nuppu ja geoinformatiikka

Aikaisempien viikkojen rimanalitusten jälkeen oli hyvä lähteä uuteen nousuun ja pistää parastaan viimeisen kurssikerran kunniaksi. Aloin tutustumaan mahdollisiin aineistoihin vasta tunnilla, mutta onnekseni mielenkiintoiset aiheet löytyivät suhteellisen kivuttomasti.  Päätin tehdä kaksi eri karttaa, toisen naisten työllistymisestä Euroopassa ja toisen naisista, jotka jättävät koulutuksensa aikaisessa vaiheessa kesken. Tahdoin vertailla näiden kahden muuttujan välistä yhteyttä.

Tähän mennessä kurssia päästyäni pystyin ilokseni toteamaan, että QGIS itsessään tuntui sujuvan jo kiitettävän hyvin. Ainoat todelliset ongelmani johtuivatkin datan hankalasta muodosta, mutta tästäkin päästiin yli (kiitos Arttu <3) ja sain kuin sainkin väsättyä haluamani kartat kurssikerran loppuun mennessä. Aivan viimeisellä minuutilla tosin tajusin, että toinen kartoistani esitti absoluuttisia lukuja suhteellisten sijaan, joten karttani eivät olleet vertailukelpoiset… Tein uuden version tästä kotona, mihin kuluikin aikaa murto-osa ensimmäisestä yrityksestäni. Jotain oli siis opittukin 🙂

Kuvassa 1 kuvataan prosenttiosuutta naisista, jotka ovat mukana työelämässä. Valitettavasti aivan kaikista Euroopan maista ei ollut dataa saatavilla kummassakaan käyttämässäni aineistossa. Kuvassa 2 on visualisoituna aikaisin koulutuksensa keskeyttäneet naiset prosentuaalisesti. Tässä tapauksessa aikaisella keskeyttämisellä tarkoitetaan korkeintaan ISCED 2 tason koulutusta, joka käytännössä tarkoittaa peruskoulun suorittamista.

Vertailemalla karttoja keskenään voidaan löytää yhteneväisyyksiä. Esimerkiksi Turkissa, Espanjassa ja Italiassa aikainen koulunkäynnin lopettaminen näyttää korreloivan alhaisen työllisyyden kanssa. Toisaalta Keski- ja Pohjois-Euroopassa on enemmän vaihtelua työllistyneiden naisten osuudessa verrattuna koulutuksesta pudonneiden osuuteen. Pelkkä koulutuksen alhainen taso ei siis kerro suoraan työllisyystilannetta. Todennäköisesti taustalla on kulttuurisia piirteitä, kuten esimerkiksi oletus siitä, että nainen jää kotiin hoitamaan lapsia, jolloin työurakin katkeaa aikaisin.

Vaikka tuottamani kartat ovat jälleen suhteellisen yksinkertaisia verrattuna kurssikaverieni aikaansaannoksiin, olen tyytyväinen. Toki pieni kateus iski esimerkiksi Nea Tiaisen blogia lukiessani, sillä vähän syvällisemmällä datan etsinnällä olisin voinut itsekin pureutua hieman erikoisempiin teemoihin. Minusta kuitenkin tuntui siltä, että tiesin mitä olin tekemässä ja tahdon uskoa tehneeni järkevän analyysin valitsemastani aiheesta.

Summasummarum, kurssin aikana opin uutta ja innostuin. Kyllä musta kuulkaa vielä gis-velho tulee (ehkä (toivottavasti))!

 

Lähteet

Tiainen, N. (4.3.2022) Viikko 7. Dinosauruksia etsimässä. Melkein GIS-guru siis itsekkin. Viitattu 9.3.2022. https://blogs.helsinki.fi/tiainea/

https://ec.europa.eu/eurostat/web/main/data/database

Home

^veljet en tiiä miks toi linkki on tollanen ihan niin velho en vielä oo antakaa armoo

