Viikko 7. Viimeiset hitaat

Mies voi lähteä QGIS:stä, mutta QGIS ei voi lähteä miehestä

Geoinformatiikan menetelmien pitkä ja kivinen tie alkaa kääntyä jo loppusuoraa kohti, sillä jäljellä on enää kurssin huipentava final boss eli omien itsekerättyjen aineistojen pohjalta laaditut kartat. Tehtävänantomme oli hyvin vapaa, sillä pääkriteerien mukaan kartoista kuuluisi löytyä ainakin kaksi muuttujaa sekä vähintään parisenkymmentä eri aluetta, jotta alueellinen vertailu olisi mielekästä. Saimme siis mahdollisuuden paneutua teoksissamme lähes mihin tahansa aiheeseen maan ja mesosfäärin väliltä.

Päädyin valitsemaan tutkittavaksi kohdealueekseni Euroopan ja sukelsin eurooppalaisten tilastojen kaninkoloon kuin Ihmemaan Liisa konsanaan. Loistavana aineistona karttojeni pohjana toimi Eurostat- sivusto monipuolisine tietokantoineen. Muuttujiksi halusin ottaa jotakin tuttua ja turvallista, joten päädyin esittämään kartoissani tupakoinnin ja alkoholin kulutuksen Euroopan eri valtioissa. Toiseksi muuttujaksi kummankin kartan taustalle lisäsin kunkin maan asukkaiden keskimääräisten terveiden elinvuosien määrän. Tarkoituksena oli selvittää onko Euroopan kovimmilla sauhukeuhkoilla ja loppasuilla kenties yhteyttä valtioiden asukkaiden terveiden elinvuosien keskiarvoon?

Kuva 1. Koropleettikartta Euroopan valtioiden tupakoitsijoista ja asukkaiden terveistä elinvuosista vuonna 2014 (http://ec.europa.eu/eurostat/data/database).

Datan muuntaminen GQIS:ssä luettavaan muotoon ei sujunut suinkaan ongelmitta. Ensimmäisillä yrittämillä ladatessani dataa Eurostatista tietokanta latautui läppärilleni lähinnä muinaisia hieroglyfejä muistuttavassa muodossa. Tovin pulman kanssa miekkailtuani hoksasin puolivahingossa napsauttaa sivuston extra options- kohdasta compressed-valinnan pois päältä. Tämän oivallettuani karttojen kasaaminen luonnistui kuin päivänkorennon tanssahtelu auringonlaskun siivittämässä kesäillassa.

Koska kartat sisälsivät kukin kaksi eri muuttujaa oli päätettävä tavat, joilla niiden esittäminen olisi mahdollisimman selkeää ja visuaalisesti näyttävää. Päädyin lopputulokseen, jossa tarkasteltavat valtiot jaetaan eri luokka-arvoihin alkoholin ja savukkeiden nautiskelun perusteella. Toista muuttujaa eli terveiden elinvuosien määrää kuvasin yksinkertaisilla ja helposti ymmärrettävillä numeroarvoilla kunkin valtion kohdalla.

Eurostatista ongittujen aineistojen visualisointi kartalle onnistui vaivattomasti Add delimited text layer- toiminnolla, jonka jälkeen hyödynsin Join attributes by field value- toimintoa saadakseni aineiston yhdistymään käytössä olevaan Euroopan karttapohjaan. Enää jäljelle jäi tilastojen esittäminen kartalla, joka hoitui Layer Properities- osiosta Symbology- ja Labels- painikkeilla. Työvaiheet olivat loppujen lopuksi samoja tuttuja, joiden kanssa olemme koko alkukurssin painineet, joten tässä vaiheessa suorittaminen alkoi tuntua jo lähes rutiininomaiselta.

Kuva 2. Koropleettikartta Euroopan maiden alkoholin kulutuksesta vuonna 2014. Mukana valtioiden asukkaiden keskimääräiset terveet elinvuodet (http://ec.europa.eu/eurostat/data/database).

Valitettavasti kyseisistä aineistoista ei löytynyt tilastoja aivan jokaisesta Euroopan valtiosta, joten esimerkiksi Sveitsi sekä entisen Jugoslavian valtioiden kuten Serbian ja Bosnia-Hertsegovinan alueet loistavat kartoissa poissaolollaan. Etenkin päivittäisiä tupakoitsijoita kuvaava kartta lukeutuu mielestäni koko kurssin mittapuulla parhaiten onnistuneiden karttojeni joukkoon. Riittävän yksinkertainen ja selkeä ulkoasu höystettynä tyylikkäällä värimaailmalla. Ai että, silmä lepää!

Tuloksista sen verran, että syöpäkääryleiden korkea kulutus näyttää painottuvan eritoten Kaakkois- ja Etelä- Euroopan valtioihin. Pohjoismaissa päivittäisten tupakoitsijoiden määrä on pääosin muuta Eurooppaa vähäisempää. Alkoholin kanssa tulokset osoittautuvat lähes päinvastaisiksi. Tupakka tilastojen häntäpäässä olleiden Suomen, Ruotsin, Saksan sekä Iso-Britannian alkoholin kulutus on Euroopan kärkipäätä. Sen sijaan sauhuttelijoiden kärkisijoja havitellut Turkki lukeutui aineistossa vähiten alkoholia kuluttavien maiden joukkoon. Ilmiötä selittänee se, että Turkissa valtaosa väestöstä kuuluu islaminuskoon, jossa alkoholin käyttöä ei arvosteta.

