Hej!

Nu börjar kursen lida mot sitt slut, vilket betyder att detta blir mitt sista blogginlägg. Jag har verkligen gillat att driva en kursdagbok i det här bloggformatet! Jag hoppas att det återkommer i senare kurser. Det har varit roligt att  presentera sina arbeten på sitt eget sätt, och även kunna ta del av andra studerandes bloggar.

Den här veckan bestod av en sista självständig uppgift. Här fick vi fria händer att skapa en egen karta eller kartserie baserad på data som vi själva hittat. Temat var fritt, huvudsaken var att skapa en temakarta eller kartserie med minst två variabler. I blogginlägget med uppgiftsbeskrivningen finns en exempelkarta som beskriver de mest utmärkande dödsorsakerna i USA. Från denna karta fick jag inspiration att granska dödsfallen i Finland.

I Statistikcentralens databas StatFin ville jag hitta data som även innehöll någon slags regional indelning, och det enda jag hittade var dödsfall enligt välfärdsområde. Detta kändes som en logisk indelning, då den endast har 23 områden (jämfört med Finlands 300+ kommuner). Så här ser indelningen av välfärdområdena 2021 ut (från Lääkärilehti.fi):

För att kunna skapa en tematisk karta behövde jag karta i vektorformat av Finlands välfärdsområden. Att hitta en baskarta med välfärdsområdesindelning var inte helt lätt, så jag bestämde mig för att använda en karta över Finlands kommuner ur Paitulis nedladdningstjänst. Genom att kolla upp vilka kommuner som hör till vilket välfärdsområde kunde jag skapa en egen baskarta i QGIS med hjälp av merge selected features. Det här var kanske onödigt arbetsamt, men jag ansåg att det var ett bra sätt att visa mina QGIS-färdigheter på.

För att kunna utföra Join-operationer skulle både vektor- och tabelldatats namn för områdena överensstämma. Detta krävde ganska mycket arbete och försök. Till slut insåg jag att båda tabellernas områdesnamn måste vara helt identiska, inte ett endaste tecken eller mellanslag fick skilja dem åt. Sedan kunde jag slå ihop dem med Joins-verktyget.

Till näst gällde det att bestämma sig för vilka dödsorsaker jag ville föra fram och på vilket sätt. Mycket av min arbetstid gick åt till att jämföra olika dödsorsaker och hur de presenteras på kartan. Jag testade flera olika diagram och graduerade kartor. 2021 var ett exeptionellt år på grund av COVID-19 pandemin, och jag valde att granska just detta år för att kunna inkludera COVID-19 som dödsorsak. Efter många test bestämde jag mig för att skapa en graduerad karta som presenterar folkmängden i välfärdsområdena, samt en jämförelse mellan dödsfallen till följd av COVID-19 eller sjävmord i form av cirkeldiagram:

För att lättare kunna läsa av Vanda-Kervo- och Helsingforsområdet skapade jag en förstoring i QGIS. Detta har jag tidigare gjort i en föregående kurs, men inte med QGIS-programmet. Detta var helt nytt för mig, och det var roligt att prova sig fram och hitta sätt att presentera områdena och diagrammen så tydligt som möjligt.

För att lättare kunna jämföra datat enligt befolkningsmängden skapade jag även två kartor för de olika dödsorsakerna:

 

Dödsfallens jämförelse är ganska specifik, och jag är osäker på hur användbar den faktiskt är, i synnerhet i denna skala. Självmord som dödsorsak är antagligen mer logisk att granska över flera år, medan coronapandemin främst haft kraftiga dödstal under pandemiåren. Något man även kunde inrikta sig på är orsakerna bakom dessa dödsfall, hur till exempel antalet självmord har påverkats av COVID-19 pandemin. I YLE:s artikel tas det upp hur pandemin har påverkat människors mentala hälsa extra hårt, främst de med en inkomst under 30 000 € i året (YLE, 2021). Det finns mycket fler faktorer som behöver beaktas för att få fram användbara resultat då man granskar komplexa ämnen som dessa. Mina kartor ger antagligen en alltför allmän presentation, med det är ändå intressant att se hur fördelningen förhåller sig till folkmängden i välfärdsområdena.