Hieman pidemmän hyvän jakson jälkeen oma fyysinen ja psyykkinen terveys on taas ottanut jonkin verran osumaa ja koulun tekeminen vaikeutunut sen takia. Varsinkin tästä syystä oli oikein tervetullutta vaihtelua käydä ystäväin kanssa yhteisöllisellä kävelyretkellä kampusalueen ympäristössä! Mieleen tuli melkein ala-asteen liikkatunnit, jolloin suunnistuksen sijaan juteltiin tärkeimmistä juoruista ja nautittiin elämästä. Raitis ilma ja auringonvalo tekee ihmeitä 🙂

Kävelyretken aikana tuotimme dataa eri kohteiden turvallisuuden kokemuksista. Myöhemmin kurssikerran aikana esitimme pisteaineistoa interpoloimalla (liian iso sana minulle, en tosiaankaan ymmärrä mitä sillä tarkoitetaan). Lopputuloksena tästä syntyi kartta, jolla havainnollistettiin havaintopisteissä koettujen positiivisten ja negatiivisten kokemusten ilmenemistä.

Itsenäistehtävissä harjoittelimme vastaavanlaisen aineiston tuomista omalle koneelle ja sen visualisoimista. Valitettavasti omat tuotokseni jäävät tällä kertaa aika paljaaksi, mutta niistä voi siitä huolimatta huomata yleisesti tunnettuja faktoja.

Kuvassa 1 on visualisoituna jokainen tulivuoritietokantaan merkitty tulivuorenpurkaus. Vastaavasti kuvassa 2 on näkyvissä viimeisen kuukauden ajalta jokainen voimakkuudeltaan yli 4,5 magnitudia ollut maanjäristys. Seisminen aktiivisuus on korkeimmillaan mannerlaattojen yhtenemiskohdissa, joita yllä olevissa kuvissa olevat merkinnät hyvin noudattavat. Kuva 3 on tarkennettu Kaakkois-Aasiaan. Siinä on hyvin huomattavissa maanjäristyskohtien ja tulivuortenpurkausten yhteneväinen sijainti.

Esimerkiksi Ali Ylikoski on blogissaan saanut hienosti ja minua selkeämmin visualisoitua edellä mainittuja ominaisuuksia. Mannerlaattojen rajojen lisääminen karttaan helpottaa hahmottamaan yhteyden seismisen aktiivisuuden ja laattatektoniikan välillä. Tähän en kuitenkaan juuri nyt valitettavasti taivu.

Toivottavasti seuraavalla (ja viimeisellä D:) kerralla sitten taas hieman parempaa suorittamista minulta 🙂

Lähteet:

Ylikoski, A. (24.2.2022) Kurssikerta 6: Sään ääri-ilmiöitä ja maanjäristyksiä. Alin geoinformatiikkablogi. Viitattu 26.2.2022. https://blogs.helsinki.fi/alingeoinformatiikka/

Viidennellä kurssikerralla pääsimme jälleen kerran vauhdilla työn touhuun. Tällä kertaa agendassa oli esimerkiksi bufferointia ja clippailua. Harjoittelimme yhdessä kyseisiä toimintoja Pornaisista tehdyllä aineistolla, jonka jälkeen pääsimmekin itse selvittämään muun muassa Helsinki-Vantaan lentokentän melualueiden asukastietoja sekä muita mielenkiintoisuuksia.

Kuvassa 1 löytyvistä taulukoista voi tutkiskella tehtävistä saamiani vastauksia.

Tällä kertaa suurimpia haasteita aiheuttivat sekä taajama- että putkiremonttitehtävän viimeinen vaihe. Taajamatehtävässä en osannut eritellä alueita toisistaan ja putkiremonttitehtävässä harmaita hiuksia aiheutti tietokantojen yhdistäminen (mikäli siinä edes niin piti tehdä, jos ei niin sitten se oli se mikä ei onnistunut). Tämän takia kuvassa 2 ei ole visualisoitu “putkiremontti-idenksiä” vaan yksinkertaisesti jokainen vuosina 1965-1970 rakennettu kerrostalo. Tämä on haaste, jonka ratkaisemisen pariin tulen vielä palaamaan.

