Harjoitus 7: Viimeinen kurssikerta ja lopputyö

Vähitellen kurssi alkaa tulla tiensä päähän. Paljon on seitsemän viikon aikana uutta tietoa opittu ja vähitellen itsenäisten karttaesityksien, sekä niiden analysoiminen on muuttunut helpommaksi. Viimeisen kerran koetukseksi jäikin vapaavalintaisen kartan tai karttasarjan tuottaminen. Ongelmilta ei tälläkään kerralla täysin vältytty, mutta onneksi suurin osa vaikeuksista liittyi lähinnä toimivan ja ylipäätänsä aihetta koskevan datan etsimiseen. Tästä jo tosin kurssin tiedotusblogissakin varoiteltiin, mutta jälleen kiireistä johtuen tiedon etsiminen jäi viimeiseen iltaan. Epätoivoa alkoikin olla ilmassa, kun jouduin kumoamaan useamman idean kartasta, sillä useamman tunninkaan jälkeen en ollut löytänyt kunnollista dataa niihin liittyen. Lopulta päädyin puolivahingossa tutkimaan erilaisia tilastotiedon lähteitä ja eksyin YK:n kestävän kehityksen tavoitteita ja niiden tilastotietoja käsittelevälle nettisivulle. Tästä sainkin inspiraatiota lähteä tekemään karttasarjaa liittyen viidenteen eli sukupuolten tasa-arvoa käsittelevään tavoitteeseen.

Päädyin kuitenkin käyttämään mainitsemaltani sivustolta tietoa vain liittyen naisten osuuteen parlamenteissa, ja kyseisen datan sain ladattua sivustolta erittäin helposti suoraan shapefilena. Tiedon metsästäminen siis jatkui ja lopulta löysin itseni YK:n kehitysohjelman UNDP sivulta. Sieltä löysinkin tietoa GII-indeksistä eli sukupuolten välisen epätasa-arvon indeksistä, josta inspiroituneena päätin lopullisen suunnitelmani karttojen suhteen. Kyseinen indeksi on siis eriarvoisuusindeksi, joka mittaa sukupuolten välistä epätasa-arvoa kolmella inhimillisen kehityksen mittarilla: lisääntymisterveys, voimaantuminen ja työmarkkinoille osallistuminen.  Mitä pienempi indeksin lukema on, sitä parempi tasa-arvon tilanne on maassa. Haluan kuitenkin huomauttaa, että indeksin käyttöön liittyy myös kritiikkiä.

Lähdin siis toteuttamaan GII-indeksiin ja tavallaan samalla myös viidenteen kestävän kehityksen tavoitteeseen liittyen karttasarjaa. Ensimmäinen aikaansaamani kartta käsitteleekin GII-indeksiä valtioittain vuodelta 2019 (kuva 1). Sen tekemisessä kohtasin joitakin ongelmia, mutta pienellä pähkäilyllä sain ne ratkaistua. Toin siis ensimmäisenä GII-indeksistä löytämäni ja muokkaamani taulukon CSV-tiedostona QGIS-ohjelmistoon ja yhdistin sen Join-toiminnolla lataamani tietokantaan maailman valtioista. Ensimmäiset ongelmat syntyivätkin yhteisen nimittäjän löytämisessä, sillä lataamassani taulukossa oli vain indeksin lukuarvo ja valtioiden nimet, sekä  otin mukaan myös tiedon äitiyskuolemista. Tämän takia yhdistäminen oli pakko toteuttaa vain valtioiden nimiä käyttämällä. Jouduinkin vähän käyttämään aikaa attribuuttitietojen muokkaamiseen, sillä osalla valtioista nimet oli hieman erilaisin tavoin kirjattu käyttämääni pohjakarttaan. Lopulta sain kuitenkin kaikkien valtioiden tiedot näkyviin.

Toiseksi ongelmaksi taas syntyi koropleettikartan tekeminen, sillä huomasin etten saanut uutta tuomaani saraketta GII-indeksistä ollenkaan näkyviin Layer properties valikossa. Sarake siis löytyi attribuuttitaulukosta, mutta sitä ei pystynyt valitsemaan koropleettikarttaan arvoa valitessa. Huomasinkin, että indeksiä kuvastavat luvut olivat jostain syystä tekstimuodossa. Jouduinkin hieman peruuttamaan ja kävin hieman muotoilemassa tietoja Excelissä. Näin sain sarakkeen siis näkyviin ja pääsin hommassa eteenpäin. Tästä eteenpäin ensimmäisen kartan tekeminen onnistuikin ilman vastoinkäymisiä.

Halusinkin panostaa kunnolla karttojen visualisoimiseen, sillä onhan kyseessä kurssin lopputyö. Päädyin esimerkiksi muokkaamaan luokkien arvot vastaamaan GII-indeksin ”human development” ryhmittelyä, jonka avulla voidaan jaotella valtiot todella korkean tai alhaisen GII-indeksin maihin. Lisäksi värityksessä halusin tuoda erot mahdollisimman selkeästi esille, mutta silti jaotellen hyvän ja huonon tilanteen valtiot. Vihertävä kuvastaa siis parempaa tilannetta ja punertavilla valtioilla on vielä kehittämisen varaa. Legendankin toteutin hieman uudenlaisella tavalla, vaikka sen tekeminen vaatikin hieman soveltamista.

uva 1. Sukupuolten välisen epätasa-arvon indeksi vuodelta 2019 (lähde: UNDP)

Toiseen tekemääni karttaan otin mukaan myös toisen tiedon, joka oli tässä tapauksessa naisten osuus parlamenteissa valtioittain. GII-indeksissä otetaan myös kyseinen suhdeluku päättävissä asemissa olevien naisten ja miesten välillä huomioon eli tavallaan esitän nyt ympyrädiagrammien avulla yksityiskohtaisempaa tietoa GII-indeksin sisältä. Olin jo ennen aikaisemman kartan tekemistä tuonut Shapefilena tiedot naisten suhteellisista osuuksista maiden parlamenteissa ja jälleen yhdistellyt sen pohjakarttaan. Joudin myös siinä muokkailemaan hieman yhdistäviä tekijöitä, mutta sain kaiken informaation näkyviin. Kyseinen tieto olisi löytynyt myös samasta taulukosta GII-indeksin kanssa, mutta olin shapefilen ehtinyt jo tuomaan ja muokkailemaan ennen GII-indeksistä keksimääni ajatusta.

Ympyrädiagrammeja tehdessä huomasin, ettei ihan kaikkia diagrammeja kannata esittää sillä kartasta olisi tullut helposti hyvin sekava. Esimerkiksi pelkästään naisten osuutta parlamenteissa käsittelevä koropleettikartta olisi voinut olla kaikista informatiivisin. Tarkoituksena oli kuitenkin esittää kahta eri tietoa kartalla. Laskeskelin vielä diagrammia varten miesten osuudet ja lopputuloksena syntyi GII-indeksiä, sekä naisten ja miesten suhteellista osuutta parlamenteissa käsittelevä kartta (kuva 2). Tein myös muutaman alueellisesti enemmän keskittyvän kartan Pohjois-Amerikasta (kuva 3) ja Afrikasta (kuva 4).

Kuva 2. GII-indeksi ja sukupuolijakauma valtion päättävässä elimessä vuodelta 2019 (lähde: UNDP)

Kuva 3. GII-indeksi ja sukupuolijakauma Pohjois- ja Etelä-Amerikan valtioiden parlamenteissa vuodelta 2019 (lähde: UNDP)

Kuva 4. GII-indeksi ja sukupuolijakauma Afrikan ja Lähi-idän valtioiden päättävissä elimissä vuodelta 2019. (lähde: UNDP)

Seuraavaksi tein vielä kartan, jossa esitin toisena tietona äitiyskuolleisuutta, joka myöskin on yksi GII-indeksissä mitattavista osa-alueista. Äitiyskuolleisuuden lukuarvot olin siis tuonut jo aikaisemmin samassa CSV-tiedostossa GII-indeksin kanssa, mutta jälleen huomasin arvojen olevan tekstimuodossa. Pienellä googlailulla sainkin selville, että QGISistä löytyisi myös toiminto ”Refactor fields”, jolla sain  arvot luvuiksi nopeasti. Loput kartan tekemisestä sujuikin mukavan nopeasti ja lopputulos on esillä kuvassa 5.

Kuva 5. GII-indeksi ja äitiyskuolleisuus valtioittain vuodelta 2019 (lähde: UNDP)

En ehkä tällä kertaa lähde sen enempää jaarittelemaan karttojen tulkinnasta, joten lukija saa tällä kertaa tehdä omia havaintojaan niistä. Voisin kuitenkin todeta Suomen tilanteen olevan varsin hyvä verrattuna moneen muuhun valtioon tällä akselilla. Päällimmäisin mielin palauttelen tämän lopputyön tyytyväisin mielin ja olen valmis pistämään kurssin viimein pakettiin. Vaikka muutamia ongelmia karttojen tekemisessä tulikin vastaan, ei ensimmäisenä mielessä ollut epätoivo vaan enemminkin lähdin rauhassa etsimään ratkaisuja. Epätoivoa toki oli ilmassa dataa etsiessä, mutta siitäkin selvittiin. Lisää mielenkiintoisia karttoja on löydettävissä esimerkiksi Saaran, Emmin ja Paolan blogeista. Tässä vaiheessa haluan kuitenkin sanoa kiitokset kurssista ja ehkä tulevaisuudessa tapaamme uudestaan geoinformatiikan parissa!

