Lopputyö

Varsinaisesta kurssista on jo kuukausia aikaa, mutta lopputyö on jäänyt tekemättä! Asia korjautuu nyt!

Lopputyön tavoitteena oli toteuttaa oma karttasarja jossa mallinnetaan samanaikaisesti useampaa muuttujaa. Lueskelin hieman kanssakurssilaisten blogeja saadakseni selkeämmän kuvan tehtävästä, ja se olikin erittäin hyvä idea. Kiitos erityisesti Annikan, Heidin ja Emilian blogipostauksille(linkit postauksen lopussa), joista oli mulle paljon hyötyä. Emilian blogista sain inspiraatiota käyttää YK:n kestävän kehityksen(Agenda 2030) tavotteisiin liittyvää dataa. Itseäni kiinnostaa ekologian opiskelijan erityisesti biodiversiteettiin liittyvä data. Monimuotoisuuden mallintaminen on aika monimutkainen, joskin erittäin mielenkiintoinen teema. Sivustolla oli jokainen Agenda 2030 tavoite omana osionaan, josta avautui erilaista teemaan liittyvää dataa. Valitsin tavoitteen 15, “life on land”. Ensimmäiseksi muuttujaksi karttasarjaan valikoitui uhanalaisuudesta kertova Red list-indeksiluku(RLI), joka kuvaa maiden lajiston elinvoimaisuutta/uhanalaisuutta arvoilla 1-0.


Kuva 1. Vuoden 2020 maakohtainen uhanalaisuusindeksi (IUCN ja UN World data forum, valtioiden rajat palvelusta Natural Earth data + kutoskerran tif.tiedosto)
Näköjään legendan alla oleva mittasuhde bugittaa jostain syystä!! KORJAA!

Kuvaa katsomalla saa maailman monimuotoisuustilanteesta jotenkin yllättävän hyvän kuvan, ainakin Euroopan ja Afrikan osalta. Heikoimmat arvot taas sijoittuvat Väli,-ja Etelä-Amerikkaan, Oseaniaan/Aasiaan. Tilanne vaatii kuitenkin kriittistä tarkastelua ja reaalimaailman tuntemusta. Esim. Saharan alueen hyvät arvot eivät sinänsä ole täysin suoraan verrannollisia Etelä-Amerikan huonompiin arvoihin sinänsä, sillä lähtötilanne monimuotoisuuden suhteen on sademetsien ja aavikon välillä on jo vertailumielessä haastava. Indeksiluku on tarkoitettu varmaan erityisesti maakohtaiseen vuotuiseen vertailuun ja uhanalaisuuskehityksen muutosten havainnointeihin ja lajistollisen köyhtymisen estämiseksi tehtävien toimien riittävyyden arviointiin niitä toteuttaville instituutioille. Indeksissä painottuvat tietyt taksonomiset ryhmät, jolloin tietyn maan lähtötilanne saattaa vääristää alueen vertailtavuutta. Monimuotoisuus on kompleksinen teema, jonka yksinkertainen, helposti kommunikoitavissa oleva mallinnus ja esittäminen ei ole helppoa, vaikkakin tärkeää.

Kuvassa 1.  näkyvän kartan toteutus…
oli jonkin verran haastavaa, sillä muutaman kuukauden qgis tauko oli tehnyt tehtäviään. Toisaalta, on hyvä että täten tuli kerrattua kaikkea kurssilla opittua, ja kaikki ei toivottavasti niin helpolla nyt sitten painu unholaan… YK:n datasivustolta oli todella helppoa oikean napin löydyttyä ladata csv.tiedosto RLI:stä. Taustakartan toteutus sujui myös ihan leppoisasti. RLI tietoja ei kauheammin tarvinnut excelissä muokkaillakaan. Ainoa esiin noussut ongelma liittyi siihen että tiedot oli numeerisen sijasta aakkostyypin kategoriassa, joka vaikeutti kartan toteutusta. Field calculator toiminnolla sen muuntaminen onnistui aikalaisen helposti, tosin googlen avustuksella. Join toiminnolla pystyi valitsemaan tosi helposti, mitkä sarakkeet csv.tiedostosta tuotaisiin, ja mikä on yhdistävä tekijä tiedostoissa. Eli työvaiheet olivat: Taustakartan teko, csv.tiedoston lataus, tiedostojen yhdistys, ja koropleettimaisen kartan teko.