För min egen skull var arbetsprocessen mycket givande, då jag provade mig fram och bekantade mig med helt nya verktyg, till exempel cirkeldiagrammet och skapandet av förstoringen. Som helhet är jag nöjd med mitt arbete, då själva processen har satt mina QGIS-färdigheter på prov. Tyyne beskriver i sitt blogginlägg sitt personliga mål med uppgiften, det vill säga att visuellt presentera det man lärt sig under kursen på ett mångsidigt sätt (Turunen, 2023). Jag håller med Tyyne, och trots att mitt resultat inte är felfritt så är jag nöjd med uppgiftens arbetsprocess och min egna problemlösningsförmåga. Jag ser fram emot att fortsätta arbeta med QGIS och liknande uppgifter i kommande kurser.

Tack för den här kursen, och tack för att du läste! 🙂

Referenser:

YLE. (9.9.2021). Joka kymmenes nuori aikuinen on vakavasti harkinnut itsemurhaa kuluneen vuoden aikana – korona on vaikeuttanut hoitoon pääsyä. Yle.fi. https://yle.fi/a/3-12091782

Turunen, T. (1.3.2023). 7. harjoitus 1.3.2023. TTYYNE’S BLOG.  https://blogs.helsinki.fi/ttyyne/2023/03/01/146/

Hej!

Denna veckas arbete har varit lite annorlunda, och vi fick återigen friare händer i vårt arbete. Under veckans krustillfälle fick vi som uppgift att gruppvis ge oss ut i närmområdet för att samla data via Epicollect. Uppgiften bestod av att markera ut olika ställens koordinater, och sedan svara på frågor om bland annat trivseln, säkerheten och aktiviteten på stället. Då vi kom tillbaka till klassrummet kombinerade vi datat som sedan användes som punktdata till vår övning.

Epicollect var en smidig applikation, och det var även intressant att vara involverad i själva datainsamlingsprocessen (trots att detta var på en mycket simpel och liten skala). Det var i vissa skeden svårt att ge ett enkelt svar till frågorna då de flesta faktorer som granskades varierar massor enligt årstid, tid på dygnet etc.

Då vi bearbetade materialet i QGIS bekantade vi oss med interpolationsverktyget. Med detta kunde vi skapa en interpolerad karta för att göra en uppskattning för hela områdets säkerhet, även de platser vi inte besökt:

I vårt fall har vi ganska få observationer på en del ställen, vilket kan skapa ett överdrivet resultat. Det är viktigt att beakta detta då man analyserar en interpolerad karta. Detta verktyg kan säkert vara mycket användbart vid undersökningar med fler observationer.

Veckans självständiga övning – hasarder

Denna veckas självständiga övning bestod av att skapa tre olika kartor med temat hasarder. Som stöd fick vi olika datakällor för vulkaner, jordbävningar och meteoritnedslag. Med en världskarta som grund fick man fria händer att skapa tre kartor som kunde användas till undervisning. Jag valde att lägga mitt fokus på vulkaner och jordbävningar.

I vulkandatat från webbsidan NOAA (National Oceanic and Atmospheric Adminisration) fanns en kolumn som beskrev vulkanernas senaste kända utbrott. I tabellen användes ett slags kodsystem i form av bokstäver och nummer. Detta kodsystem fanns det beskrivningar för på webbsidan:

Baserat på dessa valde jag att klassificera vulkanerna enligt deras aktivitet i fem olika klasser. Jag använde mig av informationen från webbsidan och grupperade dem. Det fanns även andra koder i materialet som saknade beskrivning. Dessa sökte jag upp och placerade i en passlig klass. Denna indelning är antagligen inte den bästa, men för att skapa ett mer lättläst material ville jag göra en mer simpel indelning. Resultatet blev följande:

Klasserna D6, D5, D4, D3, D2, D1 och D slog jag ihop till tre klasser:

• D6+D5, det vill säga e.Kr (år 0) – år 1699
• D4+D3, det vill säga år 1700 – 1899
• D2+D1, det vill säga år 1900 – nutid

• Q – klassen valde jag att behålla som sin egna klass, då de enda utbrotten har skett före Holocen (dvs. ca. 11 700 år sedan – nutid). Dessa vulkaner har alltså inte haft utbrott på minst 11 700 år.
• Klasserna D7, ?, och U valde jag att sammanfoga till en och samma klass, då de utbrott som skett har skett under Holocen, men f.Kr.

