Ruutuja ja käyriä

Neljännen viikon kurssikerralla tutustuimme väestöruudukoiden tekemiseen sekä vertailimme itse tehtyjä ja peruskarttalehden korkeuskäyriä. Oli todella harmi huomata kotona, että jo lähes valmiit tehtäväni olivat QGIS:ssä kadonneet ja jouduin aloittamaan aivan alusta. Ainakin tuli kerrattua.

Ruutukartat ovat tilastotietoa esittäviä karttoja, joissa eri ruudut saavat eri arvot. Väestöruutuaineistoissa ruudun koko on yleensä vähintään 100 metriä suuntaansa. Tekemässäni tehtävässä käytin 1000 metriä, eli yhden ruudun koko on 1 km². Tekemäni kartta esittää miesten osuuden kartan eri ruuduissa (Kuva 1). Kartasta tuli mielestäni vähän sekava. Mietin myös, onko aihe kovinkaan kiinnostava. No, tulipahan tämäkin nyt tutkittua.

Mielenkiintoista on, miten joissakin ruuduissa miesten osuus on 80–100 %. Esimerkiksi Santahaminan alueen kohdalla korkea prosenttiosuus on ymmärrettävä, mutta muita alueita vähän ihmettelen. Voiko tiedot pitää paikkansa? Toisaalta joillain alueilla miehiä on lähemmäs 0 %, mikä on myös vähän kummallista. Selitys voisi olla se, ettei ruudun alueella ole lainkaan asutusta.

Kuva 1. Miesten prosenttiosuudet neliökilometrin kokoisilla ruuduilla pääkaupunkiseudulla.

Toisena tehtävänä vertailimme korkeuskäyriä Pornaisten alueella. Vertailussa olivat itse QGIS:n contour-toiminnon avulla luodut käyrät ja Paitulista ladatun peruskarttalehden käyrät. Muokkasin tekemiäni korkeuskäyriä vähän paksummiksi ja vaihdoin värin punaiseksi, jotta ne erottuisivat hyvin kartalla.  Itse tehdyt käyrät osoittautuivat tarkemmiksi kuin peruskarttalehden käyrät (Kuvat 1 ja 2). Useimmiten hieman yleistetyt käyrät toimivat kuitenkin paremmin, kuten Kirsi Ylinen (2019) ja Emilia Ihalainen (2019) toteavat blogeissaan.

Kuva 2. Peruskarttalehden korkeuskäyrät ja QGIS:n avulla tehdyt käyrät (punaisella).

Kuva 3. Korkeuskäyrien vertailua suuremmassa mittakaavassa.

Lähteet

Ihalainen, E. (2019). Geoinformatiikan menetelmät 1. Viikko 4 – Ruutuja ja rastereita. Luettu 27.4.2019. Saatavissa: https://blogs.helsinki.fi/ihem/2019/02/12/ruutuja-ja-rastereita/

Ylinen, K. (2019). It’s not so simple. Rastereita korkeuskäyriä rastereita korkeuskäyriä rastereita. Luettu 27.4.2019. Saatavissa: https://blogs.helsinki.fi/yxkirsi/2019/02/04/rastereita-korkeuskayria-rastereita-korkeuskayria-rastereita/

 

Itsenäistä kartan tekemistä

Viimeisellä kurssikerralla laitettiin oppimamme taidot testiin, kun pääsimme soveltamaan aiemmin kurssilla opittua oman kartan tekemisessä. Saimme pari eri vaihtoehtoista tapaa tehdä tehtävä. Itse valitsin vaihtoehdon 1, eli päätin laatia karttasarjan, jossa on kuvattu kahta eri muuttujaa. Päätin tehdä kartan Italiasta, koska maa kiehtoo minua ja halusin oppia lisää siitä samalla, kun sovelsin ja kertasin oppimiani QGIS-taitoja.

Aloitin miettimällä, mitä haluan kartallani esittää. Kun olin sen päättänyt, etsin tarvittavan aineiston kartan tekemiseen verkosta. Käytin Google-hakua apuna, kun etsin sopivaa aineistoa mm. hakusanoilla ”Italy free gis” ja ”Italy statistics”. Teemakarttani tekemiseen tarvittavan aineiston löysin Italian tilastokeskuksesta Istatista osoitteesta https://www.istat.it/en/. Kuulostaa ehkä tässä helpolta, mutta voin sanoa, että aikaa tähän meni. Oli yllättävän hankalaa löytää sopivaa aineistoa. Moni löytämäni aineisto oli vanhentunutta, puutteellista tai muuten tarkoitukseeni sopimatonta.