Lähteet:

Aarrelahti, E. (luettu 31.3.2021) Kurssikerta 7. https://blogs.helsinki.fi/emaa/2021/03/09/kurssikerta-7-2/

Human Developments Reports, UNDP (gender inequality index)  http://hdr.undp.org/en/content/gender-inequality-index-gii

Nurminen, S. (luettu 31.3.2021) Viimeinen kurssikerta. https://blogs.helsinki.fi/saaranur/2021/03/04/viimeinen-kerta/

Permanyer, I. (2013) A Critical Assessment of the UNDP’s Gender Inequality Index) https://www.researchgate.net/publication/263732412_A_Critical_Assessment_of_the_UNDP’s_Gender_Inequality_Index

Stenvall, P. (luettu 31.3.2021) Frihetspaniken. https://blogs.helsinki.fi/paolastenvall/2021/03/29/frihetspaniken/

United Nations https://www.sdg.org/search?groupIds=25e04240b93f498e96427bd633b98dbc

 

Harjoitus 6: Raikasta talvisäätä ja interpolointia

Kuudennella harjoituskerralla pääsimme ulkoilemaan raikkaaseen, mutta harmaaseen talvisäähän. Liukkaasta kelistä huolimatta, saimme ryhmämme kanssa kerättyä dataa yllättävän nopeasti naapurustojemme viihtyvyydestä. Ajankohta ja keli ei välttämättä olleet se paras hetki kyseisen pisteaineiston keräämiseen, mutta emmeköhän saaneet ihan käypää dataa aikaiseksi. Koordinaattitietoihin perustuvaa sijaintitietoa saatiin siis talteen Epicollect5-sovelluksella, jossa vastasimme muutamiin kysymyksiin liittyen esimerkiksi alueen turvallisuuteen ja miellyttävyyteen. Reippailujen päätteeksi palasimme takaisin koteihimme ja Zoomin äärelle. Varsinaisena kurssikerran oppimistavoitteena olikin kerätyn datan hyödyntäminen ja visualisoiminen kartalla. Kerätty pisteaineisto saatiinkin näppärästi tallennettua ja vietyä csv-tiedostona QGIS-ohjelmistoon, jossa pääsimme tarkemmin tutkimaan ja muokkailemaan sitä.

Kerätyn aineiston avulla harjoittelimmekin ensimmäistä kertaa tiedon esittämistä interpoloinnin avulla ja nappasinkin kuvankaappauksen toki keskeneräiseksi jääneestä lopputuloksesta (kuva 1). Interpoloinnin pohjimmaisena tarkoituksena on siis laskea tunnettujen arvojen väliin uusia arvoja erilaisia menetelmiä hyödyntäen. Näin saimme siis aikaan IDW-metodia hyödyntäen kartalle jatkuvan pinnan, jotta pystyisimme pistekarttaa monipuolisemmin tutkia alueiden turvallisuuden ja turvattomuuden astetta. Itsessään harjoitus oli hyvin konkreettinen esimerkki miten aineistoa tuotetaan ja muokataan selkeäksi esitykseksi.

Kuva 1. Kuvankaappaus interpoloinnin harjoittelemisesta. Siniset ja vihertävät sävyt kuvaavat turvalliseksi koettuja alueita, vastaavasti keltaiset ja punaiset turvattomia.

Hasardikarttoja

Tehtävät eivät kuitenkaan tälläkään kertaa jääneet tähän vaan jälleen oli aika hypätä syvään päätyyn itsenäisten harjoituksien kera. Tarkoituksena oli luoda kolme hasardeihin liittyvää karttaa, joita voisi kuvitteellisesti käyttää opettajana tuntiopetuksessa hyödyksi. Vaikka en opettajaksi ole ajatellut ryhtyä, oli tehtävänanto ja sen aiheet mielestäni todella mielenkiintoisia. Jotta tiedon etsimistä ei tarvitsisi aloittaa aivan tyhjästä, oli tarjolla aineistoja maanjäristyksistä, tulivuorista ja meteoriiteista. Lopulta harjoituksissa eniten ongelmaa tuntuikin aiheuttavan tuhannet erilaiset tavat hyödyntää ja visualisoida dataa. Lopulta kuitenkin sain tehtyä useammankin kartan, joista nyt kolme olen liittänyt osaksi tätä blogia.

Ensimmäisen hasardikartan tekeminen onnistui helposti, sillä minulla oli heti tietty visio mitä haluaisin tehdä. Kuvassa 2 olen siis esittänyt yli kuuden magnitudin maanjäristyksiä viimeisen 50 vuoden ajalta vuosilta 1971–2021. Myöhemmin toki tajusin, että ehkä järkevintä olisi ollut esittää maanjäristyksiä aikaväliltä 1970–1920. Muuten kartta on mielestäni visuaalisesti hyvä, vaikka toki olisin halunnut isommat ympyrät paremmin näkyviin pienempien alta. En kuitenkaan löytänyt työkalua, jolla olisin voinut niitä muokkailla paremmin näkyviin.  Aineiston tuominen QGISiin onnistui kuitenkin helposti ja lähinnä ainoat ongelmat liittyivät maanjäristysten visualisoimiseen ympyröinä. Parhaimman luokittelutyökalun valitseminen tuotti hieman päävaivaa, sekä jouduin myös värityksen säätämään jokaiseen kohteeseen erikseen. Jäin myös kaipaamaan litosfäärilaattojen rajoja. Löysinkin Ilarin blogista linkin githubiin, josta sain ne helposti ladattua. Kannatta muuten käydä katsomassa Ilarin persoonallisesti visualisoituja karttoja täältä!

Kuva 2. Yli 6 magnitudin maanjäristykset esitettynä 50 vuoden ajalta. (Lähde: USGS)

Seuraavaksi ideoita siitä mitä kartalla haluaisin esittää lenteli päässäni hieman liikaakin. Esittäisinkö aktiivisia vai kaikkia maailman tulivuoria? Entä ottaisinko karttaan mukaan maanjäristykset, jos kyllä miltä vuosilta ja minkä suuruisia? Jotta asioista ei kuitenkaan tulisi liian vaikeaa päätin hyödyntää jo valmiina ensimmäisessä kartassa käytettyä aineistoa yhdessä tulivuoriaineistojen kanssa. Kuvassa 3 esitän tapahtuneet tulivuorenpurkaukset ja maanjäristykset viimeisen 50 vuoden ajalta. Kartan tekeminen oli taas itsessään helppoa, vaikka en aluksi millään meinannut saada aineistoa näkyviin QGISissä. Lopulta Ronjalta saamani vinkit auttoivat pääsemään alkuun ja sain aineiston onnistuneesti tallennettua oikeanlaiseksi. Kyseistä karttaa voisi käyttää opetustilanteessa, kun pohdittaisiin esimerkiksi millaisia yhteyksiä litosfäärilaatoilla on tulivuorien ja maanjäristysten kanssa. Tai miksi tulivuoret esiintyvät juuri kartalla esiintyvissä sijainneissa ja miksi kaikilla laattarajoilla ei esiinny tulivuoria.

Kuva 3. Tulivuorenpurkauksia ja maanjäristyksiä 50 vuoden ajalta. (Lähde: USGS, NOAA)

Viimeisessä kartassa halusin esittää hieman erilaisempaa tietoa. Tulivuoritietokantaa tutkiessa huomasin sen esittävän myös tietoa kuolonuhreista, joten ajattelin viimeisellä kartalla esittää kuolonuhreja vaatineita tulivuorenpurkauksia ja maanjäristyksiä viimeisen sadan vuoden ajalta. Koska en suoraan maanjäristystietokannasta löytänyt tietoa kuolonuhreista, kiersin tätä vaihetta hieman. Valitsin tietokantaa ladattaessa USGS nettisivuilta Pager Alert Levelin vaihtoehdoksi tason ”yellow”, jonka pitäisi kuvata maanjäristyksiä joissa on vähintään yksi kuolonuhri. Toki tulivuoritietokantaa sadan vuoden ajalta ladattaessa, tajusin että olisin voinut ladata samalta sivustolta myös tietokannan maanjäristyksistä. Sain kuitenkin tällä kertaa onnistuneesti kummankin aineiston QGISiin ja visualisoitua haluamallani tavalla.

Lisäksi törmäsin karttojen visualisoinnista lisätietoa etsiessäni Youtube videoon liittyen gif-animaatioiden tekemiseen. Kyseisessä videossa oli käytetty vanhempaa versiota QGISistä, mutta pikaisella googlailulla löysin uudemmat ohjeet animaatioiden tekemiseen Temporal controller -työkalun avulla. Sainkin aikasarjan/animaation tehtyä, mutta jostain syystä en saanut sitä vietyä ulos QGISistä. Aina ladatessani sitä ulos QGIS väitti vieneensä sen onnistuneesti valitsemaani kansioon. Mitään ei kuitenkaan kansioihin ilmestynyt. Useista yrityksistä, asetuksien säätelemisestä ja tarkasta ohjeiden noudattamisesta huolimatta en karttoja saanut tallennettua. Myöskään netin ihmeellisestä maailmasta en onnistunut löytämään vastausta kysymykseen. Onnistuneita gif-animaatioita pääsee kuitenkin tutkimaan esimerkiksi Tapion ja Alexanderin blogeista.

Kuva 4: Kuolonuhreja vaatineita tulivuorenpurkauksia ja maanjäristyksiä sadan vuoden ajalta. (Lähde: USGS, NOAA)

Kuva 5. Tässä vielä epäonnistunut gif-animaationi.

 

 

 

 

 

 

 

 

Itsenäiset tehtävät sujuivat siis pieniä ongelmia lukuun ottamatta hyvin. Eniten aikaa sai kulumaan karttojen visualisoimiseen ja etenkin ensimmäisen kartan kanssa vierähti tovi. Aineistojen visualisoimisen mahdollisuuksia löytyy siis lukuisia ja pelkästään maanjäristystietokantaa hyödyntämällä olisi saanut aikaan monia erilaisia karttoja. Tämän myös huomasi muiden blogeja selatessa. Esimerkiksi Juliana oli blogissaan keskittynyt vain Japanin alueeseen ja Martta oli ottanut karttoihin mukaansa myös tsunamit.

Viimeistä karttaa tehdessä minulla heräsikin ajatus maanjäristysten kuolonuhrien määrän ja järistyksen voimakkuuden esittämisestä samalla pisteellä. Esimerkiksi pisteen koko olisi voinut kertoa maanjäristyksen kuolonuhrien määrästä ja vastaavasti väri magnitudin voimakkuudesta. Tämän avulla olisi pystynyt vertailemaan paremmin valtioiden välisiä eroja. Esimerkiksi monissa Euroopassa tapahtuneista maanjäristyksistä kuolonuhreja on ollut vain yksi kun vastaavan kokoisissa järistyksissä muualla on saattanut kuolla lukuisia ihmisiä enemmän. En kuitenkaan itse keksinyt tapaa esittää tietoa tällä tavalla, ja netistäkin tuntui löytyvän tähän apua hyvin nihkeästi.

