Kriminalitet i Förenta staterna

Nu har vi kommit till slutet av kursen i insamling och analys av geodata samt kartografi. Inför den sista lektionen skulle vi samla in information om åtminstone två variabler för något område som kan delas in i mindre regioner. Jag valde att granska kriminaliteten för USA:s delstater, inte ett helt slumpmässigt val med tanke på alla kriminal- tv-serier jag sett.

Det finns massor av data över USA på internet, detta betyder dock inte att min uppgift var lätt. Informationen var utspridd på nätet och jag måste gå till ett antal olika byråers hemsida, t.ex. FBI, ATF samt Census Bureau, för att få den data som var relevant för mig. Ett annat problem jag stötte på var att en stor del av statistiken i fråga berörde hela USA, eller de mindre kommunerna ”county”. Tabellerna som jag till slut hittade kunde inte heller direkt överföras till MapInfo för kartläggning, vilket innebar att jag fick ta mig en lärorik stund med Excel för att städa upp dessa. Som ett exempel kan vi ta vapenlicensernas antal för varje delstat (Bild 1), informationen togs från en tabell som hade över 60 000 rader där delstaterna (i förkortad form- blev tvungen att ta reda och skriva ut de fullständiga namnet) och typ av licens låg huller om buller. Vi hade blivit varnade att inskaffandet av data kan ta en lång tid, men att spendera så många timmar på att söka och redigera materialet var jag inte förberedd på.

Nå väl, då allt detta var gjort var det dags att ta i bruk det vi lärt oss under kursen och sammanställa två temakartor. Här blev man bland annat tvungen att repetera klassificering med hjälp av ett histogram, kombination av databaser, modifierande av databaser, urval med hjälp av frågeställningar, val av projektion, placering av punktdata, och till sist visualisering med hjälp av MapInfo. Finslipning och redigering gjorde jag i CorelDraw. Det var alltså frågan om en mycket mångsidig och lärorik övning där nästan allt vi gått igenom kom till användning. Själva kart ritandet får dock bli till en annan gång då det fanns bra material att utgå ifrån där man kunde se världens administrativa regioner och befolkningskoncentrationer (Natural Earth 2015). Som Tiia Salminen pointerar i sin blogg vore det bra med platsnamn, men dessa skulle tyvärr göra kartan oredig, om man är osäker på var någon delstat ligger föreslår jag alltså att ta fram en annan karta där denna information framgår t.ex. GoogleMaps.

Min utgångs punkt för den första kartan var att desto fler vapenförsäljare det finns, desto mer vapen är tillgängliga vilket i sin tur ökar på antalet våldsamma brott per 100 000 invånare. På den färdiga kartan (Bild 1) kan vi dock se att detta inte riktigt stämmer. Även om man kan se en svag korrelation för vissa enskilda delstater verkar det stora mönstret mycket slumpmässigt. En orsak till detta kan vara att det vore oklokt att begå brott med ett vapen man skaffat från en licensierad vapenförsäljare, då vapnet i detta fall kunde spåras till köparen, och en stor del kriminaliteten sker troligen i gäng där illegala vapen kretsar. Dessutom inkluderar våldsam kriminalitet mycket annat än mord med skjutvapen, t.ex. våldtäkter och rån ingår i benämningen. En annan iakttagelse angående kartan är de låga antalet licensierade vapen försäljare i många befolknings rika delstater, bland annat Texas ( befolkning ca. 27 miljoner) har nästan 10 gånger mindre vapenförsäljare än i Washington vars befolkningsmängd är ungefär en fjärdedel av Texas. En bakomliggande orsak till detta kan vara de stora variationerna mellan delstaternas lagar angående skjutvapen. Texas har dock milda restriktioner, därför tror jag att det huvudsakligen är efterfrågan på vapen som påverkar antalet försäljare. Och i de skogs rika delstaterna, så som Washington, är troligen jakt en vanlig hobby.

crimeslicences

Bild 1. Licensierade skjutvapen försäljare och antal grova brott i USA:s delstater år 2011 (FBI & ATF).

På grund av att antalet licensierade vapenförsäljare inte visade den korrelation jag sökte efter, angående grova brott, valde jag att göra en karta över andelen fattiga i delstaterna (Bild 2). Census Bureau mäter fattigdomen enligt vissa tröskelvärden som ställs emot de totala inkomsterna för ett hushåll, varierar med familjens storlek och sammansättning. Det är allmänt känt att fattigdom leder till missnöje och sociala svårigheter. Informationen över andelen fattiga är således mycket viktig för att förstå mönstret vi såg på kartan över andelen våldsamma brott (Bild 1). Fattigdom är alltså en aktiv agent och en viktig faktor bakom kriminaliteten i en delstat, detta syns på det starka sambandet, de stater som har en hög andel fattiga har även en högre andel våldsamma brott och tvärtom. Fattigdomen och kriminaliteten koncentreras främst till sydstaterna, kunde möjligtvis till en del förklaras på invandringen och droghandel som sker över gränsen till Mexiko. Alaska i norr utgör ett stort undantag, andelen fattiga är lågt men kriminaliteten hög, skulle vara intressant att läsa om vad det är som orsakar detta.

För att göra kartan över andelen fattiga lite mer intressant valde jag att placera in fem av de farligaste städerna i USA 2013, enligt Huffingtonpost, detta gjorde jag med hjälp av en färdig databas där städernas koordinater framgick. Undersökningen är baserad på andelen våldsamma brott / 100 000 invånare, antal mord, andelen fattiga samt utbildningsgraden för stadsborna. Här ser vi igen hur fattigdom och utbildningsgrad sammankopplas till kriminaliteten. Staden som toppar listan på de farligaste städerna är Detroit, med USA:s högsta andel fattiga (40.7%), 2072 våldsamma brott/ 100 000 invånre och endast 78,6% som gått ut gymnasiet.

fattigaochstäder

Bild 2. Andel fattiga enligt delstat år 2010 (Census) samt de fem farligaste städerna i Förenta staterna (Huffingtonpost 2014).

