Opitut taidot testiin

Viimeisen kurssikerran aiheena oli soveltaa kurssilla opittua ja toteuttaa itsenäisesti kartta vapaavalintaisesta aiheesta. Ehtona kartalle oli se, että sen täytyi sisältää ainakin kaksi muuttujaa. En matkani takia päässyt osallistumaan tällekään kurssikerralle fyysisesti, joten suoritin etänä itsenäistä työskentelyä. Tiesin siis olevani omien taitojeni varassa, jonka takia päätin olla asettamasta rimaa liian korkealle hermojeni ja ajan säästämiseksi. Ongelmatilanteissa apunani oli nimittäin vain internetti, eikä opettaja tai kurssikaverit luokassa.

Päätin lähteä tekemään karttaa Euroopan alueelta, joka havainnoisi tiheästi asuttujen alueiden suhdetta lentokenttiin ja satamiin. Latasin aineistot Arttu Paaralahden etukäteen minulle vinkkaamalta Natural Earth sivustolta. Sivusto tarjosi suuren määrän avointa dataa maailman kulttuurisista ja fyysisistä ominaisuuksista. Dataa oli tarjolla vektori- ja rasterimuodoissa.

Kun olin saanut aineistot liitettyä karttaan aloin ensimmäiseksi miettimään järkevän järjestyksen eri tasoille. Kun mielestäni järkevin järjestys löytyi aloin muokkaamaan aineistojen visualisointien värejä ja muotoja järkeviksi. Muutin esimerkiksi satamien ja lentokenttien symbolit eri muotoisiksi, jotta niiden erottaminen olisi pelkkiä värieroja selkeämpää. Koitin valita myös tiheästi asutuille alueille mahdollisimman näkyvän värin, mutta kuitenkin sellaisen, että se ei veisi kaikkea huomiota. Aluksi tiheästi asutetut alueet näkyivät suurelta osin mustina, mutta keksin viime metreillä vaihtaa sen ääriviivat saman väriseksi kuin täytön, mikä ratkaisi ongelman.

Halusin myös korostaa Euroopan erottumista kartalla, johon käytin categorized toimintoa ja muuttujaksi valitsin continent. Halusin siis muokata valtioiden värejä maanosan perusteella. Muutin muut maanosat harmaaksi, jolloin Eurooppa näkyy kartalla selkeästi tarkasteltavana kohteena. Olen tyytyväinen karttani lopputulokseen. Tiedän, että jos olisin ollut paikan päällä koululla, olisin avun kanssa pystynyt vaikeampaankin kokonaisuuteen, mutta tämän tasoinen kartta sopi nyt tähän tilanteeseen hyvin.

Kartan päätehtävänä on havainnollistaa tiheästi asutettujen alueiden suhdetta satamiin ja lentokenttiin valtioittain. Tiheästi asutuimmat alueet huomaa jo nopealla silmäyksellä sijoittuvan Keski-Eurooppaan, sekä muiden valtioiden pääkaupunkien ympärille. Luonnollisesti satama-alueet sijoittuvat valtioiden rannikoille ja lentokenttiä löytyy runsaammin sisämaasta (kuva 1).

Jos tutkimme ensiksi vihreiden kolmioiden eli lentokenttien sijoittumista suhteessa oransseihin tiheästi asutettuihin alueisiin voimme huomata niiden olevan usein yhteydessä toisiinsa. Kartalta löytyy vain muutama syrjäisempi lentokenttä, jota ei ympäröi tiheä asutus. Vaaleanpunaisten ympyröiden eli satamien kohdalla on havaittavissa enemmän eroavaisuuksia. Osa satamista kyllä sijaitsee tiheästi asutettujen alueiden lähellä, mutta satamia sijaitsee myös paljon syrjäisemmillä seuduilla. Etenkin Fennoskandian pohjoisrannikkoa tutkaillessa syrjäisemmillä alueilla sijaitsee paljon satamia.

Pihlavisto (2024) tutki omassa kartassaan Euroopan lentokenttien ja turismin suhdetta. Mielestäni meidän kahden luomat kartat täydentävät toistensa informaatiota ja niitä voisi hyvin tutkia eräänlaisena karttasarjana. Pihlaviston kartta toisi minun karttaani turismin näkökulman ja minun kartastani voisi hyödyntää etenkin tiheästi asutettuja alueita ja miksei myös satamiakin.

Sama kartta on näyttänyt aikaisemmin varmasti hyvin erilaiselta. Ennen ihmiset olivat hyvin riippuvaisia pelkästä laivaliikenteestä ja satamien läheisyydestä. Nykyään rahtia on kuitenkin mahdollista kuljettaa myös ilmateitse, sekä jatkuvasti kasvava kulkuyhteydet mahdollistavat satamien kaukaisuuden. Jatkuvasti kehittyvä Euroopan juna- ja tieliikenne mahdollistaa tuontitavaroiden kuljettamisen nopeasti ja vaivattomasti esimerkiksi sisämaahan. Monet satamat palvelevat myös esimerkiksi kalastusaluksia.

Lähteet

Natural Earth Data. 1:10m cultural vectors. https://www.naturalearthdata.com/downloads/

Pihlavisto, A (2024). Antin gis-blogi. Seitsemäs kurssikerta. Viitattu 28.2.2024 https://blogs.helsinki.fi/anttipih/

Aineiston keruu

En ollut itse kurssikerralla paikalla, joten kokeilin itse Epicollect5 sovelluksella aineiston keruuta. Sovellus oli mielestäni helppokäyttöinen ja toimiva. Kokeilin aineiston keräämistä lomakohteeni hotellilta. Ensiksi sovellukseen piti kerätä muutama perustieto kohteesta ja sen jälkeen vastata kysymyksiin skaalalla 1-5.

