Geoinformatiikan menetelmät I 2023

Moikka,

Viimeisellä kurssikerralla saimme vapaat kädet oman kartan tekemiseen. Itse kartan tekemiseen ei mennyt kovinkaan paljon aikaa, sen sijaan sen suunnitteluun ja tiedostojen siivoamiseen meni sitäkin enemmän :D. Opiskelen biologian lisäksi toisena pääaineena farmasiaa, ja kurssikerralla sommittelin aiheekseni jotain lääkkeisiin tai sairauksiin liittyvää. Toista muuttujaa oli hankala löytää ja mietinkin aiheen vaihtamista. Kotona tutkiskelin aineistoja Espoon rakentamisen vaikutuksista liito-oravamääriin, mutta kartanteko keskeytyi omaan osaamattomuuteen ja aineiston puuttumiseen. Tein myös puolitekoisen kartan Helsingin seudun liikenteen pysäkeistä Espoossa, mutten löytänyt tarpeeksi tarkkaa tietoa joukkoliikenteen käyttäjämääristä kaupunginosan tasoisella tarkkuudella. Lopulta siis kahden ja puolen päivän tuskailun jälkeen siirryin nöyränä takaisin farmasia-aiheeseeni. Lopulliseksi aiheeksi valitsin kuvata 25-64-vuotiaiden prosentuaalista osuutta Lapin maakunnassa vuonna 2021 (Sotkanet.fi) sekä erityiskorvattaviin lääkkeisiin oikeutettujen 25-64-vuotiaiden prosentuaalista osuutta saman ikäluokan väestöstä Lapin maakunnassa vuonna 2021 (Kela). Lapin maakunnan valitsin siksi, että kuntien välillä on enemmän vaihtelua prosentuaalisissa osuuksissa kuin esimerkiksi Uudellamaalla olisi ollut. Lisäksi Lapin maakuntaa voidaan esittää visuaalisesti selkeämmin, sillä kunnat ovat keskimäärin pinta-alaltaan suurempia.

Kuva 1. 25-64-vuotiaiden prosentuaalinen osuus sekä erityiskorvattaviin lääkkeisiin oikeutettujen 25-64-vuotiaiden prosentuaalinen osuus Lapin maakunnassa vuonna 2021, Lähde: Sotkanet.fi & Kela

Erityiskorvattavat lääkkeet ovat lääkkeitä, joita käytetään pitkäaikaisiin ja vaikeasti hoidettaviin sairauksiin (Kela.fi). Näiden lääkkeiden erityiskorvausoikeuksia valvoo Kela, joka myöntää asiakkaalle erityiskorvauksen (eli korvaa lääkkeen hinnan, kun asiakas ostaa lääkkeen apteekista). Erityiskorvauksia on kahta eri tyyppiä: ylempi, jolloin Kela korvaa lääkkeen hinnasta 100% sekä alempi, jossa korvaus on 65%. Tässä kartassa erityiskorvattavien lääkkeiden korvaustyyppejä ei ole eritelty. Kun tarkastelee karttaa, voidaan huomata, että 25-64-vuotiaista keskimäärin neljänneksellä tai viidenneksellä on erityiskorvausoikeus. Tuloksen epätarkkuutta lisää toisaalta se, että 25-64-vuotiaita ei ole erikseen luokiteltu pienempiin luokkiin, jolloin ei tiedetä esimerkiksi tarkasti kuinka suuri osuus luokasta on iäkkäämpiä (esimerkiksi yli 60-vuotiaita). Iäkkäämpi väestö kuitenkin sairastuu todennäköisemmin, kun tarkastelee muita tilastoja, jolloin he saattavat muodostaa suuremman prosentuaalisen osuuden erityiskorvaukseen oikeutetuista. Kelalla ei kuitenkaan ollut tarjota erityiskorvattaviin lääkkeisiin oikeutettujen aineistoa esimerkiksi ikäluokista kymmenen vuoden luokkavälillä, joten tyydyin tällä kertaa heidän ratkaisuunsa ottaa tarkasteluun 25-64-vuotiaiden ikäluokan. Olen kuitenkin lopputulokseen tyytyväinen, sillä sain mahdollisuuden tutkia itselleni tärkeitä aiheita ja muodostettua siitä paikkatietoakin, vaikka liito-oravat ja bussipysäkit meinasivat aluksi ajaa minut epätoivon partaalle 😀

Selailin vielä muiden kurssilaisten tuotoksiin ja törmäsin Joanna Nuutisen blogipostaukseen “Suomen Lappi – työttömyysprosentteja ja elinkeinorakenteita” (27.2.2023), jossa ensimmäinen kartta muistuttaa hyvin paljon omaani, joskin muuttujat ovat erilaisia. Aika hauska yhteensattuma, että päädyttiin molemmat Lapin maakuntarajaukseen, mutta Nuutiselle täytyy kyllä antaa propsit selkeästä ja hienosta toisesta kartasta, jossa hän on kuvannut elinkeinorakenteet söpöillä ympyrädiagrammeilla. Loppujen lopuksi haluan kiittää kurssin opettajaa Paarlahtea sitkeästä ja pitkäjänteisestä opetustyöstä sekä kurssikavereitani avusta QGIS:in parissa. Loppuun haluan vielä liittää puolikuntoiset tekeleeni muistoksi ja viihdykkeeksi. Kiitos kurssista!