Såhär i efterhand kunde sambandet mellan kriminalitet och fattigdom ha framgått bättre från en bi-variabel koropletkarta, men budskapet förmedlas även såhär enskilt. På det här sättet fick vi dessutom med antalet licensierade skjutvapens försäljare trots att korrelationen inte var så stor angående just detta. Även om jag stötte på vissa problem i början av processen (insamlandet och bearbetningen av data) gick själva görandet av kartan utan några problem, och såhär till slutsats kan jag väl säga att jag åtminstone lärt mig något om att använda MapInfo och dess många funktioner under de gångna veckorna. Som för Outi Seppälä har kursen också gett mig en vidare förståelse över geografisk informations användningsområden och tillämpningar och vad egentligen termen GIS innebär.

Källor:

ATF (2011). Bureau of Alcohol,Tobacco, Firearms and Explosives. Listing of Federal Firearms Licensees (FFLs). <https://www.atf.gov/content/firearms/firearms-industry/listing-FFLs> 26.2.2015.

Census (2010). United States Census Bureau. <http://www.census.gov/data.html > 26.2.2015.

FBI (2011). The Federal Bureau of Investigation. Crime in the United States. <http://www.fbi.gov/about-us/cjis/ucr/crime-in-the-u.s/2011/crime-in-the-u.s.-2011/tables/table-5 > 26.2.2015.

Huffingtonpost (2014). 10 Most Dangerous Cities In America, 15.11.2014.<http://www.huffingtonpost.com/2014/11/15/most-dangerous-cities_n_6164864.html> 27.2.2015.

Natural Earth (2015). Free vector and raster map data. <http://www.naturalearthdata.com/ > 27.2.2015.

Salminen T. (2015). Biologin seikkailut Kumpulassa. <https://blogs.helsinki.fi/tiisalmi/> 4.3.2015.

Seppälä O. (2015). Outin Pak-blogi. <https://blogs.helsinki.fi/outisepp/ > 4.3.2015.

Kartläggning av punktdata

Istället för att sitta sig ner vid datorn började lektionen med att vi gå ut i ”terrängen” för att samla egen punktdata med hjälp av en GPS-mottagare. Vår grupp valde att lokalisera säkerhets kameror runtom Gumtäkt campus. Jag var till en början skeptisk på vår GPS-mottagare då den visade höjddata som var helt från skogen, men punkterna placerades förvånansvärt bra på kartan då vi överförde informationen till MapInfo. Vi övade också geokodning genom att ge koordinater för spelmaskiner runtom Helsingfors med hjälp av deras postadress. Adressen kunde sammankopplas med koordinater som framgick i en noggrann databas över vägnätet i regionen. Det är inte alltid så lätt att matcha två olika databaser, detta berodde i det här fallet till stor del på mänskliga fel i stavning av adressnamnen

För den egentliga blogg uppgiften skulle vi göra tre olika kartor som lämpar sig för undervisning. Ämnet var hasarder och själv valde jag att göra två kartor över förekomsten av jordbävningar (Bild 1 och 2) och en karta som visar vulkanutbrott som skett sedan 1964 (Bild 3). Dessa hasarder fungerar bra, med tanke på lektionens tema, då epicentrum och berg är mycket lätta att visualisera som punkter. Data angående jordbävningarna fick jag från Northern California Eartquake Data Center (NCEDC) där man själv kunde välja vad som visades i statistiken. Själva skapandet av kartorna var enkelt och hela processen gick som smort, i förhållande till förra veckans lektion. Det fanns dock vissa saker man måste hålla på minnet då man använder ”Create Points” funktionen, t.ex. att x- och y-koordinaterna togs från rätt kolumn samt att projektionen var den rätta.

Från kartorna ser vi tydligt att antalet jordbävningar minskar drastiskt ju högre vi går på Richterskalan. Detta beror på att skalan är logaritmisk vilket betyder att för varje steg är magnituden (skakningen) 10 gånger större och nästan 32 gånger mer energi utlöses (NE). Skillnaden mellan jordbävningar som mäter 5.5 och 8 är alltså mycket stor.

5.5jorbävningsedan1950

Bild 1. Jordbävningar som mätt över 5.5 på Richterskalan sedan 1950 (NCEDC 2015).

8jordbävningarsedan1950

Bild 2. Jordbävningar som mätt över 8 på Richterskalan sedan 1950 (NCEDC 2015).

Förutom att visualisera Richterskalan och mängden jordbävningar framgår även ett tydligt mönster, speciellt på bild 1. Vad är det som orsakat mönstret? Här skulle jag gå vidare in på hur jordbävningar föds genom att litosfärplattorna fastnar i varandra för att sedan bygga upp energi som sedan utlöses i jordbävningar. Kartan som visar mycket kraftiga jordbävningar kunde användas till egen forskning. Eleverna skulle få till uppgift att ta reda på mer information om någon av de större jordbävningarna, uppkom någon annan hasard i samband med jordbävningen t.ex. jordskred, bränder eller tsunamis? Vilka följder har den haft på regionen, ekonomiska förluster? Även om eleverna inte har tillgång till den information jag hade då jag gjorde kartan borde det inte vara så svårt att hitta information över stora jordbävningar på internet. Man kan bland annat hitta mycket information om jordbävningen i Indiska oceanen år 2004 som orsakade den förödande tsunamin. Med tilläggsinformationen kunde man undervisa i hur riskerna varierar beroende på händelsen lokalisering. Som exempel kan vi jämföra förlusterna för jordbävningen i Alaska (Rat Island år 1965) med den i Indonesien 2004. Dessa liknar mycket varandra, båda mätte ca 9 på richterskalan och orsakade tsunamis på över 10 meter, men på grund av det avlägsna läget hölls till och med de ekonomiska förlusterna låga i Alaska medan länderna kring Indiska Oceanen led av väldiga förluster.

