janella’s blog

Viimeisellä kurssikerralla valittiin oman kiinnostuksen mukaan aihe, josta tuli luoda kartta tai karttasarja. Itselleni ei tullut mitään suurta inspiraatiopuuskaa, minkä vuoksi aihe on jokseenkin yksinkertainen. Ajattelin, että pääasiana olisi, että pääsisin työssä käyttämään laajasti kurssilla opittuja työkaluja.

Ennen kurssikertaa olin käynyt jo etsimässä työhön tarvittavat lähteet. Pohjakarttana hyödynsin WFS-rajapinnan kautta saatavaa karttaa, jossa oli Helsinki peruspiireineen eroteltuna. Toiseksi latasin Excel-muotoisen tiedoston, jossa oli tilastoja Helsingin peruspiireistä. Tämän muokkasin CSV-muotoon ennen vientiä QGISiin. Viimeisenä lähteenä käytin Lipas-palvelun WFS-rajapintaa lähiliikuntapaikkakartasta.

Kahden ensimmäisen tason tuominen QGISiin onnistui melko vaivattomasti. Hyödynsin tässä kohtaa “Join”-toimintoa sekä “Refactor”-toimintoa, jotta sain liitettyä CSV-tiedoston tiedot Helsingin peruspiiri-tasoon sekä muutettua muuttujien tyypit oikeaksi. Lipas-palvelun kanssa oli pienimuotoisia ongelmia, kun QGIS antoi erroria ja tuodut tiedot olivat puutteellisia. Lopulta kuitenkin sain vietyä myös lähiliikuntapaikkojen tiedot QGISiin.

Tarkoituksenani oli siis havainnollistaa kartalle asukaskohtaisia tuloja ja lähiliikuntapaikkoja ja tämän avulla tarkastella sitä, onko näiden sijoittumisessa jotain yhteyksiä. Lähiliikuntapaikat ovat maksuttomia ja helposti saavutettavissa olevia liikuntapaikkoja, jotka soveltuvat laajalle käyttäjäryhmälle (lähde). Kartasta voimme havaita, että lähiliikuntapaikkoja on laajasti ympäri Helsinkiä.

Pienimmät asukaskohtaiset tulot ovat Jakomäessä, Mellunkylässä ja Pukinmäessä. Jakomäessä lähiliikuntapaikkoja on 2, Mellunkylässä 20 ja Pukinmäessä 4. Suurimmat asukaskohtaiset tulot ovat puolestaan Östersundomissa, Ullanlinnassa ja Kulosaaressa. Östersundomissa lähiliikuntapaikkoja on 2, Ullanlinnassa 6 ja Kulosaaressa 4. Asukaskohtainen tulotaso ei näytä vaikuttavan siis juurikaan lähiliikuntapaikkojen sijoittumiseen, sillä pienimmän tulotason alueella Jakomäessä ja korkeimman tulotason alueella Östersundomissa on saman verran lähiliikuntapaikkoja. Todennäköisesti siis jotkin muut demografiset tekijät tai esimerkiksi muut alueen liikuntapalvelut vaikuttavat vaihteluun lähiliikuntapaikkojen määrässä.

Kuten alussa mainitsin, niin halusin työssä päästä monipuolisesti käyttämään eri kurssilla käytettyjä työkaluja. Tätä karttaa varten hyödynsin “Count points in polygon”-työkalua, jotta sain selville kunkin peruspiirin lähiliikuntapaikkojen määrät. Eniten lähiliikuntapaikkoja on Mellunkylässä (20), Haagassa (10) ja Malmilla (10). Usealla alueella lähiliikuntapaikkoja on kaksi ja täysin ilman lähiliikuntapaikkoja ovat Oulunkylä ja Länsi-Pakila.

Viimeisessä kartassa tarkastelin sitä, että montako rakennusta sijaitsee 500 metrin päässä lähiliikuntapaikasta. Tätä varten hyödynsin 5. kurssikerralta “Pks_vaki.shp”-vektoriaineistoa, jotta saisin rakennukset kartalle. Sen jälkeen loin lähiliikuntapaikkojen ympärille 500 metrin bufferit ja “Intersection”-työkalulla rajasin bufferin sisään jäävät asunnot. Lopulta “Count points in polygon”-toiminnolla sain tiedon asuntojen määrästä. Yhteensä 11 203 asuntoa ja 259 727 asukasta asuu 500 metrin säteellä lähiliikuntapaikasta. Tiedot keräsin “Statistics”-paneelia hyödyntäen.

