joonakor's blog

 

Viimeisellä kurssikerralla valittiin oma aineisto, jonka pohjalta tehtiin jokin vapaavalintainen työ. Itse valitsin aineistoksi Kiinan maakunnat, kaupungit ja dataa korona-viruksen leviämisestä.

Maakunnat löytyivät helposti googlaamalla, ja niiden kanssa ei ollut ongelmia. Kiinassa on monimutkainen aluehallinto, ja 22 provinssin lisäksi Kiina koostuu neljästä itsehallinnollisesta kunnasta, viidestä autonomisesta alueesta ja kaksi erityishallintoaluetta. Maakuntien tietokannoissa oli vain maakuntien nimet sekä rajat, joten niistä ei vektorigeometrian lisäksi niillä ei ollut muuta käyttöä.

Sitten löysin CSV- taulukot COVID-19 virukseen kuolleista, tarttuneista ja parantuneista. Taulukoista löytyy tiedot päivämäärän mukaan, joten minun oli mahdollista tehdä kolmen kartan aikajana.

Lisäksi halusin esittää väestön jakautumista Kiinassa, joten yritin etsiä valmista taulukkoa populaatiosta maakuntien mukaan. Valitettavasti en kuitenkaan löytänyt sellaista nopealla googlauksella, joten otin aineiston kaupungeista. Kaupunkiaineistossa oli tieto kaupunkien väkiluvuista, joten yhdistin sen Join attributes by location-toiminnolla maakunta-aineistoihin.

Vaikka maakuntien kokonaisväestön esittäminen olisi loogista, myös kaupugeissa asuvien väkiluvun esittäminen sopii teemaan, koska virus leviää helpoiten kaupungeissa, ja Kiinan asettamat karanteenit virukselle altistuineisiin kaupunkeihin ovat olleet paljon mediassa. Kartalta näkee, kuinka tauti leviää erityisesti maakuntiin, joissa on suuria kaupunkeja. Kaupunkiaineistossa ei ollut Hong Kongia, joka on erityishallinnollinen 7 miljoonan asukkaan kaupunki itärannikolla.

Laitoin QGissin laskemaan kaupunkien yhteenlasketun populaation maakunnittain. Sen jälkeen yhdistin maakunta-aineistoon koronatapaukset. Aluksi ajattelin tehdä tavallisen ympyrädiagrammin tarttuneista, kuolleista ja parantuneista, mutta huomasin että tekstidiagrammi on paljon informatiivisempi. Kartassa kaikkein enitein sairastunein maakunta on korostettuna.

Ensimmäinen kartta kuvaa tilannetta 23.1.2020. Tarttuneita on maailmassa yhteensä vähän yli 500, mutta Kiinan hallitus päätti taudin leviämisen ehkäisyksi rajoittaa 11 miljoonan ihmisen liikkumista historian suurimmassa karanteenissa. Tauti ei ole perusterveille ihmisille erityisen vaarallinen, mutta se tarttuu helposti. Kouluja, elokuvateattereita ja yliopistoja suljettiin, ja kadut tyhjenivät.

 

Toinen kartta kuvaa tilannetta hieman myöhemmin. Kuolleita on tässäkin vaiheessa suhteellisen vähän, mutta tartuntojen määrä on kasvanut todella nopeasti lyhyessä ajassa. Tauti ei ole juurikaan levinnyt Hubein maakunnasta.

Viimeinen kartta kuvaa tilannetta 23.2. Tässä vaiheessa Kiinan talous on todella huonossa jamassa, ja tautiin on kuollut tuhansia ihmisiä. Kiinan terveydenhuolto on ylikuormittunut monilla alueilla, ja väliaikaisia sairaaloita on rakennettu. Taudin leviämistä ei ole onnistuttu rajoittamaan Hubein maakuntaan, vaan monissa muissakin maakunnissa on paljon tartuntoja. Tärkeää on huomata, että tartuntoja on paljon varsinkin maakunnissa, joissa asuu paljon ihmisiä kaupungeissa.

