Hello! Tässä olisi viime maanantain kenttätöiden kuvasaalis. Alueiden viihtyvyyden ja ihmisten hengailuhalukkuuden tutkiminen pisti mantsalaiset mietteliääksi.
Lounasravintola Kapsäkki houkutteli tutkijoita. Viihtyvyys 4/5. Turvallisuus 3/5, sillä ravintola sijaitsee vilkkaan Hämeentien varrella. Viihdyimme.
Sörnäisten metrotunneli toimi pakokeinona hyytävältä pakkassäältä. Viihtyvyys 1/5. Turvallisuus 2/5. Mutta saavutettavuus 5/5.
Yhteiskuva William K:n kanssa. Wow! Viihtyvyys 2/5. Turvallisuus 2/5.
Ohessa vielä tutkijaryhmämme blogit. Vahva suositus näille kolmelle.
Roope Heinonen: Roopen selviytymistarina https://blogs.helsinki.fi/hcroope/
Maiju Karhu: MaiKarhu’s blog https://blogs.helsinki.fi/maikarhu/
Eemil Becker: Meemilin blogi https://blogs.helsinki.fi/beemil/
Kurssi häämöttää jo loppuaan. Toiseksi viimeinen kurssikerta toi vähän vaihtelua joka-maanantaiseen neljän tunnin luennointirupeamaan. Auringonvalon sävyttämässä täydellisessä pakkassäässä lähdimme ”kenttätöihin” eli keräämään eeppistä dataa kampuksen lähiympäristön viihtyvyydestä ja turvallisuudesta Epicollect5 -nimisen älypuhelinapplikaation avulla. Vajaan tunnin ulkoilun jälkeen palasimme luokkaan analysoimaan kaikkien kurssilaisten yhdessä keräämää aineistoa. Sovelluksella kerätyn aineiston sai helposti tuotua QGIS-ohjelmaan, jossa siitä olisi yhdessä esimerkiksi OpenStreetMap-pluginin avulla voinut luoda yleistä viihtyisyyttä kuvaavan kartan. Kokeilumielessä kerätty aineisto oli kuitenkin loppupelissä aika yksipuolinen eikä välttämättä se kaikkein informatiivisin ottaen huomioon vuodenajan. Talvisäällä kerätty aineisto alueiden viihtyvyydestä ja ihmisten hengailuhalukkuudesta poikkeaa mitä luultavammin esimerkiksi kesällä kerätystä aineistosta. Kuten Marita Selin blogissaan toteaa, ”vertailukelpoisten tulosten saamiseksi on tärkeää tehdä tiedonkeruuta samoissa suhteissa, samaan aikaan”. Myös laaja-alaisempi alueiden tutkiminen olisi tuottanut tarkempaa tietoa. Tarkoituksena ei kuitenkaan ollut kerätä mahdollisimman yksityiskohtaista dataa, vaan lähinnä ymmärtää kuinka helposti aineistoa voi kerätä muun muassa älypuhelimen avulla.
Kenttätöiden tekeminen onnistuu myös sisätiloissa keräämällä aineistoa Google StreetView -pluginin avulla. Aineistoa on mahdollista kerätä kaikilta kartoitetuilta kaduilta. Pluginin avatessa karttalehden lisäksi ruudulle avautuu Go2StreetView -ikkuna, jota klikkailemalla pääsee etenemään haluamaansa katukohdetta pitkin. Harjoittelimme luennolla kyseisen työkalun käyttöä tekemällä harjoituksen kaupunkialueen kaupallisuuden näkymisestä kaduilla ja kaupunkikuvassa. Keräsin itse kaupallisuusaineistoa Annan-, Fredrikin-, Kalevan- ja Lönnrotinkadun rajaamasta korttelista. Jos aika ei olisi loppunut tunnilla kesken, olisi aineiston pisteitä voinut interpoloida sen tiheyden ja lukumäärän perusteella, ja lopputuloksesta tehdä karttaesityksen. Yritin myöhemmin tehdä kotoa käsin saman harjoituksen uudestaan, mutta nettiyhteyteni ei ollut tarpeeksi nopea pyörittämään kyseistä pluginia QGIS:issä. Jäi vähän harmittamaan, etten saanut mitään visuaalista esitystä harjoituksesta. Ymmärsin kuitenkin tärkeimmän, eli harjoituksessa hyödynnettyjen työkalujen tarkoituksen, sekä kuinka pisteaineiston interpolointi toimii.
Kuva 1. Go2StreetView-ikkuna avattuna QGIS-ohjelmassa.