Seuraavaksi tuli miettiä mikä olisi toinen mielenkiintoinen ja sopiva muuttuja

 

Lähteet/Viitteet:

Annikan blogipostaus: https://blogs.helsinki.fi/anninnan/2021/03/03/harjoitus-7-karttoja-omavalintaisista-aineistoista/
Heidin blogipostaus: https://blogs.helsinki.fi/hesy/2021/03/27/viimeinen-kurssikerta/
Emilian blogipostaus: https://blogs.helsinki.fi/emhalmes/2021/03/31/harjoitus-7-viimeinen-kurssikerta-ja-lopputyo/
UN World data: https://www.sdg.org/#catalog
Natural Earth data: https://www.naturalearthdata.com/downloads/50m-cultural-vectors/

Kuudes kerta

Tällä kertaa harjoiteltiin mm. oman aineiston tallennusta EPICOLLECT Sovelluksen avulla. Aiheena oli turvallisuuden/turvattomuuden kokemus. Epicollect on kiva sovellus ja oon kiitollinen että meidät tutustutettiin siihen, sillä kaikki proaktiiviset oppimismenetelmät joissa joutuu itse ajattelemaan ja prosessoimaan tiedonkäsittelyn eri vaiheita, kiinnostavat mua paljon.

Itsenäisessä tehtävässä meillä oli maailmankartta taustakarttana, ja tarkastelimme erilaisten geologisten prosessien pistemäistä ilmenemistä.
Ekana tarkastellussa olivat maanjäristykset:

Kuva 1. Yli kahdeksan richter-asteikon ylittävät maanjäristykset vuosina 1980-2012. Lähde: https://ncedc.org/anss/catalog-search.html

Tää tehtävä vei multa yllättävän paljon aikaa, sillä ei ollut ihan tuoreessa muistossa kuinka dataa pyöritellään excelin ja qgissin välillä. Hakkasin päätä tovin läppäriin, kunnes löysin datan tuonti-ikkunasta kohdan: custom delimiter, joka jäsensi sarakkeet siten että pystyin valitsemaan koordinaateille oikeat saraketiedot, Huh! Tätä ennen data piti myöskin muuntaa sarakkeelliseksi, sekä myös muunnella pisteet pilkuiksi. Toiminnot löytyivät excelin “aloitus” ja “tiedot”-välilehdiltä!

Maanjäristysten ohella pistemäistä dataa löytyy myös mm. tulivuoren purkauksista, sekä meteoriittien putoamiskohdista. Halusin ehdottomasti tarkastella tulivuorten toiminnan aktiivisuutta ja sen tilallista ja ajallista sijoittumista suhteessa kuvan 1. pisteisiin.

Haasteena tän päivän kerralla oli osata muuntaa epäselvää dataa paikkadataksi. Tulivuorisivuston tiedot tallentuivat tsv.tiedossa, ja se avautui wordpadiin josta se pastettiin exceliin. Loppu sujui ihan mallikkaasti.

Kuva 2. Edellisen lisänä näkyvät tässä myös holoseeniajan tunnetut tulivuoret.

Kuvasta nähdään selkeä yhdenmukainen sijoittuminen. Kaikki 80-luvun jälkeen mitatut erittäin voimalliset maanjäristykset(harmaat pisteet) sijoittuvat alueille joilla on myös paljon tulivuoria. Tätä karttaa voidaan käyttää mielenkiintoista globaalin tulivuoritoiminnan ja maanjäristysten yhteyttä avaavana työkaluna. Muista blogeista, kuten Emilia Halmeelta, luin esimerkkejä siitä, että kuvan 2. yhteyteen olisi ollut mielenkiintoista piirtää litosfäärilaattojen reunakohtia, joka olisi havainnollistanut myös tulivuorten sijaintiin liittyviä teemoja.

Kolmantena karttana laajensin aikaperspektiiviä tulivuorten suhteen.

Kuva 3. Yhdistelmäkartta tarkastelluista tiedoista

Viimeisen kartan legenda näköjään bugasi vähän, ja jostain syystä selitettä ei tullut layout ikkunaan noille ympäriinsä karttaa harhaileville pikkupisteille, jotka siis esittävät kaikkia ihmiskunnan tietämiä tulivuoria joiden olemassaolo on tunnettu ja niiden tiedetään joskus purkautuneen. Punaisena tähtenä olevat tulivuoret ovat räjähtäneet holoseenikaudella, eli viimeisimmän ~12 000 vuoden aikana. Tämän kaltainen tiedonhaku olisi mielestäni jopa oppilaiden kanssa toteutettavissa. Tiedon visualisointi selkeyttää oppimista, ja yksi luokka saisi todella paljon tietoa haettua jo yhden tunnin aikana. Biologian ja maantiedon ohella hasardikarttojen teko sopisi hyvin monialaisten oppimiskokeiluiden sisällöksi, sillä kartoista voisi tehdä jopa kuvistyöt, runot, yms, liittää historiaan ja kieliin tms.

Lähteet:
Emilian kurssiblogi:
https://blogs.helsinki.fi/emhalmes/
NCEI Volcano Location Database. NOAA National Centers for Environmental Information.:
https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search
ja
https://ncedc.org/anss/catalog-search.html

 

Det kommer lite för sen

Jag har känt väldigt mycket under de senaste dagar.
Jag kommer inte att bli färdig med uppgifter i dag.
Ursäkta mig, jag är ledsen.
Jag läser om brinnande världen och skriker hjälp.

