Lyhyenä yhteenvetona kurssista haluaisin sanoa, että oli ihanaa päästä lukemaan mitä muut ovat kokeneet kurssin kuluessa ja näkemään millaisia töitä kukin on tehnyt. Sain itse paljon apua ja ideoita muiden blogeista enkä tuntenut olevani niin hukassa lukiessani, kuinka muillakin oli omat haasteensa QGIS:n kanssa. Näiden sanojen saattelemana voin nyt päättää blogini.
Mulla oli kivaa, toivottavasti oli teilläkin! Moikka!
Viides kurssikerta oli kaikin puolin monimutkaisin johtuen varmasti osittain siitä, etten päässyt kyseiselle kurssikerralle. Tästä johtuen tämän kerran aiheiden oppiminen jäi puolitiehen ja blogikin viimeiseksi tehtäväksi. Sitä voi taas todeta, että vaikka kuinka yrittää jättää jonkin asian taakseen, niin kyllä sen edestään vielä löytää.
Kurssikerta sisälsi paljon itsenäistä työskentelyä ja tarkkuutta vaativia toimenpiteitä. Tehtävät painottuivat karttakohteiden avulla laskemiseen ja puskuroinnin eli bufferoinnin harjoittelemiseen. Aineistona oli mm. Malmin ja Helsinki-Vantaan lentokentän alue sekä tilastotietoja pääkaupunkiseudulta.
Puskurointi on erittäin hyödyllinen ja monikäyttöinen työkalu, jolla voidaan määrittää halutun kokoinen vyöhyke tietyn kohteen ympärille ja näin kartoittaa kohteen vaikutusalue. Usein tätä menetelmää hyödynnetään esimerkiksi melualueiden määrittämiseen. Bufferointi sopii kuitenkin oikeastaan minkä tahansa ilmiön vaikutusalueen kartoittamiseen, joten sen arvo esimerkiksi aluesuunnittelussa on suuri. Blogitekstissään Bufferointia ja uima-altaita Yeminda pohtii hyvin puskuroinnin mahdollisuuksia aluesuunnittelussa.
”bufferointia voitaisiin hyödyntää esimerkikisi meluhaittojen, tietoliikenneverkkojen ja liikkumistottumuksien kartoittamisessa ja sijoittamisessa. Miten kaupunkiympäristö vaikuttaa luontoon ja muihin ekosysteemeihin tietyn etäisyyden päästä? Miten sijoittaa palveluita, rakennuksia tai virkistysalueita? Mitkä ympäröivät tekijät täytyy ottaa huomioon ennen loppullisen päätöksen tekemistä?”
| Malmi | ||
| Asukkaita 2km säteellä | 57201 | |
| Asukkaita 1km säteellä | 8734 | |
| Helsinki-Vantaa | ||
| Asukkaita alle 2km säteellä | 10659 | |
| 55db melualue | 11284 | |
| Asemat | ||
| 500 m päässä | 106691 |
Ensimmäinen tehtävä tuotti paljon turhautumisen tunteita, sillä se vei valtavasti aikaa ja QGIS kaatui useaan otteeseen. Tästä johtuen en saanut kaikkia arvoja laskettua. Toinen, uima-altaisiin liittyvä tehtävä, onnistui pieniä ongelmia lukuun ottamatta erittäin hyvin, kun tajusin mitä työkalua täytyy käyttää. Select features using an expression -työkalu osoittautui hyvin käteväksi kunhan hoksasin kirjoittaa lausekkeet oikein käyttäen AND -operaattoria.