Kuva 2. Valmistuneiden asuntojen ja liito-oravahavaintojen määrä Espoossa vuosina 2016-2019, Lähde: Espoon kaupunki & Laji.fi (Hylkäyksen syy: ei tarpeeksi korreloiva ja liito-oravahavaintojen määrissä on epätarkkuuksia ja epäselvyyksiä)

Kuva 3. Helsingin seudun liikenteen (HSL) joukkoliikennepysäkkien määrä Espoossa kaupunginosittain vuonna 2022, Lähde: HSL (Hylkäyksen syy: En löytänyt toista sopivan tarkkaa muuttujaa :D)

Lähdeluettelo:

Kela.fi – “Erityiskorvaus”. https://www.kela.fi/yhteistyokumppanit-laakekorvaukset-laakkeiden-korvausoikeudet-erityiskorvaus (Viitattu 18.3.2023

Nuutinen, J. (2023). “Suomen Lappi – työttömyysprosentteja ja elinkeinorakenteita”. Geoinformatiikan menetelmät – Kurssiblogi. 27.2.2023. https://blogs.helsinki.fi/joznuuti/. Viitattu 18.3.2023.

 

Moikka,

Parin viikon itsenäisen kipuilun ja tuskailun jälkeen pääsin vihdoinkin takaisin opetusluokkaan ja QGIS:n makuun ohjatussa opetuksessa. Muista jälkeen jääminen on tuntunut ikävältä ja tuntuu, ettei tiedä mistä aloittaa ja mitä kaikkea täytyisi vielä tehdä. Kuudennen ja toiseksi viimeisen kurssikerran aiheina olivat muun muassa oman datan kerääminen Epicollect5-sovelluksella sekä sen kuvaaminen ja analysoiminen QGIS:ssä. Lopputunnista syvennyimme puolestaan tulivuorten, maanjäristysten ja meteoriittien tietoihin.

Epicollect5-sovellus on minulle ihan uusi, mutta mielenkiintoinen tuttavuus. Olen miettinyt, miten pisteaineiston tuottaminen onnistuisi helposti tavalliselta tallaajalta ja sovellus tarjosikin vastauksen siihen. Tehtävänämme oli kierrellä Kumpulan kampusta ympäröivää aluetta pienryhmittäin ja arvioida alueen viihtyvyyttä ja turvallisuutta vähintään viidessä eri paikassa. Kyselylomake oli helppo täyttää, mutta luotettavaksi pisteaineistoksi tehtävästä syntynyttä aineistoa ei välttämättä voi kutsua :D. Kaikki ryhmät eivät nimittäin vierailleet samassa paikassa, näkemykset ovat subjektiivisia ja otanta oli melko suppea. Toisaalta tehtävän tavoitteena oli taltioida paikkoja mahdollisimman laajalta alueelta, ja siinä ryhmämme onnistui hyvin. Aida Palmgren teki myös hyvän huomion blogipostauksessaan “Kuudes kurssikerta” (10.3.2023) siitä, että muun muassa vuodenaika voi vaikuttaa turvallisuuden tunteeseen. Hän avaa, että eräs heidän kurssikerran pienryhmistä kertoi työmaan luovan turvattomuuden tunnetta, mutta kuvailee sen kuitenkin vain väliaikaiseksi turvattomuuden aiheuttajaksi. Yhdistimme pienryhmien keräämät aineistot yhdeksi aineistoksi, jonka jälkeen harjoittelimme interpoloimista aineistolla. Interpoloinnilla pystytään luomaan pisteaineiston pisteiden väliin jatkuvan alueen, joka kertoo ilman pisteitä jääneiden alueiden mahdollisista arvoista perustuen pisteaineiston pisteisiin. Interpoloinnilla saadaan siis suuntaa-antava arvio eikä absoluuttista totuutta. Otin kuvakaappauksen interpoloimastani alueesta. Valitettavasti en saanut tehtyä tästä tehtävästä hienoa karttaversiota, mutta kuvasin alueen spektrin väreillä. Siniseen sävyyn lukeutuvat alueet kuvaavat sitä, että alue koetaan turvallisena. Vihreän sävyt tarkoittavat melko turvalliseksi koettuja alueita, keltaisen sävyt melko turvattomana ja punaisen sävyt turvattomana. Lisäksi kartassa on näkyvissä Kumpulan rakennukset tummanvihreällä ja tiet tummahkon keltaisella.

Kuva 1. Interpoloitu kartta-aineisto Kumpulassa koetusta turvallisuuden tunteesta

Hasardeista minua kiinnostivat eniten maanjäristyksen, joten päädyin tekemään kaikki kolme karttaa maanjäristyksistä. Ensimmäinen kartta (kuva 2.) kertoo vuosina 1900-2012 tapahtuneista, yli 5,0 magnitudin maanjäristyksistä. Tämä kartta havainnollistaa melko hyvin mannerlaatat ja niiden yhtymäkohdat. Kartalla voidaan johdatella oppilaita oppitunnin aiheeseen tai havainnollistaa tektonista aktiivisuutta. Hyvä johdatteleva kysymys voisi olla esimerkiksi: Mitä voitte sanoa kuvan perusteella, missä tapahtuu eniten maanjäristyksiä? Miksi juuri näillä alueilla tapahtuu eniten maanjäristyksiä?

Kuva 2. Pistemäinen kartta maapallolla tapahtuneista yli 5,0 magnitudin maanjäristyksistä vuosina 1900-2012

Löysin vielä kuvan Smithsonian Magazine-lehden artikkelista “100 Years of Earthquakes On One Gorgerous Map”, johon kirjoittaja Colin Schultz on liittänyt kuvan Dylan Prentissin tekemästä, maapallon mannerlaattoja kuvaavasta kartasta. Vaikka kartassa ei kuvatakaan maanjäristyksiä, voidaan silti karttaa ja tekemääni karttaa (Kuva 2.) vertailemalla sanoa, että maanjäristykset tapahtuvat mannerlaattojen yhtymäkohdissa. Tätä karttaa voisin käyttää myös opetuksessa ensimmäistä karttaa seuraavana karttana ikään kuin avaamaan aihetta ja vastausta johdatteleville kysymyksilleni.