Parhaiten lähiliikuntapaikat ovat saavutettavissa Malmilla, Mellunkylässä, Vartiokylässä ja Tuomarinkylässä. Huonoiten lähiliikuntapaikat saavuttaa ihmisiä muun muassa Kalliossa, Alppiharjussa ja Pasilassa.

Viimeinen harjoitus oli hauska tehtävä, koska siinä pääsi itse keksimään aiheen ja muistelemaan kurssin aikana harjoiteltuja juttuja. Kuten jo aiemmin sanoin, niin tuskastelin idean keksimisen kanssa, joten ehkä tehtävästä olisi saanut mielenkiintoisemman, jos olisi keksinyt jonkin hiukan haastavamman aiheen. Muiden blogeista löytyi myös kiinnostavia ideoita ja karttaesityksiä. Siiri Lehtisen blogissa oli mielestäni kiinnostavasti esitetty sama teema eri mittakaavoissa (koko maailman vs. valtion tasolla) ja karttoihin oli lisätty myös hyviä visuaalisia elementtejä. Eeva Tervomaan blogissa oli puolestaan taas kiinnostavasti tarkasteltu samaa aluetta, mutta usean eri muuttujan näkökulmasta. Molemmat lähestymistavat tehtävään olivat mielestäni oikein hyviä.

Lähteet:

Geoinformatiikan menetelmät 1. Kurssikerta 5: KK5 Aineistot. Pks_vaki.shp. Vierailtu 28.2.2024.

Helsingin piirijako. Vierailtu 28.2.2024. https://www.avoindata.fi/data/fi/dataset/helsingin-piirijako

Helsinki aluettain – 2019. Vierailtu 28.2.2024. https://www.avoindata.fi/data/fi/dataset/helsinki-alueittain/resource/1e6e4442-e7ad-4338-9e60-c64b4bd50429?inner_span=True

Lehtinen, S. Kurssikerta 7. Vierailtu 29.2.2024. https://blogs.helsinki.fi/lcsiiri/2024/02/29/kurssikerta-7/

LIPAS – Liikuntapaikat. Vierailtu 28.2.2024. https://www.lipas.fi/liikuntapaikat

Suomi.fi – Lähiliikuntapaikat. Vierailtu 29.2.2024. https://www.suomi.fi/palvelut/lahiliikuntapaikat-helsingin-kaupunki-kulttuurin-ja-vapaa-ajan-toimiala/26a20ea8-8254-457e-8b12-b0403a9cb486

Tervomaa, E. Geoinformatiikan menetelmä 1, viimeinen kurssikerta. Vierailtu 29.2.2024. https://blogs.helsinki.fi/terveeva/2024/02/29/geoinformatiikan-menetelmat-1-viimeinen-kurssikerta/

 

Kurssikerta alkoi ulkoilulla, kun jalkauduimme Kumpulan alueelle keräämään Epicollect-sovellukseen dataa ympäristöstä.

Keräsimme sovelluksen alueella tietoja alueen turvallisuudesta. Jokaisesta kohteesta ilmoitettiin arvo 1-5 väliltä sen perusteella, kuinka turvalliseksi alue koettiin. Siirrettyämme datan QGISiin käytimme uutta työkalua eli interpolointia. Sen avulla saimme muodostettua uuden karttatason, joka havainnollisti kerättyjen pisteiden avulla Kumpulan seudun turvallisuutta. Oli hauskaa vertailla oman ryhmän karttaa muiden ryhmien tuotoksiin. Esimerkiksi Veera Matikaisen blogista löytyvässä kartassa Physicumin edessä olleet rappuset oli merkattu turvattomaksi, kun omassa kartassani tätä ei kuitenkaan ole havaittavissa.

Interpolointi siis laskee uusia arvoja tunnettujen arvojen perusteella eli kartassa 1 turvallisuusarvojen perusteella niiden lähistölle myös omat turvallisuusarvonsa. Minulle ei ehkä vielä tullut ihan selväksi, millaisissa yhteyksissä tätä työkalua kannattaisi käyttää tai millaisia käytännön sovelluksia sillä olisi.

Interpoloinnin jälkeen siirryimme tekemään itsenäisesti hasardeihin liittyviä karttoja. Hyödynsimme tietokantoja maanjäristyksiin, tulivuoriin ja meteoriitteihin liittyen. Aiemmasta tehtävästä johtuen minulle jäi niin sanotusti interpolointivaihde päälle ja yritin saada myös maanjäristyksiin liittyvää karttaa interpoloitua. Tässä yrityksenäni oli siis interpoloida kartta niin, että voimakkaammat maanjäristysalueet näkyvät punaisina ja vähemmän voimakkaat sinisinä. Alueeksi rajasin Yhdysvallat ja osan Meksikosta.

