Kurssi on tulossa päätökseen ja viimeisenä tehtävänä olisikin etsiä itse dataa ja saada siitä jokin kelpo karttaesitys aikaiseksi. Lähdin datan metsästykseen viimeistä kurssikertaa edeltävänä iltana. Muutaman tunnin jälkeen kone oli tukossa kaikenlaisista kansioista ja tiedostoista, mutta en siltikään ollut löytänyt  oikein mitään käyttökelpoista. Joko tiedostomuodoissa ja latauksessa koneelle/QGIS:siin oli vaikeuksia tai taulukot olivat muuten niin sekavia, ettei niitä oikein pystynyt hyödyntämään. Oikeanlaisen aiheen keksiminenkin tuotti vähän hankaluuksia. Erilaisia pohjakarttoja löytyy hyvin, mutta järkevän datan löytäminen osoittautui suurimmaksi ongelmaksi tehtävässä.

Satuin kuitenkin seuraavana aamuna ennen kurssikerran alkua löytämään dataa ihmiskaupparikoksista Yhdysvalloissa, jonka onnistuin jopa lataamaan QGIS:siin onnistuneesti. En ole täysin vakuuttunut esimerkiksi osavaltioiden rikosten määrien vertailukelpoisuudesta toisiinsa. Tietoa oli sekavasti 2010-luvulta eri vuosilta. Rikoksia ei ollut kirjattu osavaltioittain vaan tiedot olivat aina pienemmästä piirikunnasta tai muusta sellaisesta, joten jouduin yhdistelemään ne osavaltioittain. Kaikista osavaltioista ei ollut ollenkaan tietoa, esimerkiksi Kaliforniasta, jossa on varmasti tapahtunut kyseisiä rikoksia. Kartta on varmaan kuitenkin suuntaa-antava. Liitän kartan tähän postaukseen, koska puuhastelin sen kanssa koko neljän tunnin ajan, vaikka ei vastaakaan tehtävänantoon yhdellä muuttujallaan. Oli kuitenkin hyvää harjoitusta ja testailin vähän lisäillä ja muokata labeleita ja numeroarvoja.

Nyt melkein kuukauden jälkeen vähän pelotti taas lähteä etsimään dataa, mutta se lähti sujumaan tällä kertaa vähän paremmin ja sain ladattua väestötietoa Yhdysvalloista. Ajattelin myös, että vaaleista voisi löytyä jotain dataa, minkä saisi kartalle. Minusta oli helpompi löytää dataa kun oli valinnut jonkun tietyn aiheen ja pystyi tekemään tarkempia hakuja. Löysin presidentinvaalien äänistä taulukoita, mutta ensimmäinen lataamani oli todella iso tiedosto ja sekoitti QGIS:sin täysin. Kokeiluiden jälkeen löysin myös pienemmän tiedoston ja lähdin muokkaamaan sitä eteenpäin.

Vaikeus oli yhdistellä rivejä siten, että kaiken tärkeän tiedon sai mukaan. Yhdysvaltojen datassa oli yleistä, että osavaltioille oli useampia rivejä. Data hangoitteli eri vaiheissa paljon vastaan ja monesti yhdisteltäessä näytti nullia uusille arvoille ja valitti ettei pystytty tallentamaan muutoksia. Jumituin myös aika pitkäksi aikaa kohtaan, jossa joka osavaltiolle oli kaksi riviä, toisessa Bidenin äänestystiedot ja toisessa Trumpin. Yritin saada tiedon yhteen sarakkeeseen, kumpaa on äänestetty enemmän missäkin osavaltiossa ja jouduin vähän soveltamaan kun en keksinyt kovin hyvää tapaa siihen. Mutta eri vaiheiden jälkeen sain sen jotenkin sellaiseen muotoon, että pystyin yhdistämään taulukon Yhdysvaltojen karttaan. Laskin  myös äänestysprosentin toiseksi muuttujaksi. Lopullinen kartta on kuvassa 2.

Olen ihan tyytyväinen siihen, miltä kartta nyt näyttää. Muutamat jutut jäi vähän vaivaamaan, esimerkiksi itärannikon pienet osavaltiot, joista kaikista ei äänestysprosentti näy. Toiseksi kartaksi olisi tietysti voinut tehdä zoomauksen itärannikkoon. Esimerkiksi Pinja oli tehnyt näin kartassaan tupakoinnin määrästä ja mediaanituloista. En saanut myöskään legendaan symbolia äänestysprosentille. Jouduin lisäämään äänestysprosentin Alaskan päälle käsin, koska se ei aluksi tullut näkyviin, mutta huomasin vasta tallennuksen jälkeen, että siellähän se on, nyt niitä on kaksi päällekkäin. Sain kuitenkin Alaskan ja Havaijin oikeaan mittakaavaan verrattuna muuhun maahan ja aseteltua ne ihan kivasti.

Valitsemani aiheet eivät ehkä ole sellaisia, jota kovin pitkälle pystyy analysoimaan. Vaalien äänestysprosentit koko Yhdysvalloissa liikkuvat noin 40 ja 60 prosentin välissä. Se on aika vähän verrattuna esimerkiksi Suomeen, jossa vuonna 2018 presidentinvaaleissa äänestysprosentti oli 69,9 (Tilastokeskus). Vaikea kuitenkin verrata niin erilaisia maita. Äänestysprosentin ja suositumman ehdokkaan välillä ei ole kovin vahvaa yhteyttä. Kartalla näkyvistä heikoin äänestysprosentti näyttäisi löytyvän Texasista, joka meni Trumpille ja korkein Mainesta, joka äänesti enemmän Bidenia. Rannikoilla, kuten Kaliforniassa ja itärannikolla äänestetään enemmän demokraattista Bidenia. Netistä löytyy paljon karttoja viime vuoden vaaleista, johon voi omaa tuotosta vähän verrata, esimerkiksi New York Timesin sivuilla. Ainakin näyttäisi olevan osavaltioiden voittajaehdokkaat oikein. Projektio on eri kuin käyttämäni ja Alaskan ja Havaijin liittäminen kartalle on tehty vähän eri tavalla. 