Lähteet:

Engelhardt, A. (luettu 31.3.2021) Lesson 7. The End of the Beginning https://blogs.helsinki.fi/alwengel/2021/03/03/lesson-7-the-end-of-the-beginning/

Huttunen, M. (luettu 3.3.2021) Harjoitus 6: Interpolointia ja pistekarttoja. Martan blogi. https://blogs.helsinki.fi/humartta/2021/03/01/harjoitus-6-interpolointia-ja-pistekarttoja/

Häkkilä, J. (luettu 3.3.2021) 6: Interpoloimista ja hasardikarttoja. Julianan blogi. https://blogs.helsinki.fi/julihakk/2021/02/28/6-interpoloimista-ja-hasardikarttoja/

Leino, I. (luettu 3.3.2021) Kuudes kurssikerta. Ilarin blogi.  https://blogs.helsinki.fi/ilarilei/2021/02/25/kuudes-kurssikerta/

National Oceanic and Atmospheric Administration. Search volcano events.  https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/event-search#

Turpeinen, T. (luettu 31.3.2021) 7: La Grande Finale https://blogs.helsinki.fi/tapiotur/2021/03/05/7-la-grande-finale/

U.S. Geological Survey. Search earthquake catalog.  https://earthquake.usgs.gov/earthquakes/search/

Youtube: Earthquake Web Mapping Created in QGIS                              https://www.youtube.com/watch?v=r63owK0qkrU

Harjoitus 5: Bufferointia ja itsenäisiä harjoituksia

Jo aiemmalla kurssikerralla peloteltiin viidennen harjoituskerran olevan tähän mennessä se vaikein, sillä nyt päästäisiin todelliseen tulikokeeseen testaamaan aiemmilla kurssikerroilla opittujen asioiden hallintaa ja soveltamista. Kurssin aikana on päästy tutustumaan kattavasti paikkatiedon maailmaan QGISin avulla, ja vähitellen valmiiden aineistojen visualisoinnista onkin siirrytty yksinkertaisten paikkatietoanalyysien tekemiseen. Paljon erilaisia toimintoja ja työkaluja on siis tullut vähemmän tai enemmän tutuksi vain viiden viikon aikana. Itsenäisten harjoitusten tekeminen toimikin hyvin pienenä väliarviointina omasta osaamisestani. Vaikka tehtävien tekeminen välillä olikin monella tapaa tuskien taival, voin näin jälkikäteen todeta selvinneeni onnistuneesti siitä! Pyrinkin tässä blogipostauksessa keskittymään enemmän oppimani reflektoimiseen kuin itse tehtävien selittämiseen. Tehtäviin ratkaisut löytyvät taulukosta osana tätä blogipostausta.

Ennen itsenäisiin harjoituksiin tutustumista päästiin kuitenkin vielä harjoittelemaan puskuri- eli bufferianalyysien tekemistä. Itsessään bufferointi osoittautui hyvin yksinkertaiseksi tavaksi luoda halutun kokoinen vyöhyke valittujen vektorikohteiden ympärille. Puskureita voidaan käyttää esimerkiksi suojelualueiden luomisessa uhanalaisten lajien esiintymisalueiden ympärille. Paljon uutisointia onkin tänä talvena aiheuttaneet innokkaat ulkoilijat Helsingin edustalla, sillä meren jäälle lähteneet hiihtäjät ovat häirinneet pesiviä merikotkia esimerkiksi Lopin saaren edustalla (Anniina Virtanen, Helsingin uutiset). Tällaisten alueiden ympärille voitaisiin siis piirtää puskurivyöhyke. Lisäksi esimerkiksi Sanna Korpi oli blogissaan pohtinut, miten puskureita voitaisiin hyödyntää marjastuksessa. Erilaisia käyttökohteita löytyy siis yllättävän paljon.

Bufferoinnin ja erilaisten valintatyökalujen hallitsemisesta olikin suuri apu tehtävien ratkaisemisessa. Lisäksi uutta clip-toimintoa ja mittaustyökaluja pääsi kokeilemaan esimerkiksi laskiessa vaihtoehtoisella Tikkurilan melualueella asuvia. Yllättävän pienellä pohdinnalla löytyikin ratkaisut Malmin ja Helsinki-Vantaan lentokenttiin kohdistuviin kysymyksiin, vaikka aikaa niiden tekemiseen saikin kulumaan. Etenkin tehtävänantojen ymmärtämiseen kului oma aikansa. Vastaukset saatiin kuitenkin kerättyä ja uskaltauduinkin myöhemmin palailemaan tekemään yhden lisätehtävistä liittyen Malmille rakennettuihin uusiin taloihin. Muiden blogeja tutkiessa huomasin vastauksieni olevan hyvin samankaltaisia, vaikka pieniä vaihteluita niistä tuntui löytyvän. Eroavaisuuksia toki syntyy pakostakin esimerkiksi jokaisen piirtäessä manuaalisesti lentokenttien alueet.

Ehkä suurimmat ongelmat kohtasin asemiin ja taajamiin keskittyvissä tehtävissä. Jo aikaisemmin olin huomannut, että Field calculatorin toimintalogiikka oli ehkä jäänyt hieman avonaiseksi. Olin aikaisemmin pitkälti seurannut ohjeita, enkä ehkä ajatellut tarpeeksi mitä oikeastaan olin sillä tekemässä. Tämän takia jouduin hieman kertailemaan sen käyttämistä ja tutkimaan sen toimintaa paremmin, mutta ehkä viimein sen logiikka alkoi avautumaan paremmin. Sainkin lopulta laskettua sillä helposti esimerkiksi asemien lähettyvillä asuvat työikäiset ja taajama tehtävään liittyen kouluikäisten osuuksia. Field calculatorin lisäksi ”Join attributes by location” oli jäänyt harvemmalle käytölle, joten sen kanssa jouduin pitämään pienen mietintätauon. Tuskailusta ja kyseisten työkalujen kanssa tappelemisesta huolimatta jokaiseen tehtävään löytyi ratkaisut.

Helsinki-Malmi Vastaus
Malmin lentokentän ympäristössä 1 km säteellä 9230
Malmin lentokentän ympäristössä 2 km säteellä 59 034
Malmin lentokentän ympärille 1 km säteelle rakennetut rakennukset ja niiden asukkaat (1936-) 521 rakennusta ja 5418 asukasta

 

Helsinki-Vantaa Vastaus
Lentokentän ympärillä 2 km säteellä asuvia 10978
Lentokentän ympärillä 2 km säteellä asuvia, joista 65dB alueella asuu (%) 0,10 %
Lentokentän väh. 55dB melualueella asuvia 11923
Tikkurilan melualue 12 936

 

Asemat Vastaus
Asukkaita 500 m päässä asemasta 110 805
Asukkaita 500 m päässä asemasta (%) 21 %
Alle 500 m etäisyydellä lähimmästä alueesta asuvista työikäisiä, % 74 989

 

Taajamat Vastaus
Taajamassa asukkaita (%) 96 %
Taajaman ulkopuolella asuvia kouluikäisiä (v. 6-17) 3 727
Taajaman ulkopuolella asuvia kouluikäisiä (%) (v. 6-17)  

3,7 %

 

Taajamia, joissa ulkomaalaisia yli 10 % 49
Taajamia, joissa ulkomaalaisia yli 20 % 20
Taajamia, joissa ulkomaalaisia yli 30 % 14

Itsenäistehtävä uima-altaista

Seuraavaksi olikin aika sulkea kaikki aikaisemmin avoinna olleet tietokannat ja valita haluamansa itsenäistehtävä kolmesta vaihtoehdosta. Otsikoista mielenkiintoisimmalta kuulosti uima-altaita ja saunoja käsittelevä tehtävänanto, jonka lopulta päädyinkin tekemään. Yllättävästi olin kuvitellut viimeisien tehtävien olevan kaikista vaikein, mutta tämän tehtävän sain lopulta ehkä nopeimmin valmiiksi. Toki olin jo muilta ehtinyt kuulemaan yhdestä tehtävään liittyvästä ongelmakohdasta, joten sen täysin itsenäiseen ratkaisemiseen en päässyt käyttämään juurikaan aikaa. Tästä kuitenkin kohta vähän lisää. Selvästi kuitenkin aikaisempien tehtävien tuskailut olivat jättäneet jotain päähäni, sillä enää en joutunut palailemaan aikaisempien kurssikertojen materiaaleihin tai postauksiin! Ehkä kehitystä on havaittavissa?

Jälleen valintatyökalut ja statistic-paneeli oli ahkerassa käytössä, kun niiden avulla etsin ratkaisuja uima-altaallisten asuntojen määrästä ja niiden asukkaista pääkaupunkiseudulla. Näin löytyi vastaukset pitkälti myös asuntotyyppejä, sekä saunoja koskeviin kysymyksiin. Kuvasta 1 voidaankin tarkastella pääkaupunkiseudun uima-altaallisia rakennuksia OpenStreetMap-pohjakarttana.  Suurimmaksi haasteeksi tehtävässä osoittautui kuitenkin siis kartan tekeminen uima-allas rikkaimmista kaupunginosista, johon aikaisemmin mainitsemani ongelmakin liittyi.  Halusin alkuun rajata Clip-työkalulla pk-seudun ulkopuolelle jäävät kohteet, mutta työkalu ei suostunut suorittamaan prosessia loppuun vaan herjasi ”invalid geometry” eli osaan polygoneista liittyi jotain ongelmaa. Olin jo siis ehtinyt kuulla, että tällaista ongelmaa olisi edessä. Tähän liittyen Annikan blogista löysinkin ohjeet, joilla sain ongelman ohitettua lopulta  Fix geometries -toiminnolla. Myös Ilari kertoi blogissaan hieman erilaisen ratkaisun ongelmaan. Lopulta homma jatkoi rullaamistaan, vaikka omat tappeluni jouduin käymään lukuarvojen ja pylväiden kanssa. Nappeja painelemalla ja säätelemällä sain ne kuitenkin lopulta näkymään järkevästi (kuva 2).

