Heiggi's blog

Viimeistä viedään!

Geoinformatiikan menetelmät 1 -kurssin tie onkin saapunut päätökseen, sillä tämän viikon kurssikerta olikin jo kurssin viimeinen. Seitsemännen ja viimeisen kurssikerran aiheena olikin tuoda yhteen kaikki oma osaaminen ja kurssin aikana opitut taidot ja luoda vähintään kaksi eri muuttujaa sisältävä teemakartta vapaavalintaisesta aiheesta ja aivan itse netin syövereistä etsityn aineiston pohjalta. Saimmekin ohjeeksi jo aiemmalla viikolla, että olisi hyvä saapua kurssikerralle jo valmiin aineiston kanssa. Tätä en tietenkään jaksanut tehdä, ja kurssikerralla tulikin harvinaisen selväksi, että olisi kuitenkin ehkä kannattanut.

Koko kurssikerta valuikin täysin hukkaan pähkäillessäni aihetta kartalle sekä etsiessäni sopivaa tietokantaa sille. Useista mielenkiintoisista aiheista ei tahtonut löytyä lainkaan dataa, ainakaan ladattavassa muodossa olevaa. Useat aineistot, joiden lataaminen muun muassa csv. -muodossa onnistui, olivat kuitenkin hyvin haastavia hallita ja käsitellä QGIS:ssä. Vaikeuksia toi etenkin se, ettei yksikään lataamani tietokanta sisältänyt muuttujien koordinaattitietoa, joten kohteet eivät ilmestyneet heti karttapohjalle. Haastavaa oli myös se, että kaksi muuttujaa sisältävä kartta vaati siis kahden eri tietokannan löytämistä, jolloin tietoja täytyi yhdistää joins -komennon avulla, joka on ollut aiemmilla kurssikerroilla itselleni melko hankala. Nyt komento on kuitenkin suurinpirtein hallussa, sillä sen kanssa tulikin tällä viikolla tapeltua paljon.

 

Alkoholinkulutus ja onnellisuusindeksi

 

Tarkoitukseni oli alun perin laatia teemakartta, joka kattaa vain Euroopan alueen, mutten onnistunut löytämään sopivaa ja toimintaa Euroopan valtionrajat sisältävää shapefilea. Päädyinkin siis tekemään kartan koko maailmasta. Kokeilin useaa eri aineistoa, joiden aihepiirit vaihtelivat laidasta laitaan, kutenlento-onnettomuuksista metsäpinta-alojen muutoksiin. Tietokannat olivat kuitenkin hyvin haastavia hallita, enkä saanut haluamiani muuttujia visualisoitua kartalle. Aineistot sisälsivät aina null -arvon omaavia kohteita. Tein varmasti myös jotain väärin joins -komennon kanssa.

Kurssikerta oli jo loppusuoralla ja edistymiseni oli ollut minimaalista, joten päätin vain lopulta ottaa yhdeksi muuttujakseni onnellisuusindeksin, sillä kyseisen aineiston käsittely oli ilmeisesti muutamalla muulla toiminut suhteellisen hyvin. Vaikeaa oli kuitenkin löytää vielä se kartan toisen muuttujan aineisto. Minulla alkoi mennä hermo koko hommaan, joten aineistojen etsintäni meni ihan pelleilyksi. Se tuotti kuitenkin tulosta ja löysin tietokannan, jonka hallinta luonnistui. Se sisälsi tietoa maailman alkoholinkulutuksesta per asukas valtioittain. Laadin lopulta näiden kahden muuttujan (alkoholinkulutus ja onnellisuusindeksi) pohjalta teemakartan (Kuva 1), jossa värit esittävät valtioiden keskimääräistä alkoholinkulutusta litroina vuodessa per asukas, ja numerot taas valtion onnellisuusindeksiä vuosilta 2011-2022.

Olen lopputulokseen melko tyytyväinen. Minua jäi vain hieman vaivaamaan se, ettei alkoholitietokanta sisältänyt kaikkia valtioita, jolloin useita globaalisti merkittäviäkin valtioita, kuten Yhdysvallat ja Iso-Britannia jäivät kartalta pois. Kartasta tuli kuitenkin selkeä väriensä puolesta. Onnellisuusindeksiä on kuitenkin vaikea tulkita paikoittain, kuten esimerkiksi Euroopan kohdalta, sillä valtiot ja näin ollen myös luvut ovat sijoittuneet niin tiheään. Kartta sellaisenaan legendan kanssa näytti melko tyhjältä, joten päätin tehdä legendan lisäksi kaksi erillistä tietolaatikkoa. Laitoin yhteen laatikkoon onnellisuusindeksin top 3 parhaiten ja top 3 heikoiten sijoittuvaa valtiota. Alkoholinkulutustietokanta sisälsi alkoholin kokonaiskulutuksen lisäksi dataa myös eri juomatyypeistä: kuinka paljon ja missä mitäkin juomaa juodaan? Laitoinkin siis toiseen tietolaatikkoon erikseen top 3 eniten viiniä juovat maat, olutta juovat maat sekä väkeviä juovat maat.

Kuva 1. Alkoholinkulutus sekä onnellisuus maailmassa. (Pohjakartta: Opendatasoft, Alkoholinkulutus: Github, Onnellisuusindeksi: Ourworldindata)

 

Kartan data ei sinänsä yllätä. Ajattelinkin Länsimaiden olevan vahvasti edustettuna kärkipäässä kartan molempien muuttujien osalta, mutta tarkoittaako se sitä, että muuttujilla olisi jokin yhteys? Lisääkö alkoholi onnellisuutta? Karttaa katsottaessa voi kyllä huomata, että enemmän alkoholia käyttävissä valtioissa ollaan pääsääntöisesti onnellisempia. En kuitenkaan usko, että alkoholi on se päällimmäinen tekijä onnellisuuden kasvattamisessa, vaan elintaso. Länsimaissa elintaso on keskimääräistä korkeampi, mikä kasvattaa yleisesti onnellisuutta sekä myös mahdollisuuksia erinäisten viihdykkeiden ja tuotteiden ostamiseen, kuten tässä tapauksessa alkoholijuomien. En siis väittäisi, että alkoholin käytöllä ja onnellisuudella on suoraa yhteyttä toisiinsa, vaan niillä on pikemminkin yhteinen yhdistävä tekijä, elintaso. Korkeamman elintason maissa ollaan siis muutamia poikkeuksia lukuun ottamatta onnellisempia sekä juodaan enemmän alkoholia.

 

Lopuksi

 

Kurssi on nyt päättynyt, enkä todellakaan voi väittää, että olisin nauttinut jokaisesta hetkestä kurssilla. QGIS:n käyttö luonnistuu minulta nyt melko hyvin, mutta sen hallitseminen on vaatinut vapaa-ajaltani aikaa huomattavasti enemmän kuin olisin kuvitellut tai halunnut. Teemakarttojen laatiminen näin ajatuksena sekä kurssilla käsitellyt aineistot ovat olleet erittäin mielenkiintoisia, mutta niiden hallitsemiseen vaadittavat komennot ja työkalut veivät ajoittain hermoni. Vaikka osaamiseni loppukurssia kohden kasvoikin ja vaativammistakin tehtävistä tuli selvittyä, voin kuitenkin sanoa olevani tyytyväinen, että taistelu gis:n kanssa on nyt ohi… toistaiseksi.

Kiitos lukemisesta!

 

Lähteet:

1. Opendatasoft. World Administrative Boundaries – Countries and Territories. Ladattu 27.2.2024. Saatavilla: https://public.opendatasoft.com/explore/dataset/world-administrative-boundaries/export/
2. Github. Andrei Scheinkman. Alcohol-consumption. Ladattu 27.2.2024. Saatavilla: https://github.com/fivethirtyeight/data/blob/master/alcohol-consumption/drinks.csv
3. Our World in Data. Happiness and life satisfaction. Ladattu 27.2.2024. Saatavilla: https://ourworldindata.org/happiness-and-life-satisfaction

Ulkoilua ja datan keruuta

Tämän viikon kurssikerta oli edellisiin verrattuna poikkeuksellinen. Kurssikerta alkoi erilaisissa merkeissä, sillä lähdimme nimittäin itse keräämään dataa kauniiseen ulkoilmaan. Tehtävänämme oli jakautua ryhmiin ja kirmata ulos bongaamaan erinäisiä julkisia kohteita ympäristössä sekä arvioiden muun muassa niiden viihtyvyyttä ja houkuttavuutta Epicollect5 -mobiilisovelluksessa. Kaikkien ryhmien tuli ladata keräämänsä kohteet yhteiseen tietokantaan, jota sitten luokassa tarkastelimme. Kohteita pystyi havainnoimaan kartalta klustereiden, lämpökartan ja pisteiden muodossa.

