Susannan GIS-blogi

Blogini on nyt valmis arvioitavaksi. Kiitos mielenkiintoisesta kurssista sekä opettajalle että kurssikavereille, joilta sain korvaamatonta apua.

Kurssi on kulunut nopeasti ja nyt oli jo viimeisen kurssikerran vuoro. Tällä kertaa tavoitteena oli etsiä itse kiinnostavaa GIS-aineistoa, josta tuli laatia karttoja. Kenties vaikeinta oli juuri sopivan aineiston löytäminen – sitä oli niin paljon saatavilla, että juuri oikeiden tiedostojen löytäminen vei aikaa. Päätin etsiä tilastotietoa jostakin valtiosta, jonka sisäisiä eroja voisi tarkastella tilastojen ja karttojen kautta.

Löysin sivustolta (http://www.naturalearthdata.com/downloads/10m-cultural-vectors/) paljon erilaista aineistoa, jossa oli mukana muun muassa osavaltioiden ja provinssien rajat. Valitsin tarkasteltavaksi valtioksi Intian, koska se on valtiona hyvin mielenkiintoinen etenkin alueellisten erojen näkökulmasta. Intiassa muun muassa muinaisen kastijärjestelmän ja nopean kaupungistumisen takia alueiden erot ovat suuret. Lisäksi luonnonolot ja -riskit vaikuttavat voimakkaasti alueiden kehitykseen. Lähdin siis ensisijaisesti tarkastelemaan mahdollisia tekijöitä, jotka vaikuttavat alueiden kehitykseen ja kaupungistumiseen.

Tarkastelin aluksi valtion sisäisiä liikenneyhteyksiä: Intiassa on useita lentokenttiä, rautateitä ja satamia. Näiden sijainnit vaikuttavat luultavasti myös muihin eroavaisuuksiin valtion sisällä. Samalta Natural Earth Data -sivustolta löytyi aineistoa koko maailman lentokentistä, satamista, rautateistä ja maanteistä. Latasin kaikki aineistot ja Intersection-toiminnon avulla rajasin Intian ulkopuoliset kohteet pois. Tämä karsiminen (kuva 1) vei jonkin aikaa, mutta olin lopputulokseen tyytyväinen. Tallensin nämä uudet ainoastaan Intiaa koskevat kohteet uusiksi tasoiksi. Ensimmäisestä valmiista kartasta (kuva 2) näkyy siis Intian tärkeimpien liikenneyhteyksien sijoittuminen.

Kuten kartasta näkyy, Intiassa on varsin kattava liikenneverkosto. Rautatiet ja maantiet kattavat lähes koko maan, ja lentokenttiä on jokaisessa osavaltiossa. Kartasta on kuitenkin havaittavissa, että liikenne on keskittynyt varsinkin rannikoille, eteläkärkeen ja pohjoiseen Himalajan vuoriston eteläpuolisille alueille. Heikoimmat yhteydet ovat selkeästi koillisessa kärjessä ja valtion keskiosissa. Myös muun muassa Kati Ilmonen oli tarkastellut blogissaan (https://blogs.helsinki.fi/ikati/?paged=2, luettu 25.3.2018) liikenneyhteyksiä, mutta laajemmalla alueella. Aasian tiereittejä käsittelevästä kartasta oli mielenkiintoista huomata Intian tieverkon olevan hyvin kattava myös muihin Aasian valtioihin verrattuna.

Muistelin, että Intian suurimmat kaupungit ovat sijoittuneet nimenomaan satamien yhteyteen ja pohjoisille alueille. Löysin samalta sivustolta aineistoa kaupungeista ja päätin tutkia kaupunkialueiden sijoittumista – Intiahan on maailman toiseksi väkirikkain valtio. Kiinnostavaa oli myös tutkia, sijoittuuko asutus liikenteen solmukohtiin. Kokeilin tehdä ns. heatmapin (kuva 3), josta kävikin aika selvästi ilmi kaupunkien sijoittuminen. Suurin keskittymä on pohjoisessa (pääkaupunki New Delhi yms.), mutta myös rannikoilla etenkin etelässä ja teiden solmukohdissa on runsaasti asutusta. Valtion keskiosat ja koilliskärki sekä Himalajan vuoriston alue ovat selkeitä ns. periferioita niin liikenteen kuin asukastiheydenkin kohdalla. Arvelisin, että rannikoilla ainakin suuret satamat, teollisuus ja työpaikat houkuttelevat asukkaita. Lisäksi jokaisen lentokentän ympärille näyttää kasvaneen myös väestökeskittymä.

Liikenteen ohella oli kiinnostavaa myös pohtia, miten luonnonolot vaikuttavat asutuksen sijoittumiseen. Intiassa on useita ilmasto- ja kasvillisuusvyöhykkeitä: aina etelän trooppisesta sademetsästä kuivaan Tharin aavikkoon ja Himalajan vuoristoon. Löysin samalta sivustolta myös paikkatietoa luonnonoloihin liittyen ja latailin aineistoja verrattavaksi liikenneverkon ja asutuskartan kanssa. Tarkastellessani jäätiköiden sijoittumista heatmapin rinnalla havaitsin jäätikköalueiden rajaavan asutuksen sijoittumista pohjoisessa (kuva 4). Mielenkiintoista oli kuitenkin se, että aivan jäätikkövyöhykkeen eteläpuolella sijaitsee Intian suurin väestökeskittymä. Kenties alueen ilmasto on sopivan viileä, mutta jäätikön maaperä ja kylmyys eivät silti rajoita elämää alueella. Etelässä riskeinä ovat enemmänkin trooppiset syklonit, tulvat ja sään ääri-ilmiöt. Toisaalta, pohjoisessa tapahtuu paljon maanjäristyksiä alueen sijainnin takia (Intian ja Euraasian laatan törmäysvyöhyke).

Intiassa on useita pitkiä jokia, joiden valuma-alueet ja suistot vaikuttavat voimakkaasti valtion asutuksen keskittymiseen. Varsinkin hedelmällisissä jokilaaksoissa harjoitetaan maataloutta, jonka merkitys on suuri koko maan taloudelle. Löysin aineistoa jokiin ja järviin liittyen, joten päätin verrata myös niitä aiempiin karttoihin. Ennen kaikkea halusin tutkia, onko asutusta keskittynyt jokilaaksojen varteen ja valuma-alueille. Tässä vaiheessa kohtasin ongelmia Intersection-toiminnon kanssa, kun alueet eivät rajautuneet. Sen sijaan Clip-toiminnolla onnistuin rajauksessa. Laadin siis kartan, josta näkyvät suurimpien jokien sijainnit, asutuskeskittymät ja liikenteen solmukohdat (kuva 5).