Menetelmä ei kuitenkaan tähän tarkoitukseen sopinut ja lopputuloksena oli tuotos, josta ei mitään järkeviä johtopäätöksiä saa vedetty. Todettakoon siis, ettei interpolointi työkaluna toimi näin suuren mittakaavan alueelle.

Seuraavista tuotoksista saakin jo jotain selvää. Rajasin tietokantaa siten, että aluerajaus oli Yhdysvalloissa ja sen reunamilla. Ajallisesti otin tiedot maanjäristyksistä välillä 1/2020-2/2024. Karttaan 2 oli kuvattuna kaikki havainnot ja ne on luokiteltu niiden magnitudien mukaan. Havaintoja on sen verran paljon, että kartan tulkinta voi olla hiukan hankalaa. Jonkin verran kuitenkin pystyy havaitsemaan, mihin järistykset ovat keskittyneet.

Karttaan 3 rajasin magnitudiltaan 4.12 – 6.5 olevat maanjäristykset sekä lisäsin karttaan tulivuoret. Kartasta voidaan nyt päätellä, että alueella, jossa on paljon maanjäristyksiä on myös useita tulivuoria. Kuitenkaan aukottomasti näin ei voida sanoa, sillä tulivuoria ja maanjäristyksiä esiintyy myös yksinään. Tätä karttaa on mielestäni jo helpompi tulkita, kun havaintoihin on tehty tiukempia rajauksia. Yksi mielenkiintoinen lähestyminen hasardikarttoihin olisi ollut myös ilmiöiden tarkastelu eri ajanjaksoilla, kuten esimerkiksi Anna Seppälä oli blogissaan tehnyt.

Viimeisenä tein kartan, jossa on kuvattuna meteoriittien putoamiset. Kartassa tietyillä alueilla on keskittymiä, mutta tästä ei voida päätellä että nuo alueet olisivat todennäköisimpiä meteoriittien putoamisalueita. Lähinnä havaintoja on siis paljon alueilta, joissa havaintoja on mahdollista tehdä. Veikkaisin, että hajanaiset tyhjät kohdat (esimerkiksi Siperia ja Himalajan vuoristo) johtuu siitä, ettei alueelta vain ole kerätty havaintoja. Lisäksi suurin osa meteoriiteista (lähde) putoavat mereen, josta niitä ei lopulta löydetä ja nämä havainnot puuttuvat kartalta kokonaan. Toisin sanoen kartta toimii lähinnä meteoriittilöydöksien merkkaamiseen, ei niinkään kuvaavaan kaikkia maahan pudonneita meteoriitteja.

Lähteet:

Buseck Center for Meteorite Studies. Meteorite Locations. Vierailtu 23.2.2024. https://meteorites.asu.edu/meteorites/meteorite-locations

Matikainen, V. Kuudes kurssikerta. Vierailtu 23.2.2024. https://blogs.helsinki.fi/veematik/2024/02/21/kuudes-kurssikerta/

Seppälä, A. 6. Viikko – Turvallinen vai turvaton Kumpula? Interpolointia ja maailman hazardeja. Vierailtu 23.2.2024. https://blogs.helsinki.fi/sexanna/2024/02/21/6-viikko-turvallinen-vai-turvaton-kumpula-interpolointia-ja-maailman-hazardeja/

Tällä kurssikerralla tutustuimme buffereihin sekä eri keinoihin hyödyntää niitä.

Alussa palasimme viime kurssikerran Pornaisia kuvaavaan karttaan.  Ensimmäisellä geoinformatiikan kurssilla oli tehty yksi harjoitus buffereihin liittyen, joten jotain oli aiheesta mielessä, mutta kertaus oli paikallaan. Teimme bufferianalyysia esimerkiksi siitä, moniko asukas asuu 500 metrin säteellä terveyskeskuksesta. Tämän pohjalta alkoikin ehkä selvetä se, että mihin tällaista analyysityökalua voi käyttää. Lähiaikoina muutamassa yhteydessä on noussut esiin saavutettavuusanalyysi, jossa siis tarkasteltaisiin kuinka helposti jokin palvelu on (maantieteellisesti) saavutettavissa. Uskoisin, että tämä bufferityökalu olisi hyödyllinen tällaisen analyysin tekemiseen.

