Hvor bør knutepunktutviklingen komme (og slik lager du et bivariat punktkart)

Klikk for å se større.

Jeg hadde lyst til å gjøre to ting. Jeg ville lage et bivariat punktkart, og jeg ville jobbe litt med datasettene til Entur om kollektivtransport (som jeg skal bruke massevis i doktorgraden min).

Kartet du ser her er punktdata over tog- og t-banestasjoner i Oslo-området. I tillegg til lokaliseringen, så viser punktene to ting – derav bivariat – hvor lang tid det tar å reise fra den stasjonen til Oslo sentrum, og tettheten av beboere og arbeidsplasser i nærområdet.

Det som egentlig er ekstra kult med punkter, er at du strengt tatt kan vise tre forskjellige verdier samtidig, altså lage trivariate kart. Du kan gjøre som i kartet over, vise en ting (tetthet) med fargen til omrisset og vise en annen ting med fyllfargen (reisetid). I tillegg kan du variere størrelsen på punktene for å vise en tredje verdi, gjerne en absolutt verdi, som antall avganger, f.eks. Tetthet, hvor du deler befolkning på areal, er en relativ verdi og det motsatte av absolutt.

Punktene i kartet er egentlig to kartlag.

Det jeg gjorde for å få til det, var å legge to lag oppå hverandre i QGIS (se til venstre). Jeg sørget for at det nederste punktlaget hadde litt større punkter (density = punktstørrelse 3 i dette tilfellet) enn det øverste laget (transit time = punktstørrelse 2). Ingen av punktene har omrisslinje, og det nederste laget fungerer som omriss for det øverste.

Det ser ikke sånn ut på kartet, men jeg velger en gråskala fra svart til hvit for det øverste laget. Grunnen til det kommer jeg straks tilbake til.

Klikk for å se større. Blendingsmoduser skaper magi.

Deretter går jeg inn i symbologiinnstillingene til det øverste laget med gråskala (se bildet til venstre), transit time-laget, finner fram til nedtrekksmenyen for blendingsmodus, og velger multipliser.

Det som skjer er at tallverdiene til fargene i det øverste laget blir multiplisert med fargene i laget under der de overlapper. Er det kort til sentrum (svart) i et tett befolket område (turkis), da ganges svart med turkis. Langt til sentrum i grisgrend strøk? Hvitt ganges med brunt.

Hvorfor nevnte jeg QGIS spesifikt? På grunn av transparency blending modes. Hvis du er godt bevandret i Photoshop, så kjenner du antakeligvis godt til blendingsmoduser. Poenget er at hvis du vil ha noe delvis gjennomsiktig, så er ikke gjennomsiktig bare gjennomsiktig. Man kan for eksempel velge om fargemetningen i det øverste laget skal beholdes, men at lysstyrken skal preges av det underliggende laget. QGIS har totalt tolv forskjellige blendingsmoduser. ArcGIS, som jeg bruker mye ellers, har bare én.

Du har kanskje prøvd å legge et lag med fjellskygge over et kartlag med farger for arealbruk (fjell, hav, jordbruk, skog) og synes at det blir litt matt, kjedelig og dødt? Neste gang prøv ut forskjellige blendingsmoduser. Multipliser er en god gjenganger.

Her er en fantastisk blogg om fantasikart (!) med en veldig fin gjennomgang av forskjellige blendingsmoduser i Photoshop.

Når jeg først nevner programvare, så brukte jeg nettverksanalyse i ArcGIS til å beregne reisetiden med kollektivtransport til Oslo sentrum. Network Analyst-tilleggspakken til ArcGIS klarer ikke å beregne kollektivreiser på egenhånd.

Melinda Morang har imidlertid vært i førersetet for en fantastisk verktøypakke, Using GTFS Data in ArcGIS, som man kan laste ned og bruke til å kjøre nettverksanalyser med kollektivtransport.

En klar svakhet i det datamaterialet som blir framstilt her. Er at det viser reisetider fra akkurat klokka 08.00. Hvis det ikke går noe tog til Oslo før 08.05 fra en stasjon, så er ventetiden med i reisetiden på kartet. For å være skikkelig robust burde reisetidene gjennom en hel time (avreise 08.00, 08.01, 08.02 osv) blitt beregnet før den korteste reisetiden ble brukt i framstillingen.

