Man skulle enligt anvisningarna göra buffer zoner på 5 mil kring de gröna stjärnorna på kartan nedan som föreställer gym. De blåa prickarna på kartan föreställer potentiella kunder och var de är bosatta. Uppgiften var att selecta alla de kunder som inte bor inom något gyms buffer zon. Med en analys som denna kan man avgöra ifall det skulle vara lönsamt att öppna ett nytt gym i staden för alla de potentiella kunderna som nu faller utanför buffer zonen.

Bild 3. Skärmbild av buffer analys runt gym samt potentiella kunder som är bosatta utanför buffer zonen. ArcGisPro.

Den sista uppgiften Perform a site suitability analysis for a new wind farm var betydligt mer tidskrävande och svårare men jag tyckte mest om denna uppgiften som helhet. Denna uppgift kändes verkligen som en geoinformatisk uppgift där man använde flera olika verktyg och processen bestod av flera olika skeden för att uppnå resultatet för uppgiften. Iden med uppgiften var att hitta det lämpligaste stället för vindkraftverk i Colorado. För att området skulle vara ändamålsenligt för vindkraftverk måste vissa krav uppnås med området.

Dessa krav var följande:

• • • • Located within the state of Colorado.
      • In a county where the local or target population is at least 20,000, to ensure an adequate demand.
      • Within 10 miles of existing power lines that have a capacity of at least 400 kilovolts (kV), to take advantage of nearby existing energy infrastructure.
      • Within 5 miles of existing wind farms containing turbines where the rotor diameters span at least 100 meters.
      • Wind power class is at least 4. (Annual wind speeds at 10 meters off the ground are 5.6 meters per second, or 12.5 mph, and at 50 meters off the ground are 7.0 meters per second, or 15.7 mph.)

Så för att slutföra uppgiften måste jag vart efter bearbeta datan och använda diverse verktyg för att skala bort egenskaper som inte lämpar sig för vindkraftverket. Jag använde mig bland annat av verktygen union, overlay och buffer för att få mitt önskat resultat.

Anläggningens ena krav var att vindkraftverket bör ligga inom 10 mil av redan existerande kraftledningar som kan anta 400 kV. Med hjälp av diverse verktyg skalade jag bort alla andra kraftledningar som inte har 400 kV kapacitet. Vart efter gjorde jag en buffer zon på 10 mil runt omkring de valda kraftledningarna. Inom denna buffer zon fanns det en ideal plats för anläggningen. Denna buffer analys synns i bild 4.

Bild 4. Skärmbild på buffer analys runt kraftledningar över 400 kV, Colorado ArcGisOnline

Med diverse verktyg, t.ex verktyget Add expression kunde jag utesluta flera områden som inte lämpade sig för vindkraftverk på basis av kraven. Efter detta arbetsskede fanns det endast fyra områden som potentiellt kunde vara lämpliga för anläggningen av vindturbiner. Med hjälp av verktyg kunde jag på basis av kraven utesluta två av dessa områden. Så endast två områden, Limon och NE Colorado var lika lämpliga på basis av kraven för anläggningen.

Bild 5. Skärmbild på orter som är lämpliga för vindkraftverk i Colorado. ArcGisOnline.

Till sist skulle jag räkna avståndet mellan dessa orter och Denver för att besluta vilken dera av dessa är mer lämplig. De båda orterna hade sina styrkor och svagheter men uppgiften avslutade med dessa två alternativ. Detta var uppgiften i korthet.

Bild 6.  Web map på den färdiga kartan och rutten mellan Limon och NE Colorado. ArcGisOnline, https://arcg.is/10m1b51

Jag tycker att dessa uppgifter var relativt bra uppgifter att börja med efter ett halvt år paus i GIS. De två första uppgifterna tyckte jag var mer onödiga och tråkiga medan de två sista uppgifterna krävde mera fokus och koncentration. All in all så var det ett bra packet att börja denna kurs med.

Stay tuned for more GIS posts.

Under sista lektionen fick vi producera sådana kartor som vi ville bara vi hittade lämpligt material. Jag valde att göra tre stycken världskartor över tre samhälliga fenomen; inkomst per capita, förväntad livslängd och av Gini koefficienten.