Suoria johtopäätöksiä tupakoinnin ja alkoholin käytön vaikutuksesta terveisiin elinvuosiin ei voida aineiston pohjalta tehdä, mutta joitakin yhtäläisyyksiä löytynee. Silmiin pistävää on se, miten Suomen ja Ruotsin ollessa alkoholin ja tupakan kulutuksessa lähes identtisiä, niiden välillä on yli 14 vuoden ero terveissä elinvuosissa. Voidaan siis todeta, ettei tupakoinnin ja alkoholin kulutuksella ole suoraa yhteyttä valtion asukkaiden keskimääräisiin terveisiin elinvuosiin.

Loppusoinnut

Seitsemän viikkoa, seitsemän pitkää harjoituskertaa, lukuisia QGIS:in jäätymisiä sekä lukemattomia haaleita kahvikupposia myöhemmin olemme täällä yhdessä, MAALISSA! Ennen kun Pasilasta päräytetään Porilaisten marssi ilmoille, haluan kiittää muutamaa kurssitoveriani, joiden kanssa olemme toisiamme tukien yhdessä taittaneet, tätä pitkää ja mutkikasta GEM-taivalta. Lauri Silvennoinen, Elena El Founti, Ilari Leino sekä Tapio Turpeinen ovat osaamisellaan puskeneet minua eteenpäin kurssin aikana niinä hetkinä, jolloin olen epätoivoisesti lyönyt päätäni seinään. Teitte kurssista unohtumattoman kokemuksen ja olen kiitollinen saadessani jakaa nämä kultaiset muistot kanssanne vielä pitkään!  Nyt on kuitenkin aika sammuttaa valot paikkatietoilun osalta tältä erää.  Minä Antti Santeri Paakkari kiitän ja kumarran! Oli ilo paikkatietoilla kanssanne ja kenties tiemme QGIS:sin kanssa kohtaavat vielä tulevaisuudessa……

Lähteet

Eurostat: Smoking of tobacco products by sex, age and educational attainment level. 2014 (haettu 9.3.2021). <https://ec.europa.eu/eurostat/databrowser/view/hlth_ehis_sk1e/default/table?lang=en >

Eurostat: Frequency of alcohol comsumption by sex, age and educational attainment level. 2014 (haettu 9.3.2021). <https://ec.europa.eu/eurostat/databrowser/view/hlth_ehis_al1e/default/table?lang=en>

Eurostat: Healthy life years by sex (from 2004 onwards). 2014 (haettu 9.3.2021). <https://ec.europa.eu/eurostat/databrowser/view/hlth_hlye/default/table?lang=en>

Lauri Silvennoisen Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/laurisil/ (luettu 9.3.2021)

Elena El Fountin Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/elfelena/ (luettu 9.3.2021)

Ilari Leinon Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/ilarilei/ (luettu 9.3.2021)

Tapio Turpeisen Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/tapiotur/ (luettu 9.3.2021)

Viikko 6. Luento ja harjoitukset

Kansalaiset, medborgare! 

On jälleen koittanut se aika viikosta kun yhdessä sukellamme geoinformatiikan menetelmien ihmeelliseen maailmaan. Tällä viikolla jouduimme jättämään omat paikkatietopoteromme ja suuntaamaan havainnoimaan ympärillämme vellovaa todellisuutta, sillä tehtävänämmä oli kerätä itse dataa, jota hyödyntäisimme yhteisessä harjoituksessa. Opettajamme Arttu määräsi GIS-kätyrinsä keräämään dataa lähiympäristöistään Epicollect5- mobiilisovellusta hyödyntämällä.

Tehtävänämme oli tallentaa GPS:ää hyödyntäen kohteemme sovellukseen, jonka jälkeen vastasimme ennalta määriteltyihin kysymyksiin kohteen luonteesta. Kerättyämme kohteet, latasimme ne sovelluksen kautta yhteiseen tietokantaan, jota oli loppujen lopuksi tarkoitus visualisoida karttana QGIS-sovelluksessa. Valitsimme tutkittavaksi kysymykseksi turvallisuudentunteen kokemisen kohteessa. Add Delimited Text Layer- toiminnolla saimme esitettyä keräämämme datan pistemuotoisina vektorikohteina kartalla. Pelkkien pisteiden lisäksi halusimme kuitenkin erotella kohteita niiden ominaisuuden perusteella. Interpolointi- työkalulla pystyimme erottelemaan kohteiden arvoja sen mukaan, kuinka turvalliseksi olimme ne määritelleet.

Lopputuloksia tarkastellessa huomataan, että poikkeuksellista turvattomuudentunnetta herättäneitä kohteita löytyi mm. Sörnäisistä, Vallilasta sekä Munkkiniemestä. Tuloksia analysoidessa on kuitenkin hyvä ottaa huomioon, että paikoista huokuvalla turvallisuudentunteella ja vuorokauden ajalla on merkitystä. Tulokset voisivat olla hyvinkin erilaisia jos datan keräysajankohta olisi ollut aamupäivän sijasta esimerkiksi aamuyö.

Kuva 1. Luennolla keräämiemme paikkatietojen pohjalta luotu kartta turvallisuuden tunteesta eri puolilla Helsinkiä.