Kartasta käy ilmi, että käytännössä kaikki suurimmat väestökeskittymät sijaitsevat jokien alajuoksulla, samoin suuret satamat. Myös tiheimmän New Delhin alueen läpi kulkee Yamuna-joki, jonka lähtöpiste on Himalajalla (lähde: http://www.waterdatabase.com/rivers/yamuna-river/, luettu 25.3.2018). Maan keskiosissa on niin ikään jokia, mutta asutus on silti yllättävän harvaa. Googlasin hieman tietoa aiheeseen liittyen ja sain selville, että etenkin maatalous on keskittynyt Intian keskiosiin jokien reunoille. Kyseessä on kuitenkin pääosin omavaraistalous, jota harjoittavat köyhät perheet ja kyläyhteisöt. Maatalous on Intian yleisin elinkeino, mutta sen tuottavuus melko alhaista (lähde: http://www.nationsencyclopedia.com/economies/Asia-and-the-Pacific/India-AGRICULTURE.html, luettu 25.3.2018). Paremman tulotason työpaikat houkuttelevat ihmisiä muuttamaan  suuriin kaupunkeihin, kuten aiemmin mainittuun New Delhiin.

Oli mielenkiintoista tutkia erilaisia alueellisia muuttujia Intiaan liittyen, vaikka aluksi aineistojen valtava määrä ja karsiminen tuottikin ongelmia. Olin positiivisesti yllättynyt saatuani kaikki kartat valmiiksi täysin omatoimisesti; ottaen huomioon, että kurssin alussa en ollut koskaan aiemmin käyttänyt paikkatieto-ohjelmia. En ollut täysin tyytyväinen kaikkiin karttoihini (selkeys yms.) mutta teknisiä ongelmia kohtasin aiempaa vähemmän. Voisin sanoa, että olen oppinut tällä kurssilla ainakin QGIS:n alkeet jo ihan kohtalaisesti.

 

Lähteet:

Ilmonen Kati, kurssikerta 7: https://blogs.helsinki.fi/ikati/?paged=2, luettu 25.3.2018

Nations Encyclopedia: http://www.nationsencyclopedia.com/economies/Asia-and-the-Pacific/India-AGRICULTURE.html, luettu 25.3.2018

Natural Earth Data (karttojen aineistot): http://www.naturalearthdata.com/, viitattu 25.3.2018

World Water Database: http://www.waterdatabase.com/rivers/yamuna-river/, luettu 25.3.2018

 

Tällä viikolla tutustuttiin pistemuotoisten aineistojen käsittelyyn ja tuomiseen QGIS:iin erilaisista lähteistä. Aloitimme kurssikerran kiertämällä ryhmissä Kumpulan lähimaastossa; tehtävänä oli tallentaa EpiCollect5-sovellukseen tietoa noin kymmenestä eri paikasta. Jokaisessa paikassa vastasimme kysymyksiin koskien muun muassa kohteen viihtyisyyttä, turvallisuutta ja ihmisten määrää. On huomioitava, että vastauksiimme saattoi vaikuttaa tuloksia vääristävästi se, että kyseisenä aamuna ulkona oli -18 astetta pakkasta, joten ihmisiä ei juurikaan näkynyt. Mukavalla kesäsäällä ainakin puistoissa ja muissa julkisissa tiloissa olisi ollut viihtyisämpää ja enemmän kävijöitä.

Palattuamme noin tunnin kiertelyn jälkeen kampukselle, kokosimme kaikkien ryhmien keräämät tiedot yhteen tiedostoon, joka piti seuraavaksi ladata omalle tietokoneelle. Tämän aineiston avulla lähdimme harjoittelemaan pistemuotoisen aineiston käsittelemistä, joka oli keskeisin kurssikerran teemoista. Tietojen tuominen Excelin kautta QGIS:iin onnistui melko kätevästi Add Delimited Text Layer -toiminnolla ja kohteisiin tallentamamme tiedot tulivat näkyviin attribuuttitauluun.

 

Pisteiden visualisointi onnistui melko samaan tapaan kuin aikaisempien aluemuotoisten tasojenkin kohdalla; tällä kertaa mielestäni Categorized-visualisointi toimi hyvin. Kokeilin aluksi tarkastella alueiden turvallisuutta Kumpulan lähistöllä ja luokittelin pisteet kolmeen eri väriin: punaisella näkyvät turvattomimmiksi koetut paikat ja vihreällä turvallisimmat. Ottamastani näyttökuvasta (kuva 1) käy selvästi ilmi, että etenkin julkiset sisätilat (kampusrakennukset, Arabian kauppakeskus jne) koetaan turvallisiksi. Näissä paikoissa ainakin on jatkuva valvonta ja vartijoita tuomassa turvallisuuden tunnetta. Turvattomimmiksi koettiin muun muassa varasto- ja lastauslaiturialueet sekä hämärät ja valvomattomat paikat, kuten sillan alikulkutunneli. Tästä voisi päätellä ainakin valvonnan, valaistuksen ja muiden ihmisten läsnäolon lisäävän koettua turvallisuutta.

Pistemuotoisten aineistojen tarkastelua jatkettiin siirtymällä Googlen Street Viewin pariin. Tällä kertaa tehtävänä oli valita noin kahden korttelin kokoinen alue keskusta-alueelta ja tarkastella alueen kaupallisuutta Street Viewin kautta. Valituista noin 15 pisteestä luotiin uusi taso piirtämällä ja antamalla pisteen kaupallisuudelle arvo väliltä 1-5. Seuraavana haasteena oli interpoloida saatu pisteaineisto Interpolation-pluginin avulla. Tämä onnistui melko kivuttomasti ja korttelin alueelle ilmestyi erisävyisiä alueita kaupallisuuden mukaan. Omalla alueellani Helsingin keskustan läntisellä laidalla kaupallisuus näytti keskittyneen etenkin teiden risteyskohtiin ja itäiseen laitaan, jossa koko alue on tumma interpoloinnin seurauksena (kuva 2).

 

Itsenäistehtävissä päästiin tarkastelemaan hasardeja ja harjoittelemaan vielä lisää tietokantojen tuomista ohjelmaan. Aloitin tehtävän avaamalla taustakartan ja lataamalla netistä Maanjäristys-tietokannan (http://quake.geo.berkeley.edu/anss/catalog-search). Aikaisemman tehtävän ohjeilla tietojen muokkaus Excelissä (sarakkeiden siistiminen, pisteet pilkuiksi jne) ja tuominen csv-muodossa QGIS:iin onnistui hyvin. Kartalle tulivat nyt siis näkyviin pistemuotoisina kohteina kaikki yli 5,8 Magnitudin maanjäristykset 2000-luvulla. Kartasta huomaa heti, että maanjäristykset mukailevat litosfäärilaattojen reunoja (kuva 3). Etenkin alityöntövyöhykkeillä voimakkaat järistykset ovat yleisiä. Havainnollistin maanjäristyksien voimakkuutta luokittelemalla pisteet magnitudien mukaan. Kuten kartasta (kuva 4) näkyy, eniten voimakkaita järistyksiä on tapahtunut Tyynenmeren tulirenkaan alueella (Japani, Indonesia, Filippiinit jne) ja läntisessä Etelä-Amerikassa litosfäärilaattojen alityöntövyöhykkeellä.