Internet on erilaisia aineistoja pullollaan, joita oikeaan muotoon muunnettuna pystyy paikkatieto-ohjelmissa hyödyntämään. Siispä saimme kurssikerralla itsenäisesti harjoitella Internetistä peräisin olevan taulukkomuotoisen datan (kuva 2) tuomista Exceliin ja sitä kautta QGIS:iin. Nettisivuilta kopioitu tai tallennettu data täytyy yleensä muovata Excelin avulla tiettyyn muotoon (kuva 3), jotta sen saa avattua QGIS:issä. Aineiston pisteet on hyvä esimerkiksi muuntaa pilkuiksi, jotta vältyttäisiin vääristymiltä – Excelillä kun on tapa muuntaa pisteellä merkattuja lukuarvoja sattumoisin muun muassa päivämääriksi ja muiksi oudoiksi yhdistelmiksi. Taulukoinnin hallitsemisesta tulee olemaan paljon hyötyä tulevissa hommissa!
Kuva 2. Vapaasti saatavilla oleva tulivuoria käsittelevä aineisto NOAA:n nettisivuilta.Kuva 3. Sama tulivuoria käsittelevä aineisto muokattuna Excelissä oikeaan muotoon.
Itse harjoituksessa tarkoituksena oli tuottaa yhdestä kolmeen karttaa, joiden teemana ovat hasardit maapallolla. Valittavana oli kolme erilaista hasardia, maanjäristykset, tulivuoret ja meteoriittien putoamispaikat, joista löytyy helposti QGIS:iin tuotavaa pistemäistä tietoa. Olin vähintään yhtä innoissani tehtävästä kuin Sini Virtanen. Blogitekstissään ”Maailma vaarallinen, Kumpula turvallinen” hän hihkaisee: ”Olin todella yllättynyt ja innostunut siitä, että dataa oli saatavilla helposti ja ilmaiseksi.” Karttojen loihtiminen luonnistui tällä kertaa leikiten, joten innostuin visualisoimaan jokaista hasardia eri kartoilla. Yayyy!
Tavoitteena kartoille oli hyvin vaatimattomasti se, että tuotoksia voisi käyttää opettajan materiaalina tuntiopetuksessa. Ajattelin lähteä mahdollisimman yksinkertaisesta esityksestä liikkeelle, ja sisällytin ensimmäiseen karttaani kaikki 2000-luvun aikana tapahtuneet yli 6 magnitudin maanjäristykset, sekä aktiiviset tulivuoret (kuva 4). Tulivuorta kutsutaan aktiiviseksi, jos se on purkautunut vuoden 1964 jälkeen. Liisa Niemi oli tuonut blogiinsa kartan samasta aiheesta. Hänen karttaansa oli tosin liitetty ainoastaan yli 8 magnitudin maanjäristykset ja meteoriitit. Hasardit olisi toki voinut visualisoida erikseen, mutta samaan karttaan liitettynä oppilaiden on helpompi vertailla niiden sijaintia ja korrelaatiota, kuten Liisakin blogissaan toteaa.
Kuva 5. Aktiivisia tulivuoria ja vähintään 6 magnitudin maanjäristyksiä kuvaava kartta.Kuva 6. Litosfäärilaattoja ja niiden saumakohtia kuvaava kartta.Kuva 7. Erityisesti litosfäärilaattojen liikesuuntia kuvaava kartta.
Yli 6 magnitudin maanjäristys on Richterin asteikon mukaan voimakas, ja se aiheuttaa tuhoa noin 150km säteellä. Näitä järistyksiä on tapahtunut 2000-luvun aikana paljon, eniten laattojen subduktiovyöhykkeillä. Suurimmat maanjäristysalueet sijoittuvat Etelä-Amerikan ja Nazca-laatan törmäysvyöhykkeeseen, Intian-Australian laatan ja Arabian laatan törmätessä Euraasian laattaan sekä Tyynenmeren, Filippiinien ja Euraasian laatan törmäysvyöhykkeeseen. Erkanemissaumoissa on tapahtunut verrattaen vähemmän järistyksiä. Kuvissa 6 ja 7 on havainnollistettu litosfäärilaattojen saumakohtia. Aktiivisia tulivuoria sijaitsee eniten Tyynenmeren tulirenkaassa, sekä Indonesiassa ja Islannissa. Tyynenmeren tulirengas on litosfäärilaatan rajaama vyöhyke, jossa esiintyy intensiivistä tektonista ja vulkaanista toimintaa.
