Viides kurssikerta

Viidennellä kerralla jatkettiin edellisen kerran Pornais- aineiston käyttöä. Viime kerralla merkitsimme lopuksi jokaisen talon pisteellä omiksi karttakohteiksi, omalle layerille. Talojen metatietoihin lisättiin asukkaita toiminnolla Rand(0,6), näin taloihin tuli satunnainen määrä asukkaita 0-6 välillä.

Seuraavaksi pääsimme varsinaiseen asiaan, eli Bufferointiin. Puskuroinnilla voimme tarkastella tietyn alueen vaikutuksessa olevia kohteita, kuten taloja. Tarkoituksena harjoituksessa on ensin selvittää, kuinka monta taloa on valtaväylien läheisyydessä. Tämä onnistuu fixed buffer- toiminnolla. Valikossa valitaan puskuroitava kohde, sekä puskurin koko. Tässä tapauksessa 100m. Seuraavaksi voimme tarkastella puskurin alueella olevia kohteita Spatial Queryllä. Näin saamme myös selville, kuinka monta asukasta teiden melualueella asuu.
Itsenäintehtävänä tutkimme lentokenttien eriasteisilla meluvyöhykkeillä asuvien asukkaiden määriä. Tämä onnistui, kun ensiksi itse loimme Malmin lentokentän kiitoradat viivakohteiksi. Nämä kohteet puskuroitiin 1km ja 2km etäisyyksillä. Vastauksia pystyi tarkastelemaan Spatial queryllä. Teimme saman myös Helsinki-Vantaa lentokentälle, mutta siellä vaikeuksena oli lisäksi ennalta annetut meluvyöhykkeet, joiden kohdilla puskureita piti analysoida. Lisäksi tutkimme kuvitteellista tilannetta, jossa H-V- lentokentän kiitorata käännettäisiin Tikkurilan päällä kulkevaksi, ja laskimme tälle melualueelle jäävät asukkaat.

Lisäksi tutkimme Juna-asemien läheisyydessä asuavia ihmisiä samoilla toiminnoilla, ja niiden vastaukset löytyvät taulukosta 2
Taulukko 1, jossa näkyvät lentokenttien melualueilla asuvat ihmiset.

Malmin lentokentän alueen asukkaat
asukkaita rakennuksia
Buffer 2km 57690 4720
buffer 1km 8707 749
Helsinki-Vantaa lentokentän alueen asukkaat
Buffer 2km 11207 2296
Meluaste 65db 324 41 2,89 % asukkaista asuu 2km sisällä  ja pahimmalla meluvyöhykkeellä
Meluaste >55db 11913 1728
Tikkurilan tilapäisellä melualueella
Meluaste >60 11913 1728

Taulukko 2. Juna-asemien varrella asuvat asukkaat sekä työikäiset.

Asemat Asukkaita rakennuksia
500m 106691 5169 21,77 % asukkaista asuu 500m etäisyydellä asemista
työikäiset 73108 68,52 % alueella asuvista asukkaista on työikäisiä (15-64)

Seuraavaksi otimme käyttöön taajama-kartan. Tämän avulla pystyimme laskutoiminnoilla selvittämään, kuinka monta asukasta asuu taajamissa ja erityisesti tutkimme kouluikäisiä. Havaitsimme, että suurin osa kouluikäisistä asuu taajamissa, mikä lyhentää koulumatkoja. Tarkemmat tulokset ovat taulukossa 3.

Taulukossa 3, ilmenee taajamissa asuvat ihmiset, sekä kouluikäiset

Taajamissa asuvat 414337 84,53& Asukkaista asuu taajamissa
Kouluikäiset 7829 kouluikäistä (7-15v) asuu taajamien ulkopuolella (15,89%)
eli 41463 84,11% asuu taajamissa

Taajama aineistossa ilmeni selkeä ongelma, sillä monista korjaus yrityksistä huolimatta, kaikki aineistossa olevat alueet eivät rekisteröityneet taajamiksi, jolloin osa asukkaista jäi huomioimatta.