Itsenäisissä tehtävissä pääsimme kuvittelemaan itsemme aivan oikeisiin töihin, joka näin ensialkuun aiheutti vähintäänkin pienimuotoisen pelkoreaktion kehossani. Tehtävänämme oli nimittäin laatia erilaisiin hasardeihin liittyviä karttoja, joita voisimme käyttää hypoteettisessa opetustilanteessa oppimateriaalina. Ensitöikseni laadin kartan voimakkaista maanjäristyksistä.  Latasin USGS- sivustolta tietokannan, joka sisälsi kaikki mitatut yli 7,5 magnitudin maanjäristykset maapallolla viimeisen 15 vuoden aikana. Kohteet ilmestyivät pistemuodossa kartalle aivan kuin edellä mainitussa yhteisessä harjoitteessa.  Pisteiden asetuttua kartalle interpoloin tiedoston, jotta yksittäisistä pistekohteista muuttuisi helpommin hahmotettavia kokonaisuuksia.

Valmista karttaa kriittisesti tutkiessa ulkoasuun jäi selkeästi hiomisen varaa. Jostain syystä en onnistunut luomaan kunnollista mittakaavaa, joten jätin sen kokonaan kartasta pois vastoin yleisiä ohjeita. Ilmeisesti kurssitoverinikin kohtasivat vastaavia ongelmia, sillä esimerkiksi Erkin tyylikkäistä hasardikartoista uupuivat niin ikään mittakaavat.

Tuloksia tarkasteltaessa huomataan, että voimakkaita yli 7,5 magnitudin maanjäristyksiä esiintyy etenkin litosfäärilaattojen rajapinnoilla. Tarkalleen ottaen sellaisilla alueilla, joissa laatat joko sivuavat tai työntyvät toisiaan kohti. Malliesimerkkinä toimii Chilen alue Etelä-Amerikassa, Nazcan laatta ja Etelä-Amerikan laatta muodostavat alityöntövyöhykkeen.

Kuva 2. Yli 7,5 magnitudin maanjäristysten sijoittuminen maapallolla.

Litosfäärilaattojen alityöntövyöhykkeellä esiintyy maanjäristysten lisäksi myös eräs toinen merkittävä hasardi. Toisesta muodostamastani kartasta käy nimittäin ilmi, että valtaosa maapallon kerrostulivuorista sijaitsee juuri laattojen rajapinnoilla ja etenkin alityöntövyöhykkeillä. Tyynenmeren tulirengas toimii tästä mainiona esimerkkinä. Alueen väestölle tulivuoritoiminta luo niin uhkia kuin mahdollisuuksia. Vulkaaninen maaperä toimii nimittäin hedelmällisyytensä ansiosta loistavana alustana maanviljelylle.

Kolikon kääntöpuolena toimivat kuitenkin kerrostulivuoriin liittyvät suuret riskitekijät. Alityöntövyöhykkeille syntyvien kerrostulivuorten purkaukset ovat räjähdysmäisiä, sillä merellisen laatan työntyessä mantereisen laatan alle maankuoren alle pääsee runsaasti merivettä, joka muodostaa puolestaan kaasumaista painetta. Ihmisille suurimmat riskit räjähdysmäisissä purkauksissa luovat: pyroklastiset pilvet, vulkaaniset pommit sekä tuhkapilvet, jotka voivat suurimmissa räjähdyksissä vaikuttaa negatiivisesti jopa maapallon vuotuiseen keskilämpötilaan.

Kuva 3. Kerrostulivuorien sijoittuminen maapallolla.

Kolmannessa kartassani tutustuin kilpitulivuorien esiintymiseen. Uhkakuviltaan kilpitulivuoret mielletään kerrostulivuoria vaarattomimmiksi, mutta myös niihin liittyy omat hasardinsa. Niin kuin edellisessä kartassa tarvittavan datan latasin NCEI:n mainiosta hasarditietokannasta. Mielestäni litosfäärilaattojen rajapintojen lisäys auttaa hahmottamaan käsiteltävää ilmiötä, jonka ansiosta tulivuoria kuvaavat kartat ovat sekä visuaalisesti ja informatiivisesti maanjäristyskarttaa onnistuneempia.

Kilpitulivuorten sijoittuminen eroaa huomattavasti kerrostulivuorista. Siinä missä kerrostulivuoria esiintyi litosfäärilaattojen alityöntövyöhykkeillä, valtaosa kilpitulivuorista sijoittuu laattojen erkanemisvyöhykkeille. Kilpitulivuorissa magma on juoksevampaa ja sitä purkautuu tasaisemmin kuin kerrostulivuorissa, jolloin purkausreaktio on huomattavasti maltillisempi. Kilpitulivuorten suurimmat uhkakuvat ihmisille liittyvät lähinnä  liikkuviin laavavirtoihin.

Kuva 4. Kilpitulivuorien sijoittuminen maapallolla.

Lähteet

Erkki Järvisen Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/erkkijar/ (luettu 26.2.2021).

 

Viikko 5. Viides luento ja harjoitukset

Terrrvetuloa jälleen Antin kurssiblogin pariin, makumatkalle maailman yrjöttävimpien karttaprojektien pariin!