Interpolointi

Päätin toteuttaa interpoloinnin Kumpulan alueen turvallisuudesta. Prosessi oli minusta melko yksinkertainen ja nopea toteuttaa ohjeiden pohjalta. Isompia haasteita ei siis tullut vastaan. Käytin interpolointini taustakarttana kurssikansiosta löytyviä aineistoja. Päätin kuvata mitattuja pisteitä punaisten sävyjen skaalalla, joista turvallisimmaksi koetut kohteet olivat vaaleita ja turvattomimmat punaisia. Interpoloinnin väriskaalaksi otin vihreän, josta tummin kuvaa turvallista ja vaalein turvattominta. Värit olivat mielestäni loogisimmat, koska niistä tulee väkisin oikea mielikuva asiasta, ilman pidempiä selitteiden tarkasteluja (kuva 1).

Kartasta on mielestäni melko selkeä hahmottaa turvallisimmat ja turvattomimmat alueet, mutta kartan luotettavuus ei ole yhtä yksiselitteinen. Jokainen kurssilainen on kerännyt muutamasta kohteesta aineistoa, jonka myötä yhdessä kartassa on noin 20 henkilön havaintoja. Jokainen voi kokea turvallisuuden ja turvattomuuden hyvin eri tavoin, jonka myötä luokitteluasteikko 1-5 on melko aivoin ja monella tavalla tulkittava. Huhtala (2024) mainitsee blogissaan, että osa oli lähestynyt turvallisuutta esimerkiksi sääolosuhteiden kannalta ja toiset muiden ihmisten aiheuttaman uhan näkökulmasta. Uskon monella turvallisuuteen vaikuttavan tekijän olleen myös liikenne.

Itsenäinen karttasarjan teko

Itsenäisenä harjoituksena oli tehdä karttasarja hasardeista. Päätin keskittyä kartoissani pelkkiin maanjäristyksiin. Karttasarjan ideana on kuvata ensiksi vain kovia maanjäristyksiä ja hiljalleen lisätä mukaan myös lievemmät järistykset. Valitsin kuvata kartoissa yli kahdeksan, kuuden ja kolmen magnitudin järistykset vuosien 1980-2013 ajalta. Lisäsin karttoihin myös valtioiden rajat, joka mahdollistaa maanjäristyksien tutkimisen valtioittain.

Karttani ovat mielestäni melko havainnollistavia maanjäristyksien kovuuden ja määrän suhteen. Karttasarjasta havainnoi helposti mitä alhaisempi järistyksen magnitudi on sitä enemmän järistyksiä myös löytyy ajalta. Etenkin myös lievimpien järistyksien kartasta on selkeästi havaittavissa mille alueille maailmassa maanjäristykset sijoittuvat (kuva 4).

Opetukseen nämä kartat sopisivat mielestäni hyvin esimerkiksi yläasteen tunneille. Kartat ovat tarpeeksi yksinkertaisia tulkita, mutta myös tarpeeksi informatiivisia. Lukio-opetukseen kartat ovat mielestäni myös oivia, mutta ne voisivat sisältää myös esimerkiksi kahden hasardin vertailua. Opetuksessa tätä karttasarjaa voisi soveltaa pelkkien maanjäristysten lisäksi esimerkiksi mannerlaattojen rajojen tai Tyynenemeren tulirenkaan käsittelyyn. Opetuksessa voisi painottaa sitä, että monet maantieteelliset ilmiöt ovat sidonnaisia toisiinsa ja niistä on mahdollista löytää monia yhtäläisyyksiä. Matikainen (2024) ja Säntti (2024) pohtivat molemmat mielestäni viisaasti blogeissaan, että mannerlaattojen rajat kartalla korostaisivat vielä paremmin ilmiöiden yhteyksiä. Etsin muiden tekemiä karttakuvia mainitsemistani mannerlaattojen rajoista ja Tyynenmeren tulirenkaasta.

Itselläni tavoitteena olisi valmistua juuri opettajaksi, joten mielenkiintoista nähdä voisinko mahdollisesti hyödyntää tätä karttasarjaa joskus opetuksessani. En kuitenkaan millään saanut kartalle mittakavaa, koska QGIS suostui antaa sen vain map units arvoilla. Koitin selvittää asiaa netin avulla, mutta monella muullakin ollut samaa ongelmaa ja eivät ole saaneet korjattua. Onneksi maailmankartassa mittakaavan puuttuminen ei ole yhtä vakavaa, kuin jonkun pienemmän yleisesti tuntemattoman alueen kuvaamisessa.

Lähteet

Huhtala, A (2024). Kuudes kurssikerta. Adan blogi. Viitattu 25.2.2024 https://blogs.helsinki.fi/adhu/

Säntti, H (2024). Heiggi’s blog. Kuudes kurssikerta. Viitattu 25.2.2024 https://blogs.helsinki.fi/hksantti/

Matikainen, V. (2024). Veeran gis-blogi :). Kuudes kurssikerta. Viitattu 25.2.2024 https://blogs.helsinki.fi/veematik/

Bufferoinnin harjoittelua

Ryhdyimme heti toimeen QGISin parissa. Viime kurssikerran lopussa käytimme hetken aikaa uuden aineiston tuottamiseen, jota hyödynsimme nyt kurssikerran alussa. Kirjasin kaikki kurssikerran vastaukset taulukkoon (kuva 1). Aloitimme harjoittelemalla laskemista karttakohteiden avulla. Tähän hyödynsimme Pornaisiin rajatun alueen teitä ja peltoja. Käytimme laskemiseen sum line lenght, intersection ja clip työkaluja. Laskimme esimerkiksi teiden yhteispituuden ja määrän, sekä kuinka pitkä matka tietä oli digitoitu pellon päälle. 12,98 kilometristä 1,34 kilometriä oli digitoitu kulkemaan pellon päällä. Laskemiseen käytetyt työkalut olivat mielestäni selkeitä.