Hankalin ja aikaa vievin osuus tehtävässä tosiaan oli aineiston hankinta, mutta kyllä ongelmia oli vielä tuon osuuden jälkeenkin. Kuten myös Juho Kauppi (2019) huomasi, QGIS:iin tiedot eivät siirtyneet kovin sujuvasti, vaan jouduin muokkaamaan niitä osittain vielä Excelissä. Lopulta onnistuin kuitenkin tietokantaliitosten avulla saamaan tarvitsemani aineistokokonaisuuden teemakartan luomiseen.

Tein kaksi teemakarttaa, joista toisessa esitetään työttömyysprosenttia Italian eri alueilla (italiaksi Regioni d’Italia) (Kuva 1). Alueet ovat Italian ylimmän tason hallinnollisia alueita, joita on yhteensä 20. Toisin kuin Ida Lehtonen (2019) kirjoittaa: ”Isommista hallinnollisista alueista (20 kpl) tieto olisi yleistynyt liikaa”, minusta alueet olivat sopivan kokoisia kohteita, joita voi verrata vaikka Suomen maakuntiin. Toisessa kartassa esitetään lääkkeiden käyttöä samoilla alueilla (Kuva 2). Englanninkielisessä Istatin versiossa käytettiin termiä ”Drug use”. Oletan tällä tarkoitettavan huumausaineiden sijaan lääkkeitä, koska prosenttiosuudet olivat niin isot.

Kuva 1. Työttömyysprosentit Italian eri alueilla.

Työttömyyttä esittävästä kartasta käy ilmi, että maassa työttömyyttä esiintyy eniten eteläosissa. Minulla olikin käsitys, että Italian eteläosassa on köyhempää ja enemmän työttömyyttä kuin pohjoisessa. Tekemäni kartan heikkous on luokitteluasteikko – siinä samalla värillä näytetään alue, jossa voisi periaatteessa olla nollatyöttömyys tai muutaman prosentin verran työttömyyttä. Huomasin myös vasta toisen kartan tehtyäni, että jostain syystä kaksi aluetta: Trentino-Alto Adige ja Valle d’Aosta ovat jääneet kokonaan pois kartalta. Mikä lie syynä.

Kuva 2. Prosenttiosuus alueilla asuvista henkilöistä, jotka ovat käyttäneet lääkkeitä viimeisen kahden vuorokauden sisällä.

Toisesta kartasta selviää, että eniten lääkkeitä käytetään Liguriassa, Emilia-Romagnassa ja Umbriassa. Vähiten lääkkeitä käytetään puolestaan Trentino-Alto Adigen alueella. Tämän kartan heikkous on jälleen luokittelu: alin luokka sisältää jopa 34 prosenttiyksikköä. Lisäksi tästäkin kartasta on yksi alue, Marche, kadonnut jäljettömiin. Visuaalisesti olen muuten kohtuutyytyväinen kumpaankin karttaan. Ne ovat selkeitä lukea ja värit ovat miellyttävät.

Tekemieni karttojen perusteella ei voida tehdä kovin kummoisia johtopäätöksiä lääkkeiden käytön ja työttömyyden korrelaatiosta. Näyttäisi kuitenkin, että joillakin pohjoisen alueilla (jossa työttömyyttä on vähemmän kuin etelässä) lääkkeiden käyttöä on enemmän. Tämä tehtävä vaati aikaa ja hermoja, mutta sen tekeminen oli kyllä palkitsevaa. Oli mukava huomata, että osaa tehdä oman kartan itse poimimastaan aineistosta.

 

Lähteet

Kauppi, J. (2019). Juhon blogi – geoinformatiikka. Lajinsa Viimeinen. Luettu 27.4.2019. Saatavissa: https://blogs.helsinki.fi/juhokaup/2019/03/02/lajinsa-viimeinen/

Lehtonen, I. (2019). Geoinformatiikan menetelmät -kurssiblogi.Blogi 7 – Populazione d’Italia. Luettu 27.4.2019. Saatavissa: https://blogs.helsinki.fi/lida/blogi-7-populazione-ditalia/

 

Puskurianalyysiä

Tässä tulee viidennen kurssikerran blogipostaus. Tällä kerralla tutustuimme taas uuteen toimintoon QGIS:ssä, kun harjoittelimme puskuri- eli bufferianalyysien tekoa. Tähän tehtävään sain kulutettua rutkasti aikaa, sillä QGIS ei oikein suostunut yhteistyöhön.  Kartta muuttui tunnistamattomaksi, jolloin tehtävää oli mahdoton tehdä (Kuva 1). Itse bufferianalyysien teko oli kuitenkin melko yksinkertaista. Onneksi sain kuitenkin lopulta tehtävän tehtyä ystävieni avulla.