Tämän viikkoisten harjoitusten eteen jouduimme vuodattamaan verta, hikeä ja kyyneleitä, sillä tällä kertaa jouduimme ottamaan ohjat omiin käsiin heti alusta alkaen. Normaalisti luennolla käymme tehtäviä Artun opastuksella vaihe vaiheelta läpi, mutta tällä kertaa pääsimme työskentelemään itsenäisesti. Aluksi tämä herätti itsessäni kauhun sekaisia tuntemuksia, sillä itseluottamukseni omaan QGIS:sin hallintaani ei ole niin sanotusti pilvissä. Huoleni osoittautuivat kuitenkin turhiksi, sillä omatoiminen työskentely luonnistuikin yllättävän kivuttomasti!

Ensitöiksemme harjoittelimme erilaisten bufferien hyödyntämistä QGIS-ohjelmassa. Bufferi on kohteen ympärille luotava sektori, jonka avulla voidaan tutkia erilaisten ilmiöiden esiintymistä valitulla etäisyydellä kohteesta. Tehtävänämme oli selvittää Malmin lentokentän pahimmalla melualueella (2km) asuvien ihmisten määrä buffereita hyödyntäen. Aluksi piirsin kartalle lentokentän kiitoratoja kuvaavat viivat, joille loin uuden layerin. Tämän jälkeen loin kahden kilometrin bufferit kiitoratojen ympärillä GQIS:sin processing tool boxista löytyvällä buffer-toiminnolla. Viimeiseksi select by location- toiminnon avulla valitsin buffereiden sisään jäävät kohteet ja QGIS:sin statistics panel kertoi tarvittavat tiedot alueen väestöstä. Vertaillessani omaa tuotostani kurssitoverini Juliannan tekeleeseen, vaikuttuvat lopputulokset kutakuinkin samoilta, joten uskon meidän molempien saaneen jutun juonesta kiinni!

Kuva 1. Malmin lentokentälle luodut bufferit (2km), jotka kuvaavat pahimman meluhaitan alueita.

Malmin lentokentän lisäksi harjoituksiin sisältyi samankaltaisien meluhaittabuffereiden luomista Helsinki- Vantaan lentokentällä. Toimenpiteet olivat kutakuinkin samoja kuin Malmin lentokentän tapauksessa eikä tuloksien analysoinnissa esiintynyt juurikaan ongelmia. Samojen toimintojen toistaminen loi kuitenkin hyvää rutiinia ja koen tehtävien suorittamisen jälkeen hallitseva QGIS:sin bufferityökalun melko mallikkaasti.

Kuva 2. Vähintään 55 dB:n meluhaitta-alue Helsinki- Vantaan lentokentällä.

Toisessa tehtävässä siivet vaihdettiin kiskoihin, sillä tällä kertaa tarkasteluun otettiin lentoasemien sijaan juna-asemat. Tehtävänä oli tutkia kartan alueen väestöä 500 metrin kokoisilla buffereilla lähijuna-asemien ympäristössä. Selvisi, että reilu 20% koko alueen väestöstä asuu 500 metrin säteellä juna-asemista. Toinen mielenkiintoinen fakta asemien asukeista oli se, että noin 71% kyseisten buffereiden väestöstä oli työikäisiä (15-64-vuotiaat).

Lisäksi pääsimme selvittämään Vantaan taajama-alueisiin liittyviä väestötietoja. Jopa hurjat 96% Vantaan väestöstä asuu taajamissa. Mielenkiintoista tilastoa saatiin raavittua myös taajamissa asuvista ulkokansalaisista. Tehtävänä oli selvittää kuinka monella taajama-alueella ulkokansalaisten osuus oli yli 10, 20 ja 30 prosenttia. Yli 10% ulkomaalaisasutettuja taajamia ilmeni 57. 20% ja 30% ylittyi puolestaan 25 ja 14 taajamassa.

Kuva 3. Asemien ympärille luotuja 500 metrin buffereita.

Ehdottomaksi suosikikseni tämän viikon tehtävistä nousi itsenäinen harjoitus, jossa tarkoituksena oli selvittää uima-altaiden ja saunojen määrä pääkaupunkiseudulla. Uima-altaalla varusteltuja taloja pääkaupunkisudulta löytyi kaikkiaan 855, joissa asuu kaiken kaikkiaan 12 170 henkilöä. Eri talotyypeistä uima-altaita esiintyi eniten omakotitaloissa (345). Pari- rivi ja kerrostalojen uima-altaiden määrät olivat sen sijaan 158, 113 sekä 181. Saunallisten talojen osuus oli huomattavasti allastaloja suurempi, sillä niitä esiintyi jopa 21 922, joka on jopa 24% kaikista alueen taloista.

Tämän viikon ylpeyden aiheeni on ehdottomasti kyhäämäni koropleettikartta uima-altaiden määrästä Helsingin seudun eri osissa. Työvaiheet olivat jokseenkin tuttuja edellisten kurssikertojen vastaavista tehtävistä ja alkuun homma etenikin mallikkaasti. Ongelmia ilmeni kuitenkin uima-allas tietokannan yhdistämisessä pienaluetasoon. Onneksi jo edellisillä kerroilla loistavia MacGyver- tyyppisiä ratkaisuja tarjonnut Ilarin kurssiblogi auttoi minua selviämään tästäkin haasteesta. Kiitos ja kumarrus siis Leinon suvun GIS-welholle! Mutkia ilmeni matkassa myös allasmäärien kuvaamisessa pylväsdiagrammeilla. Apua löytyi kuitenkin Tapion muutaman viikon takaisesta postauksesta, jossa hän päivitteli valuma-alueiden järvisyysprosentin kuvaamista vastaavilla pylväsdiagrammeilla.