 

 

Kun tein tämän työn, tilanne Euroopassa ja Suomessa oli varsin erilainen kuin tätä blogia kirjoittaessani. Italiassa epidemia oli silloin vasta lähtenyt karkaamaan käsistä, ja Suomessa tartuntoja oli myös vain kourallinen. Tätä blogia kirjoittaessani Suomessa on yli 600 tartuntaa, joten tilannetta voisi verrata esimerkiksi Hubein tilaan 23.1.2020. Erona on tietysti se, että Hubein maakunnassa asuu lähes 10 kertaa enemmän ihmisiä kuin Suomessa.

Mediassa virusta käsittelevissä uutisissa on usein vain yksinkertainen koropleettikartta, jossa on vain maittain eriteltynä viruksen leviäminen. Sen takia oli mielenkiintoista tehdä informatiivisempi kartta, jossa on useampia muuttujia. Valitettavasti tarkempaa dataa ei ollut avoimesti saatavilla, muuten olisin tehnyt vielä yksityiskohtaisemman kartan.

Covid-19 on tällä hetkellä maailman ajankohtaisin ja tärkein puheenaihe. Geoinformatiikan menetelmillä on suuri potentiaali viruksen leviämisen tutkimisessa. Esimerkiksi Etelä-Koreassa mobiililaitteiden paikkannusdataa on hyödynnetty runsaasti viruksen leviämisen estämiseen. Kun joskus tulevaisuudessa virus on mennyt ohi, olisi äärimmäisen mielenkiintoista päästä tekemään paikkatietoanalyyseja siitä datasta, jota viruksen aikaan on kerätty.

Datan keräämisellä on myös käänteinen puoli. Edward Snowden on varoittanut, että pandemian jälkeen valtiot voivat jatkaa datan keräämistä, joka heikentää ihmisten oikeutta yksityisyyteen. Pelkona on, että valtioista tulee valvontayhteiskuntia jotka keräävät valtavan määrän dataa kansalaisistaan, ja pyrkivät kontrolloimaan ihmisiä entistä enemmän.

Viruksen levitessä terveysmaantiede ja epidemologia on alkanut kiinnostaa minua yhä enemmän. Uskon geoinformatiikalla olevan valtavasti sovelluksia yhteiskunnallisissa kysymyksissä. Tämä viimeinen kurssikerta oli ylivoimaisesti mielenkiintoisin, koska työ tehtiin itsenäisesti.

 

Lähteet:

Helsingin Sanomat

John Hopkins University

Diva-gis.org

 

 

Tällä kurssikerralla pääsimme ihan kunnon kenttätöihin. Kiertelimme kampuksen lähiseutua ja arvioimme eri paikkojen viihtyisyyttä. Käytimme Epicollect 5- sovellusta, jossa vastasimme kysymyksiin eri paikkojen estetiikasta, turvallisuuden tunteesta ja sen suosiosta hengailuun. Pohjana toimi arkkitehti Jan Gehlin viisi sääntöä kaupunkisuunnitteluun:

• Ei rakentamista autoilun ehdoilla
• Julkisten tilojen hyödyntäminen etusijalle
• Tiloista suunniteltava moniaistillisia kokemuksia
• Julkisesta liikenteestä tehtävä kaikki huomioon ottavaa
• Autojen poistaminen kuvioista

Kuten voi huomata, Jan Gehl ei ole yksityisautoilun suuri ystävä. Olen kyllä monesta asiasta samaa mieltä. Mielestäni Iso-Roobertinkadun kävelykatu on yksi Helsingin mukavimmista paikoista. Siellä on penkkejä, taidetta ja palveluita baareista vaatekauppoihin. Autoilu on rajoitettu huoltoajoihin ja takseihin.

Tiedon keräämisen jälkeen siirryimme takaisin kotoisaan Gis-luokkaan analysoimaan keräämäämme aineistoa. Tutustuimme interpoloinnin ihmeelliseen maailmaan. Interpoloimalla turvallisuuden tunnetta kampuksen ympäröivillä alueilla saimme tosiaan huomata, että vilkkaiden autoteiden lähellä tiedon kerääjämme tosiaan kokivat olonsa turvattomimmiksi. Interpolointi tarkoittaa sitä, että tietokone laskee pisteiden muutujien arvojen perusteella arvot myös sellaisiin kohtiin, joissa ei ole pisteitä. Lopputuloksena on rasteritaso.

