Alexin blogi

Miten voikin olla mahdollista, että kurssi on tämän blogitekstin naputtelun jälkeen taputeltu? Seitsemän viikkoa on lyhyt aika, varsinkin kun on hyvää tekemistä!

Seitsemännellä kurssikerralla saimme vapaat kädet omien tuotosten toteuttamiseen. Se oli mielestäni hyvä asia, sillä edellisten kertojen opeilla jotain pitäisi saada aikaan. Lähdinkin itse tarkastelemaan lintulajien pesintään liittyviä aineistoja. Käytän karttaesitysteni pohjana kolmea Suomessa julkaistua lintuatlasta: ensimmäinen atlas (1974-1979; Hyytiä ym. 1983), toinen atlas (1986-1989; Väisänen ym. 1998) ja kolmas atlas (2006-2010; Valkama, Vepsäläinen & Lehikoinen 2011).  Kahden ensiksi mainitun atlaksen kohdalla käytän näiden yhdistettyä aineistoa paitsi sellaisenaan, myös vertailukohtana kolmanteen atlakseen.

Projekti alkoi siten, että latasin kätevän kokoiset (:D) CSV-aineistot 1.-3. lintuatlaksen tuloksista*, jotka pienellä säädöllä runnoin Excelin läpi QGISiin. Noin 345000 riviä attribuuttitaulussa. Pariin kertaan. Sounds easy, eh?
Edellä mainituissa lintuatlaksissa Suomi on jaettu noin 3800:aan 10x10km kokoiseen havaintoruutuun, jotka CSV-formaatista johtuen kuitenkin ilmestyivät tuomassani aineistossa pistemuotoisina kohteina kartalle. Ongelmalliseksi tilanteen teki se, etten löytänyt vastaavin kulmakoordinaatein varustettua ruutuaineistoa. Löytyi kuitenkin jonkinlainen (thanks Arttu!), mutta edellä mainitun “virheen” vuoksi kartassa olevat havaintoruudut sijaitsevat noin 8 kilometriä todellista sijaintiaan etelämpänä (esim. kuva 1).

Kun nämä taustatyöt oli tehty, pääsin visualisoinnin pariin. Tuotin ensiksi muutaman kartan pesivien lintulajien määrästä havaintoruuduittain; yhden vuosien 1974-1989 yhdistetystä aineistosta (kuva 1), ja toisen vuosien 2006-2010 aineistosta (kuva 2).

Kuvien 1 ja 2 karttojen heikkous piilee siinä, että vaikka selkeä kaava lintulajien pohjoista kohti vähenevässä määrässä esiintyykin, todellinen pesimälajien määrä on huomattavasti pienempi. Se johtuu siitä, että edellä oleviin karttoihin on, kuten sanottua, sisällytetty myös kategorian mahdollinen pesinnät. Näissä tapauksissa kyse voi yhtä lailla olla pesimäaikaan oman pesimäalueensa ulkopuolella liikkuvista linnuista, joiden pesintää ei ole mitenkään varmistettu. Tästä syystä tein vastaaviin aineistoihin pohjaavat kartat siten, että ne kattavat vain todennäköiset ja varmat pesinnät (breeding category eli bCa 3-4). Kuvista 3-4 saa aidomman kuvan lajien todellisesta pesimämäärästä.

Kuvista 3 ja 4 voidaan huomata lintulajien paljouden painopisteen olleen melko muuttumaton viimeisen 30 vuoden aikana. Havaintoruudut, joissa on todennäköisesti tai varmasti pesinyt yli 100 lintulajia, sijaitsevat pääsääntöisesti Vaasa-Imatra-linjan eteläpuolella. Myös Oulun suunnalla, ennen kaikkea Liminganlahdella, on runsas pesimälinnusto, ja paikoin päästään jopa 150:een lajiin havaintoruudussa.
Alhaisimmassa lajimääräluokassa (punainen) olevien ruutujen määrä näyttää vähentyneen muualla kuin Pohjois-Lapissa. Kyse on osakseen tosin myös siitä, että kartoitustehokkuus on suuressa osassa maata ollut parempi tuoreessa atlaksessa kuin kahdessa edellisessä. Etelä-Suomen yksittäisissä punaisissa ruuduissa lajien vähyys johtuu lähes poikkeuksetta joko a) mereisyydestä (vain vähän pesimäbiotooppeja, kuten luotoja) tai b) rajan läheisyydestä (vain pieni osa havaintoruudusta sijaitsee Suomen puolella.

Jotta edellä esitellyt aineistot eivät tuntuisi irrallisilta, oli luonnollinen valinta analysoida myös lajimäärien muutoksia. Kuvissa 5 ja 6 esittelen lajimäärien lukumäärällisiä ja prosentuaalisia muutoksia 1970-luvulta vuoteen 2010 ulottuvalla jaksolla.

Kuvassa 5 esitetyssä lajimäärän muutoksessa ei näytä päällisin puolin olevan kovin suuria ihmeellisyyksiä. Ehkä mielenkiintoisimpana erottuu Pohjois-Pohjanmaalla sijaitseva alue, jossa sekä prosentuaalinen osuus että absoluuttinen lajien lukumäärä on selvästi laskenut. Tämä johtuu todennäköisesti elinkeino- ja maatalousrakenteen muutoksista: alueella maanviljely (ja ennen kaikkea pientilat) on vähentynyt, minkä vuoksi monet kulttuuriympäristön lintulajit ovat alueelta hävinneet. Yhtä lailla jotkin pohjoisen Suomen lintulajit ovat esimerkiksi ilmaston lämpenemisen vuoksi voineet siirtyä hieman pohjoisempaan.

