Kurssikerta 7: Lopputaistelu

No hei!
Tämä artikkeli käsittelee viimeistä kurssikertaa GEM1-kurssilla.
Kurssin päättyminen särkee sydämeni ja sinänsä minusta on surullista, että matkani on tullut viimeiseen pisteeseen: lopputaisteluun.
Kun mietin mistä karttaa haluasin tehdä, minulle tuli heti mieleen ympäristö.  Luonto on minulle aina ollut tärkeä ja haluaisin tulevaisuudessa tutkia ympäristöä sivuaineena. Minusta oli siis mielenkiintoista päästä hyödyntämään omaa tieto-osaamistani geoinformatiikkaan. Innostuin aiheesta niin kovin, että tein ensimmäiset kartat jo kotona. Hups.
Päätin siis tehdä lisää karttoja.
Päälimmäinen tavoitteeni oli tehdä GIF animaatio. Aluksi halusin luoda sen jäätiköiden sulamisesta, mutta en löytänyt siihen sopivaa dataa. Vaihdoin aiheen siis metsäkatoon. Miten siinä sitten loppujen lopuksi kävi?

Vaihe 1: Tiedonkeruu

Lähdin etsimään dataa Worldbankista. Valtioiden rajat olin hakenut jo aikaisemmin Natural Earthista.
Kun olin tutkinut tietoa tarkemmin, en tiedä pitääkö se täysin paikkaansa. Esimerkiksi Suomen BKT on samaa tasoa Afrikan kehitysmaiden kanssa, mikä on mielestäni hieman epäilyttävää.
Tutustuin myös erilaisiin työohjeisiin. Esimerkiksi jos haluaisin tehdä GIF-animaation, minun tulisi käyttää QGIS Atlas-toimintoa. GIS-foorumit ovat oiva paikka saada apua mieltä painaviin ongelmiin. Iso suositus niille, jos ohjeita ei ole saatavilla!

Vaihe 2: Aineistojen siivoaminen

Päätin kotona vielä laittaa aineiston sellaiseen kuntoon, jotta minun olisi helppo muokata sitä luokassa. Tämä kuulostaa helpolle.
Mutta oikeasti se oli jäätävä työmaa.
Koska tallennettu data oli CSV-muodossa, se tallentui myös QGISiin tekstimuotona enkä pystynyt muokkaamaan attribuuttitaulukkoa. Kokeilin useita tunteja saada dataa järkevään muotoon – tuloksetta.
Sitten löysin jostain GISfoorumista Refactor Fields- työkalun.  Sen avulla sain numerot oikeasti numeroiksi. Kiitos sille, kuka ikinä sen keksi.

Data, jonka keräsin WordBankista perustui valtioihin eikä se ollut pistemuotoista. Seuraava työmaa oli yhdistää attribuuttitaulukot toisiinsa, jotta voisin esittää jotenkin tiedot datassa. Tämä onnistui lopulta joins-komennolla.

Vaihe 3: Tiedon esittäminen

Kun vaikeammat vaiheet olivat takana, tiedon esittäminen ei ollut vaikeaa. Tein useamman kartan harjoitukseksi, jotta keskiviikon luennolla en olisi aivan hukassa. Esimerkiksi kuvassa 1 on esitettynä maailman hiilidioksidipäästöt vuonna 2018. On kuitenkin hyvä huomata, että kaikista valtioista dataa ei ole saatavilla. Esimerkiksi Yhdysvaltojen datan puuttuminen tekee kartasta mielestäni valheellisen.

Kuva 1: Maailman hiilidioksidipäästöt kuvattuna erikokoisilla ympyröillä. Lähde: Wordbank

Kartasta voidaan ainakin tulkita, että Lounais-Aasiassa päästöjä syntyy eniten. Myös Eurooppa ja muut talousmaat ovat melkoisia hiilidioksidipesiä. Vähiten päästöjä aiheuttavat kehitysmaat ja valtiot Amerikassa. (Poislukien Kanada)

Seuraavaksi suuntaamme Etelä-Amerikkaan.  Tämä on se grand final. Suunnitelmana on tehdä animaatio Grölannin jäätiköiden sulamisesta, mutta tarvitsemiani aineistoja ei löytynyt ilmaiseksi. Päätin tehdä siis GIF-animaation Väli-Amerikan metsäkadosta. Tähän käytin QGIS:in Atlas-työkalua. Atlas on Print-Layoutissa oma ohjelmansa, joka on tehty tiedon esittämiseen. Sen käyttäminen oli kuitenkin yllättävän haastavaa. En olisi selvinnyt ilman erilaisia GIS-foorumeja ja artikkeleja. Tästä löytyy yksi hyvä tutoriaali.
Kuvat vaihtuivat kuitenkin todella nopeasti, enkä saanut tuloksesta tarpeeksi sulavaa. Päätin siis hidastaa luotua animaatiota videotyökalussa.

Muuttujiksi valitsin metsäprosentin ja ajan. Metsäprosentti on laskettu niin, että metsien määrä on jaettu valtion pinta-alalla. Suhteellinen esitystapa on mielestäni tässä kartassa järkevä, koska valtioilla on huomattavia kokoeroja.

Kuva 2: Väli-Amerikan metsäkato vuosien 1990-2020 välillä

Mielestäni karttani metsäkadosta onnistui hyvin. Siitä näkee selkeästi, kuinka metsät ovat vähentyneet kolmenkymmenen vuoden aikana. Tähän syitä on muunmuassa kaskiviljely, karjatalous ja suuret metsäpalot. Metsäkato esimerkiksi Amazonin sademetsissä on suuri uhka koko maapallolle. Amazon on yksi maailman suurimmista hiilinieluista ja se kätkee sisälleen erityisen biodiversiteetin. Ilman Amazonin sademetsien endeemisiä lajeja koko maailma olisi paljon köyhempi.
Vuonna 2020 metsiä on erityisen paljon Venezuelassa ja Guyanassa. Minusta oli oikeastaan mielenkiintoista, kuinka alueella on jopa 90% metsää vielä vuonna 2020. Sentään jotain hyvää!

Tiedostan, ettei karttani ole monimutkaisimmista päästä. Minä itse pidän yksinkertaisista kartoista, koska niitä on helppo ymmärtää. Jos muuttujia on liikaa, niin kartasta tulee helposti sekava. Kurssin aikana olen myös alkanut oppia luottamaan omaan harkintakykyyni, jonka koen tärkeäksi taidoksi geoinformatiikassa.

Aleta Friman tiivisti mielestäni tämän kurssikerran ytimen hyvin blogissaan. ”Pääpaino kurssikerran tehtävissä oli siinä, että osasi etsiä ilmaista ja käyttökelpoista, sekä hyvin sovellettavissa olevaa dataa internetin loputtomasta valikoimasta. Tätä ei oltu aiemmin kurssilla tehty, joten viimeisen kurssikerran (</3) ohjelma oli kokonaisuudessaan hyvin opettavainen, kertaava ja kokoava.”

Kurssikerran aloitus oli niin mielekiintoista, etten malttanut olla pois QGISin ääreltä. Olen nyt tehnyt monta erilaista karttaa mm. ilmastonmuutoksesta, metaanipäästöistä, hiilidioksidipäästöistä ja  lentokoneliikenteestä. Jopa Euroviisujen voittajamaista. Hups.
Toisaalta tämä on mielestäni hyvä merkki. Minua ei rajota enää ajatus siitä etten osaisi. Nykyään rajat tuntuvat tulevan vastaan enemmänkin tiedon löytämisessä. Mutta eiköhän sekin ala sujua pikkuhiljaa.

Loppusanat

Tarinani geoinformatiikasta on tullut nyt päätökseen. Voin kuitenkin todeta hyvin mielin, että nautin (melkein) joka hetkestä. Keskiviikkoaamuista tuli minulle koko viikon kohokohta. Yleensä nämä aamut venyivät melko pitkiksi, mutta ainakin saimme tuloksia aikaan.

Seuraavaksi haluaisin nostaa muutaman kurssilta mieleeni jääneen hetken / asian.

