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/