Kuvan 6 aineistosta olen jättänyt kokonaan pois ruudut, joissa lajien määrä on joko laskenut yli 80 %:lla tai noussut yli 700 %:lla. Kyseiset ruudut ovat poikkeuksetta sellaisia, joiden lajimäärä on jommassakummassa atlaksessa ollut nolla tai lähellä nollaa. Silti kartta näyttää enemmän tai vähemmän karrikoivalta. Varsinkin Lapissa lajimäärien ollessa pieniä, jo parinkin lajin muutos voi aiheuttaa prosentuaalisesti merkittävän eron. Tämän suhteen havainnollistavampana pidän itse kuvaa 5.

Olisin voinut lähteä tutkimaan asiaa pidemmälle, esimerkiksi käsittelemällä tiettyjen lintutyyppien (kuten edellä mainitut kulttuuriympäristöihin sopeutuneet linnut) esiintymisen alueellisia muutoksia. Yhtä lailla olisin voinut tuoda elinkeinorakenteen muutoksia havainnollistavia aineistoja, jotka selittäisivät kokonaisvaltaisemmin tiettyjen alueiden ominaisuuksia. Täytynee kuitenkin jättää jotain tekemistä tulevaisuudenkin varalle!

Ei tässä muuta, mennään näillä mitä on. Kurssi on nyt pulkassa aka paketissa, seuraavaksi kohti uusia pettymyksiä! Nöyrä kiitos Artulle sekä kurssitovereille antoisasta periodista. 🙂

*Suomen 1., 2. ja 3. lintuatlaksen tulokset. Luonnontieteellinen keskusmuseo Luomus, Helsingin yliopisto. Käyttö Creative Commons Nimeä 4.0 -lisenssillä.

LÄHTEET:

Hyytiä, K., Kellomäki, E. & Koistinen, J. (toim.) 1983: Suomen lintu­atlas. ­ SLY:n Lintutieto, Helsinki.
ISBN 9519556036, sidottu.

Väisänen, Risto A., Lammi, Esa, Koskimies, Pertti & Kostet, Jari 1998: Muuttuva pesimälinnusto. Otava, Helsinki.
ISBN 951-1-12663-6, sidottu.

Valkama, Jari, Vepsäläinen, Ville & Lehikoinen, Aleksi 2011: Suomen III Lintuatlas. – Luonnontieteellinen keskusmuseo ja ympäristöministeriö. <http://atlas3.lintuatlas.fi> (viitattu 2.3.2020) ISBN 978-952-10-6918-5.

 

Kurssikerta alkoi miellyttävissä merkeissä, kun pääsimme luokkahuoneessa istuskelemisen sijaan kävelemään Kumpulan lähiympäristöön. Epicollect5-sovellusta käyttäen keräsimme tietoa alueen kohteista ja tarkastelimme niiden ominaisuuksia esimerkiksi turvallisuuden ja hengailuun soveltuvuuden näkökulmasta. Turvattomiksi alueiksi koettiin ennen kaikkea suurten teiden, kuten Kustaa Vaasan tien ja Mäkelänkadun alueet. Kun tulokset ladattiin tietokantaan ja sitä kautta QGISiin, pääsimme interpoloimaan pisteaineistoa. Tuloksena syntyi havainnollistavia esityksiä (kuva 1). Mittauspisteitä olisi voinut olla enemmän todenmukaisemman kuvan saamiseksi, mutta joka tapauksessa interpolointityökalut tulivat nyt astetta tutummiksi.

Varsinaisena tehtävänä pääsimme seuraavaksi tutustumaan suurempiin, hasardeihin liittyviin aineistoihin. Näitä aineistoja pääsimme lataamaan muutamasta eri tietokannasta, minkä jälkeen ne siirrettiin joko Excelin kautta tai suoraan CSV-tiedostona QGISiin.

Ensiksi tutustuin maanjäristysaineistoon, josta valitsin tutkittavaksi vuosina 1946-2012 tapahtuneet järistykset. Yritin luoda toimivan näköisen kartan interpoloimalla yli 7,5 magnitudin järistyspisteitä, mutta lopputulos ei näytä kovin hääviltä (kuva 2). Tuotin hieman erilaisen esityksen pistekarttana, tällä kertaa yli 7 magnitudin järistyksistä, ja lopputulos on mielestäni huomattavasti havainnollistavampi (kuva 3). Siinä erottuvat selkeästi litosfäärilaattojen rajavyöhykkeet; ennen kaikkea Tyynenmeren tulirengas.