I samband med jordbävningar och seismiska fenomen behandlas även vulkaner. Dessa befinner sig till stor del kring samma områden, vid litosfär plattornas gränszoner, men även enskilda hetafläckar kan ses på kartan. Den absolut största delen vulkanutbrott kan ses kring eldringen som går runt Stilla havet (Bild 3). Det är också vid eldringen de flesta jordbävningar sker, t.ex. Japan är mycket utsatt för både vulkaner och jordbävningar och bara för ett tag sedan (hösten 2014) skedde där ett utbrott som krävde flera människoliv. Man kan fråga sig varför så många överväger riskerna att bo där, är det historiska skäl, klimatet eller kanske den bördiga vulkaniska askan?

Vulkanutbrottsedan1964

Bild 3. Vulkanutbrott sedan 1964 (NOAA 2015).

Både vulkanerna och jordbävningarna har alltså ett tydligt samband med plattektoniken. Då kartorna skall fungera som undervisningsmaterial tycker jag det är skäl att även ha med en karta (Bild 4) som visar de tektoniska plattornas lägen, samt hur de rör sig i förhållande till varandra. Som Jonas Alanko har lyft fram i sin blogg kan dessa kartor ge mer information vid tolkning av jordbävningar. Vid olika typers zoner hittas jordbävningar av olika djup, t.ex. vid en subduktionszon (där den ena plattan glider under den andra) förekommer djupa och intermediära jordbävningar.

1198px-Plates_tect2_sv.svg

Bild 4. Tektoniska plattornas läge och rörelse (Wikipedia).

Dels som kuriosa och dels för att hindra missuppfattningar valde jag att ta med en karta (Bild 5) som visar hur många jordbävningar det totalt skett i ett land under ett års tid. På kartan ser vi att det sker massvis med små jordbävningar runtom i världen, även om dessa inte syns på mina kartor som behandlar större jordbävningar. På kartan kan vi se att också i Finland sker det tiotals jordbävningar per år fastän vi inte ligger vid en gränszon. Man måste dock ta i beaktande att alla länder inte har lika noggrann och utförlig data som t.ex. USA och Europa har.

jordbävningar

Bild 5. Distributionen och antalet jordbävningar runtom i världen (NCEDC).

Källor:

Alanko J. (2015). Alanko’s blog. <https://blogs.helsinki.fi/jbalanko/2015/02/18/pak-kerta-6/> 25.2.2015.

NCEDC (2015). Northern California Eartquake Data Center. <http://quake.geo.berkeley.edu/anss/catalog-search.html> 20.2.2015.

NE (2015). Nationalencyklopedin, Richterskalan. <http://www.ne.se/uppslagsverk/encyklopedi/l%C3%A5ng/richterskalan> 26.2.2015.

NOAA (2015) Global Volcano Locations Database. <http://catalog.data.gov/dataset/global-volcano-locations-database> 20.2.2015.

Wikipedia (2010) De tektoniska plattornas lägen. <http://sv.wikipedia.org/wiki/Plattektonik#mediaviewer/File:Plates_tect2_sv.svg> 25.2.2015

Buffertzoner och MapInfo

Den femte lektionen gick till stor del ut på att på egen hand lösa problem och räkna ut svar genom användning av buffertzoner i MapInfo. I början av lektionen gjorde vi dock en kort övning enligt lärarens instruktioner, men till största delen var det tillämpning av det vi tidigare lärt oss.

Buffertzoner är ett centralt verktyg för GIS. Polygonen, som skapas på ett visst avstånd runt ett eller flera valda objekt, används bland annat för att analysera den data som zonen innehåller. Traditionella exempel på vad dessa kan användas till fick vi i övningsuppgifterna där vi t.ex. tog reda på hur många barn det finns i närheten av en skola eller hur många personer som bor i närheten av en tågstationer. Dessa är alla bra då man planerar samhället och utvecklar infrastrukturen i ett område. I övningarna visade sig det att buffertzoner även kan användas till förvånansvärt komplexa problem, exempelvis hur många som skulle lida av flygplans oljud om landningsbanan skulle gå över Tikkurila (ett tättbefolkat område i Vanda). För att snabbt och koncist visa resultaten från övningarna gjorde jag ett Excel diagram (Tabell 1).

Tabell 1. Svar på övningarna, klicka för att ladda ner.

Tabell

Dessa är bara några av buffertzonernas användningsområden, själv tycker jag de skulle vara intressant att använda dessa för säkerhetsåtgärder ifall någon naturkatastrof skulle råka ske t.ex. hur många som berörs om en flod översvämmar. Buffertzoner kunde även användas för kommersiellt bruk, för att kolla var tröskbefolkningen bor och var det lönar sig att placera ett företag eller butik. Buffertzonerna är alltså mycket användbara och kan användas till mångsidigare analyser än vad jag tidigare trodde. Hur brett användningsområde beror såklart också på hur mångsidigt material man har att utgå från, detta betyder dock inte att de måste vara fullproppade med information. Nästan all information som användes i övningsuppgifterna framgick från den relativt snäva databasen över befolkningen i huvudstadsregionen. För vissa saker, t.ex. för att lokalisera skolan i den sista uppgiften, användes yttre källor.

Användningen av buffertzoner visade sig vara rätt enkelt. Men små saker kan orsaka mycket problem och att kolla på de olika lagrens ordningsföljd, samt att checka redigeringsknappen, är saker som jag härmed automatiskt checkar. Om man blev fast och fundera på större saker var det tur att man kunde fråga hjälp från kurskompisarna eller gå till de tydligare instruktionerna med steg för steg anvisningar.

