Tällä viikolla tutustuimme bufferin käyttöön harjoittelemalla ensiksi perusteet Pornaisten kartalla, jota viime kerralla valmistelimme. Bufferin käyttö oli yllättävän helppoa ja sen käytöstä jäi heti hyvät muistikuvat, koska toistoa tuli.

Seuraavaksi pääsimme hieman tutkiskelemaan Malmin lentokentän aiheuttamaa melualuetta. Ensin piirsimme kiitoradat ja bufferoimme yhden kilometrin säteen eli pahimman melualueen (Kuva 1). Kuvan värimaailma on jälkikäteen katsottuna hieman kehno, koska rakennukset eivät erotu hyvin.

Tein myös kahden kilometrin bufferin Malmin lentokentän kiitoradoista, mutta en tehnyt karttaa siitä. Kahden kilometrin säteellä asuvia oli 58 734 eli huomattavasti enenemmän kuin yhden kilometrin säteellä asuvia.

Kuva 1. Malmin lentokentän melualueella asuvat ihmiset yhden kilometrin säteellä

Bufferointi jatkui tällä kertaa hieman isomman lentokentän alueella eli Helsinki-Vantaan lentokentällä. Melualuista oli jo valmis aineisto, mutta piirsimme silti kiitoradat, jotta saimme laskettua kuinka monta asukasta asuu kahden kilometrin säteellä kiitoradoista ja tulos oli, että 11 729 asukasta. Hyödynsimme melualueita laskemalla kuinka paljon asukkaita kullakin melualueella asuu.

• Pahimmalla melualueella (65db) asuvat:  303
• Prosenttiosuus 2 km sisällä olevista asukkaista, jotka ovat pahimman melualueen sisällä: 2,6 % 
• Vähintään 55db melualueella asuvat: 11 923

Kuvassa 2 näkyy millaiselta QGIS näytti Helsinki-Vantaa lentokentän melualueiden asukkaiden laskeminen oikein näytti.

Kuva 2. Vähintään 55 db:n melualueella asuvat Helsinki-Vantaan lentokentällä

Laskimme myös vaihtoehtoisen laskeutumisreitin melualueen bufferin ja siellä asuvien ihmisten määrän. Tikkurilan yli lennetään vain poikkeustapauksissa kuten 2002 kun kolmatta kiitorataa rakennettiin tai jos tuulen suunta on poikkeuksellista.

• Tikkurilan melualueen asukkaat: 13 159

Kuva 3. Tikkurilan melualueen bufferi

Kolmantena työnä laskimme juna- ja metroasemien läheisyydessä asuvia ihmisiä käyttämällä hyväksi bufferia.

• 500 metriä asemista: asukkaita 111 765, joista työikäisiä 74989 eli 67,1 %
• 21,65 % alueen asukkaista asuu alle 500 metrin päässä asemasta 

Hyödynsimme myös valmista taajama aineistoa, josta sain seuraavanlaista tietoa

• Taajamissa asuvat: 96,19 % 
• Kouluikäiset eli 7–16 -vuotiaat, jotka asuvat taajamien ulkopuolella: 2267 eli 3,9 % alueen kaikista kouluikäisistä.  

Itsenäisenä työnä tarkastelin hieman pääkaupunkiseudun uima-altaita.

• Uima-altaita pääkaupunkiseudulla seudulla: 855 
• Asukkaita uima-allas taloissa: 12170
• Paritaloja, joissa uima-allas: 158  
• Rivitaloja, joissa uima-allas: 113
• Kerrostaloja, joissa uima-allas: 181 
• Omakotitaloja, jossa uima-allas: 34

Kuvassa 4 näkee asuinaluettain uima-altaiden määrän. Eniten uima-altaita on Lauttasaaressa eli 53 kappaletta. Poikkesimme Teon kanssa hieman tehtävän annosta ja emme laittaneet pylväitä kuvaamaan altaiden määrää, koska mielestämme se teki kartasta vaikeasti luettavan. Päädyimme kuvaamaan altaiden määrää numeroina ja jaoimme alueet viiteen eri väriin ja mielestäni kartasta saa paljon paremmin selville alueiden uima-altaiden määrän kuin pylväiden kanssa.