Seuraavaksi tarkastelin tulivuorten globaalia jakautumista. Valitsin havainnollistettavaan aineistoon vuoden 1964 jälkeen purkautuneet tulivuoret ja jaottelin ne yleisimpien tulivuorityyppien mukaan (kuva 4). Niin kuin maanjäristykset, myös tulivuorenpurkaukset ovat pääosin sijoittuneet litosfäärilaattojen rajavyöhykkeille. Kilpitulivuoret (kartalla keltaisella) sijaitsevat kuitenkin usein litosfäärilaattojen keskellä, ns. kuumien pisteiden kohdalla, ja ne erottuvat mukavasti muista erillään olevina kohteina.
Vaan mitäs kummaa! Ruotsissakin on näemmä purkautunut tulivuori! Sehän ei toki ole mahdollista, ja Janina Vikman onkin blogissaan selvittänyt kyseessä olevan todellisuudessa Islannissa sijaitseva tulivuori. Kuten hänkin toteaa, ei kannata aina sataprosenttisesti luottaa lukemaansa.

Päätin vielä tarkastella Japanin alueen tulivuoria, ja selviääkin että niitä on alueella monenlaisia (kuva 5). Yleisimpinä näyttäytyvät kerrostulivuoret, mutta näkyvissä on myös lukuisia kalderoita sekä vedenalaisia ja kompleksisia tulivuoria. Näkyypä alueella pari kilpitulivuortakin! Vaikka nämä kartassa olevat tulivuoret ovatkin kaikki purkautuneet vuoden 1964 jälkeen, eivät ne pääosin kuitenkaan aiheuta vaaraa lähialueiden ihmisille. Japan Meteorological Agencyn mukaan vuoden 2020 alussa vain seitsemän tulivuorta olivat aktiivisessa vaiheessa (kuva 6).

Viimeiseksi tarkastelin meteoriittien jakaantumista maailmalla. Erittelin 10-100-kiloiset, 100-1000-kiloiset ja yli 1000-kiloiset meteoriitit erivärisillä pisteillä. Tuloksista (kuva 7) käy ilmi, että yli tuhannen kilon meteoriittejä on murto-osa kaikista. Jätin tarkoituksella kartan ulkopuolelle alle kymmenen kiloa painaneet meteoriitit, sillä niitä on tuhoton määrä: yli 40 000. Havainnot ovat mielenkiintoisella tavalla jakaantuneet kartalle; Yhdysvaltojen ollessa selkeä keskittymä! Tämä johtunee ennen kaikkea niiden tehokkaasta havainnoinnista, joka ei ole kaikkialla mahdollista. Kuten Enni Pyysalo on myös huomioinut blogissaan, Siperiassa ja Pohjois-Kanadassa ei juurikaan ole meteoriittihavaintoja. Tämä ei varmastikaan johtune siitä, etteikö sinne olisi niitä syöksynyt, vaan kyseessä on nimenomaan havaintojen ja asutuksen vähäisyydestä johtuva seikka.

Tämä kurssikerta oli luma-muistikuvien verestämisen vuoksi ihan jees, kuuluvathan nuokin asiat maantieteilijän perusosaamiseen. Kurssi kokonaisuudessaan on mennyt aika nopeasti, ja ensi viikolla onkin viimeinen kerta. Siihen saakka – adios!

LÄHTEET:

Japan Meteorological Agency | Volcanic Warnings (Japan)
(luettu 24.2.2020)
https://www.jma.go.jp/en/volcano/

Pyysalo, Enni (2020): Hasardeja kartalla (luettu 24.2.2020)

Hasardeja kartalla

Vikman, Janina (2020): Ulkoilua, kolme karttaa ja ruotsalainen tulivuori (luettu 24.2.2020)
https://blogs.helsinki.fi/jagvikma/2020/02/19/kolme-karttaa-ja-ruotsalainen-tulivuori/

Helou!

Kurssikerta 5 on nyt takanapäin, ja jälleen noustiin pari leveliä matkalla GIS-velhoksi.
Aloitimme sieltä mihin edellisellä kerralla jäätiin eli Pornaisista. Viimeksi luodusta alueesta valittiin tiet, jotka sitten bufferoitiin. Tämä tarkoittaa käytännössä sitä, että teiden ympärille luotiin 100 metrin levyinen puskurivyöhyke, minkä jälkeen tarkasteltiin rakennusten ja asukkaiden sijoittumista alueella. Rakennuksiin oli aiemmin rand-laskulauseketta käyttäen “arvottu” 0-5 asukasta kuhunkin. Bufferin avulla sitten tarkasteltiin, minkä verran asukkaita asuu sadan metrin säteellä pääteistä (kuva 1). Yhtä lailla tarkasteltiin asukkaiden etäisyyttä Pornaisten koulusta ja terveyskeskuksesta. Ihan kätevä alkuharjoitus ja johdatus buffereiden ihanaan maailmaan.

Kurssikerran varsinainen idea oli kuitenkin oppia soveltamaan tämän ja edellisten kurssikertojen työkaluja ja analyysejä, ja näihin päästiinkin itsenäistehtävien parissa.
Tarkastelimme ensiksi Malmin lentokenttää ja sen lähiympäristöä ennen kaikkea lähialueen asukkaiden kokeman melusaasteen näkökulmasta. Luotiin bufferivyöhyke kiitoratojen ympärille, minkä jälkeen tsiigailtiin kilometrin ja kahden kilometrin säteellä kentästä sijaitsevien rakennusten ja niissä asuvien ihmisten määrää. Kahden kilometrin säteellä sijaitsikin peräti 4712 rakennusta, joissa asui 57457 asukasta. Lentomelu on vaikuttanut siis monen ihmisen elämään alueella. Selvitin myös sen, kuinka suuri osa kilometrin säteellä lentokentästä sijaitsevista rakennuksista on rakennettu ennen lentokentän rakentamista (1936). Kilometrin säteellä sijaitsevia (asuin)rakennuksia oli 760, joista vain 54 eli 7,11% on lentokenttää vanhempia. Kokosin havainnot taulukkoon (taulukko 1).

