Geoinformatiikan menetelmät -jmettala

Tosissaan, viimeistä viedään. En tiedä olenko helpottunut vai paniikissa, ehkä kumpaakin, sillä toisaalta kurssi on ohi, mutta taistelu jatkuu vielä tentissä.

Tämän kertainen harjoitus piti toteuttaa itse, ilman erityisiä tarkempia ohjeita. Ensin huolta, sitten tuskailu, tiedon etsimistä ja lopulta valitut aineistot valmiina vietäväksi ArcGisiin. Raportti voi alkaa!

Aineistot

Tälle kerralle valittiin siis omat aineistot, jotka tuli myös itsenäisesti löytää ja ladata. Tavoitteena oli lisätä uusi laskettelukeskus kartalle. Onneksi ei tarvinut pohtia sen tarkemmin sen saavutettavuutta tai kävijämääriä, sillä oma valintanihan on aivan kuusessa, Kilpisjärven erämaa-alueella :D. Esteettisyys voitti!

Valitsin siis Suomen käsivarren lapista aivan paraabelin muotoisen tunturin, Suppivaaran, jolle pystyttäisin pienen laskettelukeskuksen. Alue sijaitsee Kilpisjärveltä kaakkoon, vain muutaman kymmenen kilometriä. (kuva 1) Latasin Paitulista Maanmittauslaitoksen karttapalan, tai oikeastaan karttapalat, sillä tietenkin kyseinen tunturi oli rajattu kahdelle eri karttapalalle. No pieni Mosaic -toiminto ja karttapalat yhteen, jonka jälkeen vielä Clip – ja valmis alue!

Kuva 1. Valittu laskettelukeskuksen tunturi kartalla

ArcGisin kimpuun

Kun aineisto oli valmiina käsiteltäväksi piti miettiä, mitähän tälle nyt lähtisi tekemään. Muisteltiin, että samanlaista harjoitusta on aikaisemminkin tehty, ja päätettiin aloittaa luomalla alueelle korkeusmalli sekä korkeuskäyrät. Tämä helpottaa valitun mäen tarkastelua. (kuva 2) Vähän vaati muistelemista, mutta lopulta sain toteutettua korkeuskäyrät contour toiminnolla.

Kuva 2. valittu laskettelumäki korkeusmallin ja -käyrien avulla esitettynä

Koska korkeusmalli oli tuottanut niin hyvää tulosta niinkin nopeasti, kokeilin tehdä myös vinovalo varjosteen alueesta. (kuva 3) Hillshade työkalu käyntiin ja sopivat kuvakulmat kuntoon. Hyvin näkyy valittu paraabelin muotoinen mäki.

Kuva 3. vinovalovarjoste

Edellisten lisäksi toteutin alueella vielä aspect -työkalun avulla rinteen suuntia kuvaavan työkalun. (kuva 4) Lisäsin kuvaan vielä mahdolliset lasketteluhissit, jolloin kolmen rinteen suunnat aukeavat pohjoiseen, etelään sekä länteen. Mielestäni tällainen kartta on ollut aina sekavan näköinen ja niin se on nytkin. Se on toteutettu kyllä oikein, mutta tulkinta vaatii hiukan keskittymistä ja hahmotuskykyä.

Kuva 4. rinteiden aukeamissuunnat

Valmista!

Koska aikaa jäi ja alue sitä vaati, lähdin toteuttamaan vektorimuotoista dataa alueelle lisäämällä mahdollisen parkkipaikan, sekä uuden tienpätkän, jolla alueelle pääsisi autolla. (kuva 5.) Lasketteluhissien lisäksi alueelta löytyy palvelupisteitä, joissa lipunmyyntiä, ravintolat sekä wc:t.  Valitsin esitystavaksi rinteen jyrkkyyksiä esittävän tason sekä sille vielä korkeuskäyrät kuvaamaan mäen korkeutta.

Tässä aluetta tutkittaessa tuli selväksi, että pitäähän laskettelukeskuksella olla nimi ja sehän syntyy ihan vain rinteen paraabelin muotoisen tunturin, paraabelimäen johdannaisena. Saanko esitellä Paraabelimäen laskettelukeskus!

Kuva 5. Paraabelimäen laskettelukeskus

Viimeinen harjoitus sujui yllättävänkin kivuttomasti. Oli ihan mielenkiintoista ja hauskaa suunnitella omana projektina viimeinen työ. Toki edellisten kertojen harjoitusohjeista jouduttiin pariin kertaan avaamaan ohjeita, muuten tuntui sujuvan melko mallikkaasti. Haastavinta oli miettiä miten saadaan vektorimuotoinen data jollekin kartalle, kun raster to polygon ei ottanut toimiakseen haluttujen kohteiden kanssa. Lopulta päädyttiin itsestäänselvän ratkaisuun, digitointiin.

Mitä jäi käteen kurssista?

Geoinformatiikan salat aukenivat jo selvästi rakoselleen ja mieleen jäi kaiken sen tuskailun ja epätoivon hetkien lisäksi yllättävän positiivinen fiilis ArcGisistä. Vaikka paljon asioita tuli opeteltua niistä jäi mieleen alle 50%. Kaikkea ei pysty kerralla sisäistämään. Ilman hyviä ohjeita ja kuvia harjoitusohjeissa en olisi selvinnyt. Eli toisin sanoen työkalut ovat tiedossa, niiden käyttöä on opeteltu, mutta toimintaperiaate ja sen oikeanlaiseen toimintaan liittyvät parametrit ovat vielä täysin hukassa. Input-output on tiedossa, cell size täysi ?.

Jäin kyllä miettimään, pitäisikö uskaltaa ottaa vielä joskus jonkinlainen gis kurssi. Olisihan näistä tiedoista ja taidoista paljonkin hyötyä tulevaisuudessa. Toisaalta pohdituttaa sekin, onko perusteena seuraavalle kurssille näiden taitojen osaaminen, sillä se ei nyt ihan toteutunut. Täytyy lähteä uhkarohkeasti Sisun syövereihin ottamaan selvää!

Kiitos kurssista, hyvin vedetty!

Välillä sitä vaan miettii, miten joku voi tietää ja osata ohjata mitä pelkän nopean näyttökuvan perusteella ArcGisissä on vikana :)))

No, taistelu jatkuu …

Interpolointia

Tällä viikolla hakattiin läpi erilaisia interpolointi menetelmiä. Interpolointihan noin niikuin yksinkertaistettunakin kuulostaa haastavalta; pisteaineistojen perusteella muodostetun jatkuvan pinnan analyysi. Vanha tuttu spatiaalinen autokorrelaatio, eli naapureiden samankaltaisuus verrattaessa kauempiin pisteisiin pätee niin interpoloinnissa, kuin suomalaisessa kulttuurissakin.

Tällä harjoituskerralla käytettiin yhteensä neljää eri interpolointi meneteltää. Jokainen menetelmä on eritelty raportissa omaksi osiokseen. Toiset osoittautuivat helpommiksi tulkita ja toteuttaa kuin toiset, mutta tulipahan yritettyä.

Deterministinen interpolointi – Thiessen

Mitä tulee mieleen otsikosta? No lähinnä se filosofinen oppi, jonka mukaan kaikilla ja kaikella on syynsä. Saattaa selittää myös sitä, miksi en ole GIS-guru… Seuraavaksi syy-seuraus-suhteisiin.

Koko harjoituksen aineistona käytettiin Suomesta kerättyjä säähavaintoainestoja, jotka olivat jo valmiiksi pistemuotoisia. Kun aineistoille oli tehty tarvittavat toimenpiteet, ne olivat valmiita käytettäväksi itse interpolointiin.

Ensimmäinen menetelmä on siis Thiessenin polygoni, jolla muodostetaan havaintopisteiden ympärille alue. Tältä rajatulta alueelta on lyhin matka kullekin pisteelle, jolta rajaus on suoritettu. Alueet voivat olla eri kokoisia ja mallisia, riippuen havaintopisteiden välisistä etäisyyksistä.

Kuva 1. ensimmäinen interpolointi; thiessenin polygon

Thiessenin polygon on luultavasti lokaali menetelmä, vaikka yhden pisteen siirtäminen vaikuttaakin sen ympärillä oleviin pisteisiin, ei kuitenkaan aivan koko alueelle. Onko pinnalla ali- tai yliarvioita, voi olla kumpiakin, sillä kategorioita on vain 5, jolloin jotkin alueet on jouduttu pyöristämään jompaan kumpaan suuntaan. Tämän takia myös pisteiden alkuperäisissä arvoissa voi olla heittoja.