Och här sitter jag, skrivar till mig själv med blödande ögonen.
Jag ska göra bättre i morgon. Jag försöker att bli färdig så snart som möjligt, senast 4.4…

Är inte allt alltid bättre i morgon och på morgonen?
Det är påsk och jesus vaknar snart.

Viides kerta

Tällä kerralla olikin oikein tymäkkä pieni luento aiheesta vyöhykkeiden piirtämiseen liittyen. Vyöhykkeiden avulla voidaan rajata tarkastelua siten, että esim. havaintojoukkoa tarkastellaan tietyn alueen sisällä. Piste ja sen päällekkäinen polygoni, kuten(siisesim) ympyrä. Näin voitaisiin vaikka tutkailla tiettyjen eliöiden esiintymistä lähteikköjen ympärillä ja ehkä tutkia sen suhdetta alueen monimuotoisuudelle tms…Tässä harjoituksessa vertailimme mm. tietyn alueen muuttujan arvoja suhteessa kokonaistilanteeseen.
Aiheen parissa harjoiteltiin paljon, ja tärkeitä työkaluja/toimintoja siihen olivat buffer työkalu ja select by location, ja select+extract by attribute. Statistics paneeli tuli tutummaksi ja se on kyllä käytännöllinen kun voi lukea tärkeimpiä tunnuslukuja tarkasteltaviin kohteisiin liittyen.


Kuva 1. Tarkastelussa koulua ympäröivä vyöhyke ja sen ulkopuoliset asukkaat.

Itsenäisten harjoitusten teemat liittyivät kuvassa 1. nähtävän esimerkin kaltaisen vyöhyketarkastelun harjoittamiseen. Muita tarkastelussa käytettyjä työkaluja olivat mm. join attribute by location, jolla saatiin valittua tiettyjä arvoja tietyltä tasolta, sekä samalla jo valittua niille suoritettavat laskutoimitukset. Myös väliaikaisia scratch layereitä tuli tehtyä. Ominaisuustietotaulukkoon laskeskeltiin eri layereistä tietoja ja muokkailtiin muutoinkin.

Tämä kerta oli vähän hurja, sillä aikaa kului todella paljon. En osallistunut perjantain ryhmätunnille, mikä oli suuri moka, sillä se olisi helpottanut esteitä ja nopeuttanut niiden ymmärtämistä. Nyt piti tehdä sama virhe miljoonaan kertaan ja qGISkin päätti heittää lisäkierroksia tuskaisuuteen alkamalla temppuilemaan ensimmäistä kertaa koko kurssin aikana. Kiukettelin takas enkä tullut koneelle kuukauteen.
Jälkikätteen mietittynä temppuilua olisi varmaan vähentänyt datan muokkaus niin, ettei valtava lasti olisi kokoajan kulkenut mukana… Voisimpa tehdä näin elämässäkin, ehkä qGissillä onkin sielun opetuksia?

Tuntuu että tämän kerran tehtäviä varten olisi pitänyt varata todella paljon aikaa käydä syvällisesti jo kaikki “opittu” läpi, eli siis opetella kaikki aikaisempien kurssikertojen asiat. Itselleni kävi usein näitä tehdessä niin, että tiesi mitä pitää tehdä, eli ymmärsi halutun jutun, mutta sen etsiminen oli tosi haastavaa, päädyin myös tekemään manuaalisesti laskimella jutut, kun en muistanut miten ohjelman field calculatoria käytetään… Raastavaa, haastavaa ja palkitsevaa.

Paineita lisää se, että tietää paikkatietoohjelman käytön tärkeyden ja arvon työelämälle, ja ärsyttää jos ei opi tätä. Toisaalta, ehkä se on liian suuri vaatimus, ja tärkeämpää on erkaantua hyvissä väleissä kunnioituksella, jos siten helpottuisi kohtaaminen ja lisäharjoitusten tekeminen tulevaisuudessa. Sitä siis aikalailla tarvitaan vielä tälle päälle 😀


Kuva 2. Helsinki-Vantaan lentokenttä, sekä melualue 50-65dB. (lähde?)

Itsenäisissä harjoituksissa tarkasteltiin erilaisia kohteita, etäisyyksiä ja niiden asukkaita. Päivien tohinassa sain aikaiseksi taulukon(Näkyy tosin harrrrmillisen pienenä..), hyvä minä ja muut, kiitos!

Taulukko 1. Itsenäisten harjoitusten tuloksia

Taulukossa 1. On tarkasteltu mm. Vantaan asukkaiden lukumäärä erilaisilla etäisyyksillä julkisen asemiin, Malmin, sekä Helsinki-Vantaan lentokenttään. Lisäksi on tehty db-datasta erilaisen intensiteetin vyöhykkeet ja voidaan todeta että aikamoisen moni, eli 10 000 tyyppiä asuu 55db vyöhykkeellä. Onkohan 55db kova meno? Ei kuulemma.(asiantuntija: syntymäpäiväsankari) Vantaan taajamissa todettakoot asuvat suurin osa kaikista kouluikäisistä.