Yhtä lailla tutkittiin lentomelun vaikutusta Helsinki-Vantaan lentokentän lähiympäristössä; sekä todennettujen lentomelualueiden että itse luotujen 1km ja 2km buffereiden avulla. Itse kiitoratojen ympärille luodut bufferit osoittautuivat kuitenkin melko hyödyttömiksi, sillä todelliset lentomelualueet eivät tässäkään tapauksessa ole pyöreitä kohteita lentokentän ympärillä vaan pitkiä kiitoratojen suuntaisia “häntiä”. Kahden kilometrin bufferivyöhykkeellä asui todellisuudessa vain noin 4% lentomelulle altistuneista ihmisistä. Vuonna 2002 Helsinki-Vantaalle rakennettiin uutta kiitorataa, minkä vuoksi lentokoneet laskeutuivat väliaikaisesti kaakon suunnalta Tikkurilan yli. Tällöin yli 60 desibelin voimakas lentomelu vaikutti yli 10000 ihmisen elämään kyseisellä alueella. Hki-Vantaan lentomeluhavaintoja taulukossa 2.

Bufferi ominaisuutena on melkoisen kätevä, ja sitähän voisi edellä mainittujen käyttötarkoitusten lisäksi hyödyntää vaikkapa ranta-alueiden rakennusoikeuksia kartoitettaessa (mökkiäkään kun ei useimmiten saa rakentaa 25 metriä lähemmäs rantaviivaa). Siinä missä bufferi alkaa olla hallussa, moni muu ominaisuus ei niinkään tunnu aina vielä luontevalta käyttää. Samaistun Joonatan Reunaseen, kun hän sanoi extractilla alkavien työkalujen jääneen hieman pimentoon. Samaa mieltä olen hänen kanssaan kuitenkin siitä, että field calculatorin perusominaisuudet ovat hallussa, samaten processing toolboxin käyttö. Jotain kehitystä sentään tullut!

Toisessa itsenäistehtävässä tutkin ihmisten sijoittumista suhteessa juna- ja metroasemiin. Samalla kaavalla ja rutiinilla sujui tämäkin tehtävä, mikä helpotti tekemistä huomattavasti. Selvitin 500 metrin säteellä asemista asuvien ihmisten määrän ja myös heidän osuuden alueen kokonaisväestöstä. Alla olevassa taulukossa 3 näkyy myös työikäisten osuus 500m säteellä asuvista, jonka selvitin Join attributes by location -komennolla.

Jälleen avattiin Artun zippipaketista uusi tietokanta, sisältönä tällä kertaa pääkaupunkiseudun taajamat! Sitten laskettiin alueen taajamissa ja niiden ulkopuolella asuvien ihmisten ja kouluikäisten määrät ja osuudet. Nämä taulukossa 4.

Viimeisimpänä tehtävänä toteutin Itsenäistehtävä 5:n, jonka tarkoituksena oli tarkastella putkiremontti-iässä (rakennettu 1965-70) olevien kerrostalojen osuutta osa-alueittain Helsingissä. Helsingissä oli aineiston luomishetkellä 33271 asuinrakennusta, joista 9666 (29%) oli kerrostaloja. Vuosina 1965-1970 rakennettuja taloja oli 2094, joista suhteessa suurempi osuus (37%, 776 kpl) oli kerrostaloja (taulukko 5).

Aineistojen pohjalta tuli luoda osa-alueittainen koropleettikartta, jossa ilmenee putkiremontti-indeksi eli osuus kerrostaloista, jotka on rakennettu vuosien 1965-1970 välillä. Tämä osoittautui hieman hankalammaksi tehtäväksi. Ensinnäkin täytyi saada talojen (pisteiden) määrä osa-alueittain taulukkoon, jotta “putkiremontti-ikäisten” talojen osuuden laskeminen onnistuisi. Pitkällisen pohdinnan jälkeen tajusin käyttää Count points in polygon -toimintoa, jonka avulla sain luvut nätisti attribuuttitaulukkoon. Sitten samaan tapaan putkiremonttitalojen lukumäärät, minkä jälkeen näiden osuus kaikista kerrostaloista. Voilà! Homma hanskassa. Koropleettikartasta (kuva 2) tuli mielestäni varsin havainnollistava. Kartassa erottuvat ennen kaikkea Itä- ja Koillis-Helsingin lähiöt, joiden rakennuskanta on melko suurelta osin peräisin 1960-70-luvuilta. Yhtä lailla erottuu Lehtisaari, jonka 15 kerrostalosta 13 on rakennettu kyseisen ajanjakson aikana! Mielenkiintoinen seikka sekin. Taulukossa 6 vielä joitakin esimerkkialueita.