Kuva 3. Maapallon mannerlaatat, kuva: Dylan Prentiss

Seuraavaksi tein kartan magnitudien 6-10 välillä vuosien 2000-2012 aikana tapahtuneista maanjäristyksistä. Liitin mukaan myös valtioiden rajat. Jaottelin maanjäristykset magnitudien mukaan neljään luokkaan. Alunperin ideana oli ottaa myös magnitudin 5 maanjäristyksen mukaan, mutta niitä oli sen verran runsaasti, että ne peittivät suurimman osan yli kuuden magnitudin maanjäristyksistä. Luokittelevalla kartalla pystytään tutkimaan, onko esimerkiksi jokin tietty alue maapallolla erityisen herkkä voimakkaammille maanjäristyksille ja minkä voimakkuuden maanjäristyksiä esiintyy yleisimmin maapallolla. Valtionrajat voivat auttaa oppilaita hahmottamaan paremmin maapallon karttaa. Edelliseen karttaan verrattuna pisteitä on huomattavasti vähemmän, mikä helpottaa tiettyjen valtioiden tai alueiden lähempää tarkastelua. Kartan avulla voidaan kysyä muun muassa voimakkaiden maanjäristyksien sijainnista sekä siitä, miten se vaikuttaa ihmisten elämään (varsinkin rannikolla).

Kuva 4. Vuosina 2000-2012 tapahtuneet yli 6,0 magnitudin maanjäristykset luokiteltuna magnitudin mukaan

Viimeiseksi halusin vielä tarkastella yli kahdeksan magnitudin maanjäristyksiä kahdenkymmenen vuoden aikaväliltä. Tällä kartalla voidaan havainnollistaa oppilaille sitä, että vaikka yli kahdeksan magnitudin maanjäristykset ovat voimakkaita ja tuhoisia, ne ovat loppujen lopuksi melko harvinaisia vaikka aikaväli edelliseen karttaan verrattuna on suurempi. Lisäksi edelliseen karttaan verrattuna kolmas kartta erottelee vielä tarkemmin ne maanjäristykset, jotka ovat jääneet mahdollisesti kuutta ja seitsemää magnitudia kuvaavien pisteiden alle. Tämän kartan avulla voidaan pohtia mahdollisia syitä siihen, mitkä tekijät vaikuttavat siihen, että juuri kyseisissä paikoissa esiintyy voimakkaimpia maanjäristyksiä. Kartalla voidaan myös johdatella oppilaita mahdollisesti tsunamin käsittelyyn ja toisaalta pohtia sitä, miten voimakkailta maanjäristyksiltä tai tsunameilta voidaan suojautua.

Kuva 5. Vuosina 1992-2012 tapahtuneet yli 8,0 magnitudin maanjäristykset

Lähdeluettelo:

Palmgren, Aida. (2023). “Kuudes kurssikerta”. Olen QGIS-tietoinen – Kyseenalaiset geoinformatiikkamenettelyt. 10.3.2023. https://blogs.helsinki.fi/aidapalgeo/. Viitattu 16.3.2023.

smithsonianmag.com/smart-news/100-years-of-earthquakes-on-one-gorgeous-map-192727/. Viitattu 16.3.2023

Moikka,

Kurssin viidennellä viikolla pääaiheina ovat tiedon soveltaminen sekä eri laskutoimintojen ja komentojen käyttäminen. Uuden komennon, bufferin, käyttöä yritin kaverin  ja kurssikerran materiaalien kanssa harjoitella itsenäisissä tehtävissä, sillä en tällä viikolla päässyt flunssan takia mukaan kurssikerralle. Bufferoinnissa valitusta/piirretystä alueesta voidaan luoda vyöhyke, jolla on määrätty etäisyys alueesta. Bufferoinnilla voidaan tutkia vyöhykkeen sisällä olevaa paikkatietoa, muun muassa rakennuksia ja asukkaita, mutta myös muuta pisteaineistoa. Puskurivyöhykkeitä voidaan myös käyttää alueiden rajaamiseen ja esimerkiksi meluhaitan estämiseksi alueelle voidaan rakentaa meluesteitä. Täytyy myöntää, että paikan päällä oleminen olisi varmasti auttanut minua selviytymään tehtävistä paremmin.

Oman käsitykseni mukaan kurssikerralla käytiin enemmän läpi arvojen ja laskukomentojen käyttämistä QGIS:ssä aiemman kurssikerran aineiston avulla. Aloitin alkutehtävästä, ja seurasin sana sanalta Paarlahden “Harjoitus 5” kokoamia ohjeita.

Fiilikset ennen itsenäisiä tehtäviä

Vaikka QGIS:n parissa on kulutettu aikaa ja vaivaa tällä kurssilla jo neljän viikon ajan, itsenäisesti alkuun pääseminen tuntuu aina yhtä haastavalta. Opettajaa seuratessa harvoin miettii sen enempää toimintojen perimmäisiä käyttötarkoituksia. Ennen kurssikerran itsenäistehtäviä minusta tuntui, että parhaimmin hallitsen koropleettikarttojen muokkaamisen ja ulkonäöllisten ominaisuuksien muotoilun. Legendojen muokkaaminen, mittakaavat ja pohjoisnuolen lisääminen sujuvat melko vaivattomasti monen viikon harjoittelun jälkeen. Sen sijaan aineistojen yhdistäminen ja niiden muokkaaminen tuntuivat itselleni haastavilta, vaikka niitä on myös viikko toisensa jälkeen harjoiteltu.

