enxen's blog

Viimeisellä kurssikerralla tehtiin omavalintainen kartta. Halusin tehdä kartan kahdella muuttujalla sekä niin, ettei tarvitse läntätä diagrammia kartan päälle, koska se näyttää mielestäni huonolta. Päädyin lataamaan tiedot korkeakoulututkinnoista ja lukiosta Suomessa. Tiedot sain tilastokeskukselta, jotka latasin Paituli-palvelun kautta.

Korkeakoulutuksinnot luokittelin tasavälein, koska koin sen selkeimmäksi tavaksi esittää tutkintojen tehneiden prosentteja. Lukioiden pistetiedot, eivät aivan täsmänneet kuntarajoja ja pari lukiota sijaitsee meressä. Tiedot ovat samalta palveluntarjoajalta, mutta silti pari pistettä menee mereen, mikä on vähän kurjaa. Sain nämä kuitenkin valittua erikseen lukiollisiksi kunniksi. Ahvenanmaan lukio rajautuu ehkä vähän hölmösti vain Maarianhaminan kuntajakoon, joten Ahvenanmaan väritys näyttää sieltä, ettei siellä olisi lukiota.

Minua kiinnosti, että onko lukiottomissa suurempi vähemmän korkeakoulututkintoja. 85:stä lukiottomasta kunnasta 47 on luokassa 11,1-20,0% eli matalimmassa luokassa. Kaikkien lukiottomien kuntien koulutusaste jää alle 35 prosentin. Kartta ilmoittaa Suomen kuntaluvuksi 311, kun Ahvenamaankin aluejako on laskettu tähän mukaan. Näistä 311 kunnasta korkeakoulututkintoja alle 20% on 128:ssa kunnassa. Suhteessa lukiottomissa kunnissa on vähemmän kokreakoulutukintoja kuin koko maassa, mutta ero ei ole suuri. Lukion sijainnilla omassa kunnassa ei näyttäisi olevan vaikutusta korkeakoulutukinnon suorittamiseen tämän kartan tutkiskelun pohjalta.

Ainoa kunta, jossa korkeakoulututkintoja on yli 50% asukkaista on Kauniainen. Luokassa 40-50% on kolme Espoo, Helsinki ja Pirkkala.

Muiden blogeja selatessa törmäsin Miina Suutarin blogiin ja hänen lähdemateriaalisivustoonsa. Ja rupesi harmittamaan, etten ollut itse löytänyt tätä sivustoa, koska sen data kiinnosti paljon itseäni, varsinkin virukset (tallensin kuitenkin sivuston kirjanmerkkeihin tulevaisuutta varten). Pidin muutenkin Suutarin esittämästä ruudukosta lehtopöllöhavaintojen osalta ja eri lepakkolajien havaintojen esittämisestä erivärisinä pisteinä.

Viimeisen kurssikerran jälkeen tuntuu siltä, että jotain on tullut opittua ensimmäiseen kertaan verrattuna. Ongelmanratkaisuun datan kanssa itsekseni tuskin kykenen. Mutta valmiilla datalla jonkinlaisia karttoja saan varmasti aikaiseksi. Kurssi meni nopeasti ja turhautumisen ja raivon tunteita oli yllättävän vähän, varsinkin kun oma it-osaamiseni ei ole kovin vahvalla pohjalla. Pihla Haapalo toteaa blogissaan ” Kurssista jäljelle jäänyttä selviytymisen ja onnistumisen tunnetta haluan säilyttää ja vaalia ensi syksyyn asti, jolloin pääsemme taas sukeltamaan geoinformatiikan ihmeelliseen maailmaan!” ja olen itsekin samoissa tunnelmissa. Parhaina muistoina on mielessä, kun jotain oivalsi ja ensimmäiset itsenäistehtävät sai ratkottua onnistuneesti (?) kurssitovereiden avustuksella.