Mutta hei. Voidaanko hetki keskustella tuosta Ruotsissa sijaitsevasta aktiivisesta tulivuoresta. Mysterious. Klikkasin kyseistä kohdetta ja avasin attribuuttitaulun – ja kyllä, Ruotsissa tämä Lakagigar -tulivuori myös Country -sarakkeen mukaan sijaitsee. Nopean googlailun jälkeen selvisi, että Lakagigar on itseasiassa rakotulivuori Islannissa – näyttäisi olevan, että aineistossa on kyseisen tulivuoren kohdalla mennyt koordinaatit väärin. Laki -nimiseksikin kutsuttu tulivuori on lukemani mukaan vuonna 1783 purkautunut räjähdysmäisesti ja vaatinut monia kuolonuhreja. (Tekniikkatalous.fi) No, menihän se sijainti melkein oikein.
Kuva 8. Shocking News! Ruotsissa on tulivuori!
Toisen kartan (kuva 9) tarkoituksena olisi visualisoida kaikkia maapallon tulivuoria oppilaille. Kartassa on eriteltynä vielä kaksi tyypillisintä tulivuorityyppiä – kerrostulivuoret ja kilpitulivuoret – omalla värillänsä kuvaamaan niiden yleisyyttä. Kartassa on huonoa se, että jostain syystä jotkin kilpitulivuorista jäi peittoon muiden tulivuorimerkkien alle, vaikka yritin vaihdella tasojen päällekkäisyyttä. Kartasta selviää kuitenkin, että suuri osa tulivuorista on rakenteeltaan kerroksellisia. Kerrostulivuoret ovat yleensä jyrkkärinteisiä, ja ne syntyvät sitkaasta piioksidipitoisesta laavasta. Niitä esiintyy eniten subduktiovyöhykkeellä, kun taas kilpitulivuoria sijaitsee etenkin erkanemissaumoissa. Erkanevat laatat päästävät maan sisältä juoksevaa basalttista laavaa, joka synnyttää laakeita tulivuoria. Muita esimerkkejä lukuisista tulivuorityypeistä ovat kuumien pisteiden tulivuoret, joita esiintyy esimerkiksi Tyynenmeren laatan alueella, kalderat eli romahtaneet kerrostulivuoret, ja tuhkakartiot eli cinder conet.
Kuva 9. Maapallon tulivuoret – niin aktiiviset kuin sammuneet – sekä kerros- ja kilpitulivuoret eriteltynä.
Kolmas tuottamani kartta sisältää kaikki tunnetut maahan törmänneet yli 500kg painavat meteoriitit (kuva 10). Kyseinen aineisto oli haastavin käsitellä, sillä suuret numeroarvot oli esitetty aineistoissa ylimääräisten pilkkujen kanssa. (Esim. 5 000 000 oli esitetty muodossa 5,000,000) Onneksi Eemil Becker oli tehnyt samasta aiheesta kartan ja osasi auttaa onnetonta hädässä. Pilkkuongelman sai korjattua käyttämällä komentoa ”regexp_replace( ”Mass, g”, ’,’, ”), josta Eemil blogissaankin kertoo. Komento korjaa ”Mass, g” -sarakkeen arvojen pilkut ”tyhjällä”, jolloin numeroarvot muuttuvat yhtenäisiksi. Kun numeroarvot olivat yhtenäisiä, pystyi niitä luokittelemaan massansa mukaan. Kartassa meteoriitit on luokiteltu värinsä mukaan niin, että vaaleimmat ovat massaltaan pienimpiä ja suurimmat tummimpia. Myös pisteiden koko kartalla vaihtelee massan mukaan. Olisin halunnut liittää karttaan vielä suurimpien meteoriittien massat lukuarvoina, mutta en jostain syystä onnistunut siinä.
Kuva 10. Yli 500 kilogramman meteoriitit esitettynä kartalla.
Aineiston mukaan suurin tunnettu meteoriitti on Hoba, noin 60 000 tonnia painava meteoriitti Namibiassa. Hoban meteoriitti koostu raudasta, ja se on suurin tunnettu kokonainen meteoriitti. (Geology.com) Lisäksi massiivisia meteoriitteja on löydetty Cape Yorkista Grönlannista, Etelä-Amerikan mantereelta, Manner-Aasiasta sekä Arizonasta Yhdysvalloista. Karttaa katsellessa on helppo huomata, että suurimmat meteoriittihavainnot ovat löytyneet aavikoilta tai erämailta. Kohteiden havaitseminen on todennäköisesti helpompaa karuilla ja aukeilla alueilla, kuin paikossa, joissa on tiheää kasvustoa.
Luomani kolmen kartan sarja tutkii siis eri hasardien alueellisuutta, ja mielestäni ne sopisivat hyvin opetuskäyttöön. Toki pieniä yksityiskohtia – kuten lukuarvoja ja tekstisarakkeita – olisi karttoihin voinut lisätä. Tulivuoriaineistossa sattunut pieni kömmähdys Ruotsin kohdalla oli toisaalta hyvä, sillä kartat voi omalla tavallaan opettaa oppilaita ajattelemaan ja kyseenalaistamaan aineistoa.
