Till detta blogginlägg var det meningen att hämta egen data och skapa en egen kartframställning. Till en början valde jag alternativ 3, och prövade även på gispo-pluginen. Jag blev ändå lite mer intresserad av alternativ 1 och valde det istället. Jag håller med Jon att det var utmanade att komma på vad exakt jag ville visualisera. I detta fall framställde jag kartor av ett redan bekant område, vilket jag ångrar lite. Nu i efterhand skulle jag ha viljat framställa kartor över något annat land än Finland.
Från Hakku (GTK), och Tammerfors karttjänster hittade jag data som visade områden med arsenikrisker, men materialet var lite för otillräckligt för en större kartframställning.
I stället använde jag data från Lipas, Jyväskyläs universitets idrottsdatabas. Datan som jag hittade fanns även som WFS-lager, så det var ganska lätt att hämta dem till QGIS. Till en början behövdes dissolve-verktyget användas eftersom samma naturtorn hade räknats i databasen flera gånger. Clip-verktyget och count points in polygon användes även. 
Bild 1: Antal naturtorn i Finlands landskap. Bakgrundslager: Lipas- Luontotorni (vektor) Statistikcentralen – Landskap 1: 1 000 000 (vektor), Kommuner 1: 4 500 000 (vektor)I detta fall fokuserade jag på naturtorn i Helsingforsregionen, eftersom då punkterna visualiserades som en heatmap råkade det finnas en koncentration av naturtorn (Bild 1) just där.
Jag gjorde sedan olika kartframställningar av Helsingfors med olika verktyg. Till detta hämtade jag stadsdelsgränser (WFS) från Helsingfors stads öppna data. Jag använde mig även av pks_vaki-lagret som redan använts på tidigare föreläsningar.
Koncentrationen av naturtorn kring Helsingforsregionen beror antagligen på det höga antalet naturtorn i Vik (Bild 2). I framställningen användes bl.a. clip och join attributes by location (sum). Till näst prövade jag på att använda buffer-verktyget för att räkna hur många personer som bor 1km inom ett naturtorn, och kategoriserade dem sedan stadsdelsvis.
Det är intressant att jämföra kartorna, men antalen i bild 3 skulle även kunna framställas i procent.
Till sist använde jag grid-verktyget för att skapa rutnät kring bufferzonerna.
Jag återvände ännu till Gispo-pluginen, men på ett annat område.
Jag hämtade sedan några grundkartblad utan höjdkurvor från Paituli och höjdmodeller från samma område.
Med hjälp av höjdkurvorna från Gispo-pluginen fick jag information om naturtornens höjd över havsytan,. Sedan tillsatt jag höjdmodellen med hjälp av hillshade-verktyget. Jag tillsatt även vattenleder från Trafikledsverkets WFS-data, för att få en bild av sjöfarten kring området.
I sin helhet anser jag att dessa kartframställningar representerar de centralaste QGIS-verktygen som jag har lärt mig under kursen. Här är en tabell som representerar de centralaste verktygen som jag använde.
Tabell 1: Verktyg i QGIS
Källor:
Helsingin Kaupunki (u.å.) Avoimet paikkatiedot. https://www.hel.fi/fi/paatoksenteko-ja-hallinto/tietoa-helsingista/kartat-ja-paikkatieto/paikkatiedot-tehokayttoon/avoimet-paikkatiedot
Hägerfelth, J. (2024). Vecka 7. joqhager’s blog. University of Helsinki blogging platform. 05.03.2024. https://blogs.helsinki.fi/joqhager/ [06-03-2024]
Jyväskylän Yliopisto (u.å.). LIPAS Liikuntadataa. https://www.jyu.fi/fi/avoimet-rajapinnat-ja-ladattavat-lipas-aineistot
Paituli latauspalvelu (u.å.). Maanmittauslaitos, peruskartta ilman korkeuskäyriä, korkeusmalli. https://paituli.csc.fi/download.html
Tilastokeskus. (u.å.). Avoimet paikkatietoaineistot. https://www.stat.fi/org/avoindata/paikkatietoaineistot.html
Väylävirasto (u.å.). Väyläviraston avoimet rajapinnat. https://vayla.fi/vaylista/aineistot/avoindata/rajapinnat