Rent tekniskt hade jag tänkt slå ihop klasserna med hjälp av Field calculator, men jag insåg snabbt att vulkanlagret inte gick att editera (pga. saknad av rättigheter?). Då jag utforskade symbology-fliken insåg jag att det gick att kategorisera vulkanerna, och även att slå ihop kategorier:

Resultatet blev först en karta med alla vulkaner i materialet. Sedan valde jag att endast använda mig av endast de tre senaste tidsperioderna, för att göra en mer relevant karta.

Med jordbävningsdatat (som beskriver år 1899-2013) skapade jag två olika kartor; en med alla jordbävningar med en magnitud  ≥5  och en med alla jordbävningar med en magnitud  ≥7.  Resultatet  blev följande:

Slutresultatet blev alltså 4 st olika kartor. För undervisningssyftet skulle jag endast använda de tre sista kartorna (vulkankartan med endast tre klasser + 2 jordbävningskartor). Med dessa kunde jag presentera vulkanernas förekomst i relation till jordbävningarnas förekomst. Som stöd till dessa kartor skulle jag bland annat kunna presentera Jordens litosfärplattor och deras rörelser. Det här är även något min kurskamrat Tytti valde göra i sin uppgift, vilken hon skriver om i sitt blogginlägg (Nyrönen, 2023). Litosfärplattornas former samt rörelser kan vara ett bra stöd för att beskriva vulkanernas samt jordbävningarnas läge och aktivitet i de föregående kartorna. Som stöd skulle jag använda mig av en liknande karta som Tytti:

Bild från sgu.se.

Eldringen kring Stilla havet är en viktig del att presentera då man granskar vulkanism och seismisk aktivitet på global nivå. Här finns 75% av alla Jordens aktiva vulkaner, och här sker även 90% av Jordens jordbävningar (Brown, 2022). Som stöd skulle jag använda mig av en liknande karta:

Bild från Britannica.com. 

Med dessa två extra kartmaterial kunde man representera dessa fenomens koppling, var de sker främst och varför. Mina självgjorda kartor är inte felfria, och de kunde antagligen anpassas bättre för undervisningssyfte.

Denna uppgift var intressant, då man fick fria händer att skapa vad man vill. Att ändå försöka skapa kartor som kunde lämpas för undervisning var aningen mer krävande. Här behövde man faktiskt reflektera över hur andra mottagare kan läsa kartorna, och hur man gör det så lättlästa men ändå “korrekta” som möjligt. Denn här uppgiften var intressant och lärorik, och det var roligt att utföra den ur en lärares perspektiv. Nästa vecka är det dags för det sista kurstillfället, var vi får skapa kartmaterial helt “from scratch”. Det blir spännande!

Tack för att du läste! 🙂

Referenser

Brown, T., National Geographic Society. (20.5.2022). Ring of Fire. Education.nationalgeographic.org. https://education.nationalgeographic.org/resource/ring-fire/

Nyrönen, T. (23.2.2023). Luento 6. Lämmittelyä talvisäässä, sekä laattatektoniikkaa. 23.2. Tytin blogi. https://blogs.helsinki.fi/tyttinyr/2023/02/23/luento-6-lammittelya-talvisaassa-seka-laattatektoniikkaa-23-2/

Hej!

Denna vecka har vi övat bufferanalys och även tidigare bekanta metoder. I dessa uppgifter låg den egna problemlösningen i fokus, vilket till en början kändes lite skrämmande. Nu börjar ens färdigheter mätas på riktigt!

Jag märkte att tempot i genomgångarna sakta men säkert börjar öka, och det gäller att fokusera för att inte tappa bort sig. Veckans kurstillfälle kändes därför till en början ganska stressigt (då jag blev aningen försenad, eget fel jag vet), men lättare då jag tog mig ikapp. Då vi fick börja arbeta på egen hand gick det förvånansvärt smidigt.

