Kurssikerran tarkoituksena oli hyödyntää kurssilla saamiamme oppeja. Tuottaisimme kahdella erilaisella aineistolla karttoja.

Valitsin aineistot, jotka kiinnosti minua – siispä päädyin valitsemaan tietoja Euroopan eri maiden viikoittaisista työmääristä tunteina (aineisto 1). Toinen aineisto (aineisto 2) oli ihmisten kokemus omasta terveydentilastaan (very good, good, fair, bad).

Karttatulkintaa

Koska haluan tarkastella kaikkia Euroopan valtioita, jaan tulkinnassani Euroopan karkeasti Pohjois-, Itä-, Etelä- ja Länsi-Eurooppaan. Pohjoisosassa työtunteja kerääntyi vuonna 2019 30,8-36,9 tuntia (keskiarvo 33,9h). Itä-Euroopassa työtunteja oli 37,5-45,7 (keskiarvo 41,6h). Etelä-Euroopassa vuorostaan työtunteja kerääntyi 36,9-37,5 tuntia viikossa (keskiarvo 37,2h). Länsi-Euroopan työtuntimäärät olivat noin 30,8-37,5 tuntia (34,2).

Vähiten työtunteja voidaankin sanoa olevan Pohjois- ja Länsi-Euroopassa. Koetun terveydentilan osalta Pohjois- ja Länsi-Euroopan ympyrädiagrammit näyttivät samalta. Alueella ei kuitenkaan ollut poikkeuksellista eroa erittäin hyvän tai hyvän terveydentilan vastanneisiin suhteessa Itä- ja Etelä-Eurooppaan. Itä-Euroopassa ympyrädiagrammeista voidaan havaita eniten erittäin hyvän terveydentilan kokeneisiin suhteessa muuhun Eurooppaan. Toisaalta Itä-Euroopasta löytyy eniten myös huonon terveydentilan kokeneisiin. Etelä-Euroopassa näyttäisi olevan suuresti hyvän terveydentilan kokeneita ja kokonaiskuva näyttää aika samalta kuin Pohjois- ja Länsi-Euroopassa.

Vähiten huonon terveydentilan vastanneita löytyy Italiasta, Itävallasta, Ruotsista ja Iso-Britanniasta.

Syitä, joilla voi olla vaikutuksia tuloksiin:

• Terveydenhuolto: Itä-Euroopassa on heikompi terveydenhuoltojärjestelmä kuin muualla Euroopassa
• Tasa-arvo: Itä-Euroopassa ääripäät tuloksissa korostuu, muualla Euroopassa hieman tasaisemmat tulokset
• Infrastruktuuri: Itä- ja Etelä-Euroopan infrastruktuuri mahdollisesti heikompi kuin muualla Euroopassa.
• Työkulttuuri/kulttuuri: Totutut työmäärät voivat vaihdella
• Koulutus: Kouluttautumisen määrässä voi olla eroja esimerkiksi Pohjois-Euroopan ja Itä-/Etelä-Euroopan välillä. Tällä voi olla vaikutusta siihen, miten kyselyyn vastanneet ovat tarkastelleet omaa terveydentilaansa. Lisääkö tieto siis tuskaa?

Näitähän voisi pohdiskella kymmenen sivun verran, mutta jätetään se ensikertaan!

Näin lopetuksena voin todellakin sanoa oppineeni tällä luennolla paljon! Se, että saa työskennellä itselle mieluisan ja mielenkiintoisen datan parissa ja luoda siitä karttoja rajana vain QGIS-ominaisuudet, oli aika siistiä! Parasta oli myös se, että Arttu oli aivan huikkauksen päässä kokoajan.

– Anna

Ps. Jälleen oli ongelmia kuvien lataamisessa hyvälaatuisina suoraan postaukseen, joten kertokaa jos linkit eivät avaudu karttatuotoksiin! 🙂

Kartat:

Lähteet:

Eurostat, 2019. Database: Working time. https://ec.europa.eu/eurostat/web/lfs/data/database

Eurostat, 2019. Database: Self-perceived health by sex, age and educational attainment level. https://ec.europa.eu/eurostat/databrowser/view/hlth_silc_02/default/table?lang=en

Keräsimme luennolla pistetietoa sovellukseen nimeltä Epicollect5, jolla kerättyä dataa hyödynsimme QGIS-harjoitteissa pistemuotoisena sijaintitietona. Kerätty tieto oli mielenkiintoista, kuten koko prosessi itsessään – itsekerätystä tiedosta saatiin ihka oikea kartta tietoineen.