Itsenäiset tehtävät

Erityisesti tässä kurssikerrassa perimmäisenä jujuna oli ymmärtää tehtävänanto ja kysymyksen asettelu oikealla tavalla. Tehtäviä tehdessä oli aluksi turhautumista ja tuskailua siinä, riittävätkö omat taidot ollenkaan tehtävien ratkaisemiseen. Kaverini Sarlotta Laakkosen opastuksella pääsin tehtävissä hyvin alkuun ja ongelmatilanteissa sain myös häneltä ratkaisuehdotuksia. Kiitos kuuluu hänelle siitä <3. Kun tehtävien ensimmäisiä kohtia oli saanut valmiiksi, alkoi pääsemään jo pikkuhiljaa kiinni ideaan ja ajatukseen siitä, miten tehtäviä tulisi lähestyä. Itsenäisissä tehtävissä kivaa oli tehtävien samankaltaisuus ja asteittainen vaikeutuminen: tehtävät tuntuivat sopivan haastavilta edetessä, vaikka kirosin toistuvasti kaatuvan ohjelman ja kiitoradan jatkeen tekemisen (yksinkertainen, mutta tein sen loppujen lopuksi yli seitsemän kertaa, koska jokin siinä piirtämisessä aina mättäsi :D). Toista tehtävää tehdessä kirosanat pulpahtelivat taas kielen päälle. Törmäsin Joel Schülen blogitekstiin “Viikko 5”, jossa kirjoittaja ui samoissa syvissä vesissä taajama-aineiston käsittelyn kanssa. Sieltä sain hyviä vinkkejä jatkaa toisen tehtävän loppuun tekemistä (ja vertaistukea). Kolmas tehtävä sen sijaan alkoi tuntumaan jo vähän helpommalta. Tehtävien tekemisen jälkeen minulle jäi tunne siitä, että osaan käyttää Select features by location- ja Buffer-toimintoja paljon itsevarmemmin ja sujuvammin. Taulukosta pääseekin näkemään kovan työn ja tuskan takana koottuja vastauksia itsenäisten tehtävien kysymyksiin.

QGIS:n soveltuvuus analyysin tekoon

Aiempina viikkoina on tullut ilmi se, kuinka QGIS:iä voidaan käyttää erilaisiin käyttötarkoituksiin paikkatietoanalyysissä. QGIS:n suurimmat haasteet käytettävyydessä lienee uuden käyttäjän tietämättömyys ohjelmiston toiminnoista ja komennoista. Reunaehtona on muun muassa se, että käyttäjä osaa tuoda ohjelmistoon aineistoa, jota QGIS osaa lukea ja käsitellä. Aineiston valitsemiseen tulisi kiinnittää huomiota muun muassa sen kokoon, monipuolisuuteen ja luotettavuuteen (tiedon oikeellisuus). Esimerkiksi suurikokoiset aineistot saattavat kuormittaa ohjelmistoa, jolloin ohjelmiston käyttö hidastuu. Itselläni aineistojen siivoaminen, yksinkertaistaminen ja muokkaaminen tuottavat vielä vaikeuksia, ja ilman tarkkaa ohjausta en ehkä osaisi tehdä sitä itsenäisesti. Yksi esimerkki lienee rasterikerrasta ruutukoon muuttaminen sopivaksi, ettei ohjelmalla kestä koko päivää ruudukon piirtämiseen :D. Lisäksi käyttäjän täytyy tietää, millaista analyysiä hän tavoittelee QGIS:n käytöllä aineistosta. Ilman luuranko-ohjetta olisin tuskin itse päässyt näin pitkälle ensimmäisessä tehtävässä, jossa jo vaaditaan jonkin näköistä tietotaitoa ja soveltamista aiheeseen liittyen. Myös tietämys siitä, miksei QGIS joskus jaksa ladata aineistoa tai vastaa komentoihin, helpottaisi ohjelmiston operointia jatkossa.

Tästä kerrasta tuli erityisesti opittua se, että ilman apua ei näistä tehtävistä selviä. Paremmilla fiiliksillä ensi viikkoon!

Lähdeluettelo:

Schüle, J. (2023). “Viikko 5”. Maa- 202 Joel Schüle – Kurssiblogi. 20.2.2023. https://blogs.helsinki.fi/jschule/ Viitattu 25.2.2023.

Neljännen kurssikerran aiheena oli piste- ja ruutuaineistot, joiden teoriaa kävimme läpi opettajajohtoisesti. Itselleni teoria oli aika tuttua aiemmilta, mutta oli hyvä muistutella mieleen esimerkiksi laserkeilauksen määritelmä ja toteutustapa. Kuten aiemmillakin kurssikerroilla, pääsimme harjoittelemaan taas QGIS:n käyttöä, tällä kertaa luomaan rasterikartan ruudukko Grid-toiminnolla.

Ensimmäinen tehtävä sujui melko vaivattomasti opettajaa seuratessa. Pureuduimme tällä kertaa pääkaupunkiseudun alueen paikkatietoon, ja hahmottelimme ruudukon alueen päälle. Erehdyin käyttämään ensin ruutukokona vakioasetuksen mittaisia ruutuja, mutta hetken odottelun ja lopulta QGIS:n kaatumisen jälkeen huomasin vaihtaa ruudukot 1 km * 1 km-kokoisiksi :D.

