Viimeinen kurssikerta

Hei, ja tervetuloa aikamatkalle sadan miljoonan vuoden takaiseen Eurooppaan, eli: Ilarin pieni spatiotemporaalinen tutkielma peto- ja saalisdinosaurusten määrällisestä jakaumasta mesotsooisessa Euroopassa.

Geoinformatiikan menetelmäkurssi siivitti allekirjoittaneen melkoisiin paikkatietosfääreihin. Jo ennen viimeisiä kurssikertoja servereiden syvyyksissä lähti muhimaan jotain suurta, kuluneen kuukauden aikana sievoinen määrä ykkösiä ja nollia jo sinkoilikin ja koko kurssin lopputyöstä paisui melkoinen passion project. Dinoprojektin työnimikkeellä operoivaan uurastukseen on tähän mennessä uponnut varmasti lähemmäksi sata työtuntia, kantavana inspiraationa jonkinmoinen lapsenomainen viaton uteliaisuus aihepiiriä kohtaan, joka jo muksuna meikäläiseen varsin vahvasti leimaantui dinosauruskirjojen ja BBC:n dinodokkareiden myötä.  Itse kurssin lopputyöksi kuitenkin rajautui vain pieni osuus koko projektista: Alueeksi rajautui vain Eurooppa ja laaja-alaisemman tarkastelun sijaan keskittyy enemmänkin löytöpaikkoihin, aikakausiin, eri lahkoihin ja kallioperään. Tietokantojen penkominen ja QGIS:in naputtelu projektin parissa tuskin kuitenkaan jää tähän, vaan jatkuu niin pitkään kuin on jatkuakseen, ehkä päivitän uutta sisältöä vielä blogin jatkoksi, ehkä en.

Projektin pääasiallisena lähteenä toimii Paleobiology Database, sittemmin PBDB, voittoatavoittelematon kansalaisjärjestö, jonka tavoitteena on tarjota avointa taksonomista dataa kautta geologisten aikakausien globaalisti. PBDB:n aineistoista on noudettu data kaikista Euroopasta löydetyistä dinosaurusten fossiileista, yhteensä 3605 kappaletta. Aineiston noutotavan takia ja visualisointisyistä  kohdealueeksi on rajattu Manner-Eurooppa sekä Britteinsaaret. Venäjän, Huippuvuorten ja merentakaisten alueiden data on jätetty pois kartoista ja taulukoista, poislukien ensimmäisestä kartasta (Kuva 1.) Taustakarttana toimii pääasiallisesti Natural Earthin rasterit, ensisijaisesti 1:50 miljoonan Gray Earth.

Tutkimuskysymystä itsessään oli haastavaa määritellä, rajoittavina tekijöinä ollessa suhteellisen rajattu määrä dataa ja itsessään se, miten vähän loppupeleissä dinosauruksista, niiden käyttäytymisestä ja elinympäristöstä tiedetään, toistaiseksi. Yksi mahdollisista tutkimuskysymyksistä liittyi eri kokoisten lihansyöjädinosaurusten ja niiden saalisdinosaurusten alueelliseen jakautumiseen: esimerkkinä vaikka suurehkojen laumasaalistajien, kuten allosaurusten, alueellisen jakautumisen vertaaminen vaikka poikkeuksellisen suuriin petodinosauruksiin, kuten carcharodontosauruksiin, sekä mahdolliset eroavaisuudet niiden kuvitelluilta elinalueilta löytyneisiin saalisdinosauruksiin. Lisädatana näiden kanssa olisi voinut yhdistää vaikka dataa eri aikakausilla ja alueilla vallinneesta kasvustosta, esimerkiksi miten dinosaurusten lajijakauma eroaa alavammilla alueilla verratttuna metsäisiin alueisiin. Näiden pohdintojen pariin ei kuitenkaan vielä päästy, fossiilien ja tunnistettujen dinosaurusten rajatun määrän ollessa pääasiallinen este. Vaikka erityisen spesifit tarkastelukohteet jäivätkin toistaiseksi haaveeksi, mahdollisti lähtöaineisto kuitenkin laaja-alaisempaa tarkastelua dinosaurusten ajallisesta ja alueellisesta jakaumasta Euroopassa, sekä petodinosaurusten ja saalisdinosaurusten suhteellista jakaumaa aikakausittain ja alueittain, kallioperä- ja fossiloitumisympäristödataa ollessa myös sisällytettynä mukaan.

Kuva 1. Euroopasta löydetyt dinosaurukset maittain. Lähde: PBDB.

Tässäpä kaikki Euroopasta löydetyt Dinosauria ylälahkon fossiilit plotattuna valtioittain kartalla. Lukumäärällisesti ylivoimaisesti eniten fossiileja on löydetty Espanjasta, jossa löydökset ovat  voimakkaasti klusteroituneet koillis-Espanjaan kolmeksi selkeäksi alueeksi. Isossa-Britanniassa suurin osa löydöksistä on keskittynyt eteläiseen Englantiin ja Portugalissa länsirannikolle, Ranskassa ja Saksassa löydösten ollessa jakautuneena laajemmalle aluelle. Näille alueille on myös sijoittunut korkeimpien fossiililöydösten klusterit, joista yhtenä huomattavimpana on mm. Koillis-Espanjan Tremp muodostelma. Läntinen Eurooppa on edustettuna kartalla voimakkaammin, poikkeuksena Romanian ja Puolan keskittymät, sekä Venäjän löydäkset, jotka sijoittuvat laajalle alueelle aina Kiinan rajalle asti ja Kamchatkan niemimaalle. Pohjoismaista ainoat löydökset sijoittuvat Etelä-Ruotsin ja Sjællandin tuntumaan, Huippuvuorilta löytyen Norjan ainoat fossiilit. Suomesta surukseni ei vieläkään ole löytynyt yhtäkään dinosaurusta, johon syy pitkälti selittyneekin seuraavalla kartalla:

Kuva 2. Eurooppalaiset dinosaurukset aikakausittain. Lähde: EGDI, PBDB

Tässäpä Euroopan dinosauria-lahkon fossiililöydökset pisteaineistona aikakausittain, sekä löytöjen mukaiset kallioperät. Kallioperäaineistona on käytetty EuroGeoSurvey:n (EGDI) yleiseurooppalaista IGME 5000-kallioperäaineistoa, joka on saatavilla avoimena WMS-tasona. Lähtöaineistosta on haarukoitu kallioperäalueet joista on löydetty dinosaurusten fossiileja, ja eri alueet on summattu samaksi tasoksi aikakausittain. Valtaosasta löydöksien sijainneista löytyi kallioperädataa, vaikkakin osa alueista oli niin pieniä etteivät ne välttämättä erotu pisteiden alta. Aikakausijaotellut fossiilit ja kallioperät natsaavat aikalailla täydellisesti, josta onkin pääteltävissä että totta tosiaan, liitukauden fossiileja on löydettävissä liitukautisesta kallioperästä (mikäli kallioperä mahdollistaa fossiloitumisen, eli on sedimenttikivipohjaista.) Kartta havainnollistaa mielenkiintoisesti Euroopan eri sedimenttikallioperien muotoutumista temporaalisella skaalalla, luoden mielenkiintoisia kallioperän vaihettumia esimerkiksi eteläisessä Englannissa tai Etelä-Ranskassa.

