Övning 7 måndagen 26.2.2018

Denna gång deltog jag också i måndagens grupp eftersom jag inte hade möjlighet att komma på fredagen.

Den här sista kursgången fick vi jobba väldigt fritt och själv välja vad vi ville uttrycka i våra kartor. Man kunde välja mellan två alternativ, antingen ladda ner data och framställa det visuellt i en karta, eller ladda ner en bit från lantmäteriverkets terrängdatabas (maastotietokanta). Jag letade först efter material för alternativ ett, och var helt inne på att framställa kartor som på något sätt skulle demonstrera språkfördelningen i Finland, men sedan ändrade jag mig och valde istället alternativ två.

Såhär står det om Lantmäteriverkets terrängdatabas på deras hemsida:  ” Lantmäteriverkets Terrängdatabas är ett material som täcker och beskriver terrängen i hela Finland. De viktigaste objekten är trafikledsnätet, byggnader och konstruktioner, de administrativa gränserna, namnbeståndet, markanvändning, vattendrag och höjdförhållanden.”

Jag laddade ner terrängdatabasen samt höjdprofil (som vinovalovarjostus raster) över min hemkommun, Lovisa, före måndagens lektion. Jag testade även att öppna datat på QGIS hemma, och blev kort sagt ganska förvirrad. Det fanns en massa olika vektorlager i databasen, men ingenstans fanns det några förklaringar över vad de olika lagren föreställde. Jag försökte länge reda ut vad de olika koderna för lagren betydde, men hittade ingenting som skulle förklarat saken. Fick senare på lektionen reda på att det  egentligen inte finns några förklaringar till lagren förutom en tabell som vi fick tillgängligt, som förklarade vad de olika bokstäverna vid lagrens namn syftade på.

På måndagen började jag helt enkelt med att lager för lager försöka ta reda på vad det handlade om och lämna kvar de lager som var av intresse. Jag bestämde mig ganska fort för att utnyttja vattendragen på något sätt, och valde tillslut att göra en buffert runt Lovisa å.

Området runt Lovisa å har varit väldigt översvämningsdrabbat de senaste åren, speciellt senaste höst drabbades området av fler översvämningar än vanligt. Ån är väldigt igenvuxen och omges av låglänta åkrar. Flera hus är även byggda rätt nära ån och drabbas av vatten skador i bl.a. källare vid översvämningsperioderna.

Jag gjorde två kartor utgående från datat från Lantmäteriverket. Ena kartan markerade jag helt enkelt ut vattendragen åkrar, vägar och hus. Vissa delar kunde jag välja ur de färdiga lagren från databasen, de andra (som t.ex. motorvägen och åarna) klickade jag in som nya lager för att få dem att sticka ut bättre från kartan. Jag tycker själv att kartan blev ganska klar och visuellt är jag nöjd med den. Denna karta innehåller inte i sig själv så mycket information utan är mest en egengjord karta över området utgående från databasen. Det som kunde blivit bättre är ortnamnen som jag skrev in med vit färg, de urskiljs inte så bra på kartan.

Karta som jag gjorde utgående från datat från Lantmäteriverket.

Jag testade först att göra buffertar runt både åarna och motorvägen, men hade fel koordinatsystem på båda lagren då jag själva skapat dem, så buffertarna syntes som enorma ägg runt hela kartan :). Det tog en stund före jag förstod vad som var fel, och fick sedan klicka in lagren på nytt och ändrade då koordinatsystemet till det samma som de övriga lagren och då lyckades jag få till buffertarna.

Jag valde att inte göra någon karta över min buffert runt motorvägen, eftersom det endast var ett hus som fanns inom den 50 m  breda bufferten. Men fick lite mera övning iallafall.

Jag räknade ut en buffertar både runt Lovisa å och för Lovisa viken, och räknade sedan hur många hus som låg inom bufferten med samma system som vi använt under kursen, för att ta reda på hur många hus som drabbas under de perioder som ån svämmar över. Jag letade reda på information om skyddszoner kring vattendrag och fick ur “Praktisk handbok för
skyddszonsanläggare” reda på att en vanlig skyddszon runt vattendrag är en 6–20 meter bred zon som ligger på åkermark som gränsar till vatten. Därför valde jag att räkna ut en buffert på 20 m kring vattenområdena.