Maanjäristyksien rinnalla olisi mielenkiintoista tarkastella myös tulivuorien sijoittumista: molempia esiintyy samoilla vulkaanisilla alueilla litosfäärilaattojen alityöntö-, ylityöntö- ja sivuamiskohdissa. Hain siis netistä tulivuoritietokannan (https://catalog.data.gov/dataset/global-volcano-locations-database) ja muokkasin sitä QGIS:iin sopivaan muotoon. Tuotuani tulivuoriaineiston ohjelmaan huomasin muutamia kummallisuuksia niiden sijainneissa: muun muassa Ruotsissa näytti olevan aktiivinen tulivuori. Kenties aineistossa oli joitakin koordinaattivirheitä? Muuten aineisto näytti onneksi ihan järkeenkäyvältä ja suurin osa tulivuorista sijoittui samoille alueille kuin maanjäristyksetkin eli laattojen saumakohtiin. Laadin kartan kaikista tulivuorista (kuva 5), jossa ovat näkyvissä sekä sammuneet että aktiiviset tulivuoret.

Laadin vielä lopuksi kartan (kuva 6), josta näkyvät niin maanjäristykset kuin tulivuoretkin. Ymmärrettävästi, niitä esiintyy samoilla vulkaanisilla alueilla etenkin Tyynenmeren tulirenkaan, Etelä-Amerikan ja Nazca-laatan saumakohdassa sekä Pohjois-Amerikan ja Tyynenmeren laatan sivuamiskohdassa. On kuitenkin huomioitava, että tulivuorien tyyppi vaihtelee alueittain: alityöntövyöhykkeillä muun muassa Tyynellämerellä ja Etelä-Amerikassa esiintyy kerrostulivuoria, kun taas esimerkiksi Islannissa ja muissa erkanemiskohdissa kilpitulivuoria. Opetuskäytössä näitä kuvia voisi käyttää havainnollistamaan nimenomaan litosfäärilaattojen sijainnin vaikutusta maanjäristyksiin ja tulivuorien sijoittumiseen.

Viimeisenä hasardeja käsittelevänä aineistona oli meteoriittitietokanta (https://fusiontables.google.com/DataSource?docid=1vHSvjNgCIl6kRhFXPHhvESnnYx_ShToJWtWdjm8#rows:id=1), jonka tuominen QGIS:iin sujui jo rutiinilla. Yritin keksiä opetuksellista käyttöä meteoriittikartalle, mutta edellisten kuvien kaltaista käyttöä oli vaikeaa keksiä – en saanut aineistoa luokiteltua tai suodatettua järkevästi. Huomasin, että ainakin Marita Selin oli blogissaan (https://blogs.helsinki.fi/selkala/, luettu 25.3.2018) saanut rajattua aineistosta suurimmat meteorit ja esittänyt ne kartalla. Meteoriitit putoavat maahan sattumanvaraisesti, mutta tutustuin hieman aiheeseen: sain selville, että meteoriittien löytämisen helppous vaihtelee jonkin verran alueittain. Muun muassa vaikeissa ilmasto-oloissa (suot, kosteus, eroosio) meteoriitit hajoavat helposti (lähde: http://www.somerikko.net/meteoriitit/loytopaikat.html, luettu 4.3.2018). Tämän takia esimerkiksi Suomessa ei ole kovin paljon löytöjä.

 

Lähteet:

Selin Marita, kurssikerta 6: https://blogs.helsinki.fi/selkala/2018/02/19/the-world-is-a-hazardous-place-eli-kuudes-kurssikerta/, luettu 25.3.2018

http://www.somerikko.net/meteoriitit/loytopaikat.html, luettu 14.3.2018

World Atlas: https://www.worldatlas.com/articles/major-tectonic-plates-on-earth.html, viitattu 20.3.2018

Tällä kurssikerralla harjoiteltiin eniten bufferointia ja kerrattiin aiemmilla harjoituskerroilla opittuja taitoja. Myös joitakin uusia työkaluja otettiin käyttöön aineistoja tutkittaessa. Alun yhteisen harjoituksen jälkeen lopuissa tehtävissä joutui käyttämään aiempaa enemmän luovuutta ja kurssikerta oli selkeästi työläin tähän mennessä. Samalla tuli myös testattua omaa tämänhetkistä osaamista QGIS:n kanssa.

Yhteisessä tehtävässä hyödynnettiin viime kerralla laadittuja aineistoja Pornaisten kunnan alueelta. Alussa aineistoa käsiteltiin Clip -työkalulla, jolla saatiin rajattua tietyn alueen ulkopuolelle jääviä kohteita (tässä tapauksessa peltoja) pois. Selvitimme muun muassa alueen suurimpien teiden, koulun ja terveysaseman saavutettavuutta puskurivyöhykkeiden avulla. Nämä taidot ovat varmaankin hyödyllisiä myös kaupallisilla ja liikenteen aloilla, kun halutaan selvittää palveluiden ja liikenteen solmukohtien optimaalisia sijainteja. Yksinkertaisin tapa on kenties laskea tietyn vyöhykkeen eli bufferin sisään jäävien asukkaiden määrä, kuten tässä harjoituksessa tehtiin.

Ensimmäisessä itsenäistyössä päästiin tarkastelemaan Malmin ja Helsinki-Vantaan lentokenttien meluvyöhykkeitä bufferien avulla. Aiemmin opituilla piirtämistyökaluilla laadin aluksi uudet tasot lentokenttien kiitoradoista – näiden tasojen ympärille oli tarkoitus laskea vyöhykkeet (kuva 1). Tein Excel-taulukon (taulukko 1), johon kirjasin eri melualueiden sisällä sijaitsevien rakennusten ja asukkaiden määrät. Vyöhykkeiden laadinta onnistui melko helposti yhteisen harjoituksen ohjeita soveltamalla: laadin erikokoisia puskurivyöhykkeitä kiitoratojen ympärille ja selvitin Statistics -työkalulla niiden sisään jäävien asukkaiden määrät.