Elämme jännittäviä aikoja – ensi kerralla hypätään meinaan täysin itsenäisesti suoritettavan työn kimppuun!
Google Kuvahaku https://www.google.fi/search?biw=1280&bih=615&tbm=isch&sa=1&ei=pdGTWqP6A8yKmgXw6ojQCw&q=litosf%C3%A4%C3%A4rilaattojen+liikkeet&oq=litosf%C3%A4&gs_l=psy-ab.1.1.0l10.4187632.4188656.0.4189756.7.5.0.2.2.0.109.445.3j2.5.0….0…1c.1.64.psy-ab..0.7.459…0i67k1.0.KQ_AjXA5roc#imgrc=eSTR_0re2Hs7fM:
Luettu 25.2.2018
Viides kurssikerta: bufferointia, pääkaupunkiseudun ominaisuuksien tutkimista ja oman ajattelutavan herättelemistä itsenäistehtävien avulla. Haastavaa, mutta opettavaista.
Kuten edellisen kurssikerran blogitekstissä taisinkin mainita, aloitimme viime maanantaina valmistelemaan Pornaisten kuntaa koskevaa aineistoa tätä kurssikertaa varten. Harjoittelimme rakennusten, teiden ja peltojen piirtämistä kartalle Pornaisia kuvaavan rasterikarttapohjan avulla, ja valmiin aineiston avulla pääsimme kokeilemaan erilaisia bufferianalyysejä. Pienimuotoinen harjoittelu tuli tarpeeseen, sillä harjoituksessa tutuksi tulleet työkalut olivat avain meille annettujen itsenäistehtävien suorittamiseen.
Bufferi- eli puskurianalyysin avulla voidaan kartalla määrittää tietyn levyinen vyöhyke valitun tietokannan kohteille. Kohde, jolle vyöhyke määritetään, voi olla piste, viiva tai alue eli polygoni. Bufferia käyttämällä voidaan tutkia muun muassa tietyn kohteen vaikutusalueen kokoa, tai määrittää kuinka monta kohdetta sijoittuu tietyn säteen sisäpuolelle. Esimerkiksi Pornaisten aineiston avulla loimme puskurivyöhykkeen alueen pääteiden ympärille, ja tarkastelimme säteen sisälle sijoittuvien talojen ja asukkaiden määrää. Analyysitavan avulla voidaan selvittää myös vaikkapa meluvyöhykkeitä, saavutettavuutta tai säteilyalueita.
Omalla ajalla suoritettavia itsenäistehtäviä meille suotiin yhteensä kolme kappaletta, jotka kaikkia käsittelivät erilaisia aihepiirejä pääkaupunkiseudun alueella. Alla olevassa taulukossa 1 on kirjattuna ylös annettujen tehtävien vastaukset. Ensimmäisessä tehtävässä käsittelimme Malmin ja Helsinki-Vantaan lentokenttiä, sekä lentoliikenteestä aiheutuvia meluhaittoja lähistöllä asuville ihmisille. Luomalla bufferit molempien kenttien ympärille sain selville eritasoisten melualueiden sisällä asuvien henkilöiden lukumäärät. Helsinki-Vantaan lentokentästä kahden kilometrin etäisyydellä asuu 11501 asukasta, kun taas Malmin lentokentällä vastaava luku on jopa viisinkertainen: 57577 asukasta. Yhden kilometrin säteellä Malmin lentokentästä asuu jopa 8847 asukasta. Tehtävistä saadut lukuarvot saattavat hieman vaihdella siitä riippuen, miten tekijä on esimerkiksi merkannut lentokenttien kiitoradat karttaan.
Taulukko 1. Lentokentät ja metro- ja juna-asemat.