Yllä esitetyssä kartassa näkyy mittauspisteet. Pisteen väri esittää turvallisuuden tunnetta. Vihreä väri kuvaa turvallisen tuntuista aluetta, punaisempi taas vähemmän turvallista.

 

Varsinaisena blogin tehtävänä oli tuottaa opetukseen soveltuvia karttoja maapallon hasardeista. Alla olevassa kartassa näkyy tulivuoret keltaisina pisteinä, ja suuret maanjäristykset punaisina pisteinä. Varsinkin maanjäristyksistä näkee hyvin litosfäärilaattojen törmäyskohdat, joissa suuremmat maanjäristykset ovat voimakkaimpia. Tässä kartassa kuvatut maanjäristykset ovat suurempia kuin 7,5 magnitudin.

Kartassa hyvää ovat kirkkaat ja selkeät symbolit, ja hieno taustakartta. Nämä sopisivat hyvin esimerkiksi diaesityksen tueksi, mutta legendan puutteen takia näitä ei kannattaisi käyttää esimerkiksi oppikirjassa tai muussa sellaisessa paikassa, jossa tätä joutuisi tulkitsemaan itsenäisesti.

Tämä alla oleva kartta on  sivulta https://langhaarkapselshaar.blogspot.com/2017/01/tulivuori-kartta.html

Siinä näkyy hyvin, kuinka tulivuoret ovat sijoittuneet litosfäärilaattojen törmäyskohdille.

Lisäksi tein kartan, jossa visualisoidaan meteoriittien paikkaa ja massaa Pohjois-Euroopassa. Valitettavasti legendan kanssa oli ongelmia, joten mihinkään tarkkaan tutkimukseen siitä ei ole. Sillä voi kuitenkin näyttää, että meteoriitteja on löydetty myös Suomesta. Toinen ongelma on projektio, joka ei ole näin pienen alueen kuvaamiseen paras.

 

Kenttäkurssin jälkeiset tehtävät olivat tällä kurssikerralla varsin tavallisia visualisointiharjoituksia. Huomaan että minulla on vielä kehityttävää selkeiden karttojen teossa. QGissin legendan muokkaaminen on vielä hieman hakusessa, sillä legendaan tulee automaattisesti paljon täysin turhaa tavaraa eri tasoilta.

QGissin käyttöön on silti syntynyt mukava rutiini, ja eri aineistojen pyörittely on mielenkiintoista puuhaa. Tätähän voisi vaikka tehdä työkseen! Blogin pitäminen sen sijaan on minulle varsin vierasta, tavallinen oppimispäiväkirja tai tentti on minulle paljon mieluisampi suoritustapa.

Kurssi lähenee loppuaan ja seuraava blogipostaukseni onkin viimeinen. Tämä on ollut varsin mukava kurssi geoinformatiikan opetteluun.

 

Puskurointia

Tällä kurssikerralla harjoittelimme aluksi puskurivyöhykkeiden luomista QGissiin. Loimme puskurin Pornaisten alueelle tien ympärille, tutkimme paljonko taloja asuu 100 metrin etäsyydellä tiestä.

Puskurivyöhykkeet toimivat hyvin spatiaalisen korrelaation tutkimuseen. Kuten maantietelijä Waldo Tobler kuuluisasti sanoi: “Kaikki riippuu kaikesta, mutta lähellä olevat asiat riippuvat enemmän toisistaan kuin kaukana olevat.” Tälläinen tutkimus on maantieteen kvantitatiivisten tutkimusten ytimessä.

Puskureilla voidaan tutkia vaikka minkälaisia asioita. Esimerkiksi ydinpommin tuho-alue, kaupunkijokien vaikutusalue tai tulva-alueet ovat hyviä puskurointianalyysin käyttötarkoituksia.

QGissin tarjoamat mahdollisuudet ovat suuria, mutta tekniset detaljit rajoittavat QGissin käyttöä. Esimerkiksi aineistossa olevat kirjoitusvirheet tai erilaiset pilkutustavat tekevät paikkatieto-ohjelman käyttäjän elämän vaikeaksi. Ainestojen yhdistämisessä join attributes by location- työkalu on kullanarvoinen.