Karta 1. Tematisk karta över inkomst per capita globalt 2020, Gapminder.org 

Kartan ovanför är en tematisk karta som visualiserar den årliga inkomsten per capita i alla länder. Denna karta förvränger informationen för att inkomsten per capita per land är ett medeltal av alla inkomster i landet. Så enligt kartan har till exempel USA en hög inkomst per capita i året, mellan 45 100-69 400$. Detta är bara ett medeltal av alla de inkomster som finns i landet. I och med att USA är ett land med väldigt polariserade inkomster, både väldigt fattiga och enormt förmögna människor blir medeltalet väldigt overkligt. Denna förvrängning är inte speciell just för min karta utan så är det på alla kartor som endast beaktar inkomster och BNP men inte andra aspekter som t.ex köpkraft.

Norge är också målat rött på kartan men är ett land med betydligt jämnare inkomster (Världs banken 2019). Norges ekonomi har vuxit mycket sedan 1970-talet och köpkraften är hög i landet. I och med att ekonomin går bra och levnadsförhållanderna är dyrare än i USA så får man också högre betalt.

Karta 2. Tematisk karta över den förväntade livslängden globalt 2018, gapminder.org

Den andra kartan jag gjorde under lektionen var över den förväntade livslängden globalt. Stora delar av Afrika söder om Sahara, Papua nya Guinea och Afghanistan har en förväntad livslängd på 0.0-66.6 år vilket är väldigt lite. Joona Käärinen har bland annat publicerat på sin blogg ett självgjort kartogram över barndödlighet och mängden barnmorskor samt sjuksköterskor i Afrika.  Iakttar man Afrika på min karta över förväntad livslängd och hans karta över Afrika ser man man en tydlig korrelation. Länderna Tchad, Centralafrikanska republiken, Södra Sudan, Nigeria, Somalien, Mali, Guinea och Sierra Leone har enligt Käärinens karta högst barndödlighet och minst sjukvård. Alla de ovannämda länderna faller enligt min karta i kategorin kortaste förväntad livslängd.

Bland annat de nordiska länderna, väst Europa, Japan, Kanada, Australien och Nya Zeeland har den längsta förväntade livslängden. Det som alla dessa länder har gemensamt är en välfärdsstat med goda sociala förmåner. USA har en hög inkomst per capita men har en kortare förväntad livslängd än t.ex Norden. Detta har och göra med socioekonomiska faktorer som privatisering av hälsovård, ohälsosam matkultur, drogrelaterade dödsfall och stadsplaneringen enligt Svenska Yle ( Yle 2013). Givetvis är artikeln sju år gammal men min karta är gjord på data från 2018 så jag tror att situationen är ganska lika.

Karta 3. Tematisk karta över Ginikoefficienten globalt 2020. Gapminder.org

Till sist men inte minst gjorde jag en karta över Ginikoefficienten i världen.  Ginikoefficienten mäter ojämnlikheter i t.ex inkomsten mellan kön. Värdet är mellan 0-1, ju lägre värde desto mer jämnlikt är det medan ett högre värde antyder på ojämnlikheter.

Bland annat Norden, Grönland, central och väst Europa samt vissa enskilda länder har lägsta Gini värdet, alltså är inkomst skillnaderna mest jämnlikt. Globalt finns det inte ett enda land som har värdet 0 på Gini skalan, det lägsta värdet har Slovakien på 0,21 enligt Ekonomi fakta (2020).

USA, Ryssland, Saudi Arabien, Kina och flera Afrikanska länder för att nämna några är rika länder där inkomst skillnaderna är väldigt polariserade. Dessa länders gini värden är mellan 0,37-0,44. De områden med mest ojämnlikheter är bland annat flera länder i Sydamerika och Afrika. Enligt Ekonomi fakta är Ginikoefficienten inte alltid ett optimalt måttenhet “…fokuserar måttet enbart på relativa inkomster och inte på inkomstnivåer i länderna.” beskriver Isabelle Schermer (2020)

Slutsatsen som man kan dra av dessa tre kartor är att Norden faktiskt har det bra ställt vad gäller förväntad livslängd, inkomster och fördelning av inkomsterna. Detta är inte direkt någon nyhet men det är en trevlig påminnelse on hur väl man lever.