Kuva 1. Uima-altaalliset rakennukset pääkaupunkiseudulla.

 

Kuva 2. Uima-altaallisten rakennukset esitettynä pääkaupunkiseudulla pylväänä ja lukumääränä kaupunginosittain.

Uima-altaat Vastaukset
Uima-altaallisia rakennuksia 855
Uima-altaallisten rakennuksien asukkaita 12 170
Saunallisia taloja ja niiden osuus kaikista taloista 21 922 eli noin 24 %
   
Uima-altaallisia omakotitaloja 345
Uima-altaallisia paritaloja 158
Uima-altaallisia rivitaloja 113
Uima-altaallisia kerrostaloja

 

181

 

Vähän väliarviointia

QGISsin kanssa seikkailua ja myös jossakin määrin sekoilua on nyt viisi viikkoa takana. Palatessani ensimmäisen viikon hieman kauhunomaisiin ajatuksiin QGISin käytösä voin ajatella oppineeni paljon paikkatiedon hyödyntämisestä, vaikka tietysti paljon opittavaa on vielä edessä. Tehtäviä tehdessä huomasin suurimman vaikeuden syntyvän omasta epävarmuudesta tehdä valintoja ja varsinkin alkuun kyseenalaistin vahvasti saamani vastaukset. Luottamusta alkoi kuitenkin vähitellen rakentua, kun huomasi päätyneensä samanlaisiin vastauksiin muiden kanssa. Etenkin viimeiseen tehtävään mentäessä huomasin valintojeni olevan jo huomattavasti varmempia ja näin tehtävien tekeminenkin onnistui nopeammin. Tietenkin työkalujen ja erilaisten toimintojen valitsemiseen liittyi myös niiden logiikan vahvempi ymmärtäminen, joka rohkaisi soveltamaan enemmän.

Mitä siis koen nyt osaavani? Kuten jo aiemminkin olen maininnut alkavat erilaiset QGISin peruselementit olemaan yhä paremmin hallinnassa. Uuden aineiston tuominen, erilaiset tietokantatyypit, valintatyökalut, diagrammien lisääminen sekä nyt uusimpana myös clip- ja buffer-toiminnot tuntuvat tällä hetkellä hyvin selkeiltä ja helpoilta. Ne ovat siis aika vahvasti iskostuneet mieleeni, enkä muutenkaan niiden käyttöä ole kokenut mitenkään haastavaksi. Ehkä suurimmat ahaa-elämykset koinkin tällä kerralla ”select features by expression” valintatyökalun ja ”count points in polygon”-toimintojen parissa, joten varsinkin ne ovat nyt hallinnassa. Lisäksi karttojen visualisoinnin kanssa olen mielestäni parantunut, vaikka välillä jälkikäteen keksiikin parempia ratkaisuja. Toisaalta ehkä tämäkin kertoo jotakin osaamisen kehittymisestä?

Vastaavasti suurimmaksi haasteeksi tähän mennessä olen kokenut erilaiset tietokantaliitokset ja ylipäätänsä tietojen yhdistelemisen toisiinsa. Esimerkiksi Join attributes by locationin käyttäminen ja sen logiikan ymmärrys oli alkuun haastavaa, vaikkakin vähitellen ymmärrän sitä paremmin. Toisena haasteena olen kokenut vähän myös Field calculatorin käytön. Tähän mennessä laskutoimitukset ovat onnistuneet kohtalaisen hyvin, mutta en ehkä koe ymmärtäväni vielä kaikkia sen mahdollisuuksia tarpeeksi. Ehkä tulevaisuus siis tulee näyttämään, mitä kaikkea sillä onkaan mahdollista tehdä.

 

Lähteet:

Innanen, A (luettu 24.2.2021) Harjoitus 5: SOS, help, apua! (Ja uima-allas- ja saunakarttoja PK-seudulta) https://blogs.helsinki.fi/anninnan/2021/02/18/harjoitus-5-sos-help-apua-ja-uima-allas-ja-saunakarttoja-pk-seudulta/

Leino, I. (luettu 24.2.2021) Viides kurssikerta. https://blogs.helsinki.fi/ilarilei/2021/02/19/viides-kurssikerta/

Korpi, S. (luettu 24.2.201) Osaamistason arviointia (vk 5) https://blogs.helsinki.fi/sakorpi/2021/02/16/osaamistason-arviointia-vk-5/

Virtanen, A. (1.2.2021) Innokkaat hiihtäjät huolettavat merikotkaparin pesän lähellä – Nadi ja     Amalia saattavat jopa luopua pesinnästä, jos kokevat kotisaarensa muuttuneen rauhattomaksi.   Helsingin uutiset. https://www.helsinginuutiset.fi/paikalliset/3663807

Harjoitus 4: Ruutuja ja rasterikarttoja

Neljännellä kurssikerralla päästiin vektoriaineistojen sekä koropleettikarttojen maailmasta sukeltamaan vihdoin myös ruutuihin ja rasteriaineistoihin. Kurssikerran tavoitteena olikin harjoitella muun muassa ruutukarttojen tekemistä, rasteriaineistoilla operoimista ja piirtämistä rasterikartan avulla. Harjoituskerta aloitettiinkin taas lyhyellä teoriakertailulla, jonka jälkeen päästiin taas itse asiaan. Teknisiltä ongelmilta vältyttiin ja vireystaso oli korkeammalla kuin aikaisemmin, joten harjoituskerta sujui hyvissä merkeissä.

Ensimmäisessä harjoituksessa käsittelimme pääkaupunkiseudun rakennusten ja asukkaiden tiedoista muodostuvaa valtavaa pisteaineistoa, joka sisälsi lähes 95 000 kohdetta. Tarkoituksena olikin luoda aineistosta ruututeemakartta, joka lopulta kuvaisi ruotsinkielisten osuutta pääkaupunkiseudulla (kuva 1).  Kurssikerran aikana tutuiksi tulivat esimerkiksi ruudukon luominen Create grid –työkalulla, sen karsiminen Select by location -työkalulla, sekä uuden aineiston tekeminen ja lopulta vielä sen yhdistäminen osaksi ruudukkoa Join attributes by location (summary) -toiminnolla. Tämän lisäksi päästiin tietenkin taas pelailemaan kartan visualisoinnin ja luokkarajojen kanssa. Paljon siis vanhaa ja tuttua, mutta myös uutta sisäistettävää.

Kuva 1. Kurssikerralla aikaansaatu ruututeemakartta ruotsinkielisten osuudesta pääkaupunkiseudulla 1 km x 1 km ruudukossa.

Ruututeemakarttoja kotona

Tältä harjoituskerralta jäikin kotitehtäväksi luoda samanlainen ruututeemakartta valitsemallaan aiheella ja ruutukoolla. Päätinkin valita esitettäväksi ilmiöksi pääkaupunkiseudun väestön keski-iän, vaikka näin jälkikäteen jäin pohtimaan olisiko jokin toinen aihe haastanut hieman enemmän. Toki tässäkin aiheessa sai hetken pohtia miten keski-iän saisi esitettyä ja yhdistettyä parhaiten ruudukkoon, mutta lopulta päädyin laskemaan ikäkeskiarvosta keskiarvon. Ruutukokoina päätin kokeilla niin 250 m x 250 m kuin 500 m x 500 m, joista päädyin lopulta vain jälkimmäisen julkaisemaan blogissani. Pienempi ruutukoko sai karttani näyttämään liian sekamelskalta, mutta kuitenkin esimerkiksi Lotan blogissa ollut kartta esitti naisten lukumäärän mielenkiintoisesti pienempää ruutukokoa hyödyntämällä.

Lopputuloksena sain siis aikaan pääkaupunkiseudun väestön keski-ikää 500 x 500 metrin ruudukossa kuvaavan kartan (kuva 2). Tässä vaiheessa kurssia halusin myös soveltaa hieman itsenäisesti ja lähdinkin tutkailemaan aiemmin ladattuja wfs-rajapintoja. Löysinkin Helsingin kaupungin rajapinnoista tiestöä, junaradan ja kuntarajat, mutta lopulliseen karttaan päätin jättää vain päätiet ja junaradan. Jouduin kuitenkin miettimään teiden jättämistä, sillä suhteellisen pieni ruutukoko ei välttämättä ollut niiden paras kaveri. Toisaalta  vaikka tiet hieman hämäävät kartan tulkinnassa, helpottavat ne toki hieman alueiden hahmottamisessa. Tulkinnan kannalta ehkä kaikista informatiivisimman lopputuloksen olisin saanut käyttämällä isompaa ruutukokoa tai vaihtamalla vielä kartan väritystä hieman selkeämmäksi. Nyt kartasta oli hieman hankalaa löytää erilaisia ilmiöitä, vaikka toki niitäkin lopulta löytyi.

Kartasta voidaan kuitenkin havaita, että yliopistojen kampusten naapurustoissa asuu suhteellisen nuorta väestöä. Esimerkiksi Kumpula, Viikki ja Otaniemi erottuvat kartalla, vaikka toki muualtakin on löydettävissä pienemmän keski-iän keskittymiä. Vastaavasti korkeampi keski-ikä on painottunut Helsingin ulkopuolelle pois keskustan hälinästä. Keskustassa asuu siis suhteellisen nuorta väkeä, joka voi selittyä esimerkiksi hyvillä palveluilla ja laajalla asuntotarjonnalla. Myös Annika oli blogissaan pohtinut samoja aiheita, ja hänen karttansa on väritykseltään hieman selkeämpi kuin omani.