I början av kurstillfället bekantade vi oss med bufferanalys i Borgnäs-projektet. Sedan påbörjade vi det självständiga arbetet med ett material av Helsingfors-Vanda flygplats och Malms flygplats samt detta närområde. Användning av buffer är jag bekant med från tidigare kurser, så det kändes spännande att skapa dem själv i QGIS. I dessa uppgifter användes bufferområden främst för att analysera befolkningens avstånd eller ljudexponering. Bufferanalys kan vara användbart även i andra undersökningar, till exempel för att uppskatta vilka områden som skulle drabbas vid olyckor, till exempel vilka hälsovårdsanläggningar som skulle drabbas vid en kemisk läcka (Volusia county, n.d.).

I den första och andra uppgiften skulle vi med olika verktyg analysera hur befolkningen påverkas av flygtrafiken, befolkningens förhållande till olika hållplatser samt analysera befolkningen enligt olika tätorter. Här var jag osäker på ifall jag använde mig av rätt metoder, men jag kom i alla fall fram till någorlunda logiska resultat, vilket jag nöjer mig med. Av uppgifterna 3-5 skulle man välja åtminstone en uppgift att lösa. Jag valde att göra skoluppgiften, som behandlade ett visst skolområde och dess befolkning. Här kände jag mig lite borttappad, men med lite logiskt tänkande och internethjälp gick det okej!

Resultaten samt mer detaljerade beskrivningar för veckans uppgifter samlade jag i en tabell (ursäkta det dåliga formatet, html-länken ville inte fungera…):

Uppgiftssvar vecka 5

Jag märker att denna självständiga övning var utmanande men samtidigt nyttig. En del analysmetoder och -verktyg märker jag att jag behärskar och är säker på när de behövs (till exempel select – verktygen). Jag känner mig också bekväm med de flesta visualiseringsverktyg, ritverktyg och mätverktyg. Olika analysverktyg och -metoder (till exempel join) kan kännas svåra beroende på uppgiften, ifall jag är osäker på vad som ska undersökas, slås ihop etc. Nu d¨å vi använt QGIS så mångsidigt känns det inte lika överväldigande längre. Som Lucas nämner i sitt blogginlägg så är QGIS som verktyg ändå sist och slutligen ganska självklart (Yoni, 2023). Med övning och lite logiskt tänkande kommer man långt!

Den här uppgiften var en konkret påminnelse om hur viktig den egna problemlösningsförmågan i GIS är. Förut var jag i desperat behos av Arttus detaljerade anvisningar, men nu vågar jag testa mig fram på egen hand. Jag håller med Lucas om att Arttus vägledning har varit väldigt viktig för mig, både för min inlärning och för min inställning till GIS som studieinriktning. Tack Arttu!

Tack för att du läste! 🙂

Referenser

Volusia County (n.d.). Buffer analysis. Volusia.org. https://www.volusia.org/services/business-services/information-technology/geographic-information-services/geographic-spatial-analysis/buffer-analysis.stml#

Yoni, L. (20.2.2023). Viikko 5 – Bufferointia & reflektointia. Geoinformatic. https://blogs.helsinki.fi/luberger/2023/02/20/viikko-5-bufferointia-reflektointia/

Hej!

Denna veckas arbete har gått mycket smidigare än förra veckan! Jag fick hjälp med mina tidigare problem, och nu känns det mycket lättare att hänga med.

Veckans tema behandlade olika rastermaterial i QGIS.

Den första uppgiften behandlade huvudstadsregionen. Som grund hade vi en vektorkarta med huvudstadsregionen klart avgränsad, samt punktmaterial som beskriver bosättningens placering (med olika data om antal personer i hushållet/byggnader, modersmål, ålder etc.). Ur detta material kunde man välja attribut att avbilda i ett rutsystem för att skapa en tematisk graduerad karta.

I rasterkartan över Helsingfors provade jag först att använda ett rutsystem på 1 km x 1 km, men insåg sedan att jag ville använda ett mer detaljerat rutsystem, och ändrade det till 500 m x 500 m. Detta tog aningen längre att ladda fram, men beskrev det undersökta bättre. Resultatet blev bild 1 (se nedan). Jag valde även att avbilda invånarantalet för att använda som jämförelse (se bild 2).

Bild 1: Tematisk karta över huvudstadsregionens svenskspråkiga befolkningsfördelning. 