Päädyin tarkastelemaan pääkaupunkiseudulla asuvien ulkomaalaisten absoluuttisista määriä ja tekemään ruutukartan aiheesta. Mielestäni siniset sävyt sekä ruutuja tummempi pääkaupunkiseudun aluetta kuvaava tausta ovat tarpeeksi erilaisia erottamaan luokat toisistaan. Toisaalta etenkin pienempiä luokkia kuvaavat vaaleat sinisen sävyt hukkuvat vesistöjä kuvaavaan väriin. Pohdin myös, olisiko eri kaupunkien rajaa pitänyt rajata paremmin tai esimerkiksi nimetä pääkaupunkiseudun paikat karttaan, jotta sen tulkitseminen olisi helpompaa. Kartan tulkitseminen vaatii siis tulkitsijalta jo valmiiksi pääkaupunkiseudun paikkojen hahmottamiskykyä. Lisäksi ruutukokoon olisi voinut kiinnittää enemmän huomiota: pienempi ruutukoko tuottaisi kartan, joka kuvaisi paremmin alueella asuvien ulkomaalaisten määrää. Lopputulokseen olen kuitenkin tyytyväinen. Kartasta voidaan kuitenkin huomata, että ulkomaalaisia on eniten kaakossa ja idässä, esimerkiksi Itä-Helsingissä. Myös pääkaupunkiseudun koillisalueella on jonkin verran ulkomaalaisia enemmän verrattuna muihin alueisiin.

Tutustuin myös Nicklas Ferreiran tekemiin karttoihin ulkomaalaisten määrästä pääkaupunkiseudulla blogipostauksessa “4. oppitunti – rasteriaineistoja” (23.2.2023). Ferreira oli valinnut esittää ulkomaalaisten absoluuttisen määrän spektrin väreillä, mikä voisi myös olla toimiva ratkaisu eri alueiden erottamisessa.

Kuva 1. Absoluuttinen ulkomaalaisten määrä pääkaupunkiseudulla

Päivän toisena teemana oli hyödyntää Pornaisten kartta-aineistoa ja harjoitella rinnevarjostuksen piirtämistä aineistoon. Monet aineistojen päällekkäisyydet QGIS:n näkymässä aiheuttivat ensimmäiseksi hämmennystä, mutta loppujen lopuksi kartasta tuli omaan silmään ihan miellyttävä kokonaisuus. Rinnevarjostuksen tekeminen oli myös aiempiin kurssitöihin verrattuna mukavan erilaista vaihtelua. Harjoittelimme  myös kurssikerralla teiden piirtämistä QGIS:n piirtotyökalulla ja pohdimme, millaiset toiminnot sopisivat erilaiste karttaobjektien kuvaamiseen. Teitä ja jokia piirrettäessä olisi hyvä piirtää viivatyökalulla, kun taas vesistöt, pellot ja talot ovat enemmän polygoneilla piirrettävissä. Nimistöt kuuluvat puolestaan pistekohteisiin.

Kotitehtäväksi meille jäi todellisten korkeuskäyrien piirtäminen samaiseen aineistoon. Korkeuskäyriä koskevan aineiston kävin lataamassa Paitulista. Propsit jälleen Sarlotta Laakkoselle, joka auttoi minut alkuun ja varmisti, että osaisin piirtää korkeuskäyrät myös jatkossa itsenäisesti :D. Korkeuskäyräaineistoa ja QGIS:n piirtämiä korkeuskäyriä verratessa kartalta pystyi huomaamaan monia alueita, joissa QGIS:llä ja Paitulin aineistolla oli eri käsitys alueen korkeuseroista. QGIS:n korkeuskäyrät kyllä mukailivat Paitulin aineistoa, mutta ne ovat sahalaitaisempia ja toisaalta joissain kohdissa epätarkkoja. Paitulin aineistossa korkeuskäyrät ovat suoria ja selkeämpiä kartanlukijalle. Alla on havainnollistava kuva todellisten korkeuskäyrien (mustat viivat) sekä QGIS:n piirtämien korkeuskäyrien (ruskeat viivat) eroista.

 

Lähdeluettelo:

Ferreira, N. (2023). “4. oppitunti – rasteriaineistoja “. Nicklas Ferreira – Geoinformatiikan menetelmät I. 23.2.2023. https://blogs.helsinki.fi/ferrenic/ Viitattu 17.3.2023.

Moikka,

Jälleen uusi viikko on pyörähtänyt QGIS:n parissa käyntiin. Kolmannen viikon teemana oli tietojen ja tiedostotyyppien yhdistäminen toisiinsa. Itse kurssikerralla keskityimme pääasiassa harjoittelemaan tietojen yhdistämistä Afrikasta tuotettuja aineistoja apuna käyttäen.

Tällä kerralla käsiteltävänä oli muun muassa tekstitiedostoja ja aiemmilta kurssikerroilla tutuiksi tullutta vektoriaineistoa shapefile-muodossa. Tutkimme pääasiassa timanttikaivosten ja Afrikan eri valtioissa tapahtuneiden konfliktien välistä korrelaatiota, mutta lisäksi aineistoissa oli tietoa esimerkiksi Internetin käyttäjistä. Aineistoja tarkastellessa voitiin huomata, että timanttikaivosten, öljykenttien ja konfliktien määrällä on yhteys toisiinsa. Toisaalta esimerkiksi konfliktien määrissä mitatulla ykkösmaalla Etiopialla ei ollut yhtään timanttikaivosta ja vain yksi öljykenttä, joten poikkeuksiakin siis löytyi. Lukumäärien vertailu on kuitenkin melko suppea tapa ottaa selvää timanttikaivosten, öljykenttien ja konfliktien välisestä yhteydestä, sillä aineiston mukana oli tietoa muun muassa timanttikaivosten ja öljykenttien löytämis- ja perustamisvuosista ja tuottavuudesta sekä konfliktien tapahtumavuosista ja laajuuksista. Olisi ollut mielenkiintoista tutkia, miten esimerkiksi konfliktien määrä on muuttunut timanttikaivosten tai öljykenttien perustamisen jälkeen. Lisäksi olisi kiinnostavaa selvittää timanttikaivosten tuottavuusluokittelun yhteyttä konfliktien määrään.