Mesotsooinen aikakausi oli geologinen ajanjakso 251 –65 miljoonaa vuotta sitten. Dinosaurusten valtakaudeksi mielletty ajanjakso on jaettu kolmeen kauteen, trias-, jura- ja liitukauteen. Triaskausi kattaa mesotsooisesta aikakaudesta 252–201 miljoonaa vuotta sitten, jurakausi 206–144 miljoonaa vuotta sitten ja liitukausi 144-66 miljoonaa vuotta sitten, joka päättyi liitukauden joukkosukupuuttoon, päättäen lentokyvyttömien (non-avian) dinosaurusten aikakauden.

Triaskautisia fossiileja Euroopasta on löytynyt tällä päivämäärällä (29.3.2021) 296 kappaletta, jurakautisia 1011 ja liitukautisia 2383. Triaskautisien fossiilien suurin keskittymä sijaitsee Etelä-Saksassa, jurakautisten fossiilien suurimman keskittymän sijaitessa Etelä-Englannissa, ja liitukauden fossiilien ollessa runsaimpia Koillis-Espanjassa. Englannissa, Ranskassa ja Saksassa on eritoten havaittavissa selkeää vaihettumaa aikakausien välillä, havainnollistaen hyvin mannerlaattojen liikkeiden tuomia muutoksia itse kallioperän muodostumisessa sekä itse dinosaurusten sijoittumisessa. Ohessa vielä yleisempien sedimentoitumisympäristöjen taulukko (Taulukko 1.).

Taulukko 1. Yleisimmät sedimentoitumisympäristöt. Lähde: PBDB

 

Seuraavassa osuudessa dinosauria-ylälahko jakautuikin viiteen erilliseen taksonomiseen alalahkoon: Teropodeihin, sauropodomorfaan, ornitopodeihin, thyreophoraan ja marginocephaliaan. Kyseiset viisi taksonomista alalahkoa kattoivat pitkälti miltei koko dinosauria-ylälahkon ja hallitsivat mesotsooista aikakautta aina liitukauden loppuun asti. Myöhäis-triaskauden herrerasauridae ja prosauropoda-alalahkot, sekä triaskauden heterodontosauridae-alalahko on karsittuna pois niiden harvinaisuuden ja verrattain lyhyen olemassaolon takia. Teropodejen lahkoon kuuluvat liskonlantioiset kahdella takaraajalla kävelevät, pääosin petodinosaurukset, kuten tyrannosaurit, spinosaurit ja raptorit kattavat dromeosaurit. Sauropodomorfiin kuului taasen liskonlantioiset nelijalkaiset kasvissyöjädinosaurukset, kuten pitkäkaulaiset sauropodit. Ornitopodeihin kuului linnunlantioiset kasvissyöjädinosaurukset, kuten Euroopassa yleiset iguanodonit. Thyreophora-lahkoon lukeutuvat taasen linnunlantioiset panssaridinosaurukset, kuten stegosaurit ja marginocephalia-lahkoon muut, ns. rajakalloiset linnunlantioiset kasvissyöjädinosaurukset, kuten ceratopsidit.

Kokonaisuudessaan teropodit kattavat noin 40 prosenttia kaikista Euroopasta löydetyistä dinosaurusten fossiileista: Trias- ja jurakaudella petodinosaurukset kattavat kullakin aikajaksolla 40 prosenttia kaikista löydetyistä dinosaurusten fossiileista, liitukaudella petodinosaurusten osuuden ollessa taas hieman alhaisempi, 32 prosenttia.  Määrällisesti liitukaudelle ajoitettuja fossiileja on Euroopasta löydetty runsaimmin, yhteensä 2398 kappaletta, antaen luotettavinta tarkastelupohjaa peto/saalisjakaumalle. Jurakaudelle ajoitettuja fossiileja on noin tuhat kappaletta ja triaskautisia kolmisensataa.

Kuva 3. Teropodit aikakausittain, 1259 fossiilia. Lähde: PBDB

Kuva 4. Sauropodomorpha aikakausittain, 923 fossiilia. Lähde: PBDB

Kuva 5. Ornitopodit aikakausittain, 770 fossiilia. Lähde: PBDB

Kuva 6. Thyreophora 218 fossiilia ja Marginocephalia 18 fossiilia, aikakausittain. Lähde: PBDB

 

Ornitopodien alalahkoon kuuluvien iguanodontia-osalahkon dinosaurukset ovat yksiä yleisimpiä Euroopasta löydettyjä fossiileja. 88 Euroopasta löydetystä iguanodontia-osalahkon fossiileista valtaosa sijoittuu Länsi-Eurooppaan ja ajoittuu varhaisliitukaudelle. Nämä keskikokoiset ja keskisuuret dinosaurukset olivat laumaeläimiä, kykenivät kulkemaan sekä neljällä että kahdella jalalla, ja olivat yksiä hallitsevimpia kasvissyöjiädinosauruksia varhaisliitukaudella. Runsaslukuisena laumadinosauruksena iguanodontiat toimivat mainiona tarkastelukohteena kasvissyöjädinosaurusten elinalueista, sekä saalis-petodynamiikkojen tarkasteluun. Alla olevat kartat (Kuva 7, 8) ovat koostettu löydetyistä iguanodontia-lahkon fossiileista aikakausittain, sekä samalta aikakaudelta iguanodontian hypoteettisten reviirien alueelta löydetyistä teropodeista.

Aikakausiin jaoteltuna varhaisliitukauden peto/saalisjakauma näyttää seuraavanlaiselta:

Berriasian-vaiheelle on ajoitettu Euroopassa yhteensä 238 dinosaurusta, joista 76 ovat teropodeja, jakauman ollessa 32 prosenttia. Valangian-vaiheella yhteensä on ajoitettu 132 dinosaurusta, joista 38 teropodeja, jakauman ollessa 28%. Hauterivian-vaiheelle on ajoitettu vain 30 dinosaurusta, joista 13 teropodeja, jakauman ollessa 43%. Barremian-vaiheelle on ajoitettu yhteensä 341 dinosaurusta, 144 ollessa teropodeja ja jakauma 42%. Aptian-vaiheelle on ajoitettu 301 dinosaurusta, joista 113 teropodeja, ja jakauma 37,5%. Olettamuksenani oli, että yksittäisiltä aikakausilta ja tarkemmilta tarkastelujaksilta jakauma vaihtelisi voimakkaammin ja olisi alttiimpi poikkeamien tuomille heitoille, mutta näin ei näyttäisi olevan.  Temporaalisella skaalalla, sekä suurella että pienelläkin, jakauma pitäytyy orjallisesti 30-40 prosentin tuntumassa. Koko mesotsooisen aikakauden peto/saalisdinosaurusten jakauma globaalisti onkin tarkalleen 40 prosenttia, PBDB:n aineistoihin ollessa kirjattuina kokonaisuudessaan 17570 dinosaurusta, joista 7090 on teropodeja.