Kuva 2. Pääkaupunkiseudun väestön keski-ikä vuosina 500 x 500 metrin ruudukossa esitettynä

Ruututeemakartta eroaa siis aiemmin käytetystä koropleettikartasta. Ruutukartan avulla voidaan tutkia tarkemmin alueellisia ilmiöitä, sillä ne eivät rajaudu esimerkiksi hallinnollisesti tai temaattisesti. Mielestäni ruututeemakartalla onkin hyväksyttävää esittää absoluuttisia arvoja, koska absoluuttisesti esitetyn ruudukon koko ei väärennä tuloksia. Toisaalta suhteellisten arvojen esittäminen on myös mahdollista ruututeemakartoilla. Esimerkiksi Noora oli omassa blogissaan tehnyt ruotsinkielisten määrää alueittain kuvaavan kartan, jossa oli käyttänyt suhteellisia arvoja ja näin saanut kuvaavamman tuloksen. Ruututeemakarttoja tehdessä tulisikin siis pohtia millaisia vaikutuksia absoluuttisilla tai suhteellisilla arvoilla on kartan lopputulokselle.

Tämä kotitehtävä onnistui siis suhteellisen nopeasti ja ilman suurempia ongelmia. Toki näin tulkintaa tehdessä huomasi tehneensä muutamia virheitä visualisoinnin kanssa, ja toivottavasti osaankin ottaa ne seuraavalla kerralla huomioon karttoja tehdessä. Harjoituksia tehdessäni tajuaa koko ajan enemmän, että QGISin käyttäminen vaatii paljon ymmärrystä ja pähkäilyä. Ainoastaan ohjeiden seuraaminen ei auta kehittymään vaan tulisi rohkeasti käyttää omia aivojaan ja kokeilla enemmän erilaisia toimintoja. Tehdä virheitä ja oppia niistä.

Korkeusmalleja ja karttaelementtejä Pornaisiin

Tehtävät eivät kuitenkaan jääneet tähän vaan kurssikerralla päästiin myös tutustumaan ensimmäistä kertaa rasteriaineistoihin, joiden tiedostokoot saattavat olla välillä haastavan suuria. Tällä kertaa selvittiin kuitenkin ilman jumittumisia ja QGISin kaatumista! Tarkastelun kohteena oli siis Pornaisten alueen karttalehti, sekä neljästä palasta koostuva korkeusmalli. Rasterit haluttiinkin heti alkuun yhdistää yhdeksi palaksi käyttämällä Merge tai Build virtual Raster -toimintoa, joista hyödynsin jälkimmäistä. Muutamien välivaiheiden kautta olimmekin saaneet taiottua korkeuskäyrät ja vinovalovarjostuksen peruskarttalehden taustalle.

Kotona latasinkin Paitulista alueen peruskarttalehden L4322L, joka kuvaa samaa Pornaisten aluetta. Lähdinkin vertailemaan korkeuskäyriä Sysitönkänmäen alueella kurssikerralla luodun kartan ja peruskarttalehden välillä.  Käyrissä on yhteneväisyyksiä, mutta myös suuria erojakin löytyy. Peruskarttalehden käyriä on selvästikin pyöristely ja yksinkertaistettu. Näin kartasta on luotu selkeämmin luettava. Vastaavasti QGISin laskemat käyrät ovat hyvin rosoisia ja kartalla on esitetty myös pienempiä kohteita.

Kuva 3. Korkeuskäyrät 5 metrin välein QGIS-ohjelmistolla

Kuva 4. Paitulista ladattu Pornaisten alueen peruskarttalehti L4322L vuodelta 2020 (lähde: maanmittauslaitos)

Aivan viimeisenä tehtävänä kurssikerralla päästiin vielä digitoimaan Pornaisten karttapohjalle rajatulle alueelle talot ja tiet, joista saatiinkin aikaiseksi kaksi uutta tietokantaa. Digitointi olikin jo tuttua puuhaa aiemmilta kursseilta, mutta erilaisen ohjelmiston käyttäminen toi siihen uudenlaisen lisän. Innolla jäänkin odottamaan, että miten pääsemme hyödyntämään kyseistä aineistoa seuraavalla kurssikerralla!

Lähteet:

Innanen, A. (luettu 15.2.2021) Harjoitus 4: Väestöteemakartta ruutuaineistosta https://blogs.helsinki.fi/anninnan/2021/02/11/harjoitus-4-vaestoteemakartta-ruutuaineistosta/

Peräniemi, N. (luettu (17.2.2021) Rasteriaineistoja ja ruututeemakarttoja. https://blogs.helsinki.fi/noorablog/2021/02/12/rasteriaineistoja-ja-ruututeemakarttoja/

Puodinketo, L. (luettu 15.2.2021) 4. kurssikerta: Ruutuja ja rastereita https://blogs.helsinki.fi/lottapuo/2021/02/10/4-kurssikerta/

Harjoitus 3: Afrikan timantteja ja tulvaindeksejä

Taas kerran perjantaiaamu alkoi varhain Zoomin merkeissä. Hieman muista aamuista poiketen teoriakertailut jätettiin välistä ja heti alusta hypättiinkin päivän harjoituksiin QGISillä. Aamu olikin hyvin tiivis ja täynnä asiaa, mutta kuin ihmeen kaupalla onnistuin pysymään mukana pienestä väsymyksestä huolimatta. Harjoituskerralla käsiteltiin siis Afrikan valtiot kattavaa tietokantaa, ja tarkoituksena oli opetella paremmin tietokantojen perushallintaa eli esimerkiksi niiden valmistelemista käyttöön ja uuden tiedon liittämistä tietokantaliitosten avulla. Ennen kurssikerroilla on siis käytetty valmiita tietokantoja, joten nyt päästiin aivan uuden asian äärille.

Afrikka harjoitus

Ennen kuin päästiin lisäilemään tietokantaan uutta tietoa, oli tarkoituksena tehdä alkuperäisestä aineistosta hieman yksinkertaisempi. Esimerkiksi kyseisessä aineistossa valtiot olivat jakautuneet useammalle eri riville hyvin epäkäytännöllisesti. Tämän takia jokainen valtio haluttiin yhdistää omaksi rivikseen tietokannassa. Yhdistämistä varten opeteltiinkin muutama erilainen tapa: yhdistäminen karttakohteita muokkaamalla ja saraketietojen pohjalta. Yhdistämistä karttakohteiden avulla pystyy käyttämään vain silloin kun kyseessä on yhteinen nimittäjä. Vastaavasti saraketietojen pohjalta voidaan yhdistää useampi kohde kerrallaan. Kummallekin löytyy siis omat käyttötarpeensa.

Kun Afrikan valtiot oli saatu yhdistettyä, päästiin kokeilemaan uuden aineiston tuomista. CSV-tiedoston liittämisen kanssa olinkin kohdannut ensimmäisen kurssikerran harjoituksessa ongelmia, ja nyt viimein ymmärsin mistä oli ollut kyse. Kun aineisto on muokattu Excelissä oikeanlaiseksi, tulee QGIS ohjelmassa valita oikea erotin. Tässä olin viimeksi mennyt vikaan. Nyt jälkikäteen ajatellen siis hyvin looginen asia, jota ei ensimmäisellä käyttökerralla huomannut ajatella. Tämän jälkeen tehtiin vielä tietokantaliitos Join-toiminnolla. Muutamien muidenkin vaiheiden kautta saatiinkin luotua lopulta Afrikan kartta, johon oli lisätty konfliktit, öljykentät ja timantit (kuva 1). Esimerkiksi Villen blogista löytyy todella hienosti tehty kartta, jossa hän esittää valtioittain Internetin käyttömahdollisuutta ja konflikteja.

Kuva 1. Konfliktit, timanttikaivokset ja öljykentät Afrikan kartalla.

Tietokantoihin tallennettua tietoja:

  • Konfliktit tapahtumavuosi, laajuus/säde kilometreinä
  • Timanttikaivosten löytämisvuosi, kaivausten aloitusvuosi ja tuottavuusluokittelu
  • Öljykenttien löytämis- ja poraamisvuodet, sekä tuottavuusluokittelu
  • Internetkäyttäjien lukumäärä eri vuosina

Kotitehtäväksi jäikin pohtia mitä tietokantaan tallennetusta tiedosta voitaisiin päätellä ja mitä niillä voitaisiin tehdä. Tietenkin ensimmäisenä tulee mieleen, että näiden tietojen avulla voitaisiin vertailla mahdollista korrelaatiota konfliktien, sekä timanttikaivosten ja öljykenttien sijaintien kanssa. Useinhan yhtiöt saattavat olla ulkomaisessa omistuksessa ja ne saattavat kohdella alueen eri heimoja eriarvoisesti, joten laukaisevia kiistoja konflikteille syntyy helposti. Toisaalta voitaisiin pohtia: löytyykö enemmän konflikteja löytämisvuonna vaiko toiminnan aloittamisvuonna. Kaivoksien työolosuhteet saattavat olla äärimmäisen huonoja, sekä ne voivat aiheuttaa erilaisia ympäristöongelmia.

Voitaisiin myös yrittää etsiä yhteyksiä konflikteihin niin timanttikaivosten kuin öljykenttien tuottavuusluokittelujen kanssa. Aiheuttaako esimerkiksi laajempi toiminta mahdollisesti myös enemmän levottomuuksia alueella. Vastaavasti olisi mahdollista pohtia internetin ja Facebookin käyttömahdollisuuden yhteyttä levottomuuksiin. Useinhan näitä voitaisiin pitää jonkinnäköisinä mittareina taloudelliselle kehitykselle, joten vähentääkö teollistuminen mahdollisesti alueen konflikteja? Tai olisiko öljykenttien tuomilla rikkauksilla vaikutusta valtion taloudelliseen kehitykseen? Valitettavastihan rikkaudet päätyvät usein vain pienen piirin taskuun. Facebook ja netin käyttäminen toki voivat olla myös laukseisevina tekijöinä konflikteille, kuten esimerkiksi Arabikevät osoittaa. Sosiaalisella medialla oli suuri vaikutus tässä kansannousussa.

Tietokantoihin tallennettuja tietoja voi siis pohtia monista erilaisista näkökulmista. Huomasin kuitenkin, että selvien yhteyksien löytäminen oli hankalaa. Esimerkiksi Etelä-Sudanissa esiintyy pistetietona paljon konflikteja, mutta sieltä ei löydy timantteja tai öljyä. Taas Sambiasta löytyy timantteja ja suhteellisen paljon internetin käyttäjiä, mutta ei lainkaan konflikteja. Ei siis ole mitään selviä trendejä, joista voisi päätellä korrelaatiota tietokannan datan avulla. Taustalla vaikuttaa siis toki monia muitakin syitä, jota attribuuttitaulukosta ei voida nähdä. Kattavaa aineiston pyörittelyä ja toki joitakin yhteneväisyyksiä on löydettävissä. Myös esimerkiksi Saaran ja Ronjan blogeista löytyy mielestäni hyvää pohdintaa aiheesta!