Tarkastelimme myös Malmin lentokentän aluetta. Malmin lentokentän meluvyöhykkeillä asuu paljon ihmisiä. Lisäksi puskuroimme esimerkiksi asemien lähellä asuvien työikäisten määrää, ja taajamissa asuvien Vantaalaisten suhdetta niihin jotka eivät asu taajamissa. Tein tehtävistä taulukoita:

kk5.xlsx – Sheet1

 

QGissin työkaluista vektorianaalyysityökalut ovat tällä hetkellä parhaiten hallussa. Olen toki käyttänyt niistä varsin pientä osaa, joten opittavaa on vielä paljon. Vektorityökaluilla hallitaan vektoritasoja, joten ne ovat erittäin tärkeitä.

Olen saanut jo mukavasti rutiinia tasojen yhdistämiseen liittyvissä työkaluissa. Varsinkin visualisoinnissa tasojen yhdistäminen on aika tärkeää, koska silloin esimerkiksi diagrammeissa voidaan esittää kaikki muuttujat samassa kaaviossa.

Rasteritasoja on käytetty tässä vaiheessa kurssia suhteellisen vähä. Vektoriaineisoja on mukava käyttää, koska ne skaalautuvat mukavasti, ja niiden työkalut ovat tuttuja. Ne ovat myös varsin tarkkoja. Esimerkiksi puskurityökaluilla saadaan sentilleen oikeanpituisia puskurivyöhykkeitä.

 

 

 

 

Ruutuja ja rastereita

 

Tällä kurssikerralla tarkasteltiin ruutu- ja rasterikarttoja sekä aineistojen tuottamista piirtämällä QGissin piirtotyökaluilla. Aineistoina käytettiin erilaisia tietokantoja pääkaupunkiseudulta.

Kurssikerta aloitettiin ruudukon luomisella QGissiin. Ruudukko luo uuden tason, johon voi yhdistää tietokantoja. Tällä kerralla käytettiin Pks_väki-aineistoa, josta löytyy tietoa esimerkiksi eri rakennusten asukkaiden lukumäärästä, iästä ja muusta.

Kurssilla tehtävien harjoitusten jälkeen tein aluksi ruutukartan ruotsinkielisten osuudesta eri paikkakunnilla. En kuitenkaan saanut siitä tuotettua aineistoa, joka eroaisi merkittävästi tavallisesta väestöntiheyden kartasta, joten julkaisen tässä blogissa tavallisen väestöntiheyttä kuvaavan kartan.

Teknisesti kartta on sinänsä varsin luettava, mutta hämmennystä voi aiheuttaa esimerkiksi luokkarajat. Tummemmat alueet ovat tiheämmin asuttuja. Koska käytännössä joka alueella asuu eri lukumäärä ihmisiä, legendan luokkarajoista ei tule kauniita tasalukuja. Myös mittakaavan kanssa oli teknisiä ongelmia, ja siitä olisi voinut tehdä pidemmän.

Tässä tapauksessa absoluuttisten arvojen kuvaaminen ruutukartalla on hyväksyttävää. Esitystapa voi korostaa eroja eri ruutujen väestöntiheyden välillä. Ongelmallista esitystavassa on se, että ero ruutujen sisällä voi olla suurta, ja esimerkiksi ruutu joka on puoliksi meren päällä voi näyttää harvemmin asutulta.

Ruutukartan etu on kuitenkin helppo luettavuus ja ruutujen vertailu keskenään. Esimerkiksi väestöntiheyskartasta (kuva 1) voidaan huomata Koillis-Helsingissä ja Vantaalla asuvan huomattavasti enemmän ihmisiä kuin esimerkiksi Espoossa saman etäisyyden päässä Helsingin keskustasta.

Koropleettikartta kuvaisi paremmin hallinnollisten rajojen suhdetta väestön määrän jakautumiseen. Ruutukartalla kaikki ruudut ovat kuitenkin yhtä suuria, joten sillä voidaan paremmin kuvata todellista väestön jakautumista. Koropleettikartassa voi olla ongelmallista, jos jokin alue on kohtuuttoman suuri verrattuna muihin alueisiin.