Kuva 7. Varhaisliitukauden Iguanodontia-osalahkon dinosaurukset. Lähde: PBDB

Kuva 8. Varhaisliitukauden teropodit Iguanodontia-lahkon elinalueilla. Lähde: PBDB

 

Euroopan fossiilirikkaista alueista tarkempaan tarkasteluun valikoitui Koillis-Espanja, jonne on keskittynyt useita merkittäviä fossiilikeskittymiä Euroopassa, kuten Trempin ja La Huérguinan geologiset muodostumat. Merkittävän alueesta ei tee ainoastaan suuri keskittymä fossiileja, vaanM myöskin se, että miltei kaikki alueen fossiileista ajoittuvat liitukaudelle, mahdollistaen spekuloinnin siitä, millainen eläimistö ja ympäristö alueella vallitsi aikakautena. Korkeusprofiili on itse visualisoitu European Environment Agencyn korkeusrasterilla sekä hillshadella.

Runsas määrä alueen fossiileista on ajoitettu Barremian-vaiheelle, 129,4-125,0 miljoonaa vuotta sitten, jolloin Iberian niemimaata ja manner-Eurooppaa erotti matala meri. Alueen fossiileista suurella osalla sedimentoitumisympäristö on ollut juurikin rantavyöhykkeen tuntumassa, kuten lahtia, laguuneja ja tulvatasankoja, sekä poikkeamana yksittäinen korkean fossiilimäärän suo (Taulukko 2.) Eri aikakausina alueella vallinnut ja muuttuva rantavyöhyke havainnollistuukin hyvin seuraavista kartoista, mutta on havaittavissa myös muista.

Koillis-Espanjan Barremian-vaiheen fossiilien jakauma alalahkoittain seuraa melko tarkalleen yleistä lahkojakaumaa: Teropodeja alueelta on löytynyt 189 kappaletta, ornitopodeja 124, sauropodeja 57 ja thyreophoria 17, viitaten melko tasapainoiseen elinympäristöön peto- ja saalisdinosauruksien välillä. Jokaisesta saalisdinosauruksien löytösijainnista on löytynyt myös petodinosauruksia ja suuremmissa klustereissa peto/saalisjakauma on tasapainoinen. Koillis-Espanjan Barremian-vaiheen fossiileista 48 prosenttia edustaa teropodeja, myötäillen suuntaa-antavasti mesotsooisen aikakauden ja varhaisliitukauden peto/saalisjakaumaa myös alueellisesti. Karttasarjan viimeisessä kuvassa vielä alueen dinosaurukset lahkoittain, sekä sisällytetty alueen IGME5000-kallioperäkartta.

Kuva 9. Koillis-Espanjan Teropodit varhaisliitukauden Barremian-vaiheelta. Lähde: PBDB

Kuva 10. Koillis-Espanjan Ornitopodit varhaisliitukauden Barremian-vaiheelta. Lähde: PBDB

Kuva 9. Koillis-Espanjan Sauropodit ja Thyreophorat varhaisliitukauden Barremian-vaiheelta. Lähde: PBDB

Kuva 10. Koillis-Espanjan kallioperäkartta (IGME5000) Barremian vaiheen dinosauruksilla. Lähde: PBDB, EGDI

Projektini ylivoimaisesti suurin tavoite jäi kuitenkin toteutumatta: PBDB:n datan kätköistä löytyi kunkin dinosauruksen muinaiset sijaintitiedot, paleokoordinaatit. Näiden avulla voisin rekonstruoida muinaisten mannerlaattojen liikkeitä ja dinosaurusten alueellista jakautumista eri aikakausittain, rakentaa miltei 200 miljoonaa vuotta kattavan karttasarjan aina ensimmäisistä triaskauden protodinosauruksista aina liitukauden joukkotuhoon asti.  PaleoMap PaleoAtlas tarjosi rasterisarjan muinaisista mannerlaatoista, jonka lopulta osasin onnistuneesti georeferoida pohjakartan päälle. Paleokoordinaatit kuitenkin heittivät miltei kaikki dinosaurukset keskelle merta (Kuva 11, 12). Sijainnit eivät natsanneet millään aikakaudella, eikä minkäänkään valtion dinosaurusten kanssa. Latasin myös GPlates-ohjelmiston, jossa plottasin muinaiset mannerlaattarasterit pallopinnalle ja tallensin ja toin QGIS:istä paleokoordinaateiksi tallennetut dinosaurukset GPlatesiin (Kuva 13.) Epäilen että kyse on eroista projektioissa, jotka saattaisivat olla korjattavissa, tai virhemarginaalit edes minimoitavissa mikäli PaleoAtlaksen karttojen käyttämä projektio olisi tuotu ilmi missään, mutta ei. Tällä kertaa ja toistaiseksi en ole tarpeeksi taitava paikkatieteilijä ratkoakseni omatoimisesti tälläistä pulmaa, mutta vielä joskus.

Kuva 11. Liitukauden lopun (66 Ma.) dinosaurukset, nykyiset ja paleokoordinaatit. Lähde: PBDB

Kuva 12. Liitukauden lopun (66 Ma.) dinosaurukset, nykyiset ja paleokoordinaatit, georeferoitu. Lähde: PBDB, PaleoAtlas

Kuva 13. Epäonnistunut kartta GPlatesissa. Lähde: PaleoAtlas

 

Lähteet:

EuroGeoSurvey: European Geological Data Infrastructure (EGDI)

European Evironment Agency: https://www.eea.europa.eu/data-and-maps/data/digital-elevation-model-of-europe (Noudettu 14.3.2021)

Natural Earth: https://www.naturalearthdata.com/ (Noudettu 20.2.2021)

The Paleobiology Database: https://paleobiodb.org/#/

PaleoMap PaleoAtlas: https://www.earthbyte.org/paleomap-paleoatlas-for-gplates/ (Noudettu 10.3.2021)

Kuudes kurssikerta

Kuudes kurssikerta

Kuudennella kurssikerralla itsenäisen tehtävän työnanto oli hieman vapaamuotoisempi. Tehtävänannon hasardeista tarkasteluun valikoitui kaikki kolme, maanjäristykset, tulivuoret ja meteoriitit, NOAA:n  aineistoista tarkasteluun valikoitui myös tsunamidataa, joka tarjoaa kontekstia ja vertailupohjaa maanjäristyksien ja tulivuorten alueelliselle jakautumiselle. Datan tuominen QGIS:iin kävi näppärästi, ja vanhan ja uuden maanjäristysaineiston yhdistäminenkin onnistui lopulta ainakin jossain määrin Add Virtual Layer-komennolla.