Hieman yllättävää oli, että pahimmilla melualueillakin asuu jonkin verran ihmisiä: esimerkiksi Malmia ympäröivällä 2km melualueella asuu 57 416 asukasta ja Helsinki-Vantaan vastaavalla vyöhykkeellä 11 320. Jopa kaikista pahimmalla yli 65dB melualueella Helsinki-Vantaalla asuu laskujeni mukaan 324 asukasta, mikä on 2,86% kahden kilometrin melualueen asukkaista. Muun muassa Minna Soittila huomauttaa blogissaan (https://blogs.helsinki.fi/soittila/) yhden mahdollisen syyn olevan se, että ainakin Malmin kentän tullessa käyttöön vuonna 1932 nykyisen kaltaisia meluntorjuntalakeja ei ollut vielä voimassa.

Lentokenttätehtävässä haluttiin myös tutkia, miten mahdollinen kiitoradan jatko ja vähintään 60dB lentomelu vaikuttaisivat Tikkurilan alueella. Piirsin siis kiitoradalle 6,5km jatkeen luoteis-kaakkoissuuntaan ja laadin sille bufferin: laskujeni mukaan ainakin 12 904 asukasta jäisi tämän 60dB meluvyöhykkeen sisään eli haitat olisivat merkittävät.

Vastaavalla tekniikalla laskin myös Helsingin ja Vantaan juna – ja metroasemien puskurivyöhykkeitä (kuva 2): kuinka paljon asukkaita asuu alle 500m päässä lähimmästä asemasta. Liitin tulokset samaan taulukkoon lentomelutehtävän vastauksien kanssa (taulukko 1). Sain Spatial Queryn ja Statistics -paneelin tarkastelulla tulokseksi, että lähes 107 000 vantaalaista asuu alle 500m etäisyydellä lähimmästä asemasta (koko Vantaalla on noin 490 000 asukasta). Asemien sijainnit ovat siis tarkkaan harkittuja, mikä kävi ilmi myös bufferien sijainneista tiheästi asutuilla alueilla. Mielenkiintoista oli myös selvittää, kuinka paljon näistä asukkaista on työikäisiä (15-64v) eli miten asemat palvelevat työssäkäyviä. Laskin siis Field Calculatorilla työikäisten määrät yhteen ja vertasin niitä koko väestöön: tuloksena oli, että noin 73 000 työikäistä eli jopa 68,5% bufferialueen väestöstä asuu asemien läheisyydessä.

Jatkoin harjoituksien tekemistä kotona, missä vaikeuksia tuotti hieman läppäriin siirtyminen ja aiemmin tallennettujen tietokantojen avaaminen. Pääsin kuitenkin alkuvaikeuksien jälkeen jatkamaan harjoittelua. Itsenäistehtävässä 2 piti selvittää, kuinka monta prosenttia pääkaupunkiseudun alueen asukkaista asuu taajamissa. Tätä varten avasin uudet taajamat- ja pks_vaki -tietokannat. Jaoin taajamien sisällä asuvien määrän koko pääkaupunkiseudun asukasluvulla. Havaitsin, että peräti noin 97% pääkaupunkiseudun asukkaista asuu taajamissa. Taajamaksi määritellään tilastokeskuksen (http://www.stat.fi/meta/kas/taajama.html) mukaan yleensä vähintään 200 asukkaan rakennusryhmät, joissa rakennusten välinen etäisyys ei yleensä ole yli 200m. Pääkaupunkiseutu on varsin tiheään rakennettua, joten saamani luku on ihan järkeenkäyvä.

Tehtävässä piti selvittää myös kouluikäisten määrä taajamien ulkopuolella. Kouluikäisiä (laskin uuteen sarakkeeseen kaikki 7-15-vuotiaat) on koko pääkaupunkiseudun alueella 92 844, joista 89 475 (jälleen Spatial Query käytössä) asuu taajamissa. Taajamien ulkopuolella asuu siis vain 3369 kouluikäistä. Ulkomaalaisten prosenttiosuuksia en saanut laskettua QGIS:n ongelmien takia, joten siirryin suoraan seuraaviin tehtäviin.

Valitsin tehtävän, jossa tarkasteltiin uima-altaita ja saunoja pääkaupunkiseudulla. Tätä varten avasin kaksi uutta tietokantaa ja tutkin jälleen Statistics-paneelin avulla tilastoja. Siitä kävi ilmi, että 855:ssa rakennuksessa on uima-allas. Tässä kohtaa muun muassa Select Features by Expression ja Join Attributes By Location -työkalut tulivat käyttöön. Asukkaita kaikissa uima-allastaloissa oli yhteensä 12 170. Laadin erillisen taulukon näistä tiedoista (taulukko 2), josta käyvät ilmi myös uima-altaiden määrät eri talotyypeissä (omakoti-, pari-, rivi- ja kerrostalo). Laadin lopuksi vielä kartan uima-altaiden sijoittumisesta pääkaupunkiseudulla. Yritin tehdä informatiivista karttaa ympyrädiagrammeja käyttämällä (kuva 3), mutta kartasta oli vaikeaa hahmottaa mitään.

Päätin siis kuvata uima-altaita sen sijaan koropleettikartalla ja lisäämällä alueiden päälle lukuarvot. Koska Join Attributes By Location ei jostain syystä toiminut tällä kertaa, käytin Count Points in Polygon -työkalua (valitut uima-altaat alueiden sisällä) ja visualisoin saamani tiedot kartalle. Kuten kartasta (kuva 4) huomaa, eniten altaita on rannikolla ja pohjoisessa ja yksittäisistä alueista eniten Lauttasaaressa (53 kpl). Tällä kertaa olin lopputulokseen tyytyväinen ja tulipahan samalla kokeiltua myös tekstidiagrammien tekemistä.

Tällä kurssikerralla riitti pohdittavaa ja samalla tuli kerrattua useita erilaisia työkaluja ja työvaiheita. Omasta mielestäni hallitsen jo melko hyvin ns. perustoiminnot eli tietokantojen tuomisen ja liittämisen, taulukon muuttujien laskemisen ja tietojen visualisoinnin kartalle. Myös aineiston analysoiminen eri työkaluilla alkaa sujua – ongelmana on vain se, etten aina muista mitä toimintoa pitää käyttää missäkin tilanteessa. Olen myös oppinut kantapään kautta, että yksittäiset pienet huolimattomuusvirheet esimerkiksi laskutoimituksissa tai tietokantaliitoksissa voivat koitua kohtalokkaiksi koko harjoituksen kannalta (esimerkiksi väärä koordinaatisto, väärä lauseke taulukkolaskennassa). Tällä kurssikerralla varsinkin Spatial Queryn, Statistics-paneelin ja Field Calculatorin käyttäminen alkoivat sujua rutiinilla. Myös bufferivyöhykkeiden luominen oli melko vaivatonta puuhaa. Erilaiset aineiston valinta- ja suodatustyökalut, kuten Select by Expression ja Select Features by Value olivat hyödyllisiä.