Thiessenin polygonia voisi soveltaa esimerkiksi tutkimalla erilaisten ravintoloiden asiakaskunnan sijaintia, sillä oletuksella, että ravintoloiden menu ja hinnasto vastaavat toisiaan ja asiakkaat käyvät lähimmässä ravintolassa.

Visualisointi oli yllättävän haastava, sillä toisaalta, mitä suuremmat arvot, sitä tummempi väri valitaan sitä kuvaamaan. Kuitenkin suurimmat arvot tässä tammikuun säähavainnoista tehdyllä kartalla ovat pakkasarvoja, joten tulisiko tummepi väri kuvastaa kylmintä vai lämpimintä arvoa? Valitsin valkoisen kuvaamaan kylmää ja sinisen lämmintä, mutta olis toiminut hyvin myös toisin päin.

Deterministinen interpolointi – trendipinta

Toisena menetelmänä trendipintainterpolointi, jolla voidaan yksinkertaistaa havaintoaineistoa. Tällöin saadaan minimoitua pinnan ja havainnointipisteiden väliset poikkeamat.

Kuva 2. ensimmäine trendipinta

Kuvat 3 ja 4. lisää trendipintaa

Interpolointi toteutettiin ensimmäisen (kuva 2), toisen (kuva 3) ja kolmannen asteen trendipintaintrepoloineilla. Näissä erona oli siis “polynomic order” kohdan arvon vaihtaminen ArcGisissä, eli pinnan monimutkaisuuden arvon muuttaminen. Tällä tavalla vertaillaan arvojen esiintymistä vaakasuoralla, kallistuneella ja taipuneella tasoilla.

Trendipintainterpolointi on globaali menetelmä, jossa yhden pisteen arvojen muuttuminen vaikuttaa koko alueen pinnan muuttumiseen. Koska tällä menetelmällä yksinkertaistetaan arvoja, niissä on ali- tai yliarvioita ja havainnointipisteiden arvot voivat poiketa trendipinnan arvoista. Tällaista menetelmää voisi käyttää esimerkiksi kasvillisuuvyöhykkeiden tutkimiseen ja esittämiseen.

Visualisointi esittää talvisia lämpötiloja hyvin.

Deterministinen interpolointi – IDW

Tällä menetelmällä interpolointi toteutetaan keskiarvoistamalla läheisimpien havaintopisteiden arvot. Havaintopisteiden määrää tai etäisyyttä muuttamalla saadaan erilaisia tuloksia. Tällä interpoloinnilla päästiin vihdoin itse asiaan, eli sen mystisen GIS Welho toiminnon käyttöön.

Muutaman epäonnistuneen yrityksen sekä pienen tuskailun ja hermotauon jälkeen saatiin kuin saatiinkin kaiken maailman asetukset osumaan kohdalleen ja tulostettua ulos kartta, joka näyttäisi päällisin puolin olevan oikein interpoloitu.

Kuva 5. IDW interpolointi

IDW on lokaali interpolointi menetelmä. Yhden pisteen arvon muuttaminen ei vaikuta koko alueen arvoihin, vaan siirtää menetelmän luomaa haarukkaa ainoastaan kyseisen pisteen ja sen viereisten pisteiden kohdalla. Aineistolla tuskin on kovinkaan paljoa yli- tai aliarvioita. Myös havainnointipisteiden alkuperäiset arvot ovat pitkälti samat pinnalla.

Kartta näyttää omiin silmiin ihan onnistuneelta ja selkeältä tulkita. Toki legendan arvoja olisi voinut hiukan siistiä. Vaikuttaa silti ihan tammikuiselta Suomelta.

Deterministinen interpolonti – spline

Seuraavaksi suoranaisen työmaan kimppuun. Tässä vaiheessa voisin käyttää kortin; Apua olen humanisti, päästäkää minut pois! Sillä ei tämäkään ihan putkeen taas mennyt…

Tosissaan tehtävähän ei sujunut ihan ongelmitta… Onneksi kahden koneen voimin saatiin lainailemalla kasaan suht. koht. onnistunut interpolointi kaikkien 11 kuukauden osalta. (kuva 6) Lisäksi maaliskuulta vielä oma (kuva 7) erittäin taiteellinen versio. (en tiedä mikä meni taas vikaan)

Kuva 6. 11kk spline interpolointi

Tein interpoloinnin vain 11kk ajalta, sillä tammikuuta oli käsitelty jo niin paljon (eli unohdin napata sen kartan :D). Luulisin, että spline on lokaali meneteltä, koska yhden havaintopisteen arvon muuttuminen ei muuta toisten pisteiden arvoja, ainoastaan värikoodia/lämpövyöhykettä kyseisen pisteen ympäristöstä. Havaintopisteiden arvot pysyvät samoina pinnalla, sillä se huomioi ne tarkkaan ja tekee automaattisesti melko moniluokkaisen jaottelun. Eli suurempia yli- tai aliarvoja tuskin löytyy. Mielestäni tämä malli soveltuu parhaiten juuri lämpötilojen vertailuun,´.

Sanottavaa itse kartoista; no, en tiedä onko esimerkiksi toukokuun kartta kuinka luotettava. Vähän näyttää epäilyttävän suurilta lukemat Rovaniemen suuntamilla. Myöskin huhtikuun kohdalla on jokin outo läikkä käsivarren lapissa, joka olisi muka 15-20 asteinen. Sitten on aivan eri asia puhua maaliskuun kartasta, jonka ohjelma sylkäisi useamman yrityksenkin jälkeen omalle ruudulleni (kuva 7). Kauniin maanläheiset on värit, mutta muutenhan se on ihan metsässä, joten naapurilainausta harrastamaan.

Kuva 7. pieleen mennyt kartta maaliskuulta

Jos nyt ihan kaikkia pieleen menneitä yrityksiä ja tuskailuun kulunutta aikaa ei paljasteta, niin ihan kohtalainen raportti ja suoriutuminen. Tavallaan jopa ihan hauskaa saapua ihan liian aikaisin torstaina hakkaamaan konetta ja räpiköimään geoinformaattisessa verkossa, mutta samalla tuskastuttavaa, koska turhaudun siitä, etten ymmärrä tai muista koskaan yhtään sen enempää edellisen kerran harjoitteista ja toiminnoista.

Ehkä tää ei vaan oo mun laji :/

Voiton puolella, 5/7!

Jällen kerran rämmittiin kohti Kevon kansallispuistoa ja sen retkeilyreittejä. Alueelta etsittiin sopivan mittainen vaellusreitti, joka digitoitiin kartalle. Tämän jälkeen tarkasteltiin reitin matkapuhelinverkon kantavuutta ja mahdollisia katvealueita, joita reitin varrelle jää. Lisäksi pohditaan sitä, minne kannattaisi pystyttää uusi GSM-masto, jotta verkon kuuluvuus reitillä paranisi.

Vaellusreitti Kevon luonnonpuistoon

Kaikki tämän kerran data on peräisin maanmittauslaitoksen tietokannoista, myös GSM-mastojen sijainti sekä 10m korkeusmalli.

Kuva 1. Valittu vaellusreitti Kevon luonninpuistossa

Ensin tuli siis visualisoida korkeusmalli sopivaksi kyseiselle alueelle. Tämän jälkeen alueelle digitoitiin haluttu vaellusreitti. Valitsin digitoitavaksi vaellusreitiksi Kevon reitin, joka on “virallinen” vaellusreitti alueella. Sen pituus on noin 63km.

GSM-verkon kuuluvuus

Oletuksena kuuluvuuden osalta on, ettei verkko kuulu maastoesteiden taakse, vaikka todellisuudessa kuuluvuus ei rajoitu pieniin maastoesteisiin. Kuuluvuuden tutkimiseen kartalle lisättiin dataa, joka esittää rasterimuodossa GSM-verkon kuuluvusaluueet (kuva 2). Mitä tummempi väri, sitä useammalta mastolta on estoton yhteys alueelle.