Kuvankaappaukseni, ovat jääneet jonnekin ulottumattomiin, mutta esimerkiksi Senni Luodolla, jonka kanssa tehtävät teimme, on omassa Blogissaan erinomaisia kuvankaappauksia edellisistä tehtävistä. Hän on myös tehnyt viimeisen tehtävänsä saunoista ja uima-altaista, joista voit löytää mielenkiintoista aineistoa.

Viimeisenä tehtävänä laskin Helsingin yhteiskouluun tulevian uusien oppilaiden osuuksia. Lapset kuuluvat asuinpaikan mukaan tiettyyn koulupiiriinsä, ja tämän perusteella voidaan laskea, kuinka monta oppilasta ensi vuonna kouluun on tulossa.

Taulukkossa 4 ilmenee tulevien yläaste koululaisten määrä, nykyisten yläasteella olevien määrä, sekä arvio alueella asuvien muunkielisten yläaste ikäisten määrä.

Tulevat 12-14v lkm/väestö Muunkieliset
Oppilaat 14 62 8,40 % 9

 

7 kurssikerta

Lakon jälkeen palasimme vielä kerran ihanaan geoinformatiikan maailmaan. Viimeisen kurssikerran tavoitteena on itsenäisesti hankkia ensiksi dataa/tilastoja, ja sitten luoda näistä kartta. Kartassa tulisi olla vähintään kaksi muuttujaa.
Aloitan kerran alkamalla etsimään aineistoa internetistä. Kurssin infoblogista löytyy muutama hyvä sivusto. Käytän natural earth data sivustoa, josta latasin aluksi USA:n kansallispuistoja, sekä maailman urbaaneja alueita ja lentokenttiä kuvaavia datoja. USA:n tilastokeskuksen sivuilta Tiger/line löytyy, myös paljon dataa, ja lataan ensiksi amerikan pohjakartan, sekä datat junaradoista urbaaneista alueista, sotilasalueista, sekä intiaaninen alueista. Tilastot löytyvät näppärästi suoraan shapefile muodossa, joten ne voi suoraan avata Qgis- ohjelmassa. Aloitan aluksi kansallispuisto datan työstämisen, ja yhdistelen useamman karttatason tietoja yhteen tasoon, join attributes- toiminnolla. En kumminkaan keksinyt mitään mielekästä teemakarttaa kansallispuistoista, ja käytössä olevien muiden muuttujien mukaan. Joten lopulta päädyin käyttämään tigerin pohjakarttaa, sekä urbaanien alueiden dataa. Natural earth sivustolta käytän lentokenttä dataa.
Aluksi haluan rajata lentokenttä datan, niin että se sisältää vain USA:n alueella olevat kohteet. Tämä tapahtui select features by freehand toiminnolla. Suunnitelmani oli selvittää, miten lentokentät ovat sijoittuneet asuinalueisiin suhteutettuina. Oletus on tietenkin, että ne ovat selvästi niiden yhteydessä, joten halusinkin selvittää, että kuinka suuri osa asuinalueista ei ole lentokenttien saatavuusalueella.

Tätä varten tulisi ensiksi laskea asuinalueille pinta-ala tiedot field calculaattorilla. Mutta ennen kuin tämän voi kätevästi tehdä, tulisi huomioida käytössä oleva karttaprojektio ja erityisesti, mitä mittayksikköä se käyttää. Vaihdan Albertsin Pohjois-Amerikka projektioon, joka käyttää yksittäisiä metrejä, ja tallennan kaikki karttatasot uudestaa kyseisellä projektiolla. Sammutan vielä varmuuden vuoksi ohjelman ja käynnistän kaiken uudestaan. Kun olen tehnyt tämän kolme kertaa, en ole vieläkään aivan varma olenko onnistunut asiassa, jonka pitäisi olla aivan yksinkertainen… Pinta-alan laskeminen onnistuu field calculatorilla funkitolla $area/ 1 000 000, ja näin kaikille reilulle 250 erilliselle asuinalueelle on saatu pinta-ala.

Seuraavaksi tulisi lentokentille laskea saatavyysvyöhyke. Arvioin, että mahdollinen saatavuus asukkaille lentokentälle olisi maksimissaan 100km etäisyydeltä. Teen fixed distance bufferilla lentokenttien suhteen vyöhykkeen lentokenttien ympärillä 100 000m. Tämä oli ilmeisesti virhe, sillä vielä 45minuutin jälkeen ei tietokone ole tätä bufferia laskenut. Tämän takia en saa verrattua vyöhykkeen ulkopuolelle jäävien asuinalueiden pinta-aloja.