Då jag funderar på MapInfos styrkor och vad jag främst använder programmet till är det nog funktionen att göra temakartor. Representationen sker snabbt och enkelt, dessutom finns det många olika färdiga modeller att utgå ifrån då man gör måttstock, nordpilar eller legender. Programmet fungerar även till att skapa nya tabeller, göra räkningar och analysera material. Med det sagt tycker jag ändå att programmet kunde utvecklas rent tekniskt då flera av dess funktioner går lättare att göra med andra program, bland annat modifierande av objekt och ritandet av kurvor visar sig vara svårt. MapInfo är dock ett så mångsidigt program med många funktioner så det skulle vara ovist av mig att säga jag behärskar det. En del av det man lärt sig är redan glömt och jag finner mig ofta i att göra saker och ting på ett mycket svårare sätt än vad programmet möjliggör. Därmed tror jag att själva användarens begränsningar på programmet och analysen är stor. Även mänskliga ”fel” kan ske, dessa fel tydliggjordes då jag jämförde flera svar på övningsuppgifterna, skillnaderna beror på i stor grad på noggrannheten men också på hur man har tolkat uppgiften. Begränsningar i användningen av MapInfo beror även på de tidigare nämnda databasernas kvalité och mångsidighet. Programvaran är alltså inte det som i förstahand orsakar problem för analysen, även om denna i mitt tycke kunde utvecklas.

Så som Elias konstaterar i sin blogg (Annilla 2015) är MapInfo ett bra kombinationsprogram för att både göra kartor och tabeller, men vill man vara effektivare eller bearbetar ett större material kanske man skulle ha nytta av att använda skilda program som speciellt är utvecklade för en funktion. Ett stort plus är dock programmets möjlighet att kombinera och behandla filer av olika format vilket gör det lätt att överföra färdig statistik från ett statistikprogram som SPSS till MapInfo för att där skapa en temakarta. Den ”halvfärdiga” produkten kan sedan överföras till CorelDraw för finjustering.

Källor

Annila E. (2015). Eliaksen PAK-blogi. <https://blogs.helsinki.fi/eannila/2015/02/16/viides-kurssikerta-analyyseja-pisteaineistosta-seka-pohdintaa-MapInfon-kaytosta/> 19.2.2015.

Raster och Rutor

Den här gången gjorde vi en rasterkarta som består av enskilda element (pixlar) där varje pixel är homogen och har samma värde. Vi övade den nya metoden genom att göra en karta över antalet invånare i Helsingforsregionen, efter detta fick vi tid för det egna arbetet. Jag valde att göra en rasterkarta (Bild 1) som visar andelen utlänningar i huvudstadsregionen.  I slutet av lektionen överförde vi även en karta som bestod av pixlar till Mapinfo, detta kommer jag troligen att ha nytta av i framtiden då en stor del av geografisk information tas från traditionella flyg- och satellitbilder.

Även om rasterkartor lämpar sig för att visa absoluta värden, möjligt då rutornas storlek är konstant, går det även att visa relativa tal genom denna metod. Därmed repeterade jag även det vi gick igenom förra gången, alltså skapandet av en ny databas där jag räknade ut den procentuella andelen utlänningar jämfört med den totala befolkningen. Räkningarna och kartan gjordes utgående från ett material som innehöll data över bostädernas lokalisering i huvudstadsregionen samt bakgrundsinformation över befolkningen som bor här. Med hjälp av ett rutnät (grid) som lades på den ursprungliga kartan kunde programmet räkna ut andelen utlänningar för varje ruta. Spridningen av värdena var mycket ojämn och med kvartiler skulle vissa grupper innehålla en för stor variation, därför beslöt jag mig för att gå med naturliga brytpunkter. Pixeln får ett specifikt värde och placeras sedan i någon av de bestämda klasserna.

Jag prövade att göra kartor med olika rutstorlekar och skulle ha kört med rutor på 200×200 meter, men det visade sig vara för små på den färdiga temakartan. Mönstret blev mycket splittrat och pixlarna framgick som små enskilda rutor på en vit bakgrund. Detta beror på att rutor där det inte bor någon utlänning, pixelvärde 0, framstår vita på kartan. Detta var orsaken till att jag till slut valde jag rutstorleken på 500×500 meter. Även om noggrannheten lider i viss mån ökar sannolikheten att åtminstone 0,1 % av befolkningen är utländsk, och på detta sätt bildas ett helhetligt rutsystem som täcker stora delar av huvudstadsregionen.  För att kartläsaren lättare skulle få en uppfattning om vad visualiseras på kartan, har jag tagit med det huvudsakliga vägnätet. Stadskärnan kommer tydligare fram på kartan och vi ser hur människorna är placerade i förhållandet till ringvägarna, dessutom kan det hjälpa läsaren att lokalisera enskilda bostadsområden. Med färgvalet har jag vidare försökt att underlätta kartläsarens tolkning av kartan, där färgen blir mörkare och kraftigare är andelen utlänningar högre.

Bild 1. Andelen utlänningar i huvudstadsregionen, enligt 500×500 meters rutor.

Från att ha testa olika storlekar på rutorna, kan man dra slutsatsen att även om vi kan se en spridning som täcker nästan hela regionen är utlänningarna främst koncentrerade till specifika områden till och med enskilda kvarter (200×200 meter). Andelen utlänningar är störst i förorterna. I östra delarna av huvudstadsregionen främst vid Helsingfors-Malms flygplats och i väst finns större koncentrationer kring Esbo centrum, Alberga och Malmgård. Det bor även en hel del utlänningar i Helsingfors stadskärna.

Enskilda rutor med mycket hög procent, bland annat kring Noux i Esbo (Bild 1), kan förklaras med att området är ett naturskyddsområde och antalet människor som bor där är mycket lågt. Det räcker med en familj för att höja procentvärdet i rutan. I dessa fall skulle det vara intressant att kolla de absoluta värdena för pixeln, men även för andra områden kunde absoluta värden ge specifikare information som kan utnyttjas för samhällsplaneringen.

Om vi antar att utlänningarna har ett annat modersmål än svenska och finska, kan vi kolla de absoluta värdena genom att se på Julia Keronens karta över antalet människor med övriga språk. Genom att jämföra kartorna ser vi att min analys verkar vara korrekt.  I Nouxområdet ligger antalet invånare med främmande språk på ca 1-10, utgående från 400×400 meters rutor. Alltså räcker det med en utländskfamilj att höja det relativa talet. På kartan med absoluta värden framgår även ”förortsbältet” med högre andel utlänningar från flygfältet till Esbo centrum.

