Kuukausi: helmikuu 2024

T1: Lentoasemat

Viidennellä kurssikerralla harjoittelimme viime kerralla digitoimamme Pornaisten kunnan kartan avulla viivamaisten ja polygonikohteiden pituuksien ja pinta-alojen laskemista sekä puskurivyöhykkeiden luomista. Puskurivyöhykkeen avulla selvitimme, kuinka paljon ihmisiä asuu koulun ja terveyskeskuksen 1–2 km säteellä. Yhteisesti tehden tämä vaikutti olevan melko yksinkertaista ja itsenäisten tehtävien tekeminen aiheeseen liittyen jäikin minulle kotihommiksi. Kotona asiat ei tietenkään sujunut samalla tavalla vaan homma meinasi tyssätä jo siinä vaiheessa, kun pohdin kiitoratojen piirtämistä kartalle. Aikani pohdittua tajusin, että kiitoradat löytyvät ihan konkreettisesti karttalehdeltä valmiina. Piirsin kiitoradat polygoneina, ja jo tässä kohtaa piti edellisen kurssikerran ohjeista kerrata polygonin piirtäminen. Muistin, että luodaan uusi scratch layer, mutta polygonin piirtovalinta (add polygon feature) piti käydä ohjeesta etsimässä.

Seuraavassa vaiheessa eli puskurivyöhykkeen luomisen osasin heti, sillä siitä oli selkeä ohje eikä tarvinnut pohtia, mikä taso mihinkin tulisi valita (saatavilla vain yksi input layer). Talojen saaminen puskurivyöhykkeen sisälle oli taas aivan toinen asia, kun en näin viikon jälkeen tehtävää tehdessäni muistanut, kuinka talot saadaan valituksi puskurivyöhykkeen sisälle. Aikani räplätessä Select by location -ikkunaa sain tasot asetettua oikein päin ja selvitettyä Malmin lentoaseman kiitoratojen 1 km ja 2 km puskurivyöhykkeellä asuvien ihmisten määrän. Kuvassa 1 on esitetty 2 km puskurivyöhyke Malmin lentokentältä. Vertailin saamiani tuloksia Seppälän (2024) blogiin, jossa tiedot oli esitetty erittäin selkeästi. Omat tulokseni heittivät joillakin kymmenillä, mitä selittänee käsin digitoidut kiitoratapolygonit. Kaikki tehtävän tulokset on koottu taulukkoon 1.

Meluvyöhykkeillä asuvien määrä saatiin selville, kun valittiin select feature toiminnolla ensiksi 65 dB alueet ja sitten entiseen tapaan select by location ja rastitettiin avautuvassa välilehdessä selected features only. Toistin tätä monta kertaa, sillä sain aika erilaisen tuloksen kuin muilla kurssilaisilla. Sain tulokseksi aina vaan 19 asukasta, mutta en keksi miten muutenkaan tämän olisi voinut selvittää ja kysyinkin asiasta opettajalta kurssitapaamisessa. Alla vielä kuva (2), minkä alueen asukkaat laskin (65 dB melualueen sisällä asuvat ihmiset). Sain myös muita kurssilaisia selvästi pienemmän tuloksen, jonka mukaan vähintään 55 dB alueella asuisi runsaat 650 asukasta (kuva 3). Tosin, jos asukkaat lasketaan ilman 2 km puskurivyöhykettä, 65 dB melualueella asuu silloin 303 asukasta ja vähintään 55 dB melualueella 11 923 asukasta, mitkä useimmat muut kurssilaisista näyttivät saaneen tuloksiksi (ks. esim. Seppälä 2024, Leppä 2024). Itse kuitenkin tehtävänannosta ymmärsin, että ajatuksena oli tutkia tämän 2 km puskurivyöhykkeen sisällä olevien asukkaiden melualtistusta.