Alkuharjoitusten jälkeen aloimme toteuttamaan varsinaista bufferointia. Aloitimme tutkimalla, kuinka monesta Pornaisten alueen talosta saavat lapset tulla pyörällä kouluun. Tähän määritelmänä oli se, että etäisyyttä täytyi olla yli kilometrin verran koulusta. Bufferointi toteutettiin prossesing paneelin buffer nimisellä toiminnolla. Toimintoon täytyi määrittää tietokanta, jonka kohteet bufferoidaan, haluttu etäisyys ja halutun segmentin kulmien määrä. Käytimme kulmien määränä 36 kulmaa, koska se näyttää ihmisen silmään jo tarpeeksi pyöreältä. Tietojen määrittämisen jälkeen puskurivyöhyke tulee kartalle näkyville uutena polygonina. Jotta saimme kuitenkin tarkastelua vain alueen ulkopuolella olevia taloja käytimme select by location toimintoa. Lopullisen halutun lukumäärän meille ilmaisi statistics paneeli. 249 talosta sai tulla lapsia pyörällä kouluun.

Bufferoimme samalla tavalla myös talot, jotka olivat 500 metrin päässä terveyskeskuksesta ja talot 50 metrin päässä teistä. Rutiinin bufferoinnin toteuttamiseen oppi nopeasti, vaikka QGISini välillä halusikin reistailla. Tässä kohtaa tuntia hermot olivat kuitenkin vielä kasassa. Taloja 500 metrin päässä terveyskeskuksesta oli 187 ja taloja 50 metrin säteellä teistä 61.

Itsenäistä työskentelyä

Yhteinen osuus ei ollut pitkä, koska kurssikerran päätehtävänä oli laittaa omat taidot likoon. Ideana oli myös se, että laatu ja oppiminen voittavat tehtävien määrän. Ensimmäiseksi lähdimme Ada Huhtalan kanssa toteuttamaan malmin lentokenttään liittyvää tehtävää. Tehtävän aloittaminen vaati ensiksi kiitoratojen piirtämisen, joka tapahtui samalla periaatteella kun viime kurssikerran lopussa digitoimme. Sen jälkeen tehtävänä oli tutkia asukkaiden määrä ensiksi 2 km säteellä kiitoradoista ja sen jälkeen 1 km säteellä. Tehtävän saimme toteutettua melko vaivattomasti, koska bufferointi tapahtui aikaisempien harjoitusten mukaisesti. Välillä kuitenkin QGIS ei suostunut yhteistyöhön ja toisinaan taas jonkun kohdan oli unohtanut klikata valituksi, joka aiheutti pientä päänvaivaa.

Seuraavassakin itsenäistehtävässä jatkettiin lentokentän parissa, mutta nyt meidän täytyi digitoida Helsinki-Vantaan kiitoradat. Toteutimme aluksi digitoinnin, josta saimme selville, että 9983 asukasta asuu kiitoradoista 2 kilometrin säteellä. Tämän jälkeen tehtävässä joutui soveltamaan jo enemmän, mikä aluksi herätti meissä kysymyksiä. Pienen alkutönäyksen avulla älysimme käyttää valintatyökaluja apuna eri meluhaitan alueiden valitsemisessa. Tässä kohtaa muistutettiin siis mieleen aikaisemmilta kurssikerroilta opittuja taitoja valintatyökaluista, jotka ovat osoittautuneet melko tärkeiksi apuvälineiksi.

Viimeisessä itsenäistehtävässä, jonka ehdimme tehdä, tutkittiin Vantaan juna- ja metroasemien läheisyydessä asuvia ihmisiä. Aluksi laskimme alle 500 metrin säteellä jostakin asemasta asuvat asukkaat, joita oli yhteensä 111 765 asukasta. Sen jälkeen vastauksia ei saanut enää pelkän bufferoinnin avulla vaan meidän piti alkaa laskemaan osuuksia. Kaikista asukkaista alle 500 metrin säteellä olevien asukkaiden laskeminen tapahtui vaivattomasti, mutta työikäisten osuudessa joutui laitamaan jo enemmän aivoja peliin. Atributtitaulukosta ei suoraan pystynyt tulkita vastausta työikäisten määrään, koska monella iällä oli oma kohtansa taulukossa. Atribuuttitaulukon laskentatyökalu on onneksi tullut tutuksi, joten osasimme sen avulla luoda taulukkoon uuden kohdan, jossa laskettiin yhteen 15-64 -vuotiaiden määrä. Tarvittaessa laskentatyökalun käyttäminen on myös osoittautunut tärkeäksi taidoksi hallita.

