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.

Klikk for å se større. Datakilde: Høydedata.no/Statens Kartverk

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.

Delta

Datakilde: Statens kartverk (N50)

Elvene Nitelva og Leira (legg merke til meandersvingene) som møtes ved Lillestrøm før de renner ut i Svelle, som møter på Glomma og former Nord-Europas største innlandsdelta på vei ut i Øyeren, Norges mest artsrike innsjø.

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)