Så var sista lektionen avklarad för denna informativa och lärorika kursen. Jag har lärt mig massor, både hur QGIS fungerar men också hur man skall se på data och bearbeta det. Denna kurs har byggt en stabil och säker grund för min framtid inom GIS och arbetslivet, tack Arttu Paarlahti.

På återseende,

Micki

 

Källor:

gapminder.org

The world bank, Norway. 2019. Läst 29.2.2020 https://data.worldbank.org/country/norway?view=chart

Käärinen, J. Inhimillisen hyvinvoinnin kuvaaminen teemakartoilla. Läst 29.2.2020. https://blogs.helsinki.fi/kaarijon/2020/02/24/teemakarttoja/

Svenska Yle. Amerikanska medborgare har kortare livslängd, 15.1.2013. Läst 2.29.2020. https://svenska.yle.fi/artikel/2013/01/15/amerikanska-medborgare-har-kortare-livslangd

God dag!

Förra lektion var en av mina favorit lektioner i denna kurs, vi fick första timmen av lektionen samla själv  in material från närliggande område med hjälp av en geodata app, Epicollect5. Vi skulle gå omkring och svara på fem stycken frågor om området där vi befann oss, med skalan 1=inte alls och 5=väldigt. Hur säkert området är, hur lätt tillgängligt det är för fotgängare, hur visuellt behagligt det är, hur lockande området är för vistelse och hur aktivt människor använder området. Efter rundturen utomhus kollade vi igenom klassens gemensamma resultat och material samt importerade informationen till QGIS där vi började bearbeta det. Vi använde ett nytt verktyg, interpolation som åstadkom resultatet nedan.

Jag valde att göra två extra kartor hemma för att öva på det nya verktyget. Ena kartan visualiserar hur visuellt behgaligt området är och andra kartan visualiserar hur lockande området är för vistelse. Datan jag använde för att göra kartan är den data som hela klassen hade samlat in under lektionen. På kartan nedan ser man hur visuellt behagligt området är enligt GEM-1 klass deltagare. Kring Vallgårds koloniträdgården och den närliggande gåvägen  samt  botaniska trädgården är det väldigt behagligt. Detta förvånar mig inte alls då det är ett fint och skött grönområde med rekreations möjligheter. Arabia stranden, kullen där cafe Bokvillan finns och stadsdelen Gumtäkt upplevs också som visuellt behgaliga. Utsikt mot Gammelhavsfjärden, idylliskt cafe och en gammal idyllisk stadsdel med små söta förggranna hus och smal väg är områden med egenskaper som ofta är objektivt visuellt behagliga för människan. En orsaken till detta är att stadsområden som är byggda på mindre skala är oftast mer anpassade för människan på grund av historiska och evolutionärska skäl, detta hävdar arkitekten Jan Gehl. Före 1960-talet byggdes stadsområden anpassade för människan, så kallade “cities at eye level” som Gehl kallar det. Men under 1960-talet uppstod det en ny ideal, stadsplanering planerades från helikoptrar vilket gjorde att arkitekterna förlorade förmågan att bygga på mänsklig nivå. Enorma betong belagda skyskrapor är inte gjorda för Homo sapiens.

Det går en stor trafikled (E17) mellan Gumtäkt och Arabiastranden som har ett högt pendlingsvärde, konstant är det trafik både kollektiv samt privat. Detta gör området mindre visuellt behagligt, till och med inte alls behagligt. Områden kring moderna bostadshus samt bilvägar anses som mindre behagligt av klassdeltagarna.

Karta 1. Karta över visuell behaglighet.

Man kan se tydliga korrelationer mellan visuellt behaglighet samt hur lockande ett område är för vistelse. Vid grönområdet kring koloniträdgården finns det rikligt med bänkar vilket ökar möjligheten för att folk vistas där. Bänkar installeras vid områden som anses vara vistelse vänliga och ofta då också visuellt behagliga. Samma gäller Arabia straden samt området kring Gumtäkts utomhus pool. Likande mönster kan man se vad gäller mindre lockande områden för vistele och inte visuellt behagligt. Kring E17 där det inte är speciellt fint och mycket oljud anses det inte vara lockande för vistelse. Områden kring bostadshus och vägar är allmänt mindre lockande, dels för inga vistelse möjligheter men också för att det inte är riktigt fint.