Olen huomannut, että sellaisten työkalujen käyttäminen on minulle helppoa, jossa ei tarvitse tehdä liikoja valintoja. Monimutkaisempien työkalujen käyttö onnistuu hyvin ohjeistetusti ja pian sen jälkeen itsenäisesti. Kuitenkin pidemmän ajan sisällä meinaa toimintojen käyttö unohtua, kun tulee paljon uutta informaatiota muista. Leino (2024) kertoo blogissaan samanlaisista fiiliksistä, kun uutta informaatiota tulee jatkuvasti. Koen kuitenkin oppineeni hyvin QGISin perustoiminnan ja tärkeimpien toimintojen käytön. Koen pärjääväni tehtävissä suhteellisen hyvin myös itsenäisesti, mutta toki välillä tarvitsen apua ongelmien ratkomiseen.  Koen kaipaavani kuitenkin toistoja, jotta hommat alkavat sujuvoitumaan.

Tänään opitut puskurivyöhykkeet soveltuvat etenkin jonkun kohteen vaikutusalueen tutkimiseen. Bufferointi on yksinkertainen ja nopea tapa selvittää halutun alueen sisällä sijaitsevat kohteet ja soveltaa tätä tietoa eri ilmiöiden tutkimiseen. Puskurivyöhykkeitä voisi soveltaa kurssikerran esimerkkien lisäksi myös esim. selvittäessä kuinka laajalle jonkun kohteen säteily yltää.

Koen QGISin tarjoamat mahdollisuudet paljon isommiksi mitä taitotasoni tulee todennäköisesti koskaan yltämään. Yhdeksi reunaehdoksi QGISin avulla asioiden selvittämiseen koen sen, että tarvittava aineisto täytyy aina olla olemassa. Ilman kattavaa lähtöaineistoa QGIS ei voi tehdä paljoa. Sovelluksella on kuitenkin varmasti monia rajoitteita, joita en edes osaa vielä ajatella.

Lähteet

Leino, M (2024). Viides kurssikerta. Mikin blogi. Viitattu 15.2.2024 https://blogs.helsinki.fi/leinmiki/

Aloitimme neljännen kurssikerran piste- ja ruutuaineistoihin tutustumisella. Kurssikerran ideana oli opetella tekemän ruutuaineistoa pisteaineiston pohjalta. Pisteaineistot ovat kaikkien tarkimpia paikatietoaineistoja, joten niitä on helppo käyttää lähtöaineistona muille esitystavoille.

Ensimmäinen harjoitus

Ensimmäisessä harjoituksessa lähdimme opettelemaan ruudukon luomista pisteaineiston pohjalta QGIS:issä. Tarkoituksena oli luoda siis rasterimuotoista dataa, koska kyseessä oli ruudukko. Aloitimme harjoituksen ruudukon luomisella ja pisteaineiston karsimisella. Käytimme myös uutta valintatyökalua select by location. Kun olimme saaneet halutun ruudukon tehtyä piti jokaisen päättää mitä ominaisuutta lähtee tarkastelemaan. Päätin tehdä karttani käyttäen ruotsalaisten asukkaiden määrää.

Kartan tekeminen tapahtui ongelmitta ja pysyin hyvin perillä välivaiheissa. Saimme kuitenkin ensimmäiseksi tulokseksi kartan, joka näytti pelkästään ruotsalaisten määrän eri ruuduissa. Kartassa ei suoranaisesti ollut mitään väärää, mutta se ei myöskään ollut kovin havainnollistava. Kartassa eniten ruotsalaisia kuitenkin näkyi useasti niissä ruuduissa, joissa oli yleisesti eniten asukkaita. Sen myötä itsenäisenä tehtävänä olikin muokata kartta sellaiseksi, että se näyttää ruotsalaisten osuuden prosentteina.

Helposti itsenäisestä tehtävästä kuullessa minulla meinaa iskeä pieni kauhu, mutta jälleen kerran saimme toteutettua pyydetyn kartan melko helposti. Lähdimme työskentelyparini Inkan kanssa ensiksi laskemaan ruotsalaisten osuutta jakamalla ruotsalaiset kaikilla asukkailla. Olimme aluksi laskemassa asiaa väärässä atribuuttitaulussa, mutta löysimme tiemme oikeaan tauluun onneksi melko nopeasti. Osuuden laskeminen tapahtui ennestään tutun laskentataulukon avulla, jossa laskutoimituksen tekeminen sujui mutkattomasti. Laskutoimituksen jälkeen visualisoimme ruudut tuttuun tapaan valiten järkevät luokat ja värit. Päätin kuvata loogisesti tummemmilla sävyillä runsaampaa ruotsalaisten osuutta. Lopuksi viimeistelimme kartan legendalla, pohjoisnuolella ja mittakaavalla (Kuva 1).

 

Kartasta on havaittavissa ruotsalaisten asukkaiden osuus alueen kaikista asukkaista. Kartassa on kuvattu Helsingin, Vantaan, Espoon ja Kauniaisten kuntien alueita. Kartasta tuli mielestäni melko informatiivinen, koska legendassa on selkeät selitteet kartassa näkyville väreille ja niiden selitykset. Toki esimerkiksi luokkia ja värejä voisi työstää aina paremmiksi ajan kanssa. Kartastani saa kuitenkin mielestäni selkeän yleiskuvan ruotsalaisten asukkaiden jakautumisesta pääkaupunkiseudulla.

Ruututeemakartta antaa erilaista informaatiota kuin perinteinen koropleettikartta tai pisteteemakartta. Pisteteemakarttaan verrattuna ruututeemakartta on mielestäni hyvä ratkaisu, koska pisteet voivat näyttää helposti hyvin suttuisilta kartalla. Alueiden yleistäminen ruuduiksi helpottaa kartan luettavuutta. Perinteiseen koropleettikarttaan verrattuna ruututeemakartta on hyvä vaihtoehto etenkin silloin, jos aineisto ei sisällä valmiiksi pieniä aluejakoja. Esimerkiksi kyseisen kartan kohdalla aluejakona oli pelkät kunnat. Ruutujen luominen mahdollistaa siis kuntien sisällä olevien alueellisten erojen havainnoinnin. Mielestäni ruututeemakartta ilmaisee siis melko tarkasti alueiden sisäisiä eroja. Siinä on myös mahdollista säädellä ruutujen kokoja, jos halutaan tarkempaa tai yleistetympää tietoa.