Tiitun sanoja lainatakseni:

“En tiedä enää mistään mitään. Viime viikko tuntui vielä valoisalta, mutta tällä viikolla itsenäiset tehtävät olivat kryptistä soppaa. Ilman ohjeita tuntui kuin lilluisi avomerellä ilman pelastusrengasta. Tuntuu ristiriitaiselta, että vaikka QGIS alkaa tuntua selkeämmältä, olen silti tasaisin väliajoin aivan hukassa.”

Never stop the madness ja kohta vedetään taas.

 

Lähteet:

Liljeroos, T. (18.2.2022) Viikko 5: En tiedä, mitä tapahtuu, mutta ei tiedä Muumipappakaan. Tiitun Gisreissu. Viitattu 26.2.2022. https://blogs.helsinki.fi/litili/

Kolmannella kurssikerralla päästiin vanhan tutun pariin, kun vuorossa oli rasterikarttojen käsittelyä! Uusina teemoina tutustuttiin pistemuotoisiin aineistoihin sekä ruutukarttojen tekemiseen ja niiden avulla tiedon esittämiseen.

Tällä kerralla opetukset tuntuivat jääneen päähän suhteellisen hyvin ja yhdessä tehdyt vaiheet muistuivat mieleen, kun aloin tekemään itsenäisiä tehtäviä. Ensimmäisessä tehtävässä tuli toteuttaa kurssikerrallakin jo kertaalleen tehty ruutukartta, jossa ruudut saivat arvonsa pistemuotoisesta aineistosta. Kuvassa 1 onkin siis pääkaupunkiseudun asukkaiden jakauma alueelle. Kuvissa 2 ja 3 esitetään sekä miesten että ulkomaan kansalaisten prosentuaalista osuutta alueella.

Usein maahanmuuttokeskustelussa puhutaan paljon miesten osuudesta maahanmuuttajista. Vertailemalla kuvien 2 ja 3 väestön jakaumaa voidaan etsiä alueita, joilla asuu poikkeavan paljon sekä miehiä että ulkomaan kansalaisia. Kuvassa 2 miesvaltaiset alueet näyttävät keskittyvän eniten Kehä 3:n Espoon puoleiselle alueella. Nämä alueet eivät lähtökohtaisesti ole kovin tiiviisti asuttuja. Muuten yksittäisiä miesten suosimia asuinalueita löytyy muun muassa Sipoonkorven kaakkois- ja lounaisreunoilta.

Vastaavasti ulkomaan kansalaiset ovat kuvan 3 mukaan keskittyneet Kehä 1:n läheisyyteen lännessä ja hajanaisemmin itään sekä kehäradan varrelle. Ulkomaan kansalaisten jakautuminen on selkeästi satunnaisempaa kuin miesten. Ainoat alueet, jossa kummankin väestöryhmän osuus on korkeimmillaan ovat Kivistö sekä Siltamäki ja niiden välitön läheisyys. Esimerkiksi Villingissä, aivan ruudukon kaakkoisnurkassa, voidaan havaita mielenkiintoinen vaihtelu asukasryhmien välillä: tarkasteltaessa kahta vierekkäistä ruutua huomataan vasemmanpuoleisen olevan miesvaltaisempi ja vähemmän ulkomaan kansalaisia omaava kuin sen oikealla oleva ruutu, joka on tämän täysi vastakohta.

Tämän havainnon ja tarkistelun perusteella voidaan siis olettaa, ettei ainakaan pääkaupunkiseudulla asuvat ulkomaalaiset miehet päädy asumaan samoille alueille. Vertailtaessa karttoja keskenään on kiinnitettävä huomiota eri arvot saavaan skaalaukseen sekä alueen kokonaisväestön määrään. Ulkomaan kansalaista ei myöskään ole sen tarkemmin määritelty, eli kyseessä saattaa olla niin turvapaikanhakijoita, opiskelijoita kuin työssäkäyviä kaksoiskansalaisiakin.

Toisessa tehtävässä siirryttiin väestön analysoimisesta pinnanmuotojen tutkailuun. Tein Pornaisten alueelle sekä korkeuskäyrät kuten kurssikerrallakin, ja vertailin itse tekemiäni käyriä Paitulista ladattuun valmiiseen korkeuskäyräaineistoon.  Kuvassa 4 on itse tekemäni korkeuskäyrät, kuvassa 5 Paitulin aineisto. Tässä vaiheessa on toki hyvä huomata, ettei kuvien liittäminen taaskaan onnistu syystä että “the server is busy or does not have enough resources”. Uutta yritystä siis kampuksen koneella.

