Arbete 3 – ÄNTLIGEN!!!!!!!

Det har varit en kamp men nu ÄNTLIGEN har jag fått ihop någonslags karta för att presentera. Den är inte perfekt (har vissa defekter som jag är helt medveten om och kan innehålla sådant som jag inte ens förstår att är fel…) men den är ju nog ganska charmig ändå!

Under det tredje kurstillfället gick vi igenom hur man hämtar in externa filer till QGis samt hur man sammanför filer som redan existerar i programmet.

Till hemuppgift fick vi att skapa en kloropletkarta enligt översvämningsindexen med bifogade histogram som representerar procentualiteten sjöar i Finland. Med hjälp av denna karta så ska man kunna granska avrinnings-områden samt deras sårbarhet för översvämmning. Här är resultaten på min karta:

Bild. Översvämmningsindex och sjöar i Finska avrinningsområden.

Jag hade många motgångar då jag jobbade med QGis med detta projekt… QGis på min Mac fungerade inte bra och stängdes med jämna mellanrum av, så att jag fick börja om helt från början. Dessutom så fick jag inte “järvisyys.csv” dokumentet rätt infört i QGis. Problemet här var att “ä” och “ö” i csv-filen fick någon konstiga symboler då de öppnades i QGis och då kunde programmet inte matcha de städer som innehöll dessa symboler med städerna i en redan existerande QGis fil… Jag försökte lösa problemet så att jag raderade “ä” och “ö” färdigt ur excell filen förän jag “omvandlade” den till en csv fil. Detta var inte någon bättre lösning, eftersom dessa gick inte heller att matcha med QGis filerna som i sin tur innehöll “ä” och “ö”. Så till sist gjorde jag det beslutet att fortsätta med en inkorrekt inmatad fil.

På kartan kan man avläsa att översvämningsindexet är högre vid kuststäder och kommuner samt att indexet inte har någon direkt korrelation till sjöprocentualiteten. I sin blogg funderar Saaga Laapotti över detta. Hen funderar att områden med större procentualitet sjöar förmodligen har mindre risk för översvämningar eftersom avrinnings vattnet har något ställe att rinna till. Låter logiskt tycker jag.

 

Källor:

Kovaa hermojen koettelua, Saaga Laapotti, 30.1.2019, länk (hämtad 21.2.2019)

 

Kursgång 2: Projektionens effekt på kartan och dess dimensioner

Det är en sak att följa med under kurstillfällena med klara anvisningar på hur man ska navigera sig i QGIS, och en helt annan sak att själv försöka få någonting gjort i programmet. Måste erkänna att mycket frustration verkar höra till ekvationerna!

Under det andra kurstillfället lärde vi oss betydelsen i att välja rätt projektion för sitt projekt. Elina Huhtinen har i sin blogg bifogat en fin tabell över skillnaderna i olika projektioner. Även Aino Peltola har med hjälp av en tabell presenterat skillnaderna i areor och sträckor mellan Epgs3067, Sphere Mercator och Uranus North Pole Tereographic projektionerna. Här uppkommer t.ex. att en sträcka på 537 km i Epgs3067 projektionen motsvarar en sträcka på 8095 km i Uranus North Polen Tereographic projektionen. Både i Huhtinens och Peltolas blogg-inlägg förekommer det tydligt hur proportionerna kan förvrängas mellan olika projektioner.

I kartan nedanför har jag själv jämfört den procentuella skillanden på areorna mellan Africa Albers Equal Area och Lamberts projektioner.

Bild 1. Procentuella skillanden på areorna mellan Africa Albers Equal Area och Lamberts projektioner (%)

Som det går att avläsa från kartans legend så är inte skillnaderna stora alls. Så valet av projektioner för syftet att bevisa skillnaden var kanske inte det mest lyckade, för tydlighetens skull. MEN en skillnad existerar och det är den allra viktigaste läxan att ta hem från kurstillfället nr.2. I min karta så blir färgen mörkare och mörkare desto större skillnaden i areorna blir mellan projektionerna. Det är spännande att se att det finns några ljusare partier bland de mörkare röda (dvs. områden med mindre procentuell skillnad än de omringande områdena). Orsaken till detta har jag ingen aning om.