Ruututeemakartan luotettavuus paranee, mitä pienemmät ruudut valitaan. Silloin tiedon yleistäminen ei ole niin suurta. Rajoitteena on kuitenkin se, että tieto ilmaistaan ruutujen muodossa, joka estää luonnollisten aluejakojen havainnoin suoraan kartalla. Jaakkola (2024) vertaili muunkielisten asukkaiden osuutta kolmella eri ruutukoolla. Tämä karttasarja havainnoi mielestäni hyvin sitä, miten voimme tarkastella alueellisia eroja eri ruutukokojen avulla. Riippuen kuitenkin hieman ruutujen sijoittumisesta saattaa esimerkiksi karttani ruotsalaisten asukkaiden sijainti hieman vääristyä. Huomasimme kurssikerralla, että kaikkien ruudut olivat hieman eri kohdassa eri värisiä, vaikka pääpiirteittäin samoja.

Pääkaupunkiseudulla ruotsalaisten asukkaiden voi havaita sijoittuvan lähemmäs reunavyöhykkeitä. Runsaiten tummempia ruutuja löytyy Espoon, Kauniaisten, Helsingin ydinkeskustan ja aivan itäisen Helsingin alueilta. Aluksi ihmettelimme itäisen Helsingin ruotsalaisten asukkaiden runsautta kunnes älysimme, että Helsinkiin on liitetty aikaisemmin Sipooseen kuuluva alue. Pääkaupunkiseudun keskiosat kuuluvat taas alhaisimpaan ruotsalaisten asukkaiden osuuden luokkaan. Voimme siis havaita ruotsalaisten sijoittuneen melko selkeästi pääosin tietyille alueille.

Toinen harjoitus

Toisessa harjoituksessa tutustuimme rasteriaineistoihin. Päätarkoituksena oli oppia yhdistämään rasteriaineistoja toisiinsa. Meillä oli käytössä rasteriaineistoja Pornaisten alueen pinnanmuodoista. Huhtala (2024) oli tehnyt havainnon siitä, että rasteriaineiston käsitteleminen oli koneelle hitaampaa. Teimme saman havainnon kurssikerran aikana ennestään melko vieraista rasteriaineistoista. Rasterimuotoisten aineistojen voi siis päätellä olevan jo sen kannalta raskaampaa käsiteltävää. Kun olimme saaneet yhdistettyä nämä aineistot tuotimme niiden pohjalta korkeusmallin. Korkeusmallin ja contour toiminnon avulla saimme tuotettua kartalle korkeuskäyrät, jotka asetimme karttalehden päälle (kuva 2). Havaitsimme, että alkuperäiset aineistot olivat tuotettu todella tarkasti, koska myös korkeuskäyrät olivat todella tarkat. Käyrien tarkkuus oli jopa hieman häiritsevää tähän tarkoitukseen, koska se teki kartasta heti hieman sottaisen näköisen.

Seuraavan kurssikerran valmistelua

Lopuksi valmistelimme seuraavalle kurssikerralle aineistoja. Digitoimme Pornaisten keskustan ympäriltä rajatulta alueelta kuusi tietä ja asuintalot. Opettelimme siis tekemään uusia vektoritasoja. Tiet teimme viivamuodossa ja talot pistemuodossa. Olin jo päässyt unohtamaan digitoimisen tuottaman käden puutumisen ja silmien särkemisen. Samaan aikaan se oli kuitenkin ihan kivaa vaihtelua aivotyöskentelylle. Käytämme tekemiämme aineistoja seuraavalla kerralla bufferointiin.

Lähteet:

Jaakkola, T (2024). Tiedon esittäminen ruututeemakartalla. Taikamatkalla GIS-velhoksi. Viitattu 9.2.2024 https://blogs.helsinki.fi/jztaika/

Huhtala, A (2024). Neljäs kurssikerta. Adan blogi. Viitattu 9.2.2024 https://blogs.helsinki.fi/adhu/

Atribuuttitauluja ja tietokantaliitoksia

Aloitimme kolmannen kurssikerran heti QGIS:in parissa. Ensimmäisessä harjoituksessa tutustuimme aineistooon, joka sisälsi Afrikan kartan valtioineen. Ensiksi huomasimme, että kokonaisen mantereen kartta oli tuotettu harvinaisen tarkasti, koska löysimme aineistosta halkaisijaltaan jopa vain kilometrin kokoisia saaria.

Aluksi tutustuimme aineiston atribuuttitauluun. Halusimme ensimmäiseksi laskea valtioiden pinta-alan, koska valtioiden alueet olivat jaettu atribuuttitaulussa moneksi erilliseksi kohteeksi. Kun olimme saaneet pinta-alat laskettua pystyimme yhdistämään jokaisen valtion alueet yhdeksi kohteeksi. Käytimme tämän tekemiseen atribuuttitaulun laskentatoimintoa ja dissolve processing toolia. Tallensimme tämän jälkeen vielä datan eri luokat järkevään muotoon arragated toiminnolla.