Lähteet:

M. Suutari, Kerta 7 – ekologiaa! Mutta kartalla, luettu 27.2.2020

https://blogs.helsinki.fi/smiina/

P. Haapalo, Onnellisuus, konfliktit ja viimeiset hetket, luettu 27.2.2020

https://blogs.helsinki.fi/haapalop/

Data karttoihin: https://avaa.tdata.fi/web/paituli/latauspalvelu

 

Tunnin aluksi keräsimme Kumpulan ympäristöstä tietoa GIS-sovelluksella. Tiedot ladattiin QGISiin ja tiedoista interpoloitiin erilaisia karttoja, kuten alueen turvallisuus tai viihtyisyys.

Seuraavaksi tehtiin kolme erilaista karttaa  maanjäristyksistä, tulivuorista ja meteoriiteista. Maanjäristyskarttaani latasin kaikki yli 7 magnitudin järistykset vuodesta 1980 tähän päivään asti. Tiedot muokkasin excelissä kahtena eri tiedostona ja avasin QGIS:ssä, jossa nämä aukesivat pistetiedostoina. Pistetiedostot yhdistin yhdeksi layeriksi ja interpoloin ne. Latasin myös Natural earth sivustolta maiden rajat vektorina, koska alkuperäinen pohjakarttarasteri näytti todella huonolta interpoloinnin läpi ja 7 magnitudin alueet näyttivät siltä kuin niissä ei olisi ollut järistyksiä. Interpolointi antaa hieman vääristyneitä tuloksia mielestäni. Alaska näyttäisi järisevän useasti, vaikka siellä on ollut vain muutama järistys ja Aasiassa Tyynenmeren alueella näyttäisi olevan vähemmän järinää, vaikka maanjäristyksiä siellä tapahtuu useammin kuin Alaskassa. Interpoloinnista olisi tullut parempi, jos kaikki maanjäristykset olisi otettu huomioon, myös siis alle 7 magnitudin järistykset.

Samu Vilenius on myös interpoloinut maanjäristyskarttansa, jota en ensi vilkaisulla ymmärtänyt ollenkaan, eikä aivoni hahmottaneet sitä, mutta uudelleen tarkasetelulla se onkin aika hauska! Vileniuksen kartta kutkuttaa kivasti omaa visuaalista mieltymystäni, vaikkei se ehkä ole selkein nopeaan vilkaisuun. Siinä erottuu tosi jännästi selkeä Tyynenmeren  ja Amerikkojen länsireunan maanjäristysrintama. Ainoa kritiikkini hänelle on, että olisi kääntänyt kartan värit toisinpäin. Nyt korkean järistyksen alueet ovat sinisellä ja matalat järistysalueet punaisella. Mielestäni kääntämällä värit kartan luettavuus paranisi, koska punaisella yleensä ilmoitetaan suurinta riskiä.

Itse pidän USGS:n isopleettimaanjäristyskartasta enemmän kuin omastani, se on huomattavasti selkeämpi ja kuvaa selkeästi alueita, joissa  ei ole maanjäristyksiä. Tosin heidän karttansa ei kerro mikä on korkea järisstysriski, onko se vain yleisesti paljon järistyksiä (mukaan luoettuna kaikki pienetkin) vai riski magnitudiltaan suurelle järistykselle, joka voisi aiheuttaa paljon tuhoa?

Tulivuorista latasin tiedot luokista D1 ja D2 eli 1900 jälkeen purkautuneet. Taas yhdistin pistetiedostot ja buffeoin niinden ympärille n.50 km vyöhykkeen eli turvavyöhykkeen tulivuoren ympärille. Tämä bufferointi vaihtelee hieman erikohdissa karttaa, johtuen maailmankartasta ja projisointivirheestä pyöreästä pallosta 2D kuvaksi, mutta se pyöristyy 50 km:iin joka kohdassa, joista mittasin. Bufferointi ei oikein erotu kartassani, piste vain näyttää suuremmalta. Tein saman kartan myös Euroopasta, muttei siinäkään bufferointi oikein erotu. Taustakartta tiedosto ei enää kotona latautunut oikein vaan siinä luki .tif_error kun sen latasi, eikä se auennut oikein, joten menin Natural earth sivulle ja latasin sieltä uuden taustakartan,jota käytin myös meteoriitteihin.