Pornaisiin liittyvän harjoituksen jälkeen siirryimme tekemään itsenäisiä harjoituksia. Mielestäni oli ihan kivaa päästä haastamaan itseään ja tekemään tehtäviä ilman, että jokainen vaihe selostetaan auki.

Malmin kenttään liittyvät harjoitukset lähtivät sujumaan hyvin. Tässä käytettiin pääosin työkaluja, joita olimme juuri käyttäneet. Jero Hobergin blogista kävin katsomassa myös muiden menetelmiä tehtävän tekemiseen ja oli mielenkiintoista nähdä miten erilaisia lähestymistapoja tehtävässä oli. Itse esimerkiksi käytin Malmin pinta-alan laskemiseen “Field Calculator”-työkalun $area-toimintoa, kun taas Hobergin blogissa oli käytetty bufferia tähän. Helsinki-Vantaan lentokenttään liittyvissä harjoituksissa pitikin jo hiukan pohtia miten toimia, kun en heti muistanut miten saisin valittua tietokannasta toisen tason ehtojen mukaan. Tässä piti siis valita pahimman lentomelun alueella olevat asuinrakennukset ja nämä tiedot olivat eri tasoilla. Päädyin käyttämään “Intersection”-työkalua, mutta en ole ihan varma oliko se parhain vaihtoehto. Sain kuitenkin valittua kohteet oikein.

Selvisin myös asemiin ja taajamiin liittyvistä harjoituksista ilman suurempia ongelmia. Taajama-tehtävissä oli kuitenkin viimeisenä kohtana tarkoitus laskea ulkomaalaistaustaisten osuutta asukkaista. Päätin ensin laskea alkuperäiseen tietokantaan asuinrakennuksittain ulkomaalaistaustaisten osuuden. Lopulta yhdistin taajamien mukaan “Count points in polygon”-työkalulla selvittääkseni millä alueilla tuo prosenttiosuus oli 10/20/30 prosenttia. Tajusin jälkeenpäin, että tein toiminnot ehkä väärässä järjestyksessä, koska laskin prosenttiosuudet aluksi asuinrakennuksittain. Luulen, että pisteet olisi ehkä aluksi pitänyt yhdistää ja sitten laskea osuudet.

Tästä linkistä pääset tarkastelemaan eri harjoituksista saatuja tuloksia: Tulokset

Viimeisenä tehtävänä päätin tehdä putkiremontteihin liittyvän kartan. Vuosien 1965-1970 aikana on rakennettu 6286 asuntoa. Näistä 1206 on kerrostaloja. Asukkaita näissä kerrostaloissa on 65 206 ja asuntoja 39 002 kappaletta. Putkiremonttien havainnollistaminen kartalle oli hiukan monimutkaisempaa. Käytin taas “Count points in polygon”-toimintoa. Tässä vaiheessa kuitenkin sain virheilmoituksen, jossa sanottiin “invalid geometry”. Nopealla haulla löysin kuitenkin parin vuoden takaisen blogikirjoituksen, jossa oli sama ongelma sekä myös ratkaisu siihen. Annika Innasen blogitekstin ja tämän ohjeen avulla sain ongelman korjattua.

Lopulta sain symbolit kuntoon ja kartan luotua. Vuosien 1965-1970 välillä rakennettujen rakennusten osuus on suurin Keski-Vuosaaressa, Niemenmäessä ja Kontulassa. Jokin saattoi prosessissa myös mennä vikaan, sillä taulukosta löytyy “NULL”-arvoisia kohtia muutama.

Tämä kurssikerta oli kokonaisuudessaan oikein opettavainen. Luulen, että bufferit tulevat nousemaan esille myös tulevaisuudessa ja ne tuntuvat oleelliselta työkalulta. Yleisesti ottaen olen kokenut kaikki esitellyt työkalut ja toiminnot hyödyllisiksi. Hiukan epävarmuutta on siinä, että mitä työkalua kussakin kohtaa pitäisi käyttää, kun saman asian tekemiseen saattaa löytyä useampi eri työkalu (pienillä eroavaisuuksilla).