Kuva 2. välitilanne, jossa kartalla reitti ja kuuluvuusalueet

Tämän jälkeen työstettiin itse reittiä ja sen lähialueelle (2m) ulottuvalta alueelta selvitettiin GSM verkon kuuluvuutta. Koska reitti kulkee osin kanjonissa ja muissa syvänteissä, reitinvarrella ei ole jatkuvasti hyvää yhteyttä. Muutamalla helpolla työvaiheella saatiin erotettua reitinpätkältä ne alueet, jolla verkon kuuluvuus on hyvä ja ne, joille ei ole kuuluvuutta, eli jotka jäävät katvealueelle. (kuva 3)

Kuva 3. GSM-veron kuuluvuus valitun reitin alueella

Kuten huomataan, suurin osa reitistä on loppujenlopuksi verkon katvealueella. Lilalla merkitty osa reitistä on merkitsee siis katvealuetta, jopa 70%. Itse olisin arvioinut suuremman osan olevan verkollisella alueella, mutta yllättävän suuri osa matkasta on siis katvealueella.

Tästä päästäänkin siihen, onko tulos realistinen. Tällä hetkellä varmasti kyllä, sillä kuten alussa mainitsin oletuksena on se, ettei verkko kuulu maaesteiden läpi. Todellisuudessa luonnossa verkko kattaa varmasti vähintään 50% matkasta, sillä puusto tai matalampi painanne ei ole este verkon kuulumiselle.

Analyysiä voisi parantaa juurikin sillä, että selvitetään oikeasti se, mihin verkon kuuluvuus riittää, eli minkä esteen lävitse se pääsee ja minkä ei. Se antaisi todellisen kuvan siitä, kuinka hyvin matkan varrella GSM-verkkoa voisi hyödyntää.

Tässä kohtaa vielä kaikki hyvin : )

Uuden maston asentaminen

Tässä osiossa yritetään roikkua kiinni viimeisessä oljenkorressa ja varoa taittamasta nilkkaa louhikkoisella alustalla, lopulta hataroiden totaaliseen suohon, josta nouseminen kestää varmasti pitkälle seuraavaan viikkoon…

Kuva 4. Näkyvyys analyysin tulos

Aloitin pohtimalla hyvää sijaintia uudelle mastolle ja päädyin sijoittamaan sen kuvan (kuva 4) mukaisesti reitin vasemmalle puolelle, jollekin korkeammalle nyppylälle, jonka kartalta tulkitsin. Koordinaatit pisteelle; N 7716214,080 ja E 3484016,771. No arvaushan ei sitten mennyt ihan nappiin.

Kuten kuvasta näkee, mitä tummempi alue, sitä heikompi kuuluvuus aluella on. Näin ollen uuden maston sijainti olisi järkevin tummemmilla alueilla. Jotta saatiin edes kyseisen lainen karttatuloste, vaadittiin monen pitkän minuutin ja muutaman uuden yrityksen verran hikeä ja tärinää. Modelbuilder tuntui toimivan kuitenkin moitteettomasti, joten ongelmien oli pakko olla jälleen kerran käyttäjissä eikä niinkään ohjelmistossa.

Kuva 5. taidonnäyten modelbuilderin osalta

Mielestäni resoluution koon pienentämisellä ei ollut juurikaan vaikutusta alueen tarkasteluun. Alue on melko iso ja verkon kuuluvuuden tutkiminen näkyy hyvin tältäkin tasolta. Toki jos haluttaisiin oikeasti tietää kymmenen metrin tarkkuudella, kuinka hyvin verkko kattaa vaellusreitin, voisi suuremmalla koolla saada tarkempia tuloksia.

Seuraavassa tehtävässä olisi pitänyt tehdä kuuluvuusanalyysi uuden maston ollessa jo pystytettynä. Sen avulla nähteisiin kuinka paljon uuden maston asentaminen vaikuttaa vaellusreitin GSM-verkon kuuluvuuteen. Tehtävää varten pystytimme uuden maston niille kohdin, jolle se olisi alunperinkin tullut pystyttää. Uudet koordinaatit N 7715745,330 ja E 3485052,680. Ei kun kakkoskohdan toiminnot toistamaan jaaaaaa…

Kuva 6. jotain meni pieleen (so wronggg)

No, kukin näkee kuvassa mitä näkee (kuva 6), mutta yhtämieltä ollaan siitä, ettei se nyt ihan nappiin napsahtanut. Tätä vaihetta tehtiin perjantaina klo 17 aikaan erittäin hiljaisen valopihan pimeällä puolen. Auttavia käsiä oli onneksi muutama paikalla. Ainut vain etteivät hekään keksineet mikä meni pieleen : D. Kun vaihe oli toistettu muutaman kerran sekä apukäsien (kiitos niistä Eevalle) että Viccin kanssa kaksin hakkaamalla, jonka lisäksi modelbuilder (kuva 7) oli todettu loogiseksi xD, oltiin umpikujassa.

Kuva 7. modellbuilder viimeisillä vaiheillaan

Tässä vaiheessa alkoi näppäimistö jo kostua kyynelien ja kylmän hien aiheuttamasta suolaliemestä niin, ettei auttanut kuin yrittää viimeistellä kartta tekemällä näkyvyysanalyysi uudelleen ja toivoa parasta. Toiveemme ei toteutunutkaan ja jälleen apukäsien läsnöollessa kysyimme itseltämme, mitä teemme perjantaina klo 18 edelleen siinä pimeässä ja melko viileässä GIS luolassa. Tässä siis lopputulos (kuva 8). Kovasti yritimme, mutta ei se nyt taida olla ehkä ihan sitä mitä haettiin.

Kuva 8. parempaan ei pystytty ja hermotkin meni

Kuvasta pystyy kuitenkin päättelemään, että oikeaan suuntaan oltiin matkalla. Jos nyt vielä vastaan kysymykseen, että kuinka paljon kuuluvuus parani, niin mikäli näkyvyysanalyysiin on uskominen toimii matkapuhelin moitteettomasti koko kartan alueella (: Hyvä paikkavalinta! Jostakin syystä koko kartta siis aktivoitui violetiksi näkyvyysanalyysin toiston jälkeen, eikä sitä siitä enään muokattukkaan. Kokonaisuudessaan kartta on kuitenkin melko selkeä ja harmoninen, värien ja muotojen kokonaisuus, joka ei todellakaan kuvasta tekijöidensä tunteita saati mielentilaa tulevaa tenttiä silmälläpitäen.

#paniikki

Hyvillä mielin eteenpäin ja kohti kyseistä kurssikertaa 🙂

Tänään päästiin vielä kerran sukeltamaan Kevon ihmeelliseen maisemaan tai ainakin maastonmuotojen ja jokiuomien visalisointiin. Tehtävään liittyi niin toisella, kuin kolmannellakin kurssikerralla käytetyt ja luodut karttatasot. Tavoitteena löytää täydellinen paikka teltalle Kevon kanjonilta!

Ensimmäinen harjoitus

Harjoitukset alkoivat tutustumisella uuten aineistoon, joka tuotiin siis edellisten harjoituksien kanssa samaan työhön. Aineistona oli CORINE -maanpeitekartta, joka kattoikin koko Lapin alueen. Ensimmäisenä tehtävänä oli rajata se oikeaan kokoon Kevon kanjonin alueelle. Yksinkertainen toiminto clip -työkalulla.

Aineisto on koostettu ja muodostettu SYKE:n eli Suomen ympäristökeskuksen teettämien paikkatietoaineistojen sekä satelliittitulkintamenetelmien perusteella. Tiedot on vuodelta 2018, eli suhteellisen uusia. Kokonaisuudessaan SYKE:n aineisto koostuu sekä rasteri, että vektori muotoisesta datasta, mutta käytössämme oli vain rasterimuotoinen data.

Ensi avaukselta kartta näyttää värikkäältä pistepilveltä ja sitä se onkin. Värit kuvastavat eri maanpeiteluokkia, kuten jokia, järviä, avokallioita ja paljon paljon muuta. Datan pohjalta visualisoitiin kartta (kuva 1), joka kuvastaa alueen maanpeiteluokkia. Jätin karttaan uomasto 100k tason, sillä sekin liittyy olellisesti eri maanpeiteluokkien esiintyvyyteen alueella.

Kuva 1. visualisoitu kartta maanpeiteluokista Kevon kanjonilla

Alueen maanpeite on suurimmaksi osaksi tundrakasvillisuutta eli nummia ja varvikoita (tumma vihreä). Tämä johtuu alueen suhteellisen jyrkistä rinteistä ja korkeuseroista. Kanjonin pohjalla on paljon lehtipuita, jotka eivät menesty karummilla ja korkeammilla alueilla. Kartalta näkee korkeuseroja kasvillisuuden avulla, vaikken lisännytkään kartalle korkeuskäyriä. Harvapuiset alueet sijaitsevat korkeammilla kohdilla, tunturin päällä, jossa kasvillisuus on niukkaa. Toistaa aikalailla edellisissä harjoituksissa kuvailtua asiaa.