Tällä tunnilla keskityttiin puskurivyöhykkeisiin ja niissä olevien tietojen tarkasteluun. Puskurivyöhykkeellä voidaan mitata vaikutusalueita, kuten tämän kurssikerran harjoituksissa tehtiin.

Ensimmäisessä itsenäistehtävässä tarkasteltiin Malmin lentokentän ja Helsinki-Vantaan lentokentän melualueita. Malmin lentokentän 1 km ympäristö bufferoitiin ja valittiin statistic tiedoista valitut rakennukset ja  nähdään että melualueella asuu 8840 henkilöä ja 2 km säteellä 57622 ihmistä. Wikipedia kerttoo, että Malmin kenttä avattiin 1936. Hain taloja Malmin kentä ympäristöstä, jotka oli rakennettu vuoden 1935 jälkeen. Taloja on 711 ja niiden mediaani on rakennusvuosi 1986. Eli Malmin asema on noin 50 vuotta vanhempi kuin ympäröivät rakennukset.

Helsinki-Vantaan  lentokentän 1km ympäristö 772 asukasta, lentokentän 2km ympäristössä on 11501 asukasta. Lentomelu 65 db asuu 324 ihmistä eli 0,8% lentomelualueella asuvista ja 65db sekä 2 km lentokentäntän sisällä asuu 31 ihmistä. 43360 ihmistä asuu lentomelualueella, väh 55db. Tehtävä, jossa piti piirtää lentokoneet tikkurilan yli vaati myös mittatyökalun käyttöa, koneet Tikkurilan suunnasta häiritsisivät 26909 ihmistä. Malmin ja Helsinki-Vantaan asukaslukuihin ja bufferointialueeseen vaikuttaa hieman se,kuinka kiitoradat on kukin piirtänyt. Itse tein ne polygoneina.

Tuntui useasti siltä, että olin katsonut väkilukua väärästä kohdasta, että olisin katsonut rakennusten lukumäärää enkä asukkaita.

Asemat:

Asukkaita 500m päässä asemista kartan alueella on 106691 eli 21,8% kartan asukkaista asuu 500m päässä asemista. 15-64 vuotiaita 500m päässä asemasta on 73108 eli 68,5% vyöhykkeiden asukkaista.

Taajamat:

97,6% asuu taajamissa, kouluikäisistä asuu taajamien ulkopuolella 1165 eli 2,7%. Ulkomaalaisten osuus taajamissa oli haastava, enkä tiedä laskinko näitä oikein. Aluksi rajasin rasterikarttalehtien kokoisen alueen ja sen sisällä tai sen kanssa leikkaavat taajama-alueet, joiden lukumääräksi muodostui 811 (?), koska väestötietoja ei ollut karttalehtien ulkopuolisille alueille, tein tästä uuden tason. Laskin myös ulkomaalaisten osuuden väestötiedoista ja sitten valitsin tietoja greater than ominaisuudella. Valitut pisteet olivat ne alueet joissa ulkomaalaisia oli yli 10%, yli 20% ja yli 30%. Sitten käytin join attridutes by location ja otin valinnoiksi rajauksen sisässä olevat alueet ja ulkomaalaisten osuudet (selected features only toiminnolla). Tulokseksi sain valittuja aluieta, joissa oli ulkomaalaisia kunkin prosenttiosuuden yli. Katsoin taajama-alue valintojen määrän ja laskin niistä prosentit. Sain tulokseksi, että yli 10 %ulkomaalaisia on 18,8% alueista, yli 20% ulkomaalaisia on 17,1% alueista ja yli 30% ulkomaalaiisa 15,8% alueista. Jätin siis 3151 taajamaa laskujen ulkopuolella, koska niistä ei ollut asukastietoja ja itseäni häiritsi, että ne olivat karttalehtien ulkopuolella.