Helsinki-Malmin lentokenttä valmistui vuonna 1936, ja se otettiin virallisesti käyttöön vuonna 1938, jonka jälkeen se toimi Helsingin päälentoasemana aina Helsinki-Vantaan valmistumisvuoteen 1952 asti. Nykyisin Malmin lentokenttä on Helsingin kaupungin omistuksessa, ja aseman toiminta koostuu lähinnä lentokoulutuksesta ja yleisilmailusta. Alueelle on kaavailtu asuinrakentamista siitä huolimatta, että lentoasema on maaliskuussa 2016 valittu Euroopan 7 uhanalaisimman kulttuuriperintökohteen joukkoon. (Malmiairport.fi) Sen sijaan Helsinki-Vantaan lentokentän liikenne jatkaa kasvamistaan: vuonna 2000 kentän matkustajamäärä nousi ensimmäisen kerran yli 10 miljoonan, ja vuonna 2013 matkustajamäärä ylitti 15 miljoonan rajapyykin. (Finavia.fi) Vilkastuvasta lentoliikenteestä aiheutuu muun muassa suurta meluhaittaa kentän läheisyydessä asuville. Kuten Tuuli Lahin kirjoittaa blogissaan, väkiluku ja liikenne lentokentillä kasvavat, kun kaupungistuminen ja matkustelu kasvattavat suosiotaan. Tuuli siteerasi Tiede-lehden artikkelia näin: ”Melu määritellään jatkuvana äänenä, joka ei vaurioita kuuloa, mutta ärsyttää ja ottaa päähän.” Artikkelin mukaan melu voi aiheuttaa kuulovaikeuksia ja -sairauksia, sekä pahimmillaan kuoleman. Tutkimus meluhaitoista ja pyrkiminen niiden minimoimiseen on nyky-yhteiskunnassa erittäin tärkeää. Melua on pyritty vähentämään erilaisilla infrastruktuuriratkaisuilla, kuten meluvalleilla.
Lentokenttätehtävän lisäksi hyödynsin puskurianalyysiä tarkastellessa asukaslukumääriä juna- ja metroasemien läheisyydessä. Vantaalla 21,7% kaikista alueen asukkaista asuu alle 500 metrin päässä lähimmästä metro- tai juna-asemasta, ja 68,5% kyseisistä ihmisistä on työikäisiä.
Taulukko 2. Taajamat.
Erilaisten bufferisovellusten jälkeen oli aika siirtyä pienehkön taajamien asukkaita käsittelevän tehtävän (taulukko 2) kautta muihin aihepiireihin. Pääkaupunkiseudun asukkaista 96,1% asuu taajamissa, mikä tekee pääkaupunkiseudusta Suomen tiheimmin asutuimman alueen. Anyway – seuraava aihepiiri käsitteli Helsingin Yhtenäiskoulun koulupiiriä ja erityisesti sen oppilaiden määriä (taulukko 3). Kuten Matti Moisalakin blogissaan toteaa, oli koulupiirejä käsittelevä tehtävä annetuista vaihtoehdoista ehdottomasti helpoin. Tehtävästä selvisi helpoilla laskutoimituksilla ja kyselyillä Field calculatorilla sekä Select by expressions – toimintojen avulla. Aivotyötä tuotti kuitenkin oikeiden ikäluokkien valitseminen analyysiin, jotta vastauksista saisi mahdollisimman todenmukaiset. Saatujen tulosten perusteella voi huomata, että Yhtenäiskoulun koulupiirissä alakoulun aloittavia opiskelijoita, sekä yläasteikäisiä on todella vähän. Pienimuotoisen googlailun perusteella kävikin nopeasti ilmi, että Yhtenäiskoulun lakkauttamisesta on käyty viime vuosina paljon keskustelua. (Helsingin Uutiset 2014)
Taulukko 3. Koulut.
Koulutehtävän helppouden vuoksi päädyin tekemään vielä uima-altaita ja saunoja käsittelevän harjoituksen (taulukko 4). Kuten tehtävänannossa jo kerrottiinkin: ”oma sauna on suomalaisuuden ikoni, ja sellainen löytyykin melkein jokaisesta uudesta asunnosta. Kaiken kaikkiaan aineiston mukaan 24,2%:ssa kaikista pääkaupunkiseudun asunnoista on sauna. Uima-allasta voidaan pitää luksuksena, mutta niitäkin löytyy yllättävän monesta pääkaupunkiseudun talosta tai taloyhtiöstä. Uima-altaalla varustettuja rakennuksia pääkaupunkiseudulla on yhteensä 855, ja asukkaita näissä taloissa on jopa 12170. Visualisoin tuloksista pylväät sisältävän koropleettikartan (kuva 1), joka kuvaa kunkin osa-alueen uima-altaiden lukumäärää.
Taulukko 4. Uima-altaat ja saunat.
Kuva 1. Uima-altaiden lukumäärä alueittain pääkaupunkiseudulla.Kuva 2. Uima-altaiden lukumäärää kuvaava kartta ilman luettavuutta heikentäviä numeromerkintöjä.