Maanjäristys- ja tsunamiaineistoista aikajanaksi valikoitui 1960-2021: Data 60 vuoden ajalta tarjoaa riittävän luotettavan kokonaiskuvan hasardeista ilman että aineistot käyvät liian raskaiksi. Maanjäristysaineistoissa magnitudiasteikoksi valikoitui kuuden magnitudin maanjäristykset ja voimakkaammat, kuuden richterin ollessa tyypillinen rakennusvaurioiden raja-arvo. Yli kuuden magnitudin maanjäristykset ovat kuvattuna kartalla pisteaineistoja ja tiheyspintakartalla (Heat map) ja havainnollistavat maanjäristyksien alueellista jakautumista, voimakkaiden järistysten riskialueita ja ovat vertailtavissa tulivuorien, tsunamien ja mannerlaattarajojen kanssa. Tulivuoriaineistosta valikoitui aktiiviset kerrostulivuoret, jotka tyypillisesti purkautuvat tulivuorityypeistä väkivaltaisimmin ja sijaitsevat lähellä ihmisasutusta, mahdollistaen suuntaa antavan alueellisen riskianalyysin. Tsunamiaineistosta yli 80% kaikista tsunameista sijoittuvat Tyynen valtameren alueelle tai sen lähimaastoon, joten tarkasteluun valikoin alueelle keskittyneen kartan, joka tarjoaa myös hyvää vertailupohjaa maanjäristys-, tulivuori- ja mannerlaattarajakartalle. Kokonaisuudessaan karttojen pohjalta mielestäni pystyy analysoimaan useiden luonnonhasardien sijoittumista ja suurimpia riskialueita globaalisti, lähtöaineiston ollessa riittävän kattavaa ja karttojen ollessa pitkälti yksinkertaistettuja.

Kuva 1. Yli kuuden magnitudin maanjäristykset 1960-2021 ja aktiiviset kerrostulivuoret kartalla. Lähde: NCEDC, USGS, NOAA

Kuvassa 1. maanjäristysaineistoa on havainnollistettu interpoloimalla. Perinteistä Singleband grey/pseudocolor interpolointia en saanut millään toimimaan visuaalisesti miellyttävällä tavalla. Renderöintivaihtoehdoista vain Hillshade tuotti jossain määrin miellyttäviä tuloksia aineiston visualisointiin, mutta maanjäristyksien havainnollistaminen rinnevalovarjostuksella tuntui melkoisen laittomalta. Toimivampaan interpolointiin olisi varmasti kaivattu parempia jatkuvia arvoja ja laajempaa jakaumaa pisteillä. IDW interpoloinnin sijaan Heat Map toimi oikein hyvin tässä tapauksessa (Kuva 1).

Kuva 2. Yli kuuden magnitudin maanjäristykset 1960-2021. Lähde: NCEDC, USGS

Karttojen visualisoinnissa tällä kertaa lähdin testailemaan tummia pohjakarttoja. Lopputulokset miellyttävät ainakin itseäni, data tulee pohjakartalta esille mielestäni mukavasti, yleinen ulkoasu pysyy siistinä eikä värikontrasti käy liian hurjaksi. Tumma taustakartta tarjoakin melkoisen vapaat kädet aineiston visualisoinnissa ja värien käytössä.

Kuva 3. Tyynenmeren tsunamit vuosina 1960-2021. Lähde: NOAA

Taustakartoissa käytin Natural Earthin avoimia vektori- ja rasteriaineistoja. Pääasiallisina pohjina käytössä oli pienen mittakaavan Physical-tasot, mutta tsunamikartassa testailin keskimittakaavan topografiallisia rasteritasoja. Projektiotasona testiksi kokeilin Globe Builder-pluginia, Suomalaisen GISPO:n kehittämää pluginia joka mahdollistaa pallopintaisten tasojen luomisen QGIS:issä. Plugin itsessään oli melkoisen simppeli ja käytön oppi suhteellisen nopeasti, suhteellisen pienellä vaivalla sai aikaan melkoisen nättejä kuvan 3. mukaisia karttoja. Heti kun yliopisto sponsoroi allekirjoittaneelle ArcGIS Pro:n, lupaan väsätä yhtä hienon kartta-animaation tsunameista kuin tässä ESRI:n maanjäristysanimaatiossa.

Kuva 4. Mannerlaattarajat.

Hasardikarttojen kaveriksi kaipasin mannerlaattarajoja havainnollistavaa karttaa, ja avoimia vektoripohjia löytyi Githubista. Visualisoinnissa villiinnyin entisestään yön pikkutunteina, lopputuloksena tämä äärimmäisen cool Outrun-estetiikkaa uhkuva kartta. Mannerlaattarajakartta toimii melko keskeisenä vertauspohjana maanjäristys-, tulivuori- ja tsunamiaineistokartoille.

Kuva 5. Yli 50 kilon meteoriitti-iskut.

Muiden blogeista löytyi paljon hyvää settiä hasardeista: Antti oli ottanut tarkasteluun eri tulivuorityyppejä ja intohimolla interpoloinut  maanjäristyksiä kuluneen 15 vuoden ajalta, Sirkulta löytyi visuaalisesti varsin miellyttävä maanjäristyskartta kuluneelta kuukaudelta, Julianalta löytyi hyvää hasardipohdintaa Japanin alueelta ja Annikalta ja Rasmukselta löytyi nättejä ja informatiivisia karttoja maanjäristyksistä vähän pidemmällä aikajanalla. Hyvää pöhinää ja oivia vertailupohjia luonnonhasardeille eri alue- ja aikaskaaloilla!

 

Edit: Hups anteeksi jos tulee kaikki blogiviittaukset kerralla, löysin viittausilmoituslistan vasta nyt lol

 

Blogiviittaukset:

Annika Innasen GIM-blogi: https://blogs.helsinki.fi/anninnan/ (Haettu 28.2.2021)

Antti Paakkarin GIM-blogi: https://blogs.helsinki.fi/anttipaa/ (Haettu 28.2.2021)

Juliana Häkkilän GIM-blogi: https://blogs.helsinki.fi/julihakk/ (Haettu 28.2.2021)

Rasmus Sohlmanin GIM-blogi: https://blogs.helsinki.fi/sohlrasm/ (Haettu 28.2.2021)

Sirkku Pieniniemen GIM-blogi: https://blogs.helsinki.fi/sipisi/ (Haettu 28.2.2021)

 

Lähteet:

ESRI: Animated Maps: 120 years of Earthquakes (4K) https://www.youtube.com/watch?app=desktop&v=Zy7eQQkUaJo (Haettu 25.2.2021)

Maanjäristykset, ennen 2012: Northern California Earthquake Data Center https://ncedc.org/ (Haettu 25.2.2021)

Maanjäristykset, jälkeen 2012: United States geological Survey https://earthquake.usgs.gov/ (Haettu 25.2.2021)

Meteoriitti-iskut: Nasa https://data.nasa.gov/Space-Science/Meteorite-Landings (Haettu 25.2.2021)

Natural Earth: https://www.naturalearthdata.com/ (Haettu 25.2.2021)

Tsunamit: National Centers for Environmental Information https://www.ngdc.noaa.gov/ (Haettu 25.2.2021)

 

Viides kurssikerta

Epävalidia geometriaa, minun uima-altaassaniko?