Putkiremontit:

1965-1970 on rakennettu 6286 rakennusta, joista kerrostaloja on 1206. Putkiremontti rakennuksiksi valitsin 1960-1970 rakennetut talot, koska näistä vuosista puhutaan tehtävän annossa. Putkiremontit tulevat häiritsemään 165039 ihmistä ja 12254 asuntoa. Viimeistä koropleettikarttaa en osannut tehdä. Jotenkin olisi pitänyt saada alueittain laskettua  remonttin menevien talojen suhde ja yhdistää se alueeseen eli saada polygonien kaupunginosatietodot pisteiden rakennustietoihin ja sitten laskea suhde kaupunginsoittain. Mutta en tiedä miten. Yritin vanhojen tehtävien ohjeidenkin avulla join attributes- toimintoa, mutta tiedot eivät yhdistyneet vaikka kuinka yritin ja vaihdoin tieotoja ja sain vain virheilmoituksia. Parin tunnin yrityksen jälkeen olikin sitten mennyt hermot koko ohjelmaan. Roni Lindholm näyttää onnistuneen tässä työssä ja saaneen thetyä hienon kartan aikaiseksi, harmi vain kun hän ei yhtään jaa tietoja, kuinka hän siinä onnistui.

En selvästikkään osaa liittää tietoja pisteistä polygoneihin. Tasojen käyttö tuntuu helpolta sekä tietojen valinta työkaluja tuli nyt paljon käyteytyä. Kaipaisin hrjoituksia, joissa vanhojen tehtävien työkaluja käytettäisiin uudelleen. Koko ajan pitäisi tietää mitä tekee ja millaisia tuloksia haluaa ja itsestäni tuntuu, että ymmärrykseni QGIS:n käytöstä ei riitä siihen. Kuten Aino Sainius toteaa blogissaa “Kaiken avain oli hyvä kyky lukea ja ymmärtää kirjoitettuja ohjeita.” ja mielestäni tämä pätee hyvin kurssikerran thetäviin, pitäisi myös ymmärtää mitä rupeaa tekemään.

 

lähteet:

A. Sainius, Omat aivot käyttöön, luettu 17.2.2020 https://blogs.helsinki.fi/sainius/

R. Lindholm , Kurssikerta 5, luettu 17.2.2020 https://blogs.helsinki.fi/lroni/

 

Aloitimme tunnin tekemällä vektoriharjoituksen pääkaupunkiseudun väestötiedoista. Tiedot olisvat pisteinä, joita oli hyvin paljon. Jokainen piste kuvasi asukkaita. Keventääksemme tiedostoa loimme 1km x 1km ruudukon väestötietojen alle. Ruudukosta valittiin ruudut, joissa oli väestöpisteitä. Valitsimme pisteiden tietokannasta säilytettävät tiedot ja laskettiin pisteet ja ruudut yhteen. Lopputulema oli ruudukko, jossa jokainen ruutu sisälsi väestötietoa. Jokainen ruutu siis sisälsi sen päällä olleiden pisteiden tiedot. Mielestäni Matti Katajisto kuvaa hyvin blogissaaan ruutuaineiston hyviä puolia “Ruutujen erinomainen ominaisuus on, että alueet (ruudut)ovat keskenään yhtä suuria ja säännöllisiä. Tämän ominaisuuden avulla on huomattavasti helpompi esittää aluerajauksia ylittäviä ilmiöitä ja myöskin karsia turha tarkkuus pois. Toinen erinomainen ominaisuus on juurikin suhteellisen sijainnin esittäminen.”

Tiedoista tein kaksi karttaa, jotka kuvaavat alueita, jotka ovat nais- ja miesvoittoisia. En osannut yhdistää näitä tietoja yhteen kuvaan. Ennen kuin tein teemakartat poistin ruudut, joissa oli alle 100 asukasta. Väestöruudut, joissa asuu vaikka vain 10 ihmistä ja asukkaista yhdeksän on naisia antaa tuloksista vääristyneen kuvan, koska samalla aineistolla on myös Helsingin keskusta.