Alkuperäiselle aineistolle suoritin kyllä monta bufferointi ja tutkailin asuinalueita spatial query työkalulla, ja pystyin havannoimaan, että erillisistä kaikenkokoisista asuinalueista 220/253 jää lentokenttä vyöhykkeiden ulkupuolelle. Tämä ei kerro kokonais alasta mitään, mutta pystyn myös havainnoimaan, että suurempi osa asuinalueiden alasta jää lentokenttien saatavuusvyöhykkeen ulkopuolelle. Mutta projektiota vaihdettua nämä en enään näitä toimintoja pystynyt käyttämään koko tietokoneen mentyä jumiin, ja ulos saamani kuvat jäivät vielä alkuvaiheeseen.

Ulos saamistani kuvista näkee USA:n asuinalueiden ja lentokenttien sijoittumisen. Ensimmäisessä kuvassa on WGS-87 karttaprojektio, joka tuli oletuksena. Ja toisessa kuvassa voi nähdä eron Albertsin erityisesti Pohjois-Amerikkaan suunnitellun tarkemman projektion eron, mikä on melkoisen suuri. Albertsin projektiossa, muodot ovat pyöristetympiä ja oikeammissa mittasuhteissa, suhteessa Pohjois-Amerikkaan. Eikä tönkköä pelkistetympää mittasuhteita kuten WGS-87, joka suhteuttaa kartan koko maapalloon.

Ps. ladattuani kuvat, ihmettelen miks ei toisessa kuvassa näy karttamerkintöjä, vaikka ne mielestäni tein. Noh nyt on liian myöhäistä 🙂

WGS-87 karttaprojektio
Albertsin Pohjois-Amerikka projektio

Kuudes kurssikerta

Hyii kun on hyytävää! Silti lähdimme ensimme keräämään kurssikerralla tarvitsemamme aineiston yhdessä muiden ryhmäläisten kanssa. Kiersimme parini Sanni Hannulan kanssa ulkona arvioimassa omavalinteisia paikkoja epicollet5 sovelluksen avulla. Kiersimme ympäri kampusta mielenkiintoisiin pisteisiin, joissa vastasimme kysymyksiin, kuten “kuinka turvalliseksi koet paikan?”, tai että “kuinka houkutteleva paikka on visuaalisesti?”. Lopulta latasimme vastaukset ryhmän yhteiseen projektiin, joihin koko vastausaineisto kerättiin. Olipa ulkona seikkailu sentään mukavaa vaihtelua tietokoneen tuijottamiseen, vaikka pakkasta olikin reilusti.

Takaisin rakkaassa Qgis- ohjelmassamme, jolla pystyimme avaamaan vastausaineiston ja avaamalla open street- kartan taustalle, pystyimme myös havainnoimaan pisteiden sijainnin. Lisäksi haimme googlelta API Keyn, jolla saamme käyttöömme qgis- ohjelmaan google mapsin oikean katukuvan.

Kurssikerran aineistona on tällä kertaa Helsingin yliopiston tuottama aineisto helsingin rakennuksista ja teistä sekä vesistöistä. Unohdimme juuri keräämämme pisteet, ja aloimme tuottamaan kartalle uusia pisteitä. Käyttämällä hyväksi katukuvaa, arvioimme korttelien kaupallisuutta 1-5. Saadut pisteet interpoloitiin.

Viimeinen työ tällä kertaa liittyi myös aineiston hakemiseen, ja sen muuttamiseen visuaaliseen muotoon. Kopioimme exceliin maanjäristysaineiston NCEDC:n sivuilta

Aineistoa piti käsitellä excelissä. Kaikki pisteet muutettiin pilkuiksi replace– toiminnolla, jotta ne eivät muuttuisi päivämääriksi. Sitten kaikki tiedostot siirrettiin omille saraikkeille ja tallensimme kaikki reilut 27 000 tulivuorta cvs. tiedostoon.

