Viimeinen kurssikerta on nyt takana ja kurssi on blogitekstiäni vaille valmis. Vaikka aika ajoin tuli kamppailtua QGIS:in kanssa, oli kurssi todella miellyttävä. Pidin siitä, että karttoja sai aina tehdä oman mielen mukaan ja blogiin sai vapaasti kirjoitella oman sydämensä kyllyydestä. Ehkä täytyykin aloittaa oma life-style -tyylinen blogi kurssin päättyessä.
Tälläkin kerralla meille annettiin jälleen vapaat kädet ja aineistot täytyi metsästää itse internetin syöväreistä. Kymmenien tidostojen ja satojen megatavujen lataamisen jälkeen löysin vihdoin järkeviä aineistoja, jotka sain myös QGIS:issä avattua. Tiesin haluavani tutkia Yhdysvaltojen manteretta, jonka 50:stä osavaltioista lähestyin länsirannikon Kaliforniaa. Ohessa onkin esitetty kaksi luomaani karttaa, joista ensimmäinen (Kuva 1) kuvaa Los Angelesin lähiseudun asutuksen jakautumista ja toinen (Kuva 2) San Franciscoa samalla teemalla.
Kuva 1. Asutuksen jakautuminen Los Angelesin seudulla.Kuva 2. Asutuksen jakautuminen San Franciscon seudulla.
Huomaamme karttoja tutkimalla, kuinka sama efekti esiintyy molemmissa kaupungeissa: ydinkeskustassa (mitkä olen CorelDRAW -ohjelmaa käyttämällä merkannut punaisella pisteellä) asutus on vähäistä, 0-3 500 henkilöä, verrattuna sitä kehystäviin kaupunkialueisiin, joissa saattaa asua peräti 13 700-37 500 henkilöä yhdessä kaupunginosassa, tai kuten Yhdysvalloissa kutsutaan “counteyssä”. Näiden kaupunkien ollessa kaksi Kalifornian suurinta asutuskeskittymää sekä yksiä Yhdysvaltojen liikevaihdon kannalta tärkeimpiä alueita, on ymmärrettävää, että aivan keskustassa ei asutus ole kovinkaan runsasta. Keskusta-alueiden rakennetut alueet ovat suurimmaksi osin yrityksien ja muiden tärkeiden organisaatioiden käytössä. Etenkin San franciscon ‘Piilaakso’ joka sijaitsee aivan tämän ydinkeskustan kupeessa (Kuva 3), nähdään olevan on asutusluokitelmaltaan matalain. Piilaakso koostuu muun muassa kartassa näkyvän San Josen, Mountain view ja Palo Alton alueista. “Työpaikkojen ja vaurauden määrä on kasvanut räjähdysmäisesti. Sen myötä on syntynyt kaksi suurta ongelmaa. Vuokrat ovat pilvissä ja ruuhkat älyttömiä” (Kauppalehti 2018). Syynä asutuksen vähäisyyteen voi myös olla näiden Kauppalehdestä lainattujen tietojen perusteella myös korkeat vuokrat sekä runsaat ruuhkat keskustan alueella. San Franciscon ja Los Angelesin kaupungeissa on tunntetusti heikot julkiset liikenteet, mitkä johtavat yksityisautoilun yleisyyteen ja aiheuttavat näin liikenneruuhkia.
Kuva 3. Google Mapsista otettu kuva, josta nähdään San Franciscon seudun nimistöä.
Los Angelesinkin alue on tärkeä liiketoiminnan hot-spot, mutta lisäksi hyvin merkittävä muun muassa elokuvteollisuuden ja yleisen televisiotuotannon keskittymä. Ydinkeskusta, ja etenkin tämän kupeessa oleva Hollywood (merkitty kuvaan 4), on on tästä syystä lähes asumattomia. Nähdään myös muun muassa Mt San Antonion vuoriston olevan lähes asumatonta.
Kuva 4. Google Mapsista otettu kuva, josta nähdään Los Angelesin seudun nimistöä. Hollywood merkattu punaisella merkillä.
Myönnettäköön, että olen hieman pettynyt tähän viimeiseen GIS “taidonnäyttööni”, sillä kartat ovat hyvin pelkistettyjä teemoiltaan. Olisin voinut etsiä enemmän tilastoja tms., mutta syynä yksinkertaisesti oli se, että muiden kiireiden vuoksi ei aika riittänytkään lisätiedon etsintään. Muun muassa Oula on tehnyt viimeisen viikkotehtävänsä Yhdysvalloista, Kaliforniasta poiketen New Yorkista, johon hän on liittänyt metrolinjoja sekä analysoinut niitä. Tämänkaltainen teemakartta olisi ollu paljon mielenkiintoisempi, mutta nyt mennään niillä, mitä on. Karttojen ulkonäköön olen kuitenkin erittäin tyytyväinen.
Tämän viikkoinen kurssikerta vei meidät hieman erilaisiin maisemiin, nimittäin rakkaiden GIS-luokkien sijaan seikkailimme Kumpulan lähiympäristössä Epicollect5 -paikkatietosovellukseen tutusuten. Keräsimme pistieitä (aka kohteita), joita me arvioimme kyseisen sovelluksen avulla. Arvoitavia seikkoja olivat esimerkiski turvallisuus ja viihtyvyys. Alle olen liittänyt kartan (Kuva 1), jossa olen interpoloinut meidän kurssikerrallamme kerätyt turvallisuusarvosanat erilaisista kohteista. Pisteet ovat luokiteltu saamiensa arvosanojen mukaan (1-5).
Kun tarkastelee karttaa, pistää siinä silmään etenkin Kumpulan ja Arabian välillä kulkevan Hämeentien risteyksen punainen väritys, joka viittaa turvattomuuteen. Hämeentie on erittäin suuri ja vilkas tie, joten en ihmettele, jos tämän ylittäminen ja vieressä kulkeminen koetaan turvattomaksi. Turvalliseksi koetaan muun muassa Kumpulan kampus -alue sekä lähiöalue, joka saavutetaan pian Arabian kauppakeskuskelta koilliseen kulkiessa. Näillä alueilla on mahdollisesti huomattavasti Hämeentien vartta rauhallisempaa, millä on suuri vaikutus koettuun turvallisuuteen.