Mikäli lentokoneiden laskeutumissuunta olisi kaakosta luoteeseen Tikkurilan suunnasta, lähes 14 000 asukasta altistuisi vähintään 60 dB lentomelulle (kuva 4).  7 km kiitoradan jatkeen piirtämisessä hyödynsin apuna Advanced Digitize tool -työkalua.

Asemat

Tehtävän tavoitteena oli selvittää, kuinka monta asukasta asuu metro- ja juna-asemien läheisyydessä edellisen tehtävän karttalehden alueella. Tässä kohtaa minulla on taukoa lähes 1,5kk edellisten tehtävien tekemisestä, joten katsoin apua Erikssonin (2024) kurssiblogista. Karttalehden asemien erottamiseksi loin siis ensin karttalehden muotoisen uuden polygonin New shapefile layer toiminnon avulla, jonka jälkeen clip toiminnolla rajasin karttalehden sisälle jäävät asemat. Sen jälkeen tuttuun tapaan loin karttalehden sisälle jääviin asemiin 500 m puskurivyöhykkeet sekä intersection toiminnon avulla loin uuden välilehden karttalehdellä asuvista asukkaista. Itse en osannut rajata karttalehden ylittäviä asemia reshape toiminnolla, kuten Eriksson (2024) kertoo tehneensä. Alla myös kuva, jossa tekemäni karttalehden rajaus, alueen asukkaat ja asemien puskurivyöhykkeet (kuva 5). Asemien puskurivyöhykkeellä asuvien asukkaiden määrän selvitin Select by location toiminnolla, jonka tuloksia tarkastelin Statistics paneelissa.

Tuloksina karttalehden alueella asuu 516 193 asukasta, ja joista asemien 500 m läheisyydessä asuu  106 440 asukasta eli 20,6 % kaikista alueella asuvista.

Työikäisten määrän selvitin laskemalla luomaani karttalehden asukkaiden attribuuttitauluun uuden rivin laskemalla yhteen 15-vuotiaasta 64-ikävuoteen olevat asukkaat, ja jonka lopuksi jaoin a-kohdan vastauksella. Tulokseksi sain, että työikäisiä 15-64-vuotiaita asuu 71 124 eli 66, 8 % asemien 500 m läheisyydestä asuvista.

T2: Asukkaat taajamissa

Toisessa tehtävässä selvitettiin asukkaiden ja kouluikäisten määriä taajamissa. Tämä tehtävän tekemisessä hyödynsin Statistics paneelia, attribuuttitaulukkon laskinta sekä Join attributes by location ja Select by location toimintoja. Tehtävässä käytetyn pääkaupunkiseudun kokonaisväkiluku on 1 042 440, joista taajamissa asuu 1 001 830 eli 96,1 %. Laskimen avulla laskin, että asukasluvusta 92 844 on kouluikäisiä eli 7-15-vuotiaita. Pitkään ja turhautuneena pyöriteltyäni sain tulokseksi, että taajamien ulkopuolella heistä asuu 3 369 eli 3,6 %. Jostain syystä en saanut tulosta suoraan Select by locationia ja Statistics paneelin Selected features only toimintojen avulla, vaan minun täytyy hyödyntää myös Join attributes by location toimintoa myös.

T4: Saunat ja uima-altaat

Vapaasti valittavista tehtävistä valitsin tarkasteluun pääkaupunkiseudun saunat ja uima-altaat. Loin tarkastelua varten uuden pisteaineiston, johon lisäsin kaikki uima-altaalliset rakennukset,  minkä tekemisessä hyödynsin layerin filter toimintoa. Näin uima-altaiden ja niiden jakautuminen talotyypeittäin sekä saunojen lukumäärät oli helppo selvittää Statistics paneelin avulla suoraan. Esimerkiksi uima-altaallisten kerrostalojen lukumäärän sai selville Statistics paneelista hakemalla pks_vaki tietokannasta ”KATAKER=39”. Huomasin myös Haimin (2024) tehneen tehtävää vastaavasti, vaikkakin luin tämän vasta oman tehtävän tekemisen jälkeen vertaillessani saamiani tuloksia. Lisäksi Herttua (2024) oli nähnyt vaivaa ja tuottanut visuaalisesti selkeät ympyrädiagrammit uima-altaiden jakautumisesta talotyypeittäin.