Uima-altaisiin liittyvä tehtävä oli mielestäni melko mukava. Pystyin hyödyntämään jo opittuja taitoja ja hoksasin työkaluista myös uusia piirteitä, joiden avulla työskentely helpottui. Huomasin, että usealla muulla oli ollut ongelmia pylväiden näkyviin saamisen kanssa, ja niin oli alkuun minullakin. Kuitenkin, kun tarpeeksi kauan selailin eri valikoita kohdan ”diagrams” alta, lisäsin oikean muuttujan kohtaan Size > Attribute sekä Size > Maximum value, niin pylväät ilmestyivät hienosti kartalle. Pienen hienosäädön jälkeen sain kartan näyttämään haluamaltani. Täydellinen kartta se ei vielä ole, sillä lähemmin tarkasteltaessa huomaa, että pylväät ovat osin toistensa tai numeroarvojen päällä. Tämä on kuitenkin vaihtoehdoista parhain, sillä kokeilin pylväiden sijoittamista toisin, mutta tällöin ne peittivät numerot kokonaan tai olivat muutoin sijoittuneet huonosti.
| Uima-altaalla varustettu rakennus | 855 |
| Asukkaita taloissa, joissa on uima-allas | 12170 |
| Omakotitalo | 345 |
| Paritalo | 158 |
| Rivitalo | 113 |
| Kerrostalo | 181 |
| Kuinka monessa talossa sauna? | 21922 |
| Kuinka monta prosenttia se on kaikista asutuista taloista? | 24,2% |
53:lla uima-altaalla varustetulla rakennuksella Lauttasaari on uima-allasrikkain alue yhdessä Länsi-Pakilan kanssa, jossa on lähes yhtä monta (52) tällaista rakennusta. Hyvinä kakkosina tulevat Marjaniemi (48), Kulosaari (42) ja Vanha Munkkiniemi (41) (Kuva 1.).
Kuten huomaatte, halusin kokella koropleettikartan yhdistämistä pylväiden ja numeroiden kanssa. Se toimii mielestäni hyvin, sillä erilaiset arvot on paljon helpommin erotettavissa kartalta. Sijainnillisesti on hieman hankalaa erottaa alueita, sillä rajatut alueet eivät kartassani myötäile rannikkoa. Asian olisi voinut muuttaa korjaamalla tasoja niin, että merialue-taso olisi ylimpänä. Huomasin kuitenkin myös, että tässä tapauksessa koropleettikartta ei olisi enää niin selkeä, sillä merialueet peittäisivät osan eri värisistä alueista. Siispä ilman koropleettikarttaa rannikkoa myötäilevät alueet toimivat, mutta koropleettikarttaa käytettäessä olisi hyvä harkita asiaa uudestaan.
Koen osaavani hyödyntää QGIS:n työkaluja jo melko hyvin. Joidenkin toimintojen kanssa tarvitsen muistutusta aimmilta kurssikerroilta, mutta pääosin kykenen jo toimimaan omatoimisesti, minkä huomasin erityisesti uima-allastehtävää tehdessäni. Pienen pähkäilyn ja ajatusten kokoamisen päätteeksi sain tehtyä kartan omin avuin ja onnistuminen tuntui mahtavalta!
Viittaukset:
Rautavaara, Y. (5.3.2018). Kursikerta 5. Bufferointia ja uima-altaita. <https://blogs.helsinki.fi/yeminda/2018/03/05/kurssikerta-5-bufferointia-ja-uima-altaita/> Luettu 25.3.2018
Viimeisen kurssikerran tarkoituksena oli etsiä dataa ja tuottaa kartat omin avuin. Datan etsiminen ei ollut mikään pikku juttu, vaan se vei useita tunteja, enkä siltikään löytänyt sopivia aineistoja. Tein neljä karttaa siitä mitä irti sain ja päätin tyytyä siihen. Tietenkin harmitti lukea muita blogeja, sillä osa näistä sisälsi erittäin hienoja karttaesityksiä! Mieleeni jäi erityisesti Nellin kartta, johon hän oli liittänyt kuvina Brasilian biomit (7. Kurssikerta: Oman kartan laadinta). Monen tunnin puurtamisen jälkeen tämä tuntuu kuitenkin jo voitolta.
Päädyin tekemään karttaesityksiä Keniasta, vaikka alun perin yritin löytää dataa Indonesiasta. Ensimmäiseksi päätin tuoda esille Kenian sijaintia kuvaavan kartan, sillä ainakin itse haluan aina selvän kuvan siitä, missä kyseessä oleva alue sijaitsee.
