Month: February 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