Haastavaa työssä oli se, että tein sen miljoonassa eri osassa kuukauden aikana. Toisaalta, tulipahan nyt ainakin kerrattua.

Arvot vastaavat mielestäni kutakuinkin muiden blogeista vilkuilemiani arvoja
esim 1. (https://saarinengeoinformatiikka.blogspot.com/2021/02/5-kurssikerta.htm)
ja
esim2. ( https://blogs.helsinki.fi/jeretoro/2021/02/24/geoinformatiikan-menetelmat-5-kurssikerta-opittujen-asioiden-hyodyntamista/)
Tosin esim. Tikkurilan melumäärä vaihtelee meillä melkoisesti.

Muissa kohdissa arvot oli ihan OK samankaltaisia. Viimeisen putkiremppaosan karttatehtävää en laskenut kun qGIS päätti mennä nukkumaan…Vähän jopa harmitti! Koropleettikarttoja on kuitenkin tehty jo kurssin alkupuolella niin ehkä selviän tästä pettymyksestä.

 

 

Neljäs viikko: Pisteaineiston käyttö ruudukossa, sekä rasteriaineiston tutkailua

  1. Draw on canvas grid: 500 x 500 m.
  2. tuotiin väkitiedot(2015,lähde?)
  3. leikataan tyhjät ruudukot pois
  4. uusi layer tallennetaan
  5. silmäile: mitä tietoja haluat tutkailla: muunkieliset
  6. monilaskentatyökalun kimppuun ^^
  7. visualisoi tulokset! Esim. koropleettinä


Kuva 1. Ruutuaineisto (500 x 500m) johon merkattuna muunkielisten ja suomenkielisten asujien määrät ja sijoittuminen pk-seudulla (2015, lähde?)

Kartalta(kuva 1.) nähdään, että suurin osa muunkielisistä asukkaista painottuu pääkaupunkiseudulla itään, sekä koilliseen ja kaakkoon. Lounaassakin on muutama keskittymä, jotka sijoittuvat Otaniemeen, Matinkylään sekä Espoon keskukseen. Yksittäinen ruutu on puoli neliökilometriä, jolle mahtuu paljon kerrostaloja, mutta toisaalta vähän pientaloasutusta. Jos ruudukon koko ja ruudut olisivat isompia, kenties muunkielisten asukkaiden jakauma ei olisi niin selkeä, tai painottuisi pienempien luokkien osalta eri tavoin. Jakauma on ymmärrettävä, sillä esim. Pohjois-Espoossa ei ole hirveästi asuntoja, ja kulkuyhteydet ovat kelle tahansa asujalle haastavammat verrattuna metron tai junan liikennevarsille keskittyvään asutukseen. Ilman vertailua muihin asukkaisiin kartta saattaa vääristää katsojan ymmärrystä, sillä todennäköisesti tiiviin asutuksen keskittymät ovat tiiviitä minkä tahansa muuttujan läpi tarkasteltaessa. Sinänsä tältä kartalta ei voi puhtaasti päätellä mitään, vaan se voi johtaa jatkokysymyksiin ja tarkasteluihin. Kartan tekoon on käytetty absoluuttisia arvoja, ja esim. muunkielisten osuus(indeksiluku) suomenkielisistä olisi kenties parempi tarkastelukeino. Absoluuttisia arvoja ei perinteisesti tule kartografiassa käyttää, mutta nyt kun alue on jaettu identtisen kokoisiin osiin, voidaan se tehdä, jolloin vertailun voi siltä osin olettaa olevan uskottavaa. Alue itsessään on toki reaalimaailmassa hyvin monimuotoinen.

Tein nyt suomenkielisten keskittymisestä(miehet+naiset, poisluettuna ruotsinkieliset) toisen kartan katsoakseni miten suomenkieliset keskittyvät kartalle. Jos samat kohdat ovat tummana, voidaan päätellä, että kyseessä on kenties vain tiiviin asutuksen alueet, joille luonnollisestikin keskittyy enemmän asukkaita. Sijoitin kartat vierekkäin, joten asiaa helppoa tarkastella. Kartan visualisoinnissa oli haasteita, sillä ei ollut hiirtä enkä saanut suurennettua tuotavia karttoja layout ikkunassa. Sijoitin ne nyt kuitenkin mahdollisimman isoiksi, jotta arvoisan lukijan ei tarvitsisi niin hirmuna siristellä. Hypoteesini on väärässä, sillä suomenkielisten suurin asukastiheys on kantakaupungin alueella. Toisaalta, en tiedä kuinka vertailukelpoista tämä on, sillä muunkielisten osuus on niin paljon pienempi, ja yhäkin johtopäätösten vetäminen epäilyttää. Toisaalta on ymmärrettävää että keskustan alueelle keskittyy hyvätuloisia suomalaisia, eikä ehkä pakolaistaustaisia, kotoutumisen ja traumojen kanssa työskenteleviä muunkielisiä. Kartoilta nähdään samankaltaisuutena kuitenkin asumisen spatiaalinen keskittyminen koillinen-lounas-akselilla.