Joka tapauksessa havaintoni käyrien tarkkuudesta ja tulkittavuudessa ovat osittain samassa linjassa esimerkiksi Hanna Pelkosen havaintoihin. Pelkonen kirjoittaa blogissaan siitä, miten QGISsissä korkeuskäyrät piirtyvät liian tarkasti. Sama on huomattavissa myös omassa tuotoksessani. Viivaa voisi helposti yksinkertaistaa ja yleistää ilman, että sen merkitys muuttuisi radikaalisti. Toisaalta Paitulista ladatussa, Maanmittauslaitoksen tuottamassa korkeuskäyräaineistossa korkeuskäyriä on enemmän kuin minun piirtämässäni. Tämä havainto on huomattavissa ainakin tarkastelemallani alueella Pornaisten Valkjärven ja Ruokijärven välisellä alueella.

EDIT 18.2.

Lähteet

Pelkonen, H. (13.2.2022) Viikko 4: Pisteitä ja ruutuja. Hannan kurssiblogi. Viitattu 13.2.2022. https://blogs.helsinki.fi/pelkohan/

Kurssin edetessä QGIS rupeaa tuntumaan kerta kerralta tutummalta. Vaikka aina välillä siitä vaikuttaa puuttuvan tietty inhimillinen logiikka, sen oikkuihin on alkanut tottumaan. Tästä johtuen uudet ominaisuudet ja toiminnot löytyvät helpommin ja niiden käyttö ei ole yhtä hankalaa kuin ihan aluksi.

Kolmannella kurssikerralla tutkailimme Afrikasta löytyvien timanttikaivosten ja öljyesiintymien yhteyttä levottomuuksiin. Aivan ensiksi piti siistiä kartta-aineistoa siten, että valtion saarialueet ynnä muut epämääräisyydet saatiin liitettyä valtion kanssa yhdeksi riviksi attribuuttitaulukossa. Itselläni todennäköisesti tässä vaiheessa kävi jotain kummallista, sillä seuraavissa vaiheissa ainoastaan Kongon demokraattinen tasavalta suostui ottamaan arvoja attribuuttitaulukosta. Kummallisuuksista huolimatta sain kuitenkin tuotua Excelistä taulukon, yhdistettyä taulukot keskenään sekä visualisoitua timanttikaivosten ja öljyesiintymien sijainnit kartalle. En kuitenkaan tajunnut ottaa kuvaa valmiista tuotoksesta ennen kuin sammutin koneen kampuksella ja lähdin kotiin.

Kotona aloin tekemään harjoitusta kun luulin, että kaverieni neuvot olivat vielä tuoreessa muistissa. Toisin kuitenkin kävi, ja turvauduin jälleen kerran kurssitoverien viisauteen. Haasteita aiheutti juurikin taulukoiden yhdistäminen, sillä muistin sen toimivan hieman eri periaatteella kuin oikeasti. Tämän selätettyäni seuraava ongelma ilmenikin vasta aivan työn lopussa. En aluksi saanut diagrammeja näkyviin, joten rupesin epätoivoisesti etsimään vastaavia kokemuksia muiden blogeista. Eeva Raki kirjoittaakin kohdanneensa vastaavanlaisen haasteen, ja hänen bloginsa ohjeiden perusteella pyrin selvittämään, mistä on kyse. Kun tämä ei auttanut, pyysin Eevalta apua ja lopulta sekä koneen uudelleenkäynnistys että yhden ruudun rastittaminen toivat näkyviin kaksi (2) palkkia viidestäkymmenestä. Tämän tilanteen ratkaisemiseen palaan vielä.