Lähteet:

Hoberg, J. Viiden kurssikerta. Vierailtu 18.2.2024. https://blogs.helsinki.fi/hoberg/2024/02/17/viides-kurssikerta/

Innanen, A. Harjoitus 5: SOS, help, apua! (Ja uima-allas- ja saunakarttoja PK-seudulta). Vierailtu 18.2.2024. https://blogs.helsinki.fi/anninnan/2021/02/18/harjoitus-5-sos-help-apua-ja-uima-allas-ja-saunakarttoja-pk-seudulta/

Fixing invalid geometry. Vierailtu 18.2.2024. https://spamlab.github.io/blog/fix_geom/

Neljännellä kurssikerralla oltiin uuden äärellä, kun tutustuimme ruutukarttojen tekemiseen, rasteriaineistoihin sekä piirtämiseen QGISissä.

En ollut aiemmin luonut ruudukkoa QGISissä. Sen luominen oli kuitenkin melko helppoa valmiina olevien työkalujen avulla. Mieleen tästä jäi se, että jos tulevaisuudessa tekee ruutukarttoja, tulee olla tarkkana ruutukoon kanssa. QGIS antaa yhden ruudun kooksi automaattisesti 1×1 metriä, mikä jumittaa ohjelman eikä myöskään tietojen puolesta ole välttämättä kovin hyödyllinen.

Ensimmäinen kartta, jonka tuotimme oli yllä oleva kartta 1. Siinä on kuvattuna 1×1 kilometriä kokoisilla ruuduilla ruotsinkielisten määrä Espoon, Vantaan, Kauniaisten ja Helsingin alueella. Tämän kartan perusteella Helsingin ydinkeskustassa, Espoon eteläosissa ja Kauniaisissa olisi paljon ruotsinkielisiä. Ongelmana tässä kartassa on se, että se esittää tiedot absoluuttisina lukuina, ei suhteellisina.

Tein seuraavaksi kartan, jossa on esitettynä ruotsinkielisten osuus kaikista ruudulla olevista ihmisistä. Kartta näyttää nyt hyvin erilaiselta, eikä esimerkiksi Helsingin ydinkeskusta enää erotu. Ruotsinkielisiä näyttää olevan suhteellisesti eniten Espoossa, Kauniaisissa ja Helsingissä lähellä Sipoota. Punaisella olevilla ruuduilla ruotsinkielisiä on yli 66 prosenttia ruudun ihmisistä.

Kolmantena ruutukarttana tein vielä havainnollistuksen muunkielisten osuuksista. Tässä kartassa Itä-Helsinki korostuu, sekä muutamat ruudut Vantaalta ja Espoosta.

Teemakartan tekeminen tällaisella ruutukartalle oli mielestäni kiinnostavaa. Mielestäni ruutukartta sopii hyvin kuvaamaan jotain ilmiötä pienemmällä alueella, eli esimerkiksi tässä tapauksessa pystyttiin tarkastelemaan pienempiä alueita pääkaupunkiseudulla. Onni Miettisen blogissa nostettiin esille myös se, että ilmiöiden jakautumista pystytään tällaisella ruutukartalla tarkastelemaan hyvin. On tärkeää kuitenkin kiinnittää huomiota siihen, miten tietoa esitetään. Kartta 1 kuvasi absoluuttisia lukuja, jotka eivät kuitenkaan mielestäni kuvanneet ilmiötä kovinkaan todenmukaisesti. Toisaalta ehkä joidenkin ilmiöiden kohdalla absoluuttiset luvut voisivat toimia paremmin.

Ruutukartoista siirryimme käsittelemään rasteriaineistoja. Aluksi toimme QGISiin rasterimuotoiset korkeusmalliaineiston sekä pohjakartan. Korkeusmalliaineistosta teimme aluksi rinnevarjostukset, joita en kuitenkaan lopulliseen karttaan laittanut näkyville. Sitten “Build Virtual Raster”-toimintoa hyödyntäen yhdistimme aineistot (korkeusmallin ja pohjakartan). Sen jälkeen “Contour”-työkalulla loimme korkeusmalliaineistoa hyödyntäen 5 metrin välein korkeuskäyrät pohjakartalle. Korkeuskäyrät näkyvät ruskeina viivoina Kartta 4:ssa. Tehtävä oli jälleen mielestäni kiinnostava, sillä tässä pääsi käyttämään taas ihan uusia ominaisuuksia, mitä ei aiemmin ollut tullut käytettyä. Lena Hellsten nosti esiin blogissaan, että tämä on myös konkreettinen esimerkki siitä, miten maantieteilijä voi hyödyntää QGISiä.

Kävin etsimässä Paikkatietoikkunasta saman alueen kuin mikä Kartta 4:ssa on kuvattuna. Paikkatietoikkunan maastokartassa korkeuskäyrät ovat ehkä hiukan selkeämmät kun omassa versiossani. Luulen tämän johtuvan siitä, että omassa kartassa käyrät olivat viiden metrin välein ja Paikkatietoikkunassa väli on suurempi.