Koropleettikartat joita tähän mennessä olemme tehneet ovat olleet erilaisia, sillä niissä on ollut poikkeavan kokoisia alueita, kuten kuntarajat tai valuma-alueet. Tarkastelu on ruutuaineiston kanssa tarkempaa, ja itse piirtäessä sen saa täysin määritellä ainakin tässä aineistossa, sillä ilmeisesti väestöpisteet ovat talon tarkkuudella!

 

PORNAISIIN
Toisena tehtävänä tällä kerralla tehtiin rasteriaineistoon pohjautuva juttu. Tarkoituksena oli vertailla Maanmittauslaitoksen(2010, 1:20 000) peruskarttalehden korkeuskäyriä toiseen aineistoon. Toinen aineisto näytti aluksi tältä:

Sen pohjalta luotiin ensin rinnevarjostuskartta, jonka pohjalta piirrettiin korkeuskäyrät 5 metrin välein, kuten ne tyypillisesti myös mml:n peruskarttalehtiin piirretään.

Laitoin seuraavaksi ylläolevan korkeuskäyrätason mml:n korkeuskäyrän päälle, ja kuten allaolevista kuvista voidaan huomata, niissä on samankaltaisesta mittasuhteesta huolimatta jotain eroja. Tämä johtuu siitä että malli on niin kovin tarkka ja kykenee havaitsemaan pienetkin pinnan kohoumat ja painanteet. Kuvan piirrossa on käytetty 5 m välejä, joten kaikki siihen skanniin osuvat kohteet tallentuvat ja tämä on hyvä esimerkki siitä että myös maastohavaintoja on hyvä olla laskennallisen datan lisäksi.

 

Kolmannen viikon oppimisprosessi

Tämän viikon luentotehtävän aineisto oli Afrikkaa käsittelevä. Harjoitusaineistossa oli analyysiä heikentäviä tekijöitä, kuten se, että saaret oli tilastoitu omiksi riveikseen taulukkoon. Tehtävänä oli yhdistää aineistoa siten, että se paremmin mahdollistaisi myös lisätiedon liittämisen siihen. Aineiston järjestämiseen(yhdistämiseen) esiteltiin kolme erilaista toimintoa.
1)Kohteiden yhdistäminen karttakohteitä muokkaamalla(työläs jos suuri aineisto)
2)Kohteiden yhdistäminen kerralla saraketietojen pohjalta(saattaa pudottaa jo laskettuja tietoja)
3)Kohteiden yhdistäminen Aggregate toiminnon avulla

Lisäksi harjoittelimme excelin ja qGis:sin yhteiskäyttöä, joka mahdollistuu tallentamalla excelin aineisto tyyppinä .csv.

Toimme lisätietokannat liittyen timanttikaivoksiin, öljynporausalueisiin, sekä konflikteihin ja yksilöllisiin(ei samana vuonna tapahtuviin) konflikteihin. Tein niiden sijoittumisesta myös kartan


Kuva 1. Afrikan valtiot ja niissä esiintyvät timanttikaivokset, öljynporausalueet sekä konfliktit vuosina: ? (lähde:?)

Tulokseksi saatiin myös taulukko, josta voidaan tarkastella öljynporauksen, timanttikaivosten ja konfliktien mahdollisia yhteyksiä. Hypoteesina voisi olla, että konfliktit lisääntyvät kun valtion alueella on paljon luonnovaroja. Lisätiedot ovat kuitenkin tarpeen moisen päättelyssä. Jos tietokannoissa on tieto konfliktin tapahtumavuodesta ja timanttikaivoksen löytämis,-ja kaivausten aloitusvuodesta, voitaisiin päätellä tai testata sitä, mihin aikajanaan kaivoksen elinkaaressa konfliktit sijoittuvat. Sama pätee öljynporausalueisiin. Kenties luonnonvaran löytyminen ei vielä aloita konfliktia, vaan se sijoittuu pelkästään aloitettujen kaivosten/porausalueiden toimintaan. Tai kenties konfliktit tulevat löytämisen jälkeen ja rauhoittuvat kun poraus alkaa. Tuottavuusluokittelu vaikuttaa myöskin konfliktien todennäköisyyteen, sekä kenties myös konfliktien laajuuteen(säde kilometreinä). Suojellaanko niitä todella hyvin, joka a)ehkäisee konfliktia tai b)provosoi konfliktin syntyä ja kilpailua luonnonvaroista. En ole perehtynyt aiheeseen, ja itselleni onkin mysteeri, ketkä konfliktit aloittavat. Ovatko ne saman maan kansalaiset, poliittiset tahot, kansainväliset tahot vai ketkä siellä konfliktin luovat? Tätä voisin selvittää tähän postaukseen hieman myöhemmin. Mielenkiintoisen lisän analyysiin tuo internetkäyttäjien lukumäärä eri vuosina. Kenties suuri määrä internetin käyttäjiä liittyy siihen, että alueella on paljon luonnonvaroja? Jos on tiedossa se, miten internetkäyttäjien lukumäärä kulkee eri vuosina, voitaisiin tutkailla sen yhteyttä konfliktivuosiin, tai siihen, onko olemassa jotain yleisiä Afrikan laajuisia trendejä esim. siitä, minkälainen luonnonvarojen taso on edellytyksenä internetin käytön yleistymiseen tms. Paljon voisi analysoida!