Jag kom fram till att det fanns 34 hus inom 20 m från Lovisa å och 7 st hus 20 m från Lovisa viken. I området fanns det allt som allt 4636 hus. Jag valde att framställa mitt resultat från den bit av Lovisa å som drabbas mest av översvämningarna och där de flesta hus som drabbas av översvämningarna ligger.

Karta över området med största risk för översvämningar.

Min buffertkarta blev kanske inte så tydlig, eftersom bufferten ändå är ganska smal. Därför valde jag också att göra buffertkartan på en mindre del av området, så att bufferten skulle urskiljas bättre. Men man kan ändå urskilja att det finns hus som ligger inom eller alldeles intill buffertområdet på 20 m runt Lovisa å.

Petri hade gjort en animation över sina kartor som han gjort över utvecklingen och användningen av förnybar energi mellan åren 2007-2016. Väldigt informativ och en bra idé som jag själv aldrig skulle ha kommit på eller ens vetat hur man gör.

Överlag tycker jag nu att det är ganska roligt att framställa olika kartor i QGIS, när väl programmet och dess funktioner blivit lite mer bekanta. Fortfarande finns det massor att lära sig, och jag borde absolut fortsätta att använda programmet för att inte nu glömma bort allt det jag lärt mig.

Har funderat på att jag kunde använda programmet för att göra egna kartor som jag kunde använda i min egen undervisning, eftersom det ofta är ganska knepigt att hitta sådana kartor som visar just det som man själv behöver.

Nu är min blogg klar och jag kan konstatera att detta överlag var en väldigt bra kurs. Fast jag stundvis rivit mitt hår och känt mig allmänt frustrerad över övningarna, kan jag såhär i efterhand nog medge att jag har lärt mig massor och att detta koncept, att själv göra övningar efter att ha gått igenom vissa grundförutsättningar tillsammans, nog är rätt effektivt. Fastän det ibland kan kännas svårt ifall man fastnar och inte vet hur man ska lösa vissa situationer, lär man nog sig bäst av att själv försöka lösa olika problem.

Källor:

Lanmäteriverket, http://www.maanmittauslaitos.fi/sv/ (hämtad 25.2.2018)

Petri Manninen https://blogs.helsinki.fi/mannipet/ (hämtad 25.3.2018)

Praktisk handbok för skyddszonsanläggare, http://www.greppa.nu/download/18.6a191d7f134d68b48cf8000115/1370098150871/Handbok+f%C3%B6r+skyddszonsanl%C3%A4ggare.pdf (hämtad 26.2.2018)

Övning 6 måndagen 19.2.2018

Denna gång hoppade jag in i måndagens grupp istället för fredagens, eftersom det passade in bättre i mitt schema.

Vi började med att samla in data runt Gumtäckt med appen Epicollect 5, som var bekant för mig sedan tidigare då vi använt samma app på en annan kurs. Jag tycker att Epicollect är en väldigt behändig app, och ska definitivt använda mig av den i min egen undervisning under våren. Under dagens kursgång kom förövrigt många bra tips som man kan tillämpa i undervisningen.

Datat som vi samlade in handlade om trivsamheten och säkerhetskänslan på olika platser. Vi förde in datat i QGIS och kunde sedan med Google Maps som bakgrundskarta sammanställa t.ex. en karta över hur säkra olika platser känns. Tog en skärmdump på kartan som jag gjorde, tycker att den blev ganska klar och beskrivande.