Toinen harjoitus

Toisessa harjoituksessa haasteena oli tehdä soveltuvuusanalyysiä, jonka tuloksista haettiin sopivia telttapaikkoja alueelta. Lähtökohtanahan oli, että teltan tulee sijaita alle 260m korkeudella, rinteellä joka avautuu itään, etelään tai länteen, sen tulee olla maksimissaan 200m etäisyydellä jokiuomasta, eikä rinteen jyrkkyys saa olla yli 10m. Eikun kiviä kääntämään…

Uutena työkaluna käyttöön otettiin ModelBuilder eli mallinrakennus (:D) työkalu. Se loi ikäänkuin uuden välilehden, jolle alettiin luomaan erilaisia kaavoja. Aloitettiin eniten pinta-alaa rajaavalla elementillä, eli korkeuden määrittämisellä. Kartalta rajattiin pois kaikki alueet, jotka ylittivät 260m korkeuden. Tässä (kuva 2) rajattuna alueet, jotka voisivat (vielä) olla mahdollisia telttapaikkoja.

Kuva 2. Välivaihe korkeuden rajauksessa

Tämän jälkeen työkalulla tehtiin vielä loput paikkaa rajaavat toiminnot, kuten rinteen jyrkkyyden arviointi sekä uoman etäisyyden rajaaminen. ModelBuilder työkalu teki selkeäksi, ajatuskartan tyylisiksi palluroiksi aineiston, siihen käytetyn työkalun ja lopputulostason visualisoinnin ja sitä oli helppo seurata ja ymmärtää. Tässä (kuva 3) valmis ketjutus kaikkien rajaavien paikkatekijöiden jälkeen.

Kuva 3. ModelBuilderilla tehdyt toiminnot

Ohjeissa oli erityinen “pro tip” osio, jonka mukaan yhdellä pienellä näppäimellä; Auto Layout, saisi kerralla järjestettyä pallurat siistiin järjestykseen ja selkeään muotoon näytölle. Kokeilinpas työkalua ja no, en kyllä välttämättä sanoisi parhaaksi ratkaisuksi (kuva 4). Kyllä taas itse tehty ja järjestelty versio eli niin sanottu perinteinen tyyli näytti paremmalta XD (kuva 3)

Kuva 4. “Pro” versio ModelBuilderista

Kun kaikki eri paikkaa rajoittavat tekijät oli saatu rajattua kasaan, tehtiin aineistolle vielä yhdistäminen. Sen avulla siis yhdistettiin mahdollisten telttapaikkojen tekijät suuremmiksi, yhtenäisiksi alueiksi, jotta kartta selkeytyy eikä näytä pelkältä pistepilveltä. Lisäksi aineisto muutettiin rasterimuodosta vektorimuotoon Raster to Polygon -työkalulla. Saatiin siis tulokseksi kartalle (kuva 5) kaikki mahdolliset paikat, jolle teltan näillä kriteereillä voisi sijoittaa.

Kuva 5. Mahdolliset telttapaikat ModelBuilderin jälkeen

Karttahan (kuva 5) ei tällä hetkellä oikeastaan kerro mitää, millaisessa maastossa pinkillä kuvatut telttapaikat sijaitsevat, joten karttaa piti visualisoida informoivammaksi. Lisäsin pohjalle DEM maastonkorkeusero kartan, jonka päälle korkeuskäyrät sekä uoman 100k. (kuva 6) Kartta näyttää oikeanlaiselta, ainakin telttapaikat ovat lähellä uomaa, melko matalalla ja luultavasti myös suhteellisen tasaisella kohdin. Kartta on mielestäni hyvin onnistunut ja sen avulla voisi jopa löytää paikan teltalle!

Kuva 6. telttapaikan sijoitettuna kartalle

Mitä muita kriteerejä telttapaikan valinnassa voisi hyödyntää? No tulee mieleen ainakin maaperän kosteus, sillä eihän kukaan halua nukkua lätäkössä! Lisäksi suojaisuus eli se kuinka paljon alueella tuulee, onko vaara jättää teltan ulkopuolelle jotain, joka voisi lähteä tuulenmukaan. Itse tietenkin huomioisin myös micromaastonmuodot ja kivisyyden. Ei ole mukavaa nukkua lohkare selänalla tai liejukuopassa.

Mitä muuta vastaavalla mallilla voisi selvittää? Mallilla varmaan tarkoitetaan ModelBuilderia. No eikös kaikilla maanpeite ja puusto datoilla voida selvittää liito-oravien mahdollisia esiintymisiä ja pesimä alueita :DD. Lisäksi varmaankin mahdollisia maanvyörymiä tai kasvupaikkatietoja. Luultavasti kaiken, jos lisää vielä omaa dataa kaiken jo olemassa olevan lisäksi.

Tämähän alkaa sujua! (ainakin paperilla …)

 

Väsyttää…

Tämän kerran aineistosta suuri osa oli jo valmiina edelliskerralta ja näpsäkästihän ne aukesivat kuten kuuluikin. Harmi vain, ettei edelliskerran tasoja voinut enään visualisoida, sillä se aiheutti muutamatkin ohjelman kaatumiset (: No kaikilla meillä välillä keittää yli.

Tämän kerran harjoitus perustui siis Kevon kanjonin alueen puuston tutkimiseen. Aineistona oli rasterimuotoista dataa alueen puustosta, josta oli eritelty mänty, kuusi ja lehtipuut omiksi tasoikseen. Aluksi silmäilemällä alueella vaikutti olevan yllättävänkin paljon puustoa, vaikka alue on pohjoisessa, käsittääkseni tundra-alueella. Tähän syynä varmaankin Kevon kanjonin pohjalla virtaava valuma-alue joki ja suojaisampi kasvupaikka.

Aineiston tietoja

Aineiston tuottamisessa käytettiin tekstin perusteella montaa erilaista laaserkeilainta, pikseleistä tms kirjainyhdistelmitä ei kyllä mitään käryä : D Mutta siis monelta eri kantilta ja kulmalta ja ilmeisesti eri resoluutiolla kuvattuja aineistoja. Puuston vuotuista tilavuusprosenttia arvoitiin metsikkökohtaisten ja puulajistollisten kasvumallien avulla. Lisäksi tehtiin muita maastollisia mittauksia.

Puumassan yksikkönä oli käytetty 10kg/ha. Spatiaalinen resoluutio on varmaankin sama, koska pohjakartta ja muutkin tasot olivat samoja kuin viime kerralla, toisaalta löysin tekstistä myös luvun 16km x 16km. Tiedähäntä…

Varsinaiset kartat

Tässä seuraavaksi tunnin tulosta. Kartoilla (kuva 1 ja 2) näkyy männyn ja lehtipuiden latvuspeittävyys Kevon kanjonilla.

Kuva 1. alueen lehtipuiden arvioitu latvuspeittävyys

Kuva 2. alueen mäntyjen arvioitu latvuspeittävyys

Karttojen taustalla on korkeusvyöhykkeinä alueen korkeus merenpinnasta 200m tarkkuudella. Lisäksi 100k uomataso ruskealla, jota ei siis voinut enää visualisoida uudestaan. Päädyin poistamaan kartalta selvyyden vuoksi kaikista pienimpien ja harvimpien puiden latvuspeittävyyden. Kartta oli selkeämpi näin, ja siitä pystyy edelleen tekemään tärkeimmät havainnot.

Havaintoina latvuspeittävyyden osalta se, että lehtipuita löytyy oikeastaan vain kaikista kosteimmilta ja matalammilta alueilta niiden suuremman veden tarpeen vuoksi. Mäntyä taas näyttää olevan kivunnut jopa joissain määrin kaikista korkeimmillekin kohdille. Mänty selviytyy kuivemmissa ja karummissa olosuhteissa kuin lehtipuut.

Miten latvuspeittävyys sitten on aineistossa arvioitu? No siinä kohtaa aineistossa oli valtavati erilaisia kirjain yhdistelmiä ja numeroita, joten yritin saada siitä selvän; latvuspeittävyys on arvioitu k-NN menetelmällä eli vertailemalla naapureiden etäisyyttä toisiinsa(?). Ilmeisesti siis vaakatasossa arvioituna lehtien peittävyys kun katsotaan kohtisuoraan ylös.