450 meter buffer rundt hver stasjon, summerer opp areal, befolkning og
arbeidsplasser fra 250 x 250 rutenett fra SSB.
Datakilder: SSB, Entur, Bing Aerial

Når vi kommer til kvaliteten på datamaterialet kan jeg også nevne at arealet som brukes i tetthetsberegningene godt kunne vært hakket mer rafinert. Jeg lagde buffere med 450 meter radius rundt hver stasjon, og summerte antall beboere, arbeidsplasser og det totale arealet i alle cellene (i et rutenett fra SSB) som bufferen overlappet med (se til venstre). Vannareal er altså med i beregningen. Tettheten i rutenettet er forøvrig med i bakgrunnen i det endelige kartet.

Hvorfor buffere med akkurat 450 meter radius? Det er ganske vanlig å operere med at folk er villig til å gå 400 meter for å ta kollektivtransport. Størrelsen på cellene i rutenettet, på 250 x 250m, blir akkurat for små til at det er godt nok med bare en celle som "nærområde" for stasjonen. Derfor sørget jeg for å ha med de områdene som i hvert fall er innenfor 500 meter fra stasjonen.

Gangavstand til t-banen og toget

Jeg er glad i t-bane. Og i utgangspunktet mener jeg at knutepunktutvikling er en bra ting (selv om det er nok av potensielle ulemper jeg ikke er like glad i, men som jeg heller får skrive om siden en gang).

Så hvorfor ikke vise hvilke områder som har gangavstand til t-bane? Dette kartet er resultet av en service area-analyse i ArcGIS. Istedenfor å måle 500 meter i luftlinje, som man ville gjort i en buffer-analyse, måles heller gangavstanden langsmed gatenettverket.

I dette tilfellet har jeg tatt utgangspunkt i nettverksdatasettet som Statens vegvesen har utarbeidet for gang og sykkel.

Stasjonene er hentet fra OpenStreetMap (via Mapzen som dessverre legger ned nå i nærmeste framtid). Både stasjoner, t-baneinnganger og holdeplasser (for t-bane og tog) er brukt som utgangspunkt for ganganalysene.

Jeg har nettopp begynt på en doktorgrad i samfunnsgeografi der jeg skal se på hvordan folk reiser kollektivt – eller hvordan de kommer seg til og fra kollektivsystemet og bytter underveis på kollektivreiser, for å være helt nøyaktig – og da kommer jeg til å bruke denne type analyser en del.

Du kan forvente at kartene blir bedre da. Du se i Lillestrøm eller Sandvika at analysen ikke er blitt kjørt helt perfekt i denne omgang.

Green accessibility in Oslo city centre - Service area settings and that kind of things

In my last post, I showed the buildings in Oslo inner city that have 500 metres walking distance or less to any green area, or at least the areas that are classified as 'green' in the AR50 dataset.

(Btw I, I write this in English since some international GIS students at the University of Oslo should be able to read it too)

To make that map with 'green accessibility', I ran a service area analysis.

(Btw II, the analysis in these maps is an improvement over the one in the last post. This time, green areas outside the inner city urban districts (bydeler), which may be within walking distance from inner city buildings, are now taken into account)

One of the maybe most interesting, and crucial, choices you do when you run a service area analysis, is the choices you make about Polygon Type.

You can choose whether you want to make detailed or generalised polygons. You can also choose whether you want to trim the polygons (i.e. the service areas), and in that case, how much you want to trim them.

These choices have a crucial impact on the extent of the service areas you want to estimate.

For example, in the map below, you can see the difference between service areas made with detailed (red) and generalised (purple) polygon type settings.

Click on the map to see it larger.

As you can see, the detailed polygons seem to depict more accurate service areas (no big surprise there). Generalised polygons are the quick and easy ones, although, it took no longer time to produce the detailed ones than the generalised polygons (spent approximately 30-40 seconds on both sets).

With the detailed polygons, you do get some small islands out of reach here and there (as mentioned in ESRI's documentation on service area analysis). My really big issue with the detailed option, though, and the reason I prefer the generalised option, is that it is more sensitive to errors in the underlying network dataset. And errors do exist in network datasets.

Now, what does the trim setting do? First, let see the difference between polygons with and without trimming.