Lopputulos koko komeudessaan on nähtävissä alla olevasta kuvasta. Voin käsi sydämellä todeta, että uima-allas kartta on tähän mennessä onnistunein tuotos, joka on blogini kautta suureen maailman putkahtanut. Edelliskerroilla olen ollut tyytymätön visuaaliseen puoleen, mutta nyt voin taputtaa itseäni olkapäälle, sillä kartta näyttää kuin näyttääkin aidosti hyvältä. Kartan tarjoamasta informaatiosta todettakoon, että uima-allas rikkaimpia alueita ovat Ruoholahti, Kulosaari, Marjaniemi sekä Munkkiniemi.

Kuva 4. Uima-altaat Helsingin seudun pienalueilla. Keltaiset pylväät kuvaavat uima-altaiden määrää eri pienalueilla

Lähteet

Julianna Häkkilän Blogi- Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/julihakk/ (luettu 19.2.2021)

Ilari Leinon Blogi- Geinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/ilarilei/2021/02/19/viides-kurssikerta/ (luettu 19.2.2020)

Tapio Turpeisen Blogi- Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/tapiotur/2021/02/04/3-konflikteja-ja-tulvaindekseja/ (luettu 19.2.2021)

 

Viikko 4. Neljäs luento ja harjoitukset

Neljäs viikko ja uudet kujeet. Alkukurssin olemme keskittyneet erilaisilla vektorimuotoisilla aineistoilla kikkailuun, mutta tällä viikolla vektorit jäivät historiaan ja tutustuimme rasteriaineistojen kiehtovaan maailmaan! Ennen rastereihin paneutumista haluan kuitenkin nostaa esille havainnon, jonka tein kurssitoverini Ilarin blogia lukiessani. Hän oli havainnut, että QGIS- sovelluksen valikkonäkymän värimaailman pystyy vaihtamaan tyylikkään mustaksi, wow! Aionkin ottaa neuvosta vaarin ja päivittää myös oman sovellukseni ulkoasua, sillä haluan olla vielä jonain päivänä yhtä katu-uskottava paikkatietoilija kuin idolini Ilari!

Mutta sen pidemmittä puheitta siirtykäämme päivän polttavan puheenaiheen eli rastereiden pariin. Tehtävänämme oli laatia monenmoisia ruututeemakarttoja pääkaupunkiseudusta erilaisten aineistojen pohjalta. Yhteisessä harjoituksessa tehtävänä oli kuvata ruotsinkielisen väestön jakautumista PK-seudulla (Kuva 1.).  Kartasta on havaittavissa, että eniten ruotsinkielistä väestöä keskittyy Helsingin Ullanlinnan sekä Töölön asuinalueille. Tuloksia analysoidessa on oltava kuitenkin kriittinen, sillä kartassa käytetään absoluuttisia lukuarvoja prosenttien sijaan. Huomioitavaa on kuitenkin se, että Vantaalla ruotsinkielisiä esiintyy huomattavasti Helsinkiä ja Espoota vähemmän. Onko tämä kenties sattumaa, sitä jäämme pohtimaan.

Kuva 1. Pääkaupunkiseudun ruotsinkielinen väestö 1km x 1km ruutuaineistossa.

Omatoimisessa harjoituksessa tarkoituksena oli luoda lisää ruututeemakarttoja erikokoisilla ruudukoilla. Päädyin valitsemaan tällä kertaa astetta pienemmän ruutukoon (500m x 500m). Teemaksi puolestaan valitsin ulkomaalaisväestön pääkaupunkiseudulla. Kuvassa 2 komeilevasta kartasta on selvästi erotettavissa ulkomaalaisväestön jakautumisessa selkeää keskittymistä.  Selkeinä klustereina erottuvat mm. Kontula ja Mellunmäki Helsingissä sekä Espoon keskus. Edellä mainittujen alueiden lisäksi ulkomaalaisväestöä esiintyy etenkin lähijuna-asemien läheisyydessä. Ilmiötä selittänee esimerkiksi se, että kyseisillä alueilla on tarjolla runsaasti edullisia vuokra-asuntoja.

Kuva 2. Ulkomaalaisväestö pääkaupunkiseudulla 500m x 500 ruutuaineistossa.

Kolmannen ruututeemakartan aiheeksi valitsin ruotsinkielisen naisväestön. Rehellisesti sanottuna kyseisen teeman analysoimisella ei ole sen syvällisempää tarkoitusta, koska tulokset noudattavat luonnollisesti samaa kaava kuin kuvan 1 teemakartassa. Pääideana kolmannen kartan luomisessa olikin lähinnä QGIS-komentojen toistaminen ja sitä kautta ohjelman hallinnan kehittyminen. Tästä syystä en kokenut teeman merkitystä kovinkaan suureksi ja päädyn tämän kaltaiseen hieman epämääräiseen valintaan.

Kuva 3. Ruotsinkielisen naisväestön sijoittuminen pääkaupunkiseudulla 500m x 500m.