Bild 2: Tematisk karta över huvudstadsregionens invånarantal.

Det man ser från resultatet är att den svenskspråkiga befolkningen främst är koncentrerad i centrala Helsingfors, samt Grankulla och södra/sydvästra Esbo. Då man granskar befolkningskartan (bild 2) ser man att det finns ett samband, då dessa områden är tätt befolkade. Det är lätt att anta från den första kartan (bild 1) att få en uppfattning om att svenskan dominerar dessa områden, fast det inte nödvändigtvis är fallet. Enligt HBL:s artikel finns det absolut mest svenskspråkiga i stadscentrumets södra delar, det vill säga söder om Bulevarden eller Södra esplanaden (Småros, 2018). Det tätaste svenskspråkiga området är Byholmen, som till stor del består av studerandebostäder. Det är inte så överraskande enligt mig, då de flesta svenskspråkiga studerandena jag känner bor eller har bott just där.

Den första kartan (bild 1) beskriver fördelningen ganska allmänt. För att göra det mer detaljerat kunde man öka antalet klasser eller använda en mer precis avbildningsmetod än rutsystemet. Denna avbildningsmetod kan vara mycket deltaljerad beroende på rutornas skala.

Personligen tycker jag att rutsystemet är mer beskrivande än en punktkarta, då rutorna inte överlappar varandra och man kan avläsa deras värde var för sig. Koropletkartor kan ofta vara tydligare, men det beror på hur man klassificerar områdena som avbildas. Rutsystemet avbildar inte stadsdelarnas gränser, vilket gör det aningen svårläst, i synnerhet ifall man som läsare inte är bekant med området som presenteras. Utseendemässigt är jag nöjd med hur kartan (bild 1) är relativt lättläst och tydlig. Jag provade flera olika färgskalor för klasserna, och jag ansåg att denna färgskala var tydligast och beskrev det undersökta bäst. Det kändest logiskt att använda mer kontrast och “dramatiska” färger desto högre upp i skalan man går.

Temakartor i form av rutsystem är enligt mig behändiga för att presentera gradvis varierande fenomen, till exempel i abosluta värden. Detta gäller så klart inte alla fall. Lönsamheten beror väldigt mycket på fenomenet, skalan och användningsområdet. En bra poäng som tas upp i Tatu Jentzes blogginlägg är ruttemakartors användbarhet som grund till isoplet- eller dasymmetriska kartor (Jentze, 2023). Tatu menar att rutsystemet är ett snabbt och således praktiskt avbildningsverktyg, vilket jag håller med om. Systemet har sina för- och nackdelar: det är behändigt på grund av sin enkelhet, men kan även vara för begränsande.

Nästa uppgift handlade om Borgnäs (Pornainen). Här sammanfogade vi ett terrängskuggningsmaterial med en grundkarta, som vi sedan använde för att skapa höjdkurvor. Jag tyckte att denna uppgift var mycket intressant. Jag blev imponerad över hur mycket operationer som kan göras i QGIS endast på basis av två rastermatierial. Det var även givande att lära sig varför vi avbildar terrängskuggningen som vi gör för att skapa ett så tydligt och lättläst material som möjligt. I slutet av tillfället började vi öva att markera vägar och byggnader i materialet, vilket vi fortsätter med nästa vecka.

Tack för att du läste! 🙂

Referenser:

Småros, S. (20.5.2018). Här bor de svenskspråkiga i Helsingfors – Se hur det ser ut i ditt område. Hufvudstadsbladet. https://www.hbl.fi/artikel/afe28e37-d935-4a8a-ac5e-a661a67f147b

Jentze, T. (9.2.2023). Viikko 4 – Ruudun takaa. MAA-202 Tatu. https://blogs.helsinki.fi/jentze/2023/02/09/viikko-4-ruudun-takaa/

Hej!

Denna vecka har vi bekantat oss med nya QGIS-metoder. Under föreläsningen använde vi ett dataset av Afrika med information om bland annat ländernas area, antal konflikter, oljegruvor med mera.

Under grupptillfället kändes arbetet lätt, och jag märkte att jag sakta men säkert kom ihåg hur man navigerar i programmet. Om jag tappade bort mig under genomgången kunde jag ta mig ikapp själv, vilket kändes bra.