Interpolointia

Kurssikerran ensimmäisessä QGIS -harjoituksessa toimme ulkona keräämämme kohteet valmiille karttatasolle pisteiksi. Tutkimme kohteitamme niiden turvallisuuden näkökulmasta. Interpoloimme kartalle (Kuva 1.) pisteiden ulkopuolelle jäävien alueiden arvot. Interpolointityökalu laskee siis olemassa olevien arvojen avulla todennäköiset arvot kohteille, joilta arvot puuttuu. Interpolointi on sanana tuttu, mutta kuitenkin itselleni täysin uusi ja tuntematon toiminto. Interpolointi kuulostaa mielestäni erittäin hyödylliseltä työkalulta. Sen avulla voi hyvin havainnoida jatkuvia arvoja laajemmaltakin alueelta säästäen aikaa, sillä dataa ei sen ansiosta tarvitse kerätä jokaisesta paikasta.

 

Kuva 1. Interpoloitu kartta, joka kuvaa Kumpulan kampuksen ja Arabianrannan ympäristön turvallisuutta.

 

En pidä keräämämme datan pohjalta luotua karttaa kovin luotettavana, sillä kurssilaisten tulkinnat turvallisuudesta vaihtelivat merkittävästi. Osa ryhmistä ajatteli turvallisuutta sääolosuhteiden kannalta (esim. tien liukkaus), kun taas esimerkiksi ryhmäni johon kuului, Pietu Nuortimo, Gaius Eriksson ja Sampo Väätäjä pohti turvallisuutta enemmänkin siltä kannalta, että kuinka todennäköistä kohteessa x on joutua ryöstetyksi tai pahoinpidellyksi. Data on siis hyvin tulkinnanvaraisesti kerättyä eikä näin ollen tasaista.

 

Maanjäristykset

 

Yhteisen interpolointitehtävän jälkeen siirryimme itsenäisiin tehtäviin. Tarkoituksena oli laatia kolme teemakarttaa maanjäristyksiin, tulivuoriin ja meteoriittien törmäyksiin liittyen. Nämä kaikki kolme karttaa sai luoda vaikka yhdestä aiheesta, mutta päätin tehdä yhden jokaisesta, sillä kukin aihe, hasardit ylipäätänsä, kiinnostavat minua suunnattomasti. Pidin myös siitä, että karttojen laatiminen oli melko vapaaluontoista. Esimerkiksi aluetta sai rajata haluamallaan tavalla.

Ensimmäinen karttani (Kuva 2.) Esittää viime vuonna koko maailmassa sattuneet voimakkuudeltaan vähintään 5 magnitudin maanjäristykset. Eri väriset pisteet kuvaavat voimakkuudeltaan eri kokoisia järistyksiä. Kartasta tuli mielestäni erittäin onnistunut. Vaihdoin QuickMapServicestä karttapohjan ESRI:n satelliittikartaksi, joka teki lopputuotoksesta huomattavasti miellyttävämmän näköisen. Mukautin myös pisteiden koot vastaamaan järistysten voimakkuutta. Lisäsin litosfäärilaattojen rajat kartalle tuomaan lisänäkökulmaa kartan esittämän aiheen tutkimisen avuksi.  Liitin rajat aluksi QuickMapServicestä. Rajat olivat kuitenkin rasterimuodossa tehden niistä äärimmäisen vaikeat muokata. Viivojen leveyttä ei pystynyt esimerkiksi säätämään, jolloin ne  hädin tuskin edes näkyivät kartalla. Löysin lopulta  onneksi pitkän etsinnän jälkeen netistä sivustolta GitHub.com litosfäärilaattojen rajat sisältävän GeoJSON -aineiston, jonka käsittely ei tuonut lainkaan vaikeuksia.

Kuva 2. Vuonna 2023 sattuneet yli viiden magnitudin maanjäristykset maailmassa.

Litosfäärilaattojen rajat ovat mielestäni oiva lisä karttaan, sillä ne auttavat ymmärtämään, miksi tietyillä alueilla esiintyy huomattavasti enemmän ja myös voimakkaampia maanjäristyksiä kuin toisilla. Kartasta voi havaita Tyynenmeren tulirenkaan kattavan laajan osan koko maailmassa tapahtuvista järistyksistä. Tulirengas sijaitseekin kauttaaltaan Tyynenmeren laatan saumakohdissa. Myös enemmistö voimakkaista järistyksistä tapahtuu kyseisellä alueella. Toki muitakin seismisesti hyvin aktiivisia pienempiä alueita löytyy runsaasti. Kartalla näkyy muun muassa katastrofaaliset vuoden 2023 alun Turkin järistykset, joiden seurauksena yli 50 000 menetti henkensä (Teelmäki, 2023).

 

Tulivuoret

Seuraavana vuorossa olivat tulivuoret, jotka ovatkin yksi itseäni eniten kiehtovista prosesseista luonnonmaantieteessä. Tämän aiheen osalla halusin syventyä hieman rajatumpaan alueeseen koko maailmankartan sijaan. Maanjäristyskartan tapaan yritin valita mahdollisimman ajankohtaisen aikavälin purkausten tutkimiselle. Laadinkin siis kartan, joka esittää Etelä-Amerikassa vuoden 1964 jälkeen purkautuneet tulivuoret (Kuva 3.). Päätin tähänkin sekä viimeiseen karttaan jättää satelliittikarttapohjan, sillä se näyttää mielestäni vain niin paljon paremmalta kuin tavallinen karttapohja. Jätin myös laattojen rajat näkyviin, sillä ne ovat merkittävin selittävä tekijä tulivuorten sijainnille. Vaihdoin tulivuoria kuvaavat symbolit pisteistä kolmioiksi, sillä ne symboloivat tulivuoria mielestäni osuvammin. Laatiessani lopullista karttaesitystä print layoutissa tuumin, että kartta on jotenkin tyhjän oloinen. Tuntui siltä, että se kaipaisi vielä jotain lisäinformaatiota. Päätinkin kaverini Jero Hobergin innoittamana lisätä vielä labelit kuvaamaan kartalla olevien vuorien korkeuksia.

Kuva 3. Etelä-Amerikassa vuoden 1964 jälkeen purkautuneet tulivuoret sekä niiden korkeudet merenpinnasta.

Etelä-Amerikan länsirannikko on vulkaanisesti hyvin aktiivista aluetta se sijaitsee Tyynenmeren tulirenkaalla subduktio -eli alityöntövyöhykkeellä, jossa mereinen Nazca -laatta ja mantereinen Etelä-Amerikan laatta törmäävät. Andien vuoristo on syntynyt alityönnössä tapahtuneen poimutuksen seurauksena ja sen maisemalle ovatkin tyypillisiä muun muassa kerrostulivuoret.

 

Meteoriitit

 

Viimeiseksi laadin kartan kaikista tunnetuista meteoriittien törmäyksistä Australiassa (Kuva 4.). Rajasin alueen Australiaan, sillä se on kiehtova alue ja lisäksi huomasin siellä olleen melko paljon meteoriittien törmäyksiä verrattuna useimpiin alueisiin. Se saikin pohtimaan, että miksi? Eihän alueen seismisellä ja vulkaanisella pitäisi olla meteoriittien esiintyvyyden kannalta mitään tekemistä. Uskoisin suurien lukujen pohjautuvan enemmänkin meteoriittien löydettävyyteen kuin todelliseen törmäysten määrään. Australia on suurilta osin erämaata, jolta löytyy paljon avoimia, tasaisia ja niukan kasvillisuuden omaavia alueita, joilta meteoriittien löytyminen on huomattavasti helpompaa kuin esimerkiksi joltain tiheältä sademetsäalueelta. Luvut todellisista meteoriittien törmäyksistä voivat siis mahdollisesti olla ainakin hieman erilaiset.

Kartta onnistui erinomaisesti. Mielestäni ainoastaan meteoriittien sijainnin kuvaaminen saman värisillä ja kokoisilla olisi saanut kartasta melko tylsän, joten mukautin meteoriitteja kuvaavat pisteet vielä kuvaamaan värien ja koon avulla meteoriittien massaa.  Mielestäni on useimmissa tapauksissa hyvä lisätä pientä lisätietoa, kun sitä pystyy esittämään muuttamalla jo olemassa olevien kohteiden väriä, eikä kartalle tarvitse lisätä täysin uusia kohteita.

Kuva 4. Kaikki tunnetut meteoriittien törmäykset Australiassa. Pisteiden värit ja koot kuvaavat meteoriitin painoa.