Kuva 1. Koettu turvallisuus Kumpulan lähistössä.
Samaisella kurssikerralla saimme itsenäiseksi tehtäväksi hakea aineistoja muun muassa tulivuorista, maanjärisyksistä sekä meteoriittitörmäyksistä, joista jokainen sai räätälöidä karttoja kuten itse halusi. Omat karttani ovat liitettynä alle, joita on tällä viikolla poikkeuksellisen paljon. Taisin hieman innostua. 😀
Alla olevasta kartasta (Kuva 2), voidaan nähdä tulivuorten sijoittumisen maailmanlaajuisella tasolla. Voimme nopeasti erottaa Tyynenmeren tulirenkaan, joka kulkee Kaakkois- ja Itä-Aasian kautta Amerikoiden puolelle ja jatkaa kehämästä kulkuaan takaisin Aasiaan. Eri arvioiden mukaan tulirenkaan alueella tapahtuu jopa 90 prosenttia maailman maanjäristyksistä, ja siellä sijaitsee 75 prosenttia maailman aktiivista ja nukkuvista tulivuorista, joita on noin 450 kappaletta (Tekniikan maailma 2017). Kartan tulivuorisymboleiden huomataan olevan väriltään erilaisia: sinisävyiset ovat merenpinnan alla olevia tulivuoria (joiden laet voivat paikoin kuitenkin yltää pinnan yläpuolelle) ja punasävyiset ovat täysin merenpinnan yllä olevia tulivuoria.
Kuva 2. Tulivuorien maailmanlaajuinen levittäytyminen. Tulivuoret luokiteltuna niiden korkeuksien perusteella.
Jotta yllä olevasta kartasta saisi hieman selkoa, päätin tehdä siitä vielä kaksi erillistä karttaa, tarkentaen Kaakkois- ja Itä-Aasian- (Kuva 3) sekä Keski- ja Etelä-Amerikan (Kuva 4) alueita. Aasian aluetta kuvaavasta kartasta voi erottaa muun muassa syvänmerenhaudan, tarkemmin ottaen Mariaanien haudan, jossa tulivuoret ovat yksiä maapallomme syvimpiä, jopa 1 200-2 000 kilometriä syviä. Eteläistä Amerikkaa kuvaavasta kartasta huomataan taas Aasian kartasta päinvastaisen seikan, nimittäin Amerikoissa, pääasiassa Chilen rannikolla, tulivuoret ovat yksiä maapallomme korkeimpia: tulivuoret saavuttavat paikoin jopa 5 500-6 900 kilometrin korkeuden. Andien poimuvuoristolla on tähän suuri vaikutus.
Kuva 3. Tulivuorien keksittyminen Kaakkois-Aasiassa.Kuva 4. Tulivuorien keskittyminen Keksi- ja Etelä-Amerikassa.
Sitten päästäänkin maanjäristyksien pariin. Alle olen liittänyt laatimani kartan (Kuva 5), joka kuvaa vuoden 1950 jälkeen tapahtuneita maanjäristyksiä, mitkä ovat olleet voimakkuuksiltaan yli 6 magnitudia. Huomataan, kuinka 6-6.7 magnitudin järistykset ovat hyvin paljon yleisempiä, kuin esimerkiski 8.8-9.5 magnitudin järistykset. Yli 7.5 magnitudin järistyksiä tapahtuukin Helsingin yliopiston Seismologian laitoksen mukaan vain 3 kertaa vuodessa. Karttani on niin tupaten täynnä pisteitä aikahaarukan ollessa niin laaja, niin suuri osa suurista järistystapauksista jää todennäköisesti muiden pisteiden peittoon. Mutta muun muassa Alaskan mantereelta on havaittavissa tämänkaltainen voimakas järistystapaus.
Kuva 5. Yli 6 magnitudin maanjärisystapaukset vuodesta 1950.
Ne, jotka tutkivat karttojani tarkkaan, saattoivatkin huomata, kuinka tulivuorien ja maanjärkistyksien maailmanlaajuisilla sijoittumisilla on yhtäläisyyksiä. Vastaus tähän löytyykin alla liittämästäni kuvasta, nimittäin litosfäärilaattoja kuvaavasta kartasta (Kuva 6). Huomataan karttoja vertaamalla, kuinka maanjäristystapaukset ja tulivuoret sijoittuvat litosfäärilaattojen rajakohdille. Laatat voivat sivuta tai törmätä toisiaan tai vaihtoehtoisesti liikkua toisistaan erkaantuen, mutta huomataan, suurimman osan näistä ilmiöistä ja hasardeista sijoittuvan juurikin laattojen törmäyssaumoihin. Maanjäristyksiä voi sattua missä tahansa, saumasta riippuen.
Kuva 6. Litosfäärilaatat ja niiden liikesuunnat. (www.geologia.fi)
Viimeisenä mutta ei vähäisimpänä, on esittelyssä kartta, joka kuvaa meteoriittien törmäyksiä maan pinnalle vuodesta 2000 alkaen. Itselleni tuli yllätyksenä karttaa laatiessa, kuinka tapaukset ovat näinkin yleisiä, ja myös se, kuinka merkittävä osa niistä ovat pudonneet Luoteis-Afrikan- sekä Lounais-Yhdysvaltojen alueille. Myös Omanin alueelle Intian Valtameren rannikolle on pudonnut huomattavan monta meteoriittia vuodesta 2000 tähän päivään. Huomasin Sannin tehneen lähes tulkoon samankaltaisen kartan, josta oli tehnyt myös hyvän huomion: “Kartasta voidaan huomata maapallon syrjäseuduilla olevan vähän meteoriitteja, mitä voidaan yksinkertaisesti selittää sillä, että korkean väkiluvun alueella meteoriitteja yksinkertaisesti havaitaan ja löydetään helpommin.”
Kuva 7. Meteoriittien törmäyksiä vuodesta 2000.