Click on the map to see it larger.

As you can see, you should have some extremely good reasons to choose polygons without trim over trimmed polygons.

With that settled, what is the impact of the of the trim distance? To trim the 500 m service areas with 100 metres sounds too much. Let's try with a trim distance that is five percent of the service area distance.

Click on the map to see it larger.

The difference is huge. But now the service areas is perhaps a little bit too strict? Let us try with 50m trim distance.

Click on the map to see it larger.

This setting does not give as rigid outcome as the previous one, but it is still an improvement over the somewhat course service areas you get with 100 metres as trim distance. Therefore, in this case, I prefer to use the generalised option with 50 metres as trim distance, as shown below. 

Click on the map to see it larger.

The very last map in this post is an interactive map in which you can turn on and off all the service area alternatives and make your own comparisons. Just click on the Visible layers button in the upper-right corner of the map. You can also zoom down to specific locations and compare the differences in detail.

Finally, the maps were made with the following (open and free) data sources:

• OpenStreetMap data downloaded via Mapzen
• AR50 data from NIBIO (the green areas)

Hvem har park i nærheten i Oslo sentrum?

Klikk for å se større. Kilder: OSM, NIBIO, Oslo kommune

Hvem har gangavstand til grøntareal i Oslo sentrum?

Jeg kjørte en nettverksanalyse med et nettverksdatasett laget av OpenStreetMap data (lastet ned fra Mapzen og gjort om til nettverksdata med OSM-toolbox i ArcGIS). Parkene er fra AR50-datasettet fra Norsk Institutt for Bioøkonomi (NIBIO). Parkene er, morsomt nok, kategorisert som snaumark, altså "Fastmark med naturlig vegetasjonsdekke som ikke er skog".

En svakhet med kartet, som påpeker at dette ikke er et fasitsvar, men en morsom øvelse, er at grøntareal som er helt utenfor indre by-bydelene er ikke tatt høyde for. Dette kan du legge spesielt merke til på Sandakker i den nordligste delen av "studieområdet", eller på Sinsen og Løren.

Hvis du kjenner deg igjen, kan du også se at grøntarealet ved Vålerenga kirke ikke er med i datagrunnlaget i det hele tatt. Det kommer tydelig fram hvis vi zoomer litt inn og bruker flyfotoene fra Geodatas tjeneste som bakgrunn:

Klikk for å se større. Bakgrunnskart: Geodata AS.

Oppdatering 19/10-17:
Jeg la ut dette kartet og skrev alt sammen i en bråhast. Nå, kan jeg jo legge til at et annet ankepunkt med "analysen", er at tilgang til fjorden er ikke tatt med i beregningen. Fjorden er ikke spesielt grønn, riktignok, men mange vil nok tenke på Sørenga (ytterst) i hvert fall og deler av Aker brygge og Tjuvholmen som rekreasjonsområder på (relativt) lik linje som parkene. Men da er det i så fall snakk om å måle tilgang til rekreasjonsområder i vid forstand, ikke grøntareal ... Og nei, en eller annen rekke med trær er ikke med i analysen.

Uansett er det interessant å registrere at det ikke er stort annet av skikkelig grøntareal i Frogner enn Frognerparken – noe som potensielt går utover levestandarden til de som bor midt i Uranienborg? ...

Dette er forøvrig en del av en seminarøvelse som jeg har laget til samfunnsgeografi-studentene på Universitetet i Oslo som tar et innføringsfag i GIS, SGO1910.

Se turen jeg tok i Østmarka

Jeg har laget enda en video! Nå fra den siste turen jeg og min elskede K tok i Østmarka, da vi gikk inn til Gullsmeden.

Det jeg hadde lyst til å teste ut da jeg laget denne videoen, var å lage en animasjon hvor du følger reiseruten over kartbladet, akkurat som i Indiana Jones-filmene.



Effekten fikk jeg til i Adobe After Effects etter å ha tittet på noen fine opplæringsvideoer på YouTube, som for eksempel denne her:

Lillestrøms "danske" sykkelbyfortrinn

Klikk for å se større. Datakilder: OpenStreetMap/Geofabrik og Statens kartverk.