Bild 1. Skärmdump på kartan över datat som vi samlade in under lektionen med Epicollect 5

Sedan tittade vi också på hur man kan samla in data i fält utan att behöva lämna sitt kontor – man kan använda Google Street view som gör att man kan titta runt på olika gator. Med hjälp av det plugin programmet så klassificerade vi olika punkter i Helsingfors centrum på basen av hur mycket butiker det fanns på gatorna och den informationen interpolerade vi. Det gick inte riktigt som det skulle, och det är helt bra att märka att alla kan göra misstag med programmet och att det bara är att försöka på nytt och göra om ifall det inte lyckas. Dock är det inte så lätt att veta vad man själv gjort för fel ifall det inte går som det ska, när programmet fortfarande känns lite främmande.

Såhär blev iallafall min interpoleringskarta, jag klickade fort in några nya punkter för att testa funktionen, men jag tror att idén blev klar iallafall.

Bild 2. Skärmdump på min interpoleringskarta

Sedan gick vi över till dagens uppgift som vi skulle göra på egen hand. I instruktionerna stod det att vi skulle göra tre olika kartor, men jag tror att det var så att en karta räckte. Min karta gjorde jag över jordbävningar med en magnitud över 7 mellan åren 1890 och 2017. Jag tycker kartan blev bra, men där hände någonting när jag skulle göra den till en bild, för förhållandena ändrades och dessutom blev skalan helt tokig på kartan.

Katis karta däremot var betydligt mer informativ än min egen, då hon även lagt till kontinentalplattornas gränser samt kategoriserat sitt data med olika färger.

Bild 3. Jordbävningar i världen med en magnitud på 7 och större

Efter dagens kursgång känns det ändå som om jag lite bättre börjar förstå mig på programmet och hittar lite bättre bland alla funktioner än förut. Det är rätt roligt att göra olika kartor och jag kommer definitivt att utnyttja det jag lärt mig under kursen i mitt jobb som lärare. Det gäller bara att syssla med programmet regelbundet så att man inte glömmer bort allting igen. Dessutom verkar det som om man kan göra nästan vad som helst med hjälp av QGIS, vilket är rätt coolt.

Källor:

Kati Ilmonen https://blogs.helsinki.fi/ikati/ (hämtad 25.3.2018)

Övning 5 fredagen 16.2.2018

Dagens lektion började med att vi tillsammans gick igenom hur man t.ex. kunde räkna längden på vägarna över Borgnäs kartan som vi digitaliserade förra veckan. Vi övade även att räkna arean på åkrarna i området samt gjorde buffertzoner runt vägarna samt räknade hur många som bodde i buffertområdet. Därefter började vi med dagen uppgifter som vi fick försöka göra på egen hand.

Uppgift 1

Malm
I uppgiften skulle man rita ut landningsbanorna för Malms flygfält och sedan rita ut en buffertzon på 1 km respektive 2 km runt landningsbanorna för att märka ut de områden med mest buller och därefter räkna ut hur många människor som bor i området, resultaten i tabell 1 nedan.

Helsingfors-Vanda
För Helsingfors-Vanda flygfält räknade jag också ut en buffert på 2 km och tog reda på hur många människor som bor inom det området. Jag räknade även ut hur många som bor inom ett område som bullret överskrider 55 dB. För att räkna ut hur mycket människor som skulle påverkas av buller ifall alla flygplan skulle landa så att de flyger över Dickursby, mätte jag först en sträcka på 6,5 km från ändan av landningsbanan och gjorde sedan en buffert runt den sträckan. Här räknade jag dock med bara människorna som bir runt den nya bufferten och inte med de gamla landningsbanorna, vilket kan hända att jag borde ha räknat med.

Svar:
Tabell 1.