Biomassoja

Seuraavaksi vertailin kuusen, männyn ja lehtipuiden biomassaa alueella. Kuvissa (3, 4 ja 5) näkyy jokaisen puulajin tai lajien biomassan levittäytyminen alueelle ja tässähän yksikkönä toimi 10kg/ha.

Kuva 3. kuusen biomassa Kevon kanjonilla

Kuva 4. männyn biomassa Kevon kanjonilla

Kuva 5. Lehtipuiden biomassa Kevon kanjonilla

Jo ensi vilkaisulta huomaa, että lehtipuiden biomassa on huomattavasti suurempi kuin kuusen tai männyn. Harmittavasti jäi nappaamatta legenda näistä, mutta mitä tummempi väri, sitä suurempi biomassa : D Aloin tässä vain karttoja liittäessäni pohtimaan, että mikä mahtaa aiheuttaa sen, että männyn biomassa on pienempi ja suppeammalla alueella kuin lehtipuiden, vaikka latvuspeittävyydessä tilanne oli toisinpäin?  Korkeammalla kasvavat männyt todennäköisesti kitukasvuisia. Vai johtuukohan neulasten tilavuudesta verrattuna lehtiin? Pieni ristiriitaisuuden siemen kylvetty.

Ylimääräinen kartta

Tässä vielä 100k uomastosta tehdylle bufferille pohjautuva kartta (kuva 6), jossa havainnollistetaan lehtipuiden etäisyyttä Kevon kanjonin pääuomista. Kartalle lisättyinä bufferitaso, eli etäisyys uomasta 200m buffereilla sekä lehtipuiden latvuspeittävyys taso.

Kuva 6. lehtipuiden etäisyyttä kanjonin uomista havainnollistava bufferi kartta

Kuten kartasta voidaan päätellä lehtipuita on levinnyt jokaiselle etäisyysvyöhykkeelle. Kartalla on kuitenkin vain lehtipuiden osuus. Kaikilla etäisyysvyöhykkeillä, mäntyä on latvuspeittävyyden perusteella eniten.  Vastaavasti kuusta aluella on selvästi vähiten. Alla oleva taulukko havainnollista samaa (kuva 7) eli mänty on valtapuu alueella.

Kuva 7. taulukko puiden latvuspeittävyydestä

Ihan mielenkiintoinen harjoitus ja suht. koht. helpot tehtävät!

Tällä kerralla tarkasteltiin erilaisia korkeusmalleja, niiden käyttöön sopivia työkaluja sekä niiden avulla tarkasteltavaa dataa. Harjoituksen pohjana käytettiin DEM eli Digital Elevation Model tyyppistä aineistoa Kevon kanjonista, Kevon luonnonpuistosta.

Jälleen kerran ohjeet olivat loistavat ja niiden avulla selvittiin harjoituksen loppuun kunnialla. Toki voidaan kyseenalaistaa tuliko matkanvarrella opittua tai ymmärrettyä mitään, mutta sen selvittäminen on edessä sitten seuraavalla kerralla. Tämän kertainen harjoitus eteni nopeasti ja kivuttomasti, vaikkei ohjeistus sisältänytkään kovinkaan paljoa havainnollistavia kuvia.

Ensimmäiset kysymykset liittyivät datan tarkasteluun. Ne osoittautuivatkin haastavammiksi kuin oletettiin, joten vastukset ovat sen mukaisia; (:D)

• Mitkä ovat korkeusmallin yksiköt vaakasuunnassa, entä korkeussuunnassa? Metrejä
  
• Mikä on korkeusmallin projisoitu koordinaattijärjestelmä? EUREF FIN TM35FIN
• Mikä on korkeusmallin spatiaalinen resoluutio? 34,33 MB
• Mikä on alueen koko? 6km x 6km

Harjoituksen aikan luotiin monta erilaista karttatasoa, joiden kaikkien merkityksestä en edelleenkään ole perillä. Mutta kuten alussa sanottiin kyseistä versiota käytetään vielä tulevien kurssikertojen aikana. Kuva 1. Kevon kanjonin rinteen jyrkkyys ja korkeuskäyrät

Tässä ensimmäinen vedos siitä, mitä kurssikerran aikana tapahtui. Loimme siis korkeusmallista johdannaisen (kuva 1), jonka avulla voidaan tarkastella kanjonin rinteen jyrkkyyttä ja korkeus eroja. Lisäksi otin kartalle mukaan korkeuskäyrät hahmottamaan sitä, kuinka suuret korkeuserot kanjonin pohjalla virtaavan uoman ja ympärillä olevien lakien välillä onkaan.

Seuraavassa kohdassa tutkitaan tarkemmin hydrologisen mallinnuksen vaiheita. Ensimmäisenä tuli selvittää millaisia valuma-alueita kanjonin alueelle kuuluu ja se saatiin tekemällä jonkinlainen “basin” -työkalun analyysi. Karttatasoksi ilmestyi suuri harmaa alue, jonka päättelimme olevan valuma-aluetta. Pakko myöntää etten todellakaan tiedä valuma-alueista yhtään mitään vaikka maantieteilijä yritänkin olla, joten harjoitus on saattanut mennä ihan pieleen jo tässä vaiheessa. :´(

No joka tapauksessa eteenpäin, eli seuraavaksi lisäsin kartalle uomastoja, jotka havainnollistavat sitä, mitä mahdollisia reittejä pitkin vesi pääsee valumaan pois alueelta. Kartalle (kuva 2) on lisättynä uomastoja raja-arvoilla 2000 ja 10 000. Kuten kuvasta näkee pienempiä uomia kulkee alueella useita, jotka sitten liittyvät suurempiin poisvirtaaviin uomiin.

Kuva 2. Kevon kanjonin valuma-alue ja sen uomastoja

Kysymyksenä oli pohtia, miten uomien raja-arvon valinta vaikuttaa lopputulokseen, ja mikä raja-arvo saattaisi olla paras tässä tapauksessa?  Raja-arvon valinta vaikuttaa kartan lopputulokseen merkittävästi, sillä mitä pienemmän raja-arvon valitsee, sitä enemmän ja pienempiä sivu-uomia kartalle ilmestyy. Kartta näyttää siis osin sekavammalta. Pienimpien uomien lisääminen kartalle ei enää havainnollista mitään, vaan tukee isompien uomien pohjalta tehtyä päätelmää. Siksi valitsin sopivimmaksi raja-arvoksi 10 000 ja tätä tulen käyttämään tulevien kuvien kohdalla.

Toisena kysymyksenä, pohdi lisäksi vaikuttavatko uomat täysin todenmukaisilta? Ovatko ne joissakin kohdissa epäloogisia, tai erikoisen muotoisia? Kartalla olevat uomat ovat joissain kohdin epäilyttävän suoria, mutta se voi johtua myös aineiston esitystavasta. Vaikka aineistosta tehtiin sekä rasteri, että vektori muotoinen data, ei se pysty esittämään kaikista pienimpiä mutkia joita luonnossa voi olla.  Muuten uomasto on mielestäni melko selkeä, kuten jo sanoin, en ole valuma-alue ekspertti, joten kelpaa minulle.

Kuva 3. Kanjonin uomasto slope-karttapohjalla ja mahdolliset valuma-alueet

Tällä kartalla (kuva 3) oli tarkoitus vastata seuraavaan kysymykseen; Minkälaisia valuma-alueita tutkimusalueella on? Kartalla näkyvä pääuoma jakautuu mielestäni kahdeksi pienemmäksi uomaksi, jotka muodostavat omat pienemmät valuma-alueensa, kuten yritin hahmottaa piirtämällä kartalle. Pienemmältä mittakaavalta katsottuna alue voidaan kuitenkin nähdä yhtenä suurena valuma-alueena. 

Kuva 4. Kevon kanjonin uomaston virtaussuuntia

Vielä viimeinen karttavedos, jonka päätin lisätä raporttiin. Kartalla (kuva 4) on siis havainnollistettu sitä, miltä alueilta vettä valuu ja mille alueille kerääntyy eniten vettä. Mitä tummempi väri kartalla, sitä enemmän sille valuu vettä vaaleammilta alueilta. Valitsin esitystavaksi mieluummin loogisen sinisen eri sävyt, sillä mielestäni se osoittaa selkeämmin sen, mille alueille vesi kerääntyy.