Källor:

Viikko 2 – projektion vaikutus karttaan, Elina Huhtinen, 23.1.2019, länk (hämtad 3.2.2019)
Projektioita tutkailemassa, Aino Peltola, 31.1.2019, länk (hämtad 3.2.2019) 

Kursgång 1: Introduktion till QGIS

Vi började kursen från gräsrotsnivå (en underbar nivå att börja på för en total GIS-nybörjare som jag) då föreläsaren, Arttu Paarlahti, förklarade och presenterade grunderna för platsinformation. Ida Sihvonen sammanfattar koncist det som kom fram under föreläsningen i sin blogg , hon skriver: “… platsinformation består av både lägesdata och attributdata. Det första handlar om en plats position och kan anges till exempel med hjälp av koordinater eller geometri, men genom att tillägga attributdata får man en bättre helhet.“. Attribut data kan vara t.ex. namn på en gata, datum eller beskrivande information (t.ex. miljötyp).

Under första kursgången fick vi ett smakprov av GIS-programmet QGIS. Tillsammans med föreläsaren gick vi mycket systematiskt igenom programmets olika funktioner. Olika funktioner som vi bekantade oss med var: hur man importerar data till programmet, ställa in ordningsföljden för olika lager, färginställningar, skapandet och redigering av legend, nordpil, skala för avstånd m.m. Dessutom lärde vi oss att spara våra projekt i skilda filer.

Bild 1: Min första projektion skapad på QGIS. Representerar Kväveutsläppen från Östersjöstaterna 2016.

Materialet som vi arbetade med under kurstillfället behandlade kväveutsläppen från Östersjöstaterna året 2016. Enligt mina justeringar så representerar en desto mörkare röd ton på staten en desto större procent kväveutsläpp. På samma sätt som Emilia Kostamo kommenterar i sin blogg, är jag förvånad av dessa resultat. Hon funderar hur det kommer sig att Finland kan ha en så stor procent kväveutsläpp jämfört med Estland, men kommenterar även (med Ympäristö.fi som källa) att Finland sedan 1990 halverat sina kväveutsläpp, så riktningen är alltså den rätta. Via Kostamos blogg hittade jag till Miljöförvaltningens nätsidor där jag läste någonting intressant, som jag tycker att är bra att hålla i åtanke när man avläser ovanstående karta: Kvävebelastningen i Östersjön beror mycket på olika vattendrags avrinningshastighet, som i sig kan vara mycket varierande beroende på t.ex. på väder. Med fluktuerande avrinningshastighet så försvåras även tolkningen och uppskattningen av belastningen och resultaten kan ändras mycket från år till år.

Jag är nöjd med kartans estetik och hur slutresultatet blev, med åtanke på att detta var mitt första QGIS-projekt. Någonting att minnas kan dock vara att placera legend på en enfärgad bakgrund för tydlighetens skull!

Följande (Bild 2) koropletkarta pysslade jag med hemma på egen hand. Jag valde att här representera attributdatat antal Samiska talande i Finland år 2015. Som det går av kartan att avläsa så är det samiska språket främst centrerat i norra Finland och att det överlag är väldigt få som talar språket. I kommuner med större städer, t.ex. i huvudstadsregionen och Uleåborg, är också regioner med mörkare rosa färg, det vill säga har fler Samiska talande personer. Detta kan bero på urbanisering, men det är bara en spekulation och tanke, det går alltså inte att läsa från kartan. Det som jag kunde ha gjort annorlunda med kartan är att ta bort decimalerna från legenden.

Bild 2: Antal Samiska talande 2015

 

 

Källhänvisning:

Introduktion & QGIS, Ida Sihvonen, 15.1.2019, länk (hämtad 24.1.2019)

Itämeren typpipäästöt, lasten osuus Suomen kunnissa ja ensikosketus QGIS:iin (kurssikerta 1), Emilia Kostamo, 18.1.2019, länk (hämtad 24.1.2019)

Itämeren typpikuorma Suomesta, Miljöförvaltningen, länk (hämtad 24.1.2019)