Tämän kurssikerran karttoihin olen poikkeuksellisen tyytyväinen kun vertaa kommenttejani kartoista edellisissä postauksissa. Ne ovat suhteellisen selkeitä, vaikkakin parannettavaa olisi tästä huolimatta. Esimerkiksi kuvan 5. aikahaarukkaa olisin voinut suosiolla pienentää, jolloin kartta olisi ollut hieman helppolukuisempi ja pisteet olisivat päässeet oikeuksiinsa.
Tämän viikon blogipostaus koostuu hieman erilaisesta sisällöstä, nimittäin karttojen sijaan esitän viikon tehtävien tuloksia Excel -taulukoiden muodossa ja pohdin myös oppimaani sekä QGIS:in toimintoja yleisesti. Mennäänpä siis suoraan asiaan:
Tämän viikkoisten harjoituksien tehtävänä oli pääasiassa kertailla edellisillä viikolla opittuja QGIS:in toimintoja sekä soveltaa niitä tekemällä muutamia itsenäistehtäviä. Kertailun yhteydessä tutustuimme myös uuteen työkaluun, nimittäin puskurivyöhykkeisiin eli buffereihin, sekä niiden luomiseen ja hyödyntämiseen. Bufferieden avulla tarkastelimme muun muassa lentomelun desibelien kannatusta tietyille etäisyyksille ja näiden meluvyöhykkeiden sisällä asuvia väestömääriä. Buffereiden luominen ja niiden avulla analysointi oli yllättävän yksinkertaista ja kivaa!
Ensimmäisessä itsenäistehtävässä tarkastelimme mainitsemiani meluvyöhykkeitä sekä Malmin- että Helsinki-Vantaan lentokenttien ympäristössä. QGIS:in Vector -sarakkeen Fixed distance buffer -työkalun avulla sain luotua puskurivyöhykkeen, jonka suuruutta sain vaihdeltua Distance -kohdan lukua muuttamalla. Tämän jälkeen hyödynsin Count points in polygon- sekä Spatial Query -toimintoja saadakseni selville esimerkiksi sen, kuinka paljon asukkaita asuu tietyllä etäisyydellä lentokentistä. Samoja työkaluja tuli käytettyä myös muun muassa metro- ja juna-asemien ympäröiviä asutuksia tutkittaessa. Tokassa tehtävässä yksi oleellisimmista toiminnoista oli Join attributes by location, jonka avulla sain kaksi tasoa, taajamapolygonit sekä väkipisteet, liitettyä yhtenäiseksi tasoksi analyysin helpottamiseksi. Myös tässä etenkin Count points in polygon ja Spatial Query -toiminnot olivat merkittävä. Viimeisessä tehtävässä, joka tuotti itselleni eniten ongelmia, tarvitsin buffereita lukuunottamatta kaikkia mainitsemiani työkaluja.
Kurssin myötä, olen huomannut ohessa mainitsemieni työkalujen ja toimintojen olevan keskeisiä, sillä niitä on tullut käytettyä useampia kertoja monessa kontekstissa. Myös uusin tuttavuus, bufferit, voivat olla monikäyttöisiä ja eri teemoihin soveltuvia. Niitä voisi hyödyntää melunkannatuksen tutkimisen lisäksi myös esimerkiksi maanjäristysaaltojen seuraamisessa tai vaikkapa kasvien levinneisyyden tutkimisessa. Vaikka en koe minkään työkalun käytön olevan QGIS:issä erityisen helppoa – ainakaan vielä – ovat oheisten työkalujen käyttö mielestäni suhteellisen mielekästä. Neroa minusta ei ole vieläkään kehittynyt QGIS:in käytössä, jonka vuoksi tarvitsen lisäharjoitusta vielä lähes kaikessa. En sano, ettenkö osaisi käyttää saatavilla olevia työkaluja, mutta niiden lähestyminen oikeissa tilanteissa on vielä hieman haastavaa. En aina tiedä mikä työkalu teki mitäkin ja missä vaiheissa niitä kuuluisi käyttää. Tämä oli ongelmana myös tälläkin viikolla, mutta onneksi ympärilläni on kokeneempia opiskelijoita, jotka auttavat hädässä. Kiitokset Johannalle. <3 Odottelen hartaasti sitä päivää, kun työkaluvalinnat tulevat kuin apteekin hyllyltä. Eiköhän sekin jonain aurinkoisena päivänä koita.
Alta löydätte kirjaamiani tuloksia tämän viikon itsenäistehtävistä:
Taulukko 1. Asukkaita Malmin lentokentän läheisyydessä.
Asukkaita 2 km säteellä Malmin lentokentästä
4 722
Asukkaita 1 km säteellä Malmin lentokentästä
771
Yllä olevasta taulukosta (Taulukko 1) voimme havaita, että mitä kauemmas Malmin lentokentältä siirrytään, sitä suuremmaksi väestömäärät kasvavat. Tähän ilmiöön vaikuttaa suuresti laskeutuvien lentokoneiden aiheuttama melu, joka voi nousta hyvinkin korkeaksi.
Kuinka monen hlön elämää väh. 60 dB lentomelu haittaisi Tikkurilassa, jos laskeutumissuunta palaisi jälleen vuoden 2002 poikkeusreitille?
6 333
Taulukosta 2. näemme Helsinki-Vantaan lentokentän pahimmalla melualueella asuvan vain 0,28% kaikista 2 km säteellä asuvista ihmisistä. Asukasluvun huomataan Malmin lentoentän ympäristön väkiluvun tavoin kasvavan, mitä kauemmas Helsinki-Vantaan lentokenttää siirrytään. Tämä on todennäköisesti hyvin yleinen ilmiö, sillä kukapa haluaisi tietoisesti altistaa itsensä epämiellyttävälle ja päivittäiselle melulle.
Taulukko 3. Väestötilastoja pääkaupunkiseudun asemien läheisyydessä.