Bufferointi vaikutti hyödylliseltä työkalulta, jonka käyttöä voi soveltaa moniin eri käyttötarkoituksiin. Amelia Cardwell (2019) kirjoittaa blogissaan toiminnon mahdollisuuksista. Maantieteessä käyttökohteita on laajasti kasvien levinneisyyden tutkimisesta maanjäristysaaltojen seuraamiseen.

 

Kuva 1. Kohtaamani ongelmatilanne tehtävää tehdessäni.

Ensimmäisenä itsenäistehtävänä teimme Malmin ja Helsinki-Vantaan lentokenttien ympäristössä puskurianalyysejä, joissa tutkimme meluvyöhykkeitä ja niillä asuvien ihmisten lukumäärää. Aluksi onnistuin jotenkin saamaan tulokseksi liian pienet luvut, mutta asetuksia muuttamalla pääsin lopulta oikeisiin tuloksiin. Tämän ja muiden itsenäistehtävien tulokset löytyvät tämän blogitekstin alla olevasta taulukosta (Taulukko 1).

Tehtävän toisessa vaiheessa sovelsin toimintoa rautatie- ja metroasemien ympäristön tarkasteluun. Selvitimme valmiin tietokannan avulla esimerkiksi kuinka monta asukasta kartan alueella asuu alle puolen kilometrin päässä lähimmästä asemasta. Yllättävä tulos minulle oli, että jopa yli 20 %:lla lähimmälle asemalle oli vain alle 500 metriä.

Toisen itsenäistehtävän aiheena oli taajamat. Selvitin tehtävässä, kuinka monta prosenttia alueen asukkaista asuu taajama-alueella. Tulos, 97,6 % on Suomen mittakaavassa suuri, mutta osasinkin odottaa niin suurta prosenttiosuutta, onhan tehtävässä kyseessä pääkaupunkiseutu.

Viimeisessä itsenäistehtävässä tarkastelin vielä alueen uima-altaiden lukumääriä sekä talotyyppejä, joissa niitä on. Tehtävässä käytin Johanna Lehtisen (2019) tapaan ”Select attributes by value” -toimintoa. Tässä minulle yllättävä tulos oli, miten monessa rivitalossa on uima-allas. Omakoti- ja kerrostaloissa osasin odottaa joitain uima-altaita olevan.

Taulukko 1. Itsenäistehtävien vastaukset.

Itsenäistehtävä 1: Lentoasemat, rautatie- ja metroasemat

Asukkaita 2 km säteellä Malmin lentokentästä

57 695
Asukkaita 1 km säteellä Malmin lentokentästä 9140
Asukkaita 2 km säteellä Helsinki-Vantaan lentokentästä 11 577
yli 65 dB melualueella asuvia (%) 0,25
yli 55 dB melualueella asuvia 11 913
Alle 500 m juna-asemasta asuvia (%) 21,8

Työikäisiä 500 m päässä juna-asemasta suhteessa kaikkiin työikäisiin (%)

Itsenäistehtävä 2: Taajamat

14,9

 

Taajamissa asuvia suhteessa kaikkiin alueen asukkaisiin 97,6
Kouluikäisistä taajamien ulkopuolella asuvia suhteessa kaikkiin alueen kouluikäisiin 2,6
Alueet, joissa ulkomaalaisten osuus yli 10% 38
Alueet, joissa ulkomaalaisten osuus yli 20% 9
Alueet, joissa ulkomaalaisten osuus yli 30% 4
Itsenäistehtävä 3: Uima-altaat
Rakennukset, joissa uima-allas 855
Asukkaita rakennuksissa, joissa uima-allas 90 725
Uima-altaita omakotitaloissa 345
Uima-altaita paritaloissa 158
Uima-altaita rivitaloissa 113
Uima-altaita kerrostaloissa 181

 

Lähteet

Cardwell, A. (2019). Amelian GIS-blogi. Viikko 5: Buffereita ja kertailua. Luettu 18.4.2019. Saatavissa: https://blogs.helsinki.fi/amca/2019/02/16/viikko-5-buffereita-ja-kertailua/

Lehtinen, J. (2019). Johannan blogi – Geoinformatiikkaa oppimassa. Itsenäistä säheltämistä. Luettu 27.4.2019. Saatavissa: https://blogs.helsinki.fi/johanleh/2019/02/14/itsenaista-saheltamista/

 

Aineiston keräämistä maastossa

Tässä on kuudennen kurssikerran blogipostaus. Postaus tulee jälleen epäkronologisessa järjestyksessä suhteessa muiden kurssikertojen postauksiin sekä myöhässä teknisten ongelmien vuoksi. Pahoittelut tästä!