Erikokoisia ruutukokoja testanneena tulin siihen tulokseen, että 500m x 500m ruudukko sopii parhaiten pääkaupunkiseudun kokoisen alueen kuvaamiseen. Teemojen esiintymisen vaihtelu erottuu huomattavasti selkeämmin kuin 1km x 1km ruudukossa, jolloin ilmiöiden analysoiminen helpottuu. Toisaalta kyseinen ruudukon tiedostokoko pysyy vielä sen verran suurena, että heikompikin läppäri pysyy menossa mukana. Kaikissa tällä viikolla laatimissa kartoissani piilee yksi pulma liittyen niiden informatiiviseen sisältöön. On vähintäänkin hieman ongelmallista, että edellä mainittujen kaltaisia teemoja esitetään kartalla absoluuttisina lukuina prosenttiosuuksien sijaan. Näin ollen esimerkiksi Helsingin kantakaupungin kaltaisella erittäin tiheään asutulla seudulla jokaisen väestöryhmän luvut ovat suhteellisen korkeita, sillä alueella yksinkertaisesti asuu niin paljon ihmisiä.

Karttojeni visuaaliseen ilmeeseen en ole lainkaan tyytyväinen. Vaikka pääpiirteiltään ne täyttävät oikeaoppisen kartan kriteerit olisi hienosäädössä vielä huomattavasti petrattavaa. Reunukset uupuvat, legendojen ulkoasu sakkaa sekä pieniä huolimattomuus virheitä löytyy sieltä sun täältä. Kurssitovereitteni Liisan ja Laurin sekä kaimani Antin visuaaliseen jälkeen verrattuna ero on kuin yöllä ja päivällä. Heidän työnsä ovat nimittäin silkkaa taidetta! Toivon, että vielä jonain päivänä voin ylpeänä sanoa samaa omista kartoistani.

 

Lähteet

Ilari Leinon Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/ilarilei/ (luettu 11.2.2021).

Lauri Silvennoisen Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/laurisil/ (luettu 11.2.2021).

Liisa Ahokkaan Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/ahokliis/ (luettu 11.2.2021).

Antti Ryynäsen Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/ryantti/ (luettu 11.2.2021)

Viikko 3. Luento ja harjoitukset

Tällä viikolla yhteinen luento-osuus ei pitänyt sisällään lainkaan teoriaa, vaan hyppäsimme heti harjoitusten syvään päätyyn. Päivän yhteisten harjoituksien teemana oli erilaisten tietokantojen yhdistäminen jo tässä vaiheessa tutuksi tulleen QGIS-ohjelman avulla. Harjoituksen pohjana käytimme Afrikan mantereen tietokantaa. Kyseiseen tietokannasta haluttiin kuitenkin muokata selkeämpi, sillä alkuperäisessä versiossa, jokainen saari oli eritelty omalle sarakkeelleen. Ensitöiksemme harjoittelimmekin, miten tietokannassa pystyy yhdistämään esimerkiksi samalle valtiolle kuuluvat saaret yhdeksi sarakkeeksi.

Seuraavana tehtävänämme oli muodostaa tietokantoja yhdistelemällä taulukko, johon oli koottu Afrikan valtioista tietoa mm. konflikteista, öljynporaus alueista sekä timanttikaivoksista. Tehtävänämme oli pohtia löytyykö näiden edellä mainittujen muuttujien väliltä korrelaatiota. Tietokantaa analysoidessa oli havaittavissa, että timanttikaivoksilla ja öljyntuotannolla oli yhteyttä Afrikan valtioissa esiintyneiden konfliktien määrään. Ei voida kuitenkaan todeta, että kyseiset tekijät lisäisivät suoraan valtioiden sisäisiä konflikteja. Tästä esimerkkinä toimi Tansania, jossa timanttikaivosten määrä oli verrattain suuri, mutta konflikteja alueella ei aineiston perusteella ole esiintynyt lainkaan. Yleisällä tasolla voidaan kuitenkin todeta, että timantti-ja öljytuotannon tuomat varat jakautuvat usein epätasaisesti valtioiden sisällä, joka puolestaan lisää tuloeroja ja kasvattaa konfliktien riskiä.

Tämän viikkoisessa itsenäisessä harjoituksessa tehtävänä oli laatia teemakartta, joka kuvaa Suomen valuma-alueiden tulvariskiä tulvaindeksiä käyttäen. Jotta tulvaindeksi saatiin selville, täytin ensin yhdistellä tietokantoja Afrikka-tehtävässä opituilla nikseillä. Tulvaindeksin selvittämisen kannalta merkittäviä muuttujia keskiylivirtaama (MHQ) sekä keskialivirtaama (MNQ). Tulvaindeksi saatiinkin muodostettua laskutoimituksella. Tulvaindeksin selvittämisen jälkeen visualisoin taulukon tulokset koropleettikartalle (Kuva 1.).

Kuva 1. Tulvaindeksikartta valuma-alueista

Luomastani tulvaindeksikartasta voi havaita tietynlaista yhtäläisyyttä eri alueiden tulvariskin suuruudessa. Ensimmäisenä havaintona voidaan todeta, että suurimmat tulvaindeksilukemat esiintyvät Suomen rannikkoseuduilla läpi koko maamme rannikon. Sen sijaan Keski- ja Itä-Suomessa. Rannikoiden suurempaa tulvariskiä voidaan selittää mm. sateen avulla. Mereltä tuleva kosteus luo rannikoille sisämaa enemmän sateita, jolloin myös tulvaindeksi on alueilla korkea.