Roosa oli tehnyt kartan koskien Yhdysvaltoja ja myös kohdannut ongelmia aineistojen etsimisessä ja valitsemisessa sekä niiden muokkaamisessa. Roosa oli valinnut mielenkiintoiset muuttujat, mediaanitulot ja huonemäärän joiden mahdollista yhteyttä oli saanut pohdittua laajasti. Näyttää myös hyvältä, kun osavaltioiden nimet on kartalla, minkä olisin itsekin voinut tehdä vaalikarttaan.

Tämä kurssi on ollut kokonaisuudessaan todella kiinnostava ja tehtävien parissa kulunut varsin paljon aikaa. Joskus ehkä vähän liikaakin, kun ryhtyi liian tarkaksi ja sääti karttojen kanssa iltamyöhään. Blogi on ollut kiva tapa suorittaa kurssia, vaikka blogitekstien tekeminen on ollut yllättävän hankalaakin. On kiva kun on pääsyt lukemaan muiden tekstejä ja näkee miten he ovat jonkun tehtävän tehneet ja kuinka kurssi sujuu muilla. Olen ihan ylpeä varsinkin siitä, että sain taiottua esiin jonkinlaisen kartan viimeisenä harjoituksena.

Kiitos ja moikka!

 

Lähteet:

• • Bureau of Justice Statistics, haettu 5.3.2021. https://www.bjs.gov/index.cfm?ty=tp&tid=40

• • Harmonen, R. (2021) Seitsemäs kurssikerta –  loppusuoralla, luettu 31.3.2021. https://blogs.helsinki.fi/harmoroo/2021/03/02/seitsemas-kurssikerta-loppusuoralla/

• • Hägg, P. (2021) Kurssikerta 7, luettu 31.3.2021.  https://blogs.helsinki.fi/pinhagg/2021/03/29/kurssikerta-7/

• • Natural Earth, haettu 5.3.2021. https://www.naturalearthdata.com/downloads/50m-physical-vectors/

• • New York Times,  Presidential Election Results: Biden Wins, luettu 31.3.2021. https://www.nytimes.com/interactive/2020/11/03/us/elections/results-president.html

• • Tilastokeskus (2018) Sauli Niinistön kannatus tasaista eri alueilla presidentinvaalissa 2018,luettu 31.3.2021 https://www.stat.fi/til/pvaa/2018/pvaa_2018_2018-02-02_tie_001_fi.html

• •  US Census Bureau, haettu 31.2.2021. https://www.census.gov/en.html

 

Viikon kuusi blogitehtävänä oli tehdä erilaisia karttoja hasardeista. Kartoista oli tarkoitus varsinkin tehdä sellaisia, että ne olisivat sopivia opetuksessa käytettäviksi. Eli varmastikin niiden tulisi olla selkeitä ja informatiivisia. Karttoja katsomalla olisi hyvä myös mahdollisesti löytää syy-seuraussuhteita ja yhteyksiä ilmiöiden välillä.

Ensimmäisessä kartassa (kuva 1) näkyy tulivuoret ja viimeaikaiset maanjäristykset (noin yhdeksän kuukauden ajalta). Punaiset kolmiot on looginen tapa kuvastaa tulivuoria ja maanjäristykset taas näkyvät harmaina pisteinä taustalla. Koska niitä on niin paljon, osassa karttaa ne sulautuvat harmaaksi sumuksi. Kartan avulla voi päätellä, että maanjäristyksillä ja tulivuorilla on yhteys ja varsinkin Tyynenmeren tulirenkaan voimakas vulkaaninen toiminta erottuu. Tulivuorista ja maanjäristyksistä syntyy ikään kuin viivoja kartalle, jotka kuvaavat litosfäärilaattojen reunakohtia.

 

Lisäsin seuraavaan karttaan mannerlaattojen rajat, jotta niiden ja maanjäristysten yhteyden voisi nähdä selkeästi. Vaihdon myös alla olevan maailmankartan ja laitoin kaikki alueet vain yhdellä värillä. Punaiset maanjäristykset erottuvat taustastaan hyvin. Päätin myös laittaa maanjäristykset eri väreillä voimakkuuden mukaan. Eri sävyt ei kovin vahvasti kyllä erotu toisistaan, poikkeuksena Yhdysvaltojen päällä olevat pienet maanjäristykset valkoisella. En tiedä, kirjataanko maanjäristyksiä yhtä tarkasti joka puolella maailmaa, joka voisi tietysti vaikuttaa pienien maanjäristysten runsauteen tietyillä alueilla.  Emilia oli tehnyt maanjäristyksistä hyvän kartan, jossa maanjäristykset näkyivät eri värien lisäksi eri kokoisina palluroina riippuen voimakkuudesta.

Meteoriittien laskeutumispaikoista tein oman karttansa (kuva 3), koska se ei oikein vahvasti liity muihin ilmiöihin. Tiheimmin meteoriitteja näyttäisi olevan Yhdysvalloissa ja Euroopassa, mutta sitä varmasti selittää se, että tiheästi ja kauan asutuilta alueilta meteoriittien laskupaikat löydetään helpommin ja ne on tutkittu tarkemmin.

Halusin vielä tehdä kartan, jossa on mannerlaatat ja tulivuoret (kuva 4). Suurin osa tulivuorista sijoittuu mannerlaattojen reunoille, mutta kuumia pisteitä löytyy keskeltä laattoja. Kartalla näkyy myös suurimpia 2000-luvun maanjäristyksiä, mutta ne eivät erotu kovin hyvin. Ehkä toinen värivalinta olisi ollut parempi.

Opetusta ajatellen tulivuorten ja maanjäristysten suhteen on parasta esittää mannerlaattojen rajat kartalla, koska laattojen liike aiheuttaa suurimman osan niistä. Toisaalta on myös hyvä näyttää ensin kuvan 1 tapainen kartta, jotta oppilas voi ensin itse huomata yhtäläisyydet ja päästä itse lopputulokseen.