Lillestrøm blir stadig kåret til Norges beste sykkelby. Det handler selvfølgelig mye om planlegging og tilrettelegging for sykling, men dette kartet viser også et fortrinn som "byen på måsan" har fra naturens side når det kommer til sykling – det samme fortrinnet som de fleste byer i sykkellandene Danmark og Nederland har:

Lillestrøm er paddeflat.

Kartet viser stigningsprosenten på alt mulig som finnes av veier, sykkelveier, fortau, stier i OpenStreetMaps veidatasett (som kan lastes ned via nettsidene til tyske Geofabrik). De mørkegrønne veiene er bortimot helt flate, mens veiene er brattere jo rødere farge de har.

Hvis du har fulgt med på sykling og Tour de France, eller tatt en titt inne på Sykkelbakker (som brodern min skal ha ære for å sy sammen), så vet du at det begynner å bli slitsomt å sykle når bakken er på åtte prosent eller mer.

Til hverdagssykling er nok tre, fire, fem prosent. irriterende nok siden du fort kan bli litt svett på ryggen på vei til jobben.

Stigningsprosenten har jeg beregnet i ArcGIS fra terrengmodellene til Statens kartverk.

Kollektivtilbudet i strøket

Klikk for å se større. Artig greie: Legg merke til at kollektivtilbudet er hakket bedre i Lommedalen enn i Sørkedalen og Maridalen.

Det er et vedtatt mål i Oslo og Akershus at all vekst i persontransport i regionen skal dekkes av sykkel, gange og kollektivtransport.

Hvis vi ser på biten med å bruke kollektivtransport - og da helst gå eller å sykle for å komme til nærmeste holdeplass, trikkestopp, togstasjon eller hva det måtte være - så er det en ting å ha gangavstand til holdeplassen. Vel så viktig er det at kollektivtilbudet er bra når du først har kommet deg til bussholdeplassen. Det er stor forskjell på om det går én buss i timen eller en buss hvert tiende minutt.

Og det er akkurat disse to elementene, gangavstand og frekvens på kollektivtrafikken, som dette kartet viser. For å være nøyaktig, så viser kartet hvor mange avganger som er innenfor 500 meters avstand om morgenen mandag 15. august 2016 (jeg fikk ikke til å velge en generisk ukedag).

I det mest mørkegrønne området, i Oslo sentrum, hadde du mellom 500 og 1045 avganger innenfor 500 meters gåavstand i løpet av to timer.

Dette kartet lagde jeg her om kvelden først og fremst for å teste ut noen kule verktøy som er utviklet for å kombinere GTFS-data med nettverksanalyser i ArcGIS. Laster du ned ArcGIS toolbox-en fra dem, så følger det med grundige og forståelige instrukser for hvordan du skal kjøre verktøyene.

GTFS-data er enkelt forklart tidstabeller over kollektivtransporten, og Ruter har lagt ut GTFS-data her.

Nettverksanalyser er slikt Google Maps bruker når de beregner reiseruter. Her kan du se hvordan jeg brukte nettverksanalyser for å beregne reisetid fra hver kommune i Akershus inn til Oslo sentrum, og hvor mange som har gangavstand til kollektivtransport. Statens vegvesen er så kule at de har lagt ut hele veinettet (og sykkelveier) i Norge som nettverksdata, klart til å kjøre nettverksanalyser på. Det bør bemerkes at disse veinettene ikke er ideelle å kjøre gangavstand-analyser på. Veier kortere enn 50 meter er ikke med, gangveier og fortauer tas ikke høyde for på en god måte, men dette er ting som folkene i vegvesenet jobber mye med å utbedre.

Magien skjer når du kombinerer GTFS-data og nettverksanalyser.

Da kan du for eksempel finne ut hvor mange som har gangavstand til godt og dårlig kollektivtilbud.

NB: Fargeskalaen i kartet er basert på at gjennomsnittsverdien i hele systemet, som ble konstruert da jeg kombinerte GTFS-data fra Ruter og nettverksdatasettet fra vegvesenet, er 37 avganger i løpet av tidsrommet 07.00-09.00. Jeg har imidlertid ikke sjekket grundig hvor reelt eller relevant hele det systemet er, med tanke på hvilket område det dekker, og om veiområder som ikke dekkes av Ruter er blitt tatt med i beregning eller ikke.