 

Lähteet:

Soittila Minna, kurssikerta 5: https://blogs.helsinki.fi/soittila/2018/02/28/lentomelua-ja-koulutulokkaita/, luettu 24.3.2018

Tilastokeskus: http://www.stat.fi/meta/kas/taajama.html, luettu 10.3.2018

Neljännellä kurssikerralla tutustuttiin ensimmäistä kertaa ruutukarttoihin ja rasteriaineistoihin. Lopussa pääsimme myös kokeilemaan aineiston tuottamista rastereista vektorimuotoon itsenäisesti. Kurssikerta oli mielestäni ihan mielenkiintoinen ja tehtävissä oli sopivasti haastetta.

Harjoitus aloitettiin jakamalla vektorimuotoinen aineisto ruuduiksi. Aineisto oli melko laaja ja sisälsi tietoa pääkaupunkiseudun väestöstä; tehtävää varten piti siis karsia tietokantaa ja valita vain osa ruuduista tarkasteltaviksi Spatial Query -työkalun avulla. Itse valitsin aluksi ruotsinkielisten osuuden väestöstä tutkittavaksi ja laskin ruotsinkielisten suhteellisen osuuden eri ruuduissa field calculatorin avulla. Lopuksi visualisoin sen ruututeemakartaksi (kuva 1). Mielestäni suhteellinen osuus kuvasi ruutujen eroja absoluuttista osuutta paremmin, koska asukasmäärät vaihtelivat ruuduissa paljon. Toisaalta joissakin ruuduissa on vääristymää johtuen esimerkiksi siitä, että ruudun ainoa asukas saattoi olla ruotsinkielinen ja suhteellinen osuus silloin 100%.

Kuvasta käy ilmi, että ruotsinkieliset ovat keskittyneet melko paljon pääkaupunkiseudun reunoille: rannikoille etelään sekä läntisille, itäisille ja pohjoisille reuna-alueille. Kun tarkastelin vielä erikseen ruotsinkielisten absoluuttisia osuuksia, olivat luvut ymmärrettävästi suurimmat kantakaupungissa, jossa koko väestön osuus oli suurin. Näissä ruuduissa kuitenkin myös suomenkielisten osuus on suurin, joten erikielisten asukkaiden välisiä eroja ei voinut tarkastella yhtä helposti kuin suhteellisen kartan avulla.

Kokeilin tehdä itsenäisesti toisen samantapaisen ruutukartan käyttäen muuttujana tällä kertaa muun kielisten osuuksia. Laskin siis muun kielisten osuudet prosentteina samaan tapaan kuin ruotsinkielisten kohdalla. Tällä kertaa kartta näytti melko erilaiselta (kuva 2). Muun kieliset eivät olleet keskittyneet tietyille alueille yhtä selkeästi kuin ruotsinkieliset, mutta joitakin trendejä oli havaittavissa. Ainakin itäisessä Helsingissä useiden ruutujen suhteelliset osuudet ovat keskivertoa suurempia. Yeminda Rautavaara pohtii blogissaan (https://blogs.helsinki.fi/yeminda/) mahdollisiksi syiksi muun muassa Itä-Helsingin matalampia asumiskustannuksia (avara- ja korkotukiasunnot) sekä alueiden yhteisöllisyyttä, mitkä ovat molemmat hyviä huomioita.

Kokeilin jakaa vektoriaineiston myös pienempiin ruutuihin, mutta mielestäni alueiden erot olivat oman aineistoni kohdalla helpommin havaittavissa suuremmista ruuduista – johtuen ehkä siitä, että täysin tyhjien ja vain muutaman asukkaan ruutujen osuus oli näin pienempi. Toisaalta, esimerkiksi Nina Sundin blogissaan (https://blogs.helsinki.fi/ninasund/) julkaisema kartta 250x250m ruuduilla on varsin selkeän näköinen ja välittää tarkasti informaatiota.

Ruututehtävän jälkeen pääsimme ensimmäistä kertaa käsittelemään rasteriaineistoa. Aluksi piti avata useita erillisiä ilmakuvia, jotka piti sitten yhdistää yhdeksi suureksi tif-muotoiseksi rasterikuvaksi. Tässä vaiheessa kohtasin ensimmäistä kertaa ongelmia, ja QGIS jopa kaatui yhden kerran yrittäessään yhdistää kuvia. Lopulta saatuani myös koordinaattijärjestelmän kohdalleen ilmestyi ruutuun yksi yhtenäinen kuva. Kenties kurssikerran mukavin osuus oli ilmakuvan rinnevalovarjostuksen, korkeuskäyrien ja visuaalisten ominaisuuksien säätäminen. Lopputuloksena oli mielestäni visuaalisesti näyttävä kuva, josta näkyivät kaikki korkeuserot ja maastonmuodot (kuva 3).

Lopputunnista pääsimme vielä kokeilemaan aineiston tuottamista itse piirtämällä. Tässä vaiheessa siis käytännössä piirrettiin vektorimuotoisia viivoja, pisteitä ja alueita rasteriaineiston päälle ja luotiin niistä uusia tasoja. Piirtäminen oli ainakin aluksi mukavan helppoa puuhaa, mutta lopussa aloin jo väsyä yli kuudensadan rakennuksen merkitsemiseen – olin siis huomattavan helpottunut saatuani kaikki Pornaisten alueen rakennukset ja suurimmat tiet tallennettua uusiksi tasoiksi (kuva 4). Näitä uusia vektoriaineistoja on ilmeisesti tarkoitus käyttää vielä seuraavalla kurssikerralla hyödyksi.

Joitakin päiviä kurssikerran jälkeen toivuttuani rakennusten klikkailun aiheuttamasta väsymyksestä innostuin vielä jatkamaan digitoimisen harjoittelemista piirtämällä muun muassa peltoja ja vesistöjä. Kaiken kaikkiaan pidin tämän kurssikerran tehtävistä – etenkin näin melko visuaalisena oppijana piirtäminen ja kuvien ulkoasun sääteleminen oli mukavaa. Ainoat ongelmat kohtasin rasterin yhdistämisvaiheessa, kun QGIS kaatui prosessoidessaan kuvia – onneksi olin viime kurssikerroista viisastuneena tallentanut koko projektin säännöllisin väliajoin, enkä menettänyt mitään oleellisia muutoksia kartassa.