Taustakarttana käytin maailmankarttaa, jossa näkyy hieman korkeuseroja ja minkälainen ympäristö eri puolilla maailmaa on. Se tuo hieman lisää informaatiota karttaan. Kokeilin yksiväristä kuvassa 2 ja sekin toimii, mutta ei ole ehkä niin kivan näköinen. Toisaalta se korostaa ilmiötä ja tuo vähän enemmän kontrastia värien välille. Etsin netistä erilaisia karttoja, jotka kuvaa samoja ilmiöitä ja esimerkiksi tämä maanjäristyskartta on hieno esimerkki. Se on aika kaoottisen näköinen, mutta hetken sitä tutkittua alkaa hahmottumaan. On myös paljon nettisivuja, jotka seuraavat esimerkiksi tulivuorien tilannetta tällä hetkellä ja luokittelevat niitä aktiivisuuden mukaan. Löysin tällaisen sivuston koskien Islannin tulivuoria.

 

Lähteet:

• • Halmes, E. (2021) Harjoitus 6: Raikasta talvisäätä ja interpolointia, luettu 29.3.2021. (https://blogs.helsinki.fi/emhalmes/2021/03/04/harjoitus-6-raikasta-talvisaata-ja-interpolointia/)
  • https://en.vedur.is/earthquakes-and-volcanism/volcanic-eruptions/
  • https://www.flickr.com/photos/idvsolutions/7439877658/sizes/l/

Lentokentät, asemat ja taajamat

 Viidennellä kurssikerralla opitut asiat pistettiin testiin itsenäisten tehtävien avulla.

Uusi asia oli buffereiden eli puskurien teko ja sitä harjoiteltiin Malmin ja Helsinki-Vantaan lentokenttiin liittyvillä tehtävillä. Tehtävä alkoi uuden layerin luomisella ja sinne kohteiden, lentokentän kiitoratojen, lisäämisellä. Malmin lentokentän piirtäminen onnistui hyvin, mutta Helsinki-Vantaata piirtäessäni aiheutti vähän ihmetystä sen katoaminen kartalta. Ongelma onneksi selvisi, koska olin layeria luodessani unohtanut asettaa oikean koordinaattijärjestelmän, joten lentokenttä piirtyi ihan väärään paikkaan.

Bufferien teko onnistui hyvin ja kohteiden valitseminen niiden sisältäkin oli helppoa select by location-toiminnon avulla. Jos taas tarvitsee valita kohteet jonkun tietyn ominaisuuden perusteella, select by expression on kätevä. Käytin sitä esimerkiksi valitessani talot, jotka oli otettu käyttöön ennen vuotta 1936. Vastaukset tehtäviin löytyi statistics-paneelista, jossa näkyi kohteitten määrä ja halutun muuttujan summa. Siinä oli myös se hyvä ominaisuus, että pystyi joko tarkastelemaan arvoja koko aineistosta tai vain valituista kohteista.

Kuvassa 1 näkyy 1km puskurin sisään jäävät talot ja korostettuna ne, jotka ovat otettu käyttöön ennen Malmin lentokentän käyttöönottoa. Olin lukenut tehtävänannon väärin, koska olisi pitänyt selvittää lentokentän jälkeen käyttöönotettuja taloja, mutta tuloksista kuitenkin näkyy lentokentän ikä suhteessa ympäröiviin taloihin. Visualisointi ei ehkä ole paras mahdollinen, mutta halusin sen olevan selkeä. Taustakartan kanssa tulokset eivät olisi hahmottuneet kovin hyvin, koska se oli niin täynnä kaikkea, joten jätin sen pois.

Helsinki-Vantaan lentokentän tehtävissä bufferien käyttö jatkui, mutta käytettiin myös toista uutta ominaisuutta, clippiä. Sen avulla pystyttiin valitsemaan kohteita, joita määrittää kaksi eri layeria, esimerkiksi bufferi ja meluastealue. Miettiessäni miten piirtäisin Helsinki-Vantaan lisämelualueen, oikosulku iski, koska en tajunnut miten piirtämäni viivan pituus olisi pitänyt tietää. Veetin blogia lukemalla sain muistutuksen toisella kurssikerralla käytetystä mittaustyökalusta. Mittasin 7km pituisen viivan ja piirsin sitten samanlaisen lisämelualueeksi ja bufferoin sen. Melualueen piti olla 1 km levyinen, joten tein 500m bufferin suuntaansa.

Asemiin ja taajamiin liittyvissä tehtävissä mukaan tuli myös joined layerin teko. Se on loppujen lopuksi aika yksinkertainen työkalu, mutta jostain syystä se ei oikein muistu helposti mieleen ja unohdan sen olemassaolon. Sitä siis käytetään silloin kun halutaan yhdistää tietoa kahdesta layerista. Esimerkiksi ulkomaalaisten suhteellisia määriä eri alueilla laskiessa piti ensin saada tietää ulkomaalaisten määrä alueittain. Sitten suhteelliset osuudet koko alueen väestöstä sai laskettua field calculatorilla. Ennen yhdistelyä ja laskutoimitusten tekoa piti kuitenkin poistaa niitä sotkevat 999999-arvot yksitellen.

 

 

Saunat ja uima-altaat

Uima-altaita selvitellessä selvisin aika pitkälti select by expression työkalulla ja statistics paneelilla.

Isompi projekti oli tehdä kartta uima-altaiden määristä asuinalueittain. Yrittäessäni rajata uima-altaita alueilla QGIS ilmoitti errorista ja varoitti invalid geometrystä. Ohjeet ongelman ratkaisemiseksi löytyi onneksi Ilarin blogista ja niin päästiin tästäkin eteenpäin.

Tein joined layerin jotta sain tietää uima-altaiden määrät alueittain ja otin mukaan vaan alueet joissa on uima-altaat, koska vain niiden arvot tarvitsee ja kannattaa visualisoida kartalle. Kuvassa 2 on tekemäni kartta uima-altaiden määristä eri asuinalueilla pääkaupunkiseudulla. Pylväät eivät erotu kovin hyvin, mutta en halunnut tehdä niistä liian isoja, jolloin ne olisivat peittäneet alueiden rajoja. Pylväiden ja arvojen saanti kartalle on jotenkin erityisen hankalaa enkä oikein saa niitä mieluisikseni. Niiden paikan määrittäminen on vaikeaa ja ne ovatkin vähän missä sattuu. Alueiden vaihtelevat koot vaikeuttavat pylväiden kokojen säätämistä ja numeroarvon lisäämistä, koska molemmat eivät aina mahdu alueen sisään. Yritin saada mahdollisimman monen niistä näkyville kartalle.