Moikkista moi kaikki, kevät tulee ja aurinko paistaa. Edes QGIS:in error-viestit eivät minun fiilistäni pilaa. Tässäpä quick fix kaikille viidennen kurssikerran uimas-allastehtävän kanssa kamppaileville:

Allekirjoittaneella, sekä huhujen mukaan muutamalla muullakin innokkaalla paikkatieteilijän alulla on itsenäistehtävä 4:ssa tullut vastaan pelättyä punaista error-viestiä vastaan kesken prosessin. Uima-altaalliset rakennukset tulisi yhdistää pienaluetasoon, mutta Join attributes by location (Summary) -prosessia juostaessa komentoikkuna tarjoaa seuraavanlaista virhettä:

Kuva 1. Error :–(

a_pks_pie-tasosta en nopealla silmäyksellä löytänyt mitään syytä miksi osalla kohteista on ”epävalidia geometriaa”. Tasosta löytyy kaksi epävalidin geometrian kohdetta, kohteet 51 ja 99, tietokannassa Tapulikaupunki ja Pakkala. Error-viesti estää koko prosessia juoksemasta loppuun, joten allekirjoittanut kiersi virheen seuraavasti:

Settings > Options > Processing > General > Invalid features filtering > Drop-down valikosta Skip Ignore features with invalid geometries

Tämän myötä prosessi pystyy juoksemaan, mutta skippaa kyseiset kaksi kohdetta, jotka jäävät kokonaan pois uudesta tasosta. Errorin ympäri pääsee varmasti muillakin tavoilla, ilman että joutuu skippaamaan kohteita kokonaan, mutta toistaiseksi allekirjoittaneelta ei löytynyt temppuja hoitaa prosessia vaihtoehtoisilla operaattoreilla tai tietotaitoa korjata kohteiden geometriaa luettavaksi.

Errorin klaaraamisen jälkeen, tehtävä sujui melkoisen näppärästi. Diagrammit löysivät paikkansa, pienalueille löytyi kivat visualisoinnit ja labelitkin sai näkyviin jossain määrin järkevästi pienen painin jälkeen. Lopputulos näyttää meitsillä seuraavanlaiselta:

Kuva 2. Pääkaupunkiseudun uima-allasrikkaimmat pienalueet, diagrammein ja lukuarvoin.

 

Tapulikaupungin ja Pakkalan data tosiaan puuttuu kartasta, mutta kummallakin pienalueella uima-altaallisia (asuin?)rakennuksia löytyi kaksi. Kokonaisuudessaan uima-altaallisia rakennuksia pk-seudulta löytyi 855 kappaletta, joista 345 on omakotitaloja, 158 paritaloja, 113 rivitaloja ja 181 kerrostaloja. Uima-altaallisissa rakennuksissa asuu yhteensä 12170 asukasta. Saunoja taasen on pk-seudulla 21922 rakennuksessa, 24,1 prosentissa kaikissa pk-seudun rakennuksissa.

Kartan lopputulos olisi ehkä kaivannut jotain hyvää ja yksinkertaistettua nimistöllistä taustakarttaa, mutta sellaista en ole vielä löytänyt. Open Street Map toimii mukavasti suurella mittakaavalla, mutta pk-seudun kuvaamiseen se käy liian sekavaksi. Pk-seudun uima-allaskuninkuuden vei Lauttasaari 53 uima-altaallisella rakennuksella, perintöprinsessojen tai -prinssien tittelien langetessa Länsi-Pakilalle ja Marjaniemelle. Nopean kartta-analyysin myötä on todettavissa, että rikkailla merenranta-alueilla asuva väestö rakennuttaa taloihinsa ennemmin uima-altaat, kuin pulahtavat ulko-ovesta mereen uimaan. Ja tämä ei ole edes pelkkää sanaleikkiä ja semantiikkaa, koska suhteessa moni uima-altaallisista rakennuksista sijaitsevat aivan merenrannalla.

 

Kokonaisuudessaan kurssi on osoittautunut allekirjoittaneelle yhdeksi suosikkikursseistani tähän asti. Syvempää reflektiota ja suurempaa summaamista kurssista, QGIS:istä ja blogin väsäilystä on tulossa viimeisessä blogipostauksessa, mutta tähän asti on todettavissa, että kurssin myötä QGIS:in käytöstä on tullut rutinoituneempaa ja ohjelmistoa ja sen logiikkaa tuntuu ymmärtävän paljon paremmin. Keskeiset prosessit, komennot ja operaattorit ovat käyneet tutuiksi ja varsin intuitiivisiksi käyttää, ja tarjoavat hyvät lähtökohdat osaamisen syventämiseen ja haastavampien paikkatieto-ongelmien ratkontaan. Vaikka kurssisisältö on ollutkin vasta pintaraapaisu QGIS:in ominaisuuksiin ja sen tarjoamiin mahdollisuuksiin paikkatiedon villeissä sfääreissä, on todettava, että toistaiseksi ei ole vielä tullut vastaan paikkatietoprobleemaa, jota alustalla ei pysty ratkaisemaan. Saatavilla olevien työkalujen määrä vaikuttaa vielä tällaiselle paikkatietovauvalle melkoisen massiiviselta, joten mahdollisuudetkin vaikuttavat rajattomilta. Ohjelmiston mahdollisuuksia on haastavaa arvioida näin aikaisessa vaiheessa, mutta ainakin haluan ehkä hieman naiivisti uskoa että mikäli data kuin data sisältää paikkatietoa, sitä voi QGIS:illä analysoida ja soveltaa. ArcGIS:in suuri ja ammattimainen varjo toki siintää jo uhkaavasti horisontissa, mutta siihen asti tulen nauttimaan täysin siemauksin kuherruskuukaudestani QGIS:in parissa.

 

Kiitos että piipahdit :–)

 

Tässä vielä vastaukset itsenäistehtäviin:

T1.1

Malmi 2km = 4840 pistettä, 57033 asukasta yhteensä.

Malmi 1km = 794 pistettä, 8763 asukasta yhteensä.

Helsinki-Vantaa 2km = 2322 pistettä, 11210 asukasta yhteensä.

Helsinki-Vantaa 65db = 0,15 prosenttia, yhteensä 17 asukasta.

Helsinki-Vantaa vähintään 55db melualueella = 1780 pistettä, yhteensä 11923 asukasta.

Tikkurila = 3808 pistettä, 26956 asukasta yhteensä.

T1.2

Kokonaisväestöstä 500 metrin säteellä asemista sijaitsi 5437 pistettä, yhteensä 112615 asukasta.

Kokonaisväestöstä 21,8 prosenttia asuu alle 500 metrin säteellä asemasta.

500 metrin säteellä asemista asuvien työikäisten osuus oli 66,9 prosenttia.

Alueen kokonaisväestöstä 96,1 prosenttia asuu taajamissa.

Kouluikäisiä (7-14 v.) taajamien ulkopuolella, neljä pistettä, yhteensä 676 koululaista.

Ulkokansalaisten osuus oli 10 prosenttia tai yli 58 taajama-alueella, 20 prosenttia tai yli 26 alueella ja 30 prosenttia tai yli 15 alueella.

 

Neljäs kurssikerta

Friendship ended with Vector – Now Raster is my new best friend

 

Geoinformatiikan Menetelmät -kurssin neljännellä kurssikerralla pohdimme geoinformatiikkaa. Pohdittaviin geoinformatiikka-asioihin sisältyi muun muassa seuraavia aiheita: Tiedon esittäminen rasteriaineistolla, pistemuotoiset aineistot, rasterioperaatiot QGIS:ssä sekä ruutukarttojen tekeminen.