Tämä kurssikerta oli siitä poikkeuksellinen, ettemme istuneet koko kertaa GIS-luokassa valmiin aineiston parissa, vaan sen sijaan keräsimme aineiston itse Kumpulan lähimaastossa ja analysoimme ja visualisoimme sitä QGIS:ssä.

Aineiston keräsimme helppokäyttöisellä älylaitteeseen asennettavalla Epicollect-sovelluksella. Kävelimme pienen porukan kanssa muutamiin eri lähistön kohteisiin ja arvioimme paikkojen viihtyisyyttä ja turvallisuutta asteikolla 1–5, jossa 1 merkitsi turvatonta tai epäviihtyisää ja 5 turvallista tai viihtyisää. Taltioimme kohteista myös valokuvia, joilla voi esimerkiksi havainnollistaa tekemiämme arvioita.

Kun aineisto oli kerätty, kokosimme GIS-luokassa yhteen kaikkien tekemät arviot. Niistä saimme tehtyä pistekartan, jota interpoloimme (Kuva 1). Interpolointi tarkoittaa pisteiden välistä kaavaa, jonka avulla voidaan ennustaa eri alueiden saamia arvoja, vaikka kukaan ei olisi todellisuudessa juuri näitä alueita arvioinutkaan (Laapotti, 2019).

Kuva 1. Kumpulan kampuksen lähialueen koettua turvallisuutta esittävä kartta. Kartassa arvo 1 eli tummin punainen merkitsee kaikkein turvattomimmaksi koettua paikkaa ja arvo 5 eli tummin vihreä turvallisimmaksi koettua paikkaa.

Olen itse melko tyytyväinen tekemääni karttakuvaan. Legendassa tosin näkyy vain mitattujen pisteiden saamat arvot ja värit näyttävät poikkeavan hieman interpoloinnista. Tätä voisi siis vielä kehittää.

Toisena tehtävänä kurssikerralla teimme erilaisia opetuskäyttöön soveltuvia karttoja, jotka esittävät eri hasardeja. Tehtävässä saimme melko vapaat kädet. Itse tein kolme karttaa, joista ensimmäinen esittää yli 8 magnitudin maanjäristyksiä (Kuva 2). Olen itse aika tyytyväinen kartan visuaaliseen ilmeeseen. Tosin kuten Kirsi Ylinen (2019) kirjoittaa, litosfäärilaattojen rajat olisivat tuoneet tärkeää lisäinformaatiota karttoihin.

Kartassani maanjäristysten sijainteja merkitsevät pisteet kasvavat, mitä isompi järistys on kyseessä. Karttani legenda taas herättää edellisten tehtävien tavoin kysymyksen, miten sama arvo voi olla kahdessa eri luokassa? Esimerkiksi arvon 8,2 magnitudia saavat järistykset kuuluisivat legendan tietojen mukaan kahteen pienempään luokkaan. Käsitykseni mukaan sama arvo voisi kuulua vain yhteen luokkaan.

Kuva 2. Yli 8 magnitudin maanjäristykset (1980–2012) kartalla.

Toinen tekemäni kartta esittää puolestaan tulivuorten sijainnit maapallolla (Kuva 3). Siitä huomaa selvästi, että Tyynenmeren tulirenkaan alueella sijaitsee suurin osa maapallon tulivuorista. Vähän ihmettelen kyllä voiko kartta todella olla luotettava, sillä sen mukaan esimerkiksi Ruotsissa Tukholmasta hieman pohjoiseen olisi tulivuori.

Kuva 3. Tulivuorten sijainnit maapallolla.

Kolmas ja viimeinen tekemistäni kartoista on kahden edellisen yhdistelmä – siinä on esitetty tulivuorten sijainnit sekä yli 8 magnitudin maanjäristyksen (Kuva 4). Tämän kartan visuaaliseen ilmeeseen en ole kovin tyytyväinen. Kartta on kellertävä, koska jouduin säätämään maanjäristyksiä esittävän Heatmap-tason läpinäkyvyyttä. Kartan legendasta myös puuttuu järistyksiä kuvaava väriskaala; sitä en osannut laittaa. Jos edellä mainitsemani puutteet saisi kuntoon, kuvaisi kartta mielestäni kivasti tulivuorten lisäksi maanjäristyksiä.

