Month: January 2024

Kolmannella harjoituskerralla harjoittelimme tietokantaliitoksien tekemistä ensin ohjatusti ja sitten itsenäisesti. Ohjatussa harjoituksessa liitimme Afrikan valtiot käsittävään tietokantaan lisää sarakkeita, kuten tiedot timanttivaroista, väestömäärästä, konfliktien määrästä, öljykentistä sekä siitä, kuinka monena vuonna kussakin valtiossa on esiintynyt konflikteja. Lisäksi yhdistimme pohjakartan kohteet niin, että jokaisella valtiolla oli attribuuttitaulukossa vain yksi rivi, mikä helpotti muiden tehtävien kanssa operoimista. Nämä tehtiin QGIS-ohjelman aggregate-työkalua käyttämällä.

 

Harjoitus 1.

Kuvan 1 kartasta voi nähdä, että timanttivarojen ja öljykenttien alueilla on esiintynyt konfikteja, mutta toisaalta niitä esiintyy paljon muuallakin. Tutkailimme harjoituskerralla konfliktien ilmenemisvuosia ja yritimme löytää riippuvuussuhteita luonnonvarojen konfliktien välillä, mutta silmämääräisesti tällainen on hankalaa. Jos olisimme tutkineet tarkemmin luonnonvarojen löytämisvuosia ja konfliktien ilmenemisvuosia, voisi korrelaation löytyminen olla todennäköisempää kuin pelkästään luonnonvarojen ja konfliktien sijaintia tarkastelemalla. Julia Olenius mainitsee blogissaan, että erityisesti luonnonvarojen löytämisen jälkeisten vuosien tarkastelu voisi olla hedelmällistä riippuvuussuhteiden löytämiseksi.

 

 

Harjoitus 2.

Toinen harjoitus tehtiin itsenäisesti ja siinä tarkasteltiin Suomen valuma-alueiden tulvaherkkyyttä. Laskimme alueiden tulvaindeksit ja yhdistimme ne valuma-alueen attribuuttitauluun, minkä pohjalta loimme koropleettikartan (kuva 2) tulvaherkkyydestä.  Kartan perusteella voisi sanoa rannikkoalueiden olevan tulvaherkimpiä, mikä voi johtua pienistä korkeuseroista (esim. tasainen ja alava Pohjanmaa). Toisaalta näillä alueilla on myös suuria Itämeren eri osiin laskevia jokia, jotka voivat näkyä suuren tulvaindeksin osatekijöinä. Järvisten alueiden kuten Järvi-Suomen tulvaindeksi on pieni, sillä valuma-alueen järvet tasaavat virtaamaa ja vähentävät tulvaherkkyyttä.

 

Lisäksi oli tarkoitus havainnollistaa valuma-alueiden järvisyyttä diagrammien avuilla. Aloin tekemään ystäväni Julia Oleniuksen kanssa yksinkertaisempaa versiota, mutta vahingossa laskimme itse järvisyysprosentin ja maa-alueiden osuuden, minkä pohjalta oli helppo luoda ympyrädiagrammit kartalle. Nämä kuvaavat osuutta mielestäni ymmärrettävämmin kuin pelkkä historammi. Ympyrädiagrammit vahvistavat hypoteesini järvisyyden vaikutuksesta tulvaherkkyyteen, sillä mitä suurempi järvien osuus on pinta-alasta, sitä pienempi tulvaindeksi (kuva 3).

Lähteet:

Olenius, Julia (2024). Julian GIS-blogi. Timantteja ja tulvia (3. kurssikerta). https://blogs.helsinki.fi/jolenius/. Viitattu 5.2.2024.

Toisella harjoituskerralla tutustuimme tarkemmin karttaprojektioihin ja visualisoimme niiden eroavaisuuksia QGIS-ohjelmalla. Harjoittelimme myös WFS-muotoisen datan hakemista QGIS-ohjelmaan rajapinnan kautta ja pysyin kyllä perässä, kun tämä tehtiin yhdessä luennolla, mutta jos haluaisin tehdä tämän itsekseni, tarvitsisin varmasti kirjalliset ohjeet. Käytimme QGIS-ohjelmassa myös itselleni uusia toimintoja, joilla pystyi valitsemaan karttatasoista tutkittavaksi tietyt alueet erinäisten piirtotyökalujen avulla sekä opimme laskemaan matkaa ja pinta-alaa,

Ensimmäisenä harjoituksena vertailimme QGIS-ohjelmalla eri maailmankarttaprojektioiden aiheuttamia mittakaavaeroja Suomen kartalla. Eri projektioita käytettäessä erot pinta-aloissa ja välimatkoissa saattoivat olla satakertaisia; oli valaisevaa huomata käytännössä, kuinka suuri merkitys oikeanlaisen projektion valinnalla voi olla. Omat tulokseni katosivat harjoituskerralla, sillä projektiota vaihdettaessa mittakaavatyökalu ei pysynyt oikeassa kohdassa, vaikka kokeilimme asiaa opettajan kanssa yhdessä. Tulokset (kuva 1) ovat siis vieruskaverini Loviisa Majurin, jonka kanssa tein tehtävän loppuun.

Toisena harjoituksena vertailimme Mercatorin projektiota TM35-FIN-projektioon ja teimme koropleettikartan, joka kertoo kuinka moninkertaisena pinta-ala Mercatorin projektiossa näkyy verrattuna TM35-FIN-projektioon. Kartasta (kuva 2) käy helposti ilmi, että pohjoiset alueet vääristyvät eniten, mikä johtuu kyseisen lieriöprojektion napavääristymästä. Suurin lukuarvo kartan legendassa kertoo suurimmasta vääristymästä. Opettaja Arttu Paarlahti havainnollisti MAA-104-kurssilta tuttua projektiota hansikasmytyllä ja paperilla, jossa paperi sivuaa vain mytyn “ekvaattoria”, ja napa-alueita kohti paperi joutuu taittumaan.