Karta 2.  Karta med värden över hur lockande ett område är för vistelse. 

Som hemuppgift skulle vi göra tre stycken kartor som visar olika naturhasarder i världen. Från olika internationella databaser fick jag materialet som jag sedan förvandlade till kartor.

Kartan nedan visar jordbävningar över magnitud 6 på Richterskalan som skett mellan år 1980-2012 samt alla vulkanutbrott sedan år 1964. Man ser väldigt tydligt att jordbävningar sker kring litosfärplattornas gränser, speciellt vid subduktionszoner. Spänningar mellan litosfärplattor utlöses i en enorm kraft som ofta skapar jordbävningar. På kartan känner jag igen vissa jordbävningar som till exempel den förödande jordbävningen år 2004 i Indiska Oceanen som visualiseras som en svart prick. Speciellt kring eldringen (The ring of fire) i Stilla havet sker det mest seismologisk aktivitet i världen på grund av att den Pacifiska plattan trycker mot den Eurasiska och Indisk-Australiska plattan medan den glider från den Nordamerikanska plattan.

Karta 3. Karta över jordbävningar och vulkanutbrott. 

Karta 4 visualiserar olika typs vulkaner i världen, jag valde endast de mest relevanta som det fanns flest av för en generalisering. Stratovulkaner som det finns flest av på kartan finns bland annat vid subduktionszoner (kollisonszoner), där de uppstår då två stycken litosfärplattor kolliderar. Som Siiri Nyman skriver i sin blogg att i Mellanamerika finns det rikligt med stratovulkan för att Kokosplattan och Karibianska plattan kolliderar och förkastar den Nordamerikanska plattan (Nyman 2020).

På kartan synns det även rikligt av sköldvulkaner kring divergenzoner (spridningszon), då litosfärplattorna glider från varandra uppstår det ny berggrund av lava som ofta bildar en sköldvulkan.

Karta 4. Karta över olika vulkantyper. 

Mina kartor över seismologisk aktivitet i världen skulle kunna användas till utbildnings ändamål, inte bara som hasard kartor utan även som vegetations kartor. Bakgrundskartan på jorden visar vegetation någorlunda bra, så att läsaren får en överblick av vegetationszoner.

Karta 5. Karta över litosfärplattorna och deras rörelse riktning. 

Min sista karta visar alla dokumenterade meteoritnedslag någonsin. Jag har klassificera meteoritnedslagen i hur mycke massa meteoriten haft då den träffat jordytan. Desto mer massa, desto större krater. När jag gjorde kartan var jag först förbluffad över hur det inte fanns nästan några meteritnedslag i havet. Efter ett par om och men så verkade det mitt i allt logiskt, först och främt skulle det vara svårare att kartlägga kratrar på havsbottnet. Men också för att knappast finns det många kratrar på bottnet för att havsbottnet är i medeltal 4000m djupt och vattenmassan hinner troligen bromsa stenklumpen före den når havsbottnet.

Karta 6. Karta över alla dokumenterade meteoritnedslag.

I allmänhet är jag riktigt nöjd med mina kartor men som Flaminia Puranen hade jag också svårigheter med att få en vettig skalstock i mina kartor. Jag håller med henne om att det bör frågas om en lösning under nästa lektion, en skalstock i fel proportion kan ge information felaktigt.

Källor:

Youtube, Ted x Talk. In search of human scale, Jan Gehl. Uppladdat 18.12.2015.

Nyman, S. Kuudes Kurssikerta. Läst 22.2.2020. https://blogs.helsinki.fi/nymsiiri/

Puranen, F. Maastosta kerätyn datan käyttö. Läst 22.2.2020 https://blogs.helsinki.fi/flaminia/

Karta 5. Bilaga: https://www.sgu.se/om-geologi/jordklotets-uppbyggnad/jordbavningar-och-vulkaner/

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/

 

God dag!