Uima-altaalla varustettuja rakennuksia: 855
Saunallisissa taloissa asukkaita: 12 170
Talotyypeistä, joissa on sauna;
– omakotitaloja 345
– paritaloja 158
– rivitaloja 113
– kerrostaloja 181
Saunallisia rakennuksia: 21 922, joka on kaikista asutuista rakennuksista 24,1 %

Alla olevassa kuvassa 6 on esitetty uima-altaallisten rakennusten jakautuminen pääkaupunkiseudulla ja taulukossa 2 on kuvakaappaus postinumeroalueista, joissa eniten uima-altaallisia rakennuksia. Kartta ei ole ensinkään sitä, mitä tehtävän annossa pyydettiin. Tein tätä karttaa 3 tuntia, mutta kurssikerroista on itselläni niin paljon aikaa, etten enää muistanut enkä googlen ohjeillakaan kerta kaikkiaan osannut kerätä tietoja oikein oikeanlaisen kartan tekemiseksi. Sain lopulta luotua Group stats toiminnolla taulukon, jossa uima-altaalliset rakennukset oli laskettu yhteen postinumeroalueittain. En saanut sitäkään laskettua dissolve tai Join attribute by location toiminnoilla. En kuitenkaan saanut taulukkoa sellaiseen muotoon, että olisin saanut hyödynnettyä tietoa kartan tekemiseen. Kokeilin tallentaa tiedon csv-tiedostona ja ladata QGIS:n, mutta siihen ei saanut lisättyä sijaintitietoa eikä siten visualisoitua lukumäärinä tai diagrammeina kartalle. Uskoni menettäneenä luovutin ja tässä saamani lopputulokset.

Lähteet:

Eriksson, G. (13.2.2024). MAA202 Viiden viikko – Gaiuksen kurssiblogi. [Blogipostaus.] Viitattu 30.3.2024. https://blogs.helsinki.fi/ezgaius/2024/02/13/maa202-neljas-viikko-2/

Haimi, S. (25.2.2024). Kurssikerta 5: laskentaa ja tilastoja. [Blogipostaus.] Viitattu 30.3.2024. https://blogs.helsinki.fi/sadhaimi/

Herttua, A. (28.2.2024). 5. viikko. Aidan GIS-taival. [Blogipostaus.] Viitattu 30.3.2024. https://blogs.helsinki.fi/aiheai/5-viikko/

Leppä, A. (20.2.2024). Viides kurssikerta – Analyysien maailmaa. Aapelin kootut GIS-kärsimykset. [Blogipostaus.] Viitattu 3.3.2024. https://blogs.helsinki.fi/aapleppa/

Seppälä, A. (16.2.2024). 5 viikko – Bufferointia Helsinki-Vantaalla. Gisvelhon loitsuja. [Blogipostaus.] Viitattu 18.2.2024. https://blogs.helsinki.fi/sexanna/2024/02/16/5-viikko-bufferointi-helsinki-vantaalla/

T1: Ruututeemakartta

Neljännellä kurssikerralla perehdyimme tiedon esittämiseen ruututeemakartan avulla. Ruudut ovat tyypillisesti neliönmuotoisia alueita, joiden avulla voidaan esittää pinta-alaltaan samankokoisiin jaettuihin alueisiin liittyvää tietoa. Tällainen ruututarkastelu mahdollistaa absoluuttisten ja suhteellisten tietojen esittämistä. Absoluuttisena voidaan esittää lukumääriä, joita voisi olla esimerkiksi ruudussa esiintyvät puistojen tai liikenneonnettomuuksien määrät. Kurssikerralla oli kuitenkin puhetta, että suhteelliset lukuarvot mahdollistavat yleensä alueiden keskinäisen vertailun paremmin.