Kun kurssi on edennyt tähän vaiheeseen, on hyvä pohtia, miten olen QGISin käyttäjänä kehittynyt. Monet toiminnot, kuten Join attributes by value/location, Select by location, Dissolve ja nyt myös Buffer tuntuvat jo melko helpoilta käyttää. Aivot eivät kuitenkaan aina pelaa niin kuin pitäisi, ja aivan selkärangasta ei meinaa vielä mikään juttu tulla. Kuten Riina Hiltula ja Juho Halonen totesivat, on varmasti järkevää miettiä, mitä todella tekee eikä vain tehdä aivottomasti ja toivoa että homma skulaa. Pikkuhiljaa etiäpäin. Tämän paikkatieto-ohjelman ominaisuudet ovat niin laajat, että tällaisena keltanokkana on hankala keksiä jotain, mitä ohjelmalla ei voisi tehdä. Jonain päivänä, kun mä oon GIS-velho level 1000, keksin varmaan jotain sellastakin!

Ens kertaan!

LÄHTEET:

Halonen, Juho (2020): Viides kurssikerta – Itsenäistehtäviä

Viides kurssikerta – Itsenäistehtäviä

Hiltula, Riina (2020): 5.kerta – itsenäisharjoituksia ja oivalluksia
https://blogs.helsinki.fi/hiltular/2020/02/13/5-kerta-itsenaisharjoituksia-ja-oivalluksia/

Reunanen, Joonatan (2020): Mennää eteenpäin.

Mennää eteenpäin.

Rasteriaineistoja ja niihin liittyvien toimintojen opettelemista… Tai sitten kasapäin tietoteknisiä ongelmia ja niiden ratkomista. Tarkalleen ottaen en osaa sanoa, kumpi jäänee päällimmäisenä mieleen tästä kurssikerrasta. Harjoitus kuitenkin tekee mestarin, ja virheitä tekemällä sekä samoja juttuja kerta toisensa jälkeen toistamalla pitäisi opin mennä paksuunkin kalloon.

Kuten sanottua, pääsimme nyt vaihteen vuoksi pelaamaan rasteriaineistoilla! Ensimmäisessä harjoituksessa tuli toteuttaa väestöntiheyskartta ruutuaineistoa käyttämällä. Avattiin tiedostopaketista väestötietokanta, johon oli sisällytetty sijainti- sekä ominaisuustietoja pääkaupunkiseudun asuinrakennuksista. Tämän jälkeen luotiin grid, jota sitten muokattiin tarkoitukseen sopivaksi. Väestötietokanta sisälsi hyvin paljon attribuuttitietoja, joista kohtuullisen pieni osa oli olennaista informaatiota. Siispä karsittiin sarakkeita. Jäljelle jätettiin joitakin laskemisen kannalta hyödyllisiä muuttujia, kuten talojen rakennusvuodet, asukkaiden kokonaismäärä sekä naisten ja miesten määrä.

Aikaansaannos oli ruututeemakartta, jossa päätin itse havainnollistaa miesten osuutta väestöstä 1×1 kilometrin ruuduissa (kuva 1). Jätin ulkopuolelle ruudut, joissa asuu alle 20 asukasta sillä tällaisissa ruuduissa suhteelliset osuudet voivat vääristyä (jos alueella asuu vaikkapa 8 ihmistä joista 7 on naisia tai miehiä).

Kuten muun muassa Matti Katajisto totesi blogissaan, ruutuaineiston hyviin puoliin kuuluu ehdottomasti se, että ruudut ovat saman kokoisia, jolloin suhteellisia ilmiöitä on hyvä esittää havainnollistavasti. Yhdyn myös hänen näkökulmaansa siitä, että turhan tarkkuuden karsiminen tekee aineistosta helpommin luettavan.

Miesten suhteellinen osuus on suurimmassa osassa ruuduista 45-50%, mikä tavallaan ei tule yllätyksenä, sillä Tilastokeskuksenkin mukaan miesten osuus oli pääkaupunkiseudulla vain 48,1%*. Otaniemen alueella miehiä oli yli 60%, mikä selittyy pitkälti miesvaltaisten opiskelualojen ja näiden opiskelijoiden asumisella. Helsingin kantakaupungin alueella ei kuitenkaan ole yhtäkään ruutua, jolla miehiä olisi enemmän kuin naisia. Syynä todennäköisesti on yksinkertaisesti se, että naiset elävät pidempään kuin miehet; ja alueen ollessa hintavaa asuinaluetta on asukkaiden keski-ikäkin korkeampi. Mikäli Otaniemeä ei oteta lukuun, on miesvaltaisia ruutuja sitä enemmän, mitä kauemmaksi mennään Helsingin keskustasta. Osakseen tätä ilmiötä voi selittää tiettyjen työalojen (kuten teollisuuden) sukupuolijakauma; ovathan näiden alojen työpaikat kuitenkin yleensä sijoittuneet kauas ydinkeskustasta.

Sitten päästiin toisen tehtävän pariin, ja vihanhallintakurssi sai kuin saikin jatkoa. Tarkoitus oli tuoda rasterimuotoinen peruskartta Pornaisten alueelta, johon liitettäisiin korkeuskäyrät ja rinnevarjostusefekti. Aluksi homma skulasi hyvin, mutta ongelmat ilmaantuivat kuin taikaiskusta. Ensiksi kaatui QGIS, ja vaihdettuani työskentelyasemaa sain tehtävää tehdessä mitä mielenkiintoisimpia virheilmoituksia. Alla osviittaa näistä.