Koko pääkaupunkiseutu on keskittynyt Helsingin ympärille. Ydinkeskusta on rakentunut niemelle, joka aiheuttaa ongelmia liikenteen sujuvuuden kanssa. Niemen itä- ja länsipuolilla on nykyään sillat, jota kautta liikenne sujuu. Lisäksi esimerkiksi metrolla on pyritty vähentämään autoilun tarvetta Helsingissä.

Koska niemi on jo lähes täyteen rakennettu, asutus on levinnyt lähiöihin joissa on myös halvempaa asua. Ruutukartasta on erotettavissa ydinkeskustan ulkopuolisia keskuksia, jotka toimivat lähiöiden keskuksina.

Ruudukkotehtävien lisäksi latasimme QGissiin rasteriaineiston Pornaisista, jonka digitoimista harjoittelimme. Tutustuimme myös QGissin korkeuskäyrien piirto-ohjelmaan sekä rinnevalovarjosteen laskemistyökaluun.

QGissin piirtotyökalu on yksinkertainen mutta toimiva. . En silti lähtisi sitä käyttämään oikeassa kartografiassa, koska sen yksinkertaisuus rajoittaa esimerkiksi pyöreiden muotojen piirtämisessä. Kuten Miklas Kuoppala toteaa blogissaan, digitoimiseen menee paljon aikaa. Corel Draw- vektorinpiirto-ohjelma on sen sijaan varsin näppärä digitoimiseen. Corel tuli tutuksi viime kurssilla, kun kurssin projektina oli digitoida.

 

Lähteet:

Kurssin aineisto

 

 

 

Bless the rains down in Africa

Kolmannella GISkerralla olin liekeissä. Päivän tehtävänä oli yhdistellä tietokantoja eri menetelmillä. Ainestona oli mieleenkiintoisia tietoja Afrikan maiden konflikteista ja luonnonvaroista. Näiden yhteyttä voitiin siten tarkastella.

Tietokantojen yhdistelyssä harmaita hiuksia voi aiheuttaa erilaiset tavat tilastoita tietokantoja. Esimerkiksi maiden nimet tai muut yhdistämiseen käytettävät sarakkeet voivat olla hieman eri tavalla kirjoitettuja, joten käytimme tunnilla nimien siistimiseen hieman aikaa.

Harjoittelimme myös tilallista analyysia, kun laskimme kohteiden lukumääriä alueiden sisällä. Huomattiin, että pisteiden ja polygonien laskemiseen tarvittiin hieman eri työkaluja. Hieman ongelmallista oli myös öljykenttien, jotka olivat polygonimuodossa, leikkaavuus maiden rajojen kanssa.

Timanttikaivosten alueilla on usein konflikteja, mutta konflikteja esiintyy paljon myös alueilla joissa ei ole timantteja. Afrikan poliittinen tilanne ja historia on väkivaltainen, ja konfliktien syyt ovat monimuotoiset. Pohjois-Afrikka on suhteellisen rauhallista aluetta verrattuna moniin muihin Afrikan alueisiin, vaikka öljyä on siellä riittämiin.

 

Tietokantaan on lisäksi tallennettu tieto esimerkiksi konfliktin aloitusvuodesta,  internetin käyttäjistä sekä timanttikaivosten tuottavuusluokittelusta. Näitä ainestoja voisi hyödyntää monella eri tapaa. Helppo ja yksinkertainen tapa on visualisonti, ja tuotetun visualisoinnin liittäminen esimerkiksi johonkin uutiseen.

Syvemmin analysoimalla voisi katsoa onko esimerkiksi internetin käyttäjillä ja konfliktien määrällä sekä niiden alkamisvuodella jotain yhteyttä. Voi olla, että maat joissa on ollut useita konflikteja viime vuosikymmenillä on vähemmän internetin käyttäjiä. Myös öljyvarannoilla ja internetin käyttäjillä voisi tehdä samankaltaisen vertailun.