Kuva 4. Tulivuoret ja yli 8 magnitudin maanjäristykset (1980–2012) kartalla.

Tällä, toiseksi viimeisellä, kurssikerralla opin esimerkiksi, miten omia tutkimuksia varten voidaan kerätä aineistoa. Opin myös, miten pistekarttoja voi interpoloida.

 

Lähteet

Laapotti, S. (2019). Saagan saaga. Ulkoilua ja intohimoa. Luettu 14.4.2019. Saatavissa: https://blogs.helsinki.fi/saagalaa/2019/03/03/ulkoilua-ja-intohimoa/

Ylinen, K. (2019). It’s not so simple. Tulivuoria ja järistyksiä. Luettu 14.4.2019. Saatavissa: https://blogs.helsinki.fi/yxkirsi/2019/02/25/tulivuoria-ja-jaristyksia/

 

Projektiovalinnalla on vaikutusta

Toisella kurssikerralla harjoittelimme QGIS:n kanssa valintatyökalujen käyttöä, karttaprojektioiden vaihtamista ja tietokantaliitosten tekemistä. Teknisten ongelmien vuoksi julkaisen tämän postauksen vasta nyt, koska sain aikaa kulumaan runsaasti kurssikerran tehtävien parissa. Ainakin tehtävät tuli tehtyä huolella.

Valintatyökalut ovat QGIS:n perustyökaluja, joiden käytön hallinnasta on hyötyä lähes jokaisessa projektissa. Työkalujen käyttö tuntui helpolta ja niiden avulla myös tarpeellisen datan tulkinta helpottui ja aikaa säästyi.

Ryhmätunnilla tutustuimme eri projektioiden tuottamiin virheisiin mittaamalla Suomen kartalla viivan pituuden ja alueen pinta-alan eri karttaprojektioiden mukaan. Viivan piirsin itä-länsisuunnassa kutakuinkin Suomen leveimmälle kohdalle. Tarkasteltava alue puolestaan oli ”pipo” Suomineidon päässä. Kuten taulukosta 1 nähdään, eri projektiot tuottivat hurjan erilaisia mittaustuloksia. Esimerkiksi Albersin oikeapintaisen projektion mukaan Suomen leveys on n. 540 km – kuten totuus on – kun taas Mercatorin projektio yli tuplaa oikean pituuden. Samaten Mercatorin projektiossa 11 219 km2 suuruinen alue näyttäytyy 91 824 km2 kokoisena eli 818 % suurempana (Taulukko 2)! Kuten Amanda Ojasalo (2019) totesi, erot ovat yllättävän suuret.

Taulukko 1. Esimerkkialueen ja -viivan pinta-ala- ja pituuserot eri karttaprojektioissa.
Karttaprojektio Pinta-ala (km²) Pituus (km)
ETRS-TM35FIN 11 219 540
Mercator 91 824 1 172
Robinson 15 895 760
Albersin oikeapintainen 11 219 540
Eckert I 16 746 693

 

Taulukko 2. Eri karttaprojektioiden pinta-ala- ja pituuserot verrattuna ETRS-TM35FIN-koordinaattijärjestelmän mukaiseen projektioon (%).

Karttaprojektio Pinta-ala Pituus
Mercator 818 217
Robinson 142 141
Albersin oikeapintainen 0 0
Eckert I 149 128

 

Kuten Elina Huhtinen (2019) blogissaan toteaa, on oltava huolellinen projektiota valitessa. Toisaalta täytyy myös osata olla kriittinen, kun tarkastelee toisten tuottamia karttoja. Ryhmätunnilla tehdyn tehtävän tekeminen havainnollisti hyvin eri projektioiden heikkouksia. Jäin pohtimaan, mitä vaikutuksia huonoilla projektiovalinnoilla saattaa olla. Ainakin teemakartoissa pinta-alaan suhteutetut tiedot vääristyvät, kuten huomataan vertaamalla kuvia 1 ja 2. Kartat näyttävät ensisilmäyksellä melko samanlaisilta, mutta legendasta selviää, että erot ovat huomattavat.