Runsaiden sateiden lisäksi myös valuma-alueen järvisyysprosentilla (jota en valitettavasti onnistunut visualisoimaan) on vaikutusta valuma-alueen tulvaindeksiin. Karkeasti sanottuna korkea järvisyysprosentti vähentää alueen tulvaindeksiä. Tämä selittää sitä, miksi Järvi-Suomessa tulvaindeksi on huomattavasti esimerkiksi Pohjanmaata pienempi. Lisäksi Pohjanmaan vähäisen topografian myötä jokien virtaus on melko heikkoa, jolloin etenkin keväisin lumien sulaessa vedenpinta nousee kriittiselle tasolle.

Tämän viikon harjoitusten jälkeiset fiilikset ovat vähintäänkin aurinkoiset. Päivä päivältä ja viikko viikolta QGIS tuntuu tottelevan käskyjäni paremmin ja paremmin. Elena kiteyttääkin myös omia tuntemuksiani blogissaan kirjoittamalla ettei komentonappien määrä QGIS:ssä enää kauhistuta, vaan siihen on oppinut suhtautumaan “lapsenomaisella uteliaisuudella”. Matkani GIS-velhouteen on kieltämättä vielä pahasti vaiheessa, mutta koen oppimisprosessin suunnan olevan tällä hetkellä pitkälti nousujohteinen!

Lähteet

Elenan kurssiblogi – II: Projektiovääristymiää ja näkökulmia (31/1/2021). https://blogs.helsinki.fi/elfelena/2021/01/31/ii-projektiovaaristymia-ja-nakokulmia/ . (luettu 06/02/2021)

Viikko 2. Toinen luento ja harjoitukset

Toisella luennolla ja yhteisessä harjoituksessa meininki oli huomattavasti ensimmäistä kurssikertaa selkeämpi. Vaikka opettajamme Arttu manasikin, että tämän viikkoiset hommat kuuluvatkin tuntua helpoilta jäi tehtävien suorittamisesta huomattavasti edellisviikkoa parempi fiilis ja usko omaan suorittamiseen. Kuten Tapio Turpeinen kirjoittaakin ensimmäisessä blogi-postauksessaan, tämänkaltainen kurssin suorittamistyyli vaikuttaa ainakin näin alkuun hyvin innostavalta.

Tällä viikolla kokeilin hieman uudenlaista lähestymistapaa yhteisiin harjoituksiin nimittäin otin käyttöön toisen näytön tietokoneelleni. Tuplanäyttö helpotti huomattavasti opetuksen perässä pysymisessä, sillä enää ei tarvinnut pompotella eri ikkunoiden välillä vaan zoomin sai kätevästi toiselle näytölle ja QGIS:in toiselle. Mielestäni tämä näkyy myös harjoitteen lopputuloksessa, josta on havaittavissa selkeää kehitystä viime viikkoon nähden. Kuten kuvasta 1 näkee, valmis tuotokseni on jo lähes kartaksi tunnistettava ilmestys.

Kuva 1. Mercatorin projektion pinta-ala verrattuna TM35-projektion pinta-alaan.

Tämän viikon harjoituksissa oli äärimmäisen mielenkiintoista päästä kokeilemaan käytännössä sitä, kuinka pahasti erilaiset karttaprojektiot vääristävät etäisyyksiä ja pinta-aloja Suomen kokoisen valtion alueella. Toki aikaisemminkin olin tietoinen eri projektioiden eroista, mutta harjoituksessa niitä pääsi havainnollistamaan omin käsin ja samalla harjaannuttamaan omaa QGIS:in käsittelyä. Huomaan alkavani pikku hiljaa kehittymään kyseisen sovelluksen käsittelyssä. Oppimisprosessia kuitenkin hankaloittaa se, että harjoituskertoja on vain kerran viikossa, joten toivottua toistoa ei pääse näin ollen syntymään, vaan asioita joutuu palauttelemaan mieleen viikoittain. Toki toistoa saisi harjoittelemalla QGIS:in taikoja oma-aloitteisesti, mutta moiseen ylisuorittamiseen en aio ryhtyä.

Omatoimisissa harjoituksissa jatkoimme samalla kaavalla, mitä yhteisissä harjoituksissa. Tarkoituksena oli tutkia erilaisten karttaprojektioiden eroja TM35-projektioon ja visualisoida data kartalla yhteisen harjoituksen tapaan. Valitsin yhdessä tekemämme Mercatorin lisäksi Robinsonin-projektion (kuva 2) sekä avaruusprojektion (kuva 3). Tuloksista ilmeni, että edellä mainituista kolmesta projektiosta Mercator vääristä alueiden pinta-aloja eniten. Lapissa alueiden pinta-alat näyttäytyivät Mercatorissa jopa kahdeksan kertaa todellisuutta suurempina, kun Robinsonin projektiossa vastaava luku oli paljon maltillisempi eli noin 1,4. Mercatorin ja Robinsonin projektioiden kuvatessa alueiden kokoa ylä-kanttiin, avaruusprojektiossa alueet näyttäytyivät todellisuutta pienempinä.

Kuva 2. Robinsonin projektio verrattuna TM35-projektioon.
Kuva 3. Avaruusprojektio verrattuna TM35-projektioon.

Projektioiden eroja visualisoivien karttojen lisäksi laadin taulukon, johon keräsin muutaman satunnaisesti valitun projektion eroja ETRS-TM35FIN-projektioon. Vertailun kohdealueena on käytetty satunnaista aluetta Suomen Lapissa Inarin kunnan alueella. Tuloksia pääsee ihastelemaan alla olevasta taulukosta.