Aineistoina rasteriaineistot ovat allekirjoittaneelle vektoreita hieman tuntemattomampia, mutta pienen tiistaipäivän rohkaisuryypyn myötä uskaltauduin tekemään lähempää tuttavuutta ruudullisen ystävämme kanssa. Kurssikerran harjoitus sujui hyvin, pääkaupunkiseudun ruotsinkieliset löysivät tiensä pisteaineistosta ruutuaineistoksi. Ensikohtaaminen olikin menestys: Yhteinen sävel rasterioperaattoreiden kanssa löytyi pienen alkutakeltelun jälkeen ja ylpeydellä voin todeta, että rasteriaineisto onkin uusi ja mielenkiintoinen GIS-kuoma. Yhteisissä puuhasteluissa on vain muistettava maltti – tovin jos toisenkin saa odottaa eri operaatioissa, etenkin jos on paljon tietoa sisäistettävänä.

Itsenäisten tehtävien parissa orastava ystävyys meinasi kuitenkin murentua heti alkuunsa, syynä Join attributes by location. Varsin yksinkertainen operaatio, joka oli toiminut jo kurssikerralla, helppo homma, ei toiminut, ei niin millään. Vika ei tietenkään ollut minussa, vaan itse rasteriaineistossa. Minä osaan kyllä viedä pistemuotoista dataa rasteriaineistoon, rasteriaineisto ei vaan osaa, toimi, bugaa ja on täysin käyttökelvoton aineistomuoto, jonka kanssa en aio enää ikinä olla tekemisissä. Tapeltuani QGIS:in kanssa tarpeeksi pitkään luin ohjeet ja onnistuin.

Haasteiden jälkeen yhteinen polku rasteriaineiston kanssa avautui aivan ennennäkemättömällä tavalla: Dataa tykitettiin ruudukoille ennennäkemättömällä tahdilla, enemmän dataa, pienempiä ruutuja, raskaampia operaatioita, pidempiä prosessointiaikoja! Yhteinen sävel oli jälleen löytynyt, ruudukot alkoivat tuntumaan jo tutuilta, oli todettavissa että rasteriaineistojen ja allekirjoittaneen geoinformatiikkapolut tulisivat vastaisuudessakin intersectaamaan.

Kurssimatskuista löytyi mielenkiintoista dataa, joista sai väkerrettyä kaikenmoisia väestökarttoja. Tässä pari poimintaa tekemistäni kartoista:

Kuva 1. Muunkielisten määrä pääkaupunkiseudulla 2,5 km² ruudukolla.

 

Kuvan 1. karttaan valikoin hieman pienemmän ruutukoon kuin harjoituksessa, 500 metriä kertaa 500 metriä. Operaatiot kävivät tällöin hieman raskaammiksi, mutta tietoa saa esitettyä tarkemmin. Kuvan 1. kartta havainnollistaa muunkielisten alueellista keskittymistä pääkaupunkiseudun alueella. Jossain on vaaleita ruutuja, jossain tummia, jossain tummat ruudut ovat vahvasti keskittyneet, jossain ei ole ruutuja laisinkaan. Ounastelin että joltakulta löytyisi blogistaan kartta pk-seudun väestöntiheydestä, jonka perusteella voisin vertailla muunkielisten keskittymiä kartalla verrattuna kokonaisväestöön, mutta toistaiseksi ei ole moista karttaa tullut vielä vastaan. Pitänee tehdä itse.

Kuva 2. Pääkaupunkiseudun kerrostaloasuntojen lukumäärä 2,5 km² kennoilla.

 

Kuvassa 2. taasen on havainnollistettu pääkaupunkiseudun kerrostaloasuntojen lukumäärä 2,5 km² kennoilla. Testimielessä vaihdoin ruudukot kuusikulmioihin ja visuaalinen lopputulos miellyttää kyllä vanhaa Civilization V -veteraania. Kennojen koko on sama kuin ruudukoilla, mutta muodon takia kartat eivät kuitenkaan luonnollisesti ole tarkasteltavissa aivan yksi yhteen. Kartat tarjoavat kuitenkin hyvää yleistävänlaatuista tietoa muunkielisten ja kerrostalojen sijoittumisesta pk-seudulla. Kartta-analyysin perusteella kerrostalojen ja muunkielisten alueellinen keskittyminen korreloi jossain määrin, joka on selitettävissä yleisen väestöntiheyden myötä. Huomattavia poikkeamia on kuitenkin havaittavissa: Esimerkiksi Lauttasaaressa ja muissa, tyypillisesti lähempänä Helsingin keskustaa sijaitsevilla asuinalueilla muunkielisten määrä on suhteellisen pienempi verrattuna kerrostaloasuntoihin. Itä-Helsingissä taasen on havaittavissa voimakkaampaa muunkielisten keskittymistä verrattuna kerrostalojen määrään. Karttoihin on lisätty myös liikenneviraston aineistoista junaradat havainnollistamaan sitä, miten väestö on paikka paikoin hyvin keskittynyttä radanvarteen. Metroreittiä en sattunut löytämään, mutta silläkin on varmasti jossain määrin samanlainen vaikutus.

Muunkielisten väestön karttoja löytyi kourallinen muistakin blogeista, esimerkiksi Antin, Martan, Julianan ja Villen blogeista löytyy samaa dataa hieman eri tavalla ja ruudukoilla havainnollistettuna. Martalla ja Tapiolla taasen löytyi kartat pk-seudun talojen rakennusvuosista, joita oli mielenkiintoista vertailla: Etenkin Itä-Helsingistä löytyy suhteessa nuorempaa talokantaa, joka taasen toimii hyvänä vertailupohjana omille kartoilleni. Mikäli haluaisi analysoida esimerkiksi muunkielisten sijoittumista kerrostaloasuntoihin muuhun väestöön nähden pääkaupunkiseudulla, tarvittaisiin ainakin väestöntiheyskarttaa ja ohelle vaikka aineistoa alueiden keskimääräisestä tulotasosta ja koulutuksesta. Kerrassaan kompleksisia yhteiskunnallisia ilmiöitä!

 

 

Lähteet:

Antti Paakkarin Blogi – Geoinformatiikan menetelmät 2021. (2021) https://blogs.helsinki.fi/anttipaa/ (Luettu 16.2.2021)

Martta Huttusen Blogi – Geoinformatiikan menetelmät 2021. (2021) https://blogs.helsinki.fi/humartta/ (Luettu 16.2.2021)

Juliana Häkkilän Blogi – Geoinformatiikan menetelmät 2021. (2021) https://blogs.helsinki.fi/julihakk/ (Luettu 16.2.2021)

Tapio Turpeisen Blogi – Geoinformatiikan menetelmät 2021. (2021) https://blogs.helsinki.fi/tapiotur/ (Luettu 16.2.2021)

Ville Väisäsen Blogi – Geoinformatiikan menetelmät 2021. (2021) https://blogs.helsinki.fi/villvais/ (Luettu 16.2.2021)

Kolmas kurssikerta

QGIS more like CoolGIS

Varoitus! Seuraava blogipostaus sisältää cooleja geoinformatiikkavinkkejä ja -kikkoja! Vain cooleille paikkatieteilijöille tai cooleiksi paikkatieteilijöiksi halajaville!