Asukkaat alle 500m päästä lähimmästä asemasta
106 691
Asukkaat alle 500m päästä lähimmästä asemasta (%)
22 %
Työikäisten osuus esnimmäisen sarakkeen asukkaista (%)
68,5 %
Ensimmäisessä itsenäistehtävässä tutkimme myös pääkaupunkiseudun asemien ympäristön asutusta. Huomataan yllä olevasta taulukosta (Taulukko 3), kuinka jopa 106 691 henkilöä asuu 500 metrin säteellä heitä lähimpänä olevasta asemasta. Tämä on 22% kaikista pääkaupunkiseudun asukkaista. Tekemieni puskurimittauksien perusteella näistä 106 961 asukkaasta peräti 68,5% ovat työikäisiä. Ihmiset pyrkivät useimmiten muuttamaan hyvien liikenneyhteyksien varrelle, jotta liikkuminen juurikin töihin olisi sujuvampaa.
Taajaman ulkopuolella asuvien kouluikäisten osuus kaikista kouluikäisistä (%)
2,55 %
Alueet, joissa ulkomaalaisten osuus yli 10%
38
Alueet, joissa ulkomaalaisten osuus yli 20%
9
Alueet, joissa ulkomaalaisten osuus yli 30%
4
Tokassa itsenäistehtävässä tarkastelun kohteena olivat koko pääkaupunkiseudun taajama-alueet sekä niiden väestötilastot. Tehtävässä ei käytetty enää buffereita, sillä tarkoituksena ei ollut mittaa etäisyyksiä, vaan selvitimme polygonien sisältämiä sekä niiden ulkoisia väestötietoja. Count points in polygon -toiminto oli siis hyvinkin oleellinen tässä tehtävässä. Ohessa olevasta taulukosta (Taulukko 4) huomaamme, kuinka pääkaupuniseudun asukkaista 97,5%, eli lähes kaikki, asuvat taajamissa. Laskin myös taulukkooni pääkaupunkiseutujen pienalueita, joissa ulkomaalaisten osuus oli 30%, 20% ja 10%. Tämän selvittäminen vaati itseltäni turhauttavan paljon aikaa attribuuttitaulukon antaessa aluksi kummallisia lukumääriä, mutta kikkaliujen kautta saavutin kuitenkin järkevältä vaikuttavia tuloksia. Huomataan, kuinka alueita, joissa ulkomaalaisa on useita, on hyvin harvassa. Tämä kertoo segagaation olevan pääkaupunkiseudullamme lähes olematonta, mikä on mielestäni hienoa. Jos luku olisi taulukon viimeisellä rivillä suuri, olisi syytä huolestua.
Uima-altaalla varustettujen rakennuksien lukumäärä
855
Asukkaita uima-altaalla varustetuissa rakennuksissa
90 725
Uima-altaita omakotitaloissa
345
Uima-altaita paritaloissa
158
Uima-altaita rivitaloissa
113
Uima-altaita kerrostaloissa
181
Sitten pääsemmekin tehtävän pariin, joka tuotti itselleni hyvinkin paljon ongelmia ja turhautumista. Ensinnäkin pylväitä en ole aiemmissa harjoituksissa hyödyntänyt, joten niiden kanssa sai temppuilla jonkin verran.Alla olevat kartat (Kuva 1 ja kuva 2) ovat mielestäni hieman epäselkeitä, vaikka pitkään yritin niiden kanssa tehdä yhteistyötä. Myös yleisesti se, mitä työkaluja lähestyä, kuten muutama hetki sitten maintisinkin, tuotti etenkin tässä vaiheessa vaikeuksia. Pitkän aherruksen jälkeen sain tetävän kuitenkin suoritettua.
Yllä on liitteenä taulukko (Taulukko 5), jossa on muutamia tilastoja uima-altaista pääkaupunkiseudun alueella. Kuten huomaamme, uima-altaita löytyy alueelta 855 kappaletta ja peräti 90 725 asukasta pääsee nauttimaan tämänkaltaisesta luksuksesta. Uima-altaita huomataan olevan eniten omakotitaloissa ja vähiten rivitaloissa. Kuvista 1 ja 2 voimme lisäksi nähdä uima-altaiden jakautumisen pääkaupunkideusun pienalueilla, joista erityisesti Lauttasaaren sekä Länsi-Pakilan alueet erottuvat kartalta suurilla uima-allas määrillään. Lauttasaaressa näitä on peräti 53 kappaletta ja Paloheinässä 52. Johannalla onkin erinomainen huomio blogissaan Länsi-Pakilan suurista allasluvuista: “Alue on juuri noussut uutisiin sen korkeakoulutettujen asukkaiden, sekä vähäisen työttymyyden seurauksena. Ei siis ole yllättävää, että juuri tällä alueella on kaikkein eniten uima-altaita.” Nämä alueet ovat tunnetusti vauraita, jonka vuoksi suuret uima-allas lukemat eivät yllätä myöskään itseäni. Uima-altaita löytää jonkin verran myös Itäisestä Helsingistä, Laajasalon ja Vuosaaren alueilta. Siirryttäessä pois Helsingin alueelta, huomataan uima-altaiden määrän vähenevän huomattavasti. Muun muassa Westendin ja Kauniaisten lähes olemattomat allasmäärät yllättivät minut, sillä olisin kuvitellut näillä varakkailla omakotialueilla lukujen olevan suurimpia, mutta olinkin väärässä.
Saunojen määrä suhteessa kaikkiin asuttuihin taloihin (%)
24,2 %
Sitten päästäänkin saunoja käsittelevän taulukon (Taulukko 6) pariin, johon viimeinen itsenäistehtävä huipentui. Voimme havaita, kuinka saunoja löytyy pääkaupunkiseudulta huomattan monesta kotitaloudesta kun verrataan uima-altaiden lukemiin. Sauna ei ole turhaan yksi suomalaisuuden perikuvista. Saunojen määrän huomataan olevan kuitenkin alhainen suhteessa kaikkiin asuttuihin taloihin, vain vaivaiset 24,2%, mutta selityksenä voisi olla esimerkiksi se, että suurimmassa osissa kerrostaloissa löytyy yhteisiä saunatiloja, joita asukkaat voivat halutessaan varailla omaan käyttöönsä.