 

Tässä vielä kaikki tehtävien tulokset:

taulukkokk5gim

QGIS-kokemuksia

Keskeisiä työkaluja QGISissä:

• • Valitsemistyökaulut varsinkin select by location ja select by expression. Niiden käyttö on tässä vaiheessa jo sujuvaa, vaikka esimerkiksi select by expressionilla voi varmasti tehdä lukuisia erilaisia asioita joista en vielä tiedäkään.
  • Field calculator jotta voi laskea uutta tietoa. Sen käyttö onnistuu myös, vaikka välillä omat aivot ja matikka vähän hidastaa kun ei osaa laittaa oikeita laskutoimituksia.
  • Joined layereiden teko ja clip-työkalu. Jos tarvitaan yhdistellä tietoa eri layereilta ja tehdä analyysia niiden välillä. En vielä ole kovin varma näiden käytöstä ja todella herkkä unohtamaan ne, mutta ovat suhteellisen yksinkertaisia. Kurssikerralla mainittiin myös intersection-työkalu, joka on clipin tapainen, mutta en ole varma missä tilanteissa sitä kannattaisi käyttää. En itse ainakaan käyttänyt sitä missään tämän kerran tehtävistä.
  • Puskurit ovat hyödyllisiä, mutta en osaa keksiä niille mitään syvempää käyttötarkoitusta kuin tarkastella mitä niiden sisälle tai ulkopuolelle jää. Käyttö on aika helppoa ja niidenkin hyödyntämiseen on varmasti lisää vaihtoehtoja.

Tämän kurssikerran tehtävissä osoittautui hyödylliseksi statistics-paneeli, jonka avulla pystyi katselemaan muuttujien määriä ja summia. Ei tarvinnut aina luoda uusia layereita, koska tietoa ei tarvinnut pysyvästi tallettaa. Teen kuitenkin usein uusia layereita valituista kohteista, jotten kadota tietoja ja se voi joskus aiheuttaa sen, että layereita on vähän liikaa. Yritin tässä harjoituksessa varsinkin pysyä ajan tasalla layereistani ja poistin niitä jotka olivat turhia sekä nimesin heti jos tein uuden.

Työkalut ovat tulleet tutuiksi, mutta analyysit ovat vielä aika yksinkertaisia. Kun ei tunne kunnolla ohjelmaa, on välillä vaikea alkaa kokeilemaan eri keinoja, mutta olen yrittänyt testailla ominaisuuksia opitun rajoissa. Tällä kurssikerralla sai myös hyvän muistutuksen, että hyvä lähtökohta on ensin aina tutkia attribuuttitietoja ja katsoa onko siellä jotain outoa ennen kuin lähtee tekemään analyysia. Myös koordinaattijärjestelmän varmistaminen on kannattavaa, koska se voi sekoittaa koko projektin, jos se on väärä.

Lähteet:

• • Leino, I. (2021) Viides kurssikerta, luettu 8.3.2021. https://blogs.helsinki.fi/ilarilei/2021/02/19/viides-kurssikerta/
  • Sihvola, V. (2021) Episode V: The QGIS Strikes Back, luettu 8.3.2021. https://blogs.helsinki.fi/veetisih/?p=112

Ensimmäisenä tehtävänä oli tehdä ruututeemakartta pääkaupunkiseudusta valitsemallaan aiheella. Olimme tunnilla tehneet 1 km x 1 km kokoisia ruutuja, joten halusin kokeilla hieman pienemmällä ruudukolla ja päätin, että 500 m x 500 m olisi sopiva ruudun koko. Ruudukkoon sai kerättyä tietoa pisteaineistosta ja ottamalla mukaan tiedot 0-, 1- ja 2-vuotiaista sain tehtyä kartan alle 3-vuotiaista. Laskin ne siis yhteen uuteen sarakkeeseen. Unohdin ensin ottaa mukaan tiedon kaikkien asukkaiden yhteismäärästä, joten tein teemakartan absoluuttisin arvoin (kuva 1).

Eniten alle 3-vuotiaita on Helsingin keskustassa. Se liittyy siihen, että on paljon asukkaita, joten on enemmän lapsiakin. Punaisia ruutuja on myös kauempana keskustasta ja Helsingin ulkopuolella. Lapsiperheitä usein asuukin runsaasti esimerkiksi rauhallisimmilla omakotitaloalueilla. Pääkaupunkiseudun reunoilla on paljon sinisiä ruutuja, jossa alle 3-vuotiaita on alle 10. Siellä on vähemmän asukkaita ja asutuskin usein on harvempaa, joten yhden ruudun alueelle ei osu niin montaa taloa. Meren rannalla olevat ruudut voivat myös osittain osua veden päälle, joka vähentää asukkaiden määrää.

Ruudut ovat kartalla todella hallitseva elementti ja alueiden muodot jäävät niiden alle. Ruudut syntyvät sattumanvaraisesti, jos vertaa esimerkiksi koropleettiteemakarttaan, joka tehdään usein esimerkiksi kuntien rajojen mukaan. Ruudukko ei siis rajaa minkään aluerajoitusten mukaan ja ehkä silloin voi paremmin nähdä alueiden sisällä olevia vaihteluita tarkemmin. Ruututeemakartan avulla saa hyvän yleiskuvan, mutta ruudut ainakin omassa kartassani ovat niin hallitsevat, että muuta tietoa ei kannattaisi edes lisätä karttaan.