Liitteessä 1 on alueiden koetun houkuttelevuuden arvio Kumpulan ja Arabian alueella. Arvioita annettiin asteikolla 1-5 siten, että arvosana 5 oli asteikon paras tulos.

Liite 1

Lisäksi tuotin itsenäisenä tehtävänä sekä ohjattuna harjoitteena kartat hasardeista (liitteet 2 ja 3). Tarkoituksena oli opetella käyttämään omatoimisesti pistemuotoista aineistoa ja liittää se QGIS-ohjelmaan. Latasin maanjäristystietokannan (6-9 magnitudia), joka karttana esitti hieman voimakkaampien maanjäristysten sijainteja. Lisäksi tuotin kartan tulivuorien sijainneista maailmankartalla.

Liite 2

Liite 3

Olisin voinut tarkentaa hasardeja kuvaavia maailmankarttoja rajaamalla magnitudeja (liite 2) tarkemmin tai toisaalta jakaa tulivuoria (liite 3) esimerkiksi ominaispiirteidensä kautta (aktiiviset tulivuoret).

Ronja Sonninen pohti blogissaan kurssikerran itsenäisen työn vaivattomuutta. Nämä harjoitteet tosiaan tuntuivat edellisiä helpommilta ja yksinkertaisemmilta. Tämä voi johtua myös siitä, että olemme oppineet aiemmilla kurssikerroilla jo liittämään erimuotoista aineistoa QGIS-ohjelmaan – ei siis ollut haastavaa tuoda pistemuotoista aineistoakaan ohjelmaan kun oli hieman tietoinen siitä, miten tuo mahtaisi tapahtua. Toisaalta, kuten Ronja Sonninenkin sanoi tekstissään – tehtävien tekoa helpotti se, ettei datalle tarvinnut tehdä mitään tuodessaan sitä QGIS:iin.

Tsemppiä kaikille loppukurssille,

Anna

Ps. Jos liitteet eivät näy, kommentoithan asiasta! Minulla oli haasteita kuvien lataamisessa suoraan postaukseen. (:

Lähteet:

Sonninen, Ronja. (23.2.2022). Maanjäristyksiä ja tulivuoria. Ronjan GIS-blogi – Geoinformatiikan menetelmiin tutustumista. Haettu https://blogs.helsinki.fi/sronja/ 1.3.2022.

Kurssikerran tarkoituksena oli muistutella mieleen piirtotyökalujen ja ohjelman käyttöä. Käytännön harjoittelu ja toimintojen muistuttelu tuovat luottamusta omaan tekemiseen. Puskurointi, eli bufferointi, oli kurssikerran uusi tuttavuus! Sen avulla voidaan tarkastella erilaisten tekijöiden etäisyyksiä ja laskea lukumääriä valitulta alueelta, mikä voisi olla hyödyksi esimerkiksi kaupunki- ja aluesuunnittelussa. Tehtävissäkin laskettu melun kuuluvuusalue tuli ensimmäiseksi mieleen puskurivyöhykkestä puhuttaessa. Kaippa sitä voisi hyödyntää myös esimerkiksi jonkin onnettomuuden tai luonnonhasardin vaikutusalueen havainnoimisessa tai arvioinnissa.

Itsenäisten tehtävien teko oli mielekästä! Loin bufferin lentokentän aluelle ja ympärille selvittääkseni alueen asukasluvun yhden ja kahden kilometrin säteellä Malmin lentokentästä. Tämä ei sujunut kommelluksitta, mutta yritin parhaani. Lisäksi tehtävässä selvitettiin Helsinki-Vantaan lentokentän erisuuruisia meluhaittoja ja asukasmäärää 2 kilometrin säteellä. Näistä saatiin hyviä tuloksia pohtia meluhaitan suuruuksia suhteessa väkimäärään. Lisäksi juna- ja metroasemien lähialueen (500m) asukasluvuista tarkasteltiin työikäisten osuutta alueen (500m etäisyydellä) väestöstä.