 

Mielestäni laatimani kartat soveltuvat hyvin kyseisten aiheiden opettamiseen, sillä ne ovat  selkeitä ja niiden esittämä tieto on helposti ymmärrettävissä.  Maanjäristys -ja tulivuorikartat ovat myös hyvin sovellettavissa yleisesti laattatektoniikan opetukseen, sillä litosfäärilaatat ja niissä tapahtuvat prosessit ovat erittäin suuressa roolissa maanjäristysten ja tulivuorten syntyyn. Esimerkiksi eri tulivuorityyppien avulla voidaan selittää, vallitseeko alueella laattojen erkanemis -vai törmäysvyöhyke. Myös Aura Niskanen pohtii blogissaan (2024) tulivuorikarttojen soveltuvuutta laattatektoniikan opettamisessa. Meteoriittikartta on taas aihealueeltaan melko suppea eikä sitä oikein maantieteen saralla pysty soveltamaan tai liittämään muihin aiheisiin.

 

Lähteet:

1. Teelmäki, R. 20.9.2023. Unicef. Puoli vuotta järistysten jälkeen – mitä lahjoitusvaroilla on saatu aikaan Turkissa ja Syyriassa? Viitattu 20.2.2024. Saatavilla: https://www.unicef.fi/tyomme/ajankohtaista/uutiset-ja-nakokulmat/2023/puoli-vuotta-jaristysten-jalkeen-mita-lahjoitusvaroilla-on-saatu-aikaan-turkissa-ja-syyriassa/

2. Niskanen, A. (2024). Auran blogi geoinformatiikan menetelmistä. Kuudes kurssikerta – turvatonta ja järisevää. Viitattu 21.2.2024. Saatavilla: https://blogs.helsinki.fi/niskanau/2024/02/20/kuudes-kurssikerta-turvatonta-ja-jarisevaa/

Bufferianalyyseja

 

Viides kurssikerta alkoi itselleni jo osittain tuttujen Bufferien eli puskurianalyysien kertaamisella. Clip -analyysitkin olivat kurssikerran alussa jonkin verran esillä, mutta pääpaino viikon harjoituksissa oli selvästi bufferianalyysien hallitsemisessa. Buffereiden avulla voidaan siis luoda kartalle kohteen x ympärille haluamansa kokoisen vyöhykkeen. Buffereiden lisäksi hyödynsimme select by location -toimintoa, jonka avulla voi korostaa kartalla tiettyjä kohteita ja muuttujia, jotka jäävät bufferivyöhykkeen sisälle. Bufferit ovat oiva työkalu, kun halutaan esimerkiksi tutkia jonkin muuttujan vaikutusaluetta/kantamaa.  Buffereihin oltiin ehditty paneutua hieman lukuvuoden ensimmäisellä GIS -kurssilla. Teimme silloin hyvin yksinkertaisen puskurianalyysin liikenteessä havaittuihin vaaratilanteisiin liittyen. Silloin alkuvaiheessa bufferien laatiminen olikin ihan lasten leikkiä ja jopa ihan hauskaa. Tiesin kuitenkin, että myöhemmillä kursseilla syventyessämme aiheeseen lisää koittaisi se päivä, kun ei olekaan enää niin mukavaa.

Lentokentät ja melualueet

Viikon ensimmäisen harjoituksen ensimmäisessä osassa pääsimme tutustumaan Malmin ja Helsinki-Vantaan lentoasemien aiheuttaman melun vaikutusalueisiin ja kantamaan ympäröivillä seuduilla. Tutkimme aihetta laatimalla puskurianalyysejä, joiden avulla selvitimme muun muassa, että kuinka moni henkilö asuu kahden ja yhden kilometrin säteellä kummankin lentoaseman kiitoradasta. Nämä harjoituksen alkuvaiheen osiot tuntuivat vaikeustasoltaan vielä sopivilta. Vaikeudet koittivat seuraavien soveltavampien kysymyksien kohdalla. Kun täytyi selvittää bufferien avulla asukasmääriä ja osuuksia tietyillä desibelialueilla, piti osata yhdistää useampia erinäisiä toimintoja ja työkaluja, joita olemme oppineet. Jouduinkin kysymään opettajalta useaan otteeseen neuvoa. Kurssikerran päätyttyä, ja opettajan lähdettyä jäin kuitenkin oman onneni nojaan. Hakkasin päätäni seinään tuntikaupalla vielä ensimmäisen tehtävän viimeisten kysymysten parissa. Onnistuin lopulta trial and errorin neuvoin saamaan vaadittavat vastaukset kysymyksiin, jotka on kerätty alla olevaan taulukkoon (Taulukko 1).

Taulukko 1. Asukasmääriä Malmin ja Helsinki-Vantaan lentoasemien ja niiltä kantautuvan melun läheisyydessä.

Lisäksi tuli selvittää, että kuinka monelle asukkaalle saapuvasta lentoliikenteestä koituva melu kantautuisi merkittävästi, jos koneet laskeutuisivat vaihtoehtoisesti kaakosta Tikkurilan suunnasta Helsinki-Vantaalle. Tekemäni bufferianalyysin pohjalta voin todeta, että 13250 ihmiselle melun vaikutukset olisivat havaittavissa.

 

Metro -ja juna-asemat

Ensimmäisen harjoituksen toisessa osiossa aiheena olivat metro -ja juna-asemat sekä erityisesti niiden vaikutusalueeseen sijoittuva väestö. Tehtävä onnistui ongelmitta viimeiseen kysymykseen asti. Oivalsin heti, että 15-64 -vuotiaiden työikäisten summa tulisi laskea field calculatorin avulla. Jäin kuitenkin pariksi tunniksi jumiin, sillä en tiennyt, miten saisin haluamani tuloksen näkyville. Tarkoituksena oli siis selvittää työikäisten (15-64v) osuus alle 500 metrin päässä asemista asuvista. Sain statistics panelissa vain esille työikäisten osuuden koko tietokannan väestöstä. Vastaus ongelmaani selvisi pitkän puurtamisen jälkeen, ja se olikin hyvin yksinkertainen: minun piti vain laittaa ruksi kohtaan ”selected features only”. Oli aika tyhmä olo tämän jälkeen, kuten usein aiemminkin kurssin aikana.

Taulukko 2. Tilastoja asutuksesta suhteessa lähialueiden metro -ja juna-asemiin.

Taajama-alueet

Haasteellisen ensimmäisen harjoituksen jälkeen luvassa oli taajamien ja niihin sijoittuvan asutuksen tutkiminen jälleen bufferien muodossa. Tutkimme taajamia ja niiden asutusta hyödyntämällä samaista väestötietokantaa ja pk-seutua kuvaavaa karttalehteä, kuin aiemmassa melualueisiin ja metro -sekä juna-asemiin keskittyvässä tehtävässä. Tämä tehtävä sujui mutkitta, sillä muistin jo hyvin tarvittavat toiminnot aiemmalta harjoitukselta, ja osasin nyt myös soveltaa toimintoja ja työkaluja uuden datan parissa. Ongelmanratkaisukykynikin on kehittynyt kurssin aikana jonkin verran ja osaankin silloin tällöin selvittää kinkkisiäkin pulmia yksinkertaisesti vain kokeilemalla eri toimintoja niin kauan, kunnes onnistun. Tehtävän viimeistä osiota, jossa tuli selvittää ulkomaalaisen väestön sijoittumista eri alueilla ei kuitenkaan voinut suorittaa loppuun. Aineiston datassa oli pahasti jotain häikkää, sillä se antoi ulkomaalaisten asukkaiden kokonaismääräksi jonkin aivan järjettömän, äärettömyyttä hipovan luvun. Saman ongelman kohtasi Pietu Nuortimo bloginsa (2024) perusteella.

Taulukko 3. Tilastoja taajama-alueiden asutuksesta. Kouluikäiset (7-15v).

 

Uima-altaat ja saunat

Kolmannessa vapaavalintaisessa harjoituksessa valitsin tehtävän, jossa tarkastelun kohteena olivat uima-altaiden ja saunojen määrät ja sijoittuminen pääkaupunkiseudulla. Tässä tehtävässä, toisin kuin edellisissä, ei niinkään hyödynnetty buffereita, vaan pitkälti select by location ja select by value -komentoja. Komentojen käyttö oli soveltavampaa ja jonkin verran haastavampaa kuin edellisissä harjoituksissa, sillä tehtävän aineisto oli mielestäni sisällöltään monimutkaisempi.

Taulukko 4. Tilastoja uima-altaiden ja saunojen määristä ja osuuksista pk-seudulla.