On tärkeää muistaa käyttää oikeapintaista projektiota, kun lasketaan esimerkiksi kuntien väentiheyksiä. Mercatorin projektio ei ole oikeapintainen, vaan oikeakulmainen. Se sopii parhaiten esimerkiksi merenkulussa käytettäväksi (Proj.4, 2019). Pinta-alaan suhteutetun tiedon esittämisessä se sen sijaan on huono valinta.

Kuva 1. Väestötiheys Lambertin oikeapintaisen projektion mukaan.

Kuva 2. Väestötiheys Mercatorin projektion mukaan.

Karttaprojektioiden vääristymille tyypillistä on, että vääristymät eivät ole samansuuruisia kaikilla alueilla. Mercatorin projektiossa vääristymät kasvaa huomattavasti, mitä pohjoisemmaksi liikutaan (Kuva 3). Robinsonin projektiossa vääristymät ovat pohjoisessa samaten suurempia kuin etelässä, mutta kyseinen projektio ei vääristä pinta-aloja aivan yhtä räikeästi kuin Mercatorin projektio (Kuva 4).

Kuva 3. Pinta-alavääristymät Mercatorin projektiossa.

Kuva 4. Pinta-alavääristymät Robinsonin projektiossa.

Kurssikerta oli minulle hyödyllinen, koska toistimme monta kertaa samantyyppisiä toimintoja. Näin opit jäivät paremmin mieleen. Koin hyötyä myös siitä, että tehtävät toimivat hyvinä esimerkkeinä siitä, miten tärkeää on valita tarkoituksenmukainen karttaprojektio.

 

Lähteet

Huhtinen, E. (2019). Elina Huhtisen kurssiblogi. Viikko 2 – projektion vaikutus karttaan. Luettu 4.2.2019. Saatavissa: https://blogs.helsinki.fi/huhelina/2019/01/23/viikko-2-projektion-vaikutus-karttaan/

Ojasalo, A. (2019). Amandan GIS blogi. Projektiot. Luettu 4.2.2019. Saatavissa: https://blogs.helsinki.fi/amandaoj/2019/01/31/projektiot/

Proj.4. (2019). Projections. Mercator. Luettu 4.2.2019. Saatavissa: https://proj4.org/operations/projections/merc.html

Tietokantaliitoksia ynnä muuta

Toisen viikon blogipostaus on vielä työn alla teknisten ongelmien takia. Yritän saada sen julkaistua huomenna, jos teknologia on puolellani. Tässä tulee siis kolmannen kurssikerran postaus.

Tällä kurssikerralla tutustuimme moniin minulle uusiin ominaisuuksiin QGIS:ssä. Harjoittelimme esimerkiksi kohteiden ryhmittelyä ja yhdistämistä, uuden datan tuomista tietokantaan toisesta ohjelmasta (tässä tapauksessa Excelistä) ja tietokantaliitoksen tekemistä. Lisäksi harjoittelimme tiedon tuottamista tietokantaan sijainnin perusteella toiminnoilla ”pisteitä polygonissa” ja ”polygoneja polygonissa”. Harjoituksessa pohjakarttana oli suurimittakaavainen Afrikan kartta, jonka lisäksi hyödynsimme muun muassa tietokantaa konflikteista.

Harmi kyllä, teknisten ongelmien vuoksi en pystynyt aina etenemään halutulla tavalla. Onneksi ongelmista kuitenkin selvittiin, ja sain silti tehtyä harjoituksen. Tein harjoituksen omalla kannettavallani, jossa on hieman uudempi QGIS-versio kuin yliopiston tietokoneissa. Ehkä ongelmat johtuivat jostakin kyseisessä versiossa olevasta bugista. Ainakin se hyvä puoli omalla koneella työskentelemisessä oli, ettei ohjelma kaatunut nyt kertaakaan. Opiskelutovereillani QGIS tuntui kaatuvan tuon tuosta muistuttaen tallentamisen ja pitkän pinnan tärkeydestä.

Harjoituksessa minulle helpoimmalta tuntuivat uuden datan tuominen QGIS:iin ja tietokantaliitosten tekeminen. Niiden osaaminen on varmasti tärkeää, sillä välillä tietokannat sisältävät valtavan määrän tietoa, jolloin kyseisten operaatioiden käsin tekeminen veisi kohtuuttomasti aikaa. Uskon voivani hyödyntää oppimaani jatkossa erilaisissa projekteissa.