Vi ser alltså att många utlänningar är bosatta i förorter som har fått ett dåligt rykte och anses vara otrygga. De bakomliggande faktorerna till detta kan vara många. Kanske beror det på en bristfällig skolning och dåliga språkkunskaper hos invandrarna, vilket i sin tur leder till arbetslöshet och utstötning från samhället. Det skulle dock vara fel att säga att dessa specifika förorters dåliga rykte endast orsakats av den högre andelen utlänningar, men kan troligen till en del förklaras av detta. På kartan ser vi också anomalier i mönstret t.ex. i Otnäs, där Aaltouniversitetet och flera It-företag ligger, är andelen utlänningar hög. Här är troligen den utländska befolkningen utbildad och har bra betalda jobb.

Rasterkartor är speciellt bra att använda för fenomen som inte följer några färdigt utsatta gränser t.ex. Kommuner eller avrinningsområden. Rutorna möjliggör alltså en visuell granskning av ett fenomen inom en region. Pixelmängden kan dock för ett ovant öga göra kartan otydlig, men egentligen ger rutorna tydlig information över området (pixelstorleken påverkar) och beskriver även anomalier inom regionen. Över huvud taget var det en trevlig lektion som innehöll lite nytt men även sådant som var bekant från förut, vilket underlättade arbetet.

Källor:

Keronen, J. (2015). Julian PAK-blogi. <https://blogs.helsinki.fi/juliaker/ >12.2.2015

 

Databaser och avrinningsområden

Under den tredje lektionen fortsatte vi användningen av Mapinfo. Denna gång gick vi mera in på databaser och hur man hanterar dessa. Träningsmaterialet behandlade allt från Internetanvändare och förhållande mellan diamant-, oljeförekomster och konflikter i Afrika. Materialet städades genom att bland annat kombinera, sortera och radera objekt. Vi kombinerade också olika databaser och gjorde olika uträkningar utgående från tillgänglig data.

Först en liten analys över övningsmaterialet om Afrika, samt spekulation över vad som skulle kunna tolkats om även tidsaspekten skulle komma fram i materialet. Det är intressant hur mycket man kan tolka genom att enbart kolla på databaserna och den färdiga kartan. Databasen måste dock ha tillräcklig information om t.ex. det spatiala sambandet mellan två faktorer. Om man även hade tidpunkten för de olika händelserna kunde man ännu tydligare bilda en uppfattning om vad som hänt. För att stärka sina slutsatser kan det dock vara bra att ta stöd från utomstående litteratur.

Utgående från materialet såg vi att antalet internetanvändare har ökat under de senaste åren, detta är troligen resultatet av att teknologin har utvecklats och blivit allt mer tillgänglig för även de fattiga. Behovet har också ökat, det kan även vara bra för en Afrikansk jordbrukare att följa med globala marknadspriser. Riina Koskela har gått ett steg längre i sin blogg där hon funderat på sambandet mellan internet och uppkomsten av nya naturrikedomar, då dessa betyder större inkomster till landet som i sin tur kan satsa på teknik. Tyvärr tror jag dock att den största delen av vinsten går åt enskilda personer. Rikedomarna från diamanter och olja men även andra naturresurser går oftast till en liten elit vilket bidrar till den stora ojämlikheten i Afrika. Orättvisa, fattigdom och ojämlikhet skapar i sin tur konflikter, och attackerna riktas mot t.ex. Internationella oljeföretag (som vi sett i början av 2000-talet). Detta tror jag är bakgrunden i det starka sambandet mellan nya oljefält/diamantgruvor och konflikterna som syns på kartan, och om databasen även innehöll enskilda årtal för attackerna kunde det vara intressant att försöka identifiera de enskilda konflikterna och få mer specifikinformation om dessa. Ett exempel är Ogonerna som är en ursprungsbefolkning i Nigeria, som tvingades evakuera och överge den traditionella näringen då internationella oljebolag t.ex. Shell, förstörde den sköra naturen i Nigerdeltat. Senare skedde även våldsamma motattacker mot företaget (Univeristy of Michigan 2004)  Detta hände i Nigeria från 1960-1990 talet och skulle vara intressant om även denna konflikt är synlig på kartan (Bild 1).

Bild 1. Karta över Afrikas oljefält, diamantgruvor och konflikternas utbredning (Paarlahti 2015).

För veckans egentliga uppgift fick vi använda oss av alla kunskaper vi lärt oss under lektionen. Målet var en karta (Bild 2) där det framgår översvämningsindexet för avrinningsområdena i Finland samt andelen sjöar för dessa. Med avrinningsområde avses ett landområde som avgränsas genom vattendelare (ofta förhöjningar i topografin), nederbörden eller smältvattnet inom ett avrinningsområde skall ledas till samma vattendrag.  Vattenföring är ett mått på hur stort vattenflöde ett vattendrag har, ofta kubikmeter/sekund, i en viss punkt av en kanal. Högvattenföring är den högsta vattenföringen som förekommer i ett vattendrag under ett år, och orsakar översvämning, detta är viktigt med tanke på byggandet av t.ex. kanaler. Översvämningsindexet fås genom högvattenföringens förhållande till medelflödet för en flodfåra och beskriver hur många gånger större den högsta avrinningen är jämfört med medelavrinningen (Paarlahti 2010). Indexet visar alltså hur lätt det sker en översvämning i avrinningsområdet. På kartan framgår Indexet som färgade ytor och andelen sjöar som stapeldiagram, det handlar alltså om en kombinationstemakarta.

Informationen för uppgiften fanns i olika tavlor och i olika program (Excel och Mapinfo), dessutom var vissa uträkningar inte ens gjorda. Så det första jag började med var att sortera och kombinera de olika tavlorna och räkna ut översvämningsindexet. För att få en fungerande databas krävdes många olika åtgärder, detta var rätt invecklat, men väl gjort hade man en färdig grund för själva kartan. Antalet klasser (4) och klassificeringssystem (kvartiler) bestämde jag utgående från ett färdigt histogram. Med färgvalet ville jag åskådliggöra att risken för översvämning ökar med ett högre översvämningsindex, orange och gult associeras ofta med någon sorts risk.