Lopputuotokseksi teetin kaksi teemakarttaa (Kuvat 1 ja 2), jotka kuvaavat uima-altaiden määriä ja sijoittumista pääkaupunkiseudulla. Karttojen laatiminen ei aluksi tahtonut onnistua, sillä QGIS toisti jatkuvasti kaupunginosarajat sisältävän polygonin a_pks_pie olevan jotenkin geometrisesti virheellinen. Kaverini Jero Hoberg löysi netistä kuitenkin keinon tason korjaamiseen. Täytyi käyttää fix geometrics -työkalua, joka loi uuden korjatun polygonin, minkä jälkeen teemakartan laatiminen onnistui. Jero Hoberg myös mainitsee kyseisestä ongelmasta ja siihen löytyneestä ratkaisusta blogissaan (2024). Mielestäni lopputulos molempien karttojen osalta niin visuaalisuuden kuin selkeyden kannalta on hyvä. Vaikeuksia tuotti ainoastaan numeroiden ja pylväiden sijoittaminen kartalle niin, etteivät ne poikkea viereisille polygoneille. Etenkin pylväiden koon kanssa sai hifistellä melko pitkään. Päädyin luomaan kaksi erillistä karttaa samasta aiheesta, sillä numeroiden ja pylväiden tunkeminen samalle kartalle näytti mielestäni epäselkeältä ja visuaalisesti tönköltä.

Kuva 1. Uima-altaan sisältävät rakennukset pääkaupunkiseudulla kaupunginosittain.

Karttojen esittämästä datasta voi havaita Lauttasaaren olevan uima-allasrikkain kaupunginosa pääkaupunkiseudulla. Vahvasti perässä tulevat Länsi-Pakila ja Marjaniemi.

Kuva 2. Uima-altaan sisältävät rakennukset pääkaupunkiseudulla kaupunginosittain. Nyt lukuja on havainnoimassa numeroiden sijaan pylväät.

 

Tähän mennessä kurssia voin myöntää, ettei suuri osa käytetyistä toiminnoista ja työkaluista ole minulle kovin helppoja. Niitä harvoja toimintoja, jotka voin todeta hallitsevani melko hyvin ovat juuri tällä viidennellä kurssikerralla käytetyt puskurianalyysit ja select by location -toiminto. Select by value-työkalun sekä field calculatorin käyttö sujuvat myös luonnostaan. Suurimpia vaikeuksia kurssilla tuotti ehdottomasti kolmas kurssikerta, jolloin opettelimme eri tietokantojen liittämistä toisiinsa sekä olemassa olevan tietokannan sisällä olevan datan yhdistelemistä.

Lähteet:

1. Nuortimo, P. (2024). Pietun GIS-seikkailu, MAA202 – Geoinformatiikan menetelmät 1. Viides kurssikerta. Viitattu 15.2.2024. Saatavilla: https://blogs.helsinki.fi/pietunuo/2024/02/13/viides-kurssikerta/
2. Hoberg, J. (2024). Jeron Blogi. Viides kurssikerta. Viitattu 19.2.2024. Saatavilla: https://blogs.helsinki.fi/hoberg/2024/02/17/viides-kurssikerta/

Neljäs kurssikerta alkoi luento-osuudella, jonka aiheena oli vektorimuotoisten pisteaineistojen ja rasterimuotoisten ruutuaineistojen kertaaminen. Nämä  ovat yksiä yleisimpiä paikkatietoanalyyseissä käytettyjä aineistomuotoja.  Tutustuimme piste- ja ruutuaineistoille tyypillisiin elementteihin ja tarkkailimme muutamia malliesimerkkejä vahvistaaksemme käsitystämme aineistoista. Piste- ja ruutumallit olivat entuudestaan tuttuja MAA104 – Johdatus Geoinformatiikkaan maantieteessä -kurssilta. Aiempi kokemus näistä aineistoista kurssilla oli kuitenkin vain pintaraapaisu laajasta kokonaisuudesta, ja laadimmekin vain mitä yksinkertaisimpia Vektori- ja rasterimuotoisia paikkatietoanalyysejä ja visuaalisia töitä muun muassa QGIS:n avulla.

Pääkaupunkiseudun ruotsinkieliset

Tutustuimme seuraavaksi kurssikerran harjoitusten parissa ruutu- ja pisteaineistoihin itse käytännössä, Ensimmäisessä harjoituksessa harjoittelimme aineistojen hallintaa jälleen kerran QGIS:n parissa ja visualisoimme tietokantojen sisältämää dataa teemakartoille. Tässä harjoituksessa tarkoituksena oli luoda rasterimallinen teemakartta, eli esittää tietoa ruutujen muodossa. Tämän kurssikerran harjoitustehtävät olivat huomattavasti selkeämpiä, kuin parin edellisen viikon kurssikerran. Työskentely sujui nyt melko vaivattomasti myös itsenäisesti oman osaamiseni pohjalta. Yritin myös tällä kertaa mekaanisten ohjeiden seuraamisen sijaan oikeasti keskittyä siihen, mitä olemme tekemässä ja miksi sekä siihen, mitä tietokannan sisältämä data oikeasti tarkoitti, ja mitä sillä haluttiin kertoa.  Tietokannasta valitsin aluksi tarkkailtavaksi muuttujakseni ruotsinkielisten absoluuttisen määrän pääkaupunkiseudulla ja sain lopputulokseksi melko onnistuneen rasterimallisen kartan (Kuva 1). Luokat jakautuivat suhteellisen järkeviksi ja mielestäni värimaailmakin onnistui niin esteettisyyden, kuin tiedon esittämisen selkeyden puolesta. Työstin värien ilmettä vaihtamalla kurssikerralla asetetun spectral -color rampin magmaksi, jolloin sain luokkia kuvaavat värit hieman miellyttävämmän sävyisiksi.

Kuva 1. Ruotsinkielisten määrä pääkaupunkiseudulla.

Kun havainnoi teemakartan sisältämää tietoa voi havaita sen olevan hieman ongelmallinen, tai ainakin sen väärentävän tilanteen todellista kuvaa. Kartta sisältää ruotsinkielisten absoluuttisen määrän pääkaupunkiseudulla, joten tietysti heidän määränsä on myös suurempi muun muassa kantakaupungissa Helsingin niemellä, jossa koko väestön summa on huomattavasti suurempi kuin ympäröivillä seuduilla. Ruotsinkielisten suhteellinen osuus kokonaisväestöstä ei siis välttämättä ole suurempi Helsingin kantakaupungissa kuin muilla kartan sisältämillä alueilla. Kartoilla esitettävien absoluuttisten lukujen tuomia vääristymiä pohtii myös Stella Syrjänen blogissaan (2024).

Tästä syystä laadinkin saman tietokannan pohjalta myös toisen teemakartan (Kartta 2), joka kuvaa nyt ruotsinkielisten osuutta koko asukasluvusta prosentteina. Tarkastellessa ruotsinkielisten suhteellista määrää kuvaavaa karttaa näyttääkin tilanne ihan toisenlaiselta. Luokkia kuvaavat värit ovat vaihtaneet paikkoja oikein urakalla. Tästä voidaankin todeta ruotsinkielisiä olevan suhteellisesti eniten Länsi-Espoossa lähellä Kirkkonummen rajaa, Pohjois-Espoossa sekä itäisimmässä osassa Vantaata aivan Sipoon rajan tuntumassa. Oli mielestäni hyvä ratkaisu luoda molemmat, samaa ilmiötä, mutta eri kantilta kuvaavat teemakartat, sillä se auttoi oikeasti ymmärtämään todellisia eroja absoluuttisten ja suhteellisten lukujen välillä. Teknisten ja visuaalisten ominaisuutensa puolesta toisessa kartassakaan ei ole mielestäni moitittavaa. Luokkajako on onnistunut, ja samat värisävyt olivat oikea valinta kuvaamaan tämänkin kartan esittämää tietoa. Toisaalta olisin voinut toiseen karttaan muuttaa muun muassa ruudukon kokoa saadakseni hieman erinäköisiä tuloksia, kuten Sampo Väätäjä oli bloginsa (2024) perusteella tehnyt.

Kuva 2. Ruotsinkielisten osuus kokonaisväestöstä pääkaupunkiseudulla.

Korkeusmalleja ja Pornaisten digitointia

Toisen harjoituksen ensimmäisessä osassa jatkoimme rasterien parissa ja  saimme aineistoksemme Pornaisten aluetta kuvaavat osiin jaetun korkeusmallin sekä yleiskarttalehden. Voidaksemme hyödyntää korkeusmallia tulevaisuudessa täytyi sen palaset liittää yhtenäiseksi saman skaalan omaavaksi korkeusmalliksi. Tämä tapahtui käyttäen itselleni täysin uutta virtual raster -toimintoa QGIS:ssä. Loimme tämän jälkeen yhtenäisestä korkeusmallista rinnevarjostuksen hillshade -toiminnon avulla. Rinnevarjostus oli jo MAA104 -kurssilta entuudestaan tuttu konsepti, mutta sellaisen laatimisesta ei ollut minulla tietoakaan.