Toisena tehtävänä viikolla kolme tarkasteltiin Suomen valuma-alueita, niiden järvisyyttä, sekä tulvaherkkyyttä.

Tulvaindeksi, toisin sanoen virtaamavaihtelujen indeksi, laskettin taulukoiden tietoja laskemalla, siis jakamalla tulvahuippujen keskiarvo, kuivien kausien alimpien arvojen keskiarvolla. Tulvaindekseistä laadittiin koropleettikartta, johon myös lisättiin järvisyysprosentti histogrammina.


Kuva 2. Suomen valuma-alueet ja niiden tulvaindeksit, sekä järvisyys. (lähde?)

Kuvasta huomataan, että tulvaindeksi vaikuttaa suurelta alueilla joilla järvisyys on pientä, which kinda makes sense :).

Ulottuvuuksia

Karttaprojektiot ja koordinaatistojärjestelmät ovat maantieteen ytimessä. Niiden avulla muovaamme kolmiulotteista todellisuutta kaksiulotteiseksi, jotta sitä voidaan esittää visuaalisesti tasolla, sekä paikantaa kohteita. Karttaprojektioihin sisältyy aina virheitä, ja eri projektiossa on aina jonkinlainen vahvuus ja heikkous. Projektiot voivat tuottaa laadukasta dataa joko oikeista etäisyyksistä, pinta-aloista, tai muodosta. Jonkun ominaisuuden priorisoiminen tuottaa virheitä muissa tekijöissä. Mercator on yleinen lieriöprojektio, jota käytetään merenkulussa, sillä se ilmaisee ilmansuuntien väliset kulmat oikein. Muita mahdollisia projektioita ovat kartio,-ja tasoprojektiot. Sijainnin määrittämiseksi tarvitaan projektion lisäksi myös koordinaatit, jotka ovat riippuvaisia käytetystä koordinaattijärjestelmästä. Koordinaattijärjestelmiä on hyvin monia riippuen siitä, mille alueelle niiden käyttö on suunniteltu. UTM on esimerkki maailmanlaajuisesta koordinaattijärjestelmästä, jossa maapallo on ensin projektoitu tasolle, ja luotu koordinaatistojärjestelmä joka kattaa koko maapallon. Se on tehty jakamalla maapallo 60 vyöhykkeeseen, joilla kaikilla on omat tarkkaan tunnetut koordinaattipisteet, joista voidaan laskea muiden paikkojen koordinaatit. GIS:sissä voi valita vaihtelevia projektioita ja koordinaattijärjestelmiä. Ne vaikuttavat etäisyyksien ja pinta-alojen laskuihin. Tällä kurssikerralla teimme vertailua eri koordinaattijärjestelmien kesken. Lisäksi GIS:sissä voi valita cartesialaisen tai ellipsoidisen tarkastelutason(2D vs. 3D) jotka myöskin tuottavat erilaisia tuloksia mitattaessa esim. kohteen pituutta. Jotkin koordinaattijärjestelmät kattavat tietyn pienen mittakaavan alueen, ja jotkut koko maapallon.

Kuva 1. Vertailussa TM-35 ja Robinson, sekä Google Mercator. Lähde: Tilastokeskus