Ensimmäinen cool QGIS-vinkki on omistettu meille kaikille näyttöpäätteitä yöt läpeensä toljottaville: Haluatko nukkua päivät ja valvoa yöt? Haluatko digitoida yöllä pimeässä huoneessa niin kuin kaikki coolit paikkatieteilijät tekevät? Ei hätää! Voit päivittää QGIS:istäsi CoolGIS:in vaihtamalla tylsän, sarveiskalvoja kurittavan valkoisen käyttöliittymän cooliin tummaan yö-moodiin asetuksista!

Settings > General > Application ja UI Theme-valikosta Night Mapping.

Kuva 1. Welcome to Night Mapping City 😎

Toinen QGIS-protip on omistettu kaikille meille, jotka eivät ole käyneet Torkkelin kuvataidelukiota: Pienillä viilauksilla omista kartoista saa jo melko esteettisiä ja silmiä miellyttäviä. Ensimmäisen kurssikerran karttatuotokseni toiminee hyvänä esimerkkinä: Suomen kuntien muuttoliikettä tarkasteleva kartta on punavihersokean painajainen ja harvan muunkaan silmään lopputulema tuskin on erityisen miellyttävä. Mustan ja valkoisen kombon, täyden kontrastin ja räikeiden värivalintojen sijaan kartasta sen yleisestä ulkoasusta saa aikalailla ainakin omaan silmään miellyttävämmän viilaamalla värit hillitymmiksi, pelailemalla Opacity-sliderin kanssa ja vaihtamalla rajat, tekstit ja muut pikimustat kohteet harmaan sävyisiksi. Tätä havainnollistakoon allekirjoittaneen tulvaindeksikartta:

Kuva 2. Suomen valuma-alueiden järvisyys ja tulvaindeksi.

Kurssikerran kartta tuotettiin erinäisiä cooleja gis-velho-operaattoreita käyttäen, kuten tietokantoja liittelemällä, laskutoimintoja suorittamalla ja diagrammeja väsäillen. Diagrammit ilmeisimmin aiheuttivat eniten päänvaivaa kanssapaikkatieteilijöille sekä itselleni, ja pitkän painin jälkeen sain kammettua Järvisyysprosentin jonkunnäköiseen totuudenperäiseen ja luettavaan muotoon. Ihan ok, vaikka en saanutkaan väkerrettyä yhtä coolia piirakkadiagrammia kuin esimerkiksi Laurilla. Karttaa analysoidessa on todettavissa, että totta tosiaan tulvaindeksi on keskimääräistä korkeampi vähäjärvisillä rannikkoalueilla. Saattaisiko tulvaherkkyydellä ja järvisyydellä olla peräti jokin yhteys? Salaileeko Suomen Ympäristökeskus tätä salaista tietoa tarkoituksella? Tähän mysteeriin syvemmin pureutuvat Antti sekä Tapio, mainiota pohdintaa pojat!

Ja loppuun vielä pikainen vinkki coolien blogien tekemisestä: Perinteinen ja nykyaikainen ulkoasu blogilla on iha ok, mut ootko kattonu GIM kurssilta blogit Elena ja Lauri? Niissä esiintyy koko 2010-luvun taitteen blogi estetiikka eli myös pastelli värit ja clip art fanit saavat ihastella ja ihastuttaahan se tietty myös vaikka coolit fontit ja muut 😀 Kannattaa tsekkaa nopee 😀

Kiitti lukemisesta, moikka.

 

Lähteet:

Antti Paakkarin Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/anttipaa/ (luettu 10.2.2021).

Elena El Fountin Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/elfelena/ (luettu 10.2.2021).

Lauri Silvennoisen Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/laurisil/ (luettu 10.2.2021).

Tapio Turpeisen Blogi – Geoinformatiikan menetelmät 2021. (2021). https://blogs.helsinki.fi/tapiotur/ (luettu 10.2.2021).

Toinen kurssikerta

Toinen kurssikerta

Toisella kurssikerralla tutkittiin WFS-tasoja, harjoiteltiin mittaustyökalujen käyttöä ja lopuksi tarkasteltiin eri projektioiden tuomia pinta-alavääristymiä. WFS-tasojen lataaminen ja käyttö tuli tutuksi jo ensimmäisen kurssikerran harjoituksen yhteydessä ja uusien aineistojen löytäminen kävi kätevästi. Harjoituskerran materiaaleissa listatuilta aineistontarjoajilta löytyi varsin kattavia aineistoja. Valtaosaan aineistoista sai yhdistettyä ongelmitta, mutta muutamalla osoitteet taisivat olla vanhentuneet. Testiksi yritin avata Liikenneviraston Yömelu, maantiet ja kadut 2017-vektoriaineistoa, mutta se osoittautuikin melko massiiviseksi paketiksi ja parin minuutin latailun jälkeen kaatoi QGIS:in kokonaan. Rautateiden yömelu-aineisto osoittautui hieman pienemmäksi, ja tarjosi mielenkiintoista dataa silmäiltäviksi Zoomin ohella.

WFS-tasoihin perehtymisen jälkeen vertailtiin eri kuntatasojen mittakaavojen tarkkuuksia ja käytiin läpi QGIS:in valintatyökaluja ja luotiin uusia tasoja arvojen perusteella. Esimerkkinä kuntapohjasta valikoitiin esimerkiksi ruotsinkielisten osuuksia kokonaisväestöstä ja eriteltiin Pohjanmaan kunnista uusi karttataso.

Valintatyökalujen jälkeen tutkailtiin QGIS:in mittaustyökaluja: Harjoituksena listattiin ja vertailtiin kuntien pinta-aloja ja Suomen pituutta eri karttaprojektioilla ja kuinka ”cartesian” ja ”ellipsoidal”-vaihtoehdot vaikuttavat mittaustuloksiin. Tasolle levitetty Cartesian-vaihtoehto antoi Mercatorin projektiolla suurimmat vääristymät, Ellipsoidisen ollessa lähempänä todellisuutta pallon pinnalle levitettynä. Oheisessa taulukossa listattuna manner-Suomen pituus ja Savukosken pinta-ala eri projektioilla:

Harjoituskerran lopuksi tuotettiin itsenäisesti koropleettikarttoja, jotka havainnollistivat eri projektioiden tuomia pinta-alavääristymiä. Omaan vertailuun valikoin Mercatorin. Kuvaan 1. koostin neljän projektion pinta-alavääristymät verrattuna Mercatoriin. Etelä-Suomen vääristymä on huomattavasti pienempää, noin 2,5-4,5 kertaista riippuen projektiosta. Projektion tuomat Pohjois-Suomen kuntien pinta-alavääristymät taasen tulevat esille vahvemmin, vaihteluvälin ollessa Gallin stereografisen projektion 3,2 kertaisesta ortografisen projektion ollessa miltei yhdeksänkertainen.

Kuva 1. Pinta-alavääristymät eri projektioilla.

Ensimmäinen kurssikerta

Ensimmäinen kurssikerta.