Mielestäni kartan visualisointi onnistui ihan hyvin, mutta pylväät ja numerot vaikeuttavat ehkä hiukan kartan luettavuutta. Etenkin numerot olivat todella vaikeita saada näkyviin selkeästi värityksen rinnalla (kuva 1). Väriskaalan avulla on kuitenkin helppo erottaa alueet, joissa uima-altaita esiintyy eniten. Eniten uima-altaalla varustettuja rakennuksia on Lauttasaaressa (53), ja toiseksi sijoittuu Länsi-Pakila (52). Myös Kulosaari sijoittuu listan kärkipäähän. Kyseiset alueet tunnetaan Helsingissä yleisesti varakkaampina osa-alueina. Asuntotyyppien mukaan uima-altaita on eniten omakotitaloissa. Tehtävä oli suhteellisen helppo suorittaa aiempia metodeja – Field calculatoria, Spatial querya ja Join attributes by locations -toimintoja – hyödyntäen. Myönnettäköön kuitenkin, että vaikka kuinka yritin itsenäisesti selvitä suorituksesta, jouduin pari kertaa kiskaista kaveria (lue: Viviä, Eemiliä ja Roopea) hihasta. Haasteita tuotti muun muassa se, kun en osannut karsia analyysejä varten tarvittavia aineistoja tarpeeksi kompakteiksi. QGIS pisti vastaan ja kaatui kaatumisensa jälkeen, mutta kyllähän siitä taas selvittiin. Onneksi on opiskelukavereita, jotka ymmärtää ja haluaa auttaa. Thanks peeps. <3
Kaikenlaista sitä on tullut opittua QGIS:in parissa tämän reilun kuukauden aikana. On hauska nähdä, kuinka tämänhetkisen paikkatieto-osaamisen perusteella osaa jo erotella erilaisia kyselytoimintoja ja valintatyökaluja toisistaan, kurssin alussa kun jokainen niistä tuntui näyttävän ihan samalta. Osaan käsitellä vektori-, rasteri- ja WFS-pohjaisia aineistoja, ja liittää aineistoon tekstipohjaista dataa. Graafiset toimenpiteet ovat ehkä parhaiten hallussa. Field calculatorissa sekä Geoprosessing tooleissa on vielä lukemattomia toimintoja, joista en ole kerennyt ottaa selvää, mutta uskon hallitsevani kaikki yleishyödyllisimmät komennot. Googlen saloista onneksi löytää aina apua hätätilanteissa. Vaikeinta on ehdottomasti erilaisten analyysien ja laskutoimitusten soveltaminen. Ihan järkytyin, kuinka pimennossa esimerkiksi ihan arkipäiväiset matikan kaavat voivat olla parin välivuoden jälkeen. Onneksi epätoivon hetkinä koulukaverit ovat kuitenkin osanneet palauttaa maan päälle vakuutellen, että ”tämä on Eve vasta ensimmäinen kurssi, ei sun tarvitse osata vielä kaikkea täydellisesti”. Se on ihan totta, soveltamaan oppii vaan harjoittelemalla ja uskaltamalla kokeilla erilaisia ratkaisutapoja. Olenkin yrittänyt tehdä lisätehtäviä aina kun ajankäyttö on sallinut, ja uskon niiden auttaneen paljon ohjelman toimintaperiaatteiden sisäistämisessä.
Viides kurssikerta lyhykäisyydessään oli siis itsenäistymistä: irtaantumista ennalta määrätyistä ohjeista ja rutiineista, uuden oivaltamista ja QGIS:in itsenäisen hallinnan punnitsemista. Olen Eemilin kanssa samaa mieltä siitä, että kurssikerta oli tähän mennessä kaikista antoisin. Ensi kerralla päästään ilmeisesti maastoon seikkailemaan, can’t wait!
Pisteitä, ruutuja, rasterikarttoja, sekä kartta-aineiston piirtämistä. Niistä oli neljännen luentokerran tietopaketti tehty. Alkuluento vierähti perehtyessä piste- ja ruutuaineistojen teoriaan, jonka jälkeen pääsimmekin käyttämään oppimaamme tietoa heti käytännössä QGIS:in parissa. Pisteaineistot ovat kaikista tarkimpia paikkatietoaineistoja, joihin voidaan kerätä tietoa melkein minkälaisista kohteista tahansa. Nimensä mukaan pisteaineistolla kuvataan yleensä kartoissa pistemäisiä kohteita, kuten rakennuksia tai vaikkapa eläinhavaintoja. Nämä kohteet yleensä sisältävät paljon ominaisuustietoa, kuten rakennusten tapauksessa vaikkapa niiden tyypistä, käyttötarkoituksesta tai rakentamisvuodesta. Pisteaineiston tuottamisen tarkimpia menetelmiä on laserkeilaus, jossa dataa kerätään keilaamalla maastoa lasersäteiden avulla useasta suunnasta. Laserkeilaamalla voidaan mallintaa maastoa – esimerkiksi rakennuksia, kasvillisuutta jopa kymmenien senttien tarkkuudella. Mobiililaserkeilaus on tapa, jolla voidaan kartoittaa esimerkiksi raitiotielinjoja ja rakennusten kolmiulotteisuutta kaupunkimalliprojekteissa.
