 |
| Klikk for å se større. Datakilde: Høydedata.no/Statens Kartverk |
fredag 9. februar 2018
mandag 22. januar 2018
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.
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.
onsdag 3. januar 2018
Delta
 |
| Datakilde: Statens kartverk (N50) |
fredag 20. oktober 2017
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.
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.
Finally, the maps were made with the following (open and free) data sources:
(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:
mandag 16. oktober 2017
Hvem har park i nærheten i Oslo sentrum?
 |
| Klikk for å se større. Kilder: OSM, NIBIO, Oslo kommune |
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. |
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.
Abonner på:
Innlegg (Atom)