Lisäksi hain vielä 1500 maailman tulivuoren aineistoin NOAA:n sivuilta, kyseinen aineisto oli valmiiksi muokattu cvs. muotoon, ja sitä pystyi suoraan käyttämään

Lopuksi qgis avulla avasin kummatkin aineistot ja muokkasin niiden visuaalisuutta ja rakensin niistä kartan. Tarkoituksena oli saada jopa opetuskäyttöön kelpaava kartta. Alla kyseinen lopputulos, johon itse melko tyytyväinen.

Maanjäristykset&tulivuoret

 

 

Neljäs luentokerta

Neljännellä luentokerralla ensiksi puhuttiin laserkeilauksesta, ja miten sillä voidana tuottaa tarkkoja maastomittauksia ja esimerkiksi saadaan kaupungista ja sen taloista tarkka korkeuskuva. Ensimmäisessä tehtävässämme käytämme hyväksi tällä tavalla tuotettua vektoriaineistoa, jossa on Helsingin talot kahden metrin tarkkuudella. Aika hienoja aineistoja on olemassa. Tästä aineistosta muodostetaan ruudukko vector grid– työkalulla. Määritetään yhden ruudun kooksi 500m, jottei tule liian pientä. Sitten karsitaan pois turhat ruudukot eli sellaiset ruudut, joissa ei ole yhtään taloa. Tämä onnistuu spatial query– työkalulla. Kun on saatu aikaan hieno ruudukko voidaan tähän liittää pääkaupunkiseudun väestötietokanta join attributes by location– toiminnolla ja saadaan yhdistettyä talot ja asukkaat samalle tasolle. Väestötietokannasta voitaisiin valita eri ikäryhmiä tai eri kieliryhmiä, mutta muodostan tällä kertaa koko väestöntiheyttä kuvaavan teemakartan, jonka saa näkyviin seuraavasta linkistä.    Karttalinkki

Oppikerran toisessa osiossa aletaan työstään rasteripohjaisia aineistoja ensikertaa. Aineistona on pornaisten alueen korkeustiedot ja tavoitteena on laatia vinovalovarjostettu korkeusmalli väriä tuomaan ja piirtämään karttaelementtejä. Aineistona on neljä eritiedostoa, jotka pitäisi saada yhdistettyä merge– toiminnolla, joka kuulemma aina välillä kiukuttelee. Tämä selviääkin heti, sillä ajattuani toiminnon tulee vain error viestiä. Tätä yritän useamman kerran ohjeiden kanssa, joista ei tosiaan selviä tarkemmin mitä pitäisi tehdä, eikä apuakaan löydy. Saan aikaiseksi epämääräisen aineiston, missä ei näyttäisi olevan mitään tietoja. Yritän suorittaa sille seuraavan vaiheen, joka on toiminto Contours, jonka pitäisi luoda korkeuskäyrät aineistoon, mutta oma karttani on täysin tyhjä. Muiden kartat näyttävät edistyvän oikein värikkäästi, joten tässä sitä nyt hakataan päätä seinään, auts! Tässä kohtaa pystyin hyvin samastumaan Karoliina Laineen blogin mietteisiin “Oi luoja ota minut jo pois täältä”