 

 

 

 

 

Pidemmittä puheitta, saatiin jotain aikaankin! Lopulta alkoivat varjostukset ja tietokannat toimia, minkä jälkeen päästiin kokeilemaan QGISin piirtotyökaluja. Pornaisten taajaman alueelle piirrettiin tärkeimmät tiet sekä asuinrakennusten sijainnit seuraavaa kurssikertaa varten (kuva 2).

Jeppis jepulis elikkä ei muuta kuin ensi kertaan!

*vuonna 2013 (eli samana vuonna, jolta väestöaineisto on)

LÄHTEET:

Katajisto, Matti (2020): Varsinaista velhoilua (luettu 10.2.2020)
https://blogs.helsinki.fi/mattikat/2020/02/05/varsinaista-velhoilua/

Tilastokeskus: Väestö iän (1-v) ja sukupuolen mukaan alueittain, 1972-2018, vuosi 2013.
https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__vrm__vaerak/statfin_vaerak_pxt_11re.px/

Keskiviikkoaamu, kello 8:15.
Unihiekka varisi pois ja vaihtui silmien säkenöintiin, kun jokaisen lemppari paikkatieto-ohjelma QGIS avautui jälleen.

Edellisellä kurssikerralla kokeiltiin muun muassa eri projektioita ja niiden vaikutuksia tuotettuun aineistoon. Jossain määrin sellainen venkslaus tuntui turhalta, minkä vuoksi olin tyytyväinen että päästiin uusiin hommiin. Yllätyksekseni pääsimme myös viimein pois Suomen kamaralta; aina Afrikkaan asti!

Käteen lyötiin jälleen zippipaketti, josta pääsimme työstämään hehkeää karttaesitystä; aiheena Afrikan öljyesiintymien, timanttikaivosten ja konfliktien sijoittuminen. Jotta kartta voitaisiin tuottaa, piti kuitenkin tutustua muutamaan hyödylliseen työkaluun. Alkuperäistä Afrikan valtiot käsittävää karttaa piti hieman “trimmata”; jotta aineisto saatiin muokkauskelpoiseksi. Kuten Mikko Kangasmaakin totesi, ensisijaisen hyödylliseksi osoittautui myös toolbox-hakutyökalu.

Karttaesityksessä (kuva 1) näkyy siis edellä mainittujen luonnonvarojen ja konfliktien sijoittuminen Afrikassa. Olisin voinut olettaa, että öljy- ja timanttiesiintymien sijainti korreloisi jossain määrin konfliktien esiintymisen kanssa, mutta kartta sanoo toista. Mitään selkeää yhteyttä en havaitse. Kenties konfliktit ovat siis saaneet pääosin alkunsa muista asioista; vaikkapa siirtomaavallan purkautumista seuranneista (valtatyhjiön aikaansaamista) välienselvittelyistä ja näiden jälkeisistä vuosikymmeniä kestäneistä erimielisyyksistä. Kuten esimerkiksi Juho Halonen pohti blogissaan (Halonen 2020), konfliktien aikajakauman esittäminen kartalla voisi selventää niiden taustalla olevia syitä.

Pistin heti aineiston avattuani merkille konfliktien suhteellisen vähäisyyden Pohjois-Afrikassa. Esimerkiksi Libyassa konflikteja oli vuosina 1947-2008 pyöreät nolla (0), vaikka jokainen muistanee kyseisen valtion vuoden 2011 arabikevään ruutitynnyrinä. Sikäli olisi mukavaa, jos olisimme saaneet tuoreempaa tutkimusaineistoa karttaesityksen pohjaksi. Yhtä lailla Joonatan Reunanen huomioi, että mikäli aineiston vuodet olisivat olleet toiset, voisi esitys näyttää melkolailla erilaiselta.

Muun muassa Elias Hirvikoski ja Pihla Haapalo pohtivat mahdollisia monipuolisemman analysoinnin hyötyjä aineiston suhteen. Olisikin mielekästä nähdä tarkempaa tutkimusta esimerkiksi siitä, miten timanttikaivokset tai öljykentät todella vaikuttavat konfliktien määrään ja sijoittumiseen. Yhtä lailla olisi mielenkiintoista nähdä köyhyyden “ulkopuoliset” syyt internetin käyttäjämäärien taustalla.

Havainnollistin internet-käyttäjien suhteellisen määrän yksinkertaisella koropleettikartalla (kuva 2). Huomasin Miklas Kuoppalan tehneen samalla idealla kartan, joskin hän näyttää käyttäneen absoluuttisia lukumääriä, mikä tekee mielestäni kartasta enemmän tai vähemmän harhaanjohtavan (soo soo :D). Jos ei muuta, niin lopputulos kartoissa ainakin näyttää melko erilaiselta.