Under föreläsningen arbetade vi med Afrika och olika datamaterial. Här övade vi användningen av Join-verktyget i olika former för att sammanslå de olika materialen. Här granskade vi olika länders oljeborrning, antalet diamantgruvor och konflikter. Vi använde oss även av material som beskriver internetanvändning. Då man granskar de tabellresultat vi får kan man tolka flera samband. Ett exempel på detta kan vara konflikernas och produktionens samband. Ett intressant samband som jag inte tidigare övervägt var hur internetanvändningen påverkas av konflikter, som Kiia Korpinen tar upp i sitt blogginlägg (Korpinen, 2023).

Då jag skulle granska min Afrika-uppgift från genomgången på egen hand gick det inte lika smidigt. Lagren jag skapat under kurstillfället öppnades inte på rätt sätt, och en helt del viktig data föll bort. Då jag försökte återskapa det som vi gjorde på lektionen var det mycket svårare än vad jag trodde, och jag kom inte fram till ett godtyckligt resultat (och har därför ingen karta att presentera i inlägget). Jag lät mig besegras och gick vidare till den andra övningen i stället.

Den självständiga övningen bestod av att skapa en tematisk karta som beskriver översvämningskänsligheten i Finlands avrinningsområden samt mängden sjöar (järvisyys). Datamatieralet bestod av flera olika vektormaterial och tabeller, vilka man skulle slå ihop och använda för att skapa nya variabler eller attributtabeller som grund för kartan. Här beräknade jag med kalkylatorn (open field calculator) förh¨ållandet mellan medelöverflödet (keskiylivirtaama) och medelunderflödet (keskialavirtaama). Detta förhållande ger oss översvämningsindexet. För att slå ihop lager och deras attribut använde jag mig av Join-verktyget. Med dessa tekniker kunde jag skapa en tematisk karta (bild 1).

Bild 1 – Tematisk karta med översvämningsindex och sjömängd

De grundläggande stegen av processen gick smidigt, men det var svårt att avbilda histogramstaplarna. Efter några YouTube-tutorials och en hel del desperata försök lyckades jag.

Från slutresultatet ser vi att sjömängden är som högst i de östra delarna av landet, främst i Mellersta Finland, Norra/Södra Savolax. Då vi granskar översvämningsindexet ser vi att de mest drabbade områdena är kring kustområden med ett lågt antal sjöar. Detta överensstämmer med de vanliga orsakerna till översvämning i Finland. Dessa områden drabbas vid snösmätningar, kraftiga regn, havsnivåns förhöjning under stormar eller isproppar (Vatten.fi).

Veckans arbete har känts extra tungt. Det är frustrerande att köra fast och inte kunna fullborda uppgifterna smidigt, men jag antar att jag bara behöver mer övning och våga be om hjälp av andra medstuderande eller kursledaren. Det känns även givande att kunna läsa om andras arbetsprocesser och resultat i blogginläggen.

Förhoppningsvis går det smidigare nästa vecka!

Tack för att du läste! 🙂

Referenser:

Korpinen, K. (5.2.2023). Kurssikerta 3. Geoinformatiikan menetelmät 1, 2023. https://blogs.helsinki.fi/kiiakorp/2023/02/05/kurssikerta-3/

Vatten.fi (n.d.). Översvämningar i Egentliga Finland. Vesi.fi. https://www.vesi.fi/sv/oversvamningar-i-egentliga-finland/

 

Hej!

Denna vecka bestod av mer QGIS-arbete med fokus på kartprojektioner.

Det kändes bra att uppgifterna behandlade ett så bekant ämne som kartprojektioner, då det underlättar det teoretiska arbetet och man får möjligheten att lägga sitt fokus på det tekniska arbetet.

Från kurssidan i Moodle laddade vi ner en grundkarta av alla Finlands kommuner. I början av kurstillfälllet bekantade vi oss med kartlagren, jämförde deras precision och övade på att importera data från olika källor, till exempel Trafikledverket (Väylävirasto). Sedan bekantade vi oss med mätverktygen, med vilka vi jämförde areaförvrängningen för samma område (se bilden nedan) genom olika kartprojektioner.

