Month: January 2024

Vecka 2 | 24.01.2024 | Kartprojektioner

På den andra föreläsningen behandlades olika databaser som kan användas i QGIS och hur olika projektioner påverkar framställda kartor och ytor. Informationen var för det mesta ny för mig, och övningarna var ett intressant tillfälle att anpassa detta.

  1. En första inblick på olika förvrängningar

Den första övningen gick ut på att mäta en sträcka och en yta, och sedan jämföra hur dessa förvrängs i olika projektioner. Jag ritade en sträcka tvärs över Finland, ungefär var Karleby ligger, och ett område i norra Finland, ungefär vid Enare och Utsjoki (Bild 1).

Bild 1: Sträcka och område med QGIS measure-verktyg.

Som grund användes ETRS89-TM35FIN-koordinatsystemet, en finländsk anpassning av det allmänna europeiska koordinatsystemet ETRS89. Den 358,2 km långa sträckan förvrängdes mest i WGS 84-projektionen (808,6 km), då avståndet ökade med 125,7% (Tabell 2). Arean (6528,8 km²) förvrängdes mest i Van der Grinten-projektionen (28 132,4km ²), med en ökning på 330,9% (Tabell 2).

Jämfört med ETRS89-extended /LAEA Europe (EPSG: 3035) är förvrängningarna mycket små (Tabell 1, Tabell 2). EPSG: 3035 baseras på Lamberts ytriktiga azimutalprojektion, och rekommenderas då man vill att ytor och sträckor ska vara nogranna i förhållande till verkligheten. Då jag mätte sträckorna valde jag alternativet ”cartesian”. Via ett GIS-forum lärde jag mig att ”Cartesian distance” mäts på en platt jordyta, medan ”ellipsoidal distance” mäts på en sfär (GIS-Stack exchange, 2017).

 Tabell 1: Samma mätningar i olika projektioner. (Cartesian)

 Tabell 2: Olika projektioner jämfört med TM35FIN

  2. Hur olika projektioner påverkar framställning av kartor

Till nästa gällde det att visualisera olika projektioner och förvrängningar i förhållande till TM35FIN-koordinatsystemet. I samband med detta lärde jag mig om olika data som kan hämtas till QGIS, t.ex. WFS-, WMS- och WCS-lager. Kartorna som jag framställde baserades på kunnat 2021, 1:4 500 000, ett WFS-lager hämtat från Statistikcentralen. Nytt för mig i detta skede var t.ex. användning av Add geometry attributes -vektorlagret. Lika som förra veckans övning använde jag mig av räknefunktioner och Graduated/Natural breaks-indelningen i kartorna.

I min första karta (Bild 2) presenteras hur mycket olika kommuners ytor förvrängs i Van der Grinten-projektionen. I detta fall visualiserades förvrängningarna i fyra klasser, från 2,63 till 4,38. Van der Grinten I är en polykonisk projektion, som är varken vinkel- eller ytriktig (Arcgis Pro, u.å.). I projektionen förvrängs områden nära polerna rikligt (a.a.), vilket även syns i min kartframställning (Bild 2).

Bild 2: Van der Grinten i förhållande till TM35FIN. Projektets koordinatreferenssystem: TM35FIN
Bild 3: Van der Grinten anpassat som projektets koordinatreferenssystem (vänster). Van der Grinten kartprojektionen med Greenwich som mittpunkt (höger), källa: arcGIS Pro, u.å.

Till näst visualiserade jag Winkel Tripel-projektionen (Bild 4). Jämfört med Van der Grinten var förvrängningen mycket mindre från söder till norr, mellan 1,232–1,555. Med färgskalan hoppades jag framhäva att skillnaderna inte är så stora. Enligt mig är det intressant att Winkel Tripel-projektionen (Bild 5) ser ”mer” förvrängd ut än Van der Grinten (Bild 3), fastän det motsatta egentligen stämmer. Winkel Tripel är en modifierad azimutalprojektion som är varken vinkel- eller ytriktig (ArcGis Pro, u.å.). Den förvränger även områden närmare polerna (a.a.).