Yliopistolla paikan päällä harjoittelimme ensiksi esittämään pääkaupunkiseudulla asuvien ruotsinkielisten määrät absoluuttisesti 1 km x 1 km ruuduissa. Tämä ei kuitenkaan ole kovin informatiivista, sillä ruuduissa voi asua hyvin eri määrä ihmisiä. Esimerkiksi jos kahdessa pääkaupunkiseudun eri  ruuduissa molemmissa asuu 20 ruotsinkielistä, mutta toisessa ruudussa asuu yhteensä 20 ihmistä ja toisessa 250, ei näiden absoluuttisten arvojen vertailu anna lukijalle mitään tietoa. Suhteuttamalla ruotsinkielisten määrä ruudussa asuvaan kokonaislukumäärään, saadaan ruotsinkielisten prosentuaalinen osuus (kuva 1), ja jolloin tietoja on mielekkäämpi vertailla. Karttaa tehdessäni lukemista parantaakseni korostin kuntarajat ja nimesin kunnat.

Koko pääkaupunkiseutua tarkastellessa (kuva 1) huomataan, että ruotsinkielisiä esiintyy laajalti eteläisissä ja läntisissä osissa pääkaupunkiseutua. Myös tiheitä muutaman kilometrin säteellä olevia  keskittymiä ruotsinkielisiä esiintyy Koillis-Helsingissä ja Luoteis-Vantaalla. Koko kunnan pinta-alaan suhteutettuna ruotsinkielisiä on eniten Kauniaisissa. Myös Espoon kunnassa suurimmassa osassa aluetta asuu vähintään 5 % ruotsinkielisiä ihmisiä. Vähiten ruotsinkielisiä pinta-alaan suhteutettuna on Vantaalla (tästä en pelkällä visuaalisella tarkastelulla ole varma, onko Vantaa vai Helsinki; Vantaa on kuitenkin suurempi kuin Helsinki, mikä voi auheuttaa visuaalista harhaa).

Ruututeemakartassa on tärkeää pohtia, minkä kokoista ruutujakoa käyttää. Syrjänen (2024) toi esille blogissaan, että ruutujen kooilla voidaan kärjistää tai tasoittaa eroja. Syrjäsen esittämä ruutukarttavertailu, jossa ruudut olivat 500 m x 500 m ja 1 km x 1 km, ei tuonut kovin suuria eroja tuloksissa esille. Jaakkola (2024) oli luonut ilmiöstä lisäksi 2 km x 2 km ruutukartan, joka toi milestäni helpommin luettavasti esille ruotsinkielisten jakautumista koko pääkaupunkiseudulla. Pistekarttoihin verrattuna ruutukartoissa voi tarkemmin vertailla eri alueita, kun ruudut rajaavat tarkasteltavan ilmiön samankokoisiin alueisiin. Ruutukarttaan verrattuna koropleettikartta antaa paremmin tietoa ilmiön jatkuvuudesta alueen sisällä.

T2: Pornainen ja rasterikartat

Oppitunnin loppupuoliskolla harjoittelimme korkeusmallirastereiden yhdistämistä, ja kuinka korkeusmallirastereista voidaan tuottaa rinnevarjostusmalli, josta edelleen korkeuskäyrät kartalle (kuva 2). Tämä oli mielestäni äärimmäisen mielenkiintoista ja konkreettista, mitä maantieteilijä voi tehdä. Hyödynsin oppimaani heti innokkaasti opettaessa yläkoululaisille maantietoa ja selittäessäni heille, mitä kaikkea rinnevarjostusmallilla voi tehdä (harjoittelimme tuolloin siis rinnevarjostusmallin käyttöä jääkautisten maisemien tarkastelussa Paikkatietoikkunassa). Ensi kertaa varten digitoimme Pornaisten alueelle myös suurimmat tiet ja talot. Tehtävä jatkuu seuraavalla kurssikerralla.