Antal invånare  som påverkas av flygstationen Inom 1 km Inom 2 km Innanför flygbullerzon Innanför området på 55 dB Ifall alla flygplan flyger över Dickursby för att landa
Malm 8945 57612
Helsingfors-Vanda 11369 1829 11913 12600

Stationer
Jag gjorde först en polygon på området och räknade sedan en buffert på ett 500 m område runt alla stationer. Räknade därefter folkmängden i hela området och folkmängden i buffertområdena. I hela området bodde det 490 173 invånare och i buffert området d.v.s. 500 m runt stationerna 106 691 människor. Delade sedan buffert området med hela områdets befolkning 490 173/106 691 vilket gav att 21 % av invånarna bor inom 500 m runt stationerna. Räknade sedan ut hur många människor som var i arbetsför ålder (15-64 år) inom buffertzonerna genom att addera alla åldersgrupper och sedan titta på statistic panel för de valda områdena vilket gav 73 108 invånare vilket betyder 69 %. Däremot blev jag lite fundersam nu i efterhand ifall jag hade kruxat i att endast uppdatera de valda områdena då jag räknade ut hur många människor som var i arbetsför ålder i Open Field Calculator…

Svar:
a) Antal invånare inom 500 m av närmaste tåg- eller metrostation: 106 691 invånare
b) Andel invånare som bor inom 500 m av närmaste tåg- eller metrostation: 21 %
c) Andel invånare som bor inom 500 m av närmaste tåg- eller metrostation som är 15-64 år: 69 %

Uppgift 2
Räknade först ut med Spatial query hur många invånare som bodde inom det begränsade området = 491453 invånare. Sedan tittade jag från Statistic panels för selected geometries hur många invånare som bor inom det begränsade området och i tätortert = 479 627 invånar, vilket betyder 97 % av invånarna i området, alltså en väldigt stor del.

Jag räknade först ut antalet invånare som är i skolåldern (7-16 år) i en ny kolumn med räknefunktionen. Sedan räknade jag invånarna inom det begränsade området och därifrån de som bor i tätorter = 479 627 (vilket jag redan räknat i de tidigare uppgifterna) och sedan hur många invånare det finna inom hela området = 491 453, vilket betyder att 11 826 invånare bor utanför tätorterna i området. Sedan valde jag min nya kolumn för invånare i skolåldern från Statisics panel och det visade sig att det bor 53 715 invånare som är i skolåldern i tätorter. Därefter valde jag alla som bodde i hela området men tittade hur många som var i skolåldern = 55 121. 55 121 – 53 715 = 1406, vilket betyder att 1 405 invånare som är i skolåldern bor utanför tätorterna. Därefter räknade jag ut procentandelen för hur stor andel av de invånare som är i skolåldern och bor utanför tätorterna. Den sista uppgiften kunde jag inte göra eftersom datorn frös om och om igen och programmet hela tiden stängdes av… Dessutom visste jag inte helt säkert ifall det i uppgiften menades tätortsområden eller vilka områden man skulle räkna ut andelen utlänningar.

Svar:
Invånare som bor i tätorter: 97 %
Invånare i skolåldern som bor utanför tätorterna: 1 405
Andel av invånarna som är skolåldern och som bor utanför tätorterna: 3 %

Uppgift 3
Jag valde att göra uppgiften om skolorna d.v.s. uppgift 3. Först laddade jag all data jag behövde och sedan började jag med att markera och välja Yhtenäiskoulu från skoldistrikten. Efter att jag hade valt den valde jag Spatial query och gjorde analys över hur många invånare som bor inom skoldistriktet och därifrån tittade jag både på 5 och 6 åringarna eftersom jag inte visste vilka det var meningen att jag skulle titta på. En del barn börjar ju skolan som 6-åringar och en del som 7-åringar. Det fanns 16 st 5 åringar och 14 st 6-åringar i området. För att räkna ut hur många av invånarna som följande år kommer att gå i högstadiet nästa läsår, räknade jag ihop 12-14 åringarna i en ny kolumn och tittade på dem i Spatial query för det valda skoldistriktet vilket gav 62 elever. För att beräkna hur stor del av invånarna inom skoldistriktsområdet som går i grundskolan (7-15 år) räknade jag ihop alla 7 till 15 åringar i Open Field Calculator och tittade på det valda skoldistriktet, vilket gav 159 elever. Alltsomallt finns det 1 894 invånare i området vilket betyder att skoleleverna utgör 8,3 % av invånarna. Sedan tittade jag på hur många invånare som pratar ett annat språk än finska och svenska i området, vilket var allt som allt 110 invånare. För det räknade jag ut att ca 8,3 % av dessa invånare borde vara barn, vilket skulle betyda att 9 st barn i grundskoleåldern skulle tala ett annat språk i området.