Opettelimme myös Excel-tiedoston muuttamisen CSV-muotoon, joka sallii tiedoston avaamisen Excelin ulkopuolella. CVS-tiedoston avaaminen QGIS sovellukseen, ei ollut yhtä yksinkertaista kun esimerkiksi vektoriaineiston, koska tiedoston asetuksia piti hieman muokata. Opettelimme myös tietokantaliitoksen tekemisen, jossa täytyi olla etenkin tarkkana saman yhdistävän tekijän löytämisessä.

Vaikka opettelimme monia uusia toimintoja olin silti aikaisempia kertoja paremmin kartalla mitä teimme. Oli palkitsevaa huomata, että QGIS sovellusta alkaa hahmottamaan hiljalleen koko ajan enemmän. Kuvassa 1 kurssikerralla tehty Afrikan kartta. En pahemmin alkanut muokkaamaan kartan väriä emmekä tehneet siitä valmista kaikkine selosteineen, koska harjoituksessa oli pääosassa eri työkalujen opetteleminen. Liilalla on havaittavissa öljykentät, punaisella konfliktit ja sinisellä timanttikaivokset.

Tutustuimme kurssikerralla myös hieman tarkemmin atribuuttitauluihin. Tietokantaliitosten myötä olimme saaneet kasattua kattavan taulun, jonka avulla oli helppo vertailla konflikteja, timanttikaivoksia ja öljykenttiä. Näiden välillä oli havaittavissa jonkun verran yhtäläisyyksiä, mutta emme voineet tehdä pelkän atribuuttitaulun perusteella kuitenkaan suoria johtopäätöksiä. Esimerkiksi Angolassa on eniten timanttikaivoksia ja toisiksi eniten konflikteja koko Afrikassa. Kuitenkin konflikteissa Angolan edelle menee Etiopia, jossa ei ole yhtään timanttikaivosta. Huhtala (2024) oli tehnyt saman havainnon Eritrean kohdalla.

Huhtala totesi myös blogissaan, että olisi mielenkiintoista nähdä kartalla näiden rinnalla valtioiden elintasot. Afrikan timantti ja öljyvarat eivät sijoitu mantereella tasaisesti, mikä muodostaa suuria valtioiden välisiä elintasoeroja. Elintaso ja raaka-aineiden määrä ei ole kuitenkaan aina suoraan verrattavissa, koska valtioiden rikkaudet eivät myöskään jakaudu tasaisesti kaikille. Säntti (2024) totesi blogissaan myös uniikkien konfliktien tarkastelun antavan uuden näkökulman. Uniikit konfliktit kertovat monenako vuonna valtiossa on ollut konflikti. Säntillä oli hyvä pointti siinä, että vaikka valtion uniikkien konfliktien lukumäärä olisi pieni on yksi sama konflikti voinut jatkua maassa todella pitkään.

Itsenäinen harjoitus

Itsenäisenä harjoituksena oli tehdä kartta tulvaherkkyydestä ja järvisyydestä (kuva 2). Valitsin tehtävästä perusversion. Ideana oli hyödyntää aikaisemmassa harjoituksessa oppimiamme taitoja, joista ehdottomasti tärkein oli tietokantaliitos. Aluksi tehtävä tuntui vaikealta itsenäisesti, mutta yllättävän nopeasti homma alkoi sujumaan ja oikeat asiat näkymään kartalla.

Kartta esittää Suomen valuma-alueiden turvaherkkyyden tulvaindeksin avulla ja näiden valuma-alueiden järvisyysprosentin diagrammeina. Pienimmät valuma-alueet jäävät peittoon diagrammien alle, joten olisi ollut järkevämpää tehdä karttasarja, joka havainnollistaa tilannetta. Tulvaindeksi on korkeimmillaan Suomen rannikkoalueilla, jotka ovat yleisesti melko alavia. Etenkin Etelä-Suomen ja Pohjanmaan rannikot ovat hyvin tulvaherkkiä. Päin vastoin suuri osa Suomen sisämaa-alueista kuuluu matalimpaan tulvariskiluokkaan. Tämä johtuu todennäköisesti vaihtelevimmista korkeuseroista. Järvisyys diagrammeista voimme havaita, että monilla tulvaherkillä alueilla järvisyysprosentti on paljon pienempi verrattuna Järvi-Suomen pienen tulvariskin alueisiin. 

Lähteet

Huhtala, A (2024). Adan blogi. Kolmas kurssikerta. Viitattu 4.2.2024 https://blogs.helsinki.fi/adhu/

Säntti, H (2024). Heiggi’s blog. Kolmas kurssikerta. Viitattu 4.2.2024 https://blogs.helsinki.fi/hksantti/

 

Aloitimme kurssikerran tutustumalla QGIS:in valintatyökaluihin. Eri työkaluilla leikkiminen ja niiden testaileminen parantaa koko ajan hahmotustani QGIS sovelluksesta. Valintatyökaluista mieleeni jäi se, että toinen osa niistä mahdollistaa kohteiden valitsemisen suoraan kartalta ja toinen osa valitsee kohteita niiden ominaisuuksien perusteella.

Mittauksia ja projektioiden vertailua

Työkalujen testaamisen jälkeen lähdimme tutkimaan, miten eri projektiot vääristävät mittakaavoja. Tutkimme asiaa Suomen kartalta yhden itse valitseman matkan ja pinta-alan avulla. Kokosimme havainnot Excel-taulukkoon (kuva 1).  Ideana oli verrata eri projektioita TM35FIN-projektion antamiin tuloksiin.