 

Lähteet:

Rautavaara Yeminda, kurssikerta 4: https://blogs.helsinki.fi/yeminda/2018/02/20/78/, luettu 21.2.2018

Sund Nina, kurssikerta 4: https://blogs.helsinki.fi/ninasund/2018/02/10/ovning-4-fredagen-9-2-2018/, luettu 21.2.2018

Kolmannella kurssikerralla en harmikseni päässyt paikalle julkisen liikenteen lakon takia. Onneksi Moodlesta löytyi kattavat ohjeet kolmannen harjoituksen suorittamiseen. Olin jo kurssin alussa ladannut QGIS-ohjelman omalle läppärilleni, joten ryhdyin tekemään sen kanssa harjoitusta. Grafiikat ja selkeys eivät ihan vastanneet koulun kaksinäyttöisiä tietokoneita, mutta toivoin saavani tarvittavat tehtävät siitä huolimatta valmiiksi.

Aloitin harjoituksen avaamalla Afrikkaan liittyvän tietokannan QGIS:iin. Aluksi tietokantaa piti ”siistiä” ja valtioiden nimiä yhdistää. Tein tämän Geoprocessing tools -kohdan Dissolve-komennolla, jonka toimiessa QGIS kaatui kahdesti. Lopulta onnistuin yhdistämisessä, minkä jälkeen jäljelle jäi 53 valtiota. Tallensin uuden tietokannan ja poistin vanhemmat yhdistämiseen käytetyt vektoritasot.

Seuraavassa vaiheessa piti liittää tietoja Excelistä QGIS:iin. Muutin Excel-tiedoston muodoksi csv ja avasin sen sitten ohjelmistossa. Edellisellä kurssikerralla tutustuttiin jo lyhyesti Join-toimintoon, jolla saa liitettyä tietokantoja toisiinsa. Nyt tehtävänä oli liittää uuden Excelistä tuodun tiedoston sarakkeet osaksi aiempaa Afrikka-aineistoa, mikä onnistui melko kätevästi. Tehtävässä haluttiin selvittää, kuinka suurella prosenttiosuudella minkäkin valtion asukkaista on pääsy internetiin. Lisäsin attribuuttitauluun uuden kentän, johon laskin Field Calculatorin avulla internetin läpäisevyyden Afrikan valtioissa. Lukuja tuli melko laidasta laitaan – suurin läpäisevyys oli Keniassa (89%) ja pienin Eritreassa (1%), kuten tekemästäni kartasta huomaa (kuva 1).

Avasin seuraavaksi kolme uutta shp-tietokantaa: conflicts, diamonds ja onshore oil. Nyt kartalle ilmestyivät näkyviin viimeaikaiset konfliktialueet sekä öljyn ja timanttien esiintymät. Laskin uuteen sarakkeeseen eri valtioiden alueilla tapahtuneet konfliktit ja tein niistä kartan. Selkeästi eniten yksittäisiä konflikteja on ollut Etiopiassa (kuvan 2 tummin alue). Myös muun muassa Angolassa, Chadissa, Algeriassa ja Ugandassa on ollut vuoden aikana yli 50 konfliktia (toiseksi tummimmat alueet kuvassa 2). Laskin vastaavalla tavalla myös timanttiesiintymien määrät eri valtioissa.

Tarkastelin seuraavaksi konfliktialueiden sekä timanttikaivosten ja öljykenttien yhteyttä toisiinsa. Laadin siksi kartan, jossa näkyvät kaikki nämä kolme muuttujaa Afrikassa (kuva 3). Kuvasta on nähtävissä, että konflikteja (kuvattuna heatmapilla) vaikuttaa olevan myös alueilla, joilla on arvokkaita luonnonvaroja. Esimerkiksi läntisessä Afrikassa on useita alueita, joilla timanttiesiintymät ja konfliktit esiintyvät samoissa paikoissa. Timantti- ja öljyesiintymien kautta voitaisiin myös arvioida, onko luonnonvarojen määrä vaikuttanut infrastruktuuriin ja sosioekonomiseen kehitykseen esimerkiksi vertaamalla niitä internetin käyttäjien määrään, kuten Vesa Hanski toteaa blogissaan (https://blogs.helsinki.fi/vesahans/, luettu 14.2.2018). Havaitsin ainakin, että eteläisen ja pohjoisen Afrikan alueella on sekä paljon luonnonvaroja (etelässä timantit ja pohjoisessa öljy) että kohtuullisen paljon internetin käyttäjiä jokaisessa alueen valtiossa.

Afrikka-tehtävien jälkeen siirryin kotitehtäväosioon, jossa piti tarkastella tulvaindeksejä. Muistaakseni jollain johdantokurssilla sivuttiin hieman tulvaindeksin laskemista, joten osa ohjeista vaikutti tutuilta. Aloitin siis harjoituksen avaamalla tulvaindeksi-projektin, josta löytyi valmiiksi tietoa joistakin eri virtaamatyypeistä. Tehtävän haasteena oli liittää tietokantaan uusia tasoja samaan tapaan kuin kurssiharjoituksessa. Päätin lähteä aluksi liikkeelle helposta versiosta ja katsoa miten se onnistuisi.

Perusversiossa piti laskea tulvaindeksi jakamalla keskiylivirtaama keskialivirtaamalla (eli MHQ / MNQ). Keskiylivirtaama piti siis liittää ensin valuma-alueet -taulukkoon. Tämä onnistui melko helposti ’join vector layer’- toiminnolla ja sen jälkeen laskemalla MHQ/MNQ uuteen sarakkeeseen. Seuraavaksi piti vielä liittää taulukkoon Excel-tiedosto järvisyydestä, mikä onnistui soveltamalla ohjeita aiemmasta tehtävästä (muuttaminen csv-muotoon, tason lisääminen ja liittäminen tietokantaan).

Laadin lopuksi teemakartan tulvaindeksistä. Yritin lisätä kartalle näkyviin pylväsdiagrammeja järvisyydestä, mutta jostain syystä ne eivät tulleet näkyviin. Kysyttyäni muilta kurssilaisilta vielä jälkikäteen apua pylväiden kanssa sain ne viimein näkyviin (kuva 4). Havaitsin jo aiemmin taulukosta, että järvisyys ja tulvaindeksi ovat keskenään kääntäen verrannollisia. Se saattaa selittyä ainakin sillä, että järvet keräävät paljon sadevettä. Tasaisilla ja järvettömillä alueilla, kuten läntisellä Pohjanmaalla tulvat ovat siksi yleisempiä. Pohjoisessa maasto on puolestaan jyrkempää, minkä vuoksi vesi virtaa muualle, eikä aiheuta tulvia – kuten muun muassa Lia Vahtera toteaa blogissaan (https://blogs.helsinki.fi/vahlia/, luettu 14.2.2018)

Olin harjoituksien jälkeen ihan tyytyväinen, koska onnistuin laatimaan kaikki vaaditut kartat itsenäisesti – huolimatta QGIS:n satunnaisesta kaatuilusta ja vaikeuksista pylväsdiagrammien kanssa. Harjoituksessa oli mielestäni mielenkiintoisia aiheita: sekä kulttuuri- että luonnonmaantieteeseen liittyen. Ilokseni huomasin myös QGIS:n perustoimintojen sujuvan jo lähes rutiinilla. Toki eri toimintojen muisteleminen ja ohjeiden kertaaminen vie vielä aikaa.