Viime vuosina internetillä on ollut Afrikan kehityksessä merkittävä rooli. Esimerkiksi vuoden 2011 Egyptin vallankumouksessa Asmaa Mahfouzin Youtube-videot keräsivät paljon huomiota, ja mielenosoituksia organisoitiin Facebookin kautta. Egyptin vallankumous on loistava esimerkki siitä, mikä voima internetillä voi olla vastaavanlaisissa tilanteissa.

Itsenäiseksi tehtäväksi jäi tehdä kartta Suomen valuma-alueista. Karttaan yhdistettiin tietokantoja järvistä ja tulvaindekseistä. Kartan muodostamiseen tarvittiin tunnilla opittuja keinoja tietokantojen yhdistämiseksi. Lisäksi tarvittiin hieman matematiikkaa. Tehtävänannossa kehotettiin käyttämään pylväsdiagrammeja, mutta itse huomasin erikokoisesten pallojen olevan hiukan selkeämpiä. Pylväiden ongelmana oli se, että ne menivät paljon päällekkäin, tehden kartan lukemisesta hankalampaa.

Yllätyksekseni tein tehtävän todella nopeasti. Olin varautunut samanlaiseen sähellykseen kuin viime kerroilla, mutta ylitinkin kaikki odotukset. Kartasta tuli informatiivinen, vaikkei punainen ja vihreä ole värisokeille välttämättä paras mahdollinen väriyhdistelmä. Jos tekisin kartan uudelleen käyttäisin varmasti eri värejä. On helppo unohtaa värisokeuden kaltaisia rajoitteita, joten kartan laatimisessa täytyy olla tarkkana!

Syntyneestä kartasta voi tulkita monia asioita. Ensinnäkin tulvaindeksi on korkeimillaan Pohjanmaan alueella. Tämä alue Suomesta on tasaista ja merestä vastikään noussutta. Jokia on tällä alueella paljon. Yleinen syy tulville Pohjanmaalla on jäälautat, jotka voivat kiepahtaa ympäri ja tukkia joen. Myös Etelä- ja Lounais-Suomessa on paljon tulvia samoista syistä. Meren rannalla myös sateisuus on voimakkainta, joka pahentaa tulvia.

Järvisyys on suurinta Keski-Suomessa, missä myös tulvaindeksi on pienimmillään. Samoin Lapissa valuma-alueilla missä tulviminen on vähäisintä on eniten järviä. Ympäristöhallinnon nettisivujen mukaan järvialtailla on vettä tasaava vaikutus, ja täten myös vesitasojen vaihtelu on pienempää. Tulva-indeksi kuitenkin riippuu monesta asiasta.

Kolmas kurssikerta oli tähän asti hyödyllisin ja mielenkiintoisin kurssikerta. Aineistot olivat monipuolisia, ja oli hauska pohtia niiden pohjalta johtopäätöksiä ja selityksiä eri ilmiöihin. GIS:sin tekniset puolet onnistuvat kyllä kunhan tehtävät on pohjustettu hyvin ja ohjeet ovat selkeät.

 

Lähteet:

https://www.ymparisto.fi/fi-FI/Vesi/Tulviin_varautuminen/Olenko_tulvariskialueella/Tulvien_esiintyminen?f=Lapin_ELYkeskus

http://www.thecanadiancharger.com/page.php?id=5&a=774

Toinen kurssikerta

Toisella kertaa harjoiteltiin mm. eri kohteiden valitsemista eri menetelmillä, ja oikean projektion valitemisen tärkeyttä. Tällä kertaa harjoitukset sujuivat huomattavasti nopeammin ja helpommin, kun pääsin osallistumaan varsinaiselle tunnille. Oli myös helpottavaa huomata, että myös muilla on vaikeuksia tämän mystisen ohjelmiston käytössä.

Eri kohteiden valinnoissa korostui erityisesti eri hakukomentojen käyttö. QGissin avulla voi esimerkiksi helposti löytää Suomesta kunnat, joissa on miehiä enemmän kuin naisia. Hakukomentojen avulla aineistoa voi tarkastella tehokkaasti eri näkökulmista. Hakukomennoissa voi hyödyntää myös matemaattista osaamista.