Kuva 4. Uima-altaiden määrä pääkaupunkiseudulla asuinaluettain

QGIS:n käyttö alkaa olemaan sillä tasolla, että perusjutut alkavat onnistua ja eri toiminnoista alkaa olla jo hieman kärryillä mitä ne tekevät. Toisaalta välillä tulee hieman muistikatkoksia ja voin jäädä johonkin pieneen asiaan jumiin pitkäksikin aikaa. Tähän on auttanut tehtävävien tekeminen yhdessä muiden opiskelijoiden kanssa.

Tuskaisempaa on ollut kuitenkin QGIS:in ja pilvipalveluiden yhteistyö, joka ei toimi jostain syystä ja tunnilla tehdyt työt ovat hyödyttömiä omalla läppärillä.

Senjaa lainaten:

“Negatiivista puolista huolimatta viikon neljä GIS tuntia ovat ne tunnit mitä odotan koko viikon.”

Viikon ainoat lähiopetustunnit ovat mielelle olleet erittäin tärkeät ja kurssi on ehdottomasti ollut yksi parhaista.

Bufferointia eli puskurivyöhykettä voidaan hyödyntää monessakin asiassa ja tutkimuksessa, mutta minulle tuli mieleen hieman synkempi ajatus. Bufferilla voi laskea kuinka paljon tuhoa ydinpommi voisi tehdä esimerkiksi kaupunkiin. Bufferin avulla voisi laskea kuinka paljon ihmisuhreja syntyisi ja paljonko taloudellisia vahinkoja syntyisi.

Lopetetaan tähän mielen räjäyttävään ajatukseen tämän viikon blogi ja seuraavalla viikolla jatketaan vääntöjä.

Lähteet:

Mäkiaho, S. Senjan seikkailut GIS maailmassa, Viikko 5: Kertaus on opintojen äiti (2022), https://blogs.helsinki.fi/senjamak/ (käytetty 23.2.2022)

Tällä viikolla pureuduimme rasterimuotoisen kartan tekemiseen. Käytimme hyväksi tietokantaa, jossa oli todella paljon informaatiota pääkaupunkiseudusta, kuten rakennusten rakennusvuosi, kuinka paljon rakennuksessa on asukkaita ja asukkaiden ikä. Karsimme tietokannasta turhan datan pois ja keskityimme vain muutamaan tiettyyn asiaan. Valitsin itse tarkasteluun muunkielisten osuuden pääkaupunkiseudulla ja tein siitä ruututeemakartan (Kuva 1).

“Muunkielisillä tarkoitetaan ihmisiä, jotka puhuvat äidinkielenään jotain muuta kieltä kuin suomea, ruotsia tai saamea.”

-Tuomas Hartikainen

Kuva 1. Muunkielisten osuus väestöstä pääkaupunkiseudulla 2015 neliökilometrin tarkkuudella

Ruututeemakartasta (Kuva 1) huomaa, että missä päin muunkielisiä asuu suhteessa muuhun väestöön. Kartasta huomaa alueita, jossa muunkielisiä eli tummempia ruutuja on enemmän kuten Itä-Helsingissä. Osassa tummissa ruuduissa on vain muutama asukas ja osassa tuhansia asukkaita, joten kartta voi antaa väärän kuvan koko pääkaupunkiseudun väestöstä. Tuomaksen blogissa on tehty ruututeemakartta, joka kuvaa pääkaupunkiseudun muunkielisten absoluuttista arvoa, joka antaa hieman enemmän tietoa missä päin pääkaupunkiseutua muunkieliset oikeasti asuvat.