      • Toinen kurssikerta, joka venyi järkyttävän pitkäksi. Silloin tukijoukot GIS-luokassa olivat korvaamattoman tärkeät. Nämä tukijoukot olivat itse asiassa koko kurssin kohokohta. Kiitos keskiviikkolaiset, ootte parhaita. <3
      • Kolmannen kurssikerran pylväät. Lupaan, että osaan nyt tehdä ne. Mutta aikaa siihen meni.
      • Vierustoverini, Nean nopeat aivot olivat kurssilla korvaamattomat.  Nea varmisti etten koskaan jäänyt jälkeen, jos joku työvaihe meni minulta ohi.
      • Kahvin tuoksu. Sohvilla on ihanan kotoisaa.
      • Kuudennen kurssikerran kävely Arabianrannassa. Ulkona oli mielenkiintoisia lumiukkoja ja pulkka frisebeegolf-korissa. Helsinki on aika kummallinen paikka.
      • Kehitykseni. Tämä voi kuulostaa siirappiselta, mutta jollain tavalla minusta on muotoutunut GIS-kisälli. Varo vain ArcGIS!
      • Sinä, kurssiblogini. Minä oikeasti nautin näiden sanojen kirjoittamisesta. Et ole ehkä kaikista blogeista tieteellisin, oikeaoppisin tai akateemisin. Karttasi eivät ole ehkä kaikista omaperäisimpiä eikä sinusta aina löydy syvällistä pohdintaa. Mutta sinä olet minun käsialaani. Sinä motivoit minua kirjoittamaan, oppimaan ja tutkimaan. Se on jo aikamoinen saavutus.
      • Ja sinä, joka olet kurssin mahdollistanut. Kiitos Arttu kärsivällisestä ja ymmärtäväisestä opetuksesta. Sinä sait jopa minut ymmärtämään jotain geoinformatiikasta.

 

Kiitos ja näkemiin.

 

Lähdeluettelo:

Aleta Friman ”Viikko 7: Luovuus valloilleen” (Aletan GIS-blogi :), haettu https://blogs.helsinki.fi/alfriman/ ) Viitattu 15.3.

CO2 emissions (metric tons per capita) Wordbank, https://data.worldbank.org/indicator/EN.ATM.CO2E.PC?view=chart (viitattu 25.2.2022)
Forest Area (sq.km) Wordbank https://data.worldbank.org/indicator/AG.LND.FRST.K2?view=chart (viitattu 1.3.2022)

Natural Earth https://www.naturalearthdata.com/ (viitattu 25.2.2022)

Kurssikerta 6: Reippailua

Tänään oli kaunis pakkasaamu. Aurinko paistoi lämpimästi, ja ilma oli ihanan raikas.
Tällä kurssikerralla pääsimme hakemaan itse aineistoa. Käsittelimme kaupunkisuunnittelua  arkkitehti Jan Gehlin oppien inspiroimana.

Ylös, ulos ja lenkille

Lähdimme ystävieni kanssa kohti Arabianrantaa. Matkalla keräsimme tietoa Epicollect 5- sovellukseen, josta saimme aineiston kurssikerran tehtäviä varten. Otimme paikoista kuvia ja pohdimme alueen miellyttävyyttä ja turvallisuutta.
Tiedon hankkiminen oli mielenkiintoista. Salaa kaipasin lämpimiä hanskoja ja villasukkia Arabianrannan kylmässä tuulessa. Ensi kerralla muistan pukeutua lämpimämmin.
Rapsakan lenkin jälkeen pääsimme GIS-luokan lämpöön tutkimaan kerättyä aineistoa.

Halusimme selvittää, mitkä alueet koettiin erityisen turvallisiksi. Tähän käytimme interpolointi-työkaluja. Aluksi interpolointi loi karhean, jopa pelottavan näköisen pinnan. Värejä muokkaamalla sitä sai kuitenkin mielestäni ihan kauniin kartan.

Kuva 1: Turvattomalta tuntuvat alueet Kumpula-Toukola-Arabia

Kartasta voidaan tulkita, että opiskelijat kokivat olonsa turvattomaksi erityisesti teiden ja rakennusten ympärillä.  Erilaiset puistot ja Kumpulan kampus (erityisesti Physicum) koetaan turvallisiksi.
Ali Ylikoski oli huomannut, että luomamme interpolointikartat ovat osittain kyseenalaisia. Hän otti esille esimerkiksi aineiston pienen koon ja Epicollectin paikannuksen olevan erittäin epätarkka.  Jäin itse pohtimaan myös kartan rajausta. Esimerkiksi jossain kohtia karttaa vaikuttaa turvalliselle, vaikka todellisuudessa kukaan meistä ei ole edes kävellyt siellä.

Luovuutta kehiin

Minulla on kurssin aikana ollut tavoite soveltaa annettuja ohjeita ja luoda edes jotain muista eroavaa.
Itsenäisenä tehtävänä saimme laajan aineiston ja saimme periaatteessa luoda mitä halusimme, joten koin tämän olevan tilaisuuteni. Kun interpolointityökalu tuli tutuksi, päätin hyödyntää sitä ja tehdä jotain omaa. Rehellisesti  sanottuna olin ylpeä tuotoksestani. Erityisen ylpeä olin siitä että uskalsin soveltaa ja etsiä netistä uusia aineistoja. Kartta kertoo mielstäni hyvin sen, että maanjäristyksiä tapahtuu koko maailmassa jatkuvasti.
Valtioiden rajat löysin Natural Earthista. Aineisto on peräisin USGS:stä.
Jälkeenpäin nimeäsin kartan tarkemmin. Lisäksi se voi olla luettavuudeltaan haastava kouluikäiselle. Päätin siis tehdä seuraavasta kartastani helpommin luettavan.

Kuva 2: Magnitudien voimakkuus eripuolilla maailmaa

Opetustilanteessa karttojen tulisi olla selkeitä ja helposti luettavissa. Tein yhden kartan jossa on minimalistinen määrä värejä ja liikkuvia osia. Mielestäni se toimii hyvin yksinkertaisena mallinnuksena, joka on kouluikäisen helppo ymmärtää. Korostin mannerlaattojen värejä, jotta  ne olisi helppo nähdä.
Karttaa oli ihana tehdä Roosa Kotilaisen kanssa <3

Kuva 3: Holoseenin aikana aktiiviset tulivuoret ja mannerlaatat.
Smithsonian Institution

Viimeisen kartan tein ahtaassa bussissa. Päätin tehdä yhden ajankohtaisen kartan. Kuvassa 4 on esitetty tänään (23.2.3022) tapahtuneet lumivyöryt maapallon keskiosissa. Omalla tietokoneellani karttojen tekeminen on haastavaa. En pystynyt käyttämään hiirtä ja processing-toolbar oli kateissa. Onneksi netti auttaa tässäkin. Ei ainakaan tullut tylsä bussimatka, kun kirjoitin epätoivoisesti yhtälöitä ja muokkaamaan Excel-taulukoita.

Opin tekemään palloista eri kokoisia.  Tein palloille ”sääntöjä” joiden mukaan koko valikoitui. Kuvassa 4 pallot ovat sitä suurempia, mitä voimakkaampi lumivyöry on.
Opetuskäytön kannalta olisi ehkä ollut hyvä, jos aineistoon olisi liittänyt vuoristot. Se olisi varmasti auttanut ymmärtämään aineistoa. Kartassa ei muöskään selitetä kuinka suuresta lumivyörystä on kyse. En lisännyt sitä tähän karttaan, koska rehellisesti sanottuna en itsekään sitä täysin ymmärtänyt.

Kuva 4: Lumivyöryt maapallon keskiosassa.

Kokonaisuudessaan voisin sanoa näin:
Kartan ei tarvitse olla vaikeasti tehty, täynnä upeita efektejä ja visuaalisesti hämmentäviä ominaisuuksia. Opetuskäytössä on tärkeää tuoda esiin itse asia, koska monet oppilaat havainnollistavat ilmiöt kuvien avulla.
Olen samaa mieltä Topias Vanhatalon kanssa siitä, että harjoituksissa oli kivasti liikkumavaraa. Se antoi mahdollisuuksia etsiä itse tietoa ja heittäytyä luovaksi. Minusta tuntuu että erityisesti meidän ryhmämme innostui kokeilemaan erilaisia toimintoja melkoisesti.