Kokeilin hieman erilaisia karttoja samalla datalla ja sain aikaan 3 melko samanlaista karttaa sekä erillisellä datalla yhden koropleettikartan.
Kuvasta 3 huomataan, että maatalousalueiden ja kaupunkien sijoittumisella on yhteys. Itsestäänselväähän se on, mutta ehkä tätä voitaisiin hyödyntää opetuksessa. Jos unohdetaan hetkeksi se, ettei kartta kerro meille mitään uutta, voisimme miettiä toisesta näkökulmasta sen informaatioarvoa. Edellisen kurssikerran 6. ideana oli tuottaa opetusmateriaaliin soveltuvat kartat ja arvelisin, että nämä sopisivat samaan tarkoitukseen. Tämän tyyppiset kartat (Kuvat 1-5) antavat meille melko yksinkertaista tietoa, mutta nuoremmille koululaisille tämä voisi olla hyvinkin arvokasta informaatiota.
Gini- kerroin kuvaa alueiden välisten tuloerojen suuruutta. Se saa arvoja välillä 0-1, jossa arvo 0 kuvaa tulojen jakautumista täydellisen tasaisesti asukkaiden kesken ja arvolla 1 kaikki tulot kohdistuvat yhdelle henkilölle. Suomessa Gini-kerroin oli vuonna 2014 0,25 (SVT) eli Suomeen verrattuna Kenian alueet ovat melko epätasa-arvoisessa asemassa tulojen suhteen. Tietenkin on hieman hankalaa verrata näitä alueita tällaisenaan, sillä Kenia on jaettu hallinnollisiin alueisiin eikä minulla ole tietoa Suomen eri alueiden Gini-kertoimesta. Tästä johtuen hain vertailun vuoksi myös Kenian kertoimen, joka oli vuonna 2005 0,485 (Index Mundi, Kenya – GINI index).
Maaseudun Tulevaisuus -lehden uutisartikkelin mukaan Kenian talous ja väestö on kasvanut viime vuosina voimakkaasti ja maahan on alkanut hiljalleen kehittyä keskiluokkaa upporikkaiden ja rutiköyhien kansanosien väliin (Talouskasvu luo keskiluokan jyrkkien tuloerojen Keniaan, Koivula, J., 4.1.2016) . Tämä tarkoittaa sitä, että myös tuloerot alkavat hiljalleen tasoittumaan. Artikkelissa kuitenkin mainitaan Keniaan syvästi juurtuneesta korruptiosta ja kuinka vain noin 20 prosenttia kaikesta maassa tehtävästä työstä on virallisen verotuksen piirissä. Tämä herätti kysymyksen siitä, kuinka hyvin tilastot tuloeroista pitävät paikkaansa? Jos 80% kaikesta tehtävästä työstä tapahtuu verotuksen ulkopuolella, niin onko mitään takuita siitä, että kerätyt tiedot tuloista olisivat tosia? Jos työn teko ei tapahtu virallisen verotuksen piirissä, niin eikö tulot voisi silloin olla käytännössä mitä tahansa? En itse tiedä miten järjestelmä toimii, mutta kiinnostaisi kyllä tietää kuinka tiedot on hankittu ja kuinka luotettavia ne ovat.
Lisäksi vielä huomiona, että löytämäni data oli vuodelta 1999, joten nämä arvot eivät enää tänäpäivänä pidä paikkaansa.
Viittaukset:
Junttila, N. (3.3.2018). 7. Kurssikerta: Oman kartan laadinta. <https://blogs.helsinki.fi/junelli/2018/03/03/7-kurssikerta-oman-kartan-laadinta/> Luettu 22.3.2018.
Koivula, J. (4.1.2016). Maaseudun Tulevaisuus. Talouskasvu luo keskiluokan jyrkkien tuloerojen Keniaan. <https://www.maaseuduntulevaisuus.fi/politiikka-ja-talous/talouskasvu-luo-keskiluokan-jyrkkien-tuloerojen-keniaan-1.135735> Luettu 24.3.2018.