Svar:
Nya elever nästa läsår: 5-åringar: 16 st, 6-åringar: 14 st
Elever som går i högstadiet följande läsår: 62 elever
Andel av invånarna som är grundskoleelever i området: 8,3 %
Antal grundskoleelever som talar ett annat språk i området: 9 st

Svarstabell, alla uppgifter

Uppgift Ämne Fråga Svar
1 Malm

Antal invånare som påverkas av flygstationen inom 1 km

 

8945 invånare

Antal invånare som påverkas av flygstationen inom 2 km

 

57 612 invånare
Helsingfors-Vanda

Helsingfors-Vanda: Antal invånare som påverkas av flygstationen inom 1 km

 

11 369 invånare

Antal invånare som påverkas innanför flygbullerzon

 

1 829 invånare

Antal invånare som påverkas innanför området på 55 dB

 

11 913 invånare

Antal invånare som påverkas ifall alla flygplan flyger över Dickursby för att landa

 

12 600 invånare
Stationer

Antal invånare inom 500 m av närmaste tåg- eller metrostation

 

106 691 invånare

Andel invånare som bor inom 500 m av närmaste tåg- eller metrostation

 

21 %
Andel invånare som bor inom 500 m av närmaste tåg- eller metrostation som är 15-64 år 69 %
2 Tätorter

Andel invånare som bor i tätorter

 

97 %

Invånare i skolåldern som bor utanför tätorterna

 

1 405
Andel av invånarna som är skolåldern och som bor utanför tätorterna 3 %
3 Skolor Nya elever nästa läsår

5-åringar: 16 st

6-åringar: 14 st

Elever som går i högstadiet följande läsår

 

62 elever

Andel av invånarna som är grundskoleelever i området

 

8,3 %
Antal grundskoleelever som talar ett annat språk i området: 9 st

 

Egna tankar om dagens uppgifter
Jag tycker att dagens övningar var roliga att utföra. Man fick fundera hur man skulle göra, men det var inte ändå helt omöjligt att lösa. Jag tycker själv att denna typ av uträkningsuppgifter är lättare än att framställa information som kartor.

Så här i efterhand tycker jag dock att mina egna tabeller inte blev så lyckade,  Lias tabeller var bra mycket tydligare än mina egna, borde ha tänkt mer på layouten då jag gjorde tabellerna.

Jag tror att jag ganska bra kan plocka ut information från databaserna och t.ex. använda Open Field Calculator, Spatial Query samt Statistics Panel. Dessa verktyg lämpar sig speciellt för att räkna ut olika förhållanden i datat. Buffertområdena tycker jag också att var lätta att rita och jag lärde mig i slutet av uppgifterna bättre att använda mig av att markera områden och utnyttja funktionerna utgående från de valda områdena. Det som jag önskar mer övning i och känner att är svårast är att rita kartor och uttrycka information i form av kartor.

Källor:

Lia Vahtera https://blogs.helsinki.fi/vahlia/ (hämtad 25.3.2018)

Övning 4 fredagen 9.2.2018

Uppgift 1 

På dagens föreläsning började vi med att gå igenom om punkt-och rutdata. Punktdata är de mest noggranna platsdatat och även mångsidigt då man kan samla in punkdata från nästan vilka objekt som helst. Av punkdata är laserscanning den mest noggranna metoden att samla data. Rutdata är ett effektivt sätt att samla data utan en färdig platsindelning, men dyrt. 

Första övningen gick ut på att överföra information till rutor på kartan. Det fanns igen många steg att följa, men jag hängde med rätt bra och varken min dator eller programmet krånglade så det gick relativt smidigt att göra övningen. Dock är jag inte helt nöjd med mina kartor, men ändå nöjd över att jag överhuvudtaget fick en karta till stånd, eller två rättare sagt. Jag valde att gör en rutkarta över antalet invånare med annat modersmål än svenska eller finska i Helsingfors regionen (bild 1) och en karta över %-andelen invånare med annat modersmål i Helsingfors regionen (bild 2).  

