Snöplogning är en fundamental beståndsdel av vinterväghållning i regioner med kallt klimat. Varje år medför snöröjning med fordon både höga ekonomiska kostnader samt negativ miljömässig inverkan på grund av dess bränsleförbrukning. Trots att korrelationen mellan snöplogning och bränsleförbrukning har undersökts i tidigare forskning saknas studier som visualiserar bränsleförbrukning i relation till väglutning. Därav ämnar denna studie att utvärdera och visualisera spatiala kluster av bränsleförbrukning relaterat till lutning på snöplogningsvägar i Gävle, Sverige.

För att kartlägga spatiala kluster i denna studie har Ripley’s K-funktion, Global Moran’s I och Getis-Ord Gi* använts, då dessa metoder erbjuder möjligheten att bedöma statistisk signifikans av spatiala mönster.

I studien har programvara för geografiska informationssystem använts för att applicera statistiska mått på snöplogningsvägar med lutning extraherad från en digital höjdmodell. Utfallen har kombinerats med uppskattad bränsleförbrukning och visualiserats med hjälp av kartor och diagram.

Resultaten visade en tydlig förekomst av spatiala kluster. Den spatiala autokorrelationen per distans undersöktes för att identifiera vid vilket avstånd klusterbildningen var som mest frekvent. Vidare betonades områden med låg respektive hög bränsleförbrukning. Sammantaget kan resultaten användas för att stödja den strategiska planeringen av snöplogning, vilket i sin tur leder till reducerade kostnader och minskad miljöpåverkan.

Snow plowing is a fundamental part of winter road maintenance in regions with cold climate. Each year, plowing with vehicles entails both high economic costs and negative environmental impacts due to its fuel consumption. Although the correlation between snow plowing and fuel consumption has been investigated in previous studies, there is a lack of research that visualizes fuel consumption in relation to road slope. Therefore, this study aims to evaluate and visualize spatial clusters of fuel consumption in relation to slope on snow plowing roads in Gävle, Sweden.

To map spatial clusters, this study uses Ripley’s K-function, Global Moran’s I and Getis-Ord Gi*, as these methods provide the ability to assess statistical significance of spatial patterns.

In this study, geographical information system software was utilized to apply statistical measures to snow plowing road data with slope extracted from a digital elevation model. The outcomes were combined with estimated fuel consumption and visualized through maps and diagrams.

The results showed a clear presence of spatial clusters. Spatial autocorrelation by distance was analyzed to identify at which distance clustering was most frequent. Furthermore, areas with low and high fuel consumption were highlighted. Overall, the results can be used to support the strategic planning of snow plowing operations, which in turn leads to cost reduction and minimized environmental impact.