Kurssikerralla opin myös itse etsimään aineistoja. Aikaisemmin olen käyttänyt vain niitä aineistoja, joita meille on annettu. Nyt minä osaan etsiä. Etsiä, luokitella ja tutkia. Se oli mielestäni aika siistiä.

Kurssi alkaa lähetä loppuaan. Tulen kaipaamaan sinua, rakas kurssiblogi. Vaikka meillä on ollut ylä- ja alamäkemme QGISin kanssa, minä silti pidän kovasti geoinformatiikasta. Joskus (viime kurssikerralla) minusta tuntuu, että QGIS on julmin juksupuijari mitä tietokoneesta voikaan löytyä. Minulla on kyllä aina täysi visio siitä mitä haluan tehdä, mutta joskus tuntuu siltä että QGIS vain nauraa päin naamaa.
Mutta en voi sanoin kuvailla sitä onnistumisen tunnetta, mitä yhteistyömme minussa herättää. Olen ylittänyt itseni niin monella eri tapaa ja opin jatkuvasti uutta. Koen, että minusta tulee jatkuvasti yhä rohkeampi QGIS-kesyttäjä.  Ja nämä onnistumisen hetket tekevät kaikesta tästä tuskasta vaivan arvoista.

Lähdeluettelo:

Smithsonian Institution https://volcano.si.edu/search_volcano.cfm (viitattu 23.2.2022)
Natural Earth Data https://www.naturalearthdata.com/ (viitattu 23.2.2022)

Ali Ylikoski: Kurssikerta 6: Sään ääri-ilmiöitä ja maanjäristyksiä, Alin geoinformatiikkablogi. Haettu  https://blogs.helsinki.fi/alingeoinformatiikka/ (viitattu 24.2.2022)

Topias Vanhatalo: Kuudetta kertaa, TKV MAA-202 BLOGI. Haettu  https://blogs.helsinki.fi/topiasva/ (Viitattu 24.2.2022)

Kurssikerta 5: Toistoja

Väsymys.

Se oli päälimmäisin tunteeni tänä aamuna, kun QGIS ja tietokone olivat mystisesti unohtaneet koko viime kurssikerran olemassaolon. Kaikki armoton klikkailu on nyt haihtunut kuin tuhka tuuleen. Onneksi aineistot oli helposti saatavilla ja pääsin tekemään tarvittavat harjoitukset.

Processing toolbar on ollut minulle kauan hieman tuntematon. Tänäään pääsimme tutustumaan muutamaan sen toimintoon: Sum line lengths, clip ja intersection.  Erityisesti Clip tuli käyttöön.
On kiva, kuinka jokaisella kurssikerralla opetellaan käyttämään vain muutamaa työkalua. Niiden käyttö jää silloin paremmin mieleen ja niitä osaisi ehkä jopa käyttää. Toisaalta en vieläkään ihan ymmärrä kaikkien työkalujen yksityiskohtia. Ymmärrän kyllä miksi yksityiskohtia on, mutta välillä niiden muistaminen tuntuu vaikealle.

Bufferointi?
Seuraavaksi opimme bufferoimaan. Bufferointi oli samaan aikaan yllättävän helppoa ja vaikeaa. Tarkoitan tällä sitä, että seuratessa ohjeita se oli helppoa. Itsenäisesti bufferointi puolestaan ei tuntunut helpolle…

Select- työkalu on mielestäni erittäin kätevä ja koen, että osaan käyttää sitä melko hyvin. Ainakaan tämän kurssikerran jälkeen en enää unhoda miten ”select by location”-työkalua käytetään!

Kuva 1: Bufferointia QGIS:issä

 

Seuraavaksi matkasimme Helsinki-Vantaan lentokentälle laskemaan meluvyöhykkeitä.
Viime kerralla meille tuli tutuksi työkalu build raster- työkalu, jonka avulla yhdistin karttalehdet. Sen jälkeen loin uuden tason new shapefile layer- työkalulla, johon piirsin kiiltoradat

Tässä vaiheessa tuntui, että aloin muistaa asioita ja osata tehdä asioita. Itseluottamukseni nousi hetkeksi ja ajattelin että kyllä tämä tästä. Kaikki järjestyy. Onneksi minulla on myös fiksu vierustoveri, jonka kanssa on mukva näitä pähkäillä!
Toisaalta QGIS kaatui minulla kerran jos toisenkin. Väsyneenä tämä oli hieman epämielyttävä kokemus.

Kuva 2: Helsinki-Vantaan meluvyöhykkeet ja niiden asukkaat

Prosenttilaskuja

Tehtävässä 2 laskettiin, kuinka monta prosenttia asui yli 65 desimelin alueella. Minun kartassani asukkaita 65 desipelin alueella oli 11. Seuraavaksi jaoin tämän määrän 2 kilometrin meluvyöhykkeen asukkailla (10506) ja kerroin sadalla. Lopputulokseksi saadaan 0,10 %. Luku tuntui melko pienelle verrattuna muihin kurssitorverihin, mutta luulen että laskin kaiken silti ohjeiden mukaisesti…?

Seuraavaksi laskettiin, kuinka monta pronsenttia asui vähintään 55 dB:n alueella. Käytin laskemiseen samaa kaavaa kuin aikaisemmin. Asukkaita tällä alueella oli yhteensä 639. Se tarkoittaa siis noin 6 % kaikista asukkaista.

Seuraavassa tehtävässä tuli selvittää, Kuinka monen ihmisen elämää vähintään 60dB lentomelu haittaisi Tikkurilassa.
Aloin ratkaisemaan tehtävää luomalla bufferin Tikkurilan ja kiitoradan päädyn välille. Saatoin laskea liian lyhyen alueen, koska en laskenut koko kiitorataa.
Laskujeni mukaan vähintään 60 dB melu vaikuttaisi 3967 asukkaaseen eli noin 38 % asukkaista. Saatoin tehdä pienen mittausvirheen, mutta näiden tehtävien vastaukset taitavat olla suhteellisia…

Asemat

Ensiksi selvitettiin, kuinka moni asui alle 500 metrin päässä lähimmästä juna-metro tai bussiasemasta. Aloitin rajaamalla ne asemat pois, jotka eivät kuuluneet alueeseen. Tein tämän luomalla uuden tason, johon loin aluen rajauksen.
Sen jälkeen loin asemien ympärille 499 metrin bufferin  ja valitsin ne asukkaat jotka olivat bufferin alueella. Sain tulokseksi 107112. Kaikkia asukkaita alueella on 516193, eli asemien lähellä asuu noin 20,8 % asukkaista.
Lopuksi laskettiin, kuinka monta prosenttia näistä henkilöistä on työikäisiä. Tein attribuuttitaulukkoon uuden sarakkeen, johon olin laskenut kaikki 15-64 vuotiaat. Sen jälkeen toistin aikaisemmat työvaiheet. Sain tulokseksi, että alueella asuisi 344634 työikäistä eli 66,8 % kaikista asukkaista.

Asematehtävä onnistui yllättävän vaivattomasti ja mutkattomasti. Ehkä siksi, että toiston kautta jotain alkaa jäämään päähän.
Kyllä minä koen, että olen kehittynyt tässä digitoinnissa. Vaikka opinkin hieman hitaasti, minua ei haittaa liikkua omassa tahdissa.

Kuva 3: Asemat ja asukkaat

Taajamat

Seuraavaksi tutkittiin kuinka moni asukkaista asui taajamissa. Laskin (tämänkin) jo tutulla kaavalla. Latasin siis taajamat karttaan ja valitsin niissä asuvat asukkaat. Heitä on 496555, eli 96,2 %.