Valuma-alueita ja tulvaindeksejä

Afrikka tehtävän lisäksi kurssikerralla aloiteltiin tulvaindeksikartan tekemistä, joka jäikin myös kotitehtäväksi. Lähdinkin heti tekemään itsenäisesti tehtävää, jossa päästiin hyödyntämään monipuolisesti kurssikerralla opittuja taitoja. Esimerkiksi MHQ-sarake eli keskiylivirtaama saatiin liitettyä nopeasti valuma-alue –tietokantaan Join-toiminnolla, sekä Excel-tiedostona ollut järvisyysprosentti saatiin kätevästi muutettua CSV-tiedostoksi. Näiden lisäksi tulvaindeksi saatiin laskettua näppärästi Field calculatorilla jakamalla keskiylivirtaama keskialivirtaamalla. Mikään tässä vaiheessa ei siis tuntunut kovinkaan vaikealta monesta välivaiheesta huolimatta, sillä kyseiset toiminnot olivat hyvin muistissa ja aika yksinkertaisesti toteutettavissa.

Tämän jälkeen päästiinkin tekemään vielä tuttu ja turvallinen koropleettikartta tulvaindeksistä. Uutena asiana päästiin kuitenkin harjoittelemaan diagrammien lisäämistä karttaan. Kuvassa 2 olenkin esittänyt järvisyysprosentin pylväiden avulla. Aluksi sain kuitenkin tapella oman hetkensä, sillä en millään meinannut saada diagrammia näkyviin kartalle. Erilaisia nappeja kokeilemalla kuitenkin päädyin löytämään ratkaisun diagrammien asetuksista size-välilehdeltä. Ongelma siis selätetty! Halusin myös harjoituksen vuoksi kokeilla ilmaista järvisyysprosenttia ympyrädiagrammina (kuva 3). Tätä varten laskin vielä maapinta-alan mukaan. Visuaalisesti olen karttoihin todella tyytyväinen. Aluksi mietin järvien ja jokien esittämistä kartalla, sillä koropleettikartan peittäminen erilaisilla asioilla voi helposti vaikeuttaa tulkintaa. Uskalsin ne kuitenkin karttaan laittaa, sillä ne voivat olla apuna myös tässä tapauksessa kartan tulkinnassa.

 

Kuva 2. QGIS-ohjelmistolla tehty kartta tulvaindeksistä ja järvisyydestä.

Kuva 3. QGIS-ohjelmistolla tehty kartta tulvaindeksistä ja järvisyydestä/maapinta-alasta ympyrädiagrammina.

Lopuksi omia karttoja tuli pohtia lyhyesti maallikon silmin. Mitä kartat siis esittävät ja mitä niistä voitaisiin tutkia? Yksinkertaisesti sanottuna kartat siis sisältävät tietoa niin tulvaindeksistä kuin järvisyysprosentista Suomen valuma-alueilla. Tulvaindeksi kertoo alueen tulvaherkkyydestä, ja se saatiinkin siis laskettua keskiylivirtaama jaettuna keskialivirtaamalla. Vastaavasti järvisyysprosentti nimensä mukaisesti kertoo valuma-alueilla sijaitsevien järvien pinta-alojen suhteen valuma-alueen pinta-alaan. Valuma-alueita tutkittaessa voidaan siis todeta, että mitä tummempi tulvaindeksi on, sitä enemmän siellä siis myös tulvii. Eniten tulvia esiintyy siis rannikkoalueilla. Etenkin Pohjanmaan joet korostuvat kartalla. Suurin tulvaindeksi löytyi attribuuttitietoja tarkastellessa kuitenkin Aurajoesta, joka poikkesi suuresti muista. Yhteisenä tekijänä suurelle tulvaindeksille voitaisiin pitää esimerkiksi vähäistä järvien määrää ja tasaisia pinnanmuotoja. Näiden lisäksi toki rakennettuympäristö ja jokien leveydet vaikuttavat alueiden tulviin. En kuitenkaan vielä viitsinyt asiaan sen enempää perehtyä, sillä ilmeisesti tätä itsetekemää karttaa päästään tutkimaan tarkemmin myöhemmin jollakin toisella kurssilla.

 

Lähteet:

Heikkinen, S. (luettu 10.2.2021) Kolmas kurssikerta. Saaran GIS-blogi. https://blogs.helsinki.fi/heikkins/2021/02/09/kolmas-kurssikerta/

Siurua, R. (luettu 10.2.2021) Kurssikerta 3: Uutta ja yhdisteltyä tietoa. Ronjan blogi. https://blogs.helsinki.fi/ronjasiu/2021/02/09/kurssikerta-3-uutta-ja-yhdisteltya-tietoa/

Väisänen, V. (luettu 10.2.2021) Suomen valuma-alueita ja Afrikan konflikteja. Villen GIS-blogi. https://blogs.helsinki.fi/villvais/2021/02/02/valuma-alueiden-tulvaindeksikartta/

 

Harjoitus 2: Projektioita ja rajapintoja

Toiselle harjoituskerralle heräsin hyvillä mielin. Ensimmäisen viikon harjoituksista olin selvinnyt yllättävän onnistuneesti, vaikka haastavamman kotitehtävän kesken jääminen jäikin hieman mieleeni kaihertelemaan. Myös tänä perjantaina käytössämme oli Suomen kuntia käsittelevä tietokanta, joka tosin tällä kertaa oli vuodelta 2020. Tietokanta toimikin hyvänä pohjana, kun pääsimme harjoittelemaan erilaisten valinta- ja mittatyökalujen käyttämistä. Etenkin valintatyökalut osoittautuivat huomattavan monikäyttöisiksi ja esimerkiksi ”select features by expression” -työkalulla saatiin todella näppärästi rajattua ja tallennettua Pohjois-Karjalaan kuuluvat kunnat omaksi karttatasokseen. Kohteiden ominaisuuksien lisäksi erilaisia alueita pystyi valitsemaan myös manuaalisesti hiirellä klikkailemalla. Pitääkin pistää mieleen kyseinen työkalu myös tulevaisuutta varten!

Ehkä keskeisimpänä uutena asiana tällä kurssikerralla oli kuitenkin erilaisten karttaprojektioiden aiheuttamat vääristymät, jotka ovatkin ainakin teorian tasolla tulleet tutuiksi jo lukiossa. Projektiot perustuvat siihen, että geoidin muotoinen maapallo on oikeastaan mahdoton esittää tasolla ilman jonkinasteisia vääristymiä, eikä myöskään paikkatieto-ohjelmat tätä pysty täydellisesti ratkaisemaan. Eri projektioiden aiheuttamista vääristymistä tehtiinkin havaintoja mittatyökalulla, jolla pystyy mittaamaan niin etäisyyksiä kuin pinta-aloja. Itsessään mittatyökalun toimintaperiaate oli hyvin yksinkertainen ja mittausten tekeminen oli helppoa. Ainoa ongelma tuntui olevan mittatyökalun mystinen katoaminen aina projektiota vaihtaessa. Tämän takia kurssikerralla en saanut luotua taulukkoa projektioiden vääristymistä. Palasinkin taulukon tekemiseen kurssikerran jälkeen ja ilmeisesti mittausta tehdessä ei saanut mittatyökalun ikkunaa sulkea, jos halusi saman mittaustuloksen pysyvän…

Kuva 1. Mittaamani pinta-ala QGISin mittatyökalulla TM3FIN-projektiossa.

Harjoituksesta koostamastani Excel-taulukosta (taulukko 1) voidaan siis nähdä miten mittaustulokset vaihtelevat erilaisia projektioita käytettäessä. Tehtävään halusin valita projektioita, jotka ovat edes etäisesti minulle tuttuja ja tietäisin esimerkiksi niiden ominaisuuksista hieman jo etukäteen. Lähdinkin vertailemaan tuloksia ETRS-TM35FIN projektioon, joka kuvaa Suomen aluetta hyvin ja se onkin noussut yhdeksi käytetyimmäksi järjestelmäksi Suomessa. Lisäksi valitsin mittauksiin vaihtoedon ”cartesian”, joka tarkoittaa nimensä mukaisesti tasolle levitettyä. Vastaavasti toinen vaihtoehdoista ”ellipsoidal” olisi näyttänyt etäisyydet ja pinta-alat mitattuna maapallon pintaa pitkin. Esimerkiksi Sirkku oli blogissaan tehnyt taulukon, jossa oli laittanut ylös mittaustulokset hyödyntäen kumpaakin vaihtoehtoa. Hän kertoikin blogissaan, että juuri kartesiaaninen vaihtoehto aiheutti merkittävimmät vääristymät. Kuulostaa siis hyvin loogiselta!

Excel taulukkoa ja siitä tekemääni diagrammia (taulukko 2) tutkittaessa voidaan huomata Mercatorin projektion aiheuttavan suurimmat vääristymät. Kyseinen oikeakulmainen projektio tunnetaankin räikeistä pinta-alaa vääristävistä ominaisuuksista ja vääristymät kasvavat mitä kauemmaksi päiväntasaajalta mennään. Myös muut vertailun kohteena olleet projektiot Robinson, Winkel Tripel ja Aitoff aiheuttivat vääristymiä, mutta ne pysyivät selvästikin pienempinä kuin Mercatorin aiheuttamat. Ehkä näin jälkikäteen ajateltuna olisi voinut valita useamman kompromissiprojektion sijasta värikkäämmin juuri pinta-aloja vääristäviä projektioita, sillä nyt vertailutulokset jäivät ehkä hieman laihoiksi. Toisaalta myös nämä mittaustulokset osoittavat, että projektioilla on suuri vaikutus karttojen luotettavuuteen, sekä osoittaa kuinka paljon projektiot voivat toisistaan poiketa. Vääränlaisen projektion käyttäminen saattaakin aiheuttaa vahvoja mielikuvia esimerkiksi valtioiden kokosuhteista ja vääristää täten maailmankuvaa.