Kuvissa 1 ja 2 esitetään tulvaherkkyyttä, mutta kuvaan 2 on lisätty myös järvisyyttä demonstroivat pylväsdiagrammit. Näitä diagrammeja on kuitenkin tosiaan jostain syystä vain kaksi, vaikka jokaisen alueen kohdalla on pylvään “alkupiste” eli poikittainen viiva. Tämä tuntuu viittaavan siihen, etteivät näiden kohteiden arvot syystä tai toisesta ole noudettavissa attribuuttitaulukosta. Kuvasta 1 on helpommin tulkittavissa eroja alueiden välisessä tulvaherkkyydessä, sillä siinä ei ole edes kahta pylvästä tiellä. Karttojen hieman toisistaan poikkeava väri johtuu siitä, että tein työn pari kertaa alusta yrittäessäni ratkaista diagrammiongelmaa.

Erityisen tulvaherkkiä alueita on vain rannikolla, missä Suomen suuret joet laskevat Itämereen. Esimerkiksi Pohjanmaa on tunnettu alavista maisemistaan, joten ei ole ihme, että alueen joet tulvivat yli jäidenlähdön ja rankkasateiden yhteydessä. Itselleni henkilökohtaisena yllätyksenä tuli kuitenkin Aurajoen ympäristön selkeästi muusta maasta poikkeava tulvaherkkyys.

Kiitokset vielä Senjalle ja Eevalle avusta <3

EDIT 9.2.:

Diagrammiongelma ratkesi, ja kyseessä oli yllättäen oman tyhmyyden ja huonon tuurin yhteenliittymä. Lopullinen tuotos on tarkasteltavissa kuvassa 3.

Kuva 3. Järvisyys pylväsdiagrammina havainnollistettuna.

Lähteet

Raki, E. (2.2.2022) Kurssikerta 3: Paineen alla. Oppimassa geoinformatiikkaa. Viitattu 7.2.2022. https://blogs.helsinki.fi/eevaraki/

Toisella kurssikerralla tehtävien tekeminen tuntui jo huomattavasti helpommalta kuin aikaisemmin. Myös harjoitustehtävien jatkaminen kotona oli kivuttomampaa kuin viikko sitten.

Tällä kertaa keskityimme erilaisten karttaprojektioiden ja koordinaatistojen visuaaliseen ilmeeseen ja siihen, miten paljon ne pahimmillaan vääristävät karttaa.  Tämän lisäksi opettelimme lisää QGISin käyttöä muun muassa rajapintojen kautta tapahtuvan tiedonhaun avulla.

QGISin mittatyökalujen avulla oli helppo havainnoida projektion aiheuttamaa vääristymistä. Taulukkoon 1 on koottu muutaman yleisimmän karttaprojektion mittoja Suomen Lapista mitattuna ja ETRS TM35FIN projektioon verrattuna.

Taulukko 1. Projektioiden vertailua ja mittasuhteita.

Tämän lisäksi visualisoimme havaitsemiamme havaintoja kartalle. Tavoitteena oli geometriatyökalujen avulla laskea karttaprojektion pinta-alan eroavuus ETRS TM35FIN projektiosta. Olen hieman harmissani siitä, että käyttämäni projektiot ovat kaikki todella “normaalin” näköisiä eli niissä ei ole mitään helposti havaittavia kummallisuuksia. Esimerkiksi Olivia Timisjärvi esittelee blogissaan (https://blogs.helsinki.fi/tfolivia/) sekä Wagner V- että Bonne-projektiot, joiden vääristyneisyys poikkeaa suuresti käyttämistäni projektioista.

Kuva 1. Mercatorin ja Winkel Tripelin projektiot

Itse tekemäni kartat (joista nyt vihdoin on kuvia! Kuva 1!) ovat keskenään todella saman näköisiä muutaman kunnan välisiä eroja lukuun ottamatta. Mikäli arvojen skaalaus olisi tehty jokaisen projektion kohdalla samoin, olisivat kuvat keskenään vertailukelpoisia. Nyt esimerkiksi Mercatorin projektio sekä Winkel Tripelin projektio näyttävät vääristävän pinta-alaa yhtä paljon, vaikka legendaa tarkastelemalla huomataan, ettei tämä pidä paikkaansa. Todellisuudessa Winkel Tripelin projektio vääristää pahimmillaankin Pohjois-Suomessa huomattavasti vähemmän kuin Mercatorin  projektio aivan eteläisessa Suomessa.