---

Malmin lentokentän asukasluvut:

Väkiluku 2 km säteellä asuvista: 58656

Väkiluku 1 km säteellä asuvista: 9126

---

Helsinki-Vantaan lentokenttä:

Asukasluku 2 km säteellä: 10322

Asukasluku, jossa melu väh. 55 dB: 11672

Asukasluku, jossa melu väh. 60 dB: 27092

---

Juna- ja metroasemat:

Asukasluku alle 500 metrin säteellä asemasta: 111765

Työikäisiä alueen asukkaista: 67%

---

Alueen taajamissa asuva väestö: 96%

---

Koulut -tehtävän laskeminen ei ollut niin helppoa. Aika kauankin sain kompastella QGIS-laskurin kanssa. Sain kuin sainkin ainakin jotkin tulokset aikaan!

---

Koulutien aloittavat oppilaat: 14

Yläkouluikäisten oppilaiden määrä: 62

Koulupiirin asukkaiden määrä suhteessa kouluikäisiin (%): 9%

Muunkieliset kouluikäiset alueella: n. 10

---

Omissa harjoitteissani ehdoton rajoite olen minä. Kuten aiemmista postauksistani – ja ehkä joidenkin tämänkin harjoituksen mahdollisista virheistä huomaa – olen todella kompastellut harjoitusten kanssa. Kun luennon aikana opin jotain, kerratessa pää lyö tyhjää. Onneksi minulla on ollut aikaa erehdysten ja kokeilemisen kautta oppia ja opiskella QGIS:n käyttöä rauhassa. Olen myös saanut muiden blogeista apua – kiitos useiden kurssilaisten tarkat ja selkeät blogikirjoitukset!  Kaiken häsellyksen keskellä yritän uskoa siihen, että kokoajan opin uutta ja käyttö helpottuu.

Joku päivä minä en ole enää rajoite vaan QGIS 😉

Näillä ajatuksilla kohti uusia QGIS-harjoituksia. Tsemppiä muillekkin harjoituksien tekoon! 🙂 

-Anna

Neljännellä viikolla QGIS-harjoittelu on sujunut paremmin kuin aiemmalla viikolla. Ainut ongelmani oli ensimmäistä aineistoa luodessa – siitä myöhemmin lisää. Tämän harjoituskerran tarkoituksena oli tutustua rasteriaineistoon ja ruutukarttoihin, sekä niiden tuottamisen kautta esittää tietoa.

Pääkaupunkiseudun asukkaista kertova aineisto ladattiin ohjelmaan, minkä jälkeen tähän lisättiin päälle ruudukko. Ruudukon kokoa muunnettiin harjoitukseen sopivaksi, eli 1km x 1km -kokoon. Tietokanta oli hyvin kattava, joten jos jonkinlaista karsintaa tietokantoihin tehtiin. Kuvassa 1 on harjoituksena tehty kartta, joka esittää ruotsinkielisten osuutta pääkaupunkiseudun asukkaissa. Yritin tehdä omana harjoitteena muunkielisten osuuden laskemista, mutta tätä tietoa visualisoidessa legendaan muodostuvat numerot näyttivät jotain miljoonan luokkaa – ei siis ihan oikein mennyt. Tätä yritin useamman kerran onnistumatta. En tiedä missä meni vikaan!