 

 

 

 

 

 

 

 

 

Lähteet:
Jaakkola, T. (6.2.2024). Tiedon esittäminen ruututeemakartalla. Taikamatkalla GIS-velhoksi. [Blogipostaus.] Viitattu 11.2.2024. https://blogs.helsinki.fi/jztaika/

Syrjänen, S. (6.2.2024) 4 viikko, Ruututeemakartta. Stella’s blog. [Blogipostaus.] Viitattu 11.2.2024. https://blogs.helsinki.fi/stellasy/2024/02/06/4-viikko-ruututeemakartta/

Konfliktit Afrikassa

Kolmannen kurssikerran aiheena oli harjoitella tiivistämään tietokannan sisältämiä attribuuttitietoja sekä yhdistämään eri tietokantoja toisiinsa attribuuttitaulukoita kytkemällä. Näitä toimintoja harjoittelimme tarkastelemalla Afrikan valtioiden, timanttikenttien ja konfliktien välisiä yhteyksiä. Tietokanta Afrikan valtioista sisälsi satoja rivejä tietoa, jotka tiivistimme noin 50 riviin yhdistämällä kaikki saman valtion aluetta koskevat rivit yhteen dissolve-toiminnolla. Yhdistäminen perustui valtioiden nimeen. Dissolve-toiminnolla menetettiin pinta-alatietoja, mistä syystä lisäsimme jälkikäteen aggregate-toiminnolla kunkin valtion yhteenlasketun pinta-alan (esim. valtiolle kuuluvat saaret). Aggregate-toiminto perustuu fyysiseen karttapohjaan, josta ohjelma laskee käytetyn projektion mukaan geometrisesti samannimisten alueiden pinta-alojen summan.

Tämän jälkeen harjoittelimme uuden tietokannan liitosta alkuperäiseen Afrikka-tietokantaan. Ensiksi lisäsimme Afrikan valtioiden väkiluvut sekä internetin ja facebookin käyttäjien määrän sisältävän tietokannan QGIS-ohjelmaan. Tämä välilukutietokanta oli alunperin excel-muotoisena, mikä muutettiin ensiksi QGIS tukemaan csv-muotoon. Ennen tiedostomuodon muutosta on tärkeää tarkistaa, että tiedot kahdessa tietokannassa vastaavat ainakin yhdeltä sarakkeelta toisiaan, kuten tässä tapauksessa valtioiden nimet. Tietokantojen liitos perustuu siihen, että molemmissa tietokannoissa löytyvät identtiset tietueet vähintään yhden muuttujan osalta. Itse väkilukutietokannan liittäminen Afrikka-tietokantaan tapahtui Join-toiminnon avulla. Kurssikerralla emme kuitenkaan varsinaisesti hyödyntäneet tietoa väkiluvusta. Jaakkola (2024) oli blogissaan luovasti keksinyt tutkia väkilukuun suhteutetun internetin käyttäjien määrän yhteyttä konfliktien määrään Afrikassa ja luonut visuaalisesti selkeän kartan. Lisäksi aineistosta olisi voinut myös tutkia esimerkiksi  timanttikaivosten ja öljykenttien löytämisvuosien ja konfliktien tapahtumisvuosien yhteyttä, ja onko konflikteja tapahtunut jopa useampia löytövuonna tai pian sen jälkeen.