Taulukko 1. Etäisyyksien ja pinta-alojen vertailua erilaisissa projektioissa.

pituus pinta-ala pituus vrt. TM35FIN (%) pinta-ala vrt. TM35FIN (%)
ETRS-TM35FIN 156.5 4332.8
Robinson 196.0 6025.7 1.25 1.39
Mercator 430.7 32864.6 2.75 7.59
Winkel Tripel 184.9 6566.2 1.18 1.52
Aitoff 148.1 5580.2 0.95 1.29

Taulukko 2. Pylväsdiagrammi projektioiden pituuksista ja pinta-aloista

Koropleettikarttoja projektioista

Mittaustyökalun kanssa kohdatuista ongelmista huolimatta loput tehtävistä sujuivat ilman suurempia vaikeuksia, vaikka lopun rajapinta osuudessa hieman putosinkin kärryiltä. Onneksi kävin katsomassa kurssikerran videoinnin jälkikäteen ja vähitellen aihe alkoi tuntumaan huomattavasti loogisemmalta. Ennen rajapintoihin tutustumista päästiin kuitenkin tekemään koropleettikarttoja, joissa vertailtiin projektioiden pinta-ala vääristymiä. Lähdin vertailemaan eri projektioita kurssikerran esimerkin mukaisesti ETRS-TM35FIN:iin, vaikkakin jälkikäteen ohjeita lukiessa huomasin Euroopan komission suosittelevan Lambertin oikeapintaisen projektion käyttämistä karttaesityksissä, joissa esitetään pinta-alaan liittyvää tietoa tai tehdään siihen liittyviä analyysejä. En kuitenkaan lähtenyt enää tekemään uusia karttaesityksiä LAEA-projektiolla, sillä sen ja TM35-projektion erot jäävät loppupeleissä todella pieniksi.

Ensimmäinen ja jo kurssikerralla valmiiksi tehty kartta (kuva 2) esittää Robinsonin projektion kokosuhteen verrattuna TM35FIN-projektion pinta-alaan. Kuitenkin kuten jo aiemmin tekemässäni taulukossa ilmeni, jäävät eroavaisuudet loppupeleissä aika pieniksi. Kyseessähän on kompromissiprojektio, jossa vääristymät pyritään minimoimaan. Tekemäni kartta kuitenkin osoittaa, että suurimmat vääristymät syntyvät mitä pohjoisemmaksi mennään. Myös muita projektioita tarkastellessa huomasin vääristymien syntävän usein juurikin etelä-pohjois-suunnassa. Olikin paljon vaikeampaa löytää tutuista projektioista sellaisia, jotka olisivat vääristäneet jollakin toisella tapaa.

Kuva 2. Robinsonin projektion kokosuhde verrattuna TM35FIN projektion pinta-alaan Suomen kuntakartalla 2020 esitettynä.

Loput kartoista jäikin kotitehtäväksi. Muutamia ongelmia kohtasin alkuun, sillä tallentamisesta huolimatta kaikki tiedot eivät olleet enää näkyvissä ensimmäisessä kartassa, kun avasin QGISiä uudestaan. Olin ilmeisesti unohtanut tallentaa tarvittavat karttatasot erikseen. Tästä ja QGISin kertaallisesta kaatumisesta huolimatta sain muutaman uuden vertailevan kartan tehtyä. Muutaman ylimääräisen toiston jälkeen koenkin, että pystyisin tekemään kyseisiä karttoja vaikka silmät sidottuna. Päätin kuitenkin lopulta julkaista vain seuraavat kaksi karttaa, sillä niissä syntyi hieman enemmän eroja esimerkiksi muutamiin testaamiini kompromissiprojektioihin verrattuna.

Toisen karttaan valitsin siis projektioksi jo aikaisemmassa taulukossa mainitsemani Mercatorin, jonka aiheuttamat vääristymät ovat hyvin huomattavia Suomessa (kuva 3). Suurimmat vääristymät syntyvät Robinsonin tavoin pohjoisimmissa osissa. Kyseistä projektiota voidaankin pitää täysin hyödyttömänä Suomen aluetta kuvatessa, sillä se vääristää nelinkertaisesti Etelä-Suomessa ja jopa kahdeksankertaisesti pinta-aloja pohjoisessa verrattuna TM35FIN-projektioon. Robinsonin projektion vääristymät eivät taas yllä mitenkään niin suuriksi. Ehkä kannattaakin jättää Mercatorin käyttäminen lähinnä merillä navigointiin.

Mercatorin lisäksi valitsin viimeiseen karttaan ainakin minulle hieman tuntemattomamman Cassinin projektion (kuva 4). Se onkin hyvä esimerkki siitä, ettei vääristymät aina synny pohjois-etelä suunnassa vaan nyt vääristymät kasvavat etenkin kaakkoon mentäessä. Tavallaan myös tähän liittyen esimerkiksi Sariannan blogista löytyy mielenkiintoinen kartta, jossa Craster Parabolic -projektio on aiheuttanut ihmeellisiä vääristymiä Suomen alueella. En ollutkaan kuullut kyseisestä projektiosta aikaisemmin.

Kuva 3. Mercatorin projektion kokosuhde verrattuna TM35FIN projektion pinta-alaan Suomen kuntakartalla 2020 esitettynä.

 

Kuva 4. Cassinin projektion kokosuhde verrattuna TM35FIN projektion pinta-alaan Suomen kuntakartalla 2020 esitettynä.

Lopun mietteitä

Näin loppuun tekemiäni karttoja tulkitessa voin sanoa olevani ihan tyytyväinen niihin. Vähitellen alkaa siis huomaamaan, kuinka QGIS-ohjelmiston perusominaisuudet alkavat olla yhä paremmin hallinnassa ja karttojen visualisoiminen tuntuu jo varsin helpolta, kun ei tarvitse palata enää ohjeisiin. Parannettavaa toki aina keksii varsinkin näin jälkikäteen, sillä olisin esimerkiksi karttojen värityksessä voinut olla hieman tarkempi. Karttoja tehdessäni ajatuksena oli jättää kaikkiin samanlainen väritys ja luokka-arvot, jotta niiden vertaileminen olisi hieman helpompaa. Aloin kuitenkin jälkikäteen miettiä antavatko kartat nyt hieman vääränlaisen kuvan, etenkin jos niiden lukuarvoja ei tarkastele tarkemmin. Etenkin Robinsonin ja Mercatorin projektioita vertailevat kartat näyttävät nyt varsin samanlaisilta. No muistaapa seuraavilla kerroilla miettiä myös tätä näkökulmaa.

Harjoituksien tekeminen oli tälläkin kertaa mukavaa, ja ne kertovat hyvin konkreettisesti projektioiden aiheuttamista vääristymistä. Projektiot aiheena varsinkin lukiossa tuntui minulle hieman haastavalta, joten tällaiset kartat toimisivat varmasti myös opetuksen tukena loistavasti. Tästä eteenpäin varmasti osaakin kiinnittää yhä tarkemmin huomiota projektion valitsemiseen. Karttojen informaatiolla on helppo manipuloida lukijaa, varsinkin jos tekijä ei tunne valtaansa! Ihan viimeisenä latailin osan listalla olleista rajapinnoista valmiiksi QGISiin ja kokeilin hieman niiden toimivuutta. Jäänkin odottelemaan kuinka niitä pääsisi hyödyntämään tulevissa harjoituksissa.

Lähteet:

Pieniniemi, S. (luettu 4.2.2021) Viikko 2. Sirkun kurssiblogi. https://blogs.helsinki.fi/sipisi/2021/02/02/22/

Walden, S. (luetty 31.3.2021) Toinen kurssikerta: yksinkertaisia laskutoimituksia ja projektiovertailua. https://blogs.helsinki.fi/waldensa/2021/02/03/toinen-kurssikerta-yksinkertaisia-laskutoimituksia-ja-projektiovertailua/

Harjoitus 1: Tutustumista QGIS-ohjelmaan

Nyt tätä blogipostausta kirjoitellessani onkin ensimmäinen Geoinformatiikan menetelmät 1-kurssikerta takanapäin. Aikaisemmissa perioideissa on jo saatu pientä pintaraapaisua geoinformatiikasta, mutta nyt tämän kurssin tavoitteena olisi päästä syventämään osaamista teorian lisäksi myös paikkatiedon käyttämisen, visualisoinnin ja tuottamisen osalta. Kurssi vaikuttaakin mukavan käytännönläheiseltä jo näin alkuun ja jään mielenkiinnolla odottelemaan tulevia harjoituksia. Ennen ensimmäistä kurssikertaa pyydettiinkin lataamaan täysin ilmainen, avoimeen lähdekoodiin perustuva paikkatieto-ohjelmisto QGIS, jota pääsisimme hyödyntämään tulevissa tehtävissä. Ainakin minulle kyseinen ohjelmisto on aivan uusi tuttavuus ja pienen pähkäilyn jälkeen sain oikean ohjelmaversion onnistuneesti ladattua. Olin siis valmis ensimmäistä harjoituskertaa varten!

Ensimmäinen kurssikerta aloiteltiin kuitenkin pienellä teoriaosuudella, joka oli mukavaa pientä kertailua jo pääosin tutuista aiheista. Uutena informaationa ainakin minulle tuli lähinnä erilaiset tietokantatyypit, joiden tunteminen tulikin tarpeeseen heti harjoituksien aineistoja availlessa. Teoriakertailun jälkeen pääsimme siis itse asiaan ja tutustumaan QGISin käyttämiseen. Ensimmäiset ajatukset olivat hieman kauhunsekaiset, sillä ohjelmisto tuntui olevan täynnä kymmeniä erilaisia kuvakkeita ja valikoita. Vähitellen käyttö alkoi kuitenkin tuntumaan selkeämmältä ja monet toiminnot olivat hyvin yksinkertaisia. Esimerkiksi legendan, pohjoisnuolen ja mittakaavan lisääminen karttaan tuntui todella paljon helpommalta kuin esimerkiksi CorelDraw-ohjelman vaatimat taiteilut.