Den första uppgiften var att jämföra fem olika kartprojektioners areaförvrängning med ETRS89-TM35 (d.v.s. den bäst avbildande projektionen). Dessa jämförelser kunde man göra på två olika sätt: ellipsoidal (enligt ellipsoidformat) eller cartesian (enligt platt format). Areajämförelserna för området i bild 1 framställde jag i en tabell:

 

Vad vi ser från tabellen är att alla projektioner för med sig någon slags förvrängning. Ju större förvrängning, desto mindre pålitlig är projektionen i mätningssyfte. Arean förvrängs till hela sju gånger större. Detta påvisar starkt hur Mercatorprojektionen inte är tillförlitlig när det gäller areamätning, då områden nära polerna förvrängs. Robinson-, Natural Earth- och Winkel tripel – projektionerna förvränger arean ungefär lika mycket. Dessa projektioner är alla liknande, då de förvränger både former, area och vinklar (Esri, n.d.). Dessa projektioner lämpar sig inte för mätning, men är bra för framställning av områden. Mollweideprojektionen är en så kallad “equal-area” projektion, det vill säga att den är ytriktig (Esri, n.d.). Dess förvränging är därför mycket liten. Denna projektion lämpar sig för areamätningar.

I nästa uppgift framställde vi en viss projektions förvrängningsgrad i form av en koropletkarta. Projektionen jag använde var Mercatorprojektionen. Jag provade flera olika mängder av klasser samt färgskalor för att se hur fenomenet kan framställas och uppfattas olika (se bilderna nedan). Resultatet visar att arean kan förvrängas till hela åtta gånger större än vad de är i verkligheten.

Först delade jag in området i fem klasser, sedan tio klasser och sedan sju klasser med en annan färgskala. Sju klasser är en ganska balanserad fördelning. Färre klasser är tydliga, men kan ge ett aningen grovt resultat. Som Anni nämner i sitt blogginlägg (Lindegren, 2023) ger fler klasser ett “städigare” resultat, men kan även vara aningen svåra att urskilja. Då man ser på färgskalan märker man de första två kartorna är tydligare, medan den sista färgskalan är mer otydlig, men framställer fenomenet mycket mer dramatiskt. Ju fler klasser, desto tydligare ser man hur förvrängningen ökar gradvis ju längre norrut man kommer. Detta beror på att Mercatorprojektionen är en cylindrisk projektion som tangerar ekvatorn, vilket gör som sagt att områden nära polerna förvrängs drastiskt (Esri, n.d).

I den sista uppgiften skapade jag en ny koropletkarta som i den föregående uppgiften, men med en annan projektion som jämförelse. Nu använde jag mig av Robinsonprojektionen.

Då vi jämför Mercatorprojektionens förvrängning med Robinsonprojektionens förvrängning ser vi en stor skillnad. Robinsonprojektionen förvränger arean betydligt mindre än Mercator, bara 1,4 gånger i sin höjd. Som tidigare nämnt skiljer sig dessa projektioner från deras framställningssätt och syften.

Enligt mig var dessa uppgifter passligt utmanande. Nu känner jag mig aningen mer bekväm med QGIS, och jag insåg att jag (till och med!) tyckte det var roligt att pyssla med olika kartframställningar och verktyg. Nu är jag betydligt mer nyfiken på vad som komma skall!

Tack för att du läste! 🙂

Referenser:

Lindegren, A. (25.1.2023). QGIS ja projektiot. Anni Lindegren – Geoinformatiikan menetelmät. https://blogs.helsinki.fi/ablindeg/2023/01/25/qgis-ja-projektiot/

Esri (n.d). Robinson. pro.arcgis.com. https://pro.arcgis.com/en/pro-app/latest/help/mapping/properties/robinson.htm

Esri (n.d.). Winkel Tripel. pro.arcgis.com. https://pro.arcgis.com/en/pro-app/latest/help/mapping/properties/winkel-tripel.htm

Esri (n.d.). Natural Earth. pro.arcgis.com. https://pro.arcgis.com/en/pro-app/latest/help/mapping/properties/natural-earth.htm

Esri (n.d.). Mollweide. desktop.arcgis.com. https://desktop.arcgis.com/en/arcmap/latest/map/projections/mollweide.htm