Korkeusmallien ja rinnevarjostuksen kanssa leikkimisen jälkeen aloitimme valmistelut seuraavan kurssikerran harjoituksia varten. Digitoimme Pornaisia kuvaavalle yleiskarttalehdelle päätiet viivoina sekä kaikki asuinrakennukset pisteinä. Digitointi oli jo liiankin tuttua MAA201-tiedon esittäminen maantieteessä -kurssilta, mutta oli kuitenkin vaihteeksi mukava tälläkin kurssilla päästä tutun klikkailun pariin. Tällainen aivoton naputtelu sopiikin itselleni parempi kuin tällä kurssilla tutuiksi tulleet suurempaa älykkyysosamäärää vaativat analyysit, laskut ja muut toiminnot. Voi olla ehkä pitkävetistä, mutta ainakaan suurempia haasteita ei pitäisi ilmentyä.

Korkeuskäyrät Pornaisissa

Kotitehtäväksi saimme ladata Pornaisten aluetta kuvaavan korkeuskäyrät sisältävän yleiskartan ja verrata näitä käyriä itse QGIS:n avulla laatimiimme korkeuskäyriin. Yleiskartan päälle asetettiin vielä aiemmin luomamme rinnevarjostus, joka pienen muokkauksen jälkeen oli apuna havainnollistamassa korkeuseroja yleiskartalla. Kartoista (Kuvat 3 ja 4) voi havaita, että QGIS:n contour -toiminnon avulla laatimani korkeuskäyrät ovat asettuneet melko yhtäläisesti yleiskarttalehden omien käyrien kanssa. Muodotkin käyrissä ovat verrattain samanlaiset, mutta itse laatimissani ehkä kuitenkin piirun verran yksityiskohtaisemmat, kun taas karttalehden käyrissä paikoittain hieman yleistetymmät. Tähän vaikuttaa varmasti se, että itse luodut käyrät laadittiin kurssikerran aiemman harjoituksen korkeusmallin pohjalta, joten data itse laadituille käyrille on ollut tarkkaa.

Kuva 3. Satunnaisesti rajattu alue Pornaisia kuvaavalta yleiskarttalehdeltä L4322L. Korkeuskäyrät ruskealla.

Kuva 4. Itse laatimani korkeuskäyrät samaiselta alueelta Pornaisten yleiskarttalehdeltä L4322L. Tekemäni korkeuskäyrät esiintyvät punaisella.

 

Neljännen kurssikerran aiheet olivat aiempien viikkojen aiheiden tapaan kiehtovia. Tällä kertaa ne olivat kuitenkin huomattavasti selkeämpiä, niin harjoituksissa käytettyjen aineistojen kuin toimintojenkin suhteen. Harjoituksissa hyödynnettiin pääasiassa rasteriaineistoja ja, vaikka rasterit sisältävät runsaasti dataa ovat ne silti ehkä helpommin hallittavissa ja visualisoitavissa kuin monimutkaiset useita eri kuvioita sisältävät vektorit.

 

Lähteet:

1. Väätäjä, S. (2024). Sampon blogi. Neljäs kurssikerta (6.2.2024). Viitattu 7.2.2024. Saatavilla: https://blogs.helsinki.fi/vsampo/2024/02/06/neljas-kurssikerta-6-2-2024/
2. Syrjänen, S. (2024). Stella’s blog. 4 viikko, Ruututeemakartta. Viitattu 7.2.2024. Saatavilla: https://blogs.helsinki.fi/stellasy/2024/02/06/4-viikko-ruututeemakartta/

Kolmannella kurssikerralla syvensimme jälleen osaamistamme QGIS:n sekä datan hallinnan ja visualisoinnin parissa. Tämän kurssikerran tavoitteena oli oppia lisäämään jo olemassa olevaan aineistoon uutta dataa sekä yhdistellä eri tietokannan sisältämää tietoa toisiinsa. Kurssikerralla esitetyt uudet menetelmät ja toiminnot olivat uskomattoman haastavia, eikä kurssikerran harjoitusten tekemisestä meinannut tulla juuri yhtään mitään itsenäisesti ilman, että opettaja on jatkuvasti pitämässä kädestä kiinni. Jos ei siis päässyt  kurssikerran opetuksen aikana läpi käydyistä työvaiheista ja QGIS:n toiminnoista lainkaan jyvälle, tuntui harjoitusten tekeminen myöhemmin omatoimisesti käytännössä mahdottomalta kirjallisista ohjeista huolimatta.

Luonnonvarat konfliktien aiheuttajina Afrikassa

 

Ensimmäisessä harjoituksessa avasimme QGIS:ssä kolmannen kurssikerran kansiosta löytyvästä zip.-tiedostosta aineiston, joka sisälsi dataa Afrikan mantereelta löytyvistä timanttikaivoksista, öljykentistä sekä konflikteista alueittain. Tarkoituksena oli datan avulla tutkia mahdollista yhteyttä luonnonvarojen määrän ja aseellisten konfliktien esiintyvyyden välillä. Kun olimme saaneet aineiston haltuun ja valmiiksi hyödynnettäviksi, aloitimme datan visualisoimista Afrikan karttapohjalle. Tiedon visualisoiminen kartan muodossa on ehdottomasti se hauska työvaihe. Toiminnot sujuivat ongelmitta, ja lopputuotoksestani tuli mielestäni erittäin onnistunut. Kartta on visuaalisesti miellyttävä ja selkeä, ja sen esittämä tieto ilmenee lukijalle moitteitta. Työstin  kartan visuaalista puolta muun muassa vaihtamalla joitakin kartan kohteita kuvaavia symboleita yksinkertaisista ympyröistä kuvioihin, jotka ehkä voisivat sopia kyseisen kohteen kuvaamiseen paremmin. Ainakin kartanlukukokemuksesta tulee mielekäs, vaikka kartan aihe ei niinkään ole. Stella Syrjänen teki blogissaan (2024) mielenkiintoisen huomion kartan sisältöön liittyen. Hän totesi symbolien antavan harhaan johtavan kuvan konfliktien laajuudesta, sillä jokainen konflikti, niin pienemmät kuin suuremmat, on kuvattu samankokoisilla symboleilla.

Saatuamme kohteita sijoitettua karttapohjalle alkoi se ei niin mielekäs osuus kurssikerrasta. Aloimme nimittäin yhdistelemään olemassa olevaa dataa toisiinsa sekä lisäämään uutta dataa valmiiseen tietokantaan. Yhdistelimme  muun muassa konfliktien, timanttien ja öljyn datan yhteiseen layeriin, jotta näiden muuttujien välistä korrelaatiota yhteisestä attribuuttitaulukosta pystyi tarkastelemaan. Vaikka työvaiheet onnistuivat kurssikerralla opettajan opastamana hyvin, niin minulla ei ollut kovinkaan suurta käsitystä siitä, mitä olimme oikeasti tekemässä. Kurssikertojen opetustyyli ei aina omalla kohdallani välttämättä anna kaikkia rahkeita itsenäisessä työskentelyssä menestymiseen. Opetuskerroilla keskittymiseni on täysin lukittunut siihen, mitä opettaja näytöllä kirjaimellisesti tekee: mitä hän klikkaa ja mitä hän kirjoittaa mihinkin kenttään? Tämä aiheuttaa yleensä ainakin haastavampien kurssiaiheiden kanssa sen, etten kykene lainkaan kiinnittämään huomiotani siihen, mitä olemme oikeasti tekemässä, ja mitä harjoitusaineistojen sisältämällä tiedolla halutaan kertoa. On vaikeaa sisäistää opetetut asiat ja soveltaa niitä myöhemmin. Tällöin on odotettavissa runsaasti ongelmia itsenäisen työskentelyn kanssa. Näin kävi myös tällä kertaa ja ongelmia oli luvassa ja paljon…

 

Kuva 1. Afrikassa sijaitsevat timanttikaivokset ja öljykentät sekä tapahtuneet konfliktit

 

Kurssikerran jälkeen, kun oli aika aloittaa itsenäinen työskentely omalla ajalla, huomasin, että lähes kaikista datan liittämisessä ja yhdistelyssä muodostuneista layereistä oli kaikki tieto kadonnut. Olin unohtanut tallentaa, jokaisen layerin erikseen: tämä on yksi ominaisuus, jota vihaan QGIS:ssä suunnattomasti. Palasin takaisin lähtöviivalle. Minulla ei ollut aavistustakaan, mitä tehdä, enkä ollut varma, minkälainen lopputuotos blogiin tulisi liittää: kartta vai jonkinlainen taulukko? Yritin sisäistää kirjalliset ohjeet ja useamman tunnin uuvuttavan puurtamisen jälkeen sain aikaan vaatimattoman lopputuloksen. Onnistuin saamaan yhteiseen taulukkoon konfliktien, timanttien ja öljyn lisäksi myös uniikit konfliktit, jonka data siis kertoo, kuinka monena vuonna maassa x on ollut konflikti.