Då Mapinfo placerar sina diagram blir des ofta placerade på olämpliga ställen. För att korrigera stapeldiagrammens placering på kartan flyttade jag över filen till programmet CorelDraw och kunde där behandla staplarna som enskilda objekt och flytta på deras platser. Att det är mycket svårt/begränsat att behandla enskilda objekt och den färdiga produkten anser jag vara ett av Mapinfos största problem.

avrinningsområden (3)
Bild 2. Översvämningsindex och andel sjöar för Finlands avrinningsområden. (Tryck på bilden för tydligare karta).

På kartan ser vi att Finlands gränser åtminstone till en del är naturgeografiska och följer avrinningsområdena. De högsta översvämningsindexen finns kring Österbotten och längs med kusten. Vattenföringen varierar mycket mellan årstiderna men påverkas också i stor grad av avrinningsområdets egenskaper som topografi, form, mängden sjöar och växtlighet (Kuosmanen 2014). Människans aktivitet kan också påverka t.ex. urbanisering leder till en större vattenföring, då stadens ytor är dåliga på att infiltrera vatten. Detta är troligen och är en orsak till Auraflodens avrinningsområdes höga översvämningsindex.

På kartan (Bild 2) framgår tydligt korrelationen mellan andel sjöar och översvämningsindexet. Sjöarna fungerar som regleringsbassänger och risken för översvämning minskar då överloppsvattnet tillfälligt lagras tills vattnet avdunstar. Som exempel från kartan kan vi ta Päijänne och Saimen, som båda har en stor möjlighet att lagra vatten i sina sjöar och därmed även ett lågt index. Som tidigare nämnt påverkar också växtligheten och storleken på avrinningsområdet, och både Päijänne och Samen har även mycket stora skogsparti i jämförelse med kustområdena som långt består av leriga åkermarker som har en dålig förmåga att infiltrera stora mängder nederbörd eller smältvatten. Is fördämning är ett annat vanligt problem i kustregionerna, under vårvintern blir flodernas utlopp stockade av isblock vilket hindrar smältvattnet att rinna ut i havet och leder till översvämning. Landhöjningen i Österbotten får igång ett liknande fenomen, då isostasin får marken att ”luta åt fel håll” minskar strömningen och ökar på översvämningsrisken (Jalkanen 2013).

Det är roligt att se att sådant man tidigare lärt sig stämmer överens med kartan som man nu gjort. Att visualisera ett fenomen och ge stöd till texten är ju ett av kartans centrala mål. Kanske man kan dra slutsatsen att det blev en lyckad karta.

Källor:

Jalkanen P. (2013). Geosciencing and Cartography. <https://blogs.helsinki.fi/pjalkane/2013/02/06/pak-kurssikerta-3/  >2.2.2015.

Koskela R. (2015). Riina & 38 päivää paikkatietoa. <https://blogs.helsinki.fi/riinakos/> 2.2.2015

Kuosmanen N. (2014). Luento: luonnonmaantieteen perusteet. Helsingin yliopisto.

Paarlahti A. (2010). Tulvaindeksi. <https://blogs.helsinki.fi/tvt3-2010/2010/02/01/tulvaindeksi/> 2.2.2015.

Arttu Paarlahti (2015). Afrikkaa ja konflikteja. <https://blogs.helsinki.fi/pak-2015/> 2.2.2015.

Univeristy of Michigan (2004) The Curse of Oil in Ogoniland. <http://www.umich.edu/~snre492/cases_03-04/Ogoni/Ogoni_case_study.htm > 3.2.2015

Fortsättning på temakartor

Kombinationskartor

Under den andra lektionen fortsatte vi användningen av programmet Mapinfo. Den här gången gick vi igenom olika typers temakartor, från olika kombinationskartor till 3D modeller, och deras användningsområden. Vi lärde oss också hur man tar in sin egen information till programmet, vilket var mycket välkomnande. För utförande av uppgiften fick vi fria händer, det skulle vara en temakarta som kombinerar två fenomen och där man använder all den kunskap man har över färgval och klassificering. Denna gång gjorde jag en bi-variabel koropletkarta.

En bi-variabel koropletkarta är en sorts temakarta där man kombinerar två olika variabler som överlappar varandra. Som tema för kartan valde jag andelen svenskspråkigas betydelse på inkomsternas storlek i Nylands kommuner. Noll hypotesen var att svenskspråkiga minskar antalet låginkomsttagare i kommunen, detta bygger på fördomen att finlandssvenskar är rika snobbar (Wistrand 2013), vilket jag försöker motbevisa. Hade från början tänkt göra en kombinationskarta där jag motsätta andelen svenskspråkiga och Gini-koefficienten, som är ”det vanligaste nyckeltalet som beskriver inkomstskillnader” (Statistikcentralen). Men då skillnaderna för kommunerna var så små var det svårt att ske visuellt skillnad mellan symbolernas storlek, även om jag justerade deras storlek enligt kvadratroten. Därför ändrade temat till andel låginkomsttagare och därmed kombineras två koropletkartor temakartor till en bi-variabel koropletkarta (Bild 1). Andelen svenskspråkiga anges med färgytor och låginkomsttagarna med raster. Då jag valde färg och rasterytorna var jag noga med att färgen inte var för mörk, så de ovanförliggande rasterytan kommer fram, tycker att jag även lyckades skapa en tillräcklig skillnad mellan rasterna. Tydliga färgval och rasterytor förbättrar läsbarheten och informationen man får ut av kartan.

Bild 1. Andel svenskspråkiga och låginkomsttagare i Nylands Kommuner år 2012 (Sotkanet).