Kuva 1. Laserkeilauksen toimintatapa. (lähde: Google kuvahaku)
Ruutuaineistot ovat tuottava tapa kerätä alueellista tietoa ilman valmiita hallinnollisia aluejakoja. Useat Suomea käsittelevät aineistot ovat esitettynä ruutumuodossa. Esimerkiksi Tilastokeskukselta on saatavissa keskeistä tietoa alueiden asukasrakenteesta, koulutuksesta, asumisesta, tuloista ja työpaikoista niin 250m x 250m-, 1km x 1km- tai 5km x 5km -karttaruuduissa. Ruutuaineistoja hyödynnetään sekä yksityisellä että julkisella sektorilla muun muassa markkinoinnin suunnittelemisessa, kauppapaikkojen sijainnin kohdistamisessa, sekä erilaisissa aluetutkimuksissa. (Tilastokeskus, Ruututietokanta) Ruutupohjaiset aineistot ovat tehokkaita, mutta usein myös kalliita hyödyntää – suurien aineistojen lisenssejä ei usein tarjota kovin edullisesti.
Luennon päätehtävässä pääsimmekin kokeilemaan ruutukarttojen tekemistä. Loimme QGIS-ohjelmassa ruudukon, jonka yhdistimme valmiiseen pääkaupunkiseudun väestötietoa sisältävään tietokantaan. Pääkaupunkiseudun väestötietokannassa on jaoteltu tietoa eri asukkaista esimerkiksi äidinkielensä, etnisen taustansa sekä ikäluokkien perusteella. Aineisto sisältää myös sijaintitietoa eri muodoissa. Harjoituksessa käytimme ruutukokona yhtä kilometriä. Alla oleva kuva (kuva 2) on otettu työvaiheesta, jossa on esitettynä pistepohjainen pääkaupunkiseudun väestötietokanta (Pks_vaki-layer), sekä sen alla luomamme ruudukko keltaisella. Ruudukon ruudut määräytyvät pisteaineiston sijaintien mukaan.
Kuva 2. Työvaihe, jossa ilmenee pistepohjaisen aineiston avulla tehty ruudukko.
Ensimmäisenä työnä luennolla tuotin kartan ruotsinkielisten asukkaiden lukumäärästä pääkaupunkiseudulla 1km x 1km -ruudukossa (kuva 3). Kuten kartasta voi huomata, ruotsinkielisten asukkaiden lukumäärä mukailee lähinnä pääkaupunkiseudun väentiheyttä. Ruotsinkieliset keskittyvät lähelle rannikkoa, etenkin Helsingin niemeen, jossa muutenkin sijaitsevat pääkaupunkiseudun suurimmat väestökeskittymät. Vähiten ruotsinkielisiä pääkaupunkiseudulla asuu Vantaalla ja Espoon pohjoisosissa, jossa asutus on harvempaa. Yleisesti kuitenkin ruotsinkieliset ovat levittäytyneet laajasti koko seudulla, sillä kaksikielisen kulttuurin moniarvoisuus on otettu huomioon laajasti pääkaupunkiseudun palveluiden tarjonnassa.
Kuva 3. Ruotsinkielisten asukkaiden lukumäärä pääkaupunkiseudulla 1km x 1km -ruudukossa.
Koska ensimmäinen tekemäni kartta ei oikeastaan sisältänyt mitään uutta informaatiota, päätin tutkia ikäluokista yli 60-vuotiaiden sijoittumista pääkaupunkiseudulla. Aiemmin luotu 1km x 1km -ruudukko ei mielestäni antanut tarpeeksi tarkkaa tietoa, joten halusin kokeilla 500m x 500m -ruutupohjaa. Kokeilin vielä ruudukon luomista ihan omin avuin, sillä olin tuottanut aiemman kartan suoraan ohjeita lukien. Ja arvatkaa mitä, mä osasin! Ai että, näihin onnistumisen tunteisiin voisi tottua. Visualisoin onnistuneella ruudukolla yli 60-vuotiaiden, eli lähes eläkeikäisten asukkaiden sijoittumista pääkaupunkiseudun kunnissa. (kuva 4)
Kuva 4. Yli 60-vuotiaiden asukkaiden lukumäärä pääkaupunkiseudulla 500m x 500m -ruudukossa.