Taulukosta pystyi päättelemään, että timanttikaivosten ja öljykenttien esiintyvyydellä on havaittavissa jonkinlainen yhteys konfliktien yleisyyteen valtioittain. Toki suuria poikkeuksiakin esiintyy datassa. Esimerkiksi Etiopiassa, jossa timanttikaivoksia ei ole ensimmäistäkään eikä öljykenttiä kuin vain yksi, on kuitenkin konflikteja syntynyt 104 kappaletta, joka on kaikista Afrikan valtioista suurin lukema. Johtopäätökseksi voidaan esittää se, että myös muut tekijät voivat kiristää osapuolten välillä ja pahimmassa tapauksessa aiheuttaa konfliktin. Syyt voivat olla resurssien himon lisäksi muun muassa poliittisia tai uskonnollisia. Toisessakin päässä esiintyy jonkin sorttista poikkeamaa. On myös valtioita, joissa konflikteja ei ole esiintynyt lainkaan olemassa olevista timanttikaivoksista ja öljykentistä huolimatta. Uniikkien konfliktien lisääminen aineistoon avaa lisää näkökulmia aiheen tarkastelulle. Uniikit konfliktit kuvaavat siis sitä, kuinka monena vuonna valtiossa on ollut konflikti. Eli vaikka useita erinäisiä konflikteja ei välttämättä olisi tapahtunut, on alueella voinut olla käynnissä yksi ja sama pidempiaikainen konflikti.

 

Tulvaindeksi ja järvisyys

 

Seuraavaksi oli vuorossa laatia tulvaindeksiä ja järvipinta-alan osuutta kuvaava teemakartta Suomesta. Harjoitus oli itsenäisesti tehtävä ja näin ollen jälleen hyvin haastava. Tässä harjoituksessa käytetyt menetelmät ja toiminnot olivat paljolti ensimmäisen harjoituksen soveltamista. Siksi pääni löikin taas aikalailla tyhjää miettiessäni, että miten edetä. Onnistuin kuitenkin saattamaan työn loppuun vielä opetuskerran aikana kiitos opiskelukavereideni. Ilman neuvoja olisin ollut todennäköisesti istumassa koneen äärellä yömyöhään saamatta mitään järkevää aikaiseksi. Tulvaindeksin visualisoiminen kartalle ei ollut yhtä vaikeaa kuin järvisyyttä esittävien ympyrädiagrammien laatiminen. Tulvaindeksi toki tuotti haasteita esimerkiksi värimaailman ja oikeanlaisen luokkajaon valitsemisessa, mutta nämä ovatkin vain mielipidekysymyksiä. Työvaiheet itse datan hallitsemisessa olivat huomattavasti selkeämmät kuin ympyrädiagrammeja tehdessä, mikä olikin itselleni täysin uusi ominaisuus QGIS:ssä. Jäin heti alkutekijöissä jumiin, kun diagrammeihin vaadittava laskutoimitus field calculatorissa ei suostunut toimimaan. Kaverini Veera Matikainen näytti minulle kuitenkin taikatempun, jonka opettaja oli hänelle näyttänyt, joten pääsin etenemään.

Lopputuotokseen olen melko tyytyväinen. Luokkajakojen sekä luokkia kuvaavien värien valinta tuotti pientä päänvaivaa. Jos luokkia on liikaa, näyttää karttaselite hieman puuduttavalta ja, jos taas liian vähän, kuuluisi suurin osa Suomesta pienimpään mahdolliseen luokkaan. Oli siis hankalaa löytää se kultainen keskitie. Värien suhteen päädyin punaisiin sävyihin, sillä vaikka sininen olisi ehkä ollut se parempi valinta kuvaamaan tulvimista, olisi se voinut sekoittua kartalla jo sinisellä esiintyvien jokien ja järvien kanssa. Ympyrädiagrammien koon säätäminen tuotti pienoisia ongelmia, sillä ne nimittäin täytyi saada riittävän kokoisiksi, että niiden esittämän tiedon voi edes nähdä, mutta kuitenkin niin, etteivät ne peitä tulvaindeksiä kartalla. Sen takia päädyinkin sellaiseen ratkaisuun, että tuotin kaksi erillistä karttaa. Ensimmäisessä esitetään vain tulvaindeksiä, ja toiseen on lisätty järvisyyttä kuvaavat ympyrädiagrammit tulvaindeksin päälle. Sain idean tähän Pietu Nuortimon blogista (2024). 

Kuva 2. Valuma-alueiden tulvaindeksi Suomessa.

Kuva 3. Tässä kartassa valuma-alueiden tulvaindeksiin on lisätty  järvialueiden osuus maapinta-alasta ympyrädiagrammien muodossa.

Kartan osoittamasta datasta voi havaita Suomen rannikkoalueiden olevan suuren tulvariskin alla. Tulvariski on korkeimmillaan siis alueilla, joilla joki laskee mereen ja esimerkiksi laajoilla järvialueilla sisämaassa on tulvariski melkein olematon. Rannikkoiden voimakas tulviminen johtuu esimerkiksi myrskyistä. Rannikkoalueilla on myös mahdollista samanaikainen merivesitulva ja valuma-alueelta saapuva vesistötulva. Järvialueiden vähäinen tulviminen taas johtuu muun muassa siitä, että järvet toimivat veden varastoijina ja virtausten tasaajina. (Vesi.fi, 2021). Myös rannikkoalueiden matalat ja tasaiset pinnanmuodot voivat lisätä tulvien voimakkuutta. Huomasin Aura Niskasen luetelleen blogissaan (2024) mahdollisiksi tulvimiseen vaikuttaviksi tekijöiksi lumilaskeuman sekä lumen sulamisen nopeuden. Nämä käyvät hyvin järkeensä.

Tämän kurssikerran harjoitukset olivat vaikeustasoltaan tähän mennessä ylivoimaisesti haastavimmat. Hermo meni useaan otteeseen ja usein tekikin mieli luovuttaa. Kehitettävää minulle on huimasti siinä, että oikeasti keskittyisin oppimaan kurssikerroilla käsiteltyjä aiheita ja ymmärtämään käytettyjä tietokantoja, enkä vain seuraa ja kopioi, mitä opettaja tekee.

 

 

Lähteet:

1. Syrjänen, S. (2024). Stella’s blog. 3 viikko, Afrikka. Viitattu 31.1.2024. Saatavilla: https://blogs.helsinki.fi/stellasy/2024/01/30/3-viikko-afrikka/
2. Nuortimo, P. (2024). Pietun GIS-seikkailu. MAA202 – Geoinformatiikan menetelmät 1. Kolmas kurssikerta. Viitattu 1.2.2024. Saatavilla: https://blogs.helsinki.fi/pietunuo/2024/01/31/kolmas-kurssikerta/
3. Vesi.fi. Tulvariskialueet. 4.6.2021. Saatavilla: https://www.vesi.fi/vesitieto/tulvariskialueet/
4. Niskanen, A. (2024). Auran blogi Geoinformatiikan menetelmistä. Kolmas kurssikerta. Viitattu 31.1.2024. Saatavilla: https://blogs.helsinki.fi/niskanau/2024/01/31/kolmas-kurssikerta/

 

 

 

 

Datan laaja kirjo

Toisen viikon kurssikerran ensimmäinen agenda oli tutustua siihen, mistä ja miten paikkatiedossa käytettäviä aineistoja hankitaan sekä miten aineistojen sisältämää dataa sitten hallitaan ja hyödynnetään itse käytännössä. Internet on pullollaan avoimesti saatavilla olevaa, lukuisten eri julkisten ja yksityisten tahojen tuottamaa, yleensä ilmaista, mutta joissakin tapauksissa piirun verran laadukkaampaa maksullista olevaa dataa. Aineisto voi olla paikallinen aineisto tai rajapinta-aineisto. Paikallinen aineisto on ehkä se perinteisempi, tai ainakin itselle tuttu jo useasta tehtävästä aiemmilta kursseilta. Paikallinen aineisto siis yksinkertaisesti ladataan palveluntarjoajalta, tiedosto puretaan ja avataan, jossakin paikkatieto-ohjelmassa. Tällä kurssikerralla paneuduimme kuitenkin itselleni täysin uusiin rajapinta-aineistoihin.  Rajapinta-aineisto otetaan käyttöön liittämällä rajapinnan URL-osoite paikkatieto-ohjelmassa (esim. QGIS) sille tarkoitettuun kenttään, jolloin aineiston saa siis haltuun suoraan palvelimelle, niin ettei minkään valtavan zip-tiedoston tai muun vastaavan lataamiselle ole tarvetta. Rajapintoja esiintyy useissa eri tyypeissä, joita ovat WFS, WMS, WMTS ja WCS.