Kuva 1. Ruotsinkielisten osuus pääkaupunkiseudulla

Kuvassa 1 eniten ruotsinkielisiä esiintyy Helsingin kantakaupungin alueella eniten. Tämä johtunee suuremmasta asukastiheydestä alueella – suurempaan määrään ihmisiä mahtuu useampia ruotsinkielisiä. Lisäksi hieman tummempana esiintyviä alueita on Kauniaisissa ja Espoon Matinkylässä. Matinkylässä asukasmäärät voivat vaikuttaa tulokseen. Kauniaisten ruotsinkielisten osuus voi juontaa juurensa alueen hintatasoon, yhteisöllisyyteen ja palveluihin. Ruotsinkielisen väestön ylioppilaskirjoituksien menestyksen syitä on tarkasteltu Yle:n uutisartikkelissa “Ruotsinkielisten lukioiden voittokulku STT:n vertailussa – 20 parhaasta lukiosta puolet on ruotsinkielisiä” (Yle, 2019). Artikkelissa viitataan kielitaidon vahvuuteen niin suomen, ruotsin kuin englanninkielenkin osalta verrattuna suomenkielisiin suomalaisiin. Lisäksi koulujen yhteisö on tiiviimpi, jolloin esimerkiksi lukiota käydään todennäköisemmin aina valmistumiseen asti. Artikkelin mukaan tiivis ja tuttu yhteisö kannattelee ja kannustaa kanssaopiskelijoita. Mielestäni tässä tulee montakin seikkaa ja perustetta Kauniaisten ruotsinkielisten osuuteen. Hyvällä ylioppilastodistuksella ja tiiviin yhteisön tuella saatetaan päästä korkeakouluun helpommin ja toisaalta ruotsinkielisiin korkeakouluihin ei ole samalla määrin hakijoita kuin suomenkielisiin korkeakouluihin. Kouluttautuminen luo usein hyvän taloudellisen tilanteen ja siten mahdollistaa vapauden valita asuinkuntansa. Koska ruotsinkieliset ovat tiivis yhteisö ja ruotsinkielisiä palveluita sattuu Kauniaisissa jo valmiiksi olemaan, pysyy ruotsinkielisten osuus verrattain korkealla suhteessa muuhun pääkaupunkiseutuun.

Korkeuskäyrät Pornaisissa

Tutustuimme myös rasterimuotoiseen laserkeilausaineistoon ja sen käsitteleminen oli mielenkiintoista. Pohjana toimi peruskarttalehti alueesta. Aineistoon lisättiin sitten rinnevarjostustaso ja korkeuskäyriä. Tarkastelin korkeuskäyriä karttalehden ja rinnevarjostuksen kanssa erikseen. – Ero oli huomattava rinnevarjostuksen kanssa verrattuna “tasaisen oloiseen” karttalehteen. Kuvaan 2 laitoin kaikki tuotetut aineistot esille.

Kuva 2. Pornaisten korkeusvaihteluita peruskarttalehdellä

Lähteet:

Yle, 2.12.2019. Ruotsinkielisten lukioiden voittokulku jatkuu STT:n lukiovertailussa – 20 parhaasta lukiosta puolet on ruotsinkielisiä. https://yle.fi/uutiset/3-11096406 (Viitattu 15.2.2022)

Tämän viikon harjoitteet olivat itselleni hyvin ongelmallisia. Luennolla en päässyt alkuun itsenäisissä harjoitteissa – onneksi sain apua, kotona tehdessäni QGIS ei tunnistanut kaikkia tiedostoja, joita pyrin ohjelmaan liittämään. Myöskään tunnilla tekemäni työ ei auennut enää kotona sitä avatessani. Jos jotain positiivista tästä pitäisi löytää, niin ainakin on tullut kokeiltua monen montaa työkalua, mitä QGIS tarjoaa käyttäjilleen. Myös excel-tiedostojen tuomisen QGIS-ohjelmaan opin hyvin.

Kuten jo aiemmin kertomastani voi käydä ilmi, kolmannen viikon aiheena olivat tietokannat. Näihin liitimme sekä ulkoista että jo tietokannassa valmiina ollutta dataa. Tietoja yhdistelemällä tuotimme uutta tietoa. Myös suurempien datamäärien käsitteleminen tuli tutummaksi.

Luennolla tuotetusta kartasta (Afrikan valtiot -tietokanta ja siihen liitetty data) voidaan tehdä monenlaisia päätelmiä ja arvioita eri muuttujien välisestä mahdollisesta yhteydestä. Luonnonvarojen ja konfliktien määrä kulkivat jokseenkin johdonmukaisesti käsikädessä. Kaivoksien lukumäärää voitiin peilata siis syntyneisiin konflikteihin. Yhteyden pohtiminen kuitenkin kyseenalaistui, sillä alueella oli myös valtioita, joissa yhteys ei aivan näin johdonmukaisesti toteutunut. Tämän takana voi olla monenlaisia tekijöitä, jotka vaikuttavat konfliktien määrään (esim. valtion taloudellinen tai poliittinen tilanne sekä ilmastonmuutoksen tuomat muutokset).