Oli mielestäni kiinnostava huomata kuinka itsenästyöskentely onnistui tällä viikolla. Vaikka GIS ei olekaan vielä kuin ruusuilla tanssimista, uskon tämän muuttuvan sujuvammaksi ajan myötä. Palaillaan ensi viikolla uusien haasteiden parissa, heippa!
xoxo, Amelia
Lähteet:
Johanna Lehtinen. Itsenäistä säheltämistä. (14.2.2019). https://blogs.helsinki.fi/johanleh/ (luettu 19.2.2019)
Jälleen on yksi GIS-tunti takanapäin ja täytyy myöntää, että ongelmilta ei tälläkään viikolla vältytty. Tunnilla olin täysin perillä tekemisistä ja sain karttani luotua, kunnes muutama tunti tämän päättymisen jälkeen huomasin, että kyseinen tiedosto oli jostain syystä vaurioitunut eikä sitä saanut enää avattua. Jouduinkin siis aloittamaan alusta tyhjältä pöydältä, mikä kieltämättä kävi hieman hermoille, mutta oppimisen kannalta ei olisi voinut paremmin käydä! Tämän ansiosta sain kerrattua tunnilla käydyt asiat itsenäisesti ja rauhassa läpi, ja sisäistin asiat paljon paremmin. Jee 🙂
Tällä viikolla työstimme QGIS:issä Suomen pääkaupunkiseudun väestötietojen sekä niiden pohjalta luotujen väestötietoruudukkojen parissa. Ruudukot oli luotava itse haluamassaan ruutukoossa: yleisimmin ruutuaineistoissa käytetään 100×100 metrin kokoisia pikseleitä, mutta itse päädyin 1000×1000 metrin kokoon, sillä tarkoituksena oli esittää toisella kartalla kokonaisasutuksen jakautumista pääkaupunkiseudulla (Kuva 1) sekä toisella ruotisnkielisten väestön jakautumista samaisella aluerajauksella (Kuva 3). Kuva 2. esittää samaa kun ensimmäinen, mutta siihen on liitetty myös ajoväylät.
Kuva 1. Väestön jakautuminen pääkaupunkiseudulla.
Kuvasta 1. huomaamme, kuinka väestö on jakautunut suhteellisen tasaisesti ympäri pääkaupunkiseutua. On kuitenkin erotettavissa tiheimmin asutettuja alueita, kuten Kanta-Helsingin seutu, jossa asutusta on peräti 3 100-21 300 henkilöä per neliökilometri. Alueita samalla luokitelmalla löytyy myös rannikolta Itä-Helsingistä, sekä muun muassa Espoon Matinkylästä. Myös esimerkiksi Espoon Leppävaara ja Vantaan Tikkurila voidaan erottaa tieheinä asutuskeskuskina. Asuksen nähdään harventuvan, mitkä kauemmas siirrymme näiltä alueilta: muun muassa Espoon ja Vantaan pohjoisimmat osat ovat joko täysin asumattomia tai siellä asuu ihmisiä noin 1-13, 13-55 tai 55-194 per neliömetri.
Kuva 2. Tieverkosto havainnollistamassa väestön sijoittumista pääkaupunkiseudulla.
Loin kuvan 1. tueksi yllä esiintyvän kartan (Kuva 2), joka on muuten täysin identtinen ensimmäisen kartan kanssa, mutta tässä on lisättynä pääkaupunkiseudun suurimmat tieverkostot. Voidaankin huomata, kuinka tiheimmin asutetut alueet sijoittuvat näiden tieverkostojen varteen ja toisinaan alueilla, joissa teitä on vähemmän, on asutus myös harvempaa. Tieverkostojen läheisyys on saavutettavuuden kannalta hyvin tärkeää, minkä vuoksi näiden kupeessa esiintyykin enemmän asutusta.
Kuva 3. Ruotsinkielisen väestön jakautuminen pääkaupunkiseudulla.
Oheisessa kartassa (Kuva 3) on esitettynä jälleen pääkaupunkiseudun alue, mutta tällä kertaa ruutuaineisto kuvaa ruotsinkielisten asukkaiden jakautumista pääkaupunkiseudulla. Ensimmäisenä voidaan erottaa, kuinka ruotsinkieliset sijoittuvat pääosin rannikkoalueille: muun muassa Kanta-Helsinkiin, Lauttasaareen sekä Vuosaareen. Espoon rannikkoalueet kuten Westend, Matinkylä ja Espoonlahti ovat myös ruotsinkielisten suosiossa. Näillä mainituilla alueilla ruotisnkielisiä on noin 150-2 040 henkilöä per neliökilometri. Rannikkoalueiden lisäksi erottuu myös esimerkiksi Kauniaisten alue, jossa suuri osa asukkaista ovat ruotsinkielisiä. Verrattuna Helsinkiin ja Espooseen, Vantaalla asuu huomattavasti vähemmän ruotsinkielisiä, sekä pääkaupunkiseudun Pohjoisilla reuna-alueilla.
Kartat ovat mielestäni onnistuneita, lukuunottamatta sitä, että ruutujen ollessa niin vallitsevia ettei eri alueet kartalla erotu kovinkaan hyvin. Pyrin muun muassa rantaviivaa vahvistamalla selkeyttää rajoja: nyt muun muassa ydinkeksustan alue erottuu riittävästi, että hahmottaa mikä alue on kyseessä. Muut alueet täytyy pääasiassa vain päätellä.
Väestötietoruudukkojen jälkeen tartuimme uuden tehtävän pariin, nimittäin Pornaisten karttalehteen ja tämän korkeuskäyriin. Tehtävänä oli tuoda Paituli -palvelusta toinen erä korkeuskäyriä, ja vertailla niitä jo valmiiksi harjoitusaineistojen yhteydessä annettuihin kaukokartoituksella tuotettuihin korkeuskäyriin. Paitulista tuodut käyrät ovat väriltään mustia ja aineistojen yhteydessä annetut ovat ruskeita (Kuva 4, 5 ja 6). “Visualisoinnin yksinkertaistamisen takia päätin jättää peruskarttalehden taustalta kokonaan pois, jottei korkeuskäyrät hukkuisi muuhun informaatioon”, mainitsi Ilona blogissaan. Itse päädyin tekemään samoin, sillä muuten kuvat olisivat olleet hyvin sekavia eivätkä korkeuskäyrät olisi päässeet oikeuksiinsa.