Seuraavaksi pääsimmekin työstämään hieman toisenlaista aineistoa, nimittäin Suomen valuma-alueiden tulvaindeksejä ja järvisyysprosenttia kuvaavaa karttaa (kuva 3). Hieman taas yhdisteltiin tietokantoja ja laskeskeltiin sitä sun tätä! Tämä kuuluisa ja edullinen vihanhallintakurssi pääsi vaihteeksi näyttämään kyntensä, kun QGIS crashasi juuri kriittisessä vaiheessa. Onneksi saatiin ystävällisen vierustoverin (SHOUTOUT Matias Sarajisto) kanssa jonkinnäköinen esitys kuitenkin aikaan.
Lopputuloksesta tuli mielestäni kohtuullisen havainnollistava: Valuma-alueilla, joiden järvisyysprosentti on suuri, on huomattavasti vähemmän vuodenaikaisvaihtelua jokien valunnassa. Jotain meni kuitenkin mönkään: noin tuhat muuta blogia aiheesta ilmoittaa tulvaindeksien lukemaksi jotain välillä 1-1100, vaikka me saimme lukemiksi maksimissaan 16,7. No, oppia ikä kaikki. Ehkä Arttu pätevänä yliopisto-opettajana kertoo seuraavalla kurssikerralla missä meni vikaan!

Adiós eli ensi viikkoon!

LÄHTEET:

Haapalo, Pihla (2020): Timanttikaivoksia ja tulvaindeksejä (luettu 3.2.2020)
https://blogs.helsinki.fi/haapalop/2020/01/29/timanttikaivoksia-ja-tulvaindekseja/

Halonen, Juho (2020): Kolmas kurssikerta – Ei niin timanttisia karttoja (luettu 3.2.2020)

Kolmas kurssikerta – Ei niin timanttisia karttoja

Hirvikoski, Elias (2020): Kolmas (luettu 3.2.2020)

Kolmas

Kangasmaa, Mikko (2020): Käytännön GIS-hommia (luettu 3.2.2020)

Käytännön GIS- hommia (Kurssikerta 3)

Kuoppala, Miklas (2020): Mihin tää voikaan vielä johtaa? (luettu 3.2.2020)

Mihin tää voikaan vielä johtaa?

Reunanen, Joonatan (2020): Beast mode on. (luettu 3.2.2020)

Beast mode on.

Toinen kurssikerta piti sisällään erilaisiin valintoihin ja tietokantoihin tutustumista sekä eri projektioiden vertailua. Ja mikä tärkeintä, se piti sisällään myös turhautumisen tunteita! Ensimmäisen visualisoinnin sain ohjeiden avulla tehtyä, mutta toinen ei sitten onnistunutkaan, yllätys yllätys. Nämä hommat siis vaativat grindaamista, jotta ne alkavat sujua.

QGIS tarjoaa monia tapoja saada aineistoja paikkatieto-ohjelmaan. Yleistymään päin ovat olleet erilaiset rajapinnat, joiden avulla haetaan netistä aineistoja suoraan palvelimelle. Näistä yleisimpiä ovat esimerkiksi WFS ja WMS, joista ensimmäistä pääsimme kokeilemaan. WFS eli Web Feature Service tarkoittaa (vektorimuotoisia) aineistoja, joita voi tallentaa omalle koneelle ja yhtä lailla muokata paikkatieto-ohjelmassa. Siispä avasimmekin Tilastokeskuksen WFS-paketin, joka sisälsi kymmeniä aineistoja eri aluerajauksin ja eri mittakaavoissa.

Sitten ryhdyttiinkin toimeen. Tarkoitus oli vertailla eri projektioiden vaikutuksia pinta-aloihin, tässä tapauksessa käytettiin Mercatorin projektiota (kuva 1). En käyttänyt karttaselitteessä prosentuaalisia arvoja vaan kerrointa, joka kuvaa sitä miten monikertaisena pinta-alat näkyvät kartalla. Esimerkiksi Etelä-Suomessa Mercatorin projektio kuvaa pinta-alat noin kolme kertaa liian suurina ja Lapissa jopa seitsenkertaisina. Tämä pohjoista kohti suureneva vääristymä oli toki oletettavissa, kuten muun muassa Enni Pyysalo totesi blogissaan (Pyysalo 2020).

Onkin siis kriittisen tärkeää, mitä projektiota käyttää esimerkiksi pinta-aloja tutkittaessa. Pinta-alojen lisäksi alueiden muodot vääristyvät, mikäli käytetty projektio ei ole sopiva. Vertailinkin seuraavaksi ETRS-TM35FIN- ja World_Robinson-projektion vaikutusta pinta-aloihin ja alueiden muotoihin (kuvat 2 ja 3).

Toisin kuin ETRS-TM35FIN, Robinsonin projektio ei oikein sovi kuvaamaan muotoja ja pinta-aloja Suomessa. Siinä missä ensiksi mainittu tuottaa järkevän näköisen kartan, on Robinsonin projektion mukainen kartta jo selkeästi vääristyneen näköinen. Lisäksi huomasin, että pinta-ala muuttuu yhtä lailla: kuvassa 2 esitetyn alueen (melko todenmukainen) pinta-ala on noin 4700 km², mutta Robinsonin projektioon skaalattuna saman alueen pinta-ala vaikuttaisikin olevan n. 5500 km². Tässäkään mielessä ei siis ole lainkaan yhdentekevää, mitä projektiota käyttää.

Projektioiden vaihtaminen QGISissä osoittautui jossain määrin ongelmalliseksi, tai jopa meni osaamisen ulkopuolelle, kuten Mikko Kangasmaa kuvaili tilannetta (Kangasmaa 2020). Tässäkin asiassa on toisaalta varmasti hyötyä toistosta. Harjoitus tekee GIS-mestarin!