Ensimmäiseksi tein eri projektioiden välillä huomion, että matka oli kaikissa projektioissa sama, mutta pinta-ala muuttui kaikkien välillä. Matkani oli vain hieman yli 100 kilometriä, jonka myötä projektiot eivät mahdollisesti vääristäneet niin lyhyellä matkalla paljoa. Aloin kuitenkin aluksi epäilemään QGIS:in näyttäneen minulle matkan tuloksia väärin, koska esimerkiksi Säntin ja Väätäjän (2024) blogeissa heillä myös matka muuttui eri projektioiden välillä. En aluksi keksinyt, miksi matka ei muuttunut, koska pinta-alasta sain aina eri tuloksen. Kokeilin mittaamista vielä uudestaan kotona ja huomasin, että matkani ei muuttunut, koska se oli aika tarkasti itä-länsisuuntainen. Kun kokeilin pohjois-eteläsuuntaisella matkalla samaa tuli matkaan ero eri projektioiden välillä. Matka vääristyy siis selkeästi enemmän matkoissa, joiden alku ja loppupiste on selkeästi eri leveyspiirillä.

Matkan sijaan pinta-ala vaihteli hyvinkin paljon eri projektioiden välillä, vaikka valittu alue oli sama. Pienin pinta-ala oli Mercator-projektiolla ja isoin Gall-projektiolla. Näiden kahden pinta-alan ero oli yli 6000 neliökilometriä. TM35FIN-projektiolla pinta-ala oli noin 3683 neliökilometriä, joten Gall-projektio vääristi pinta-alaa suhteessa paljon enemmän. Mercator-projektio oli kuitenkin ainut, joka pienensi pinta-alaa verrattuna TM35FIN-projektioon.

Projektioiden pinta-alaerot kartalla

Kurssikerran pisimmässä harjoituksessa oli tehtävänä havainnollistaa kolmen projektion pinta-alaeroja Suomen kunnat kartan avulla (kuva 2). Karttojen tekeminen sujui minulla hyvin ja sain helposti tehtyä kaksi karttaa itsenäisesti ensimmäisen ohjeistetun kartan jälkeen. Hyödynsimme karttojen teossa jo viime kurssikerralla opittuja taitoja, mutta niiden lisäksi opin paljon lisää projektioiden käytöstä ja aineiston tiedoilla laskemisesta.

Kaikki meni minulla hyvin siihen asti, että olin tallentamassa valmista karttaa kuvaksi. Tässä vaiheessa QGIS sekosi ja sekoitti yhden kartan värit kokonaan niin, että kartta ei näyttänyt enää liukuvärjäykseltä. Aivan loppumetrien sekoaminen aiheutti minulle paljon lisätyötä ja koetteli suhteellisen lyhyitä hermojani. Sen myötä en ole aivan tyytyväinen lopulliseen karttaani. Kartat jäivät hieman eri kokoisiksi, koska en lopulta enää uskaltanut koskea niihin. Monta kertaa kaikki kartat muuttuivat myös samaksi kartaksi kolmen eri kartan sijaan. Opin sen, että tasojen lukitseminen on äärimmäisen tärkeää! Jouduin lopulta ottamaan kartoista kuvakaappauksen, koska tallentaminen sekoitti kuvan joka kerta uudestaan. Sen myötä kuvaan jäi myös punainen viiva, jota en saanut poistettua. Olisin päässyt mahdollisesti helpommalla, jos olisin tehnyt jokaisesta kartasta oman kuvan.

Olen kuitenkin ylpeä, että sain lopulta kuvaan kolme erilaista karttaa, joista voi pienistä epäkohdista huolimatta havaita eroja projektioiden välillä. Nopealla silmäyksellä kartat näyttävät melko identtisiltä, mutta eroja on havaittavissa etenkin luokkien rajakohdissa. QGIS:in sekoaminen tuotti paljon harmia, koska ehdin jo olla ylpeä alkuperäisistä kartoistani. Kokonaan karttojen uudestaan tekeminen olisi kuitenkin ajanhukkaa, sillä tein kaiken oikein viimeisten metrien sekoamiselle saakka. Pitää muistaa, että matka on usein määränpäätä tärkeämpi! Opin paljon uutta ja osaisin jatkossa tehdä kartat vielä paremmin.

Karttojen vertailua rinnakkain olisi helpottanut se, että kaikissa kartoissa olisi samat luokat. Silloin kuvista olisi mahdollisesti helpompi havaita enemmän muutoksia jo pelkkää kuntien väritystä tutkimalla. Nyt erojen havaitseminen vaatii ensiksi tarkasti luokkien tutkimisen. Mercator vs. TM35FIN kartassa on selkeästi suurin vääristymä havaittavissa, kun aletaan tarkastelemaan legendaa. Kahdessa muussa kartassa suurin luokka on vain noin 1,5 % paikkeilla, kun taas Mercator-projektion kartassa se on 7-8,3 %. Vääristymä on etenkin Suomen pohjoisosissa jopa melkein viisinkertainen muihin projektioihin verrattuna.

Lähteet:

Säntti, H. (2024) Heiggi’s blog. Toinen kurssikerta. Viitattu 26.1.2024 https://blogs.helsinki.fi/hksantti/

Väätäjä, S. (2024). Sampon blogi. Toinen kurssikerta (23.1.2024.) Viitattu 26.1.2024 https://blogs.helsinki.fi/vsampo/2024/01/24/kurssikerta-2/

 

MAA-202 kurssi lähti liikenteeseen paikkatietoon liittyvän teorian palauttamisella mieleen. Pian teorian jälkeen aloimme tutustumaan QGIS sovelluksen toimintaan. Muistan käyttäneeni kyseistä ohjelmaa kerran viime syksyn aikana, mutta silloinen kosketus QGIS:iin oli nopea ja pintapuolinen.