Kuten tuloksista näkee yhtään aluetta, joissa naisia olisi yli 60% ei ole, mutta mieheiä on selvästi enemmän kuin naisia Espoon Otanimessä. Naiset ovat jaukutuneet selvästi tasaisemmin ympäri pääkaupunkiseutua, toisin kuin miehet, jotka näyttävät hakeutuvan tiettyihin paikkoihin. Karttat olisivat myös ehkä mielenkiintoisempia, jos huomioon olisi otettu vain yli 18-vuotiaat, jolloin kartta kertoisi ehkä enemmän alueiden houkuttelevuudesta eri sukupuolille. Nyt aineisto sisältää myös lapset, joilla tuskin on paljoa päätäntävaltaa perheen asumissijaintiin.

Mielestäni nämä katat olisivat toimineet paremmin, jos olisin osannut laittaa samaan karttaan mmolemmat tiedot.

Mikko Kangasmaa teki Helsingin keskusta-alueesta mielenkiintoisen teemakartan, jossa muuttujana on väestön keski-ikä. Kun katson omia (epätarkempia) karttojani huomaan, että Helsingin keskusta-alue on itselläni naisvaltaisena ja Mikon kartassa keski-ikä on varsin korkea näillä alueilla, naiset elävät keskimäärin pidempään kuin miehet, joka voisi selittää ilmiötä. Toisaalta Mikon kartta 100m x 100m, kun omani on 1km x 1km ruudukossa. Keski-ikäkartta voisi tuoda hyvää lisäinfoa omiin karttoihini. Vähän jo innostun tästä väestökarttojen tekemisestä, varsinkin kun muilta opiskelutovereilta saa hyviä ideoita, kuinka omia karttoja voisi jatkojalostaa.

Tunnin lopuksi käsittelimme rasteriaineistoja eli. tiff ja .asc tiedostomuotoja, kartta ja satelliittikuvat.

Latasimme pohjakartan, jonka päälle lisäsimme aluetta kuvaavat satelliittikuvat. Sateliittikuvista muokattiin virtuaalinen rasterikerros, joka hävitti satelliittikuvien rajat ja kuvasta tuli yhtenäinen. Virtuaalirasterista teimme korkeuskäyrät ja rinnevarjostuksen. Rinnevarjostus säädettiin niin, että pohjakartta näkyi läpi.

Lopuksi teimme seuraava tuntia varten Pornaisten karttaan vektoriaineistoja, tiestä ja taloista. Nyt vain pitää toivoa, etä olin tallentanut tasot oikein.

lähteet:

M. Katajisto, Varsinaista velhoilua, luettu 6.2.2020 https://blogs.helsinki.fi/mattikat/

M. Kangasmaa, Sisäinen GIS-nörttini on virallisesti herännyt (Kurssikerta 4), luettu 6.2.2020 https://blogs.helsinki.fi/kanmikko/

 

Suurimman osan kurssikerrasta harjoittelimme tietojen yhdistämistä. Toiminnot olivat itselle täysin uusia, mutta logiikka iiden taustalla tuntui itselle järkevältä. Loimme kartan Afrikasta, jossa näkyy öljykentät, konfliktit ja timanttikaivokset.

Aluksi  QGIS ohjelmassa Afrikan kartan tietoja piti yhdistellä, koska tietokannassa oli yli 760 tiedostoa ja Afrikassa on valitoita 54. Useasta valtiosta oli useita tiedostoja, jotka yhdistettiin merge feature attributes – ja dissolve-työkaluilla. Lopuksi kutakin valtiota kohtaan oli yksi tiedosto. Seuraavaksi piti tehdä datan lisäys. Ensin dataa katsottiin Excel tiedostona, tarkastettiin, että kaikkien valtioiden nimet olivat kirjoitettu samoin kuin QGIS:ssä olevien valtioiden nimet, nimien avulla ohjelman olisi tarkoitus yhdistää tiedot ja valtiot. Data tallennettiin .csv-tiedostoksi, jotta QGIS voisi sen tunnistaa ja lukea.