Bild 4: Winkel Tripel i förhållande till TM35FIN. Projektets koordinatreferenssystem: TM35FIN
Bild 5: Winkel Tripel anpassat som koordinatreferenssystem i QGIS (vänster). Winkel Tripel med Greenwich som mittpunkt (höger), källa: ArcGIS Pro, u.å.

Till sist prövade jag att framställa ETRS89-extended LAEA Europe i förhållande till TM35FIN (Bild 6). Projektionen är mycket lik, om inte noggrannare än TM35FIN. I detta fall skedde ingen ökad förvrängning norrut. I stället blev kommunernas ytor i de två första klasserna (0,997–0,999) mindre än i TM35FIN, och som mest en förvrängning på 0,01%. Här funderade jag på om man kunde på något sätt förvränga detta med antalet klasser och färgval, t.ex. en röd färgskala?

Bild 6: ETRS89-extended / LAEA Europe i förhållande till TM35FIN. Projektets koordinatreferenssystem: TM35FIN
  1. Tankar & vad jag har lärt mig

För det mesta var jag ganska osäker på övningarna. Jag hittade inte ”Add geometry attributes”-funktionen till en början, men det verkade vara ett någotlunda vanligt problem på QGIS-forumet. Tack vare övningarna fick jag en mycket mer praktisk inblick på projektioners inverkan på kartframställningar. Ett förekommande tema i projektionerna är mera förvrängning desto närmare polerna, något som jag antagligen kommer att stöta på igen eftersom Finland hamnar kring denna zon. Avslutningsvis var förvrängningarna i mina kartor inte så ”brutala” jämfört med andra projektioner. Lehtinen (2024) presenterar till exempel Mercator i förhållande TM35FIN i sin blogg, där den största förvrängningen hamnar i klassen 7–8,26, i norra Finland. Lehtinen (2024) noterar även att de minsta förvrängningarna i Mercator är avsevärt större än klasserna i Robinson-projektionen.

 

 

 

Referenser:

ArcGIS Pro (u.å.). Winkel Tripel. https://pro.arcgis.com/en/pro-app/3.1/help/mapping/properties/winkel-tripel.htm [30-01-2024]

ArcGIS Pro (u-å.) Van der Grinten I. https://pro.arcgis.com/en/pro-app/3.1/help/mapping/properties/van-der-grinten-i.htm [30-01-2024]

GIS-Stack exchange (2017). Why is ellipsoidal distance greater than cartesian distance? [Forum] 01.05.2017. https://gis.stackexchange.com/questions/238759/why-is-ellipsoidal-distance-greater-than-cartesian-distance  [30-01-2024]

Lehtinen, J. (2024) Kurssikerta 2: Karttaprojektioiden vertailua. JANELLA’S BLOG. University of Helsinki Blogging platform [Blogg]. 27.01.2024. https://blogs.helsinki.fi/janella/ [30-01-2024]

 

 

 

 

 

 

 

Vecka 1 │ 17.01.2024 │Kursinledning

 

På den första föreläsningen fick jag repetera grunderna till GIS och ta itu med olika funktioner i QGIS-programmet. Det första som fångade min uppmärksamhet i QGIS var den stora mängden funktioner, men som tur kände jag mig lite självsäkrare gällande grundfunktionerna efter föreläsningen. Nedanom finns veckans övningar och några av mina funderingar kring kartframställning och QGIS.  🙂

Övning 1: Kväveutsläpp i Östersjön från omgivande länder

 

 

 

Bild 1: Kväveutsläpp i Östersjön via närliggande länder, %.