Seuraavaksi tutustuimme taajamiin ja laskimme mm. kouluikäisten osuuden. Nykyään oppivelvollisisuus kestää 18 vuotiaaseen saakka, mutta perinteisesti Suomessa kouluikäisenä pidetään 7-16 vuotiaita. Päätin laskea tämän tehtävän ”vanhojen” rajojen mukaan. Laskin jälleen atrribuuttitaulukkoon kouluikäisien määrän. Seuraavaksi valitsin alueet taajama-alueen ulkopuolella. (Tämä tuotti harmaita hiuksia. Jostain syystä minulle oli hirveän vaikeaa valita ns ”vastakkaiset” tiedot taajamista. Näin jälkeen päin ajateltuna olisin voinut helposti laskea taajamiin kuuluvien osuuden ja vähentää sen sadasta prosentista saadakseni saman tuloksen. Mutta ainakin sain tuloksia!) Loppujen lopuksi sain laskettua tulokseksi 2,6 %.
Ulkomaalaisten osuutta laskiessa turvauduin jälleen attribuuttitaulukkoon. Laskin, että alueita, joissa yli 10 % on ulkomaalaisia oli 40. Alueita, joissa ulkomaalaisia oli yli 20 % oli 11 ja yli 30% 6 aluetta.
Tällä kurssikerralla olemme oppineet, että kertaus on opintojen äiti. Tässä siis vielä taulukko saaduista tuloksista <3

Taulukko 1: Harjoitusten vastaukset

 

Vielä yksi tehtävä…

Katsoessani vaihtoehtoja itsenäiseen tehtävään, päätin valita koulutehtävän. Osittain siksi, että minusta tuntui että osaisin tehdä sen. Tehdessä tehtävää kotona yllätyin, kuinka QGIS toimi yllättävän hyvin. Tehtävän tekeminen sujui siis yllättävän nopeasti ongelmitta. Tämä tarkoittanee siis kehitystä?
Tehtävissä on jonkinlaista yleistystä. Esimerkiksi olen vastannut, että ensi vuonna 14 lasta aloittaa koulutaipaleensa. Olen laskenut tämän laskemalla alueen 6-vuotiaat, vaikka kaikki 6-vuotiaat eivät välttämättä mene ensi vuonna kouluun. (tällä ei varmaan ole mitään väliä ja minä yliajattelen. Tyypillistä.)

Taulukko 2: Itsenäisen tehtävän tulokset

 

Halusin tehdä myös sauna- ja uima-allastehtävän. Sen aloittaminen kotikoneelta onnistui hyvin, mutta oma vanha lenovoni ei jaksanut pyörittää näin isoja tiedostoja joten jouduin tekemään kartan koulun tietokoneella.
Vanhat tehtävien ohjeet tulivat hyödyllisksi. Esimerkiksi dissolve-työkalu oli ihana löytö. Sillä sai hyvin atrribuuttitaulukon siistittyä. Myös Join attributes by location tuli uudestaan tutuksi.
Luulin saaneeni liitettyä kuvan tekemästäni kartasta WordPressin mediakirjastoon, mutta se jäi näköjään koulun tietokoneen datamereen. En myöskään onnistunut tallentamaan työtä (tälläkään kertaa) oikein, jonka vuoksi jäljelle oli jäänyt vain tyhjiä tasoja. Koska olin tehnyt tätä jo useamman tunnin, minua ei enää huvittanut alkaa tekemään työtä uudelleen.  Tässä kuitenkin taulukko tehtävän ensimmäisestä osasta.

Taulukko 3: Uima-altaat ja saunat

Mitä tästä jäi käteen?

Rehellisesti sanottuna koen, että olen matkalla kohti itsenäistä GIS-gurua. (tai no, guru on vähän liioiteltua)
Palikat alkavat naksahdella paikalleen ja toiminnot alkavat käydä järkeen. Jatkuvan toiston seurauksena asiat alkavat (ehkä) jäädä mieleen. Osaan avata aineistoja melko vaivattoamasti ja tulkita attribuuttitaulukkoa. Geoinformatiikassa pienet yksityiskohdat ja asetukset ovat minulle kaikista vaikeimpia. On turhauttavaa, kun käytössä on oikea työkalu, oikeat arvot ja oikea ajatus mutta ohjelma ei silti ymmärrä ajatuksiani.
Myös kaiken sisäistäminen on hieman vaivalloista. Olen samaa mieltä Katri Hämäläisen kanssa siitä, että toiminnot unohtuvat helposti ja lopulta ei enää muista mitään mitä on tehnyt. Minulla on hämäriä muistoja eri toiminnoista ja työkaluista, mutta mihin niitä edes loppujen lopuksi käytettiin?  Samaistun Eemil Sillankorvaan hänen mainitessaan, että usein päädytään oikeaan lopputulokseen mutta itse prosessia ei ole ymmärretty.
Välillä tuntuu siltä, että ymmärrän QGISin pieniä paloja, mutta punainen lanka näiden palojen välillä on hukassa.
Mutta toisaalta, vaikka olen lyönyt useasti päätäni pöytään, ovat asiat kuitenkin lopulta ratkenneet. Ratkaisun eteen on välillä tarvittu katkeria kyyneleitä ja sinnikkyyttä, mutta joka kurssikerta olen saanut kartan aikaiseksi. Myös ongelmanratkaisu kyky on noussut tärkeäksi taidoksi, kuten Milla Sigg toteaa.
(tässä tuli viitattua aika moneen ihmiseen. Vertaistuki tällä kurssilla taitaa olla suurin lääke tappelussa geoinformatiikan kanssa.)

QGISiin kuitenkin kaipaisin parempia piirtotyökaluja ja undo-toimintoa. (näin ihmisenä joka tekee paljon virheitä) Välillä yksinkertaisimpiekin muotojen tekeminen tuntuu todella kömpelölle ja vaivalloiselle. Painaessani ctrl + z poistan joskus vahingossa koko aineiston. Hups.
Tilannetta ei auta yhtään se, että tallennus on välillä hirveän hankalaa.
Aikaisemmalla kurssilla käytimme CorelDRAW-ohjelmaa. Siinä oli melko helppoa tehdä siistejä linjoja ja muotoja. Myös digitointi oli sujuvampaa, kuten Tia-Maria Liljeroos oli huomannut. Tiitun kurssiblogi on muuten aivan mahtava, kannattaa käydä tutustumassa!
Toisaalta CorelDRAW ei pysty käsittelemään tietokantoja ollenkaan samalla tavalla kuin QGIS.  Eikä se pysty tutkimaan tilastoja tai tekemään laskuja. Kun teemme siis tutkimusta, se on aivan surkea. Nämä pienet ominaisuudet QGISissä saavat minut arvostamaan ohjelmaa.
Molemmat ohjelmat ovat minusta ihan kelpoisia, mutta sopivat eri tarkoituksiin. Tällä kurssilla QGIS on huomattavasti parempi työkalu, ja tulen käyttämään sitä todennäköisesti enemmän tulevaisuudessa.  Jään innolla odottamaan, mitä mieltä tulen olemaan ArcGISIstä…

Nyt menen nukkumaan. Kuulemisiin!

ps. sinä ja sinun karttasi riitätte.

Lähdeluettelo:

Katri Hämäläinen: ”QGIS – buffereita ja uima-altaita” (GIS-Velhoksi-kurssiblogi, saatavilla https://blogs.helsinki.fi/katriham/. Viitattu 18.2)

Eemil Sillankorva: ”KK5- buffereita ja altaita” (Eemilin mantsablogi-kurssiblogi, saatavilla https://blogs.helsinki.fi/sillanko/. Viitattu 18.2.2022)

Milla Sigg:  ”QGIS -analyysejä & bufferointia” (Matkalla Geoinformatiikan osaajaksi-kurssiblogi, saatavilla https://blogs.helsinki.fi/milsigg/. Viitattu 18.2.2022)

Tia-Maria Liljeroos: ”Viikko 4: Mika Waltari aineissa ja muuta gissiin liittyvää  (Tiitun GIS-reissu- kurssiblogi, saatavilla  https://blogs.helsinki.fi/litili/.  Viitattu 17.2.2022)

Kurssikerta 4: Onnistumisen tunteita

Olen alkanut rakastaa keskiviikkoaamuja. Kahvin tuoksu, UNO-pelikortit ja pehmeät sohvat ovat tulleet  yllättävän tutuiksi. Mielestäni meillä on aivan ihana porukka yrittämässä ymmärtää geoinformatiikan saloja.  Vaikka QGIS saakin minut toisinaan hermoromahduksen partaille, ihmisten näkeminen korvaa jokaisen kyyneleen.  <3