Ehkä tieto siitä, paljonko eri alueilla asuu ylipäätään ihmisiä auttaisi tulkinnassa. Palasin muutaman askeleen taaksepäin ja tällä kertaa otin mukaan  asukkaiden kokonaismäärän. Tein sen avulla suhteellisen teemakartan (kuva 2). Kartta ei kuitenkaan ole kovin hyvä. Suurin osa ruuduista on pienen arvon saavia sinisiä ja vihreitä ruutuja. Isompien arvojen oranssit ja punaiset ruudut ovat ihmeellisissä paikoissa ympäri karttaa. Syy tähän löytyi taulukosta. Esimerkiksi isoimman arvon saavassa ruudussa puolet asukkaista on alle kolmivuotiaita. Ruudussa kuitenkin asuu vain neljä ihmistä, eli todennäköisesti yksi perhe, jolla on kaksi pientä lasta. Kaikki suurimpien arvojen ruudut olivat saman tyyppisiä. Se johtaa siihen, että muut alueet eivät erotu, koska niiden erot ovat pienempiä suhteessa toisiinsa, joten liian suuret arvot heittävät koko luokittelun erilaiseksi. Ruudut ovat ehkä liian pieniä, jonka takia outoja arvoja tulee niin helposti. Se onkin ruudukkojen satunnaisuudessa ongelmana, koska silloin ei tiedä mihin ruutu sattuu osumaan eikä sitä pysty oikein hallitsemaan. Isommilla ruuduilla tulisi varmaan parempi suhteellinen kartta, mutta se ei olisi niin tarkka.

Lotta oli tehnyt hyvän lisäyksen karttaansa ja laittanut suuralueet näkyviin. Se tuo lisää informaatiota ja voi auttaa pohdinnassa.

Toisena tehtävänä oli lisätä Pornaisten karttaan kaikenlaista. Tein tämän itsekseni, koska en kurssikerralla ollut ihan loppuun asti jaksanut pysyä mukana. Avatessani QGIS:in ylälaidan vector-valikko oli täysin tyhjä ja raster-valikostakin puuttui monia toimintoja. Ongelma oli onneksi mainittu tunnilla, joten en mennyt paniikkiin ja sainkin googletuksen jälkeen sen ratkaistua. Pluginseista piti lisätä sellainen kuin processing ja valikot näkyivät taas.

Kuvassa 3 on saamani lopputulos. Kokeilin hillshaden tekemistä vähän eri arvoilla. Liioittelin korkeuseroja ja vaihdoin valon tulosuuntaa. Valo tulee kartassa jostain kaakon suunnasta suunnilleen. Sen kyllä huomaa ja karttaa tarkastellessa se näyttää enemmänkin kuoppaiselta. Korkeusmallin avulla pystyi tekemään myös korkeuskäyrät. Kartalla näkyy myös lisäämäni talokohteet pisteinä ja tiet viivoina. 

Hain myös Paitulista korkeuskäyrät ja ne näkyvät kuvassa 4 mustalla. Verrattuna korkeusmallin avulla tehtyihin käyriin, jotka ovat ruskeita, Paitulista ladatut ovat siistimmät. Esimerkiksi keskellä kuvaa näkyy ruskealla siksakkia, jonka voisi yleistää. 

 

Lähteet:

• • Mattila, L. (2021) Rasterikartat, luettu 31.3.2021. https://blogs.helsinki.fi/lottmatt/2021/02/09/rasterikartat/

Käytimme koko kurssikerran tällä kertaa tutustuen tietokantoihin ja tiedon yhdistelemiseen. Monesti tarvittavat tiedot löytyvät useista paikoista ja tietoa voi joutua muokkaamaan. Harjoitusta varten lisäsimme QGIS:siin aineiston Afrikan maista. Tavoitteena oli ikään kuin tiivistää tietoja, jotta saataisiin yhden maan tiedot yhdelle riville. Tähän oli vaihtoehtona useampikin toiminto. Merge selected features-toiminto sopii parhaiten yksittäisiin muutoksiin. Dissolve-työkalulla saa taas kerralla tehtyä muutoksia koko aineistoon, mutta sillä ei voi esimerkiksi summata kaikkien yhdistettävien rivien arvoja. Monimutkaisempiin yhdistämisiin paras vaihtoehto on aggregate, jolla pystyy tekemään myös laskutoimituksia kun muokkaa koko aineistoa. Tietojen yhdistely on hyödyllistä selkeyden takia ja se voi olla tärkeää, jotta voimme taas muokata ja luoda uutta tietoa. Menetelmä kannattaa siis valita riippuen siitä, mitä on tekemässä ja kuinka laajasti haluaa tehdä muutoksia.

Laskimme pinta-alat uudeksi sarakkeeksi. QGIS:in avulla pystyy tekemään laskutoimituksia helposti ja lisätä tietoa mitä alkuperäisessä tietokannassa ei ole. Laskettuani pinta-alat aggregatella, päätin vielä tarkistaa, että ne tulivat oikein. Huomasin kuitenkin, että pinta-alat olivat edelleen vain yhdeltä riviltä, eikä kaikkien yhden maan alueiden yhteenlaskettu summa. Lopulta ymmärsin, että olin käyttänyt “pohjana” väärää kerrosta (dissolvella tehtyä), kun olisi pitänyt käyttää alkuperäistä, jolloin kaikki pinta-alat ovat mukana. Uutta tietoa tehtäessä syntyykin monesti uusia layereita, joten pitää olla tarkkana mitä niistä käyttää ja että kaikki tarvittava tieto on mukana. Kannattaa varmasti myös poistaa vanhoja layereita. Silloinkin pitää tietysti olla tarkkana, ettei poista mitään tärkeää.

Toinen uusi asia oli tietokantaliitokset. Ensin olimme siis työskennelleet vain yhden tietokannan sisällä. Uusi data voi kuitenkin sijaita jossain ihan muualla, kuten excel-tiedostossa. Afrikan maihin liittyen meillä oli väkiluvut ja internetin sekä sosiaalisen median käyttämisestä tietoa excel-taulukossa. Ensimmäiseksi muutimme sen cvs-tiedostoksi, koska se toimii paljon paremmin yhteen QGIS:sin kanssa. Tietokantaliitos onnistuin join-toiminnolla, joka vaikutti ensimmäisen käyttökerran perusteella aika yksinkertaiselta. Tärkeintä on se, että löytyy jokin sarake, jolla on kaksoiskappale valmiissa aineistossa ja tiedot saadaan liitettyä toisiinsa. Uusien tietojen avulla laskin uuden sarakkeen eri Afrikan maiden Facebookin käyttäjien prosenttiosuuksista.