Kuva 1. Afrikan öljykentät, timantit ja konfliktit

Sitten olikin vuoro todistaa juuri oppimamme taidot tuottamalla Suomen valuma-alueista tulvaindeksiä ja järvisyysprosenttia kuvaava koropleettikartta. Tulvaindeksillä voidaan kuvata alueen tulvaherkkyyttä eli keskiylivirtaaman(MHQ) ja keskialivirtaaman (MNQ) suhdetta. Järvisyysprosentti kuvaa taas valuma-alueella sijaitsevien järvien määrää suhteessa valuma-alueen pinta-alaan (viittaus tulossa). Aluksi aineistojen yhdistäminen tuntui helpolta ja harjoitus oli mukavan kevyt. Sitten QGIS alkoikin temppuilemaan :D. Ensin ohjelmisto kaatui kokonaan ja tekemäni projekti katosi bittiavaruuteen, koska en harjoituksen alkuvaiheessa huomannut tallentaa sitä :). Hieman viisaampana yritin uudestaan, tallensin projektin ja pääsin laskemaan tulvaindeksiä. Toisella yrityksellä QGIS alkoi takkuilemaan uudelleen. Tietokoneeni alkoi herjaamaan, ettei QGIS pysty vastaamaan komentoihin, joten suljin ohjelmiston. Kolmannella yrityksellä QGIS kaatui taas tulvaindeksin laskuvaiheessa. Totesin, että on parempi jatkaa harjoituksen tekemistä kotona.

Kotona aloitin saman harjoituksen tekemistä kokonaan uudelleen. Onneksi kotikoneella harjoituksen tekeminen sujui hyvin. Tulvaindekseissä käytin sinisen sävyjä, sillä koen niiden kuvaavan hyvin veteen liittyviä tietoja.  Kaverin auttavan käden alla diagrammien sovituskaan ei tuntunut liian vaikealta. Tein ensin järvisyysprosentista pylväsdiagrammit, mutta maallikon kartantulkintaa helpottaen vaihdoin ne ympyrädiagrammeiksi, joiden koko kuvaa hieman paremmin järvisyysprosenttia. Pylväsdiagrammien haasteena oli niiden korkeuksien vertaaminen toisiinsa, varsinkin kun ne sijoittuivat eri puolille Suomea. Toisaalta ympyrädiagrammitkaan eivät ihan ongelmattomia ole: monet ympyrät etenkin rannikkoalueilla ovat päällekkäin, mikä puolestaan voi haitata yksittäisten alueiden tulkittavuutta kartalla. Pitkään pohdittuani valitsin ympyrädiagrammien väriksi kuitenkin tummansinisen, sillä pidän visuaalisesti siitä, ettei kartta ole levottoman näköinen useammalla toisiinsa yhteensopimattomalla värillä. Toinen väri olisi ehkä erottanut ympyrät paremmin toisistaan. Ulkonäöllisesti minua jäi myös harmittamaan Suomea ympäröivien valtioiden rajojen epäselkeys, jota en osannut ratkaista QGIS:llä.

Kuva 2. Suomen tulvaindeksi ja järvisyysprosentti

Karttaa tarkasteltaessa voidaan huomata, että tulvaindeksiltään suurimmat alueet sijaitsevat etelä- ja länsirannikolla. Järvisyysprosentti on kuitenkin suurimmillaan Keski-Suomen alueella. Näitä tuloksia tutkiessani mietin, että johtuisikohan rannikon suuret tulvaindeksit siitä, että valuma-alueet sijaitsevat lähellä merta, jossa säävaihtelut voisivat olla suurempia kuin muualla Suomessa, jolloin vettä sataa ja kertyy enemmän rannikoiden valuma-alueille.

Maallikolle valuma-alueiden tietoja kuvaavien termien ymmärtäminen voi tuntua haastavalta, etenkin tulvaindeksi voisi aiheuttaa hieman päänvaivaa. Tulvaherkkyydestä puhuttaessa karttaa voidaan kuitenkin ymmärtää hieman paremmin: mitä tummempi sinisen sävy kartalla näkyy, sitä suurempi tulvaindeksi on (eli sen herkempi alue on tulvimaan). Järvisyysprosentti sen sijaan terminä voi olla helpommin ymmärrettävissä ja tulkittavissa: ympyrädiagrammien suurempi koko kuvaa suurempaa järvisyysprosenttia. Koropleettikarttaa voidaan käyttää tulvaherkkien alueiden sijainnin tarkasteluun ja tietoa voidaan soveltaa esimerkiksi rakennushankkeisiin. Myös Eveliina Kuparinen pohtii blogipostauksessaan “3. kurssikerta” harjoituksessa käytetyn kartan käyttömahdollisuuksia maankäytön tutkimisessa. Kuparinen kirjoittaa, että tulvaherkillä alueilla rakennusten suunnittelussa tulisi ottaa huomioon rakenteelliset muutokset sekä tulvien mahdolliset vaikutukset rakennuksiin.

Monista vastoinkäymisistä ja parannusmahdollisuuksista huolimatta käteen jäi onnistumisen tunne ja tyytyväinen olo kurssikerrasta. Innolla odottaen seuraavaa kurssikertaa!