Toisen viikon kurssikerta oli paljolti myös kertausta ja jatkoa edelliselle viikolle, sillä sukelsimme samantien QGIS:n syövereihin opettajan johdolla tapahtuvan harjoituksen pariin, jossa hyödynsimme viime viikolta tuttuja toimintoja ja komentoja muun muassa datan visualisoinnissa, mutta syvensimme myös osaamistamme entisestään näiden saralla. Harjoituksen tavoitteena oli ensisijaisesti oppia rajapinta-aineiston käyttöön ottaminen sekä sen sisältämän datan hallitsemisen ja visualisoinnin perusteita. Hyödynsimme tässä harjoituksessa  Väyläviraston tuottamaa WFS-muotoista suorasaantilatausaineistoa. Tutustuimme aineiston muuttujiin ja visualisoimme niitä Suomen kuntarajat sisältävälle karttatasolle. Harjoituksen seuraaminen oli edellisen viikon tapaan melko tarkkaa. Oli vaarassa pudota kärryiltä silmän välttäessä ihan vain hetkeksikin. Aineisto oli laaja sisältäen valtavan määrän erilaisia liikenneverkkoihin ja infrastruktuuriin liittyviä muuttujia, joista osa oli hieman yllättäviäkin, kuten Suomen tienvarsilla sijaitsevat WC:t. Tutkimme myös tutkamajakoiden ja viemäriverkostojen sijoittumista.

 

Karttaprojektiot

Kurssikerran seuraava aihe oli karttaprojektiot, sekä niiden väliset erot etäisyyksissä ja pinta-aloissa. On varmasti useimmalle meistä jo tässä vaiheessa selvää, ettei maan kolmiulotteisen pinnan levittäminen kaksiulotteiselle pinnalle, kuten kartalle onnistu virheittä. Vääristymiä esiintyy joko pinta-aloissa, muodoissa tai etäisyyksissä, joita sitten pyritään eri suhdeluvuissa minimoimaan erilaisten projektioiden avulla. Aina vähintään yksi näistä kolmesta on enemmän tain vähemmän virheellinen. Karttaprojektio-osuuden ensimmäisenä harjoituksena oli mitata Suomen maaperältä jokin sama välimatka ja pinta-ala käyttäen eri karttaprojektioita ja sen jälkeen verrata mittaustulosten eroja karttaprojektioiden välillä. Eroja oli helppo havainnoida Excel-taulukon muodossa (Taulukko 1.).

Projektio	ETRS-TM35FIN	Robinson	Winkel tripel	Wagner IV	Eckert II	Mollweide	Mercator
Etäisyys (km)	106,3	183,7	163,4	161,6	149,7	142,9	295,4
Pinta-ala (km²)	5524,9	7669,6	8427,6	5445,1	5428,4	5481,6	43820,3

Taulukko 1. Tunnettujen karttaprojektioiden välisiä eroja etäisyyksissä ja pinta-aloissa. Mitattu tasolla (cartesian).

 

Harjoituksessa oli tarkoituksena vertailla kaikkien projektioiden eroja keskenään, mutta ehkä kuitenkin sillä silmällä, että varsinainen vertailukohde oli tuttu ETRS-TM35FIN, joka on yleisesti Suomea kuvattaessa käytettävä taskokoordinaattijärjestelmä. Erojen vertailu ETRS-TM35FIN:iin oli tärkeää seuraavan harjoituksen kannalta. Taulukkoa tarkastellessa huomioni vangitsee heti Mercatorin projektion tulokset. Erot niin etäisyydessä kuin pinta-alassakin verrattuna ETRS-TM35FIN:iin ovat heittämällä suurimmat. Tähän on kuitenkin mielestäni melko selvä syy. Mercatorin oikeakulmaisessa lieriöprojektiossa pinta-alojen vääristymät ovat suurimmillaan, mitä lähempänä napa-alueita ollaan, kuten Aapeli Leppä toteaakin blogissaan (2024). Harjoituksen mittauskohteena onkin pohjoinen Suomemme, jossa Mercatorin projektiolla esiintyvät vääristymät ovat verrattain suuret. Mitattu etäisyys on melkein kolminkertainen ETRS-TM35FIN:iin verrattuna ja pinta-ala jopa lähes kahdeksankertainen. Muihinkin projektioihin verrattuna etäisyys on jopa yli kaksinkertainen ja pinta-alakin moninkertainen. Lähimmäksi TM35FIN:n arvoja osuu etäisyyden sekä pinta-alan osalta Mollweide, joka on oikeapintainen projektio, jossa muodot, kulmat ja etäisyydet ovat vääristyneet (ESRI, ArcMap, viitattu 2024). Mollweide soveltuu TM35FIN:n tavoin pienemmän alueen (esim. yksittäisen valtion) esittämiseen. Harjoitus oli mielestäni mukava tehdä. Se oli suhteellisen helppo, ja opettaja Arttu Paarlahden opastamana kaikki vaadittavat työkalut ja toiminnot, kuten mittaustyökalu sekä niiden käyttö onnistuivat vaivatta. Harmillisesti otin tulokset ylös vain tasolta mitattuna (cartesian). Olisi ehkä myös pitänyt mitata samat etäisyydet ja pinta-alat ellipsoidilta lisähavainnoiksi.

Viimeisessä harjoituksessa pääsimme esittämään karttaprojektioiden välisiä pinta-alaeroja karttojen muodossa. Teetin kolme erillistä karttaa Suomen kunnat -karttatasolle, joista jokaisessa verrataan tietyn karttaprojektion pinta-alakerrointa suhteessa TM35FIN:iin. Aineistona karttoihin käytettiin MAA202:n kurssikansio 2:sta löytyvää Kunnat2020_tilastoja.shp -aineistoa. Ensimmäisen kartan (Kuva 1.) laatiminen onnistui vaivatta, sillä sen teimme vielä opettajan opastuksella, mutta sen jälkeen ongelmat iskivät. Samankaltaisen kartan laatimiseen vaadittavat työvaiheet tuntuivat lähes mahdottomilta omin neuvoin, vaikka opettajan antamia ohjeita olisi kuinka tarkkaan seurannut. Todellisuudessahan prosessi olikin melko yksinkertainen, sitä vain välillä ajautuu pienoiseen paniikkiin, kun täytyy toimia itse näiden itselle melko uusien ohjelmistojen kanssa. Mercatorin erot näkyvät taas ylivoimaisina, se on selvä, mutta oikeastaan karttojen esittämän tiedon puolesta minulla tuskin on paljoakaan lisättävää. Datan voi havaita jo aiemmasta Excel -taulukosta, mutta kartat vain esittävät sen helpommin luettavassa muodossa. Haluaisin ennen kaikkea syventää hieman ajatuksiani karttojen lopputuloksesta, niin visuaalisesti kuin teknisestikin. Mielestäni värimaailma kartoissa on onnistunut oikein kivasti. Opettajan antama esimerkki Spectral color rampista on oiva valinta halutun tiedon esittämiseen tässä tapauksessa, joten päätin käyttää sitä lopuissakin kartoissa. Kartoista havaitsee ihan kelvosti projektioiden väliset erot pinta-aloissa. Mieltäni jäi kuitenkin hieman kaivamaan se, että olisin voinut ehkä käyttää enemmänkin aikaa luokkajakojen ja desimaalien hifistelyyn saadakseni näyttämään legendan tyylikkäämmältä ja selkeämmältä. Tietyissä kohdissa tuo kolmen desimaalin määrä menee ehkä jo liian yksityiskohtaiseksi. En ollut ainoa, joka jäi pohtimaan omaa luokkajakoaan. Esimerkiksi Sampo Väätäjälle luokkajakojen kanssa painiminen on bloginsa (2024) perusteella näyttänyt myös tuoneen päänvaivaa.

 

Kuva 1. Robinsonin projektion pinta-alakerroin verrattuna TM35FIN:iin Suomen kartalla. Robinsonin projektiossa on pyritty minimoimaan kaikkia vääristymiä tasaisesti.

Kuva 2. Mercatorin projektion pinta-alakerroin verrattuna TM35FIN:iin Suomen kartalla. Mercator on oikeakulmainen lieriöprojektio, jossa pinta-alojen vääristymät kasvavat poistuttaessa päiväntasaajalta kohti napoja.

 

Kuva 3. Winkel Tripel -projektion pinta-alakerroin verrattuna TM35FIN:iin Suomen kartalla. Winkelissä on Robinsonin tapaan pyritty minimoimaan kaikki vääristymät.