Kolmas periodi pyörähti käyntiin tiukalla neljän tunnin GIS-tykityksellä. Ja mitä tykitystä se olikaan! Fuksiläppärin prosessori kellotti miljoonaa, kahvinkeitin pauhasi apupöydällä tauotta, koodinpätkät ja komennot vilisivät peräti kolmella näytöllä kuin vuoden 1999 menestyselokuva Matrixissa ikään. Minä olin Neo, Arttu Paarlahti Morpheus ja pahiksena pätkivät Zoom-yhteydet.

Kaiken kaikkiaan GIM1-kurssikokonaisuus vaikuttaa ensisilmäyksellä mielenkiintoiselta ja vähän pintaa syvemmälle suuntaavalta sukellukselta GIS-hommiin, jota ainakin allekirjoittanut on odottanut sormet syyhyten ja jännetupintulehdus hiirikäden ranteessa kolottaen. Uusi kurssi toiminee hyvänä ja loogisena jatkumona Temmiin. Kurssin toteuttaminen blogimuodossa on hauska ja luova idea!

Ensimmäinen kurssikerta toimi minulle lähinnä arvokkaana muistinvirkistyksenä QGIS:in käyttöliittymään, kun tuolla vihatulla ja rakastetulla paikkatieto-ohjelmistolla on tullut jo aikaisemmin nakuteltua analyyseja ilmoille, väsäiltyä karttoja ja muuta mukavaa. Tasoja saa pyöriteltyä samaan tapaan kuin ennenkin, sinapinkeltaisia perusvärejä saa joka kerta vekslata visuaalisesti miellyttävämmäksi ja kymmenistä työkalupalkeista ei edelleenkään löydä haluamaansa. Mitään suurenmoisia uusia valaistumisia en QGIS:in parissa tällä kertaa kokenut, Print Layoutin käytössä tuli kuitenkin opittua muutama uusi kikka, kuten taustan flippaaminen ja muutamat udet pikakomennot. Kurssikerran ohessa väsäiltiin kartta Itämeren typpipäästöjen osuudesta maittain, joka allekirjoittaneella näyttää seuraavanlaiselta:

Kuva 1. Itämeren typpipäästökartta.

Kurssikerran itsenäisenä tehtävänä oli tuottaa koropleettikartta. Ja minähän näppäränä paikkatieteilijän alkuna moisen tuotin. Suhteellisen kivuttoman pienryhmäsession jälkeen janosin elämääni suurta GIS-haastetta ja sen myötä valitsin itsenäisistä tehtävistä haastavimman. Tehtävänannossa tarjottu rajapinnan linkki löysi paikkansa uuden WFS-tason valikossa ja kuntakartaksi valikoitui vuoden 2020 mukainen Suomen kuntakartta, mittakaavassa 1:4500000. Temmissäkin tutuksi tulleen Tilastokeskuksen tietokannan syövereistä löytyi mielenkiintoista dataa Kuntien Avainluvut-datasetistä, ja omaksi valikoitui Kuntien välinen muuttovoitto/-tappio, henkilöä, 2019. Tilastokeskuksen palvelusta tietokannan sai ladattua näppärästi suoraan .CSV-tiedostona joka näemmä maistuu QGIS:ille paremmin kuin Excel-tiedosto. .CSV-tiedoston sai tuotua suhteellisen näppärästi Delimited Text Layerillä, kunhan viilasi asetukset, taulukon ja arvot kuntoon ja oikein luettaviksi sekä huomasi vaihtaa Encoding-valikosta ääkköset säilyttävän lukutavan, Äänekoski ja Ähtäri kun meinasi useamman kerran kadota bittiavaruuteen.  Muuttoliiketiedot sai liitettyä Joinseilla Kuntakarttaan.

Muuttoliikearvoissa on luonnollisesti negatiivisia ja positiivisia arvoja, joka tulisi huomioida kartan visualisoinnissa. Yksinkertaisin vaihtoehto lienee liukuva väriskaala, jossa punaiset sävyt edustavat muuttotappiota, vihreän sävyt muuttovoittoa ja nollan lähellä olevat arvot on merkittynä valkoisella. Positiiviset ja negatiiviset arvot ovat kukin luokiteltuna kuuteen luokkaan, luokka-arvojen ollessa suhteellisen tasaisia. Lopputulos näyttääpi seuraavanlaiselta:

Kuva 2. Suomen kuntien muuttoliike, 2019. Tilastokeskus.

Vuoden 2019 suurimmat muuttotappion kunnat olivat Kouvola 639 henkilön muuttotappiolla ja Mikkeli 610 henkilöllä. Toiseksi voimakkaimman muuttotappion luokkaan kuului 11 kuntaa, kuten Kotka ja Savonlinna. Voimakkainta muuttovoitto oli Vantaalla, vuonna 2019 muuttovoiton ollessa 3033 henkilöä. Espoolla muuttovoittoa oli 2535 henkilöä. Toiseksi korkeimman muuttovoittoluokan kuntia olivat Tampere, 1917 henkilöä ja Helsinki, 1726 henkilöä. Kolmanneksi korkeimman muuttovoiton kuntiin lukeutui seitsemän kuntaa, Kuten Turku, Jyväskylä, Kuopio ja Oulu. Vähäisen muuttoliikearvon kuntiin (-15-15 henkilöä) lukeutui peräti 73 kuntaa. Maarianhaminasta ei ollut saatavilla dataa vuodelta 2019, joten kartta esittää arvot 309 Suomen kunnalle. Kokonaisuudessaan vuonna 2019 muuttotappiokuntien lukumäärä oli 249 ja muuttovoittoisten kuntien 52.

Kartta havainnollistaa hyvin voimakasta muuttovirtaa paikallisiin kaupunkikeskuksiin ympäri Suomen. Muuttotappiokuntien määrä muuttovoittoisiin on miltei viisinkertainen, ja sitä havainnollistaa suhteessa suuremmat korkeammat muuttovoiton arvot (2500-3033 ihmistä) verrattuna korkeimpiin muuttotappion arvoihin (-640 – -550 ihmistä). Suurimmat muuttovoittoisten kuntien keskittymät sijaitsevat Etelä-Suomessa pääkaupunkiseudulla sekä Turun ja Tampereen kupeessa. Vetovoimaisimpien kaupunkikeskuksien ohella on kuitenkin huomioitavaa, että muuttovoittokunnat ovat silti melko hyvin jakautuneet alueellisesti koko Suomen alueelle. Suuremmat kaupungit luonnollisesti ovatkin alttiimpia voimakkaalle muuttoliikkeelle, jota havainnollistaa myös se että suuremmat muuttotappion kunnat, kuten Kouvola ja Mikkeli ovat myöskin paikallisesti merkittäviä maakuntakeskuksia.

Kokonaisuudessaan kartta havainnollistaa riittävän yksinkertaistetusti voimakkaat muuttoliikkeen alueita Suomessa ja välittää tiedon muuttovoiton ja muuttotappion välisestä valtakunnallisesta epätasapainosta. Kartta kertoo selkeästi sen mitä sen on määrä kertoa ja miellyttää ainakin tekijäänsä. Toivottavasti miellyttää sinuakin.

 

Lähteet:

Tilastokeskus. Kuntien avainluvut 2019.