 

Lähdeluettelo:

Kuparinen, E. (2023). “3. kurssikerta”. kupariev’s blog. 6.2.2023. https://blogs.helsinki.fi/kupariev/. Viitattu 9.2.2023.

 

Moikka,

Toisella kurssikerralla syvennyimme erilaisiin datatiedostotyyppeihin ja niiden käyttämiseen QGIS:ssä. Alkuluennosta kävimme muun muassa läpi rajapintoja sekä niiden käyttöä eri ohjelmissa sekä erilaisia palveluntuottajia. Rajapinnat eivät itselleni olleet ennestään tuttuja ja uskon, että erilaisten palveluiden muistaminen vaatii vielä kertaamista, mutta minusta oli kiva, että pääsimme hyödyntämään tietoa myös käytännössä päivän harjoituksissa.

Uutena asiana saimme kokeilla erilaisten projektioiden vertailua. Ensimmäiseksi etsimme erilaisia projektioita ja vertailimme niitä silmämääräisesti sekä QGIS:n mittatyökalulla. Omatoimisessa työskentelyssä täytyikin muistella erilaisten projektioiden nimiä (siitä on jonkin aikaa, jolloin niitä viimeksi käytin), ja teimme paljon yhteistyötä vierustoverini Sarlotan kanssa. Täytyy myöntää, että vaikka silmä tarkkana seurasikin opettajaa ja uusien toimintojen näyttämistä, oli minulla silti hankaluuksia saada projektioiden vääristymäkertoimia näkymään attribuuttitaulukkoon. Jouduin usein poistamaan ja tekemään uudestaan joitain laskutoimituksia tai toimintoja, mutta loppujen lopuksi sain kuin sainkin projektioiden vääristymäkertoimet näkymään halutulla tavalla! Onneksi myös kaverini oli auttamassa vieressäni, muuten ei olisi meinannut karttojen tekemisestä tulla mitään :D. Excel-taulukkoa emme huomanneet tunnilla koota yhteen, mutta poimimme lukuja ylös kurssikerralla tallentamattomaan muistiinpano-tiedostoon. Kuten Laakkonenkin viittasi blogipostauksessaan “2. kurssikerta: projektiot” (27.1.2023) Mickelssonin ja Lindegrenin tekemiin taulukoihin, olen samaa mieltä siitä, että taulukoista löytyy samoja havaintoja, mitä teimme Sarlotan kanssa.

Karttaprojektiolla tarkoitetaan kaksiulotteinen tapa esittää maapallon pintaa. Sarlotta Laakkonen kirjoittaakin blogissaan osuvasti, että kolmiulotteista maapalloa on milteipä mahdotonta piirtää ilman vääristymiä. Sarlotan tavoin valitsin ensimmäiseksi karttaprojektioksi Mercatorin projektion, joka on oikeakulmainen lieriöprojektio. Vertailin Mercatorin projektiota ETRS-TM35-FIN-koordinaatistoon (lyhenteenä TM-35), ja kuvasin niiden väliset vääristymäkertoimet karttaan. Jaoin myös vääristymäkertoimet kahdeksaan luokkaan ja kuvasin niitä spektrin väreillä. Pienimmät vääristymäkertoimet olen kuvannut sinisellä, kun taas punainen väri kuvaa suurimpiin vääristymäkertoimiin kuuluvia alueita. Kuten kartasta (Kuva 1.) huomaa, vääristymäkertoimet kasvavat, mitä pohjoisemmaksi Suomea siirrytään.

Kuva 1. TM35-FIN koordinaatiston ja Mercator-projektion väliset vääristymäkertoimet

Toiseksi tarkasteltavaksi projektioksi valitsin tunnin jälkeen Robinson-projektion, jota vertailin myös TM35-projektioon. Kun näiden projektioiden välisiä vääristymäkertoimia verrataan Robinson- ja TM35-projektioiden väliset vääristymäkertoimet ovat paljon pienemmät verrattuna Mercator- ja TM35-projektioiden välisiin vääristymäkertoimiin. Kuten kuvan 1. kartasta huomataan, vääristymäkertoimien pienimmät arvot alkavat arvosta 3,94, kun taas kuvan 2. kartassa pienin vääristymäkerroinluokka alkaa arvosta 1,182. Myös vääristymäkertoimia kuvaavien luokkien välillä on eroja: esimerkiksi Mercator- ja TM35-projektioiden luokkavälit ovat paljon suuremmat (luokkavälit 0,3) kuin Robinson- ja TM35-projektioiden välisten vääristymäkertoimien luokkavälit (luokkavälit 0,018).

Kuva 2. TM35-FIN koordinaatiston ja Robinson-projektion väliset vääristymäkertoimet

Lähdeluettelo:

Laakkonen, S. (2023). “2. kurssikerta: projektiot”. Sarlotta Laakkonen – Kurssiblogi. 27.1.2023. https://blogs.helsinki.fi/sarlotla/ Viitattu 2.2.2023.

Lindegren, A. (2023) “QGIS ja projektiot. Anni Lindegren – Geoinformatiikan menetelmät -blogissa 25.1.2023. https://blogs.helsinki.fi/ablindeg/ Viitattu 14.3.2023

Mickelsson, L. (2023) “Viikko 2 Projektiovääristymien vertailua Suomen alueella. Geoinformatiikan menetelmät 1 -blogissa 27.1.2023. https://blogs.helsinki.fi/luukasmi/ Viitattu 14.3.2023

 

Tämä blogi on luotu maantieteen “Geoinformatiikan menetelmät I”-kurssia varten. Tutustuimme ensimmäisellä kurssikerralla QGIS-ohjelmistoon ja sen käyttöön. QGIS on itselleni ennestään jokseenkin tuttu, sillä ensikosketukseni siihen oli Johdatus geoinformatiikkaan maantieteessä -kurssilla muutama vuosi sitten. Toisaalta parin vuoden käyttötauon jälkeen ohjelmisto tuntui itselleni taas vieraalta ja uudelta, mutta uskon että harjoitusten ja kurssitehtävien avulla QGIS:stä tulee entistä olennaisempi työkalu tulevia opintoja varten.