Bild 1. Karta över antal invånare med annat modersmål än svenska eller finska i Helsingfors
Bild 2. Karta över andelen invånare (i %) med annat modersmål än svenska eller finska i Helsingfors

Jag tycker att rutorna blev för små, och så gillar jag inte heller det att kanterna på rutorna syns så tydlig. Valde 250 m x 250 m rutor, men nu i efterhand hade jag valt 500 m x 500 m istället. Hade också velat ha dem utan kantlinjer, men fick inte bort dem. Tycker att resultatet på den första kartan (%-andel) blir felaktigt, eftersom rutorna gör att alla områden ser väldigt mörka ut. Dessutom glömde jag att sätta in vattenområdena på kartan med %-andel. Jag tycker också att det kunde ha varit bättre att ha båda kartorna i samma färgsättning så att man kunde jämföra dem bättre. Dessutom kunde det ha sett bättre ut med norrpilen uppe i högra hörnet.  Då jag jämförde mina kartor med de andra som publicerat rutkartor i sina bloggar, så blir det ganska ttydligt att 500 m X 500 m hade varit ett bättre alternativ för storlek på rutorna. Vesas karta tycker jag att lyckades bra och blev mycket tydligare än mina kartor.

Uppgift 2.

Under följande lektioner laddade vi ner en raster-data över Borgnäs och infogade bland annat höjdkurvor på kartan. Vi fick lära oss hur man kan få fram djupskillnader genom att ändra på kartans visuella inställningar. Dessutom skulle vi digitalisera området över Borgnäs genom att pricka ut hus samt rita in vägarna över området.

Bild 3. Karta över Borgnäs med en grundkarta samt raster med djupskillnader och höjdkurvor som bakgrund, och vägar och hus digitaliserade

 

Käĺlor:

Vesa Hanski https://blogs.helsinki.fi/vesahans/ (hämtad 18.2.2018)

Övning 3 fredagen 2.2.2018

På grund av busstrejken kunde jag inte delat i dagens lektion, så jag gjorde övningarna på egen hand. Dagens övningar var av varierande svårighet, ibland fastnade jag vid någon punkt och tyckte det var jätte svårt, medan andra uppgifter fungerade smidigt. QGis känns fortfarande ganska främmande och det kommer nog att kräva en hel delövning för att vänja sig vid programmet.

De första övningarna gick ut på att koppla ihop objekt på kartan så att t.ex. alla objekt från samma land kopplas ihop. Detta gick relativt enkelt, men vissa delar av instruktionerna fick mig att tro att jag hade gjort helt fel och grubbla på det en lång stund, fastän det till slut visade sig att jag nog hade gjort rätt i alla fall. Även att koppla ihop (join) data med olika lager gick smidigt. Vi övade även på att producera information till databasen på basen av plats, vilket inte heller verkade alltför invecklat. Svårigheten är dock att minnas hur man gjorde alla dessa grejer sedan när man ska göra dem på nytt utan instruktionsblad. Det finns så många punkter man ska komma ihåg att kryssa för och fylla i, så det känns absolut som en utmaning.

En uppgift var att fundera på vad man kan göra med informationen då det finns sparat en hel del information om konflikter och diamantgruvor samt oljefält i databasen. En grej som jag tycker att skulle kunna vara intressant att undersöka eller modellera på en karta är om konflikter och upptäckten av oljefält eller diamantgruvor kan kopplas ihop.  På kartan (bild 1) över Afrika ser man var diamanttillgångarna samt även konflikterna  finns lokaliserade, men man kunde även lägga till oljetillgångarna. Detta var även något som flera bloggare har noterat och även visualiserat med hjälp av kartor.