Kolmas luentokerta

Heippa taas! Kolmanteen luentokertaan mennessä on jo alkanut tottua kurssilla käymiseen. Hieman myöhässä, kone käynnistyy hitaasti ja kun saan ohjelman käynnistettyä se kaatuu. Hitaasti alkaa tämänkin keskiviikko. Kun vihdoin pääsen hommiin ovat muut jo ties missä. Mutta ei se mitään tiedän, että ohjeet löytyy moodlesta. Nyt aion skarpata ja saada hommat tehtyä itse.  Ja tavoitteena on oppia yhdistelemään tiedostoja, siistimään niitä ja tuomaan ulkopuolisia tiedostoja. Tällä kertaa käsittelemme Afrikkana liittyvää tietopakettia. Tiedot ovat hajanaisesti, joten ne pitää ensiksi yhdistää join komennolla saman tekijän mukaisesti, kuten nimen. Tämän voi tehdä myös koko tietokannalle kerralla dissolve toiminnolla ja säätämällä parametrit oikein. Noniin ei mennyt kuin pari minuuttia, ja mietin missäköhän muut menevät. Yllätyn, huomatessani, että sain kaikki muut jo kiinni. Häh, eivätkö he ole päässeet pidemmälle. Tiedostoon lisätään seuraavaksi excel-tiedosto, jossa on numeerista lisädataa. Ensiksi numerotiedosto täytyy muuttaa sopivaksi tekstitiedostoksi. Tämä yhdistetään Afrikan maihin ja voidaan laskea maa kohtaisesti, esimerkiksi suhde väkiluvun ja internetin käyttäjien välillä. Lisäksi voimme tarkastella, kuinka nopeasti internetin käyttäjät ovat lisääntyneet. Seuraavaksi saimme lisäaineistona Afrikan timanttikaivokset, öljylähteet ja konfliktit. Näitä tutkimalla voimme esimerkiksi tutkia tapahtuuko timanttikaivosten lähettyvillä enemmän konflikteja, ja onko ilmaantunut uusia konflikteja, kun on löydetty uusia kaivoksia. Tiedostossa kerrotaan myös, kuinka tuottavia kaivokset ovat, sekä kuinka suuria. Tiedolla voidaan tutkia, mistä valtiosa timantteja määrällisesti löytyy eniten. Voidaan myös havaita onko mahdolliset timantti konfliktit keskittyneet juuri tuottavien kaivosten yhteyteen ja ovatko konfliktit olleet pitkäkestoisia.

Alun harjoittelun jälkeen aloimme itsenäisesti tehdä harjoitusta jokien tulvimisesta ja järvisyydestä. Aineisto oli jaettuna useampaan tiedostoon ja myös excel ja teksti tiedostoon. Nämähän pitää ensin muuttaa kaikki yhteen sopiviksi, eli cvs. tiedostomuotoon. Sitten aineistot voi yhdistää yhteisen muuttujan suhteen join komennolla. Nyt voimme field calculatorilla tehdä laskelmia ja selvittää valuma-alueiden järvisyyden ja jokien tulvaindeksin. Tulvaindeksi näkyy kartassa erivärillä, ja jää paikoin järvisyyden histogrammi palkkien alle. Onnistuin lopulta monien pikku virheiden ja pieleen menneiden laskujen jälkeen lopullisen kartan teossa ja vain noin puolituntia tuli ylitöitä.

Toinen kurssikerta

Toinen kurssikerta, mikäs kurssi tämä edes oli? Viikon aikana on ehtinyt sattua ja tapahtua jo paljon ja huomaan pian, että viime kerran mahdollisista opeista ei ole jäänyt päähän mitään. Ensiksi vähän ekstraktataan dataa, jolla leikkiä. Sitten harjoitellaan valinta-työkalun käyttöä. Wow sillä voi piirtää oikein alueita, jonka sisällä olevat kohteet valitaa, ja sitten hiiren oikeaa klikkiä. Muista oikeaa, jo tämäkin tuottaa näin aamu 9 vaikeuksia. Sitten alamme leikkimään ladatulla Suomen kunta-aineistolla.

Tänään tutkimme eri karttaprojektioiden vaikutusta pinta-alaan. Muuttuuko tutkitun alueen pinta-ala, jos vaihdamme projektiota. Ainakin Suomen muoto muuttuu! Ompa hauska nähdä kuinka paljon Suomen muoto voi muuttua eri karttaprojektiota käyttäessä. Luettuani muiden blogeja ja viime postausta viisaampana osaan laittaa nyt omaankin postaukseeni kuvia, kuten Sanni Hannulankin postauksessa oli. Näin tekin voitte nähdä eron! Sinertävä kuva on mercator projektiota, joka kuvaa Suomineitoa laihana ja pitkänä. Ja alhaalla oleva Winkel 1 taas lyhyempänä ja paksumpana, Kuvat on käännetty pystyasentton. Koneella työskennellessä voi aina välillä sattua kaikkea outoa, mitä ei edes ensiksi huomaa. Näin kävi minunkin Suomen kanssa, nimittäin sinertävästä kuvasta on hävinnyt Utsjoen kunta, kuka tietää minne. Seuraavaksi piti selvittää kuinka suuri ero pinta-alassa on eri projektioiden välillä. Oletuksena meillä oli Suomen koordinaatistoissa käytetty ETRS 35- koordinaatisto. Sitä vertailimme tunnettuun mercator- projektioon (sininen kuva). Laskettuamme huomasimme, että mercatorissa on keskimääräisesti 381% suurempia pinta-aloja. Tämä on ymmärrettävää, sillä mercator projektio tunnetusti keskittyy päivätasaajalle päin ja vääristää kauempia leveyspiirejä. Toisin sanoen vanhan mercator-projektion vääristymä on hyvin suuri.