Tietokannat yhdistettiinn  join-toiminnolla, tiedostojen yhteinäiseksi tekijäksi laitettiin maan nimi. Konfliktit valtioittain muutettiin siten, ettei jokainen yksittäinen konflikti ollut omanaan vaan per vuosi, tähän käytettiin count points in polygon toimintoa toolboxista. Öljykenttien lisäys tehtiin join attributes by location toiminolla. Lopputuloksena oli Afrikan kartta, jossa näkyi timanttikaivokset ja konfliktit pisteinä ja öljyentät alueina.

Sitten alkoi haastava osuus eli itsenäinen osuus. Piti tehdä kartta Suomen tulva-alueiden tulvaindeksi ja järvisyysprosentti diagrammina karttaa.

Aluksi osa tiedoista oli QGIS:iin sopivassa tiedostomuodossa ja järvisyysprosentti excel-taulukossa. Kaksi tiedostoa piti yhdistää, jotta tulvaindeksin saisi laskettua. Aluksi yritin laskea tulvaindeksiä QGIS:ssä, mutta sain osalle paikkakunnista tulokseksi “null” ja mietin, että eihän tämä ole mahdollista. Kolmen yrityksen jälkeen opettaja kertoi yleisesti, etteivät kaikki koneet ole välttämättä tuoneet tiedostoa automaattisesti oikein ohjelmaan. Neljännen yrityksen jälkeen ja tiedoston lisäysasetuksia muuttamalla sain vihdoinkin tämän laskun onnistumaan. Sitten oli taas vuorossa excel-tiedostojen nimien tarkastus ja tallennus .csv-muotoon ja lisäys QGISiin. Lopuksi vielä järvisyydestä tein pylväsdiagrammin kartan päälle, lopputulos on ihan pyllystä. Kartta kuvaa erialueiden tulvariskiäpunaisella jajärvisyysprosenttiadiagrammina. Punaisella oleva tulvaindeksi kertoo kuinka suuri on vuoden suurin tulva suhteessa normaaliin vesimäärään verrattuna. Järvisyys näyttäisi olevan suurinta alueilla, joissa tulvaindeksi on pieni. Tästä voisi päätellä, että suuret vesimassat tasoittavat tulvia. Toinen vaihtoehto on, että jokien vesimassa on suurinta joen alajuoksulla eli lähellä merta. Jolloin joen  virtaamaan vesimassan suuruus on suurempi kuin joen yläjuoksulla  tulvariski näillä alueilla kasvaa.

Mielestäni kaikki kartat, joihin on päälle liimattu diagrammeja näyttävät rumilta ja tässä varsinkin ne peittävät tulvaindeksin alueita ja menevät keskenään päällekäin. Ehkä tämä on jonkun mielestä informatiivinen, mutta omasta mielestäni vain suttuisa ja hämmentävä. Jos johonkin oikeaan julkaisuun pitäisi nämä tiedot laittaa tekisin kaksi eri karttaa. Yritin säätää diagrammeja läpinäkyvimmiksi, jotta olisivat vähemmän pyllyisiä, mutta ei se pahemmin asiaa auttanut. Pihla Haapalo on mielestäni ratkaissut pylväsdiagrammien ruman ulkonäön hienosti käyttämällä erikokoisia palloja. Hänen karttansa luettavuus on huomattavasti parempi kuin oman. Kartan värien valinta tuntui minustakin hasstavalta kuten Annika Luoma blogissaan toteaa ja päädyin samoihin värivalintoihin samoista syistä.