Bild 1. Karta över konflikterna och diamanttillgångarna i Afrika

 

 

Uppgift 1 Karta över översvämningsindex

Uppgiften gick ut på att göra en karta över risken för översvämning i olika avrinningsområden i Finland. Jag började med att räkna ut översvämningsindexet för avrinningsområdet (MHQ / MNQ), för att kunna göra detta måste jag först koppla ihop (join) de olika lagren med informationen. Jag kopplade även ihop andelen sjöar till lagret för avrinningsområden.

Bild 2. Risken för översvämning i de olika avrinningsområdena i Finland

Den först kartan (bild 2) anger översvämningsriken för de olika avrinningsområdena utmärkta med olika färger. Ju mörkare röd färg desto större risk för översvämning. Den andra kartan (bild 3) beskriver samma sak, men till den har ännu tillagts stapeldiagram över  andelen sjöar i området (i %). På denna karta glömde jag att lyfta fram sjöarna och floderna framför lagret över översvämningsindex.

Bild 3. Andelen sjöar i avrinningsområdet visualiserat som stabeldiagram

 

Det man kan se utgående från kartan är att de avrinningsområden där andelen sjöar är större, har en mindre risk för att drabbas av översvämningar än de områden där det finns en mindre andel sjöar. Områden med stor rik för översvämningar är bl.a. Österbotten där det finns knappt om sjöar, men flera stora floder rinner ut i havet. Medan insjöfinland där det finns gott om sjöar har en mycket liten risk för översvämningar.

 

Jag tycker att mina kartor lyckades ganska bra och är glad att jag slutligen fick dem gjorda, fastän sjöarna och floderna inte syns på dem. Men jämför jag mina kartor t.ex. med Lias kartor, så har nog hon lyckats mycket bättre. För övrigt har hon en mycket behaglig färgskala i sina kartor, något som jag också kunde tänka på med mina egna uppgifter.

 

Källor:

Lia Vahtera https://blogs.helsinki.fi/vahlia/ (hämtad 18.2.2018)

Övning 2 fredagen 26.1.2018

Denna kursgång var det meningen att vi skulle bekanta oss med olika projektioner och bland annat jämföra areor och sträckor för olika projektioner. Vi började med att jämföra områden och sträckor på Finlands karta från år 2015 med hjälp av mätverktygen i QGis.

Denna tabell åstadkom jag då jag jämförde areor och sträckor på kartan med olika projektioner:

Tabell 1. Jämförelse mellan arean och sträcka med olika projektioner

Projektion ID

Area km²

Skillnad area

Bredd km

Skillnad bredd

Mercator ETRS89-TM35 EPSG:3047

8910

536

Albers Equal Area EPSG:102013

8888

-0,3 %

537

0,2 %

World Azimuthal EPSG:54032

11800

24 %

638

15 %

Eckert1 Sphere EPSG:53105

13313

33 %

697

23 %

Lambert Atzimuthal EPSG:102017

8910

0 %

552

3 %

Som man kan se i tabellen så inverkar projektionen mycket på både arean över ett område samt även på avstånd. T.ex. Lamberts projektion är ytriktig vilket betyder att man kan jämföra olika områdens storlek med varandra, medan Mercators projektion är vinkelriktig och lämpar sig för navigering.

Sedan fortsatte vi med att öppna ett lager med en kommunkarta från 2017 och skulle jämföra areorna mellan kommuner på basen av olika projektioner. Det gick bra med den vanligaste projektionen som rekommenderas att man använder vid uträkning av areor i Norden (EPSG:3035) och allting fungerade fint. Det enda anmärkningsvärda var att areorna för de olika kommunerna inte riktigt stämde överens med de riktiga arorna som jag googlade fram, t.ex. så anger wikipedia att Grankullas area är 6 km2, medan QGis angav en area på 31 km2.

Tyvärr fick jag det inte alls att fungera när jag skulle räkna ut areorna för andra projektioner (Mercator Sphere) areorna blev bara lite större än det blev jämfört med LAEA-projektionen vilket inte alls stämmer, eftersom Mercator projektionen borde ge mycket missvisande areor långt borta från ekvatorn. Prövade flera gånger, men fick det inte att fungera. Mycket frustrerande. Kunde således inte heller räkna ut några procentskillnader mellan de olika projektionerna.