Kuva 4. Paitulista ladatun peruskarttalehden korkeuskäyrät (mustalla) ja kurssiaineistojen yhteydessä annetut korkeuskäytät (ruskealla). Pornainen.Kuva 5. Huomataan, kuinka Paitulista ladatun peruskarttalehden korkeuskäyrät ovat kurssiaineiston korkeuskäyriä tarkempia.
Kuva 6. Kuvakaappaus korkeuskäyristä pienemmällä mittakaavalla.
Kuten oheisista kuvista huomaa, kaukokartoitetut korkeuskäyrät ovat peruskarttalehden korkeuskäyriä yksityiskohtaisempia: erityisesti kuvasta 4. ja 6. voidaan erottaa pieniä kumpuja, mitä peruskarttalehden korkeuskäyristä ei voida havaita.
Ensi viikolla taitaakin olla hieman haastavampi oppitunti tiedossa. Palataamme siis niissä merkeissä. Heippa!
Päätin viinkonloppuni aikana kertailla QGIS:in toimintoja ja katsoa, miten hommat sujuvat omalta kotisohvalta Kumpulan sohvien sijaan. Palkataanpa siis hieman ajassa taaksepäin, esimmäisen viikon harjoitukseen, jonka lisätehtävänä oli tuottaa teemakartta Suomi 2015 -aineiston tiedoista. Attribuuttitaulukko tulvi erilaista informaatiota, mutta päädyin esittää kartallani kesämökkilukuja eri kunnissa, ja tässä on tulos!
Kuva 1. Kesämökit Suomessa kunnittain
Kartalta erottuu kuusi eri luokitelmaa, joista kaikista tummin vihreä esittää kuntia, joissa kesämökkien määrä on kaikista runsainta: pyöristettynä peräti 7000 ja 8400 välillä. Huomataan näiden kesämökkikuntien sijoittuvan eteläiseen Suomeen sekä Järvi-Suomen alueelle, lähelle suurimpia kaupunkeja, kuten Helsinkiä, Turkua, Tamperetta sekä Joensuuta. Näissä neljässä kaupungissa asutus on tiivistä, joten onkin odotettavissa, että niiden vilinästä halutaan ajoittain pois ja lähemmäs luonnon helmaa. Kartasta voidaan myös erottaa kuntia, joissa kesämökkeijä on hyvin harvassa (0-1400 ja 1400-2800), mun muassa Pohjanmaalla sekä Keski-Suomen alueella. Näillä alueilla asutus on harvaa ja muutenkin niin lähellä luontoa, jonka vuoksi ei ole tarvetta investoida erilliseen kesämökkiin. Lapissa ja aivan Pohjanlahden ääreen sijoittuvissa kunnissa huomataan kuitenkin olevan jonkin verran kesämökkejä.
Kartan toteutus oli hyvin helppoa tämän ollessa kurssin ensimmäisiä tehtävänantoja, mutta kertaus ei ole koskaan pahasta! Tuli vain näin talvipakkasten keskellä kova ikävä kesän lämpöä… Onnneksi ei ole enää montaa kuukautta kesäkuuhun!
Palaillaan seuraavan postauksen yhteydessä, moikka! 🙂
Kiva huomata näin kolmannen kurssikerran jälkeen, kuinka edellisiltä kerroilta on jäänyt muistiin monenlaisia asioita QGIS:in käytössä. Muun muassa erilaisten sarakkeiden muokkaaminen käy attribuuttitaulukossa aiempaa helpommin sekä laskutoimituksien tekeminen Field Calculatorilla esimerkiksi pinta-aloja laskiessa ei olekaan niin mahdotonta enää. Eiköhän tästä ennemmin tai myöhemmin kehity kuulusiaksi sitsikirjastakin tutuksi tulleeksi GIS-guruksi…!
Tällä viikolla työskentelimme harjoitteluvaiheessa Suomen kartan sijaan Afrikan kartalla. Vaihtelu virkistää! Tällä Afrikka -aineistolla muokkailimme karttakohteita esimerkiksi yhdistämällä yksityiskohtia osaksi muuta aineistoa, jotta sitä olisi tehokkaampi käyttää. Harjoittelimme myös uuden datan siirtämistä muista ohjelmista, minkä yhteydessä .csv-tiedostot tulivat itselleni tutuiksi. Siirsimme ja yhdistelimme Afrikka -aineistoon tietoja Excelistä: väestötietoja, konfliktien tapahtumavuosia sekä timantti- ja öljyesiintymien löytämisvuosia. Näillä tiedoilla työstimme pitkään muun muassa luomalla niistä uutta tietoa. Rehellisesti sanottuna, prosessi ulkoisten tietokantojen siirtämisessä QGIS:iin ja niiden yhdistäminen muuhun aineistoon on edelleen hieman harmaata aluetta itselleni, mutta toivon mukaan tämäkin selkenee kurssin myötä.
Harjoittelun jälkeen alkoi itsenäisen työskentelyn vaihe, jossa palasimme takaisin tutun ja turvallisen, Suomi -aineiston, pariin. Loihdimme aineistolla teemakarttoja, joista omani on liitetty oheen (Kuva 1). Kartta esittää Suomen eri valuma-alueita ja niiden tulvaindeksejä sekä järvityysprosentteja. Saadakseni tulvaindeksin selvitettyä, jaoin jokien keskiylivirtaamat (m3/s) niiden keskialivirtaamilla (m3/s). Lisäksi kartalla on ympyrädiagrammeja, mitkä kuvaavat valuma-alueiden järvisyysprosentteja, eli järvien pinta-alojen suhdetta valuma-alueiden pinta-aloihin (Suomen ympäristökeskus, 2013).