Harjoittelimme ensimmäisellä kurssikerralla aineiston käyttöä ja koropleettikartan kuvantamista QGIS:llä. Kertasimme aluksi jo itselleni tutut käsitteet aineistotyypeistä ja syvensimme tietämystä erilaisista karttamalleista. Tämän jälkeen pääsimmekin sitten harjoituksen kimppuun. Harjoituksen tarkoituksena oli luoda koropleettikartta HELCOM-maiden typpipäästöistä.

Ensimmäinen kurssikerta oli pääosin opettajajohtoista opetusta, mikä toimii itselleni hyvänä oppimistekniikkana QGIS:in perusteiden opettelussa. Yhdellä kerralla tuli mielestäni runsaasti sisäistettävää asiaa aina shapefile-tiedostomuodosta kartan ominaisuuksien muokkaamiseen. Välillä seurasin myös Moodleen koottuja kurssimateriaalin ohjeita, sillä olin melko hidas etsimään QGIS:in kuvakkeita ja toimintoja. Karttaa tehdessä minulla oli vaikeuksia mittakaavan luomisen sekä kartan skaalaamisen kanssa, sillä mittakaavan lukemat näyttivät oudoilta, enkä saanut karttaa skaalattua niin, ettei jokin osa kartasta rajautunut pois. Sain kuitenkin myöhemmin kotitehtävään perehtyessäni ongelmat korjattua.

Kuva 1. Typpipäästöt HELCOM-maissa

Typpipäästökartan tekeminen oli pääasiassa opettajan visuaalisen näkemyksen mukailemista ja lopputuloksena miltei kaikilla kartta näytti kuta kuinkin kuvan 1. kartan näköiseltä. Jälkeenpäin ajateltuna olisin voinut valita jonkin toisen värin ja sen sävyt typpipäästöluokkien kuvaamiseen, sillä punainen on omasta mielestäni hieman levoton väri. Olen kuitenkin tyytyväinen lopputulokseen. HELCOM tarkoittaa suomennettuna Itämeren merellisen ympäristön suojelukomissiota ja käsittää siis Itämeren ympärillä sijaitsevat maat. Kuten kartasta voidaan huomata, Puola nousee kärkeen typpipäästöissään, kun taas esimerkiksi Virolla on muihin maihin verrattuna vähemmän päästöjä. Typpipäästöjen määrä riippuu muun muassa maan maapinta-alasta, elinkeinoista ja jätevesihuollosta. Esimerkiksi Puolan maapinta-ala on Viroon verrattuna suurempi, maan pääelinkeinoja ovat maatalous ja teollisuus ja jätevesihuolto on moniin Pohjoismaihin verrattuna huonompi.

Harjoittelin vielä omatoimisesti koropleettikartan (Kuva 2.) luomista kotona. Ensimmäisestä kurssikerrasta jäi melko sekavat ajatukset kotitehtävän kansssa etenemiseen, sillä QGIS:ssä toimintoja ja kuvakkeita oli paljon, joten harjoittelin ensimmäisen vaikeustason kartan tekemistä vielä käyttämällä kurssimateriaalissa olevia ohjeita sekä kaverin apua. Loin koropleettikartan Suomen kunnissa asuvien ulkomaan kansalaisten prosentuaalisista osuuksista vuonna 2015. Kuvasin prosentuaaliset osuudet turkoosin eri sävyillä. Valitsin turkoosin väriksi, sillä se on mielestäni melko neutraali ja “rauhallinen” väri. Kartan tummemmat turkoosin sävyt kuvaavat niitä alueita, jossa asuu prosentuaalisesti enemmän ulkomaan kansalaisia, kun taas vaaleammilla alueilla on prosentuaalisesti vähemmän ulkomaan kansalaisia. Kuten kuvasta 2. huomaa, prosentuaalisesti eniten ulkomaan kansalaisia on etelä- ja länsirannikolla, kuten Helsingissä, Espoossa ja esimerkiksi Turussa. Myös Pohjois-Suomessa Utsjoella on melko paljon ulkomaan kansalaisia.

Jälkeenpäin ajateltuna minun olisi pitänyt valita väri, jossa olisi ollut enemmän kontrastia eri sävyjen välillä, sillä kartan tulkitseminen samankaltaisilla turkoosin sävyillä eri luokissa voi olla hankalaa (etenkin kun aluejako perustuu kuntiin ja pienempien kuntien erottuvuus ei ole kovin hyvä). Aineiston luokittelu tuotti hankaluuksia, sillä luokat eivät ole yhtä suuria, mikä puolestaan vaikuttaa kartan tulkittavuuteen ja oikeellisuuteen. Myös Iina Kiikeri pohtii luokkajaon vaikutusta kartan tulkintaan ja huomauttaa, että eri kokoiset luokat voivat niputtaa kuntia samaan väriin kartalla, vaikka kuntien välillä olisikin suuri ero asukkaiden prosentuaalisista osuuksista. Lopputulokseen olen kuitenkin kokonaisuudessaan tyytyväinen.

Lähdeluettelo:

Kiikeri, I. (2023). “Ensimmäinen harkka 18.1.”. Iinakiik’s blog. 20.1.2023. https://blogs.helsinki.fi/iinakiik/ Viitattu 26.1.2023.