Itsenäisessä tehtävässä tarkoituksena oli luoda annetuista tietokannoista Suomen valuma-alueiden tulvaindeksikartta. Lopuksi karttaan liitettäisiin valuma-alueiden järvisyysaste (excel-tiedostona) prosentteina, joista muodostettaisiin diagrammi kuvaamaan prosenttiosuutta. Koska en yksinkertaisesti saanut tulvaindeksikartan luomisesta otetta, analysoin jo valmista karttaa Jessikan blogista.

Kartasta (Isomeri, 2022) voidaan havaita, että eniten tulvia esiintyy Suomenlahden ja Pohjanlahden rannikkoalueella sekä Turun ja Helsingin seudulla. Kuten Jessika olikin havainnut kartastaan, järvisyysprosentin ja tulvaindeksin välillä on yhteys. Siellä, missä järvisyysprosentti on suurempi, on havaittavissa myös matalampi tulvaindeksi. Lisäksi voidaan tarkastella Lapin alueen tulvaindeksiä. Ehkä tulvia syntyy kun järvisyysprosentti on pienempi, minkä vuoksi runsaammat lumien sulamisvedet eivät pääse virtaamaan järviin, vaan aiheuttavat tulvia.

Vaikka tämän viikon tehtävien kanssa oli todellisia haasteita, odotan seuraavaa luentoa innolla!

 

Lähteet:

Isomeri, Jessika (1.2.2022). JESSIKAN GIS-HURVITTELUT. Matka geoinformatiikan saloihin. https://blogs-test.it.helsinki.fi/jessikangishurvittelut/ (Viitattu 8.2.2022)

 

 

 

Eri karttaprojektioiden pinta-aloja ja pituuksia eroavaisuuksineen käytiin läpi viimeisimmällä luennolla. Näihin olikin jokseenkin helpompaa palata kotona uudemman kerran. Tai helpompaa ja helpompaa – En saanut kaikkia työkaluja käyttöön kuten olin luennolla saanut (Esim. Snapping-toimintoa). Opin kuitenkin, miten mittaustyökalun mittaukset saa pysymään näytöllä, vaikka vaihtaisi projektiota, joten tästä ei ollut sen kummempaa haittaa.

Itsenäisissä tehtävissä harjoittelin mittaamaan pituuksia ja pinta-aloja ellipsoidina ja tasona samalta pohjoiselta alueelta, kuten luennolla harjoiteltiin. Kasasin tietoja itselleni ylös vertaillakseni projektioita. Vertailin ETRS89-TM35 -projektiota Mercatorin, Van der Grintenin sekä Robinsonin karttaprojektioihin. Näistä hahmotin, miten esimerkiksi Mercatorin ja Van der Grintenin projektiot suurensivat pituuksia ja pinta-aloja suhteessa TM35-projektioon. Mercatorin projektio antoi pinta-alaksi (ellipsoidi) tuloksen 2840,671km², mikä oli TM35:n verrattuna 64,714km² suurempi. Suurin ero löytyi TM35-projektion ja Van der Grintenin projektioiden välillä, missä Van der Grintenillä tasona mitattu pinta-ala oli 4568,965km² suurempi kuin TM35:ssa.

Lopuksi vertailin pinta-aloja Suomen valtion rajojen välillä karkealla akselilla Vaasa – Kuhmo – Oulu (taulukko 1). Vertailussa käytin samoja projektioita kuin aiemmassa harjoituksessa, eli TM35-projektiota, mihin vertasin Mercatoria, Van der Grinteniä sekä Robinsonia. Projektioiden välillä on merkittäviä eroavaisuuksia. Olisin voinut lisätä vielä pituuksia, jotta vertaileminen pinta-alojen ja pituuksien välillä mahdollistuisi, mutta se jäi tällä kertaa toteuttamatta.

Jo aiemman käyttämästäni Robinsonin karttaprojektiosta tein kartan, mikä havainnollistaa ETRS89-TM35FIN-projektion ja Robinsonin projektion pinta-alaeroja prosentuaalisesti (kuva 1). Karttaprojektioiden erot kasvavat kohti pohjoista. Erot eivät ole erityisen merkittäviä.