Lopuksi lisäsimme tietokannat Afrikassa olevista öljykentistä ja timanttikaivoksista sekä tapahtuneista konflikteista. Tästä vaiheesta luomani kartta on kuvassa 1. Harjoittelimme näiden tietojen avulla Count points in polygon-toiminnolla luomaan tietoja, kuinka monta timanttikaivosta (pistettä) ja konfliktia (pistettä) on kullakin valtiolla (polygonilla). Kurssikerralla emme harjoitelleet, kuinka polygonialueita voisi laskea polygonien sisällä, mutta sitä esiteltiin kurssityöohjeessa. Lopuksi loimme tietoa, kuinka monta eri vuonna tapahtunutta konfliktia kunkin valtion alueella oli esiintynyt. Tämä tarkastelu tuotti paremmin tietoa valtioiden pitkäaikaisesta (epä)vakauskehityksestä. Saatujen tulosten perusteella Angolassa tapahtui eniten eri vuosina syttyneitä konflikteja, mikä todennäköisesti liittyi myös timanttikaivosten runsaaseen määrään. Useimpien valtioiden kohdalla konfliktien määrällä ei kuitenkaan ollut yhteyttä timanttikaivosten määrään.

Tulvat Suomen valuma-alueilla

Itsenäisessä tehtävässä jatkettiin harjoittelua tietokantojen yhdistämisestä, kun tutkittiin Suomen valuma-alueiden tulvaherkkyyksiä. Tehtävässä tuli osata liittää keskiylivirtaama MHQ samannimisestä tietokannasta valuma-aluetietokantaan, minkä jälkeen yhdistetystä tietokannasta saatiin laskettua tulvaindeksi. Valuma-aluetietokantaan lisättiin myös järvisyysprosentti erillisestä exceltaulukosta, joka tuli ensin muuttaa csv-muotoon (perusversio). Lopulliseen karttaan visualisoitiin valuma-alueet tulvaindeksin mukaisesti sekä lisättiin ympyrädiagrammit järvi- ja maa-aloista valuma-alueittain (kuva 2).

Väriskaalassa käytiin vaaleansinisestä violettiin liukuvaa skaalaa, jossa tummavioletti kuvasi suurinta tulvaindeksiä. Mieluiten olisin käyttänyt pelkkiä sinisen sävyjä kuvaavaa skaalaa, mutta kuudella luokalla värien sävyt eivät erottuneet mielestäni riittävästi selkeän tiedon esittämiseen. Yritin aluksi muuttaa sinisävyjen skaalaa, mutta en lopulta jaksanut käyttää aikaa sellaiseen, vaikka olisin niin osannut tehdäkin. Lisäksi järvi- ja maa-alojen jakautumista kuvaavat ympyrädiagrammit menivät osittain päällekkäin etelä- ja lounaisrannikoiden pienillä valuma-alueilla, mutta diagrammien pienentäminen olisi hankaloittanut muiden pienien  diagrammien lukemista.

Tulvakarttaa (kuva 2) tarkastelemalla huomataan, että suurimmat tulvaherkkyydet sijaitsevat Suomen lounais- ja länsirannikolla. Tätä selittänee rannikon alavat pinnanmuodot ja järvien vähäinen määrä. Tulvaherkkyyttä esiintyy jonkin verran myös läntisessä Lapissa, mitä voisi selittää Skandien vuoristosta valuvat lumien ja jäätiköiden sulamisvedet. Erityisesti keväisin pohjoisessa voi esiintyä jääpatoja, mikä lisää tulvimista. Pienimmät tulvaherkkyydet sijaitsevat Keski-Suomessa Järvi-Suomen alueella sekä Itä- ja Keski-Lapissa. Vähäistä tulvintaa selittänee korkea järvisyysprosentti, jolloin järvet kykenevät varastoimaan lumien sulamisen ja rankkasateiden aiheuttamia tulvavesiä.

Lähteet:
Jaakkola, T. (1.2.2024). Tietokantojen tunnelmissa – Konflikteja Afrikassa ja tulvia Suomessa. Taikamatkalla GIS-velhoksi. [Blogipostaus.] Viitattu 2.2.2024. https://blogs.helsinki.fi/jztaika/