Seuraavaksi lisäsimme tietoa konflikteista, timanttilouhoksista ja öljykentistä. Kaksi ensimmäistä olivat pistetiedostoja, mutta öljykentät olivat polygoneina. Kun tiedettiin esimerkiksi konfliktien sijainnit, saatiin laskettua taas uutta tietoa siitä paljon konflikteja on ollut maittain. Sama tehtiin timantti- ja öljykenttäaineistoilla. Aineistoon on tallennettu myös konfliktien vuodet, joten sen perusteella pystyttiin tarkastelemaan, kuinka pitkäkestoisia epävakaat ajat ovat olleet. Loimme siis paljon uusia sarakkeita yhdistelemällä eri aineistoista saatua tietoa. Kun tiedetään timanttikaivosten ja öljykenttien löytämis- ja käyttöönottoajankohdat, voitaisiin myös tutkia sitä, onko konflikteja tapahtunut samoina aikoina niiden lähellä tai ylipäätään samassa maassa. Internetin käytön lukumäärä eri vuosina taas kertoo paljon maan kehityksestä. Sitäkin voitaisiin tutkia konfliktien yhteydessä ja miettiä, ovatko konfliktit mahdollisesti vaikuttaneet siihen.

 

Tulvaindeksi ja järvisyys

Lisäksi saimme itsenäiseksi tehtäväksi teemakartan tekemisen Suomen vesistöjen valuma-alueiden tulvaindekseistä. Aineistoissa oli valmiina projekti, josta löytyi tarvittavat tiedot. Ne oli kuitenkin hieman eri paikoissa, joten käytin join-toimintoa ja sain kaiken samaan taulukkoon. Tulvaindeksin laskemiseen tarvitsin keskiylivirtaaman ja keskialivirtaaman, eli tulva-ajan virtaamien keskiarvot ja kuivien kausien virtaamien keskiarvot. Se kertoo paljon virtaaman vaihtelusta, koska käytämme joen virtaaman ääripäitä. Samalle kartalle tarvittiin myös järvisyysprosentti, joka oli excel-tiedostona. Muutin sen cvs-tiedostoksi ja toin QGIS:siin. Laskin sitten tulvaindeksin, joka saadaan jakamalla keskiylivirtaama keskialivirtaamalla calculatorissa ja sain siitä uuden sarakkeen.

Aiemmalla kurssikerralla olimme jo tutustuneet siihen, miten teemakartta saadaan tehtyä. Jonkun muuttujan, eli tässä tapauksessa tulvaindeksin, arvojen avulla kartan alueet jaetaan luokkiin. Tutkittuani ensin histogrammissa arvojen jakautumista päädyin kolmeen luokkaan, vaikka olisin varmaan voinut laittaa enemmänkin. Huomasin myös että yksi arvo oli erityisen poikkeava, 1100, kun muut olivat arvoltaan suurimmaksi osaksi alle kolmen sadan. Menin siis katsomaan taulukosta ja se oli Aurajoki. Sen kummatkaan luvut eivät kuitenkaan olleet mitenkään erityisen poikkeavat muista vesistöistä, keskialivirtaama vain oli todella alhainen ja keskiylivirtaama siihen verrattuna korkea. On vielä hieman vaikeaa tehdä karttoja, koska oma arviointi ei oikein kerro mitään siitä, onko tulokset edes lähellä oikeaa. Päädyin nyt kuitenkin siihen lopputulokseen, ettei arvo ole mitenkään epätavallinen tai väärä.

Aineistossa oli myös järvi- ja joki-layerit ja mietin tekevätkö ne kartasta liian sekavan, jos ne sisällyttää karttaan. Toisaalta ne liittyvät aiheeseen, ja niistä voisi päätellä jotain, joka auttaa kartan tulkinnassa. Päätin siis ottaa ne mukaan kartan ensimmäiseen versioon (kuva 1), mutta laitoin ne vaalealla värillä, jotta ne eivät hirveästi häiritsisi kartan lukemista. Halusin myös lisätä suurimpien tulvaindeksien vesistöjen nimiä kartalle, joten menin labels-osioon. Päätin että sopiva raja olisi 300, jotta nimiä ei tulisi liikaa. Kartalla siis näkyvät niiden vesistöjen nimet, joiden tulvaindeksi on 300 tai yli. Säädin hetken työkalun kanssa, jotta nimet näkyisivät tarpeeksi ja erottuisivat, mutta jottei ne peittäisi liikaa. Parhaan tuloksen sain, kun laitoin niille valkoisen taustavärin.

Seuraavaksi lisäsin karttaan järvisyysprosenttia kuvaavat pylväät. Ne sai layerin diagrams osiosta, mutta työkalu oli hieman hankala enkä ensin keksinyt miten se toimii. Sain apua Tapion kurssiblogista, koska hänellä oli ollut sama ongelma. Ratkaisu löytyi diagrams-työkalun size kohdasta, josta sai valittua muuttujan ja lisättyä sen maksimiarvon. Toisesta kartasta otin vesistöt ja nimet pois, jotta kartta olisi selkeämpi. Pylväät ovat aika pieniä, koska osa valuma-alueistakin on pieniä ja osa niistä näyttää vain vaakaviivoilta. Kuva 2 on saamani karttakuva järvisyyspylväiden kanssa. Olisin voinut vielä lisätä järvisyysprosentille paremman selityksen, joka kertoisi pylväiden korkeudesta jotain, mutta se nyt jäi.

Kartalta erottuu ensimmäisenä se, että kaikki tulvaherkimmät alueet, eli joissa on korkea tulvaindeksi, sijaitsevat rannikolla. Niissä on myös alhainen järvisyysprosentti. Suurilla valuma-alueilla sisämaassa taas on korkea järvisyysprosentti ja pieni tulvariski. Varsinkin nyt karttaa tulkitessa on selvää, että olisin voinut lisätä luokkia, koska pystyisi tulkitsemaan pienempiä eroja alueiden välillä. Monet kuuluu alimpaan luokkaan, mutta järvisyysprosenteissa on suuria eroja. Sen voi kuitenkin päätellä, että järvisyys todennäköisesti mataloittaa tulvariskiä.