Susanna däremot hade gjort mycket fina kartor för olika projektioner på Finland, där skillnaderna mellan projektionerna tydligt kom fram. Från kartorna kan man se att skillnaderna mellan projektionerna växer då man går norrut.

 

Källor:

Susanna Mäkelä https://blogs.helsinki.fi/smtmakel/ (hämtad 18.2.2018)

Övning 1 fredagen 19.1.2018

Under den första kursgången gick vi igenom en del basfakta om paikkatieto och bekantade vi oss med QGIS -programmet. Redan nu stöter jag på problem med mitt första blogginlägg, vad är paikkatieto på svenska? Pratar man bara om geografiskt data eller platsdata? Detta är det jobbiga med att studera på finska och skriva på svenska – hitta rätt översättning för vissa termer. Speciellt då geografi inte är mitt huvudämne, så känns det rätt svårt att hitta de rätta termerna på svenska.

Tillbaka till dagens föreläsning. Vi gick igenom lite kort om plats- och attributdata samt skillnaden mellan vektor och raster. Detta var till största del repetition. QGIS -programmet var också bekant för mej från tidigare kurser, men jag känner att jag aldrig fått något riktigt grepp om programmet. Hoppas att den känslan förändras under den här kursen.

Vi fick bekanta oss på egen hand med de olika knapparna och funktionerna, vilket jag tyckte att var bra så vi inte genast drog igång med dagens övning. Därefter kom vi igång med dagens projekt, vilket var att rita en karta över kväveutsläppen i Östersjön (Bild 1).

Bild 1 Karta över kväveutsläppen i Östersjön

På kartan syns det tydligt att Polen står för största andelen av kväveutsläppen, medan Estland står för den procentuellt minsta andelen av länderna kring Östersjön. På kartan syns även att Sveriges kväveutsläpp utgör en lika stor andel som t.ex. Ryssland och Lettland, medan Finland, Tyskland, Danmark och Litauen har mindre utsläpp som ligger på medelnivå. Då man jämför hur mycket kustlinje de olika länderna har till Östersjön kan man konstatera att Ryssland, Lettland och Polen har en mycket kort kustlinje jämfört med t.ex. Sverige. Enligt HELCOMS rapport (Bartnicki och Benedictow, 2017) står jordbruket för största delen av de totala kväveutsläppen, följd av transport och förbränning. Dock står förbränningen för största delen av kväveutsläppen i Polen och Lettland.

Susanna hade forskat vidare i ämnet och även framställt en karta över Finlands utsläpp i Östersjön som är orsakade av människan. Från kartan kan man utläsa att det i Finland är jordbruket som står för största delen av kvävebelastningen i Östersjön, vilket även framgår i rapporten från HELCOM.

Jag tycker att min karta lyckades ganska bra. Jag hängde inte riktigt med i anvisningarna då jag blev och funderade på färgsättningen på kartan, och efter det kändes det lite stressigt då det var flera faktorer som ännu skulle läggas in på kartan – skalan, teckenförklaring, norrpil. Men som tur fanns det även skriftliga anvisningar så jag kunde kolla vad jag missat. Det jag inte är så nöjd med över kartan är färgsättningen på HELCOM -havsområdet och sjöarna, där hade nyansen kunnat vara lite annorlunda för att utskiljas bättre. Men överlag tycker jag att kartan ser ganska bra ut och innehåller det som den ska.

 

Källor:

Bartnicki, J., och Benedictow, A., 2017. Contributions of emissions from different countries and sectors to atmospheric nitrogen input to the Baltic Sea basin and its sub-basins. EMEP/MSC-W report for HELCOM EMEP/MSC-W TECHNICAL REPORT 2/2017

Susanna Stenberg https://blogs.helsinki.fi/stenbsus/ (hämtad 18.2.2018)