Piste- ja ruutuaineistoista
Kaunis aamu alkoi vastoinkäymisillä, kun Moodle ei halunnut tehdä yhteistyötä. (vaan huoltokatkoja)
Pääsimme kuitenkin tutustumaan piste- ja ruutuaineistoihin. Pisteaineistoja pidetään kaikista tarkimpina paikkatietoaineistoina. Pisteitä voidaan sijoittaa tarkasti lähes mistä tahansa mihin tahansa. Esimerkiksi rakennuksia ja niiden ominaisuuksia voidaan kuvata pisteaineistolla hyvin. Kaikista tarkin pisteaineisto on laserkeila-ainesto. Laserkeila-aineistossa aineistoa saadaan useasta eri suunnasta keilaamalla maastoa. Tulos sisältää miljoonia pisteitä, mikä mahdollistaa kolmiulotteisen mallin luomisen.  Minusta oli erityisen mielenkiintoista, kuinka erilaisia vanhoja rakennuksia ja kaupunkeja on voitu löytää laaserkeilauksen avulla. Tätä voidaan hyödyntää esimerkiksi arkeologiassa. Laserkeilaus on ollut minulle aina hieman hämärää, mutta nyt minulla on siitä edes harmaa aavistus.
Ruutuaineistot ovat näppäriä aineistoja, joihin ei tarvita valmiita aluejakoja. Haluttu tieto esitetään tässä aineistossa ruutuina.
Ruutuaineiston pohjana käytetään pisteitä, joiden tietoa lavennetaan suurempiin ruutuihin. Tarkan aineiston käyttäminen on kai suuren työmäärän vuoksi erittäin kallista.

QGIS vaaleanpunaisten lasien lävitse

Pian saimme Moodlen toimimaan QGISit käyntiin. Tehtävänä oli luoda ruutuaineisto pääkaupunkiseudun alueesta. Päätin lähtä villisti soveltamaan ohjeita ja tutkia, missä Helsingissä nuoret asuvat. Virallisesti ”nuori” on noin 18-29-vuotias, mutta tutkin nyt 18-24 vuotiaita.
Loin aineistoni laskemalla kaikkien haluamieni ikäluokkien summan attribuuttitaulukossa.  Sen jälkeen jaoin ”nuorison” määrän kaikkien asukkaiden summalla.
Lopputulos (Kuva 1) onnistui mielestäni hyvin. Olin ylpeä siitä, että uskalsin soveltaa tietoa ja koetella taitojani. Se kertoo siitä, että olen jopa oppinut kurssilla jotain!

Rakastan sinisen ja vaaleanpunaisen sävyjen väriyhdistelmää.  Olisin voinut lisätä karttaan jotain tarkentavaa tietoa, kuten tiestöä kuten Elida Peuhu oli tehnyt. Elidan blogissa oli tutkittu Ruotsinkielisten osuutta väestöstä pääkaupunkiseudulla, jonka koin erittäin mielenkiintoiseksi.

Kuva 1: 1824 vuotiaat pääkaupunkiseudun asukkaat suhteutettuna koko väestöön

Jos tulkitsen luomaani karttaa, huomaan tiettyjä yhtäläisyyksiä. Nuoria asuu erityisen paljon niillä alueilla, joissa sijaitsee paljon opiskelija-asuntoja. Esimerkiksi Otaniemessä on paljon opiskelija-asuntoja ja siellä asuu paljon nuoria. (kuva 2)
Myös Helsingin kantakaupunki on erityisen suosittua.

Kuva 2: Otaniemi korostettuna ruutuaineisossa.

Toisaalta luomani kartta on hieman ongelmallinen. Väestö ei ole jakautunut tasaisesti pääkaupunkiseudulla. Ruutujen kohdalla on eri väestötiheydet, mutta ”nuorisoprosentti” ei huomioi tätä. Esimerkiksi Suomenlinnassa asuu paljon vähemmän ihmisiä kuin Kumpulassa. Kartta olisi siis informatiivisempi, jos ”nuorisoprosentti” olisi suhteutettu asuinalueen väestöön eikä koko pääkaupunkiseudun väestöön.
Myös Sara Virtanen oli huomannut suhteellisen esittämistavan ongelmat. Tuomas Hartikainen oli keksinyt tehdä kartan, jossa oli poistanut tutkimusalueesta alle 100 asukkaan ruudut. Minusta on innostavaa, kuinka muut kurssilaiset osaavat hyödyntää työkaluja ja luoda omia, uusia näkökulmia kurssitehtäviin. Tässä lukiessa  blogeja minulle herää aina suuri into hyppiä QGIS:in ääreen ja testailla kaikkia luovia tapoja kehittää omia karttojani.
(yleensä epäonnistun tässä surkeasti. En ole vielä velho…)

Toisen harjoituksen alussa olin vähän ulapalla. Meidän tuli tutkia Pornaisen karttalehteä ja yhdistää siihen rinnevarjoistus. Saimme luennolla luotua esimerkiksi korkeuskäyriä aineistojen pohjalta. Käytimme laserkeilauksella luotuja rinnevarjostuksia.

Kuva 3: Korkeuskäyrät rinnevarjostuksen päällä

Tehtävä tuntui äärettömän suurelle pienille aivoilleni. Kaikkien klikkauksien jälkeen minua ihmetytti, kuinka yksinkertaista tämä olikaan. Samaan aikaan prosessi tuntui rakettitieteelle.
Minua erityisesti kiinnosti ihmisen fysiologian merkitys esimerkiksi rinnevarjostusten luomisessa. Valoja pyritään tuomaan eri kulmista riippuen siitä, millaisia efektejä halutaan esittää. Esimerkiksi kuvassa 3 valo tulee luoteesta, joka korostaa korkeutta ihmiselle.
Minulla itselläni ei ole syvyysnäköä, jonka vuoksi näen erilaiset syvyydet värien ja valojen avulla.
Korkeuskäyrät kiinnostivat minua paljon. Kävin tutkimassa Paikkatietoikkunassa luomieni korkeuskäyrien eroja virallisiin aineistoihin. Käytin  ”Maastotietokanta: Korkeuskäyrä”- karttatasoa, joka on Maanmittauslaitoksen tuottama. (Kuva 4) Kävi ilmi,  että Paikkatietoikkunan korkeuskäyrät olivat paljon pehemämmät ja sulavammat. Omani tuntuivat näiden rinnalla hieman kömpelöille. Sara oli myös huomannut QGIS:in luoman ”siksak-kuvion.”

Kuva 4: Korkeuskäyrät Paikkatietoikkunassa. Maanmittauslaitos

Seuraavaksi loimme tietokantoja tulevalle kurssikerralle. Tästä enemmän siis seuravassa postauksessa!
Sen verran voin kuitenkin sanoa, että tehdessämme teitä ja rakennuksia minulle heräsi nostalgia aikaisemmalta kurssilla. Luokka täyttyi klikkauksien äänistä ja nälkäisistä huokauksista. Se tuntui oikestaan ihanan lohdulliselle.

klik klik klik kilk kilk

– GIS-luokka

Tällä viikolla oli oikein mukavaa. Jopa QGIS oli yhteistyökykyinen. Joskus tämäkin blogi siis sisältää onnistumisen tunteita.

Lähdeluettelo:

Elida Peuhun kurssiblogi ”Geoinformatiikan menetelmät” https://blogs.helsinki.fi/elida/ (Viitattu 9.2.2022)

Sara Virtasen kurssiblogi ”Sara Virtanen: Geoinformatiikan menetelmät” https://blogs.helsinki.fi/virsara/ (viitattu 11.2.2022)

Tuomas Hartikaisen kurssiblogi ”Maa-Gista menoa” https://blogs.helsinki.fi/tuomhart/ (viitattu 11.2.2022)

Maanmittauslaitos: Paikkatietoikkuna:https://kartta.paikkatietoikkuna.fi/  (viitattu 11.2.2022)

Kurssikerta 3: Paineen alla

Lämmittelyä

Tällä luennolla rupesimme heti töihin. Käytimme tietokantaa, joka sisälsi Afrikan valtiot. Tietokannassa jokainen saari ja manneralue on merkitty omalle riville, jonka vuoksi muuttujien tutkiminen olisi vaikeaa. a. Rivejä eli ”valtioita” aineiston mukaan olisi reilusti yli 700.
Tämän vuoksi opettelimme yhdistämään kohteita. Käytimme yhdidtämiseen valintatyökalua ja digitointityökalua. Valtioita  oli helppo yhdistää yksitellen, mutta työlästä. Sen vuoksi opettelimme myös dissolve- ja aggregate-työkalujen salat. Dissolve-työkalulla kaikki valtiot saatiin siististi  omille riveilleen ja aggregate-työkalulla aineistoa voitiin käyttää tarkemmin. Kätevää!