Faktabasert kunst

Ser du den lille "hanken" med en pil under dette fjerne, abstrakte kunstverket"? Dra i den musa, og se hva dette kunstverket egentlig er for noe.

Kommune-NM og utdanning

Her er et eksempel på hvordan et storymap kan brukes til sammenligne forskjellige elementer, som rangeringen i NHOs kommune-NM og utdanningsnivået i kommunen, i dette tilfellet andel av alle over 16 år som har høyere utdanning.

NHOs kommune-NM er en rangering av Norges kommuner etter hvor næringsvennlige de er. Kompetanse er en av indikatorene som kommunene blir målt og rangert etter.

NHOs egen definisjon er i dette tilfellet

"Kompetanse, både i form av faglærte og høyere utdanning, er en viktig faktor for     kvaliteten i det kommunale tjenestetilbudet og for næringslivets konkurranseevne." 

(NHO 2016: 9)

Utdanningsnivået som du ser på kartet og i punktdiagrammet her, er andelen av alle i kommunen over 16 år som har høyere utdanning.

Punktdiagrammet under viser også at det kan være en anelse kurvelineær sammenheng mellom utdanningsnivå i kommunen og rangeringen i kommune-NM.

Kilder: NHO og SSB

Datakilder er NHO og SSB.

The Urban Structures of Akershus

Lurer du på hvor variert Akershus er? Her er en haug av kart som jeg lagde til mitt store GIS-prosjekt i studiene denne våren. Oppgaven var egentlig en minivariant av min kommende masteroppgave, og det var meningen å se på hvordan en del arealbruk og 'urbane' trekk påvirker reisevaner. 

I Akershus har du både relativt urbane områder, som Bærum, Lørenskog og Skedsmo (Les Strømmen og Lillestrøm), og mer landlige områder, som Hurdal og Aurskog-Høland. Hva har dette å si for hvordan transportmiddel folk bruker og hvor langt de reiser? Det svaret må du vente et drøyt års tid på å få fra meg i hvert fall.

Klikk for å se større. Kilder: Statens Kartverk og Statistisk Sentralbyrå.

Klikk for å se større. Kilder: Statens vegvesen, Statens Kartverk og Statistisk Sentralbyrå.

Klikk for å se større. Kilder: Statens vegvesen, Statens Kartverk og Statistisk Sentralbyrå

Disse kartene med andel av kommunens befolkning som har gangavstand til kollektivtransport, var blant de artigste kartene å lage. Statens vegvesen er veldig kule, og har gjort et nettverksdatasett over alle veier i Norge tilgjengelig for alle og enhver. Med ESRIs nettverksutvidelse til ArcGIS kan du kjøre noen ganske kule nettverksanalyser på det datasettet, som å avdekke hvilke områder som har gangavstand til kollektivtrafikk. Siden kommer jeg til å legge ut noen kart som viser de områdene.

Klikk for å se større. Kilder: Statens vegvesen, Statens Kart og Statistisk Sentralbyrå

Nettverksdata og -analyser er også blitt brukt til å lage disse kartene. Med reisetid til regionbyer fra midtpunktet i det største tettstedet i hver kommune. Regionbyer er de tettstedene i Akershus som er valgt til å ha størst befolkningsvekst osv. i en ny areal- og samferdselsplan for hele Oslo og Akerhus.

Dyrere å parkere i Oslo

Klikk for å se større

Det nye byrådet øker parkeringsavgiftene i Oslo sentrum. Det er kanskje et første skritt for å gjøre Oslo sentrum bilfritt. Uansett, da Aftenpostens Oslo by skrev om nyheten fikk jeg lyst til å lage et nytt kart, basert på Oslo kommunes eget kart, som viste mest mulig informasjon, og hvor folk kunne kjenne igjen Oslo sentrum.

Kart over parkeringssoner i Oslo, laget av Oslo
kommune og brukt i Aftenposten-artikkelen.

Bare så det er nevnt, dette kartet og all informasjonen er basert på min visuelle fortolkning av kartet til Oslo kommune i Aftenposten-artikkelen. Jeg vet ikke helt nøyaktig hvor grensene går f.eks. mellom grønn og gul sone ved Bygdøy (ikke helt tilfeldig at jeg har en infoboks over det meste av grenseområdene der, men også fordi infoboksen om både grønn og blå sone er i kontakt med både grønn og blå sone her). I tillegg er det en grunn til at du ikke ser grensa i sørøst mellom blå og gul sone.