LÄHTEET:

Enni Pyysalo (2020): Kurssikerta 2 – projektioiden vertailua (Luettu 27.1.2020)

Kurssikerta 2 – projektioiden vertailua

Mikko Kangasmaa (2020): Projektioita ja valintatyökaluja (Kurssikerta 2) (Luettu 27.1.2020)

Projektioita ja valintatyökaluja (Kurssikerta 2)

Hip hei!

Mikäs sen parempi tapa aloittaa uusi vuosi ja vuosikymmen kuin QGIS! Tämän avoimen lähdekoodin paikkatieto-ohjelmiston olisi parempi aiheuttaa innostumisen tunteita, tai muuten edessä on kivuliaat pari kuukautta. Tuon ajanjakson vietän siis Geoinformatiikan menetelmät 1 -kurssilla tulevien GIS-velho-opiskelutovereideni kanssa. Tässä blogissani käsitellään niin positiivisia kuin negatiivisiakin tuntemuksia QGISin tiimoilta (ja ehkä jotain konkreettisia tuotoksiakin, mikäli saan niitä aikaan).

Vaikka olin jo ennen kurssia ladannut QGISin läppärilleni, sain niiden parin kuukauden aikana vähemmän aikaan kuin ensimmäisen neljä tuntia kestäneen kurssikerran aikana. Vaikuttaakin siltä, että kenties tämä kurssi tulee kuin tuleekin tarpeeseen! Ensimmäiseksi tehtäväksi saimme toteuttaa visualisoinnin (lue: kartan) Itämereen kulkeutuvista typpipäästöistä valtioittain (kuva 1).

Erittäin havainnollistavien ohjeiden avulla työn toteutus oli helpompaa kuin olisin kuvitellut. Vaikka toisaalta, kuten esimerkiksi Annika Luoma totesi blogissaan (Luoma 2020), ilman ohjeita työn tekeminen olisi varmaankin tyssännyt alkutekijöihinsä. Pohja-aineistoa muokkaamalla saatiin joka tapauksessa aikaan kohtuullisen havainnollistava lopputulos. Työni visuaalista ilmettä (ennen kaikkea legendan osalta) olisin voinut kyllä parantaa, mutta tehty mikä tehty. Ja alkutaipaleella kun tässä ollaan, ei tämä ensimmäiseksi QGIS-räpellykseksi mahdottoman huono ole.

Seuraavaksi pääsinkin tuottamaan vapaavalintaisen koropleettikartan Suomen kunnat 2015 -aineistosta. Edellisen tehtävän perusteella olin saanut kätevästi haltuun kartan tuottamiseen vaadittavat taidot, jotka toivottavasti muistan vielä ensi kerralla! Päädyin tuottamaan kartan, jossa käsitellään eläkeläisten (yli 65-vuotiaiden) suhteellista osuutta eri kuntien väestöstä. Siinä missä edeltävä tehtävä vaati pari tuntia työntekoa, hoitui tämä vartissa. Kukaties ensimmäinenkin kartta on jonain päivänä ihan piece of cake.

Käytin koropleettikartan väriskaalana eri punaisen sävyjä, jotka jostain syystä tuntuvat näyttävän omaan silmiin sopivilta. Sitten ei muuta kuin lisättiin legenda, mittakaava ja pohjoisnuoli: ja kartta oli valmis. Lopputulokseen olen varsin tyytyväinen.

Tutustuin Tomi Kiviluoman ja Tiia Laisin kurssiblogeihin (Kiviluoma 2020, Laisi 2020) hieman tarkemmin, sillä heidän käsittelemänsä kunta-aineistonsa liittyivät jossain määrin omaani: Kiviluoma havainnollisti kuntien kokonaisnettomuuttoa ja Laisi taas kuntien luonnollista väestönkehitystä. Tästä saattoikin tehdä mielenkiintoisen huomion: kunnissa, joissa eläkeläisten osuus on korkea, on lähes poikkeuksetta myös negatiivinen luonnollinen väestönkehitys ja kokonaisnettomuutto. Innolla odotan uusia tapoja havainnollistaa informaatiota, varsinkin, kun nyt jo huomaan monien ohjelman tarjoamien ominaisuuksien hyödyn.

Jos edellä mainitut tehtävät tuntuivat jossain määrin helpoilta, odottanee seuraavilla kurssikerroilla paluu maankamaralle. QGIS järjettömän laajoine mahdollisuuksineen tarjoaa taatusti haastetta pidemmäksi aikaa. Ja sanomattakin lienee selvää, että haaste otetaan vastaan!

Lähteet:

Kiviluoma, T. (16.1.2020). Johdanto kurssille ja QGIS:n peruominaisuudet. Luettu 20.1.2020.

Johdanto kurssille ja QGIS:in perusominaisuudet

Laisi, T. (15.1.2020). Kurssikerta 1. QGIS-ohjelmistoon tutustumista. Luettu 20.1.2020.

Kurssikerta 1. QGIS- ohjelmistoon tutustumista

Luoma, A. (17.1.2020). Kurssikerta 1: Tutustumsita QGIS-ohjelmistoon. Luettu 20.1.2020.

Kurssikerta 1: Tutustumista QGIS-ohjelmistoon