Toiseksi vertailtavaksi projektioksi valitsin Robinsonin projektion, jossa pinta-alat eivät vääristyneet paljoakaan, mutta Suomi-neidon profiili koki muodonmuutoksen. Jälkikäteen muiden blogeja lueskellessa tajusin, ettei omani tosiaankaan ole Robinsonin projektio vaan olen varmaankin käyttänyt jotakin toista projektiota, mutta nimennyt sen karttaani vahingossa Robinsoniksi (amatööri). Veera Matikainen kirjoittaa blogissaan siitä, kuinka hän olisi voinut valita Robinsonin projektio -kartalleen erilaiset värit, sillä Mercator-projektion mittakaavavirheet ovat paljon suuremmat ja nyt ne on esitetty samoilla värisävyillä. Olisin itse voinut tehdä saman, joten ensi kertaan.

Jos tästä kerrasta jotakin opin, niin on oltava täysin hereillä harjoituskerroilla, sillä yhden askeleen skippaaminen on miltei katastrofaalista ja omin avuin on hankalaa kiriä muut kiinni. Minun on oltava jatkossa myös huolellisempi, sillä esitin nyt Robinsonin projektiona jonkun ihan muun projektion, joka pitää varmaankin käydä jälkikäteen selvittämässä.

 

 

Lähteet:

Majuri, Loviisa (2024).  Loviisan blogi. Toinen kurssikerta – karttaprojektioita ja mittakaavavirheitä. https://blogs.helsinki.fi/loviisam/2024/01/29/toinen-kurssikerta-karttaprojektioita-ja-mittakaavavirheita/ (31.1.2024)

Matikainen, Veera (2024). Veeran GIS-blogi :). Toinen kurssikerta. https://blogs.helsinki.fi/veematik/2024/01/26/toinen-kurssikerta/ (31.1.2024)

Ensimmäisellä kurssikerralla tutustuttiin QGIS-ohjelmaan ja kerrattiin paikkatiedon rakentumista sekä rasteri- ja vektorimuotoisten paikkatietoaineistojen ominaisuuksia. Teoriaosuuden jälkeen tutustuimme tarkemmin MAA-104 kurssilta jokseenkin tuttuun QGIS-ohjelmaan, jonka käyttämiseen sai oikein hyviä ja käytännöllisiä vinkkejä opettajalta. Omalle kotikoneelleni olin ladannut ohjelmasta version 3.28 Firenze.

 

Tehtävä 1.

Harjoitusryhmässä jokaisen oli tarkoitus tutustua annetun aineiston perusteella Itämeren valtioiden typpipäästöihin QGIS-ohjelmalla. Tarkoituksena oli luoda visuaalisesti ymmärrettävä koropleettikartta, joka tehtiin harjoituksen vuoksi varsin opettajajohtoisesti. Tämä oli hyödyllistä, sillä pelkästään kirjallista ohjetta noudattamalla minulla olisi varmasti mennyt moninkertainen aika kartan tekemiseen. Ongelmia koropleettikartan tekemisessä ei juuri ollut, mutta legendan otsikon rivitys kahdelle riville on edelleenkin minulle täysi mysteeri. Huomasin Pietu Nuortimon blogista, että hän oli kuitenki onnistunut tässä rivittämisessä, joten minunkin on mahdollista oppia kyseinen konsti.

Olen lopputulokseen kuitenkin tyytyväinen, valtioiden rajojen värin muuttaminen kaunisti karttaa (kuva 1). Punainen väri pomppaa aggressiivisesti esiin, mikä toisaalta paljastaa kartantekijän asenteellisuuden: Puola suurimpana päästöjen aiheuttajana erottuu selkeästi. Kartan ulkoasussa häiritsee ainakin se, että muut merialueet kuin Itämeri näkyvät kartassa valkoisella, mutta taitoni eivät riittäneet niiden värin muuttamiseen.

Saksan osuus päästöistä hämmensi aluksi, sillä suurena maatalousmaana olisin kuvitellut päästöjen olevan suuremmat. Suhteellisen pieni Itämeri-rantaviiva saattaa selittää suhdeluvun. Muista Itämeren valtiosta poiketen Virolla on suhteessa pienimmät päästöt, minkä syihin olisi kiinnostavaa tutustua syvemminkin.

 

Tehtävä 2. 

Toinen tehtävä tuotti heti hankaluuksia, kun yritin operoida aineistojen kanssa itse kotona. Sain ladattua QGIS:iin aineiston, mutta en millään meinannut tajuta, miten saisin tarkasteltavan aineiston näkymään kunnittain. Lopulta “Properties”-kohta pelasti minut ja tutustuin alle 15-vuotiaiden määrään kunnittain Suomessa. Säädin väriasteikkoa hieman erottuvuuden vuoksi, ja kartta näyttää mielestäni aika selkeältä, vaikka luokkia onkin melko paljon (kuva 2). Luokkia oisi selkeyden vuoksi voinut laittaa vähemmänkin, mutta toisaalta vaihteluväli olisi kasvanut tässä melko suureksi suhteessa siihen, kuinka suuri on aineistossa ilmenevä maksimiarvo (30,8%).

 

Lähteet:

Nuortamo, P. (2024). Ensimmäinen kurssikerta. Viitattu 22.1.2024. https://blogs.helsinki.fi/pietunuo/

 

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