Lopuksi vertailin vielä kuuluisaa Oswald Winkelnin jo 1920- luvulla keksimää yhdistelmä projektiota (Winkel tripel 1). Jossa piti olla jo aikanaan mahdollisimma pienet vääristymät ympäri maailmaa. Vertasin tätä nykyiseen oletus koordinaatistoon. Tulokseksi tuli, että Winkel 1 oli kumminkin noin kolmanneksen suurempi kuin nykyinen ETRS 35. Kuvan erivärit havannoivat vääryyden suuruutta, mitä pohjoisemmaksi mennään (vaaleampi väri), niin sitä suurempi pinta-alan vääristymä oli. Parannus oli kumminkin suuri silloin vielä valtaa pitäneeseen mercator- projektioon ja loistava saavutus omalle ajalleen. 

Ensimmäinen luentokerta

Prrrr prrrr! Havahdut herätyskellon pärinään ja ihmettelet miksi ihmeessä se näin aikaisin soi. Tajuat pian, että tänäänhän alkaa se kauan odotettu kurssi “geoinformatiikan menetelmät”. Yrität ravistella unihiekat silmistäsi ja huomaat, että onkin jo kiire bussiin. Yrität nopeasti sitoa kengännauhojasi, mutta silmäsi eivät pysy auki. Lähdet juoksemaan bussiisi vain huomataksesi sen jo lähtevän pysäkiltä pois. Seisot pysäkillä kylmässä ja tajuat, että et enään taida edes mahtua kurssille ja meinaa tulla jo itku silmään, mutta tulet silti seuraavalla bussilla luennolle. Pääset paikalle ja huomaat vapaan tietokoneen, jolle äkkiä syöksyt ja onnen lämpö täyttää sisuksesi.
Aluksi esitellään kurssin vaatimukset ja säikähdät taas tulevasta työmäärästä ja mietit, miten nämä opettajat aina jaksavat. Opetus alkaa luento-osuudella. Paikkatietoa, vektori- ja rasteriaineisto, ihmettelet, että taas, joka kurssillako nämä samat asiat käydään? Väsymys painaa silmäluomia, mutta yrität kovasti seurata luentoa, korvilla, sillä silmäsi ovat kiinni. Luokan edestä kuuluu “aletaan tekemään ekaa harjoitusta”, mietit että jes, pääsee tekemään jotai tässä mä oon hyvä. Ensiksi ekstraktataan tiedostot omalle koneelle ja avataan uudella jännällä Qgis- ohjelmalla. Harjoituksessa tutkitaan ilmeisesti Itämeren alueen typpipäästöjä, ainakin kuvittelen ymmärtäväni. Kuvan värit eivät tyydytä opettajan silmää. Selvä, muokataan järviä hiuksen verran sinisemmäksi. Nyt näyttää hyvältä! Klik klik seuraat silmä tarkkana opettajan kursoria, että painat varmasti samaa kuvaketta. Nyt säädetään jo object properties ja luodaan uusia arvoja taulukkoon. Typen jakautuminen asukasluvun suhteen, kyllä kuulostaa viisaalta! No niin kartta on valmis. Paitsi että mittakaava, legenda ja pohjoisnuoli puuttuvat. Opettaja näyttää että ne saa ihan helposti tästä, klik klik vain. Mistäköhän se nyt oli painelen kaikkia kuvakkeita ja lopulta saan mittakaavan, pienellä säädöllä se on täydellinen. Legendakin löytyy helposti, siitä turhat pois ja hyvältä näyttää. Ai niin vielä pohjoisnuoli, semmoinenkin on valmiina, mietin että “ompa näppärä ohjelma”. Sitten vielä export image ja se on siinä! Näyttää ainakin melkein yhtä hyvältä kuin opettajan mallikartta.