Seuraavaa kertaa odotellessa…

Kylmää, märkää ja pimeää. Heijastaa sekä ulkona vallitsevaa säätilaa, että pääni sisällä raksuttavia ajatuksia edellisen geoinformatiikan kurssin sisällöistä. Mutta ei auta, täällä jälleen. Kone auki ja muistelemaan miten niitä buffereita luotiin ja miten exportattiin karttataso ulos ennen kuin ohjelmisto ehtii kaatua.

Ensimmäisen kurssikerran työt osoittautuivat helpotukseseni melko iiseiksi. Toki yksityiskohtaiset ohjeet siitä, mitä milloinkin tuli tehdä ja missä järjestyksessä helpotti huomattavasti tulokseen pääsemistä. Bufferi oli muistissa ja tuttu työkalu edelliseltä gis -kurssilta, joten mitään suurempaa paniikkia ei päässyt syntymään. Ohjelmistona ArcGis Pro osoittautui yhtä näppäräksi kuin Qgis (sarkasmia vaiko ei :D), mutta totuttelua ja eri työkalujen löytämistä sen käyttö vielä vaatii.

Tämän viikon harjoitus käsitteli Overlay-analyysejä. Kyseiset analyysit ovat perinteisimpiä tapoja tarkastella vektorimuotoista paikkatieto dataa. Lyhykäisyydessään tämä tarkoittaa sitä, että useita karttatasoja asetetaan päällekkäin ja analysoidaan sen avulla vastinkohtien ominaisuustietoja. Tällä kerralla se tarkoitti kahden Helsingistä vievän ajoväylän alueen maankäytön tarkastelua.

Kuva 1. lähtötilanne ennen buffer-analyysiä

Käytetyssä datassa oli yhdistettynä päällekäin tietoa Lahdenväylän ja Vihdintien sijainnista sekä alueen maankäytöstä. (kuva 1) Maankäytön muotoina oli eritelty rakennukset, tiet, matala kasvillisuus, pellot, puusto, avokallio ja vesistöt. Kartan käsitteleminen ei loppupeleissä ollut kovinkaan vaikeaa, mutta uuden ohjelmiston pyörittäminen ja toimintojen opetteleminen vei suurimman osan ajasta.

Kuva 2. Valmis kartta tehtävään 1

Kuvassa 2 on valmis karttatuloste tehtävään 1, jossa tuli bufferoida kummankin väylän alueen maankäyttömuodot näkyviin. Jotta saatiin näkymään vain kahden valitun väylän ympäristön maanpeite tiedot, käytettiin tehtävässä buffer- eli puskurianalyysiä. Buffer -analyysin avulla voidaan erottaa datasta halutulta eteisyydeltä, tässä tapauksessa 250m väylistä, sijaitsevat alueet ja niiden sisältämät tiedot. Tiedot otettiin maanpeite datasta, jolloin Buffer muodosti uuden vyöhykealueen kyseisten ajoväylien ympärille (ks. kuva 2).

Myös ArcGis Pro -ohjelmistossa pystyi visualisoimaan työstettävää karttatasoa niin, että sen värit ja muodot vastaisivat paremmin sen esittämää dataa. Näin tehtiin kummankin tehtävän kohdalla, jolloin karttojen väritys helpoottaa lukijaa ymmärtämään, mistä kartassa on kysymys.

Lopuksi tehtävässä tuli vielä tehdä diagrammit kummankin väylä maanpeite muodoista. (kuvat 3 ja 4) Näiden kahden diagrammin värejä en lähtenyt muokaamaan, sillä aikaa kurssikerralla on rajatusti. Diagrammista kuitenkin näkee selkeästi, että kummankin väylän läheisyydessä puusto on hallitsevana maanpeitemuotona. Toinen merkittävä on tiestö.

Kuvat 3&4 digrammit väylien maanpeitteestä

Toinen tehtävä aiheuttikin enemmän päänvaivaa. Tehtävänä oli tutkia Kumpulan ja sen lähialueiden (Toukola, Käpylä) maankäyttömuotoja. Tehtävässä pystyi hyödyntämään pitkälti edellisen tehtävän karttatasoja. Uutena datana tuotiin vain kaupunginosien rajaukseen liittyvät osat.

Kuva 5. valmis kartta tehtävään 2

Tällä kartalla (kuva 5) haasteellisinta oli tuottaa maanpeite aineiston jaottelu kahteen luokkaan; rakennettu ja luonto. Ohjeissa olevan Code Blokin kopioimalla olisi pitänyt saada helposti tuotettua oikeanlainen jaottelu, mutta tehdessämme tehtävää yhdessä Vicci:n kanssa kummankin atribuuttitaulukosta puuttui erinäisiä tietoja. No, siitä selvittiin ja tässä lopputulos. (kuva 5)

Tehtävän 2 tekemisessä käytettin kahta eri päällekkäisanalyysin tapaa; Clip ja Intersect. Clip -työkalu on jo edellisellä kurssilla opittu piparkakkumuotti, jonka avulla saa valittua kartalta, haluamaltaan alueelta datan. Työkalu luo uuden karttatason, jolle tallentuu valitun alueen sisälle jäävän datan tiedot. Intersect -työkalu puolestaan leikkaa halutun alueen kartalta, luo uuden karttatason, mutta säilyttää sille leikatun alueen tietojen lisäksi myös lähdedatalta valitun alueen ulkopuolisia tietoja.

Kuva 6. Kumpulan, Toukolan ja Käpylän alueen maankäyttö taulukoituna

Tehtävään kaksi kuului myös diagrammin askartelu. Kuvassa 6. näkyy kunkin kaupunginosan maankäyttömuodot prosenttiosuutena. Tässä kohdin oli jo luokiteltu data rakennettuun ja luontoon, joten oli helpompaa esittää se pylväinä. Tämä siis erona edellisen tehtävän piirakoihin. Diagrammien esittämisessä on ongelmana se, että maanpeite data “muu paljas maa” on sijoitettu rakennettuun ympäristöön. Lähdedatassa ei oltu erikseen eritelty mitä tuo “muu paljas maa” pitää sisällään, ja osa sen kattamista alueista oltaisiin voitu luokitella varmasti myös luontoon. Tällaisena esimerkkinä tulee mieleen hiekkakentät.

Ensimmäisestä kurssikerrasta selvitty, enää 6 jäljellä 🙂

 

Itsenäistä tiedonkeruuta ja -esittämistä

No nyt päästään viimeistään siihen kauhun hetkeen, kun kaikki pitää osata suorittaa alusta loppuun itsenäisesti. Ei mikään erityisen mairitteleva lähtökohta ihmiselle, joka on koko kurssin tuskaillut sekä QGisin, että oman muistin käytön ongelmista. No jotain raavin kuitenkin kasaan.

Vaikeinta oli erityisesti löytää dataa käytettäväksi. Päädyin ottamaan taustakartaksi jonkin tunneilla käytetyistä, jolle vaan löytyisi mielenkiintoisinta dataa. Datan löydon kanssa tulikin sitten haasteita. En osannut ajatella mitä ja millaista dataa tarvitsisin, joten päädyin sitten tekemään aivan oman datani;

Kuva 1.  yliopistojen sijainti Suomessa verrattaessa asukaslukuihin

Sain siis idean siitä, miten opiskelijoiden määrä alueella vaikuttaa sen koko asukaslukuun. Otin käyttöön väestötietoja esittävän kartan. Mitä tummemmalla väri on kunnassa, sitä enemmän siellä asuu ihmisiä. Tämä korreloi suoraan yliopistojen sijainnin kanssa. Merkitsin jokaisen yliopiston sijainnin sinisellä pisteellä kartalle. Esimerkiksi Jyväskylän, Oulun ja Rovaniemen alueilla on helppo havaita, että suuri opiskelijoiden määrä nostaa kunnan asukaslukua.

Jouduin käsipelin tuottamaan oman tietokannan yliopistoista, ja niiden sijainnista, sekä opiskelija määristä (kuva 2), koska sellaista ei suoraan löytynytkään. Valitsin vain kaikki suomen yliopistot, en ammattikorkeakouluja, sillä aineisto olisi paisunut aika paljon. Oli mielenkiintoista huomata, että kaikissa yli 100 000 asukkaan kaupungeissa oli yliopisto. Opiskelija määrä siis nostaa alueen väkilua, ja toisaalta laskee kotikuntien, joista on lähdetty muualle opiskelemaan.