Jos pääsisin vielä muokkaamaan karttaani, niin esittäisin tiedot ympyrädiagrammien sijaan pylväinä, jotta alla oleva kartta ja tulvaindeksit erottuisivat selkeämmin. Nyt suurin osa jää harmillisesti diagrammien peittoon. Lisäksi värityksien valitseminen oli mielestäni yllättävän hankalaa, sillä värejä vaativia kohteita oli useampia. Yritin kuitenkin pysytellä sinisen eri sävyissä, jotta kartta olisi mahdollisimman miellyttävä silmälle. Vielä kuitenkin pistää silmään järvien mustat rajaukset, mitkä olisi pitänyt olla vaaleampia. Kartta näyttää mielestäni aivan liian yksityiskohtaiselta, unohtamatta diagrammien aiheuttamaa tungosta. Olen ensi kerralla huolellisempi!
Kuva 1. Teemakartta Suomen valuma-alueiden tulvaindekseistä. Ympyrädiagrammit esittävät valuma-alueiden järvisyysprosentteja suhteutettuna pinta-aloihinsa.
Mitä kartasta nyt sitten erottuukaan diagrammien vallankumouksesta ja mustista rajauksista huolimatta, ovat Pohjanmaan alue, jossa valuma-alueiden tulvaindeksit vaihtelevat luokitelmien 40-65 sekä 117-200, välillä. Varsinais-Suomen rannikolla tulvaindeksi nousee jopa lukuihin 200-500! Huomataan, kuinka Pohjanmaan yllä olevissa diagrammeissa järvisyysprosentti on lähes olematon: alue onkin tunnettu runsaista joistaan sekä soistaan, mitkä tulvivat tällä laajalla tasankoalueella etenkin alkukeväästä lumien sulaessa, ja on näin syynä suuriin tulvaindeksilukuihin. Vastakohtana erottuu taas laaja lounais-koillis -suuntainen Järvi-Suomen alue, joka luokitellaan tulvaindeksiltään pienimpään luokitelmaan: 1-13. Kuten Saaga blogssaan mainitsee, tällä alueella virtaavalla vedellä on mahdollisuus kasautua suuriin järvialtaisiin, jonka vuoksi tulvien syntyminen on vähäistä. Saaga tiivistää ajatukseni myös havaitsemastani järvisyyksien ja tulvaindeksien korrelaatiosta: “Alueet, joiden järvisyys on suuri ovat pienen tulvaindeksin omaavia. Päinvastainen ilmiö on havaittavissa pienen järvisyyden ja suuren tulvaindeksin alueiden välillä.”
Kaiken kaikkiaan tämä kurssikerta oli mielestäni opettavainen, vaikkakin opittavaa minulla on vielä suuret määrät. Uskon QGIS:in toimintojen hallitsemisen vaativan vain toisojen tekemistä ja syvään hengittämistä, jotta asiat juurtuisivat pidempiaikaiseen säilömuistiin. Tällä kurssikerralla pettymyksen tuotti kuitenkin karttani, jonka olisin voinut toteuttaa niin paljon paremmin. No, seuraavalla viikolla täytyy olla harkitsevaisempi – nyt pääsen vihdoin pidennetyn viikonlopun viettoon! Ensi kertaan!
xoxo, Amelia
Lähteet:
Suomen ympäristökeskus, 2013. Tulvasanasto > Järvisyysprosentti. https://www.ymparisto.fi/fi-FI/Vesi/Tulviin_varautuminen/Tulvasanasto (luettu 30.1.2019)
Saaga Laapotti. Kovaa hermojen koettelua. (30.1.2019) https://blogs.helsinki.fi/saagalaa/ (luettu 31.1.)
Tokalla kurssikerralla perehdyimme syvemmin QGIS:in työkaluihin ja tietokantojen perushallintaan. Tarkastelimme myös erilaisten projektioiden vaikutuksia karttaan ja sen mittoihin. Tämän kurssikerran harjoituksia tehdessä, joista pian teille kerron, totesin, että QGIS:in käyttämisen kanssa on oltava kärsivällinen ja on annettava armoa, jos ei asiat heti toimi niin kuin toivoisi. Kaiken sain kuitenkin onnekseni tehtyä, vaikka kohtasinkin vastoinkäymisiä. Tahdon antaa kiitokset vierustoverilleni, joka oli vertaistukenani ja valmiina avustamaan minua tälläkin kurssikerralla, you know who you are. :–)
Tällä viikolla teimme tosiaan harjoituksia, joista enismmäisessä vertailimme Suomen kunnat 2015 -kartta-aineiston avulla erilaisten projektioiden vaikutuksia kartan ominaisuuksiin. Mittaustyökalua hyödyntäen mittasimme muun muassa Suomi-neidon laen pinta-aloja ja Vaasa-Kuopio-Karjala -akselin pituutta erilaisa projektioita vaihdellen. “Nämä mittaukset antoivat minulle suuren ahaa-elämyksen, kun huomasin valtavat erot eri projektioiden välillä”, – tämä Saran toteamus blogissaan pätee myös minuun. Projektiot ja niiden ymmärtäminen on aikaisemmin ollut itselleni haastavaa, mutta tämänharjoituksen kanssa pääsin niihin paremmin jyvälle nähdessäni niiden todelliset vaikutukset käytössä olleisiin aineistoihin. Tämä harjoitus oli kuitenkin vain lämmittleyä ja pohjustus harjoitukseen, johon ryhdyimme seuraavaksi.
Toisessa harjoituksessa pääsimme itse tuottamaan paikkatieto-aineistoja, jossa oleellisena osana oli jälleen projektiot. Tehtävänä oli luoda QGIS:illä kaksi karttaa (Kuva 1. ja Kuva 2.) hyödyntäen edellisen tehtävän Suomen kunnat 2015 -aineistoa. Karttojen tehtävänä on esittää kuntien prosentuaalisia kokoeroja eri projektioiden, minun kohdallani Mercatorin- ja Robinsonin projektioiden, ja LAEA-projektion välillä.
Kuvassa 1. on laadittuna kartta, joka kuvastaa kuinka paljon suurempia kuntien pinta-alat ovat Mercatorin projektiota käyttäessä, kun verrataan LAEA-projektioon. Legendaa lukiessa voidaan havaita, että Mercator kuvaa Suomen pohjoisimmat kunnat jopa 668-730% suurempina kuin olisivat LAEA-projektiolla kuvattuna. Eteläisimmät kunnat ovat pinta-aloiltaan vain 297-359% suurempia, kuin verrataan LAEA-projektioon.