Taulukko 1. Erilaisten projektioiden esittämät pituudet sekä pinta-alat verrattuna TM35- projektioon.

Lähteet:
Turpeinen, T. (2021). Kurssikerta 1. Tutustumista QGIS-sovellukseen.
Viitattu 28.1.2021
<https://blogs.helsinki.fi/tapiotur/2021/01/21/kurssikerta-1/>

Viikko 1. Ensimmäinen luento ja harjoitukset

Omat asetelmani kurssille lähtiessä ovat vähintäänkin haasteelliset. Minulla ei ole juurikaan aikaisempaa kokemusta eri tietokoneohjelmilla työskentelystä, joten näin ennakkoon minua epäilyttää tulenko oppimaan QGIS:sin käyttöä riittävällä tasolla. Tiedän, että tämä kurssi tulee todennäköisesti vaatimaan minulta keskimääräistä enemmän työtunteja muihin kursseihin verrattuna. Tiedostan kuitenkin hyvin sen, että GIS- tekniikoiden sekä ohjelmien hallitsemisesta on merkittävä etu työmarkkinoilla, joten motivaatiota kurssin suorittamiseen ei tarvitse kaivella sen kummemmin.

Vaikka ennakko asetelmat hieman hirvittivätkin, niin ensimmäisen kurssikerran jälkeen fiilikseni olivat vähintäänkin toiveikkaat. Ensimmäistä karttatyötä tehdessämme opetus eteni selkeästi ja QGIS:sin toimintoja käytiin ikään kuin kädestä pitäen vaihe vaiheelta läpi. Tehtävänämme oli luoda valmiiksi annetun aineiston pohjalta koropleettikartta Itämerta ympäröivien valtioiden typpipäästöjen osuuksista. Lopputulos on nähtävissä kuvassa 1. Olen tuotokseeni suhteellisen tyytyväinen, vaikka siinä on tiettyjä puutteita pystyy kartasta havaitsemaan Puolan muita valtioita suuremmat päästöt. Ongelmana käyttämissäni luokkarajoissa ilmeni, että Puolaa lukuun ottamatta kaikki muut maat kuuluvat samaan luokkaväliin, jolloin ne esittäytyvät kartan lukijalle saman arvoisina, vaikka niidenkin välillä esiintyy eroja. Tämä johtunee siitä, että käytin typpipäästöjen osuuksien merkkaamiseen desimaalilukuja enkä prosentteja. Kehityskohteita siis löytyy tulevaisuutta silmällä pitäen.

Kuva 1. Itämerta ympäröivien valtioiden typpipäästöjen osuus desimaaleina.

Varsinaisen kurssikerran jälkeen vuorossa oli ensimmäisen itsenäisen harjoituksen aika. Päätin kokeilla rajojani ja hypätä suoraan syvään päätyyn valitsemmalla haastavamman vaikeustason kotitehtävän. Latasin kuntapohjan karttani perustaksi ja aineistoksi valitsin Statfin.fi tilastotietokannasta eräiden kuntien hotelliyön keskihintaa käsittelevän tilaston. Tilastojen visualisoiminen koropleettikartaksi ei kuitenkaan sujunut ongelmitta. Vaikka tehtävän vaiheet olivat lähes identtiset luennolla yhdessä tehdyn harjoituksen kanssa, olivat jotkut QGIS-komennot päässeet jo unohtumaan. Urakkaa hankaloitti se, että vielä tässä vaiheessa moodlesta ei löytynyt luento tallennetta. Osin kokeilemalla ja osin tunnilla opittujen komentojen avulla, sain loppujen lopuksi aikaiseksi koropleettikartaksi tunnistettavan tuotoksen, joka on nähtävissä kuvassa 2.

Kartan visuaaliseen ilmeeseen olen melko tyytyväinen, pois lukien poissaolollaan loistavat karttareunukset. Näin jälkikäteen ajateltuna työhön valitsemani muuttuja eli hotelliyön hinta ei välttämättä ollut tähän tarkoitukseen paras mahdollinen. Tuloksista voidaan kuitenkin todeta, että loppupelissä keskimääräisellä hotelliyön hinnalla ei ole suurta vaihtelua Suomen sisällä. Esimerkiksi Joensuussa, Kuusamossa ja Rovaniemellä hotelliyön hinta on suurin piirtein sama kuin pääkaupunkiseudulla. Tilastossa mukana olleista kunnista ainoastaan Lahti erottuu muita paikkakuntia merkittävästi edullisempana.

Ensi viikon kurssikertaa ajatellen aion liittää tietokoneeseeni toisen näytön yhteisten harjoitusten ajaksi. Huomasin, että yhdellä näytöllä ja monella päällekkäisellä selaimella pompottelu vaikeutti opetuksen sisäistämistä. Vaikeuksista huolimatta fiilikset ensimmäisen viikon jälkeen ovat positiiviset. Vaikka QGIS:sin kanssa työskentelyssä ollaan vielä alkumetreillä, koen pystyneeni tämän viikon harjoitusten myötä rakentamaan hyvän pohjan, jonka päälle lähteä kehittämään osaamistani.

Kuva 2. Hotelliyön keskihinta (€) eräissä Suomen kunnissa.