 

Lähteet:

• Turpeinen, T. (2021) 3: Konflikteja ja tulvaindeksejä, luettu 9.2.2021. https://blogs.helsinki.fi/tapiotur/2021/02/04/3-konflikteja-ja-tulvaindekseja/

Toisella kurssikerralla keskityimme tutkimaan pinta-aloja ja pituuksia sekä sitä, miten käytetty karttaprojektio vaikuttaa niihin. QGIS:sin mittatyökalun avulla mittasimme sekä alueen että pituuden Suomen kartalta ja tarkastelimme sen muutoksia projektiota vaihtaessa. Kuvassa 1 on TM35FIN-projektio, jota suositellaan käyttämään Suomea koskevissa kartoissa ja joka vastaa aika hyvin todellisuutta. Kun sitä vertaa kuvan 2 Mercatorin projektioon, näkee kuinka paljon Mercator venyttää pinta-aloja mitä pohjoisemmaksi mennään. Mercator onkin oikeakulmainen projektio, eikä sitä kannata käyttää alueiden kuvaamiseen. Mercator myös kuvaa koko maapalloa, joka tarkoittaa sitä, että virheetkin on suuria.

Myös Robinsonin projektio (kuva 3) sekä sinusoidaalinen projektio (kuva 4) ovat  maailmankarttaprojektioita. Robinsonin projektio on kompromissi, joten kaikki ominaisuudet on yritetty saada mahdollisimman oikeiksi, mutta mikään ei ole täysin oikein. Kuvassa Suomi näyttää litistyneeltä, mutta pinta-alat ovat paljon lähempänä todellisuutta. Sinusoidaalinen projektio taas on oikeapintainen, joten pinta-alat ovat aika tarkkoja. Mutta kuten kuvasta 5 näkyy, se on ulkonäöltään aika erikoinen, joten se ei välttämättä ole moneen tarkoitukseen käyttökelpoinen.

Taulukkoon 1 olen kerännyt tiedot mitatuista alueista ja pituuksista (kuvissa 1-4  olevat oranssit kolmiot ja viivat) ja verrannut niitä todellisiin mittoihin. Eniten huomiota kiinnittää Mercatorin projektion aiheuttamat vääristymät. Erotus oikean pinta-alan ja Mercatorin antaman mitan välillä on jopa 40 000 neliökilometriä. Mittaamani viivan pituuskin on tuplaantunut. Robinsoninkin projektio vääristää paljon, muttei läheskään samoissa mitoissa.

Sinusoidaalinen tulee todella lähelle oikeita arvoja maailmankartaksi ja pinta-aloissa on eroa alle prosentti. TM35FIN on luonnollisesti lähellä todellista pituutta ja pinta-alaa.

Taulukko 1.

Projektio	Pinta-ala (km²)	Pituus (km)	Todellinen pinta-ala erotettu (km²)	Todellinen pituus erotettu (km)	Pinta-alojen prosentuaalinen ero	Pituuksien prosentuaalinen ero
TM35	6560,18	504,65	-167.91	-0.06	-2.495656271	-0.011888015
Mercator	50037,78	1091,38	43309.69	586.67	643.7144866	116.2390284
Robinson	9261,17	725,86	2533.08	221.15	37.64931801	43.81724158
Sinusoidal	6774,81	515,96	46.72	11.25	0.694402126	2.229002794
Todellinen pinta-ala/pituus	6728,09	504,71

Teimme QGIS:sin avulla myös teemakartat, joista näkyy pinta-alamuutokset koko Suomessa valitsemillaan projektioilla. Kuvassa 6 olen verrannut Robinsonin ja Mercatorin projektioita TM35FIN-projektioon. Kartoista näkee hyvin kahden maailmankarttaprojektion erot. Mercator moninkertaistaa pinta-aloja Suomessa pahimmillaan yli kahdeksankertaisiksi. Robinsonin aiheuttamat muutokset ovat taas paljon maltillisimpia, vaikkakin nekin suuria. Molemmissa projektioissa vääristymät kasvavat pohjoiseen päin.

Kurssikerta oli mielenkiintoinen ja oli todella hyvä havainnollistaa sitä, minkälainen vaikutus projektiolla on karttaan. Sitä on useasti jo korostettu, mutta jostain syystä sitä ei kovin paljon tule ajateltua karttoja katsellessa. Eikä siitä varmastikaan voi koskaan saada tarpeeksi montaa muistutusta miten huono projektio Mercator on pinta-alojen kuvaamiseen. Oli myös ihan kiva huomata, että ekan viikon jäljiltä oli jotain jäänyt mieleen QGIS:sin käyttämisestä. Pieniä ongelmia tietysti tuli eteen mutta niistä päästiin ohi ja onnekseni olen huomannut että muillakin on ollut samoja ongelmia, kuten mittojen häviäminen projektiota vaihtaessa. Päänvaivaa aiheutti Excelissä laskettavat prosenttierot projektioiden välillä, koska en meinannut millään hahmottaa minkä luvun jaan ja millä. Olisin myös voinut siistiä taulukkoa hieman ja pyöristää lukuja.

Ehdin myös lukea hieman enemmän muiden blogitekstejä ja tykkäsin esimerkiksi Oonan ja Antin blogiteksteistä koskien tätä kurssikertaa.