Suomen virallinen tilasto (SVT): Tulonjakotilasto [verkkojulkaisu].
ISSN=1795-8121. Tulot, Asuminen Ja Asumismenot 2015, 3. Tuloerot Euroopan maissa ja tuloerojen kehitys Suomessa pitkällä aikavälillä . Helsinki: Tilastokeskus.<http://www.stat.fi/til/tjt/2015/04/tjt_2015_04_2017-05-26_kat_003_fi.html> Luettu 24.3.2018
Index Mundi, Kenya – GINI index <https://www.indexmundi.com/facts/kenya/indicator/SI.POV.GINI> Luettu 24.3.2018.
Datan lähde:
World Resources Institute. Kenya – GIS Data <https://www.wri.org/resources/data-sets/kenya-gis-data#biodiversity> Haettu 22.3.2018.
Neljännellä kurssikerralla harjoittelimme ruututeemakarttojen tekemistä, rasteriaineistoilla operoimista sekä piirtämistä QGIS-ohjelmalla. Ruutuaineistot toimivat koropleettikarttoja paremmin absoluuttisten arvojen esittämiseen, sillä kaikki alueet ovat saman kokoisia. Koropleettikartat noudattavat yleensä esimerkiksi hallinnollisia rajoja, jotka eroavat pinta-aloiltaan paljon. Pinta-alaltaan ja väkiluvultaan eroavia alueita on hyvin vaikeaa verrata toisiinsa absoluuttisilla lukuarvoilla. Tästä johtuen käytetään suhteellisia lukuja. Ruututeemakartta antaa lisäksi huomattavasti tarkempaa tietoa alueen asukasmäärästä tai vaikka kerrostalojen lukumäärästä. Informaatioarvo riippuu kuitenkin täysin kartan käyttötarkoituksesta ja joskus suhteellisten arvojen käyttö sopii loistavasti ruututeemakartan kanssa.
Tein melko näppärästi ruotsinkielisten lukumäärää kuvaavan kartan ja olin oikein iloinen, kunnes huomasin lukuarvojen olevan melko pieniä ja eroavan muiden kartoista. Harmistuin ja turhauduin kovasti, sillä ajattelin karttani näyttävän hyvältä ja saaneeni vihdoin QGIS:n komennot selkäytimeeni. Ei kai sitten kuitenkaan. Jossain työvaiheessa taisin valita pudotusvalikosta väärän vaihtoehdon, mikä aiheutti liian pienet/vääränlaiset arvot. Onneksi huomasin, sillä seuraava kartta onkin sitten oikeaoppisesti tuotettu!
Kuvan 1 ruudukosta on poistettu rakennukset, joissa ei asu ketään sekä nollaruudut eli ruudut, joissa ei asu yhtään yli 60-vuotiasta henkilöä. Yli 60-vuotiaita asuu eniten selvästi Helsingissä, erityisesti kantakaupungissa, jossa väestöniheys on muutoinkin suurin. Näiden luokkajakojen perusteella Itä-Helsingissä olisi ympäröiviltä alueiltaan eroava keskittymä, joka on ilmeisesti Kontula. Tämä voi johtua kuitenkin luokkajaoista, joiden takia alue erottuu selvästi, vaikka ero muihin alueisiin olisikin hyvin pieni. 60-vuotiaiden lukumäärä vähenee huomattavasti siirryttäessä Helsingin keskusta-alueelta sisämaata kohti.