Lähteet:

P. Haapalo – Timanttikaivoksia ja tulvaindeksejä, luettu 30.1.2020 https://blogs.helsinki.fi/haapalop/

A. Luoma -Kurssikerta 3: Tietokantoihin syventymistä & valuma-alueisiin tutustumista, luettu 30.1.2020 https://blogs.helsinki.fi/luomanni/

 

Toinen kurssikerta osoittautui itselle jo huomattavasti haastavammaksi kuin ensimmäinen tunti. Lyhyt pinna teknisten laitteiden kanssa ei auta yhtään QGIS:n käytössä. Hermostuessani vain klikkailen kaikkea, enkä lue mitä varoituksia tai kysymyksia ohjelma antaa. Lopputuloksena on ohjelma jumissa ja minä kujalla.

Aluksi kokeilimme erilaisia valinta työkaluja ja niiden toimivuutta. Sitten ladattiin Suomen kartta ohjelmaan ja haettiin siihen tietoa rajapinnan avulla WFS-palvelulla. WFS eli web feature service, nimensä mukaan lataa tiedot internetistä url-osoitteen avulla. Koneeni yhdistyi tietoihin, onneksi. Tarkoituksena olisi tehdä kartta, jossa esiintyisi eri projektioiden aiheuttama pinta-ala vääristymä kunnittain. Rajapinnalta tulevat pinta-ala tiedot muutettiin neliökilometreiksi laskin toiminnon avulla ja sitten projektio muutettiin sphere_mercatoriksi eli projektion kartta ikäänkuin kääntyy putkeksi vaakatasossa, jolloin napa-alueiden pinta-ala kasvaa. Ensin käytetty TM35FIN-projektio ei levittänyt napa-alueita. Samat laskutoimitukset tehtiin tällekin projektiolle ja lopuksi laskettiin pinta-alojen erotus jota verrattiin vääristymään ja muutettiin se prosenteiksi. Lopuksi tuloksena oli teemakartta, joka näyttää vääristymän koon prosentteina. Ja kuten olettaa saattoi, mitä pohjoisemmaksi mennään sitä suurempi on pinta-alan vääristymä.

Kuvaan olisi voinut tietysti voinut muokata tietoalueeseen oikean otiskon, eli pinta-alueiden vääristymän erotus prosentteina TM35 ja mercator projektioissa. Luokkia olisi voinut myös hieman säätää, mielstäni ensimmäinen luokka on vähän turha, koska siinä on vain 1 prosentin muutos, joten sen informaatio arvo ei ole mielstäni kovin suuri. Yhtä hyvin luokkia olisi voinut olla vain neljä. Tulosten esittäminen järkevässä mittakaavassa on asia, johon minun on ehkä keskityttävä vähän enemmän. Valitettavasti keskittyminen tuppaa loppumaan, kun hermo menee tietokoneeseen.

Yritin vielä tehdä lopputunnista Suomen natura-alueista vastaavanlaista karttaa. Mutta en saanut laskettua  projektion pinta-aloja oikein, vain mercatorin, joten luovutin, kun hermoni ei enää kestänyt vääntämistä ohjelmalla.

Työn lopputulos oli todella valaiseva projektio virheestä. Mercatorin aiheuttama vääristymä kohti napa-alueita on ollut tiedossani, mutten ollut ajatellut sen olevan näin valtava.

Itselle kävin vähän samoin kuin Siiri Nymanille, toisen tehtävän ohjeistus meni ohi ja matikka tuotti liikaa pään vaivaa, onneksi vieruskaverini ei panikoinut tai hätäillyt ja sain ensimäisen kartan tehtyä. Lopuksi kun kysyin opettajalta, että mitä sitä nyt kotona pitikään tehdä, sain vastaukseksi, että riittää kun on yksi onnistunut kartta kuva. Ehkä joku päivä innostun ja koitan tehdä natura-alueista uuden karttakuva.