 

Lähteet:

• https://map-projections.net/single-view/sinusoidal (luettu 7.2.2021)
• Jalkanen, O. (2021) Kurssiviikko 2. https://blogs.helsinki.fi/jaoona/2021/02/01/kurssiviikko-2/ (luettu 7.2.2021)
• Ryynänen, A. (2021) GIS menetelmät, kurssikerta 2. https://blogs.helsinki.fi/ryantti/2021/02/05/gis-menetelmat-kurssikerta-2/ (luettu 7.2.2021)

Aloitimme heti ensimmäisellä kurssikerralla QGIS-ohjelmiston käytön ja pääsimme tutustumaan sen perusominaisuuksiin sekä kokeilemaan itse kartantekoa.  Käytännön GIS-kokemukseni on aika rajallista ja koostuu lähinnä Tiedon esittäminen maantieteessä-kurssista viime vuoden lopulta. Tykkäsin kuitenkin sillä kurssilla tehtävistä töistä, joten toivon, että tämäkin kurssi osoittautuu yhtä mielenkiintoiseksi. Myös blogin pitäminen vaikuttaa kiinnostavalta ja hauskalta tavalta suorittaa kurssia. En ole kovin luonteva tietokoneenkäyttäjä, joten QGIS-ohjelmiston salojen opetteleminen tulee olemaan suuri haaste, mutta tässähän sitä yritetään kehittyä paremmaksi.

QGIS vaikuttaa ensimmäisen kokeilukerran jälkeen suhteellisen järkevältä ja tarkan ohjeistuksen avulla sain tehtyä kurssikerran aikana kartan Itämeren maiden typpipäästöistä (kuva 1). Lopeteltuamme siltä päivältä tuntui, että olin pysynyt ihan hyvin mukana. Ongelmia kuitenkin ilmeni, kun yritin tallentaa karttaa ja kadotin viimeistellyn kartan jossakin vaiheessa. Jouduin sitten tekemään sen osittain uudestaan ja lopulta menin lukemaan ohjeet ja onnistuin tallentamaan kartan. Tästä siis opimme, että ohjeet kannattaa lukea ennen kuin alkaa säätämään omiaan. Toisaalta sekin on opettavaista, kun tekee virheitä ja oppii löytämään ratkaisuja myös itse.

Viikko ensimmäisen kurssikerran jälkeen muistikuvat kaikista työvaiheista kuitenkin alkoivat jo hieman hämärtyä, joten en kovin itsevarmana lähtenyt tekemään ensimmäistä itsenäistä tehtävää. Tarkoituksena oli siis tehdä teemakartta Suomen kunnista ja valita sitä varten jokin aineiston aihe, tai etsiä sellainen itse. Päätin käyttää valmista aineistoa, koska siinäkin riittää tarpeeksi haastetta minulle näin alkuun. Sain aineiston ladattua onnistuneesti, mutta etsiskelin hetken, ennen kuin löysin kohdan, missä itse dataa pystyi tarkistelemaan. Dataa oli paljon ja eri muuttujien nimet olivat hieman sekavia, koska ne ovat lyhenteitä. En tiedä, olisiko niiden selityksiä päässyt jostakin katsomaan. Kesti hieman päättää jokin sopiva muuttuja, josta voisi tehdä kartan, mutta lopulta päädyin muunkielisten jakautumiseen eri kuntiin.

Kurssikerralla muistutettiin käyttämään suhteellisia osuuksia, joten aloitin laskemaan niitä, kuten olimme tehneet typpikartan tapauksessa. Tässä vaiheessa ilmeni ongelmia, koska laskukoneen käyttäminen tuntui hankalalta. Palasin lukemaan taas ohjeita ja hetken testailun jälkeen sain tehtyä uuden sarakkeen taulukkoon, johon sain prosenttiosuudet. Minulle on myös tällaisissa harjoituksissa hieman vaikeaa ymmärtää mitä oikein olen laskemassa ja mitä laskemani prosenttiosuudet loppujen lopuksi ilmaisevat. Karttani (kuva 2) siis kertoo muunkielisistä ja miten he asettuvat eri kuntiin, esimerkiksi jos Helsingin arvo olisi 20%, niin 20% Suomen muunkielisistä asuisi Helsingissä. Sandra oli myös tehnyt kartan samasta aiheesta ja hän oli aluksi saanut kartan samalla idealla, mutta oli muuttanut laskutoimitusta siten, että kartta esittää sitä, kuinka suuri prosentti yksittäisten kuntien asukkaista on muunkielisiä. Tämä on parempi tapa ilmaista ilmiötä ja oma karttani on ehkä hieman vaikea ymmärtää. Pohdin varsinkin legendaan laitettavan selityksen muotoilua pitkää, jotta siitä ymmärtäisi helposti mitä kartta kuvaa. En kuitenkaan ole vakuuttunut, että se vieläkään onnistui. Sandran blogista sain myös selville että muunkielisillä tarkoitetaan siis muita kuin suomea, ruotsia ja saamea puhuvia.

Testailin hieman eri luokkajakoja ja kuinka monta luokkaa olisi hyvä ja päädyin luonnolliseen luokkajakoon ja neljään luokkaan. Yritin myös kokeilla, josko olisin saanut lisättyä muutamien kuntien nimiä karttaan, lähinnä suurimpia arvoja saavia kuntia, mutta hetken haparoinnin jälkeen päätin ettei se ehkä vielä ole oman osaamisen rajoissa ja tyydyin karttaan ilman. Legendan, mittakaavan ja pohjoisnuolen lisääminen ja muokkaaminen luonnistui hyvin ja tällä kertaa onnistuin myös tallentamaan kartan kuvana helposti.

Kartalla Helsinki korostuu eniten omassa luokassaan, ja sitä seuraa Espoo, Vantaa ja Turku. On luonnollista, että muunkielisistä suurin osa asuu väkirikkaissa kunnissa ja suuremmissa kaupungeissa, koska siellä asuu muutenkin suurempi määrä koko kansasta. Seuraavaan luokkaan kuuluu muutamia kuntia, joissa on isohkoja kaupunkeja, kuten Kuopio tai Oulu. Suurin osa Suomesta kuuluu pienimpään luokkaan, eli muunkielisiä asuu siellä vain todella pieni osa.

Lähteet:

• Nyström, S. (2021) Ensimmäinen kurssikerta, luettu 30.1.2021. https://blogs.helsinki.fi/nystroms/

Tämä on blogisivustoni Geoinformatiikan menetelmät-kurssille. Kurssilla tutustutaan QGIS-ohjelmistoon ja tehdään kaikenlaista jännittävää paikkatietoon liittyen. Dokumentoin blogiini edistymistäni kurssin tehtävissä ja niissä vastaan tulevia ongelmia ja onnistumisia.