Kuva 2, laatimani data yliopistoista, niiden sijainnista ja opiskelijamääristä

Seuraavaksi päätin vielä tutkia sitä, kuinka hyvin yliopistot on saavutettavissa matkallisesti eri alueilla asuville ihmisille. Kartalle on bufferoitu (kuva 3) 100km etäisyys jokaiselta yliopistolta. Kaikki alueet, jotka jäävät kyseisten pinkien alueiden sisälle, ovat vähintään 100km päässä yliopistolta. Kuten huomataan useita kuntia jää myös sen ulkopuolelle. Etenkin pohjoisin Lappi ja alueita kaakkois-Suomesta.

Kuva 3, bufferoitu kartta yliopistojen saavutettavuudesta

Etsin vielä tietoja maakunta-tasolla ihmisten koulutusasteista. En ikävä kyllä monista ponnisteluista huolimatta osannut esittää niitä kartalla, mutta alla taulukko! (kuva 4) Taulukosta näkee, että yliopiston sijainnilla, oman maakunnan alueella on vaikutusta sille, kuinka suuri osa alueen asukkaista on korkeastikoulutettu. Tokikaan tämä ei ole suoraan johdannaista, mutta voimme kuitenkin ajatella sen vaikuttavan. Prosentti osuudet on laskettu kunkin alueen koko asukasmäärää vertaamalla alueen korkeasti koulutettujen määrään. (kaikki kolme astetta huomioitu)

Kuva 4, taulukointi eri maakuntien koulutustasosta

Esimerkiksi taulukossa ylimpänä oleva Uusimaa on selkeästi muita alueita korkeammin kouluttuneempi, jopa yli 30%lla. Alueella sijaitseekin jopa neljä yliopistoa, mikä selittää määrää. Myös Pirkanmaan ja Varsinais-Suomen kohdalla prosentti on varsin korkealla, ja kummassakin sijaitsee yliopisto. Listan viimeisten, Kainuun ja Kymenlaakson alueella ei sijaitse yhtäkään yliopistoa.

Kurssin loppu, mitä jäi mieleen? Mitä ei?

Kokonaisuudessaan kurssi ei ollutkaan ihan niin kamala, kun mitä olin alunperin ajatellut. QGis osoittautui käteväksi työkaluksi, mutta sen käyttö vaatisi hurjan paljon enemmän toistoa ja opettelua, jotta se sujuisi ilman suurempia ongelmia. Ehkä sekin, että tekniikka ja sen kanssa leikkiminen tuottaa aina päänvaivaa, saattoi ohjailla kiinnostustani ja tuskailua entisestään heikompan suuntaan kurssin suhteen, mutta olen nyt kuitenkin hyvillä mielin lopettelemassa kurssin. Selailtuani muutaman muun opiskelijan kurssiblogeja huomasin, miten heidän viimeisten kertojen karttansa ja tutkimus kohteet olivat aivan omaa luokkaansa. Etenkin  Ali Ylikosken viimeisen kurssikerran blogi oli erittäin valaiseva ja hieno! Pidin kovasti siitä, miten Ali oli ottanut konkreettisen tutkittavan aiheen ja alueen viimeisten parin vuoden tiimoilta. Kerrassaan upea! Toinen suositus erittäin hienosta ja inspiroivasta blogista kuuluu Janne Turuselle, jota olen aiemminkin lainannut 🙂

Samalla kun selailin mm. Alin blogia tuli vain mieleeni, että harmi kun en itse vielä osaa tuollaista tuottaa :/ Mutta ehkä vielä joskus. Kurssi oli avartava matka ihan geoinformatiikan juurilta kohti vuoren rinnettä, jonne se ainakin minun osaltani päättyi. Kiitos kurssin opettajalle, ilman en olisi selvinnyt!

Täysin oppinutta velhoa minusta ei tullut, mutta katsotaan josko vielä uskaltautuisin uudestaankin kurkistamaan tuon mystisen geoinformatiikan verhon taakse, ja jopa kokeilemaan, miten velhouden viitta sopisi harteilleni.

Lähteet:

Ali Ylikosken kurssiblogi, https://blogs.helsinki.fi/alingeoinformatiikka/

Janne Turusen kurssiblogi, https://blogs.helsinki.fi/janneturunen/

Vaikken päässytkään tällä viikolla muiden mukaan ulkoilemaan itse kurssikerralle, suoritin samaan aikaan omaa ulkoilua hiihtelemällä järven jäällä. Kevät auringon pilkahdellessa pilvien takaa kelpasi kyllä hiihdellä. Ei tullut edes ikävä QGisiä 😀

Tehtävät suoritin itsekseen, välillä silkalla raivolla hakaten ja omia viritelmiä kokeillen, mutta myös lopputulosta ihaillen. Tässä ensimmäinen kuva (kuva 1), jossa yhdistin valmiille maailmankartta pohjalle tietokantoja maanjäristyksistä. Punaiset pisteet osoittavat kartalla 2000-luvulla tapahtuneita, yli 7.0 magnitudin maanjäristyksiä.

Kuva 1, maanjäristykset 2000-luku

Kartta on mielestäni ihan onnistunut, muistin jopa legendan, mittakaavan ja pohjoisnuolen, eli kehitystä on! Kartta täyttää nyt kartan vähimmäisvaatimukset. Mielestäni kartta on selkeä ja informatiivinen, siitä näkee selkeästi, millä alueilla maanjäristyksiä tapahtuu. Sen avulla voisi hyvin opettaa maanjäristysten alueellista sijaintia, litosfäärilaattojen reunavyöhykkeillä.

Seuraavan kartan tein vain kaikista voimakkaimmista maanjäristyksistä, eli yli 8.0 magnitudin maanjäristyksistä. Aikaväli näiden järistysten tapahtumisessa on 1980-2012. Harmillisesti aineiston keräämät järistysteidot loppuvat vuoteen 2012, jolloin en saanut uusimpia järistyksiä kartalle. Tässä kuitenkin lopputulos:

Kuva 2, voimakkaimpia maanjäristyksiä vuosina 1980-2012

Valitsin pisteille luokittelu asteikollisen esittämistavan, jolla voin havainnollistaa järistyksen voimakkuutta. Mitä tummempi punaisen sävy, sitä voimakkaampi järistys. Opetustarkoitukseen kartta on varmasti ihan kelpo, mutta osoittaa oikeastaan aika suppean tiedon. Kuten huomataan kartat 1 ja 2 eroavat aika paljon toisistaan. Pelkästään karttaa 2 katsomalla voi tulla väärä käsitys siitä, ettei maanjäristyksiä tapahdu kovinkaan paljon tai usein. Kuten kurssitoveri omassa blogissaan hyvin toteaa:

“Yksinkertaisella valinnalla sen suhteen, että miten voimakkaat maanjäristykset – ja miltä ajanjaksolta – kartassa kuvataan saadaan visuaalisesti hyvin erilaisia karttoja.” -Janne Turunen

Vielä viimeinen kartta, johon yhdistin maanjäristystietokantoja sekä tietoja tulivuorista ympäri maailmaa. Valitsin tulivuorten sijainnit lähemmäs maanjäristysten sijainteja ihan tarkoituksella. (kuva 3) Oli aika tuskaista etsiä tulivuorten sijainteja, sillä sivusto oli melko laaja. Olisin halunnut valita vain aktiiviset tuliuoret, mutten löytänyt kyseistä rajausta.

Kuva 3, maanjäristys data yhdistettynä tulivuorten sijainteihin

Tällä kartalla olisi varmasti käyttöä opetustarkoituksissa. Kartalla voi havainnollistaa paitsi maanjäristysten sijainteja, myös tulivuorten sijoittumista kartalle. Lisäksi voi yhditää tietoa ja pohtia sitä, mikä on näiden kahden vaikutus toisiinsa, ja miten niiden sijainnit ovat yllättävän paljon samoilla suunnilla.

Kuva 4, maanjäristysalueita maailmalla

Jäin vielä pohtimaan tuota Jannen kommenttia, ja nappasin netistä kuvan, joka havinnollistaa vielä pienempienkin maanjäristysten esiintyvyyttä maapallolla. Tämä kartta voisi olla opetustarkoituksissa hyvä lisä omien kuvieni rinnalla, sillä tämä (kuva 4) näyttää esimerkiksi sen, että Suomessakin esiintyy paikallisia, pieniä maanjäristyksiä. Lisäksi kartta esittää erittäin hyvin, miten suurimmat ja yleisimmät maanjäristykset liittyvät litosfäärilaattojen sijainteihin.