Informationen som använts för kartan togs från Statistik och indikatorbanken för Institutet för hälsa och välfärd (Sotkanet), datan överfördes sedan till Excel och därifrån till Mapinfo. Kedjan att ta in ny information till programmet och anpassa denna med den existerande informationen är rätt komplex och kunde i mitt tycke göras mycket lättare. Att ta in egna värden för att göra en visuell representation av dessa borde väl vara en central del av programmet. Gjorde också för denna karta två stycken histogram för att kolla spridningen av de numeriska värdena. Spridningen visade sig vara var oregelbunden för båda materialen och därför valde jag att gå med naturliga brytpunkter för bägge karta. På grund av att vi visar två olika fenomen på samma karta är max antalet klasser tre, då kartan annars får för många olika kombinationer.

Andelen svenskar är störst i kustkommunerna, detta är inte i sig förvånande, och minskar radikalt då man går inåt landet. Man måste dock vara uppmärksam då man läser kartan, det handlar om procent andelar och på detta sätt kan kartan vara missvisande t.ex. Helsingfors stora antal svenskspråkiga kommer inte fram på kartan då det även bor så många andra personer här. På kartan kommer inte heller fram variationen inom området och skulle man endast gå efter kartan kunde man tro att invånarna i Helsingfors är fattigare än de omgivande kommunerna. Men egentligen består en stor andel av Helsingfors invånare av högutbildade höginkomsttagare (Rönnberg).

Materialen visade sig vara rätt svåra att jämföra, även om man ser en korrelation i vissa kommuner (Grankulla) är förhållandena helt annat i andra (t.ex. Lovisa). Materialet antar att det är de svenskspråkiga som påverkar andelen låginkomsttagare, men i verkligheten består ju största delen av befolkningen av finnar och vi vet inte hur fördelat. I detta fall skulle Gini-koefficienten varit bättre. Man kan ändå dra vissa parareller t.ex. i Grankulla, Kyrkslätt och Sibbo visar samband med noll hypotesen ”högre andel svenskspråkiga mindre andel låginkomsttagare ” med då det också finns stora undantag bland annat de mycket svenskspråkiga kommunerna har en medelhög eller hög andel låginkomsttagare, alltså visar det att hypotesen är falsk.  Korrelation och vad som egentligen orsakar ett fenomen behöver inte ha ett samband dvs. Kausalitetsförhållande. Andra orsaker till spridningen kan vara att de mycket svenskspråkiga kommunerna Lovisa och Ekenäs ligger utanför huvudstadsregionens tillväxtområde där en stor del har en lägre grads utbildning och arbetar inom lägre betalda sektorer av ekonomin. Behöver alltså mer kunskap och forskning inom ämnet före man kan dra några slutsatser. Dessutom baserar sig hypotesen på vanföreställningar, men jag ville undersöka om det fanns något grund i påståendet.

Artikel 1, Bi-variabla koropletkartor

Vi fick även en annan uppgift för denna vecka, nämligen att analysera och reflektera över artikeln ”Two variable choropleth maps as a useful tool for visualization of geograpical relationship” skriven av Anna Leonowiczin. Artikeln kommer lämpligt in och behandlar det vi gick igenom på lektionen, dvs. Koropletkartor med två variabler. Leonowiczin har en positiv inställning till dubbel koropletkartor och menar att dessa borde användas i större grad.

Artikeln baserar sig på en undersökning där man jämförde positiva och negativa egenskaper av vanliga koropletkartor och bi-variabla koropletkartor. Enligt undersökningen är det svårt att jämföra två skilda kartor och få en korrekt uppfattning om spridning och förhållande mellan dessa, det är här bi-variabla koropletkartor kommer in. Även om dessa kartor inte är lika tydliga att beskriva ett fenomens spatiala spridning lämpar sig bi-variabla koropletkartor mycket bra till att samtidigt beskriva förhållandet mellan två variabler. Så här långt håller jag med, men då Leonowiczin hävdar att endast information över spatial spridning är lätt att förstå då man läser vanliga koropletkartor tycker jag att man kan göra en bredare analys över fenomenet på kartan, så länge den är bra gjord.

Artikeln tycker jag förövrigt att är bra och informativ och var användbar då jag gjorde bi-koropletkartan (bild 1). Här behandlas bland annat frågan om antal klasser, som är skäl att hålla låga för att hålla läsbarheten, som negativa exempel tas temakartor med fyra olika klasser dvs. 16 olika kombinationer. För tolkning och skapandet av sådana kartor krävs det kunskap och vana. Artikeln behandlar även färgval och jag anser att kartor med två variabler och olika färgkombinationer lätt blir svår tolkade även om det finns en beskrivande legend. Istället för att blått och gult blir grönt, tycker jag att en kombination av raster och färg får informationen att framgå tydligare på en karta. Dessa legender och bi-koropletkartor är som Tuure Takala säger i sin blogg rätt ovanliga och det krävs kunskap i att tolka och skapa denna typ av kartor så att man själv kunde använda sig av denna metod för egna arbeten.

Artikeln kompletterade lektionens innehåll och behandlade ämnet djupare.  Jag håller med Leonowiczin om att läsarens kunskaper och uppfattning är starkt begränsar användningen av bi-variabla koropletkartor. Kartläggaren har också en stor betydelse över kartans riktighet och läsbarhet t.ex. för många olika klasser, inkompatibla variabler som kombineras och andelar som ger en missvisande bild över verkligheten. Det är alltså lätt att göra svårtolkade och felaktiga kartor men även korrekta kan vara svåra att förstå och man måste vara uppmärksam då man gör olika slutsatser. Även om man ser en korrelation på kartan behöver det inte innebära att det är frågan om ett kausalitetsförhållande. Efter denna lektion har vi igen lite mer kunskap och ett bredare urval av representations metod, beroende på kartans användningsområde och typ.

Källor:

Leonowicz, A (2006). Two-variable choropleth maps as a useful tool for visualization of geographical relationship. Geografija. 42:1, 33–37.

Rönnberg O. (2015). Oskarin PAK-blogi. <https://blogs.helsinki.fi/oskaronn/ > 28.1.2015.