Haasteellisimmalta taas tuntui harjoittelu tiedon tuottamisesta tietokantaan sijainnin perusteella. Ehkä tähän on syynä se, että jossain vaiheessa putosin kärryiltä, koska jouduin etsimään toimintoa omassa QGIS-versiossani. Onneksi tämänkin harjoituksen ohjeet on kirjoitettu auki, joten ei muuta kuin harjoittelemaan.

Blogissa pyydettiin pohtimaan, mitä voitaisiin tehdä, kun tietokantaan on tallennettu tietoa konfliktin tapahtumavuodesta, laajuudesta, timanttikaivosten löytämis- ja kaivausten aloitusvuodesta, timanttikaivosten tuottavuusluokittelusta, internetin käyttäjien lukumäärästä eri vuosina sekä öljykenttien löytämis- ja poraamisvuosista ja tuottavuusluokittelusta. Kyseisillä tiedoilla voisi luoda vaikkapa erilaisia teemakarttoja sekä tehdä analyysejä. Esimerkiksi internetin käyttäjien vuosittaisia lukumääriä ja konfliktien tapahtumavuosia eri valtioissa voisi vertailla. Kartalle voitaisiin myös tuoda dataa timanttikaivosten löytämisvuosista alueittain ja konfliktien tapahtumavuosista ja laajuuksista ja verrata näiden osumista esimerkiksi tietyn valtion alueelle. Mahdollisuuksia on monia.

Lopuksi saimme vielä tehtäväksi teemakartan tekemisen Suomen valuma-alueiden järvisyysprosenteista ja tulvaindekseistä. Valuma-alue on korkeampien maastonkohtien – vedenjakajien – rajaama alue, jolta kaikki vedet kulkeutuvat samaan vesistöön (Länsi-Uudenmaan
vesi ja ympäristö ry, 2013). Järvisyysprosentilla tarkoitetaan valuma-alueelle sijoittuvien järvien pinta-alan suhdetta koko valuma-alueen pinta-alaan (Suomen ympäristökeskus, 2013). Tulvaindeksi puolestaan voidaan laskea parilla eri tavalla, tässä tehtävässä se laskettiin ns. virtaamavaihtelujen indeksinä eli jakamalla keskiylivirtaama (m3/s) keskialivirtaamalla (m3/s).

Tehtävässä hyödynsimme juuri harjoittelemiamme QGIS:n ominaisuuksia. Tehtävä sujui yllättävän sutjakkaasti, ja olin tyytyväinen siihen, että olin oppinut tarvittavat taidot sen tekemiseen. Vaikka olen melko varma, että tein kartan ”oikein”, tuli siitä mielestäni visuaalisesti suoraan sanottuna aika kamala (Kuva 1). Se on mielestäni vähän ”sotkuinen”, esimerkiksi järvisyysprosenttia kuvaavat palkit peittävät osan tulvaindeksiä esittävistä alueista. Lisäksi osa palkeista ei näy kunnolla eikä kartasta myöskään selviä absoluuttisia valuma-alueiden järvisyysprosentteja. Myös luokkarajat taas vähän ihmetyttävät, viimeinen luokka on melko laaja muihin verrattuna. Koin silti kartassa käyttämäni kvantiililuokittelun paremmaksi kuin muut QGIS:n tarjoamat vaihtoehdot. Koska kartalla esitetyt järvisyysprosentit eivät ole mielestäni tarpeeksi selkeitä, päädyin tekemään niistä vielä taulukon ja kaavion (Kuva 2) valmiista aineistosta. Niitä voi käyttää kartan lukemisen tukena.

Kuva 1. Teemakartta, jossa on visualisoitu valuma-alueiden tulvaindeksit ja järvisyysprosentit.

Kuva 2. Eri valuma-alueiden järvisyysprosentit.

Lähteet

Länsi-Uudenmaan vesi ja ympäristö ry. (2013). Valuma-alue. Luettu 29.1.2019. Saatavissa: http://www.pelastajarvi.fi/valuma_alue

Suomen ympäristökeskus SYKE. (2013). Tulvasanasto. Luettu 29.1.2019. Saatavissa: https://www.ymparisto.fi/fi-FI/Vesi/Tulviin_varautuminen/Tulvasanasto

 

 

QGIS-harjoittelua

Ensimmäinen GIS-menetelmäkurssin oppitunti on nyt takana. Odotin innolla paikkatieto-ohjelmaan tutustumista, vaikka ajatus ohjelman käyttämisestä hieman jännittikin. Oppitunnilla opiskelimme aluksi hieman perustietoa geoinformatiikasta, kuten paikkatiedon rakenteesta ja tietokannoista. Kun perustietoihin oltiin tutustuttu, oli aika siirtyä harjoittelemaan vektorimuotoisen datan käsittelyä QGIS-paikkatieto-ohjelmalla.