Käsittelimme myös, miten aineisto esimerkiksi Excel-taulukosta voidaan siirtää QGIS-ohjelmaan. Vaikka kaikki sujui minulta hyvin, tunsin jo sielussani, kuinka tämä tuottaisi minulle vielä joskus ongelmia. Erilaiset koodit ja pienet yksityiskohdat unohtuvat minulta helposti…
Mutta kyllä tästäkin varmasti selvitään!

Pian QGIS täyttyi useista erilaisista tasoista. Minusta oli omalla tavallaan hassua, että muutamalla klikkauksella saatiin esille aivan uudenlaista ja tarkaa tietoa. QGIS on osottautunut mielestäni käteväksi, koska kaikki tieto on paikoillaan ja helposti löydettävissä. Se tekee työskentelystä nopeaa ja tehokasta.
Kun perusasiat oli saatu haltuun, voitiin aloittaa jälleen syvempi työskentely.

Konfliktit Afrikassa

Kuva 1: Afrikassa esiintyvät timantit, öljykentät ja konfliktit (PRIO, 2006)

Suurin osa Afrikan valtioista ovat tunnettuja niiden epävakaasta tilastaan. Kolonisaation jäljet, dekolonisaatio, hallinnon korruptio, heimorajat, uskonnolliset tekijät, ruokapula, kuivuus ja köyhyys luovat ihmisille konfliktiherkän ympäristön, jota on vaikea parantaa resurssien puutteen vuoksi.  Ja tässä ei ole edes mainittu kaikki tekijät!
Kuvasta 1 voidaan huomata, kuinka Afrikassa esiintyy paljon arvokkaita timantteja ja  öljyä. Alueilla, joilla esiintyy paljon timantteja, esiintyy myös konflikteja. Ihmiset etsivät parempaa elämänlaatua, jopa äärimmäisin keinoin. Esimerkiksi Angolassa on 43 timanttikaivosta, 6 öljynporausaluetta. Valtiossa esiintyy toisiksi eniten konflikteja koko Afrikassa. Kun Afrikan valtioihin tutustutaan tarkemmin, voidaan huomata, että konflikteja esiintyy vähemmän kehittyneemmissä valtioissa.

Roosa Kotilainen esitti mielestäni mielenkiintoisen havainnon siitä, että timanttikaivoiksien tuotot eivät aina ole suhteessa kansalaisten hyvinvointiin. Hän toteaa, että rahavirrat eivät aina jää paikallisille, vaan ulkopuolisille. Tämän seurauksena tuotot eivät hyödytä paikallisia ollenkaan.

Toisaalta, esimerkiksi Botswanassa esiintyy timantteja, mutta ei ollenkaan konflikteja.  Tähän osasyynä on valtion poliittinen vakaus ja talouskasvu. Itsenäistymisensä jälkeen (1966 ) Botswanaa on yksi  Afrikan toimivimmista demokratiavaltioista. Edellä mainittussa Angolassa valtaa pitää kommunistipuolue ja valtio on suurissa yhteiskunnallisissa ongelmissa. Esimerkiksi vuosien 1974 ja 2002 välillä käyty sisällissota vaikuttaa maan olotiloihin. Alueella on edelleen purkamattomia miinakenttiä ja sodassa on levinnyt suuria määriä käsiaseita tuntemattomien käsiin. On sanottu, että Angola on yksi maailman korruptoituneista valtioista. (Globalis, 2022)

Suomen tulvaindeksi

Omatoimisesti meidän tuli tehdä koropleettikartta Suomen tulvaindeksi. Päätin tehdä perusversion, sillä haastavampi versio ei vielä näillä GIS-maallikon taidoilla onnistunut. Tulvaindeksin luominen ja esittäminen kartalla onnistuikin mielestäni hyvin ja vaivattomasti.

Mutta. ne. diagrammit.

Istuin muiden kurssikavereideni kanssa tekemään diagrammeja, mutta meistä kukaan ei osannut tehdä niitä.  Diagrammien asetukset oli helposti löydettävissä, mutta lopputulos ei esiintynyt teemakartalle.  Minua turhautti.  Muutaman epäonnistuneen yrityksen jälkeen sain kuitenkin apua Artulta. Kävi ilmi, että siirtäessä Excelistä aineistoa kaikki luvut olivat muuttuneet tekstiksi. Muokkaamalla sarakkeen desimaaliluvuiksi myös diagrammin luonti sujui. Tämä hetki pelasti koko loppupäiväni. <3
Kiitti! 🙂

Kuva 2: Valuma-alueet ja järvisyys

Lopuksi voitaisiin vielä tulkita lopputulosta. Kuvassa 2 esiintyvässä kartassa on helposti näkyvissä korrelaatio korkean järvisyyden ja matalan tulvaindeksin välillä.  Kaikista eniten tulvii rannikko-alueilla. Tästä voidaan päätellä meren olevan suuri tekijä tulvaindeksiä tulkittaessa.
Järveisyyden ja tulvaindeksin korrelaatioon on varmasti paljon luonnonmaantieteellisiä syitä. Minulle tuli mieleen Pohjanmaan alevuus ja jokien määrä. Meri pääsee helposti pitkän matkan rannikkoa pitkin, kun ei ole mitään korkeita alueita jotka voisivat estää tulvimisen. Victoria Rumbin mainitsi blogissaan, kuinka kevään sulamisvedet erityisesti Lapissa näkyvät myös tilastoissa. Lumen sulaessa vesi ei pääse säilööntymään, vaan tulvii joista ja jää maanpinnalle.

Järvisillä alueilla puolestaan ei tulvi niin paljon, koska järvet säilövät vettä tehokkaasti. Otetaan esimerkiksi aikaisemin mainittu Lappi. Inarinjärven ympärillä tulvaindeksi on huomattavasti pienempi kuin muualla Lapissa. Yksi suuri järvi riittää säilömään suuria määriä vettä.
Järvisyys ei ole kuitenkaan ainut tulvariskiin vaikuttava tekijä. Ilmiöön vaikuttaa myös esimerkiksi virtaama, topografia, korkeuserot ja valuma-alueen koko.

Lopputulosta olisi voinut ehkä selkeyttää erilaisilla värivalinnoilla. Esimerkiksi järvisyyspylväät olisi voinut muokata siniseksi teeman mukaisesti. Oranssit sävyt kuvaamassa valuma-alueita oli myös mielenkiintoinen älynväläys, mutta loppujen lopuksi tulos on mielestäni selkeä, mikä on tärkeintä. Lämpimät sävyt kertovat toisaalta hyvin tulvariskistä. Anni Leppä huomasi blogissaan, että pylväiden tuoma informaatio on hieman kyseenalaista. Esimerkiksi pylväisiin käytettyä dataa ei avata kartassa ollenkaan.

”Pylväsdiagrammit kartassa antaa vähän suuntaa ilmiöiden koosta toisiinsa, mutta ei ole tietoa esim. siitä että mitä mittayksikköä datan keräämisessä on käytetty, eli mitä pylväät tarkoittavat.”

– Anni Leppä

Lopputunnelmat

Luennon alussa minusta tuntui, että QGIS:in käyttäminen alkoi olla yhä omatoimisempaa ja omatoimisempaa.  Ajattelin, että jopa minä voisin ystävystyä tämän ohjelman kanssa. Yrittäessäni vääntää diagrammeja kyseenalaistin hetkellistä itseluottamustani. Onneksi kaikki kuitenkin järjestyi! Tässäkin korostui yhteistyön merkitys. En selviäsisi tästä kurssista ilman vierustovereitani. Kyllä ne timantitikin syntyvät paineen alla…

Pidin siitä, kuinka tällä kurssikerralla sai hyödyntää niin ihmismaantieteellistä kuin luonnonmaantieteellisestä osaamista. Ehkä geoinformatiikka ei olekkaan loppujen lopuksi niin kamalaa?

