Category: Uncategorized

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

På den sjätte föreläsningen fick vi först samla in geodata med Epicollect5-appen. Enligt mig var detta ett ganska bra exempel på hur öppen/allmän geodata om vardagliga platser kan användas till forskningssyften. Jag anser även att den här typens datainsamling kan vara nyttigt då det gäller kartläggning av olika hasarder, som vi fick ta itu med på föreläsningen.

I denna övning valde jag tre hasarder, vulkanism, jordskalv och tsunamin. Det första som jag tänker på när det gäller kartläggning av dessa är mätning med olika instrument, t.ex. för seismisk aktivitetet, medan jag inte ofta möter på mer allmän kartläggning av hasarderna, t.ex. liknande som Epicollect5-frågorna.

Hurdana kartor kunde utnyttjas på lektioner som en lärare?

Med hjälp av kartan över litosfärplattornas gränser (Bild 1) kunde man få en grundöversikt av de olika processerna som sker.

Då man jämför kartan över vulkanutbrott (Bild 2) med litosfärplattornas gränser (Bild 1) märker man att de hänger ihop ganska tätt. Detta ger en inblick på vilka områden där risken är för vulkanutbrott är större eller mindre.

Med hjälp av flera kartlager kunde man fundera på sammanhanget mellan olika processer. Med bild 3 kan man t.ex. fundera på växelverkan eller sammanhanget mellan vulkanutbrott, jordbävningar och plattektonik, vilken orsakar vilken?

Med hjälp av dessa kan man fundera på vad som påverkar återhämtning från katastrofer. T.ex. varför kan kostnader vara höga, men dödsoffer få efter en katastrof?

Kartorna som jag framställde var ganska enkla, och nu efteråt anser jag att de kunde ha varit mångsidigare. Siiri har visualiserat jordbävningar med hjälp av kartor som innehåller landsgränser, och på detta sätt fått fram en mångsidigare bild av var hasarder kan ske. Siiri använde också grid-funktionen för att visualisera var jordbävningar har skett och vilken magnitud de var.

Källor:

Geology in (2015). Using the richter scale to measure earthquakes. https://www.geologyin.com/2015/01/using-richter-scale-to-measure.html

K. Cantner, AGI/The Geoscience Handbook, 2016. https://www.earthmagazine.org/article/when-and-how-did-plate-tectonics-begin-earth

Lehtinen, S. (2024) Kurssikerta 6. Lsiirin blogi. University of Helsinki blogging platform. 22.02.2024. https://blogs.helsinki.fi/lcsiiri/2024/02/22/kurssikerta-6/

NCEI Volcano Location Database. NOAA National Centers for Environmental Information. https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search

USGS Earthquake catalogue. https://earthquake.usgs.gov/earthquakes/search/ 

USGS Plate Boundaries. https://www.usgs.gov/media/images/tectonic-plates-earth

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

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.

Övning 2: Kommuner i Finland

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.

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]