Harjoituskerralla työstettiin siis koropleettikartta Itämeren alueen valtioiden typpipäästöistä (kuva 1). Kartan tekemiseen tarvittavat vaiheet käytiin hyvin yksityiskohtaisesti vaihe vaiheelta läpi ja selvisinkin ensimmäisestä harjoituksesta ilman teknisiä ongelmia. Onneksi olin myös jo aikaisemmin ostanut lisänäytön, sillä en ole aivan varma olisinko ilman sitä näin etäopiskellessa pärjännyt. Näin jälkikäteen olen kuitenkin tyytyväinen niin visuaalisesti kuin sisällöltäänkin ensimmäiseen tekemääni karttaan, vaikka toki aina jälkikäteen keksiikin jotain parannettavia asioita. Esimerkiksi jos nyt lähtisin tekemään aiheesta uutta karttaa, valitsisin todennäköisesti ainakin enemmän luokkia kuin vain kolme ja keskittyisin hieman enemmän kartan yksityiskohtiin visuaalisessa mielessä.

Kuva 1. Ensimmäisellä kurssikerralla tehty koropleettikartta Itämeren alueen valtioiden typpipäästöistä.

Ensimmäinen itsenäinen koetus

Kurssikerralta jäikin kotitehtäväksi Suomen kuntien tietokantaa vuodelta 2015 hyödyntämällä tuottaa haluamaansa teemaa käsittelevä koropleettikartta. Tehtävää varten annettiin lisäksi kolme erilaista vaikeustasoa ja pienen pohdinnan jälkeen päätin aloittaa helpoimmasta, sekä kokeilla mahdollisesti myös vaikeampia, jos ensimmäinen tuntuisi liian yksinkertaiselta. Karttaa tehdessä jouduinkin palailemaan hieman harjoitusohjeiden ja videon pariin, sillä muutaman vapaapäivän jälkeen osa toiminnoista oli päässyt hieman unohtumaan. Toisaalta pieni kertaaminen tuskin on koskaan pahitteeksi. Etenkin suhteellisten arvojen muodostamisen kanssa jouduin hetkisensä tappelemaan, sillä Field calculatorin toiminta oli vielä jäänyt hieman avoimeksi. Karttaan olen siis valinnut tarkasteluun kesämökkien määrät kunnittain ja lopputulokseen olenkin hyvin tyytyväinen (kuva 2). Loin myös kartan kesämökkien absoluuttisista määristä kunnittain, mutta tulin nyt jälkikäteen poistamaan kartan. Koropleettikartta on pääasiassa alueluokituskartta, joten siinä absoluuttisten arvojen esittäminen ei siis ole kovinkaan suositeltavaa. Toisaalta absoluuttisia arvoja käsittelevä kartta ei poikennut juurikaan suhteellisia osuuksia kuvastavasta kartasta ja voi olla omalla tavallaan mielenkiintoinen mökkien lukumääriä pohdittaessa.

Karttojen visualisoinnin kanssa jouduin hetken miettimään parhaimpia ratkaisuja. Huomasinkin, että rohkeasti kokeilemalla niin erilaisia värityksiä kuin luokkajakoja sai aikaan hyvin erilaisen näköisiä karttoja. Lopulta päädyinkin valitsemaan väriskaalaksi väliväri oranssin ja luokiksi jätin oletuksenakin olleen viisi. Kokeilin siis myös muita luokkavälejä ja luokittelutapoja, mutta lopulta päädyin oletuksena olleisiin vaihtoehtoihin päästäkseni mieleiseen informatiiviseen ja selkeään lopputulokseen. Esimerkiksi vain kolme luokkaa olisi mielestäni yleistänyt liikaa tietoja. Ensimmäiset itsenäiset kartat siis onnistuivat lopulta suhteellisen kivuttomasti ja olen tyytyväinen saavutettuun lopputulokseen. Jäin myös kartan tulkintaa tehdessä pohtimaan, olisiko esimerkiksi maakuntien rajojen esittäminen kartalla helpottanut alueellisen vertailun pohtimista. Ehkä tulevaisuudessa pääsemmekin harjoittelemaan, miten se käytännössä päästäisiin toteuttamaan.

Kuva 2. Kotitehtävänä tehty koropleettikartta kesämökkien suhteellisista osuuksista vuonna 2015.

Vaikeustasoa ylemmäksi

Päätin vielä lähteä kokeilemaan korkeampaa vaikeustasoa. Siinä tehtävänä oli etsiä netistä lisää muuttujia ja liittää ne CSV-tiedostona Join-toiminnolla kuntapohjaan. Latasinkin Sotkanetistä aineiston ahtaasti asuvat asuntokunnat prosentteina. Yritin muokata kyseistä aineistoa hieman Excelissä, jotta valmiin aineiston attribuuttitaulukon ja Excelin sarakkeiden otsikot vastaisivat toisiaan. Tämän jälkeen muokkasin sen vielä CSV-tiedostoksi. Liittämiseen löysin Annika blogista hyvät ohjeet, mutta jostain syystä en tehtävässä kuitenkaan onnistunut. Ilmeisesti en ollut osannut otsikoida Excelin sarakkeita oikealla tavalla, sillä QGIS ei selvästikään tunnistanut niitä (tosin tästä ei ollut kyse). Seurauksena olikin jonkinlainen sekamelska, ja useista yrityksistä huolimatta tulos ei näyttänyt oikealta. Loppujen lopuksi aika ei enää riittänyt, joten en netin syövereihin sen enempää ehtinyt kaivautumaan ratkaisun löytämiseksi. Käsittääkseni aiheeseen kuitenkin vielä päästäisiin palaamaan tulevilla kerroilla.

Aiheeseen siis palattiin ja halusinkin nyt jälkikäteen tulla tekemään kyseisen kartan loppuun, sillä sen tekemättä jättäminen oli hieman jäänyt kaivertelemaan mieleeni. Aikaisemmin ongelma ei siis ollut Excel taulukon sarakkeiden nimeämisessä vaan oikean erottimen valitsemisessa ja muutenkin oikeiden kohtien ruksitteleminen oli selvästikin tarpeellista. Lopputuloksena syntyi siis koropleettikartta ahtaasti asuvien asuntokuntien määristä kunnittain vuodelta 2015 (kuva 3). Mielestäni aihe on hyvin mielenkiintoinen ja ajankohtainen, sillä asumisenväljyys on ollut selvässä laskussa viimeisten vuosien aikana. Olin kuitenkin hieman yllättynyt kartan lopputuloksesta, sillä olin kuvitellut esimerkiksi Uudenmaan erottuvan kartalta vahvemmin ahtaasti asuvien osalta, nyt esimerkiksi Pohjois-Pohjanmaalta näyttäisi löytyvän runsaasti ahtaasti asuvia asuntokuntia.

Kuva 3. Kartta ahtaasti asuvista asuntokunnista (%), kaikista asuntokunnista vuodelta 2015.

Kesämökkikartan tulkintaa ja muuta pohdintaa

Koropleettikarttaa kesämökeistä tutkittaessa voidaan huomata, että eniten kesämökkejä näyttäisi sijaitsevan Pirkanmaalla, Etelä-Savossa ja Varsinais-Suomessa. Yksittäisiin kuntiin keskittyessä etenkin Kuusamo, Kuopio, Raasepori, Kouvola ja Parainen erottuvat kartalta mökkivoittoisina alueina. Yhteneväisyyksiä näiden alueiden välillä voitaisiin löytää esimerkiksi vesistöjen läheisyydestä, sekä kohtalaisista sijainneista suuremmista kaupungeista. Vastaavasti vähiten mökkejä näyttäisi löytyvän Ahvenanmaalta, Keski-Pohjanmaalta ja Kainuusta. Ahvenanmaan ja Kainuun vähäinen suosio voi esimerkiksi johtua vaikeasta sijainnista, kun taas Pohjanmaalla on vähemmän vesistöjä. Tämän takia Pohjanmaan mökkivaltaisimmat kunnat näyttäisivät löytyvän juuri rannikolta.

Myös tilastokeskuksen sivut kertovat, että Suomessa on yli puoli miljoonaa kesämökkiä ja esimerkiksi kaikkein mökkirikkaimmassa kunnassa Kuopiossa niitä on jopa 10 000. Tilastokeskuksen mukaan kesämökit sijaitsevat myös usein lähellä omistajan asuinpaikkaa. Oman asuinmaakuntansa alueelta mökin omistaa yli 60 prosenttia, ja esimerkiksi Lapissa vastaava luku on 90 prosenttia. Mökkimatkan keskimääräinen pituus on siis vain 90 kilometriä. Ainakin itse olin yllättynyt kuullessani tämän tiedon, koska en kuvitellut lukujen olevan noin suuria! Huomasin jo kartat ja blogitekstin tehtyäni, että myös Tapio oli blogissaan tehnyt samasta aiheesta postauksen. Niin Tapion tekemä koropleettikartta kuin omanikin ovat tiedoiltaan hyvin samanlaiset.  Olimme esimerkiksi päätyneet samanlaisiin ratkaisuihin luokkavälien ja luokittelutapojen suhteen.

Kurssikerran ja kotitehtävien aikana ajatukset vaihtelivat aina alun pienimuotoisesta epätoivosta, onnistumisiin. En kuitenkaan vielä voi sanoa hallitsevani kaikkia QGISin perusteita, sillä olen todennäköisesti taas unohtanut puolet asioista seuraavalle kurssikerralle. Toisto on kuitenkin oppimisen äiti ja ohjelmiston käyttäminen on alkanut alun kauhusta tuntumaan selkeämmältä.

Lähteet:

Innanen, A. (luettu 27.11.2021) Harjoitus 1: Koropleettikartan laatiminen QGISissä  https://blogs.helsinki.fi/anninnan/2021/01/22/harjoitus-1-koropleettikartan-laatiminen-qgisissa/

Turpeinen, T. (luettu 28.11.2021) Kurssikerta 1: tutustumista QGIS-sovellukseen https://blogs.helsinki.fi/tapiotur/

Tilastokeskus, Kesämökit 2019
https://www.stat.fi/til/rakke/2019/rakke_2019_2020-05-27_kat_001_fi.html