Kurssikerran lopuksi työstimme seuraavaa kurssikertaa varten rasterikarttaa piirtämällä siihen itse muotoja. Aloitimme teiden piirtämisellä ja sitä pidemmälle emme ehtineet. Piirtäminen oli jo hiukan tuttua MAA-104 kurssilta, mutta mukava päästä kehittämään näitä taitoja eteenpäin.

Lähteet:

Hellsten, L. Kurssikerta 4. Vierailtu 18.2.2024. https://blogs.helsinki.fi/hellslen/2024/02/11/kurssikerta-4/

Miettinen, O. kk 4 blogi. Vierailtu 18.2.2024. https://blogs.helsinki.fi/opmietti/2024/02/08/kk-4-blogi/

 

Tällä kurssikerralla tutustuttiin erilaisiin tapoihin, jolla QGISissä voi käsitellä dataa sekä tapoihin yhdistää erilaisia tietokantoja toisiinsa.

Ensimmäisessä harjoituksessa käsittelimme Afrikkaan liittyviä tietokantoja. Aluksi meillä oli Excelissä olevaa dataa, jonka muutimme CVS-tiedostoksi. CVS-tiedostot sopivat paremmin käsiteltäviksi QGISissä. Toimme QGISiin Afrikan pohjakartan lisäksi tietoja internet- ja Facebook-käyttäjistä, öljyesiintymistä, konflikteista ja timanttikaivoksista. Liitimme kaikki nämä samaan tietokantaan.

Tämän jälkeen testasimme useita eri ominaisuuksia QGISissä, kuten “Dissolve” ja “Aggregate” toimintoja. Nämä olivat minulle aivan uusia toimintoja ja uskon, että ne tulevat olemaan hyödyllisiä tulevaisuudessa. Sen lisäksi käytimme “Join”-toimintoa eri tietokantojen yhdistämisessä. Tämä oli minulle jo ennestään tuttu, sillä hyödynsin toimintoa ensimmäisen viikon Suomen kunnat-tehtävässä.

Afrikkaan liittyvien tietojen perusteella on mahdollista luoda useita erilaisia teemakarttoja. Yllä olevassa kartassa on Facebook-käyttäjät vuonna 2018 ja kartan perusteella voidaan päätellä esimerkiksi missä maissa internet on laajasti käytettävissä. Muiden tietojen perusteella, esimerkiksi timanttikaivosten ja öljyesiintymien perusteella, voitaisiin päätellä jotain maiden varakkuudesta (vaikka toki se ei kerro mitään tavallisen kansalaisen elintasosta). Luonnonvarojen esiintymistä ja konfliktien määrää voitaisiin myös verrata ja etsiä korrelaatioita näiden välillä. Laura Siltalan blogissa myös huomataan, että konfliktien määrän vaikutusta internetin käyttäjien määrään voitaisiin myös tutkia. Tämä on mielestäni melko mielenkiintoinen asia tutkia.

Itsenäisenä tehtävänä oli tulvaindeksikartan tekeminen. Siinä pääsi yhdistämään kurssikerralla hyödynnettynä toimintoja, kun useita tietokantoja liitettiin yhteen. Lisäksi tässä karttaan piti lisää järvisyyttä kuvaavat histogrammit tai ympyrädiagrammit maapinta-alan suhteesta järvisyyteen. Lisäsin itse nämä ympyrädiagrammit, jotka kuitenkin jäivät hiukan pienikokoisiksi ja sen vuoksi vaikealukuisiksi. Kuten Miki Leino blogissaan toteaa, niin myös minusta samaan karttaan diagrammien lisääminen on hiukan sekavaa. Tästä kartasta voi maallikko päätellä, että millä alueilla on suurempi tulvariski. Siitä voitaisiin myös päätellä jotain pinnanmuodoista.

Lähteet:

Leino, M. Kolmas kurssikerta. Vierailtu 2.2.2024. https://blogs.helsinki.fi/leinmiki/2024/01/31/kolmas/

Siltala, L. Kolmas kurssikerta. Vierailtu 2.2.2024. https://blogs.helsinki.fi/lesiltal/2024/02/01/kolmas-kurssikerta/

 

Toisen kurssikerran teemana oli erilaiset datalähteet ja tehtävien puolella keskityimme eri projektioiden vertailuun.