 

Tämän kurssikerran aihe oli mielestäni jälleen kerran hyvin mielenkiintoinen. Mutta, jos kuitenkin totta puhutaan, niin en ole mikään paikkatieto-ohjelmien kanssa tappelemisen suurin ystävä. Ehkä kantani kuitenkin muuttuu kurssin edetessä ja taitojeni (toivon mukaan) kehittyessä!

 

 

Lähteet:

1. Leppä, A. (2024). Geoinformatiikan menetelmät – Aapeli Lepän blogi. Toinen kurssikerta – Karttaprojektioita ja mittakaavavirheitä. Viitattu 24.1.2024. Saatavilla: https://blogs.helsinki.fi/aapleppa/2024/01/23/toinen-kurssikerta-karttaprojektioita-ja-mittakaavavirhetta/
2. Esri. ArcMap. Mollweide. Lainattu 24.1.2024. Saatavilla: https://desktop.arcgis.com/en/arcmap/latest/map/projections/mollweide.htm
3.  MAA202 – Geoinformatiikan menetelmät 1. Kurssikansio 2. kunnat2020_tilastoja.shp.
4. Väätäjä, S. (2024). Sampon blogi. Toinen kurssikerta (23.1.2024.) Viitattu 24.1.2024. Saatavilla:https://blogs.helsinki.fi/vsampo/2024/01/24/kurssikerta-2/

Paikkatiedon kertausta

Kurssin MAA202 – Geoinformatiikan menetelmät 1 ensimmäisellä kurssikerralla kertasimme jo aiemmilla MAA104 ja MAA201 -kursseilla opittua tietoa paikkatiedon rakenteesta. Palautimme muun muassa mieleemme, minkälaisesta tiedosta paikkatieto oikeastaan koostuu. Tutkimme ja vertailimme myös paikkatietoanalyyseille oleellisia vektori- ja rasterimalleja sekä näille malleille tyypillisiä ominaisuuksia. Jos totta puhutaan, niin vektorien ja rasterien kertaus tuli tarpeeseen. Näiden kahden eron pitäisi olla hyvinkin selkeä, mutta aina toisinaan itselle uuteen paikkatietoanalyysin tutustuessa ei ole helppoa tunnistaa, onko kyseessä vektori vai rasteri. Joskus niiden väliset eroavaisuudet voivat olla melko häilyvät.

Itämeren typpipäästöt

Harjoittelimme jo entuudestaan tutun paikkatieto-ohjelma QGIS:n käyttöä Arttu Paarlahden opastamana ja loimme ohjelmistolla hyvin yksinkertaisen, mutta informatiivisen koropleettikartan (Kuva 1.) Itämeren alueen typpipäästöihin liittyen. QGIS oli minulle tuttu vain pintaraapaisulta MAA104 -kurssilta. Oli mielestäni kiehtovaa, kuinka paljon erilaisia toimintoja ja työkaluja ohjelmisto sisältää karttojen ja analyysien luomisen avuksi. Opettajan näyttämien työvaiheiden seuraaminen oli ajoittain haastavaa ja jo pienimmänkin huomion herpaantumisen jälkeen tuntui jääneensä jo rutkasti jälkeen.  Samaa pohti Usko Sinervo (2024) blogissaan. Onneksi kysymällä neuvoa kaverilta pääsi nopeasti takaisin kärryille. Uskon, että kurssikerran jälkeen minulta luonnistuu samankaltaisen teemakartan tekeminen omatoimisesti, edes joten kuten. Kartan lopputulos ei jäänyt kuitenkaan miellyttämään itseäni. Vaikka karttani värimaailma toimii halutun datan esittämisessä, on se silti melko tylsä. Lisäksi legendan osalta minua jäi hieman vaivaamaan kohteiden lopullinen järjestys. Minun olisi tullut miettiä legendan tekstien järjestys loogisemmin, kun ajattelee sitä, mitä kyseisellä kartalla on haluttu esittää. Värit ovat kuitenkin mielestäni selkeät, ja lukija kykenee varmasti ymmärtämään kartan sisältämän informaation.

Tekemämme teemakartan sisältämästä datasta voi tehdä mielenkiintoisia havaintoja. Erityisesti Puolan valtava osuus Itämeren typpipäästöistä kiinnittää huomion. Miksi näin on? Puolalla on kuitenkin huomattavasti lyhyempi rantaviiva kuin vaikka Suomella tai Ruotsilla. Samoin mietityttävät Venäjän suurehkot päästöt suhteessa sen Itämeren väliseen rantaviivaan. Toisaalta rantaviivan pituudella on tuskin suurta merkitystä, kun nämä kaksi ovat kuitenkin isoja valtioita, joiden rooli meriliikenteessä on varmasti hyvin iso, ainakin Euroopan tasolla. Voisikohan suuriin typpipäästöihin myös vaikuttaa puutteet ympäristömääräyksissä esimerkiksi teollisuuden puolella? Teollisuudesta voi aiheutua valtavat ympäristöhaitat, kun teollisuusjätettä kaadetaan esimerkiksi mereen.

 

Kuva 1. Itämerta ympäröivien valtioiden aiheuttamat typpipäästöt Itämereen. Pohjakartan ja datan aineistot: HELCOM marine area.shp, Lakes.shp, Administrative boundaries.shp, Depth contours.shp ja Nitrogen Inputs.shp.

Ikääntyvä väestö

Kotitehtäväksi saimmekin sitten luoda omatoimisesti toisen koropleettikartan (Kuva 2.)  luennolla opitun pohjalta. Karttaan käytin aineistona valmista Suomen kuntien tietokannasta saatua dataa. Kartan tekoa aloittaessa liikkeelle lähtö oli kieltämättä melko haastavaa. Pää löi hetken aikaa tyhjää, mutta pienen trial and error -session jälkeen onnistuin saamaan aikaiseksi jonkinlaisen lopputuloksen.  Onnistuin kuin onnistuinkin muistamaan koropleettikartan laatimiseen vaadittavat työvaiheet katsomatta kirjallisia ohjeita. Samaa totesi Antti Pihlavisto blogissaan (2024). Tekemäni kartta kuvaa yli 64-vuotiaan väestön osuutta kuntien kokonaisväestöstä. Mielestäni kartasta tuli visuaalisuutensa ja luettavuutensa puolesta ihan kelvollinen. Värimaailman säätämisessä oli omat haasteensa. Valitsin väreiksi sinisen, sillä en halunnut tässä kartassa esiintyvää ilmiötä kuvata negatiivisena, kuten punaiset värit olisivat voineet ehkä antaa ymmärtää. Ehkä nuo sinisen eri sävyt eivät ole kaikkein helpoiten toisistaan erotettavissa, mutta ensi kerralla yritän onnistun paremmin. Lopputulos on kuitenkin selkeä ja legendakin miellyttää minua enemmän kuin luennolla tehdyssä kartassa.

Kartalta voi havaita, että ikääntyvä väestö painottuu etenkin Itä- ja Keski-Suomessa sijaitseviin kuntiin. Nuori ja työikäinen väestö muuttaa heikomman palvelu-, työ- ja opiskelutarjonnan omaavilta periferia-alueilta ydinalueille suurempiin keskuksiin, kuten pääkaupunkiseudulle, Ouluun tai Jyväskylään, jotka vahvasti edustavatkin kartalla pientä yli 64-vuotiaan väestön osuutta.

 

Kuva 2. Yli 64-vuotiaiden osuus väestöstä kunnittain. Pohjakartan ja datan aineisto:  Kunnat2021.shp

Koropleettikartat ovat omia suosikkejani teemakarttojen joukosta, sillä yksinkertaisuudestaan huolimatta ne tarjoavat runsaasti tietoa ja ennen kaikkea selkeästi. Ne ovat myös visuaalisesti miellyttäviä. Oli mukavaa vihdoin päästä tekemään niitä myös itse.

 

 

Lähteet:

1. MAA202 – Geoinformatiikan menetelmät 1. Kurssikansio. HELCOM marine area.shp, Lakes.shp, Administrative boundaries.shp, Depth contours.shp ja Nitrogen Inputs.shp

2. Sinervo, U. (2024). Uskollinen GIS-blogi. Viikko 1 – QGIS tutuksi. Viitattu 19.1.2024. Saatavilla: https//blogs.helsinki.fi/usko/2024/01/19/viikko-1-qgis-tutuksi/

3. MAA202- Geoinformatiikan menetelmät 1. Kurssikansio. Kunnat2021.shp

4. Pihlavisto, A. (2024). Anttipih’s blog. Ensimmäinen kurssikerta. Viitattu 21.1.2024. Saatavilla: https://blogs.helsinki.fi/anttipih/2024/01/21/ensimmainen-kurssikerta/

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