Tällä kerralla QGisin käyttö olikin yllätyksekseni aika helppoa. Toki mitään laskuja, bufferointeja tai vastaavaa ei ollut pakko toteuttaa, mutta tämä antoi taas pienen valonpilkahduksen ajatellen viimeistä kurssikertaa!

Lähteet:

Janne Turusen kurssiblogi, https://blogs.helsinki.fi/janneturunen/

Wikipedia kuva,  https://fi.wikipedia.org/wiki/Maanj%C3%A4ristys

“JEE! Kunhan tästä kerrasta selvitään, on edessä enää kaksi kertaa” Siinä omat ajatukseni, kun raahauduin räntäsateessa kohti viidettä kurssikertaa.

Ajatukset kurssin ja QGisin suhteen heittelvät melkein laidasta laitaan. Kun onnistun tekemään jotain (usein opettajan ohjeilla), olen innoissani ja saatan jopa hetken ajatella, ettei tämä olekaan sen vaikeampaa tai yhtä hirveää kuin ajattelin. Mutta kun olen taas yksin, aivan solmussa omien räpellyksieni kanssa, vajoan syvälle siihen ärsytyksen ja ahdistuksen maisemaan, jota QGis toisinaan aiheuttaa.

No, mutta mennäänpä sitten taas itse kurssikertaan…

Tällä kerralla harjoiteltiin kaikkea edellisillä kerroilla opittua ihan käytännössä, eli itsenäisesti suoritettujen harjoitusten avulla. Tunnin aluksi perehdyttiin vielä yhteen uuteen toimintoon ja työkaluun, jolla kaivaa esiin tarpeellista tietoa ja dataa. Kyseessa oli bufferointi työkalu, jonka avulla sai kätevästi tarkkailtua jonkin kohteen vaikutusaluetta, ja valittua siltä erilaisia tietoja esiin.

“Bufferien avulla luodaan vyöhykkeitä, joiden alueelta voidaan laskea arvoja Näiden avulla voidaan selvittää esimerkiksi monia käytännönläheisiä asioita aluesuunnittelussa.” -Jessika Isomeri

Kuva 1. Bufferoinnin harjoittelua Pornaisten alueella

Yllä siis (kuva 1) tulosta siitä, miten erilaisia bufferointeja voi hyödyntää. Violetilla ympyrällä on rajattu alue, jolla jokaisen asukkaan matka terveyskeskukselle on vähintään 500m. Huomataan siis, ettei suurimmalla osalla Pornaisten alueen asukkaista ole lyhyttä reittiä terveyspalveluiden luokse. Lisäksi kartalle on bufferoitu suurimmat liikenneväylät, ja jokaisella asukkaalla joka tuolle oranssille alueelle osuu, on vähintään 100m matka tielle.

Sitten niiden itsenäisten tehtävien kimppuun. Ohjeena oli siis tarksastella Malmin- ja Helsinki-Vantaan lentokenttien melualueita. Ensin otin tarkasteluun Malmin lentoaseman. Koko hommahan alkoi kiitoratojen digitoinnilla, helppo homma! Sitten tehtävänä oli tutkia lentokentän läheisyydessä asuvien ihmisten määrää. Tein kaksi bufferirajausta (kuva 2) 1km lentokentästä, sekä 2km lentokentästä.

Kuva 2. Malmin lentokentän bufferointi

Jo 1km säteellä lentokentästä asuu reilusti yli 8000 ihmistä, mikä ehkä yllätti vähän. Vaikkei lentokenttä olekaan enään aktiivisessa käytössä, eikä lentomelua näin ollen synny yhtä paljoa, jotenkin se silti yllätti, miten lähelle ihmiset ovat muuttaneet. Sitten 2km sisällä asuikin jo yli 58 000 ihmistä.

Seuraavaksi sama homma Helsinki-Vantaan lentokentälle ja tulokset olivatkin ihan erilaisia; 1km alueella ei yhtäkään ja 2km säteellä lentokentästä alle 20 asukasta. Syynä tälle varmaankin lentokentän suuruus. Kiitoratoja on enemmän, koneita lähtee useita tunnissa ja koneiden kokokin on suurempi. Lentokentälle on rajattu jo ihan aidoillakin enemmän tilaa.

Asukkaiden sijoittuminen eri lentomelun tason alueille oli myös mielenkiintoista. Kuvassa 3, havainnoin sitä, kuinka monta ihmistä asuu suurimman, eli 65 db alueella. Kohteita alueelta löytyi 37, eli ilmaisesti 37 asuin rakennusta ja asukkaita näissä asui 300. Vaikea arvioida kuinka paljon 65 db lentomelu vaikuttaa alueen asukkaisiin, vai onko siihen jo tottunut. Luulisi kuitenkin, että taloissa olisi hieman parempi äänieristys.

Kuva 3. Asukkaat 65 db alueella Helsinki-Vantaan lentokentästä

Sitten vielä hieman metro ja juna-asemien tarkastelua. Tein samankaltaisen bufferoinnin asemien ympäristölle, eli kuinka moni alueen asukkaista asuu alle 500m päässä lähimmästä asemasta. (kuva 4) Yhteensä asukkaita teidostossa oli yli 516 000 ja asemien läheisyydessä asuvia heistä noin 111 700. Prosenttiosuutena se tarkoittaa, että asemien välittömässä läheisyydessä asuu noin 22% alueen ihmisistä.

Kuva 4. 500m asemien ympärillä asuvia ihmisiä

Tämän tehtävän jälkeen oli jo melkoinen voittaja olo, sillä se meni kaiken kaikkiaan aika kivasti. Muutama vinkki kavaerilta ja sitten yhteinen pohdinta, jonka jälkeen tulokset oli vain analysoitava ja kaapattava talteen. Seuraava tehtävä ei mennytkään yhtä kivuttomasti…

Valitsin siis viimeiseksi tehtäväksi ensimmäisen, eli koulut. Siinä piti laskea yhden koulun; Helsingin Yhtenäiskoulu, kohdalta tietoja tulevista uusista oppilaista, sekä yläasteen oppilaita. Ihan ensiksi piti ylipäätään löytää tuo kyseinen koulu kartalta, ja sehän löytyikin sitten Käpylän aseman tienoilta.

Eteen tuli ensimmäiset ongelmat jo tässä vaiheessa; mistä tiedän mikä on tämän koulun koulupiiri? No selvittelin sitten sen ja sain kuin sainkin jonkin näköisen rajauksen kartalle. Uusien koulussa aloittavien ekaluokkalaisten määrä, omasta koulupiiristä tulee olmaan 14. Kuulostaa aika pieneltä, kun on tottunut näihin pääkaupunkiseudun suuriin, monen rinnakkaisluokan kouluihin.  Mutta ehkä oppilaita on sitten tulossa muilta koulupiireiltä tai toisilta paikkakunnilta muuttavia, en tiedä.

Yläkouluikäisten määrä olisi yli 60. Jostain syystä sain kaksi eri lukua, kun ensin yritin tehtävää tunnilla kampuksella, ja sitten kotona omalla läppärillä, mutta joka tapauksessa, yläasteella oppilaista tulee olemaan hieman yli 60. Kyseessä on ilmeisesti pakko olla hiukan pienempi koulu, kun tuon 60 jakaa kolmelle luokka-asteelle on edelleen jokaisella luokalla vain se 30 oppilasta. Nimi “yhtenäsikoulu” viittaa ehkä hämäävästi suurempaan kokoon.

Tämän kurssikerran tehtävät olivat jo oikeasti haastavia. Jouduin käyttämään niin omaa tuskastelua ja päättely kykyä, kuin lainaamaan ajatuksia kavereiltakin. QGis osoittautuu samaan aikaan erittäin monipuoliseksi ja jopa käteväksi työkaluksi, mutta miten onkaan mahdollista aina muistaa kaikki, mitä sen kanssa tulee tehdä ja mistä kaikkialta lötyykään ne kätevimmät työkalut. Ensi kertaan!

 

Lähteet:

Jessika Isomeren kurssiblogi, https://blogs-test.it.helsinki.fi/jessikangishurvittelut/