Ruututeemakartalla vois siis esittää absoluuttisia arvoja, koska kaikki ruudut ovat samankokoisia eli yksi neliökilometri. Se ei kuitenkaan ole aina kannattavaa, koska mitä enemmän alueella on ihmisiä, sitä todennäköisemmin siellä esiintyy enemmän erilaisia ilmiöitä kuten tässä tapauksessa muunkielisiä ihmisiä.

Kartasta voisi tulkita, että muunkieliset keskittyvät samalla alueella kuten Itä-Helsinkiin. Pohdin mielessäni pitkään, miksi asia on juuri näin. Onko muunkielisten helpompi integroitua yhteiskuntaa, jos samalla alueella on myös muita muunkielisiä. Etäisyys Helsingistä keskustasta ja palveluista varmasti alentaa Itä-Helsingin asuntojen hintoja ja vuokria, joka houkuttelee alemman sosioekonomisen aseman omaavia maahanmuuttaja taustaisia perheitä asumaan kyseisillä alueilla. Toisaalta Itä-Helsingissä on myös loistavat palvelut kuten kauppakeskus Itis.

Visuaalisesti tekemäni ruututeemakartta on mielestäni selkeä lukea ja asumattomat alueet erottuvat hyvin joukosta. Kartasta näkyy myös pääkaupunkiseudun rajat, joka selkeyttää kartan tulkintaa.

Lopputunnista valmistelimme hieman ensi tuntia varten piirtämällä Pornaisten alueelle asutut rakennukset ja poisvievät tiet. Pornaisten peruskartassa ei ollut korkeuskäyriä, joten yhdistimme siihen toisesta aineistosta ne käyttämällä hyväksi vinovalovarjoste aineistoa. Seuraavalla kerralla palataan taas sorvin ääreen.

Lähteet:

Hartikainen, T. Maa-gis-ta menoa, 4. kurssikerta (2022), https://blogs.helsinki.fi/tuomhart/ (käytetty 15.2.2022)

 

Kolmas viikko alkoi yhteisellä harjoituksella, jossa käsiteltiin Afrikan maista kerättyä dataa. Tietokantoja yksinkertaistettiin ja myös tuotiin lisää dataa konflikteista ja luonnonvaroista, muun muassa timanteista. Oli mielenkiintoista nähdä miten nämä jakautuivat kartalle ja onko luonnonvaroista enemmän haittaa vai hyötyä maalle.

Taulukko 1. Viiden eri Afrikan maan tietoja pinta-alasta, väkiluvusta, internetin käytöstä, Facebook käyttäjistä, timanttikaivoksista, konflikteista ja vuosittaisista konflikteista.

Taulukosta 1 huomaa, että esim. Angola, jossa timanttikaivoksia on 43 on ollut konflikteja 69. Kaivokset eivät välttämättä kerro konfliktien määrästä, koska Etiopiassa konflikteja on huomattavasti enemmän, mutta ei ainuttakaan timanttikaivosta.

Uusien tietokantojen lisääminen oli yllättävän helppoa – paitsi itse QGIS:ille. Joins- toiminnon käyttö piti aina alustaa työn tallentamisella, koska noin joka kolmas kerta koko ohjelma kaatui. Onneksi saimme tähän hyvän perehdytyksen ja control + S oli aina liipaisimella.

Karttaa tästä harjoituksesta ei jäänyt käteen, muuta kuin taulukko, koska tallennetun projektin avaaminen pilvipalvelun kautta ei onnistunut. Ilmeisesti jokin asia tallennetuiden layereiden kanssa meni pieleen eikä QGIS enää tunnistanut niitä. Sama ilmiö tapahtui itsenäisen työn kanssa, mutta sain korjattua sen ottamalla pois tallennetun layerin edit ominaisuuden pois. Täytyy pitää silmillä tätä seuraavissa projekteissa, jotta kova työ ei mene hukkaan.