I denna övning bekantade jag mig med bland annat räknefunktioner, filtrering och finslipning av kartor. Eftersom instruktioner gavs på föreläsningen gick övningen mestadels smidigt för mig. Att kategorisera utsläppsmängderna var svårare, då det påverkade kartans utseende och tolkning av den. Det här har också till exempel Julija (Pylsy, 2024) lagt märke till, och noterar att kategorierna kan förvränga ländernas utsläpp i förhållande till varandra. Utseendevis anser jag att det är bra att ha med ländernas namn även om det kan se trångt ut. Till exempel är gränsen mellan Danmark och Tyskland otydlig, och någon som inte är bekant med området kan missuppfatta gränserna. Min karta kan ge en någorlunda tydlig överblick av kväveutsläpp kring Östersjön, men tilläggsmaterial är nödvändigt för att förstå helheten. Enligt EMEP/MSC-W (2017) är jordbruk, förbränning och transport bland de största bidragarna till kväveutsläpp i Östersjön via atmosfären. Bild 2 visar höga depositioner av dessa tre i Polen, vilket delvis kan bidra till Polens totala utsläpp av kväve i Bild 1.

Bild 2: Kvävedepositioner från fyra utsläppbidragare. Ton/N per ruta. Källa: EMEP/MSC-W report for HELCOM (2017).

Övning 2: Kommuner i Finland

Bild 3: Naturlig befolkningstillväxt i Finlands kommuner, 2015

Grupperingen av naturliga befolkningstillväxten i den andra kartan (Bild 2) var en aning svårt. QGIS föreslog till en början att alla positiva värden (0–1594) skulle vara i samma kategori, som förvränger kartan en hel del. Jag anser att min indelning ännu kunde förbättras, och att den röda färgskalan eventuellt kunde uppfattas som negativ/oneutral. Esbo, Helsingfors och Vanda var de enda kommunerna med en naturlig befolkningsökning på över 1000 personer år 2015, medan Kouvola (-587) och Björneborg (-406) hade de största förlusterna.

Bild 4: studerande, % av kommunens befolkning. En studerande eller en skolelev är en person som fyllt 15 år och som studerar på heltid vid någon läroanstalt och som inte förvärvsarbetar eller är arbetslös. Källa: Sotkanet, 2022.

Join-funktionen i QGIS gav mig för det mesta huvudvärk, men till sist lyckades jag få allt rätt inställt. I denna karta (Bild 4) presenteras studerandes andel av befolkningen kommunvis (Sotkanet, 2022). I den hämtade tabellen är kommunerna där studerande utgör 8–11,6 % av befolkningen sådana där bland annat universitet finns, eller grannkommuner till dessa. I Joensuu, Jyväskylä, Uleåborg, Vasa, Tammerfors och Åbo överskrider andelen studerande 10% av befolkningen. Jag undrade även om någon koppling kunde finnas mellan naturliga befolkningstillväxten och studerandes andel av befolkningen, men till detta kunde till exempel nettoomflyttning vara pålitligare.

Vad jag har lärt mig & att tänka på fortsättningsvis

Jag anser att övningarna introducerade mig till flera QGIS-funktioner, men att dessa ännu kan utvecklas mycket. Fortsättningsvis borde jag komma ihåg att ha rätt grundinställningar i QGIS, till exempel rätt koordinatsystem. Från övningarna märkte jag att jag ibland var ”blind” för slarv i mina färdiga kartor, och att det kan vara bra att tolka den färdiga kartan som om att man inte alls är bekant med materialet. Jag ser fram emot att bekanta mig mer med rasterformat i QGIS.

 

 

 

Referenser

EMEP/MSC-W Report for HELCOM (2017). Contributions of emissions from  different countries and sectors to atmospheric nitrogen input to the Baltic Sea basin and its sub-basins. (MSC-W Technical Report 3/2017). https://emep.int/publ/reports/2017/MSCW_technical_3_2017.pdf

Pylsy, J. (2024). Kurkistus QGIS:n maailmaan. GIS-BLOGI. University of Helsinki Blogging platform. [Blogg]. 15.01.2024. https://blogs.helsinki.fi/julijapy/ [22-01-2024]

Sotkanet (2022). Studerande, % av befolkningen (ind.2310). (Uppdaterad 27.12.2023) Sysselsättningsstatistik (Statistikcentralen). https://sotkanet.fi/sotkanet/sv/metadata/indicators/2310#dataSource [22-01-2024]