Sotkanet. Tilasto- ja indikaattoripankki. Kunnan yleinen pienituloisuusaste, 2012. <http://uusi.sotkanet.fi/portal/page/portal/etusivu> 23.1.2015.

Statistikcentralen. Begrepp och definitioner, Ginikoefficient. <http://www.stat.fi/meta/kas/gini_kerroin_sv.html> 29.1.2015.

Takala T. (2015). Takalan PAK-Blogi. <https://blogs.helsinki.fi/tevtakal/> 28.1.2015.

Wistrand K. (2013). En folklorist ser på finlandssvenskarna. http://humanismkunskap.org/2013/05/11/en-folklorist-ser-pa-finlandssvenskarna/ 29.1.2015

Mapinfo- introduktion

Nu kör ”Pak”-kursen igång! Under den första lektionen bekantade vi oss med programmet Mapinfo, vars främsta uppgift är representation av geografisk information. Vi lärde oss bland annat att navigera i programmet, om dess olika funktioner och hur man skapar temakartor. I slutet av kurs gången gjorde vi en koropletkarta på basis av färdiga värden i Finlands kommuner.

Koropletkartor används för att visa relativa värden, även om man ofta kan se koropletkartor som okorrekt visar absoluta. Som ämne för kartan valde jag andelen arbetsföra människor, dvs. 15-65 åringar, för kommunerna i Finland. Denna grupp människor är väldigt viktig för Finland, då det är främst denna som tillbringar inkomster till kommunerna och landet och får dem att fungera.  En annan orsak till att jag valde ämnet är ett rätt intressant att se skillnaderna mellan kommunerna och fundera kring faktorer som ligger bakom denna ojämna fördelning.

För att börja processen i kartläggningen är det första man gör att kolla på materialet och därefter göra beslut om bland annat antal klasser och hurdan indelning. Då man väljer klassificerings sätt lönar det sig alltid att betrakta spridningen av värdena i fråga, för detta lämpar sig bäst ett histogram. Jag använde mig av ett interaktivt program (Shodor) som färdigt gjorde histogrammet då jag matade in kommunernas procenttal. För att förbättra histogrammet valde jag Intervallvärdet 1 samt ändrade x-axelns min- och y-axelns maxvärde. Vid analys av histogrammet märker man tydligt talens fördelning, i detta fall är materialet nästan normaltfördelat. Med en snabb uppdatering över kunskaperna man fått i tidigare kurser valde jag en indelning i jämna klasser (kvartiler) som är en av de klassificeringsmetoder som lämpar sig bäst för denna fördelning på material.  Temakartan har fem olika klasser vilket är max då redan nu börjar kartan se oredig ut pga. den stora variationen.  Med färre skulle och andra sidan den stora generaliseringen minska på informationens noggrannhet.

Histogram

Bild 1. X-axeln andel 15-65 åringar, y-axeln antal kommuner.

Förutom klassindelningen har även färgval betydelse för kartans visuella utseende och påverkar kartläsaren uppfattning om fenomenet. För att se skillnad mellan de olika kommunerna har jag valt en färgpalett från blå till ljusröd. Detta underlättar kartläsarens tolkning då man är van med att lägre värden har en kallare blå ton. Att få till en harmonisk färgskala med Mapinfo visade sig vara svårt, de färdiga paletterna är väldigt granna, men trots detta tycker jag att jag ändå fick till en hyfsad karta.  Kontrasten mellan de två ljusröda färgerna kunde kanske varit en aning starkare.  Programmet hade färdiga funktioner för att skapa en legend, måttstock och pil. Detta underlättade arbete men redigerandet av de färdiga modellerna visade sig dock vara utmanande, speciellt då ens kunskaper fortfarande är begränsade då det gäller Mapinfo.

Nu följer en kort analys över fenomenet i fråga. I de flesta av Finlands kommuner är andelen 15-65 åringar ca 60 %, variationen mellan kommunerna är dock nästan 20 procentenheter. Vad är det som har orsakat denna variation? Att det har bildats flera små centrum, där andelen 15-65 åringar är större, runtom i Finland kan förklaras av 1900-talets områdespolitik vars mål var att göra ett enhetligt Finland (Jauhiainen 2006). Storstädernas influensområde sträcker sig över många kommuner och erbjuder service, skolning och arbetsplatser. Folk i arbetsför ålder flyttar till kommuner med bättre framtida möjligheter, och lämnar sina tidigare hemkommuner. Som exempel kan vi ta Uleåborg som tydligt kommer fram på kartan bland sina ”blåa” grannkommuner. Pauliina Hongisto konstaterar samma som jag i sin blogg, även om hennes analys baserar sig på andel pensionärer. Genom att jämföra kartor över arbetslösheten i Finland, t.ex. Bergmans blogg, samt andelen arbetsföra människor kan man se ett svagt samband mellan dessa. Oväntat är dock hur stora andelar av befolkningen i Lappland är i arbetsför ålder trots att stora delar av regionen saknar studiemöjligheter och arbetsplatser. Hade förväntat mig ett starkare samband, då arbetslöshet ofta leder till en migration bort från området.

Bild 2. Andel (%) 15-65 åringar år 2011 (Statistikcentralen).

Vi stiftade bekantskap med Mapinfo genom att göra en koropletkarta och uppfriskande minnet om  fördelning och klassindelning genom att se på ett histogram. Även om programmet nu känns lite mindre komplicerat än tidigare kommer hanteringen av programmet och dess funktioner kräver fortsatt övning. Förhoppningsvis kommer Mapinfo att öppna sig mer under de kommande veckorna.

 

Källor:

Bergman J. Jenny-Marias blogg <https://blogs.helsinki.fi/jibergma/> 22.1.2015

Hongisto. P. Pak a la Pauliina. <https://blogs.helsinki.fi/pauliinh/> 22.1.2015

Shodor, histogramredskap <http://www.shodor.org/interactivate/activities/Histogram/> 21.1.2015

Jauhiainen S. & Nimenmaa V. (2006). Alueellinen suunnittelu. s.292. Vastapaino, Tampere.