Lähdeluettelo:

Globalis: Botswana https://www.globalis.fi/Maat/botswana (Viitattu 2.2.2022)

Globalis: Angola https://www.globalis.fi/Maat/angola (Viitattu 2.2.2022)

Victoria Rumbinin kurssiblogi ”Matka GIS-guruksi” Kurssikerta 3 – Afrikan konfliktit ja Suomi -tuhansien järvien maa.
https://blogs.helsinki.fi/vrumbin/  (viitattu 3.2.2022)

Roosa Kotilaisen kurssiblogi ”Roosan blogi” Viikko 3: Eri kohteiden yhdistelyä.
https://blogs.helsinki.fi/rokoro/ (viitattu 3.2.2022)

Anni Lepän kurssiblogi ”Annin Blogi”: Viikko 3
https://blogs.helsinki.fi/ableppa/  (Viitattu 8.2.2022)

 

2. Kurssikerta: Aineistojen pyörteissä

 

Uusia työkaluja, uusia taitoja

Tällä luennolla opittiin käyttämään uusia työkaluja QGIS-ohjelmassa.  Aluksi tutkittiin Suomen kuntien tilastotietoja attribuuttitaulukon avulla. Attribuuttitaulukko on minusta kätevä työkalu, koska sieltä sai helposti ja nopeasti tarvittua tietoa.  Taulukosta selvisi esimerkiksi kuntakoodit, väestö ja maakunta. Myös yksityiskohtaista tietoa, kuten kunnassa tapahtuneet avioerot tai tietoon tulleet rikokset oli saatavilla.

Myös valintatyökalut tulivat tutuksi. Niiden avulla pystytään etsimään ja luokittelemaan kohteita halutulla tavalla.  Jos olisin tiennyt näiden työkalujen olemassa olosta vielä jokin aika aikaisemmin, olisi elämäni ollut paljon helpompaa!

Aineistojen käyttämisestä

Tänä päivänä aineistoa on saatavilla runsaasti. Suomessa tunnettuja aineiston tuottajia ovat esimerkiksi SYKE, Maanmittauslaitos, Paituli ja Tilastokeskus. Tämän vuoksi dataa voidaan siirtää myös erilaisilla tavoilla.
Minulle jäi erityisesti mieleen rajapinnat. Rajapintapalveluiden osotteiden avulla ei tarvitse ladata erilaisia aineistoja, vaan ne tulevat suoraan käytettyyn ohjelmaan. Tämä säästää paljon aikaa, vaivaa ja tietokoneen tallennustilaa. Tyypillisimpiä rajapintoja ovat esimerkiksi WFS-palvelut, WMS-palvelut, WMTS-palvelut ja WCS-palvelut. Kaikki olivat minulle täysin uusia tuttavuuksia, mutta osottautuivat melko hyödyllisiksi kavereiksi.
Tunsin itseni varsinaiseksi GIS-velhoksi, kun sain yhdistettyä Väyläviraston WFS-palvelun omaan QGIS-tiedostooni. Ehkä jopa minä voisin ymmärtää jotain geoinformatiikasta!

Kuva 1: Tutkamajakat Suomessa. Suuri ylpeydenaihe.

 

Tutkitaan projektioiden luomia eroja

Maapallo on muodoltaan litistynyt geoidi ja täten kolmiulotteinen. Kolmiulotteista pintaa on mahdoton siirtää kaksiulotteiselle tasolle ilman, että pinnan muodot vääristyisivät. Jotta maanpintaa pystyttäisiin kuvaamaan mahdollisemman todenmukaisesti, on luotu karttaprojektioita. Karttaprojektiot pyrkivät kuvaamaan maanpintaa kartalle mahdollisimman todenmukaisesti. Jokainen projektio kuitenkin vääristelee totuutta, joka näkyy kartoissa ja karttajärjestelmissä.
Luennolla tehtiin mittausharjoitus, jossa tutkittiin aineistojen eroja. Aluksi erilaisia pinta-aloja verrattiin mittaamalla alueita eri projektioilla. Kuten aikaisemmin totesin, jokainen projektio vääristelee maanpintaa eritavalla, mikä näkyy myös mittausten tuloksissa. (joita en tietenkään tallentanut…)  Suomen kartta muuttuu paljon erilaisissa karttajärjestelmissä ja projektioissa. Esimerkiksi EPSG 3067-karttajärjestelmässä Suomi näyttää melko todenmukaiselle. Kun käytetään Mercadorin projektiota, Suomen pohjoisosat kasvavat merkittävästi. Tämä näkyy myös mittaustuloksissa. On siis tärkeää tutkia aineistoja kriittisesti, eikä uskoa sokeasti kaikkiin tarjottuihin aineistoihin.

Ronja Sonninen esittää ilmiön selkeästi blogissaan erilaisten taulukoiden ja kuvien avulla. Hän nostaa esimerkiksi eripintaisten projektioiden luomat erot kartoissa, jonka koin mielenkiintoisena ja  havainnollistavana. Suosittelen blogin lukemista, mikäli projektiot kiinnostavat!

QGIS ja havaintojen esittäminen 

Tarkastelimme projektioiden eroja myös koropleettikarttojen avulla. Tehtävänä oli luoda muutama kartta, joissa verrattaisiin projektioiden pinta-aloja ETRS-TM35FIN- projektioon. Tämä tuotti minulle harmaita hiuksia ja paljon kyyneliä. Vaikka QGIS on täynnä mitä hyödyllisempiä työkaluja, sen käyttö tuntuu välillä hirveän monimutkaiselta.  Muutaman tunnin epämääräisen sähläyksen jälkeen sain kuitenkin kasattua viisi erilaista karttaa, joista olen erittäin ylpeä.
Olen käyttänyt kaikissa kartoissa samaa värimaailmaa, jotta niiden vertailu olisi helpointa. Kartoista viimeinen, Bonnen projektion vääristymiä kuvaava kartta on oma suosikkini, koska sen vääristymät olivat erilaisia.

HUOM! Kun vertaat karttojani, huomioi, että niissä vääristymät ovat erikokoisia. Esimerkiksi Bonnen projektiossa vääristymät ovat naurettavan pieniä verrattaessa Pattersonin projektioon, vaikka kuvissa on käytetty  samoja värejä. Myös Salla Kärkkäinen   huomasi luokkien väriset erot. Hän mainitsee blogissaan kuinka värien ja luokkien muuttaminen vaikuttaa koko lopputulokseen ja karttojen vertailemiseen keskenään. Tällekkin blogille vahva suositus!

Kuva 1: Pinta-alavääristymät, Robinsonin projektio.

Kuva 2: Winkel-Tripel-projektion vääristymät

 

Kuva 3: Pinta-alavääristymät, Pattersonin-projektio
Kuva 4: Pinta-alavääristymät, Mercatorin projektio
Kuva 5: Pinta-alavääristymät, Bonnen projektio

 

Kokonaisuudessaan olen tyytyväinen tekemiini karttoihin. Tietysti niissä voisi tehdä pientä hienosäätöä esimerkiksi otsikoinnin suhteen ja projektioiden eroa olisi voinut tuoda tarkemmin esille. Mutta tekemällä oppii!

PS. Luennolla minulla oli paljon vaikeuksia, mutta onneksi oli monta ystävää, jotka auttoivat tarvittaessa. Minä olisin syvissä vesissä ilman GIS-luokan ihania ihmisiä. Siispä kiitos heille. Kiitos että olette olemassa. Olette arvostettuja ja tärkeitä.
Ja tsemppiä jokaiselle QGIS:in käyttäjälle. Lupaan, että te ette ole toivottomia tapauksia. Te pystytte siihen. <33

#yhdessä

Asioilla on tapana järjestyä. – Muumipappa

Lähdeluettelo:

Ronja Sonninen: Ronjan blogi: Karttaprojektion vaikutus karttaan  https://blogs.helsinki.fi/sronja/
(Viitattu 26.1.2022)

Salla Kärkkäinen: Sallan Blogi; Viikko 2: Kuntien avainlukuja ja gissiä https://blogs.helsinki.fi/karkkais/ (viitattu 26.1.2022)

* Artikkelia päivitetty 26.1.2022 klo 20.20

1.Kurssikerta: Ensiaskeleet geoinformatiikan maailmaan

Ensimmäinen luento koostui kahdesta osasta. Luennon aluksi käsiteltiin perustietoa paikkatiedosta. Toisella puoliskolla muodostettiin QGIS-ohjelmistolla koropleettikartta, joka kuvastaa HELCOM- alueen valtioiden typpipäästöjä. HELCOM:illa tarkoitetaan Itämeren merellisen ympäristön suojelukomissiota.