Yli 60-vuotiaita asuu pääkaupunkiseudulla paljon, jonka voi huomata tummimpien ruutujen laajalle levittäytyneestä sijainnista. Tätä suurta lukumäärää selittää todennäköisesti suurten ikäluokkien eläkkeelle siirtyminen, ja muuttoliike kohti pääkaupunkiseutua. Vuosi sitten tammikuussa Helsingin tila ja kehitys 2016 ennusti, että eläkeikäisten määrä tulisi kasvamaan tällä vuosikymmenellä kolmanneksella. Alle 70-vuotiaiden määrä alkaa ilmeisesti jo vähentyä, ja kasvu alkaa painottua vanhempiin ikäluokkiin. (Helsingin tila ja kehitys 2016) Vaikka ikääntyviä ihmisiä asuu alueella paljon, ei seudulla yleisesti ole ongelmaa esimerkiksi huoltosuhteen kanssa. Kartassa näkyy, kuinka yli 60-vuotiaiden asuminen keskittyy etenkin suurien teiden varsille koko pääkaupunkiseudulla. Pohjois-Espoossa eläkeikäisiä asuu vähemmän, kun taas Itä-Vantaalla on huomattavissa suuriakin keskittymiä. Ikääntyvien ihmisten on helpompi keskittyä taajamiin lähelle hyviä liikenneyhteyksiä, jotta palvelujen hyödyntäminen olisi mahdollisimman helppoa. Usein myös vanhustenkodit ja muut hoitopalvelut sijoittuvat hyvin saavutettaville paikoille.
Jos aineistoa tarkasteltaisiin vielä pienemmällä ruutuaineistolla, esimerkiksi 250m x 250m – tai 100m x 100m -ruudukolla, saataisiin alueellisesta sijoittumisesta vieläkin tarkempaa tietoa. Esimerkiksi Senni Luoto blogissaan oli kuvannut muunkielisten määrää pääkaupunkiseudulla 250 x 250m -ruudukolla. Kuten Sennikin blogissaan toteaa, kyseinen ruutukoko on ehkä pääkaupunkiseudun tasolla liian pieni. Jos tarkasteltava alue olisi vaikka yksi pääkaupunkiseudun kunnista, voisi pienempi ruutukoko olla hyvä ratkaisu. Ruutukartoissa esitetään yleensä absoluuttisia arvoja, kuten väestömääriä tai lukuarvoja. Kun ruudut ovat keskenään samankokoisia, voidaan absoluuttisia arvoja esittää suoraan kartalla, mutta jos ruudut ovat erikokoisia, arvot on suhteutettava keskenään. (Tilastokoulu, Ruutukartta) Ruututeemakartan informaatioarvo kuntatasolla tarkasteltuna on erinomainen, sillä ruutujen kokoa saa helposti säädettyä tarpeen mukaan. Aiemmissa tehtävissä, esimerkiksi projektioiden virheitä tarkasteltaessa ja tulvaindeksejä laskiessa, taas koropleettikartta toimi hyvin. Koropleettikartassa esittämiseen soveltuvat parhaiten suhteelliset lukuarvot – kartassa ei tulisi esittää absoluuttisia lukuarvoja. Visualisointi voi vääristyä helposti, sillä suurelle alueelle sijoittuu useimmiten enemmän kuvattavaa ilmiötä, esimerkiksi väestöä, kuin pinta-alaltaan pienelle alueelle. Lisäksi kunkin alueen esitettävä tieto on alueen keskimääräinen arvo, eikä se kerro alueen sisäisestä vaihtelusta. (Tilastokoulu, Koropleettikartta)
Pistekartat ja ruutuaineistot – helppoa ja kivaa! Tällä luentokerralla oikeasti tunsin onnistuvani, sillä pystyin itse seuraamaan pelkkää kirjallista ohjetta sen sijaan, että olisin tuijottanut joka klikkausta valkokankaalta. Oltiin niin tehokkaita oppilaita, että kerettiin tunnilla siirtymään vielä seuraavaankin aiheeseen, eli rasterikarttoihin. Aiemmat kolme luentokertaa ovat paneutuneet aika lailla vektoripohjaisiin GIS-aineistoihin, joten oli kiinnostavaa päästä kokeilemaan muita tietokantoja. Yhdistimme pari eri skaalassa olevaa korkeusmallia ja pääsimme myös aloittamaan hieman piirtämistä Pornaisten karttapohjalle. Ensi viikolla jatketaankin sitten samasta aiheesta, jeejee!
-Eveliina
PS. Fransiscus doing the right thaaang.
Lähteet:
Google kuvahaku, Laserkeilaus
https://image.slidesharecdn.com/laserkeilausesittelytutkimustantere-110212080107-phpapp01/95/laserkeilaus-ympristn-mallintamisessa-4-728.jpg?cb=1297498211 Luettu 6.2.2018
Helsingin tila ja kehitys 2016: Väestö ja väestönkehitys Helsingissä 26.1.2017
http://tilajakehitys.hel.fi/vaesto_ja_vaestonkehitys_helsingissa Luettu 6.2.2018