Kuva 1. Kuntien kokoerot prosentuaalisesti Mercatorin projektion ja LAEA-projektion välillä.
Kuvassa 2. olen verrannut LAEA-projektioon Mercatroin sijasta Robinsonin projektiota. Kun vertailee karttaa edelliseen, ei välttämättä huomaisi eroa ulkonäköjen ollessa lähes samanlaisia. Legendoista eron kuitenkin vasta huomaakin: Robinsonin projektiota käyttäessä pohjoisimpien kuntien pinta-alat ovat vain 38.9-42.1% prosenttia suurempia kuin jos käyttäisi LAEA-projektiota. Eteläisimpien kuntien ovat pinta-aloiltaan vain 19.2-22.4% suurempia Robinsonin projektiolla kuin LAEA-projektiolla. On siis huomattavasti eroa siinä, käyttääkö Mercatoria vai Robinsonia.
Kuva 2. Kuntien kokoerot prosentuaalisesti Robinsonin projektion ja LAEA-projektion välillä.
Karttojen datan laatiminen ei mielestäni ollut kovin helppoa useiden välivaiheiden vuoksi: “Monen monta kertaa piti pinta-alat laskea uudelleen, kun jonkin ilmeisesti hyvin merkityksellinen välivaihe olikin jäänyt tekemättä.”, kommentoi Julia harjoituksen laatimista blogissaan. Samoin kävi myös omalla kohdallani, mikä tuottikin paljon harmaita hiuksia. Säilytin kuitenkin kärsivällisyyteni ja suoritin harjoituksen kunnialla loppuun!
Oheisiin karttoihin olen muuten tyytyväinen, mutta olisin voinut tehdä otsikoista sulavampia: nyt ne ovat turhan pitkiä ja epäselvästi muotoiltuja. Lisäksi legendojen numerot olisi voineet olla desimaaleiltaan samoja, kun nyt kuvassa 1. on käytetty kokonaislukuja ja kuvassa 2. desimaalilukuja. Muuten olen kuitenkin visuaalisuuteen tyytvyäinen. Petrataan sitten seuraavalla viikolla, adios!
xoxo, Amelia
Lähteet:
Sara Immonen. Toinen kurssikerta, jeejee. (28.1.2019) https://blogs.helsinki.fi/immsara/ (luettu 28.1.2019
Julia Salmi. Osa 2: Projektiovalintojen pohdintaa. (25.1.2019) https://blogs.helsinki.fi/jhsalmi/ (luettu 28.1.2019)
Ensimmäinen geoinformatiikan menetelmät 1 -kurssikerta on nyt takana ja tunteet ovat hieman sekavat. Tunnilla tutustuimme uuteen paikkatieto-ohjelmistoon nimeltä QGIS, jonka parissa tulemme kurssin aikana työstämään. Näin alkuun, QGIS vaikutti monimutkaiselta, sillä toimintoja on hyvin paljon ja kävimme tämän perusteet läpi hyvin nopealla tahdilla. “Kaikki oli aivan uutta ja ihmeellistä”, kuten Oula omassa kurssiblogissaan toteaa. 2. periodin tuttavuus CorelDraw tuntuukin nyt palalta kakkua, kun QGIS:iin vertaa; uskoisin tämän alkukankeuden kuitenkin helpottuvan muutaman käyttökerran ja totuttelun jälkeen. Onneksi pidän haasteista ja uusien asioiden oppimisesta, joten odotan seuraavia kurssikertoja innolla!
Ensimmäisellä kurssikerralla työstimme jo ensimmäistä tuotosta QGIS:illä, ja lopputuotoksena on oheen liitetty koropleettikartta Itämeren valtioiden typpipäästöistä vuonna 2016 (Kuva 1). Vaikkakin QGIS arpoo väritykset itsestään, ovat omani mielestäni suhteellisen toimivat. Sävyt olisivat kuitenkin voineet olla samaa värimaailmaa (esimerkiksi vaaleankeltaisesta punaiseen), mutta eiköhän tämänkin aja asiansa. On myös mainittava Johannan huomautus typpipäästöjen luokitteluista: “luokkarajat ovat suhteellisen hyvät, mutta esimerkiksi suurimassa päästöluokassa hajonta on aika suuri”. Tässä olen samaa mieltä, sillä 13.3-33.7% on skaalaltaan turhan laaja. Huomaan myös, kuinka omasta tuotoksestani ei tule ilmi syvyyskäyrien yksikköä: ne ovat ilmoitettuna metreinä, korjatakseni näin jälkikäteen.
Kuva 1. Itämeren valtioiden typpipäästöt vuonna 2016. (QGis).
Karttaa tutkimalla huomataan, kuinka suurin typintuottaja Itämeren rannikolla on Puola 13.3-33.7 prosentin päästöillään ja vähiten typpiä tuottaa taas Viro, joka asettuu pienimpään luokitelmaan 3.2-3.2%. Puolan runsaat typpipäästöt eivät tulleet minulle yllätyksenä, sillä valtio tunnetaan käyttävän öljyä ja muita polttoaineita ensisijaisina energianlähteinään. Myös mittavan rantaviivansa edustalla harjoitetaan monenlaista toimintaa, kuten rahtiliikennettä, turismia sekä kalataloutta, joista typpipäästöjä useimmiten aiheutuu.
Kaiken kaikkiaan ensimmäinen kurssikerta oli mielestä hyödyllinen, mutta huomaan silti, että opittavaa on vielä jonkin verran. Ehkä seuraavalla kerralla asiat ovat paremmin hanskassa!
xoxo, Amelia
Lähteet:
Oula Inkeröinen. Genesis – ensimmäinen kurssikerta. (17.1.2019) https://blogs.helsinki.fi/inkeroul/ (luettu 22.1.2019)
Johanna Möslä. Kurssikerta 1. (16.1.2019) https://blogs.helsinki.fi/johannmo/ (luettu 22.1.2019)
Kuva 6. Kuvakaappaus korkeuskäyristä pienemmällä mittakaavalla.