 

Lähteet:

Hanski Vesa, kurssikerta 3: https://blogs.helsinki.fi/vesahans/2018/02/08/3-kurssikerta/, luettu 14.2.2018

Vahtera Lia, kurssikerta 3: https://blogs.helsinki.fi/vahlia/2018/02/09/kurssikerta-iii/, luettu 14.2.2018

Toisella kurssikerralla jatkettiin tutustumista QGIS-ohjelmaan ja sen työkaluihin. Lisäksi perehdyttiin muun muassa eri projektioiden ominaisuuksiin. Aluksi käytiin vielä läpi joitakin perustoimintoja, kuten alueiden valitsemistyökaluja ja etenkin Select By Expression -komento vaikutti hyödylliseltä etsittäessä tietyt ehdot täyttäviä kohteita kartalta.

Viikon keskeisin aihepiiri oli projektioiden vaikutus karttaan ja muun muassa siitä laskettuihin pinta-aloihin. Viime kurssikerralla opimme vaihtamaan projektion ”lennossa” ja käytimme Lambertin oikeapintaista projektiota, jossa pinta-alat näkyvät melko realistisesti (lähde: https://fi.wikipedia.org/wiki/Lambertin_oikeapintainen_tasoprojektio, luettu 1.2.2018). Tehtävänä oli nyt tutustua myös ainakin kahteen muuhun projektioon ja vertailla sitten eri projektioiden vaikutuksia pituuksiin ja pinta-aloihin kartalla. Valitsin vertailukohteiksi Lambertin projektiolle Mercatorin, Winkelin ja Wan der Grintenin projektiot. Koostin saamistani mittaustuloksista Excel-taulukon (taulukko 1), mistä havaitsee projektion vaikuttavan yllättävän paljon mitattuihin pituuksiin ja alueiden pinta-aloihin.

Esimerkiksi Wan der Grintenin projektio antoi mittaamani alueen pinta-alaksi kuusinkertaisen luvun verrattuna Lambertin vastaavaan. Pinta-alojen eroavaisuuksia selittävät projektioiden erilaiset ominaisuudet. Etenkin lieriöprojektiot vääristävät pinta-aloja lähellä napa-alueita, mitä selittää maapallon pallomainen muoto. Siksi myös mittaamani Suomen pohjoisen kärjen alueen pinta-ala vaihteli niin paljon ja osa projektioista liioitteli sen kokoa (lähde: https://fi.wikipedia.org/wiki/Van_der_Grintenin_projektio, luettu 2.2.2018). Olin hieman yllättynyt siitä, miten paljon pinta-alat ja pituudet heittelivät laidasta laitaan – jatkossa muistan ainakin tarkistaa projektion olevan valittu oikein.

Pinta-alojen ja pituuksien mittaamisen jälkeen tutustuimme myös WFS-palvelimen käyttöön aiheeseen johdattelevan luennon jälkeen. Itselleni WFS-palvelimet olivat entuudestaan täysin vieraita, joten oli hyvä käydä läpi, miten aineistoa haetaan niiden kautta QGIS-ohjelmaan. Haimme Suomen kuntiin liittyvän tilastoaineiston WFS-palvelimelta (http://geo.stat.fi/geoserver/tilastointialueet/wfs) ja tarkastelimme siihen kuuluvia aineistoja. Seuraavaksi vektoritaso piti tallentaa – tällä kertaa tallennusvaiheessa piti kiinnittää huomiota myös projektioon, jotta seuraavan kerran aineistoa avattaessa se olisi valmiiksi oikeassa projektiossa. Tallensin siis karttatason LAEA-projektiota käyttäen (Lambertin oikeapintainen).

Viime kurssilla tutustuimme jo Field Calculator -työkaluun ja nyt käytimme sitä jälleen kuntien pinta-alojen laskemiseen. Laskin aluksi kuntien pinta-alat Lambertin projektion ollessa käytössä. Seuraavaksi vaihdoin projektion Mercatoriin ja laskin niin ikään samojen alueiden pinta-alat taulukkoon. Kenties haastavin vaihe oli, kun piti vertailla näiden kahden projektion antamia kuntien pinta-aloja. Laskin ohjeita seuraamalla kuinka paljon Mercatorin projektion näyttämät pinta-alat ovat suurempia kuin Lambertin projektion vastaavat ja sain tulokset uuteen sarakkeeseen. Laskutoimitukset sujuivat nyt jo melko helposti viime kurssikerran vaikeuksiin verrattuna. Lopuksi vielä visualisoin sarakkeen tiedot karttakuvaksi, jossa näkyy selkeästi, miten Mercatorin projektio vääristää pinta-aloja sitä enemmän mitä pohjoisemmaksi mennään (kuva 1).

Kurssikerran jälkeen päätin siirtyä ensimmäiseen kotitehtävään, jossa piti tehdä vastaavanlainen vertailu käyttämällä tällä kertaa jotain toista projektiota, jonka pinta-aloja verrataan jälleen Lambertin projektioon. Palasin siis ohjeiden alkuun ja toistin samat vaiheet kuin Mercatoria tarkastellessa – käyttäen tällä kertaa Robinsonin projektiota. Oli hyvä idea kokeilla samojen työvaiheiden toistamista, kun edellisestä kurssikerrasta oli kulunut jo aikaa. Näin eri toiminnot jäivät paremmin mieleen. Tein siis vastaavanlaisen kartan (kuva 2), jossa pinta-alojen erot kasvavat niin ikään pohjoiseen mennessä. Lisäksi Robinsonin projektio näyttää vääristävän koko Suomen muotoa, jolloin se näyttää ”vääntyneen mutkalle”.

Harjoituksen kautta selvisi ainakin, ettei ole yhdentekevää mitä projektiota käyttää, koska se vaikuttaa oleellisesti sekä kartan ulkoasuun että laskutoimituksiin. Projektiot voivat myös vaikuttaa vahvasti maailmankuvaan – esimerkiksi Mercatorin projektio saa Afrikan näyttämään huomattavasti todellisuutta pienemmältä ja pohjoismaat liioitellun suurilta, kuten Miia Farstad huomauttaa blogissaan (https://blogs.helsinki.fi/miiafar-gis1/). QGIS-ohjelma alkaa tulla pikkuhiljaa tutuksi ja tällä kurssikerralla tunsin jo olevani huomattavasti viime kertaa paremmin kartalla.