Löysin googlaillessani Ylen uutisartikkelin aiheeseen liittyen (Helsingin seutu vanhenee vauhdilla – katso kuinka oma naapurustosi harmaantuu), ja se sisälsi 1962-2012 vuosien Helsingin väestökartoista koostetun videon. Koropleettikarttojen mukaan Kontulan asukkaista yli 65-vuotiaita oli vuonna 2012 23%, kun vuonna 1962 tämän ikäisiä oli vain 2%. Sama ilmiö näkyi usealla Pääkaupunkiseudun alueella, ja uutisartikkelin mukaan: ”Väki vanhenee eniten Helsingin kantakaupungissa ja vanhoissa lähiöissä, joissa asuntokanta on pientä.” Tämä ei sinänsä ole uusi ilmiö, onhan se kaikille selvää, että iäkkäiden ihmisten lukumäärä kasvaa jatkuvasti samalla kun nuorten luvut ovat kääntyneet monella alueella laskuun. Ylen haastattelema Helsingin tietokeskuksen järjestelmäpäällikkö Pekka Vuori painottaa, että tästä johtuen täydennysrakentaminen ja asuinalueiden väestörakenteen monipuolisuuden ylläpitäminen on merkittävässä asemassa.
Olisi oikeastaan pitänyt laatia suhdelukumuotoinen kartta kyseisen muuttujan avulla, sillä tällainen kartta antaisi hyvin paljon tarkempaa tietoa yli 60-vuotiaiden sijoittumisesta suhteessa muuhun väestöön. Huomasin, että Liisa (4. Kurssikerta: Pään lyömisestä positiiviseen yllätykseen) oli tehyt juuri näin – suhdelukumuotoisen kartan – , ja hänen karttansa antaa aivan erilaisen kuvan asiasta. Tällaisenaan kartta ei ole kovin informatiivinen, enkä voi tietää ilman muita lähteitä, millä alueilla iäkkäitä ihmiä on suhteessa muuhun väestöön oikeasti paljon. On nimittäin selvää, että kantakaupungissa on yleisestikin paljon asukkaita, joten ei ole mikään ihme, että myös yli 60-vuotiaiden lukuarvot ovat tällä alueella suuria. Jos tekisin tämän uudestaan, tekisin toisin.
Viittaukset
Niemi, L. (9.2.2018). 4. Kurssikerta: Pään lyömisestä positiiviseen yllätykseen. <https://blogs.helsinki.fi/nliisa/2018/02/09/4-kurssikerta-paan-lyomisesta-positiiviseen-yllatykseen/> Luettu 5.3.2018
Sundqvist, V., Tebest, T., Rissanen, J. (22.6.2015). Helsingin seutu vanhenee vauhdilla – katso kuinka oma naapurustosi harmaantuu <https://yle.fi/uutiset/3-7787729> Luettu 5.3.2018
Kuudennella kurssikerralla keskityimme pistemäisten aineistojen käsittelyyn ja pääsimme tekemään viikon harjoitustyön hyvin vapaasti. Tämä oli erityisen mukava kurssikerta vapaan tekemisen ja itse aineiston mielenkiintoisuuden takia. Tarkoituksena oli siis tuottaa kolme opetukseen suunnattua karttaa luonnonhasardeista, joista vaihtoehtoina olivat maanjäristykset, tulivuoret ja meteoriittien putoamispaikat. Valitsin itse aiheekseni kaksi ensimmäistä ja käytin niitä erillään omina aihepiireinään sekä yhdistettynä samaan karttaan.
Kuva 1. on erittäin toimiva, jos mietitään esimerkiksi yläaste- tai lukio-ikäisiä. Tämän ikäisille ei opeteta kovin montaa tulivuorityyppiä, joten näiden kahden hyvin yleisen tulivuorityypin havainnollistaminen kartalla tekee siitä selkoluettavan.
Kuvassa 2 ongelmaksi syntyy pisteiden ja kolmioiden päällekäisyys. Tässä mielessä kartta on tavallaan hyvin yleistetty, sillä se ei esitä absoluuttisia tai suhteellisia lukuarvoja, vaan on silmämääräisesti tulkittava, kuinka paljon kullakin alueella esiintyy kyseisiä luonnonhasardeja. Olisi ollut mielenkiintoista kyetä esittämään esimerkiksi maanjäristysten absoluttisia tai suhteellisia osuuksia. Tällaisen kartan tai vaikkapa vain taulukon avulla voitaisiin saada tarkempaa tietoa eri valtioiden välisistä eroista maanjäristysten esiintyvyydessä.