QGIS:n käyttöliittymä tuntui onnekseni melko yksinkertaiselta, mikä helpottaa ensikertalaista ohjelman käytössä. En ole itse käyttänyt ennen tällaisia paikkatieto-ohjelmia, joten kaikki oli uutta. Toimme harjoitusta varten tarkoitetun datan ohjelmaan, ja aluksi hämmästelin tietojen latautumisen hitautta. Ilmeisesti syynä ei ollut koneeni, sillä kaikilla muillakin karttatasot latautuivat näytölle melko hitaasti. Kaikilla kartta latautui myös erivärisenä – QGIS arpoo värit satunnaisesti, ja ne täytyy siis itse muuttaa visuaalisesti informatiivisemmiksi ja mielekkäimmiksi.

Harjoituksessa etenimme vaihe vaiheelta opettajaa seuraten, hyvä niin, sillä tavalla oppi parhaiten perustoiminnot. Välillä sitä kuitenkin putosi kärryiltä, eikä tiennyt miten edetä, mutta onneksi vieressä istui kaveri, kuka osasi auttaa. Ohjelma takkuili ja kaatuili välillä, mikä aiheutti hieman hermostumisen tunnetta ja toisaalta muistutti siitä, miten tärkeää on tallentaa keskeneräinen työ usein.

Ensimmäisessä projektissa teimme koropleettikartan typpipäästöistä. Opettelimme muun muassa lukemaan tietoja attribuuttitaulusta ja muokkaamaan sitä, vaihtamaan kartan eri tasojen väritystä sekä luokittelemaan ja visualisoimaan tietoja kartalla. Opettelimme myös lisäämään uutta tietoa attribuuttitaulukkoon, kun laskimme typpipäästöjen prosenttiosuudet valtioittain. Koin, että on parasta ainakin näin alkuvaiheessa seurata järjestelmällisesti ohjeita. Välillä kokeilin jotain uutta toimintoa, minkä seurauksena saatoin jäädä jälkeen. Kun QGIS tulee tutummaksi, voi varmasti välillä poiketakin ohjeistuksesta, toki harkiten.

Kuva 1. Itämeren alueen valtioiden typpipäästöjen osuudet.

Sain kuin sainkin ensimmäisen karttani valmiiksi, ja olen lopputulokseen osittain tyytyväinen. Kartta on mielestäni visuaalisesti hyvä (Kuva 1). Se kuitenkin näyttää vähän omituiselta, sillä siinä näkyvät vain typpeä Itämeren alueella päästävät maat. Yritin eri toiminnoilla, kuten suodattamalla saada alkuperäisessä kartassa olleet muut maat näkyviin, mutta en siinä onnistunut. Vaatii siis varmasti lisää harjoitusta, jotta pystyy saamaan kartasta haluamanlaisensa. Ihmettelin vähän myös kartan tietojen paikkansapitävyyttä – kuten Heini Miettinenkin (2019) totesi, Viro näyttäisi olevan esimerkillinen valtio pienellä typenpäästöosuudellaan. Voiko tämä olla totta?

Toisena tehtävänä kotona tein valmiista aineistosta QGIS:n avulla teemakartan, jossa esitetään Suomen kuntien väentiheyttä. Tehtävä sujui mukavan hyvin, ja olin tyytyväinen, että ensimmäisen harjoituksen opeista oli jäänyt jotain mieleen. Luokkarajojen valinta oli kuitenkin hieman vaikeaa, mutta päädyin valitsemaan kvantiilit. Ne jakavat aineiston niin, että jokaisessa luokassa havaintoja on yhtä suuri määrä (Tilastokeskus). En tiedä, oliko valintani paras mahdollinen. Ainakin kartasta nyt käy selvästi ilmi, että väentiheys on pienin Lapissa ja suurin Etelä-Suomen kunnissa (Kuva 2).

Kuva 2. Suomen kuntien väentiheys.

 

Lähteet

Miettinen, H. (2019). Kurssikerta 1. Blogi. Luettu 26.1.2019 https://blogs.helsinki.fi/heinimie/2019/01/21/kurssikerta-1/#more-41

Tilastokeskus. Tilastoteemakartat. Luettu 26.1.2019 https://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_teemak&lesson_id=9&subject_id=3&page_type=sisalto