 

Lähteet:

Farstad, Miia, kurssikerta 2: https://blogs.helsinki.fi/miiafar-gis1/2018/01/26/viikko-2-projektioiden-tarkeys/, luettu 4.2.2018

https://fi.wikipedia.org/wiki/Lambertin_oikeapintainen_tasoprojektio, luettu 1.2.2018

https://fi.wikipedia.org/wiki/Van_der_Grintenin_projektio, luettu 2.2.2018

Kurssin ensimmäisellä harjoituskerralla tutustuimme avoimeen QGIS-paikkatieto-ohjelmaan. Itselleni oikeastaan kaikki paikkatieto-ohjelmat olivat entuudestaan vieraita, minkä vuoksi oli hyvä aloittaa kurssi tutustumalla ohjelman ominaisuuksiin ja työkaluihin. Seuraamalla ohjeita ja kysymällä tarvittaessa muilta apua pääsin melko hyvin kärryille QGIS:n käytön alkeista.

Perustoiminnot, kuten karttatasojen lisääminen ja ulkoasun muuttaminen kävivät kohtuullisen helposti. Kenties vaikein osio oli vaihe, jossa piti laskea attribuuttitaulun ja ohjelman laskimen avulla eri maiden typpipäästöjä. Sekin kuitenkin luonnistui tarkkojen kirjallisten ohjeiden avulla. Kun pääsi alkuun kartan laatimisessa, se oli yllättävän mielenkiintoista – oli mukavaa nähdä oman työn jälki kartalla ja muutella sen ulkoasua.

Harjoituksen tavoitteena oli tuottaa itsenäisesti koropleettikartta, joka kuvaisi Itämeren alueen maiden typpipäästöjä. Kartta (kuva 1) onnistui mielestäni ihan kohtuullisesti, ja siitä käyvät ilmi maiden väliset erot. Jälkikäteen huomasin kuitenkin, että merialueen syvyyskäyriä olisi voinut muuttaa vähemmän näkyviksi – nyt ne häiritsevät hieman kartan tulkitsemista. Selitteen, mittakaavan ja pohjoisnuolen lisääminen onnistuivat hyvin ja ne tuovat selkeyttä karttaan.

Kartastani käy ilmi, että typpipäästöt ovat suurimmat Puolassa. Tätä selittävät ainakin osittain Puolan maatalouden runsaat päästöt. Toiseksi eniten päästöjä syntyy Venäjällä, Latviassa ja Ruotsissa. Suomen prosenttiosuus typpipäästöistä on maiden keskikastia. Selkeästi vähiten typpeä tuottaa Viro, jossa ainakin teollisuus ja maatalous ovat vähäistä muihin maihin verrattuna. Maatalouden tuottamat päästöt ovat suurimmillaan Saaristomerellä, jossa peräti 72% päästöistä johtuu siitä, kuten Sami Aalto blogissaan (https://blogs.helsinki.fi/slaalto/) kertoo.

Typpipäästöjen tutkiminen on tärkeää Itämeren alueen suojelemiseksi, ja siitä huolehtii muun muassa Itämeren suojelukomissio HELCOM (kartassa näkyvissä HELCOM-merialue). Se on valtioiden yhteinen organisaatio, joka on tehnyt päätöksiä vaarassa olevan merialueen suojelemisesta. Itämeri on verrattain matala, rehevöitynyt ja vähäsuolainen merialue, mikä lisää riskiä vesistöjen saastumiseen ja päästökuormitukseen (lähde: http://www.helcom.fi/). Kenties suurin ongelma kartan tiedoissa on, ettei siinä oteta huomioon valtioiden pinta-aloja, väkilukuja tai päästöjen kulkeutumista eri maiden välillä, kuten Ville Paunonen huomauttaa blogissaan (https://blogs.helsinki.fi/vilpauno/).

Muutaman päivän kuluttua ensimmäisestä kurssikerrasta päätin tutustua vielä uudelleen QGIS-ohjelmaan ladattuani ohjelman myös omalle tietokoneelleni. Olin jo ehtinyt unohtaa osan kurssikerran opetuksista, mutta palauttelin ohjelman toimintoja mieleeni kirjallisen ohjeen avulla. Löysin aineistopaketista tiedostoja Suomen kuntiin liittyen ja päätin tarkastella työttömyyttä eri kunnissa. Alkuun kesti vähän, että muistin miten attribuuttitaulu ja tietojen visualisointi toimii, koska ohjelmiston kieli oli muuttunut suomeksi ladatessani sen omalle läppärilleni. Lopulta tajusin mennä ”tyyli”-kohtaan ja etsiä sieltä oikean sarakkeen, jossa oli työttömien prosenttiosuuksia. Valitsin sopivan väriskaalan ja lisäsin tiedon kartalle. Lopuksi lisäilin vielä yksityiskohtia, kuten selitteen, pohjoisnuolen ja janamittakaavan. Olin ihan tyytyväinen lopputulokseen, vaikka se ei vaatinutkaan kovin vaikeita toimenpiteitä (kuva 2).

Työttömyys on varsin ajankohtainen aihe Suomessa ja etenkin alueiden eriytymisestä puhutaan paljon. Kartasta käy selvästi ilmi, että työttömyys on kasaantunut itäiseen ja pohjoiseen Suomeen. Paras työllisyystilanne sen sijaan eteläisessä Suomessa – etenkin pääkaupunkiseudulla – ja läntisessä Suomessa rannikkoalueilla. Tähän vaikuttavat luultavasti yritysten ja työpaikkojen kasaantuminen kasvukeskuksiin, teollisuuden ja palveluiden kuihtuminen syrjäisemmillä seuduilla ja väestön muutokset. Tutkittuani hieman aiheesta uutisointia sain selville, että vuoden 2017 lopussa työttömyys alkoi kuitenkin kääntyä laskuun (lähde: http://www.findikaattori.fi/fi/34, luettu 27.1.2018). Kiinnostavaa onkin seurata, miten tilanne kehittyy tulevaisuudessa; ennen kaikkea syrjäseutujen kehityskulku on ollut pitkään huolestuttava.

 

Lähteet:

Aalto, Sami. 1. kurssikerta: https://blogs.helsinki.fi/slaalto/2018/01/25/qgis/, luettu 25.1.2018

Findikaattori: http://www.findikaattori.fi/fi/34, luettu 27.1.2018

HELCOM-suojelukomission sivusto: http://www.helcom.fi/, luettu 25.1.2018

Paunonen, Ville. 1. kurssikerta: https://blogs.helsinki.fi/vilpauno/2018/01/25/1-kurssikerta-qgis/, luettu 27.1.2018