Mitä opin?

Luennolla käsiteltyistä asioista erityisesti QGIS:in käyttäminen oli uutta. Ohjelma oli minulle melko uusi ja sen käyttö tuntui aluksi vaikealle. Luennolla annettiin kuitenkin selkeät ohjeet ja sain kaikki elementit valmiiksi. Tututksi tulivat niin perustyökalut kuin laskuohjelma. Esimerkiksi tilastojen analysointi oli mielestäni mielenkiintoista.

Teoria-osuudesta minulle jäi mieleen paikkatiedon rakenne ja sen esittämistavat. Vaikka aihetta oli käyty jo aikaisemmilla kursseilla, oli mielenkiintoista saada uusia näkökulmia aiheeseen.

Pohdintaa tuloksista

Kuva 1: HELCOM-merialue ja sitä ympäröivien valtioiden typpipäästöt

Mielestäni luomani karttakuva on informatiivinen ja selkeä. Se näyttää minusta jopa huolestuttavalle, sillä Itämeri on erittäin herkkä  reheväitymiselle ja happamoitumiselle. Typen määrä edes auttaa muunmuassa Itämeren rehevöitymistä ja happamoitumista.

Itämeren rehevöityminen on vakava uhka koko ekosysteemille. Koska meri on nuori ja matala, se rehevöityy nopeasti. Kasviplanktonien määrä kasvaa, joka aiheuttaa veden samentumista. Veden happamoituessa ja samentuessa kaikki lajit eivät pysty sopeutumaan muutoksiin, mikä horjuttaa meren ekosysteemejä.

Suomenlahden merialueista yksikään ei ole veden kirkkauden osalta saavuttanut HELCOMin määritelmien mukaista hyvää tilaa. (Itämeri.fi)

”Jos potilas Itämeri menisi vaivoineen lääkärin puheille, lääkäri toteaisi heti alkuun, että potilaalla on synnynnäinen keuhkoahtauma (Kapeat Tanskan salmet), joten hänellä ei ole paras mahdollinen hapen saanti. Toiseksi, potilas on ylipainoinen (Liikaa ravinteita maalta) joten sisäelimet ovat kovilla (sisäinen kuormitus).” – Kai Myberg ja Matti Leppäranta kirjassaan Itämeri ja Ihminen (Tammi, 2019)

Kuvasta voidaan huomata, että eniten päästöjä HELCOM-alueeseen tulee Puolasta. Päästöjä tulee myös paljon Venältä, Latviasta ja Ruotsista. Vähiten päästöjä tuottavat Suomi, Viro, Liettua ja Saksa.

Päästöjen määrään vaikuttaa teollisuuden ja erityisesti maatalouden määrä valtiossa. Typpeä laskeutuu meriin erilaisten ojien ja jokien kautta. Täytyy huomioida valtion koko ja sijainti.  Esimerkiksi Viro on pieni valtio ja vain sen länsirannikko vaikuttaa HELCOM-alueeseen. Ruotsi puolestaan on suuri valtio keskellä kyseistä aluetta. Lisäksi kartan tuottama tieto on epätarkkaa. Mistä tieto on peräisin? Milloin se on tuotettu?

Kaikista suurimmaksi yllättäjäksi minulle nousi Puola.  Puola tuottaa huomattavasti enemmän typpipäästöjä kuin muut valtiot. Luin Nea Tiaisen blogista syitä Puolan suureen typpipäästömäärään. Hänen mukaansa valtioiden sisäpolitiikalla ympäristölainsäädännöllä on suuri merkitys typpipäästöihin. Hän lisää, että Puolassa maatalous tuottaa 50 % typpipäästöistä. (Bartnicki J. & Benedictow A. (2017))
Typpi ja fosforipäästöt kulkeutuvat pienien ojien kautta Veiksel-jokeen. Veiksel on jokena erittäin kurmittunut, koska siihen kulkeutuu maatalouden lannotteiden lisäksi esimerkiksi jätepäästöjä Varsovasta.

Toisaalta karttakuva sisältää mielestäni myös hieman turhaa tietoa. Esimerkiksi syvyyskäyrät eivät kerro mitään typpipäästöistä ja ovat täten turhia.  Olen kuitenkin ylpeä tuotoksestani ja seison sen takana. Mielestäni oli mukavaa oppia uusia menetetelmiä geoinformatiikan maailmassa.

* Artikkelia muokattu 21.1.2022 klo 11.30

Lähdeluettelo:

Kai Myberg ja Matti Leppäranta: Itämeri ja Ihminen (Tammi, 2019)

Nea Tiaisen blogi ”Melkein GIS-guru siis itsekin”  (Viitattu 21.1.2022)

https://itameri.fi/fi-FI/Luonto_ja_sen_muutos/Itameren_tila/Rehevoityminen/Rehevoitymisen_tilanarvio (viitattu 21.1.2022)

Ensimmäisen kurssikerran harjoitus

Harjoitus tekee mestarin? 

Ensimmäisessä harjoituksessa luotiin koropleettikartta kuntien tietokannasta.
Avatessani QGIS-ohjelmiston totesin, että minun täytyy kerrata perusasioita ymmärtääkseni vaikeampia tehtäviä. Päätin valita vaikeustasoltaan helpoimman tehtävän alkuun, jotta oppisin ohjelmiston perusominaisuudet kunnolla.
Alussa ohjelmiston käyttö tuntui ohjekirjan lukemiselta ja toistamiselta. Mutta pian muistikuvani viikon luennolta heräsivät, ja aloin ymmärtää ohjelmiston saloja. Yht äkkiä GIS ei tuntunutkaan avaruustieteelle.

Valmis tuotos esittää elävänä syntyneitä kunnittain (kuva 1). Rehellisesti sanottuna olen ylpeä lopputuloksesta, koska se näyttää oikeanmukaiselle ja selkeälle. Lisäksi tein sen ihan itse!
Kuvan värimaailma on mielestäni miellyttävä ja selkeä.
Toisaalta minusta valmis tulos on hieman manipuloiva. Esimerkiksi viimeinen luokka on paljon suurempi muihin luokkiin verrattuna. Muissa luokissa esitetään kymmeniä elävänä syntyneitä, kun taas viimiseen luokkaan kuuluu jopa 6000 lasta. Muulla tavalla esitettynä kartta olisi ollut kuitenkin erittäin tylsä ja väritön. Kartta ei olisi myöskään antanut lukijalleen mitään informaatiota.
Tämä on mielestäni erittäin hyvä esimerkki siitä, kuinka karttoja ja niiden sisältöjä manipuloidaan jatkuvasti. Minä manipuloin esteettisestä näkökulmasta. Joku poliittisesta, joku ekonomisesta.

Jos karttaa katsoo tulkitsematta sen tarkemmin, voidaan tehdä erilaisia havantoja. Lapsia syntyy eniten Etelä- ja Länsi-Suomessa, jonne asutus on muutenkin keskittynyt. Vähiten lapsia syntyy Lapissa ja periferia-alueilla. (yllättikö?)
Janne Turusen blogissa esiintyi mielestäni mielenkiintoisia näkökulmia tehtävään liittyen. Hän oli rajannut tutkimusalueensa Lahden ja sen ympäryskuntiin. Mielestäni oli fiksua rajata alue, sillä se antoi tehtävään täysin uuden näkökulman. Muissa blogeissa ilmiötä katsottiin maanlaajuisesti, jonka vuoksi Turusen kartta nousi minulle erityisesti mieleen.

Kuva 1: Koropleettikartta elävänä syntyneistä kunnittain

* Artikkelia päivitetty 23.1.2022 klo 19.00

Lähdeluettelo:

Janne Turusen blogi ”Geoinformatiikan mystiset menetelmät” https://blogs.helsinki.fi/janneturunen/ (viitattu 23.1.2022)