Jeg synes uansett det var viktig å fremheve særtilfellene, altså den røde sonen i Bogstadveien og Valkyriegata, og den gule sonen i Kongens gate. Jeg har også tatt med ring 1 og 3, men ikke ring 2 fordi den tilfører ikke kartet viktig informasjon i dette tilfellet.

Gammelnytt turkart

Gammel tur: Kartet viser det som faktisk er en veldig fin rundtur i Østmarka. Parker på Bysetermåsan og ta en matbit på kafeen på Vangen. Kartet er laget i ArcGIS, også lagt på et gammelt ark i Photoshop. Kartgrunnlag: N50 fra Statens Kartverk.

 Jeg har alltid vært fascinert av gamle kart. Jeg skal innrømme at det var helt fantastisk da Kartverket frigjorde en enormt stor haug med gamle kart.

Og som den håpløst romantiske estetikeren jeg er, så ville jeg lage noe som så kult ut på en gammeldags måte. Nå kan du veldig godt kalle disse kartene over turer i Østmarka for overpompøse klisjeer som strengt ikke ser ut som gamle kart i det hele tatt.

Men det er utrolig hva for en gammeldags stil og følelse en hel haug med konturlinjer og symbolisering av det våte element kan få hvis du legger alt sammen på et gammelt og slitt stykke papir med hjelp av Photoshop.

Hest og kjerre: Dette kartet blir ekstra corny av at jeg har satt en hestevogn oppe i hjørnet for å symbolisere hvor bilparkeringen står. Ser nå at den symboliseringen er litt tvetydig (er hele turen tatt med hest og kjerre?). Se all kreditering nederst til venstre i kartet, men link til kartdata her,  N50 fra Statens Kartverk.

Og jeg har publisert det øverste kartet en gang før, men da var det så bortgjemt at ingen sikkert la merke til det.

Endelig ...

Klikk for å se større.

Jeg har helt siden jeg oppdaget kartressursene til SSB (hvor det er mange godsaker) hatt lyst til å teste ut rutenettet som de har over hele Norge. Resultatet kan du se her! Fordelen med et slikt rutenett - som du skulle tro var i rasterformat, men faktisk er vektor - er at de endres ikke over tid, noe kommunegrenser kan gjøre.

Rutenett tar heller ikke hensyn til administrative grenser, noe som kan være både en fordel og en ulempe. Men et eksempel på en fordel: det gir et mer detaljert og korrekt bilde å studere befolkningstettheten på Høybråten i Stovner bydel hvis den skulle være slått sammen med befolkningsdataen for Karihaugen i Lørenskog kommune enn hvis vi ser på befolkningstettheten for hele Stovner bydel. Som du kan se på kartet, har jeg tatt med alle de rutene som krysser kommunegrensen.

Det skal imidlertid sies at grunnkretser og delbydeler/delområder (ja, det er noe som heter det også) gjør mye av den samme jobben. De skal heller ikke forandre seg over tid, men til forskjell fra rutenettet, så krysser de ikke kommune- eller bydelsgrenser.

Personlig har jeg sansen for delbydeler (hvis du spør geofolkene i SSB pent, så kan de sende deg en kartfil (shapefile) med delbydeler i Oslo). Grunnkretser blir for smått. Delbydeler er passe store, men det som jeg liker enda bedre, de samsvarer ganske bra med det vi oppfatter som et sted. Bislett, f.eks. består av flere grunnkretser, men du har en statistisk delbydel som heter Bislett og som samsvarer veldig godt med det stedet jeg oppfatter som Bislett når jeg går oppover Pilestredet og Thereses gate.

Det var nok om rutenett og delbydeler. Se og lær, og bli klokere på Oslo.

GIS-TIPS: Skal du koble sammen rutenettet og befolkningsdataene fra SSB i ArcMap eller QGIS, slik jeg har gjort i dette kartet, så må du sørge for at den kolonnen som begge tabellene har til felles, er av datatypen double. Hvis jeg ikke husker feil, det var en stund siden jeg gjorde det, så er ikke den ID-kolonnen i rutenett av typen double, men integer, så du må lage en ny kolonne med double som du kopierer innholdet over til.