Kurssikerran “luento-osiossa” tarkastelimme eri tahoja, jotka tuottavat maantieteellisiä aineistoja. Tuli ilmi, että suurin osa ainakin Suomessa aineistoja tuottavista tahoista tarjoaa aineistot maksutta, mikä on mielestäni hieno asia. Eri tuottajien lisäksi tutustuimme myös ladattaviin aineistoihin. Eri ladattavia aineistotyyppejä ovat esimerkiksi WFS, WMS ja WCS.

Kun siirryimme datasta eteenpäin, aloimme tarkastella jälleen Suomen kuntatilastoa eri karttaprojektioissa.

“Snapping tool”-nimistä työkalua ja mittatyökalua hyödyntäen “piirsimme” Pohjois-Suomeen viivan ja alueen, joita tarkastelisimme eri karttaprojektioissa.  Alla olevassa taulukossa on koottuna viivan pituus ja alueen pinta-ala eri karttaprojektioita käyttäen. Taulukosta on myös näkyvissä ero verratuna TM35FIN-projektioon.

	TM35FIN	Robinson	Mercator	Patterson	Van der Grinten
Pituus km (Cartesian)	106,3	183,7	294,3	294,1	233,3
Pinta-ala km2 (Cartesian)	3942	5613	32724	14811	17371
Ero Pituus (verrattuna TM35FIN)	1	1,73	2,77	2,77	2,19
Ero Pinta-ala (verrattuna TM35FIN)	1	1,42	8,30	3,76	4,41

Tein vertailut Robinsonin, Mercatorin, Pattersonin ja Van der Grintenin projektioihin. Robinsonin projektiossa ero TM35FINin kanssa on selkeästi pienin. Merkittävin ero pinta-alassa on Mercatorin projektion kanssa, pinta-ala on yli kahdeksankertainen! Pattersonin ja Van der Grintenin projektioissa ero on maltillisempi, näissä pinta-ala on noin nelinkertainen TM35FINin verrattuna.

Mittaustehtävästä siirrymme vertailemaan karttaprojektioita koko maan tasolla.

Ensimmäinen vertailu on Robinsonin karttaprojektion kanssa. Vääristymä kasvaa kuljettaessa kohti pohjoista, mutta verrattaen se on kuitenkin maltillista (enimmillään pinta-alassa tapahtuu 42% heittoa). Pienintä vääristymä on Etelä-Suomessa.

Mercatorin projektiossa vääristymä kasvaa pohjoiseen päin kuljettaessa, kuten myös Robinsonin projektiossa. Suurimman vääristymän alue on kuitenkin pienempi kuin Mercatorissa. Merkittävää on kuitenkin se, että pienimmilläänkin vääristymä on huomattavasti suurempaa kuin Robinsonin projektiossa. Pienimmillään vääristymä on etelässä, jossa pinta-ala on nelinkertainen verrattuna TM35FIN-projektioon.

Viimeisen vertailun tein Pseudo-Mercator-nimisen projektion kanssa. Tätä projektiota käytetään esimerkiksi Google Mapsin ja OpenStreetMapsin pohjalla (lähde). Nimensä mukaisesti se on Mercatorista projektion pohjalta tehty ja se on nähtävissä myös sen vääristymistä, jotka johdattelevat pitkälti Mercatorin projektion vääristymiä.

Projektioiden vertailu oli mielenkiintoista. Se havainnollisti, kuinka suuri tuo vääristymä todella on. Valitsin viimeisen vertailukohteen ehkä hiukan huonosti, sillä se oli niin lähellä Mercatorin projektiota. Karttojen väritys myös ehkä hiukan “huijaa” siinä mielessä, että jokaisessa kartassa on samat värit, vaikka vääristymät ovat eri karttojen välillä todella erisuuruiset. Hilla Kontinen blogissaan oli valinnut karttavertailuihin erilaiset vinkeät värit, mikä on olisi ollut tässä ehkä parempi ratkaisu.

Lähteet:

esps.io, WGS 84 / Pseudo-Mercator. Vierailtu 27.1.2024. https://epsg.io/3857

Kontinen, H. Karttaprojektioihin tutustumista. Vierailtu 27.1.2024. https://blogs.helsinki.fi/hillakon/2024/01/25/karttaprojektioihin-tutustumista/

 

Ensimmäisellä kurssikerralla aloitimme QGISin käytön perusteista. Monet tämän kerran jutuista oli jo tuttuja “Johdatus geoinformatiikkaan maantieteessä”-kurssilta, mutta koin silti kertauksen hyväksi.