Tässä kartassa on myös ehkä hieman hämmentävää eri aikoina ja eri voimakkuuksina tapahtuneiden maanjäristysten esittäminen saman aikaisesti. Olisin toki voinut esittää kyseisellä kartalla vain vuoden 2010 jälkeen tapahtuneet järistykset ja jakaa ne esimerkiksi 2-3 kategoriaan.
Olisin halunnut kokeilla interpolointia kuten Nelli (6. Kurssikerta: Pisteaineistoa, interpolointia ja tulivuoria), mutta en saanut sitä itse toimimaan. Sen sijaan päädyin heatmap-karttaan, jonka myös Miika (Kurssikerta 6) oli tuottanut. Se havainnollistaa mielestäni hyvin maanjäristysten esiintyvyyttä ja antaa selkeämmän kuvan kuin pistekartta, jossa pisteet saattavat olla päällekäisiä. Tästä nähdään heti selkeästi missä päin maailmaa esiintyy lukumääräisesti eniten maanjäristyksiä. Kuten ehkä jo huomasitte, kartoissani on mukana litosfäärilaattojen rajat. Kiitos tästä kuuluu Matille (6. Maanvuoria ja tulijäristyksiä), jonka blogista sain idean ja innostuin käyttämään samaa aineistoa. Sainkin tällä kertaa näköjään paljon ideoita muilta kurssilaisilta, jee, kiitos!
Lopuksi halusin vielä visualisoida maanjäristykset maapallolla niiden voimakkuuden mukaan. Tässä kartassa etuna on lukumäärältään vähäisten voimakkaiden maanjäristysten hahmottaminen kartalta suoraan. Niiden lukumäärä on niin pieni, että ne voidaan suoraan laskea kartalta toisin kuin esimerkiksi 5-6 magnitudin järistykset. Kun tuossa aiemmin puhuin pisteiden päällekäisyydestä ja siitä aiheutuvasta kaaoksesta, niin nyt voin sanoa, että tämä kartta on tällaisenaan hyvä. Toki olisi mielenkiintoista ihan yleisestikin havainnollistaa esimerkiksi ympyrädiagrammeilla tai ympyröiden kokoerolla tietyn alueen järistysten osuutta kaikista tapahtuneista maanjäristyksistä.
Mitä muita maantieteellisiä aiheita kartoillani voisi opettaa? Kartat toimivat usean ilmiön syntyprosessin ja niiden aiheuttamien seurausten opettamiseen. Näitä ovat esimerkiksi litosfäärilaattojen liikkeet, vuorien synty, tsunamit, tulivuorityypit ja niihin liittyvät purkaustyypit. Voimme tarkastella näitä ilmiöitä ja pohtia niiden aiheuttamia ongelmia alueellisesti. Tyynenmeren tulirengas on merkittävässä asemassa, ja lisäksi mieleeni tulisi varmasti painottaa kehittyvien ja teollisuumaiden välistä eroa luonnonriskien torjunnassa ja tuhojen laajuudessa.
Alla olevaa kuvaa voidaan verrata esimerkiksi maanjäristysten esiintyvyyttä kuvaaviin karttoihin ja tarkastella, kuinka järistysten voimakkuus vaihtelee eri saumavyöhykkeillä.
Viittaukset:
Junttila, N. (26.02.2018). 6. Kurssikerta: Pisteaineistoa, interpolointia ja tulivuoria. <https://blogs.helsinki.fi/junelli/2018/02/26/6-kurssikerta-pisteaineistoa-interpolointia-ja-tulivuoria/> Luettu 01.03.2018
Moisala, M. (26.02.2018). Maanvuoria ja tulijäristyksiä. <https://blogs.helsinki.fi/moisalam/2018/02/26/6/> Luettu 01.03.2018
Kastarinen, M. (27.02.2018). Kurssikerta 6. <https://blogs.helsinki.fi/miikakas/2018/02/27/gem-1-kurssikerta-6/> Luettu 01.03.2018