Kuvassa 1 on pohjakarttana vuoden 2020 kuntarajat. Se on kytketty Suomessa yleisesti käytettyyn ETRS89-TM35FIN koordinaatistoon. Sitä käyttäen laskettiin jokaisen kunnan pinta-alat. Tämän jälkeen muutimme koordinaattijärjestelmää ja tarkastelimme kuntien pinta-alojen muutoksia. Kuvan 1 koropleettikartta ilmentää siis eri koordinaattijärjestelmien eroja laskettavalle kunnan pinta-alalle. Kuvasta huomataan, että Robinson vääristää alueiden pinta-aloja huomattavasti vähemmän kuin Google Mercator. TM-35 käyttää projektiona poikittaista lieriöprojektiota(Gauss-Kruugerin projektio), ja Google Mercator taas horisontaalista lieriöprojektiota. Suomi sijoittuu lähelle napa-alueita, ja tästä johtuen Google Mercator tuottaa suuret virheet(jopa 7-kertaiset virheet) erityisesti Pohjois-Suomessa sijaitsevien kuntien pinta-aloille. Robinsonin projektio on kompromissi oikeapintaisesta,- ja kulmaisesta projektiosta, joten sen virheet ovat pienempiä(n. 1,5-kertaiset virheet), vaikkakin ne noudattavat samankaltaista vääristymää kohti napa-alueita mentäessä. Koropleettikartan avulla virheitä on helppo tarkastella, vaikkakin radikaalit värierot tuottavat ehkä hieman suurennellun kuvan erityisesti vertailtaessa TM-35 ja Robinsonia.

Pinta-alojen vääristyminen on tyypillinen virhe projektiossa ja koordinaattijärjestelmissä, ja se saattaa pahimmillaan heijastua laajemmaksi virheeksi, jos kartalla esitettävä tieto/muuttuja on suhteutettu pinta-alaan. Tyypillinen esimerkki tällaisesta tiedosta on esim. väentiheys.

Geometristen työkalujen sekä koordinaattijärjestelmiin liittyvien erojen lisäksi harjoittelimme toisella viikolla tietokantaliitosten tekoa tuomalla gissiin ulkopuolista tietoa.
TIETOKANTALIITOS?!?!?

1st. round Inka feat. qGIS ja koropleettikartta?!

Kurssi alkoi osaltani kuutisen päivää sitten. Ensimmäisen luennon teemat perehdyttivät meitä opiskelijoita paikkatiedon perusteisiin. Paikkatieto on yksinkertaisimmin sanottuna paikkaan sidottua tietoa. Tarkemmin selitettynä, sen voidaan sanoa koostuvan sijaintitiedosta, sekä ominaisuustiedosta. Sijaintitieto ilmoittaa kohteen tarkan sijainnin(koordinaatit), sekä kohteen geometriset tiedot. Geometriset tiedot voivat olla yksittäisiä pisteitä tai pistejonoja, joista sitten muodostuu joko viivoja tai polynomeja. Geometriset tiedot ovat kohteita, joita voimme visuaalisesti tarkastella ja muokata kartalla, kuten tiet, järvet, mittauskohdat, kunnat tms. Ominaisuustiedot taas ovat kuvailevaa tietoa, joka voi mm. yksilöidä, kuvailla, ajastaa tarkasteltavaa kohdetta/ilmiötä/tietokokonaisuutta. Ensimmäisellä luennolla, tutustuimme teorian ohella kurssilla käytettävään työkaluun, eli qGIS ohjelmaan. Sen avulla meidän tulisi oppia paikkatieto-ohjelman perusteet ja tutustua aineiston eksplorointiin, analyysiin, sekä näiden visualisointiin karttojen avulla. Ensimmäisellä luentokerralla tuotimme opettajan johdatuksella seuraavan kartan:

kuva 1. Typpipäästöt maittain. Aineiston vuotta tai alkuperäistä lähdettä ei mainittu.

Kuvan 1 muokkaaminen piti sisällään lähinnä aineiston visualisointiin liittyviä työvaiheita, mutta tutustuimme myös laskentatyökaluun. Sitä piti käyttää, kun määritimme typen suhteelliset osuudet maittain. Kartografiassa arvot tulee aina esittää suhteellisina, joten pelkät absoluuttiset typpipäästöjen arvot eivät olleet käyttökelpoisia. Tämä oli helppo laskea ominaisuustietotaulukon laskuosassa. Ohjelma ei projektityövaiheessa tuota ns. valmista visuaalista aineistoa, vaan se tuotetaan erillisessä layout ikkunassa, jossa tuotettuun aineistoon liitetään perinteiset karttaelementit, kuten pohjoisnuoli sekä mittakaava.
Kartan tekeminen sisälsi useita vaiheita, jotka tuntuivat aluksi haastavilta. Uuden oppiminen vaatii aina vähän pään seinään hakkaamista, ja itselleni on kehittynyt useita sijaistoimintoja välttämään tästä aiheutuvaa tuskaa. Nyt olen kuitenkin päättänyt kärvistellä niiden läpi luovuttamatta osaamattomuudesta kumpuavan ahdistuksen edessä. Itselleni tällainen ohjelmistoympäristö on todella uusi toiminta,- ja oppimisympäristönä, mutta ekojen harkkojen myötä se on tullut jo paljon tutummaksi.
Toisen harjoituksen pohja-aineistona käytettiin kuntadataa vuodelta 2015. Aineisto sisälsi hyvin laajan ominaisuustietotaulukon, josta valitsin visualisointia varten yhden. Aiheeksi valikoitui työttömyys, sillä se on valmiiksi ilmaistu prosentteina jolloin erillistä laskutoimenpidettä ei tarvittu. Layer properties à symbology-graduated- ikkunasta löytyy monia erilaisia jakaumia ja luokkavälejä käytettäväksi tulosten visualisoinnissa. Ise käytin luonnollisia luokkavälejä, jotka jaettiin neljään luokkaan. Työ sujui hyvin, ja siitä suuri kiitos tallennetulle luennolle.