Lopuksi on pakko lainata Janina Vikmania “Gis-hädässä auttaisikin suuresti, mikäli Moodleen saisi jonkinlaiset “step by step” – ohjeet tehtävien tekoon, joista voisi katsoa apua tarvittaessa.” Itse todellakin tarvitsisin ohjeet tai videon hätäapuna QGIS:n käyttöön.

 

lähteet:

S. Nyman, Toinen kurssikerta, lainattu 25.1.2020

https://blogs.helsinki.fi/nymsiiri/

J. Vikman, Palvelinosoitteita ja projektioita, lainattu 25.1.2020

https://blogs.helsinki.fi/jagvikma/

Ensimmäisellä kurssikerralla perehdyimme QGIS-ohjelman käyttöön, joka oli itselleni aivan uusi ohjelma. Teimme harjoitustyön Itämeren alueen typpipäästöistä ja päästöjen lähdemaista. Ohjelmalla sai näppärästi tehtyä teemakartan ja käyttöliittymä miellytti itseäni. Lukemattomalla määrällä plug-inejä, joita ohjelmassa on, saa ohjelmasta varmasti monenlaisia tarpeita vastaavan. Se mitä ensimmäisestä kerrasta siirtyi pitkäaikaismuistiin onkin sitten hyvä kysymys.

Tein teemakartan mökkien jakautumisesta Suomessa kunittain. Lähteenä käytin moodlessa ollutta aineistoa Suomen kunnista vuodelta 2015. Mökkien luokkarajojen jaossa käytin luonnollisia luokkarajoja. Luokkia tein vain kolme, joten teemakarttani kuvaa lähinnä kuntia, joissa on vähän mökkejä, sekä paljon mökkejä.

Kunnat, joissa on  määrälllisesti paljon mökkejä erottuivat mökkien lukumäärällä selvästi muista kunnista. Mökkien sijoittuminen suurimpien kaupunkien läheisyyteen ei ole yllättävä tulos. Moni kaupunkilainen haluaa lomallaan pois kaupungista. Mökkien sijoittuminen Itä-Suomeen ja Lappiin ei myöskään yllättänyt, koska ne ovat suosittuja talviloma kohteita.

Vertasin karttaani Pinja Nivalaisen karttaan Suomen väestöstä kunnittain ja pääsääntöisesti voi todeta, että Etelä-Suomessa Suurimpien kaupunkien kunnissa ei ole paljoa mökkejä, mutta naapuruskunnissa on. Tämä ei näytä kuitenkaan pätevän Etelä-Suomen ulkopuolella. Muualla Suomessa mökkeily ja lomamatkailu voi olla suurempi elinkeino tai mökkien hinnat eivät poikkea enää paljoa pienemmistä naapuruskunnista.

Vertasin myös mökkejä Mikko Kangasmaan väestönmuutoksen ennusteeseen vuodelle 2040, josko suurimmat mökkikunnat olisivat houkuttelevia kohteita tulevaisuudessakin. Ennestään tuttu, mukava mökkikunta, kun voisi olla houkutteleva tekijä muuttoa suunniteltaessa, mutta mitään yhteyttä en löytänyt. Suosituimmista mökkikunnista yksikään ei tosin sijoittunut suurimpaan muuttotappioluokkaan, mutta tästä ei voi silti vetää mitään luotettavia johtopäätöksiä.

Prosenttini ovat aika pieniä ja ilman legendan kunnollista tarkastelua saattavat antaa hämäävän kuvan, että suosituissa mökkikunnissa on valtavasti mökkejä. Ensimmäinen luokkani 0,00-0,39 olisi voinut olla myös muun värinen kuin valkoinen, jälkikäteen se vaikuttaa mielestäni siltä, ettei näissä kunnissa olisi lainkaan mökkejä.

Lähteet:

Nivalainen P. blogi kurssikerralta 1 käytetty 20.1.2020

https://blogs.helsinki.fi/npinja/author/npinja/

Kangasmaa M. blogi kurssikerralta 1 käytetty 20.1.2020

https://blogs.helsinki.fi/kanmikko/

 

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