Tisdagens fjärde kursgång gick förvårnansvärt bra. Jag hängde med hela lektionen och det kändes som att jag verkligen har börjat förstå hur QGIS fungerar. Temat för lektionen var raster, vektor och punktdata (pisteaineisto på finska). Vi gick igenom hur man producerar rutdata och hur man presenterar geografisk information i rasterformat.

Efter att vi laddat ner dagens material till QGIS  började vi och bearbeta materialet som var över befolkningstätheten i Helsingforsregionen. För att vi skulle kunna göra en raster karta över befolkningstätheten måste vi först fixa olika tekniska delar. Först skapade vi grid cells över kartan som delade in materialet i 1kmx1km (500mx500m i mitt fall) stora rutor. Data presenterat i rasterformat presenterar geodata i form av jämnstora pixlar som alla lagrar lägesdata och attributdata i rutnätet. Efter att vi hade gjort de tekniska aspekterna började vi göra olika rutkartor över Helsingforsregionen.

Karta 1.  Karta över befolkningstätheten i Helsingforsregionen, 500mx500m. 

Kartan ovan gjorde vi under lektionen, den visualiserar befolkningstätheten  i Helsingfors. Vissa mönster kan man iaktta från min karta, först och främst kring pendlingsrutter. Från Helsingforscentrum går motorvägen E12 nordvästerut, längs vägen är det mer tätbefolkat än där de inte går någon trafikled. Dessutom längs tågspåren är det en ökad befolkningstäthet. Kring metron som går från Mattby till Mellungsbacka/Nordsjö finns det en hög befolkningstäthet, speciellt vid metrostationerna. Jag vet inte från vilket år denna data är som vi använde i uppgiften. Om datan är ett par år gammal så tror jag att befolkningstätheten kring metrostationer har ökat, speciellt vid väst metrosstationerna. I Helsingfors centrum är befolkningstätheten väldigt hög medan desto längre bort från centrumet man kommer, desto mindre blir befolkningstätheten. I trendiga stadsdelar som Drumsö, Berghäll och Fiskehamnen är befolkningstätheten också väldigt hög. I Mattby, Grankulla, Alberga, Haga, Malmgård och Hagalund samt östra helsingfors är det också relativt tätbefolkat. Medan mindre förorter mellan de ovannämnda har betydligt lägre befolkningstäthet.

Hemma gjorde jag två kartor, en karta över finlandssvenskarnas bosättning i Helsingfors och en karta över bosättning av folk med utlänska språk. Dessa kartor skiljer sig ganska markant från varandra vilket är intressant.

Karta 2. Karta över bosättningen av finlandssvenskar  i Helsingforsregionen, 500mx500m.

Kartan ovan visualiserar finlandssvenskarnas bosättning i Helsingforsregionen, med tydlig koncentration i Helsingfors centrum, Drumsö, Byholmen, Munksnäs, Mattby och Grankulla. I och med att den svenskspråkiga populationen i Finland är kring 5% av befolkningen så tror jag att finlandssvenskar tenderar  att bosätta sig relativt nära varandra.  Speciellt där det förekommer tjänster på svenska som skolor, daghem och vård, bidrar till koncentrationen av folket.

Karta 3.  Karta över bosättningen av folk med utländska språk i Helsingforsregionen, 500mx500m. 

Bosättningen av folk med utländska språk skiljer sig mycket från karta 2. Bosättningsområdena är mycket mer utspritt, speciellt österut. Som Venla Moisio nämner i sin blogg att man tydligt ser på kartan hur låginkomsta invandrare placeras i områden, t.ex östra Helsingfors där det är betydligt lägre hyra än i Helsingfors centrum (Moisio 2020). Esbo centrum är också tätbefolkat med folk med utländska språk och av personliga erfarenheter så har jag märkt det då jag har vistats i Esbo centrum.  Emma Ward anmärkte på något väldigt intressant i sin blogg, hur mängden män som är bosatta i Otnäs är större än mängden kvinnor på samma område. Enligt hennes teori har det och göra med Aalto universitet och alla teknologiska mansdominerande linjer på universitetet (Ward 2020). På karta 3 ser man tydligt hur tätbefolkat det är i Otnäs, detta kan vara för att utländska studerande och utbyteselever studerar vid Aalto universitet.