Kurssikerran QGIS-harjoitus

Lähdimme tutustumaan yhdessä rauhalliseen tahtiin sovelluksen käyttämiseen. Aluksi opettelimme aineistojen ja datan syöttämisen sovellukseen, sekä tasojen hallitsemisen. Mieleeni jäi etenkin se, että jo heti aluksi kannattaa valita karttaan selkeät värit ja järjestää tasot järkevään järjestykseen. Näiden pohjalta on helpompi lähteä tutkimaan dataa ja laittamaan se näkyviin kartalle.

Aluksi eri toimintojen oppimiseen ja hahmottamiseen meni hetki, mutta yllättävän nopeasti sovelluksen toimintaa alkoi hahmottamaan. Tärkeimpänä asiana harjoituksessa koin tasojen visualisoinnin tiedon avulla. Teimme harjoituksessa koropleettikartan, joka havainnoi datassa annettujen maiden typen osuuden päästöistä (kuva 1). Valitsin punaisen eri sävyt havainnoimaan päästöjen määrää, koska punainen väri koetaan usein hälyttävänä. Sen myötä mitä tummemmalla valtio näkyy, sitä suurempi on typen osuus päästöistä.

Karttani onnistui mielestäni kokonaisuudessaan ihan hyvin ensimmäiseksi kerraksi ja siitä tuli informatiivinen. Jos olisin käyttänyt karttaani vielä enemmän aikaa, olisin vaihtanut värit hieman lempeämmiksi. Mittakaava jää myös hieman valtion mustien rajojen johdosta piiloon. Jos valtion rajat olisivat hieman eri väriset erottuisi se paremmin. Matikainen (2024) totesi blogissaan, että maiden kohdalle olisi voinut lisätä vielä tarkat prosenttiosuudet päästöistä. Idea oli mielestäni hyvä, koska nyt kartta ei anna mitään informaatiota kolmen luokan sisäisistä eroista. Etenkin 5-15 % luokan valtioiden erot saisivat näin paremmin esille.

 

 

 

 

 

 

 

 

 

 

 

 

Kahta Itämeren rannikkovaltiota lukuunottamatta valtiot kuuluvat keskimmäiseen luokkaan 5-15 %. Typpipäästöissä ääripäitä kartastani erottuu siis vain kaksi, Viro ja Puola. Säntti (2024) pohtii mielenkiintoisesti blogissaan typpipäästöjen määrää suhteessa valtioiden rantaviivan pituuteen. Suhteessa esimerkiksi Suomeen ja Ruotsiin monilla muilla valtioilla on paljon lyhyempi Itämeren rantaviiva, mutta suuremmat päästöt. Rantaviivan pituutta merkittävämpiä tekijöitä ovat kuitenkin varmaan esimerkiksi Säntin mainitsema laivaliikenne tai yleisesti valtion päästöjenhallinta.

Itsenäinen QGIS-harjoitus

Kotona tehtäväksi jäi kerrata kurssikerralla opittuja QGIS-taitoja. Tein Suomen kunnat kartan pohjalta eri kuntien väkilukua ilmaisevan koropleettikartan, joka oli ensimmäistä vaikeustasoa. Kartan tekeminen meni mutkattomasti ja nopeasti, koska siinä vaadittiin vain kurssikerralla opittuja taitoja. Silti oli positiivista huomata, että sovelluksen toiminnot olivat jäänyt oikeasti mieleen.

Päätin käyttää datan visualisoinnissa viittä luokkaa, jotta eri kuntien erot väkiluvuissa erottuisivat suhteellisen kattavasti, mutta halusin pitää kartan myös helppolukuisena. Liian moneen luokkaan jakaminen alkaisi tehdä kartan tarkastelusta työlästä ja vaikeaa. Valitsin värimaailmaksi sinisen eri sävyt, koska sininen on yleisesti melko rauhallinen ja ei vahvoja ajatuksia herättävä väri. Väkiluvun vaihtelu on melko neutraali asia, joten koin värin tekevän kartasta selkeän.

Jälkikäteen karttaa tarkastellessani huomasin unohtaneeni tehdä kartalle kehyksen. Kehyksen puuttuminen ei kuitenkaan pistä silmääni häiritsevästi tai heikennä kartan informatiivisuutta. Viidessä luokassa myös kaikki muut luvut ovat pyöristetty tuhansien tai satojen tarkkuudella paitsi korkeimman luokan ylin arvo. Väkiluvun ylärajan olisi voinut pyöristää esimerkiksi 660 000, jolloin legenda näyttäisi vielä yhtäläisemmältä.

Heti nopealla vilkaisulla kartasta voi havaita, että Suomen väkiluvultaan suurimmat kunnat keskittyvät suurimmilta osin Etelä-Suomeen. Etelä-Suomen lisäksi suurimpia kuntia löytyy Suomen isompien kaupunkien ympäriltä. Esimerkiksi pohjoisemmassa Rovaniemen ja Oulun kuntien alueella väkiluku on korkeinta luokkaa. Pienimpään luokkaan kuuluvia kuntia sijaitsee paljon Lapin ja Keski-Suomen alueella.

Lähteet

Matikainen, V. (2024). Veeran gis-blogi :). Ensimmäinen kurssikerta. Viitattu 20.1.2024 https://blogs.helsinki.fi/veematik/

Säntti, H. (2024). Heiggi’s blog. Ensimmäinen kurssikerta. Viitattu 20.1.2024 https://blogs.helsinki.fi/hksantti/