Kuva 2. Vuoden 2015 kuntadatan pohjalta tehty kartta kuntien työttömyydestä.

Karttaa katsoessa huomaa sen, että punaisen sävyt ovat hipun verran liian lähellä toisiaan, ja tästä johtuen luokkien väliset erot eivät ole niin ilmeisiä. Keskiarvoja saavat luokat eli 7,2 – 14,8 on jaettu kahteen luokkaan vaikka niiden luokkaväli on näin tehtynä todella pieni verrattaessa muihin luokkiin. Histogrammia tarkasteltaessa huomasin, että jakauma on pitkälti luonnollisen jakauman mukainen, ja se on todennäköisesti syynä keskiarvoluokkien jakamiselle kahteen ryhmään. Karttaa tarkastelemalla huomataan työttömyyden olevan pienintä etelä,- ja länsirannikolla.

Halusin myös koettaa tuoda aineistoja jostain muualta kuin kurssisivulta. Päädyin sivustolle avoindata.fi. Vinkin tähän lähteeseen löysin Sanna Korven blogista. Tarkastelin mielenkiinnosta sitä, minkälaista aineistoa SYKE, eli Suomen ympäristökeskus on palveluun tuonut. Sivustolta löytyi tänä vuonna päivitetty aineisto Suomen Natura2000 alueista. Datan tuominen qGIS:siin onnistui ihan sujuvasti. Syken tuomasta aineistosta näki, miten luonnonsuojelualueet jakautuvat kansallisesti. Lisäksi oli kiinnostavaa tarkastella aineiston ominaisuustietoja, sillä sieltä näki, minkälaiset luontokohteet ovat valikoituneet suojelualueiksi. Jatkokysymyksenä olisi mielenkiintoista jaotella eri luontotyyppien osuudet suojelluista alueista.
Ehkä tulevaisuudessa? En tiedä olisiko ollut mahdollista linkittää tämä aineisto harjoitustehtävä kakkosen mukaisesti siten, että yhdistelmäkartta olisi kertonut prosentteina suojelualueiden pinta-alan kunnissa.


kuva 3. pikainen havaintokartta Natura2000 alueista Suomessa(SYKE 2019), pohjakarttana kuntadata(2015)

Jotain haasteitakin matkalla oli tätä ekaa harkkaa tehdessä. Datan käsittely ei tuntunut vielä niin sujuvalta, ja esim. yritykseni saada kuntien nimet näkyviin ns. samanarvoisina toisen layerin kanssa tuotti haasteita. Datan arvioinnille ei ole hirveästi ollut aikaa, ja tämä on toisaalta ymmärrettävää, sillä tavoitteet ovat oppia ohjelmiston käyttöä. Toisaalta olisi mielestäni hyvä opettaa datan kriittistä käyttöä alusta asti, sillä nyt itselleni jäi epäselväksi mistä löytää tietoa liittyen kerättyyn dataan. Jäi mietityttämään mm. se, että minkä ikäiset ihmiset ovat olleet tarkastelussa työttömyyden suhteen, ja minkä ajan mittainen työttömyys on ollut perusteena tuohon luokkaan lukeutumiselle. Aineiston metatiedot ovat tärkeä osa prosessia, ja karttojen ollessa erityisen vaikuttavaa visuaalista viestintää, olisi hyvä kyetä viestimään halukkaille polku lisätiedon pariin!

LÄHTEET:

Sanna Korven blogi(2021) : https://blogs.helsinki.fi/sakorpi/2021/01/21/qgis-ohjelma-auki-ensimmaisen-kerran/

SYKE (2019) Natura 2000-alueet Suomessa, haettu 28.1.2021 osoitteesta: https://www.avoindata.fi/data/fi/dataset/natura2000-alueet

Kuntadata(2015): linkit moodlessa

Ensimmäinen postaus

Oon pitkään ajatellut että jonkinlainen blogi oppimiseen, sekä toisaalta opitun näyteikkunaksi, ois tosi kiva, ja ajattelin että täähän on nyt oikein sopiva alku ja alusta siihenkin!

Blogi on perustettu myös maantieteen perusopintojen aikana käytävää kurssia varten ja täten ensimmäiset postaukset tulevat käsittelemään qGIS ohjelmalla tehtäviä harjoitustöitä sekä niihin liittyvää oppimisprosessia.

T. Inka

Ai kuka?
Se selvitköön tekstien perusteella pikkuhiljaa 😉