Kurssikerralla oli kiva huomata, että opetettavat asiat käyvät järkeen ja ohjelman käyttämisenkin oppii vähitellen. Ei voi siis valittaa!

 

 

Lähteet

Timisjärvi, O. (27.1.2022) 2. kurssikerta: Projektioita ja karttoja. Olivian blogi. Viitattu 30.1.2022. https://blogs.helsinki.fi/tfolivia/

 

Geoinformatiikan menetelmät 1- kurssin ensimmäisellä kurssikerralla tutustuimme QGIS-ohjelman käyttöön teemakartan tekemisen muodossa. Ohjelma oli minulle entuudestaan tuttu erään aikaisemman kurssin harjoitustöistä, mutta en todellakaan osaa vielä kunnolla käyttää sitä. Erityisesti tämän takia olen iloinen siitä, että lähiopetusta on mahdollista kurssilla järjestää.

Kuva 1. HELCOM-alueen typpipäästöt

Kurssikerralla tehtävänä oli tuottaa kartta Itämeren valtioiden typpipäästöistä ja visualisoida maiden osuuksia päästöjen tuotannossa. Se onnistuikin sujuvasti ohjeita seuraten (kuva 1). Kotona tehtävä itsenäinen harjoitus aiheutti puolestaan hieman enemmän päänvaivaa.

Omasta tyhmyydestä johtuneiden alkuhaasteiden jälkeen harjoitustyön tekeminen tyssäsi täydelliseen kyvyttömyyteen ymmärtää kirjoitettua tekstiä. Pitkään kuvan 2 kaltainen kartta oli ainoa, mitä sain aikaiseksi ja siihenkin onnistuin korostamaan ainoastaan valitut kunnat (kuvassa 2 Tampere).

Kuva 2. Epätoivoinen yritys, korostettuna Tampere

Kiitokset työn loppuun saamiset kuuluvat opiskelukaverille, jonka yksityiskohtainen opetusvideo sai minussa aikaan valaistumisen. Lopulta sain aikaiseksi kartan (kuva 3), jossa on kuvattu Suomessa sijaitsevien kesämökkien määrää viiden eri luokan avulla. Tuotokseni ei todellakaan ole kaikista informatiivisin, saati laadukkain, mutta sai minut sitäkin iloisemmaksi. Aluksi jatkuva epäonnistuminen nimittäin harmitti kovasti.

Kuva 3. Kesämökkien määrä kunnittain

Valmiin kartan viimeistely on helppoa ja kivaa, vaikka nyt lopputulos näyttääkin kömpelöltä mittakaavasta johtuen. Suurimmat oivallukseni sain taas jälleen omasta oppimisestani. Iltapäivästä iltaan ei selkeästikään ole minulle ominaista aikaa keskittymiselle, ei siis ihme, etteivät kurssikerran opit jääneet päähän tässä työssä minua auttamaan. Lisäksi olen hämmästyttävän huono ymmärtämään asioita, jos niitä ei minulle useampaan kertaan selitetä. Uskoisin tämän kuitenkin kehittyvän, ja ainakin tällä kertaa toinen selityskerta pelasti minut täydeltä katastrofilta.

Janne Turunen esittelee blogissaan mielestäni osuvan alueanalyysin pienemmältä alueelta. Rajatumman alueen valitseminen kävi myös minulla mielessä, mutta en selkeästikään ole vielä sen tason GIS-velho, että olisin sen osannut toteuttaa. Datan visualisoiminen Turusen tapaan olisi mahdollistanut huomattavasti tarkempaa analysointia.

Lopulliselle kartalleni esitän kritiikkiä lähinnä luokitteluväleistä. Suurimpien arvojen kunnat ovat harvassa, joten niiden löytäminen kartalta on hankalaa. Punaisen sävyjen keskinäinen vertailu on myös hankalaa, kun alueet eivät ole tiiviisti vierekkäin. Olisin siis voinut vähentää luokkia esimerkiksi vain kolmeen. Tällöin alimman luokan valkoinen väri ei myöskään dominoisi pinta-alaa niin voimakkaasti.