Itsenäinen työ – Tulvaindeksi

Tulvaindeksillä tarkoitetaan keskiylivirtaaman ja keskialivirtaaman välistä suhdetta. Keskiylivirtaama on joen uoman poikkileikkauksen läpi kulkevan vesimäärän ylimpien mitattujen arvojen keskiarvo, ja keskialivirtaama vastaavasti pienimpien mitattujen arvojen keskiarvo. Tulvaindeksi saadaan laskettua, kun jaetaan keskiylivirtaama keskialivirtaamalla. Saatu luku kertoo siis joenvirtausnopeuden vaihtelun suuruuden. Mitä isompi on pienimpien ja suurimpien virtaamien ero, sitä suurempi on tulvaindeksi.

-Tuomas Hartikainen

Itsenäisessä työssä myös yhdisteltiin tietokantoja liittyen Suomen valuma-alueisiin. Pienen kikkailun, laskutoimitusten ja kartan ulkoasun muokkaamisen jälkeen sain mielestäni kelpo tuotteen näytille (Kuva 1).

Kuva 1. Suomen valuma-alueiden tulvaindeksi (keskiylivirtaama/keskialivirtaama)

Kartasta huomaa, että rannikoiden muun muassa Pohjanmaan valuma-alueiden tulvaindeksi on suuri. Tämä johtuu muun muassa alueiden vähäisistä järvistä, jotka tasaisivat tulvahuippuja. Luin myös Eemil Sillankorvan blogista miten viime jääkauden jälkeinen maakohoaminen, etenkin Pohjanmaalla, on vaikuttanut jokien loivenemiseen ja siten niiden tulvaherkkyyteen. Kartasta huomaa myös, että isompien valuma-alueiden tulvaindeksi on huomattavasti pienempi kuin pienempien alueiden.

Toisesta tekemästäni kartasta (kuva 2) huomaa hyvin miten järvisyyden vähäisyys vaikuttaa tulvaindeksiin. Alueilla, kuten Pohjanmaalla järvisyys prosentti on pieni, joten tulvaindeksi on suuri.

Kuva 2. Suomen valuma-alueiden tulvaindeksi ja järvisyys. 

Toisen kartan (kuva 2) visualisoinnissa unohdin ensimmäisen viikon tapaan kokonaan punavihervärisokeuden. Myös pylväät hieman sekoittuvat toisiinsa etelärannikolla (Tuomaksen blogissa hyvä tarkennettu kartta), mutta muuten olen tyytyväinen kartan ulkonäköön.

Legendan tekeminen toiseen karttaan oli hieman hankalaa, koska QGIS:ssä pylväiden esittäminen legendassa oli mitäänsanomatonta eikä antanut mitään tietoa pylväiden pituudesta suhteutettuna prosenttimäärään. Siksi legendan prosenttipylväät täytyi itse näperrellä Paint 3D:llä, joka tuotti aluksi hieman hankaluuksia, mutta pienen väännön jälkeen lopputulos on parempi kuin QGIS:n oma legenda.

Viikko oli erittäin antoisa ja tuli opittu paljon uutta QGIS:istä. Ohjelmiston käytöstä alkaa pikku hiljaa päästä kärryille ja pieniä juttuja ei tarvitse enää kysyä vierustoverilta tai opettajalta. Vaikkakin QGIS:sin kanssa joutui hieman vääntämään paikkapaikoin nautin etenkin valuma-alue työn tekemisestä. Ensi viikolla väännöt jatkuvat!

Lähteet:

Hartikainen, T . Maa-gis-ta menoa, 3. kurssikerta (2022), https://blogs.helsinki.fi/tuomhart/ (käytetty 3.2.2022)

Sillankorva, E. Eemilin mantsa-blogi, KK3: Hankaluuksia Afrikassa ja tulvii Pohjanmaa (2022), https://blogs.helsinki.fi/sillanko/ (käytetty 3.2.2022)