Ensimmäisen harjoituksen aikana käytin QGISissä kahta ominaisuutta, josta en ollut aiemmin tiennyt. Statistics Panel-toiminto oli minulle uusi ja sen avulla pystyimme laskemaan erilaisia tunnuslukuja. Toinen uusi ominaisuus oli Field Calculator-toiminto, jonka avulla pystyimme “päivittämään” tietokantaan uusia tietoja, joita laskimme. Tämä toiminto toimii siis myös eräänlaisena laskimena.

Yltä löytyy ensimmäisen tehtävän tuotos. Tehtävä oli mielestäni melko “perus-GIS”-tehtävä siinä mielessä, että käsittelimme useaa eri karttatasoa ja lopputulos oli tällainen teemakartta. Tehtävässä uutta minulle oli niin sanottu matemaattinen puoli ja sen toteuttaminen QGISissä. Järvet piirtyivät karttaan hiukan “suttuisina” ja olisin ehkä voinut tehdä visuaalisen puolen kanssa pientä hienosäätöä vielä. Saara Torvi blogissaan oli päätynyt myös samankaltaiseen lopputulokseen. Hän myös jäi pohtimaan kartan ulkonäköä, mutta totesi ainakin, että punainen sopii hyvin kuvamaan tällaista negatiivistä ilmiötä kuin typen päästöt. Tästä olen samaa mieltä 🙂

Toista tämän viikon tehtävää varten päätin etsiä Tilastokeskuksesta muuttujia, jotka on esitetty kuntatasolla. Pohjakarttana hyödynsin Moodlesta löytynyttä karttaa, jossa oli eroteltuna Suomen eri kunnat. Tilastokeskuksesta otin tilaston, jossa oli vuoden 2022 keskiarvot palkkatuloista kunnittain (linkki tilastoon).

Tilastokeskuksen sivuilta tilaston lataaminen cvs-muodossa sujui vaivattomasti. Törmäsin kuitenkin ongelmiin cvs-tiedoston tuomisessa QGISiin. Ensimmäinen ongelma oli se, että kuntien nimissä olevat ääkköset näkyivät aluksi kysymysmerkkeinä, mikä aiheuttaisi ongelman yrittäessäni yhdistää tasoja. Googlettamalla ongelma kuitenkin ratkesi, sillä löysin muutaman vuoden takaisen blogipostauksen tältä kurssilta. Jaakko Kurne blogitekstissään oli ratkaissut ääkkösongelman vaihtamalla merkistökoodausta. Tällä tavalla ratkaisin myös itse ongelman.

Toinen ongelma, johon törmäsin oli se, että palkkatulo-sarakkeen tietotyyppi oli jostakin syystä muuttunut tekstiksi, mikä aiheutti ongelmia visualisoinnissa. Tähänkin onneksi löytyi Googlesta ratkaisu. Processing Toolboxista löytyi “Refactor fields”-toiminto, jolla sain muutettua tuon tietotyypin numeeriseksi.

Yllä on valmis kartta. Visualisoinnissa käytin “Graduated”-toimintoa ja luokittelumenetelmänä käytin kvantiileja. Luulen tämän luokittelumenetelmän toimineen melko hyvin, sillä luokkien arvoissa ei ole suuria hyppyjä. Ylin kvantiili tosin kattaa melko ison välin.

Kartasta on nähtävissä, että vuonna 2022 Uudellamaalla ja etelässä yleisesti oli keskiarvollisesti korkeammat palkkatulot kuin muualla Suomessa. Ympäri Suomea on myös yksittäisiä kuntia, joissa palkkatulot ovat ylimmässä kvantiilissa. Kartasta on myös huomattavissa jonkinlaista jakoa läntisen ja itäisen Suomen välillä.

Lähteet:

Kurne, J. (2020) Koropleettikartta ja pohdintaa luokista. Viitattu 17.1.2024. https://blogs.helsinki.fi/jaakongisblogi/2020/02/02/koropleettikartta-ja-pohdintaa-luokista/

Tilastokeskus, Asuntokuntien tulot ja tulojen rakenne alueittain, 1995-2022. Viitattu 17.1.2024. https://pxdata.stat.fi/PxWeb/pxweb/fi/StatFin/StatFin__tjt/statfin_tjt_pxt_118w.px/

Torvi, S. (2024) Ensimmäinen kurssikerta – QGIS Tutuksi. Viitattu 27.1.2024. https://blogs.helsinki.fi/saatorvi/2024/01/22/ensimmainen-kurssikerta-qgis-tutuksi/