 

Kuva 1. Robinsonin karttaprojektio verrattuna
ETRS89-TM35FIN-projektioon (%)

Projektioiden vertaileminen ja vääristymien havainnoiminen on kiehtovaa, mutta ennen kaikkea tärkeää, mistä kirjoittivat myös Rauhala ja Maijala blogeissaan. Nämä viikkotehtävät ja luento palauttivat mieleeni jälleen ajatuksia projektiomalleihin liittyen. Erojen mittaaminen ja laskeminen olivat myös uudenlainen tapa tarkastella projektiomalleja.

Näin QGIS tuli taas hitusen tutummaksi!

 

Lähteet:

Rauhala, Vili (2022). Viikko: 2 Karttaprojektioilla on väliä. Sukelluksia paikkatiedon maailmaan. https://blogs.helsinki.fi/radvili/ (Tieto haettu 2.2.2022)

Maijala, Katariina (2022). Karttoja ja projektioita. Geoinformatiikan harjoittelua.  https://blogs.helsinki.fi/katariinagem/2022/01/31/karttoja-ja-projektioita/ (Tieto haettu 2.2.2022)

QGIS-haahuilusta karttojen syntyyn

Ensimmäinen luento piti sisällään QGIS-ohjelman yleisimpien ja välttämättömimpien toimintojen tutkiskelua. Klikkaus klikkaukselta ohjeiden mukaan sain kuin sainkin omaa QGIS-osaamistani edistettyä. Harjoituskartta muodostui lopulta jokseenkin ymmärrettäväksi kokonaisuudeksi. Jee!

Ei kuitenkaan liikaa innostuta! Nimittäin, aiemmalla kurssilla oppimani oli jäänyt unholaan tai ruostunut – miten sen nyt haluaa ilmaista. Tallennettu karttani tallentui maille tuntemattomille ja ottamani kuvakaappaus oli viimeistelemätön. Ehkä tässä nimenomaan syy siihen, miksi opettelemme karttaohjelman käyttöä ja luotujen aineistojen hyödyntämistä.

HELCOM-merialueen typpipäästöistä tehty kartta tehtiin QGIS-ohjelmistolla. Kartta on informatiivinen, vaikka viimeistely on jäänyt puolitiehen (kuva 1). Valtioiden värisävyt kuvaavat kunkin valtion osuutta typpipäästöihin kyseisellä alueella.

Kuva 1. Typpipäästöt HELCOM-merialueella

Kartta kunta-aineistosta

Itsenäisenä harjoitteena QGIS:ssä toteutettiin koropleettikartta, jonka teeman sain valita annetusta Suomen kunta-aineistosta (2015), joista itse valitsin 0-14-vuotiaiden osuuden kuntakohtaisesti Suomessa. Haahuilin eri symboleja klikkaillen jonkin aikaa, mutta lopulta löysin paikan kartan visualisointiin. Pian kartassa näkyi kaikki olennainen (kuva 2). Koropleettikartasta tuli mielestäni selkeä ja ymmärrettävä, vaikkakin jäin pohtimaan legendan luokkavälejä – olisiko näitä riittänyt 3-4 tai olisivatko luokkavälit voineet olla jaoteltu muutoin kuin luonnollisin välein.

Kuva 2. 0-14-vuotiaiden jakautuminen kunnittain (2015)

Masa Solonen totesikin blogissaan, että kurssikerran niksit usein unohtuvat nopeammin kuin odottikaan, ja että yritysten ja erehdysten kautta ohjelman käytännöt jäävät muistiin. Tähän ajatukseen nojaten odotan tulevia harjoitteita mielenkiinnolla ja valmiina oppimaan uutta!

Lähteet:

Solonen, Masa (27.1.2022). MASAN MAA-202 BLOGI. Geoinformatiikan menetelmät -kurssin tehtäviä ja toimeksiantoja. Kurssin alkuaskeleet.  Masan MAA-202 blogi – Geoinformatiikan menetelmät -kurssin tehtäviä ja toimeksiantoja (helsinki.fi) 

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!