Jag är riktigt nöjd med mina kartor från denna kursgång men jag märkte i slutskedet av denna text att rutstorlekarna på kartorna är 500mx500m trots att de borde ha varit 1kmx1km. Egentligen så stör det mig inte så mycket för att jag tycker att datan blir bara mer tydlig och detaljerad än om rutstorlekarna skulle ha varit 1kmx1km.

Tack och Hej,

Micki

 

Källor:

Moisio, V (5.2.2020) Viikko 4-Ruudukoiden hyödyntämistä ja rasteriainestoihin tutustumista. Läst 7.2.2020. https://blogs.helsinki.fi/moivenla/

Ward, E (4.2.2020) Yllättäviä juonenkäänteitä neljännellä kerralla. Läst 7.2.2020. https://blogs.helsinki.fi/emmaward/

Sååja.. QGIS förvirringen minskar. Under denna lektion fick jag mer mod att trycka på olika knappar för att se hurdan funktion de har, jag litade på mina (icke existerande)  QGIS skills att jag inte raderade något viktigt.

Som uppgift jobbade vi först med en karta av Afrika. Före vi kunde börja med det ”roliga” måste vi först fixa den tekniska delen med att se till att onödig och överlops data tas bort från attributtabellen och är rätt lagrad med mera. Som Elias Hirvikoski skriver i sin blogg ” Tai näin ainakin sen maallikkona ymmärsin. Sata prosenttisen varma en kuitenkaan enää ole siitä, mitä me teimme, mutta ainakin taulukko yksinkertaistui.”  Jag kan väl relatera till Hirvikoskis kommentar om de tekniska arbete, vi tryckte flera musklickar och ändrade flera saker men kartan ändrade sig inte, endast datan i en tabellen. När man inte ser en konkret förändring i sitt arbete, blir det ofta oklart vad man ens gör. Men efter de tekniska var avklarat kartlade vi var olja, diamanter och konflikter har förekommit i Afrika.

Karta 1. En tematisk prickkarta över naturresurser och konflikter i Afrika. 

På kartan ser man ett mönster på de geografiska omständigheterna. Till exempel är Sahara så gott som konfliktsfritt, på grund av dess öken klimat och omständigheter bosätter sig inte människor där.  Och där det inte finns människor, finns det inte heller konflikter. Däremot var det finns naturresurser eller ädelstenar finns det oftast också konflikter. Detta synns vid den så kallade “slavkusten”, speciellt vid Liberia och Sierra Leone. Överlag har det skett flera konflifter i Afrika som nog till stor del har sina grunder i kolonialismen och imperialismen. Centralafrikanska republiken har t.ex varit en Fransk koloni som blev självständigt år 1960. Efter att landet blev självständigt var systemet europeiskt och bristfälligt. Iakttar man Centralafrikanska republiken på kartan är konflikts mängden stor om man jämför det med landets areal. Angola har likaså präglats av inbördeskrig sedan landet blev självständigt från Portugal vilket  konflikt punkterna på kartan tydligt påvisar.

Det som blev oklart i mitt arbete var att från vilket år framåt räknas dessa konflikter. Detta skulle vara nyttig information om man skulle villa göra en analys över konflikter i Afrika baserat på min karta.

Karta 2. Ett kartogram över flod indexet vid avrinningsområden i Finland. 

Efter uppgiften om Afrika skulle vi producera en karta över avrinningområdenas översvämmnings index i Finland. På kartan kan man iaktta att de subakvatiska områdena är mer benägna att översvämma än de suprakavatiska, alltså östra och norra Finland. Speciellt i södra Finland och i Österbotten är det stor risk för översvämmning.  Dels för asvaltering men också för att t.ex Österbotten är väldigt platt så de området är mer benägen att översvämma. Däremot i Lappland som inte är lika platt som södra Finland och betydligt mindre asvalterat utsätts för översvämmning speciellt på våren då snön smälter men de finns ännu tjäle.

Källor:

Hirvikoski, E. Kolmas. Läst 30.1.2020

https://blogs.helsinki.fi/eliashir/