Olen lukenut lukiossa pitkän matematiikan, mutta hakukomentoihin käytettävät lausekkeet ovat niin yksinkertaisia että lyhytkin olisi varmasti riittänyt. Tulevaisuudessa lausekkeita tullaan  toivottavasti monimutkaistamaan, sillä olisi hauska päästä vähän käyttämään pitkästä aikaa matematiikan taitoja, siitä huolimatta että sain kirjoituksissa vaivaisen B:n.

Tällä kertaa saimme leikkiä projektioiden kanssa. Tunnin tehtävä oli verrata Mercatorin projektion tuottaman vääristymän pinta-alan eroja verrattuna normaaliin ETRS89 TM35FIN projektioon. Sen jälkeen tehtävänä oli visualisoida se vääristymiä esittävällä koropleettikartalla. Tulos oli odotettu, eli pohjoisemmilla alueilla vääristymät olivat suurempia. Alla tuottamani kartta:

Mercatorin projektion vahvuus on sen oikeakulmaisuudessa, jonka takia sitä on kätetty mm. navigoinnissa. Suomea kuvatessa se on kuitenkin erittäin huono valinta. Facebook-ryhmässä Huonojen Karttojen Terapiakerho voidaan useasti törmätä tähän Mercatorin projektion väärinkäyttöön.

Kotitehtäväksi annettu tehtävä toisen projektion kanssa vertaamisesta ei kuitenkaan mennyt ongelmitta. Koska QGIS laskee pinta-alan projektion vertausellipsoidin kautta, projektion vaihtaminen ei välttämättä muuta alueiden pinta-alaa. Lopulta sekin onnistui.

Huomasin, että joillain projektioilla tuli aivan järkyttävän näköisiä versioita Suomesta. Korostamaan vääristymiä laitoin erään erityisen hirveään projektioon psykedeelliset värit. Ne eivät sinänsä kuvaa mitään, mutta siinä ne ovat.

Vaikka pidän itseäni tulevana GIS-velhona, alun haparointia on vielä ilmassa. Blogin säännöllisessä päivittelyssäkin on ongelmia, sillä onnistuin kadottamaan luomani kartat jonnekkin tietokoneen syövereihin viikoksi. Yleisesti mieliala on kuitenkin korkealla.

Lähteet:

Tilastokeskus

Huonojen karttojen terapiakerho

 

 

 

Parempi myöhään kuin ei milloinkaan!

En valitettavasti päässyt osallistumaan ensimmäiselle kurssikerralle, joten jouduin tutustumaan QGissiin itsenäisesti. Koska Gis-ohjelmat ovat minulle täysin uusia, alkuun pääseminen ei ollut helppoa. QGissin tarjoamia työkaluja ja ominaisuuksia on niin monta, että oikeiden komentojen löytämiseen menee aikaa. Alun ongelmien takia ensimmäisen blogipostin tekeminen jäi näin myöhään.

Seuraamalla ohjeita onnistuin kuitenkin lopulta hahmottamaan QGissin perustoiminnot. Eri tietokantojen lataaminen ja järjestely layerehin, sekä muut toiminnot opittiin käsittelemällä aineistoja Itämeren valtioiden typpipäästöistä ja Itämeren korkeuskäyristä. Vektorimuotoisten aineistoista tehtiin koropleettikarttoja, jotka esittivät typen päästöt valtioittain.

Tässä vaiheessa tuli hiukan hankaluuksia. Jostain syystä laskutoimituksen jälkeen suhteelliset typpipäästöt olivat vain murto-osan verran siitä mitä niiden piti olla.Yritin kuitenkin tehdä harjoituksen ohjeiden mukaisesti monta kertaa.

Harjoitusten jälkeen tehtäväksi annettiin luoda koropleettikartta Suomen kunnista. Tein yksinkertaisen koropleettikartan kunnista väkiluvun mukaan. Tehtävä oli muuten helppo, mutta tuskailin legendan näyttämisen kanssa pitkään. Tämäkin olisi varmaan ollut helpompi tehtävä jos olisin päässyt tunnille. Lopputuloksesta tuli aika ruma.

Alun hankaluudet eivät kuitenkaan lannista minua, vaan aion jatkaa geoinformatiikan opiskelua ahkerasti. Tavoitteenani on tulla aidoksi gis-guruksi. Olen kuitenkin käyttänyt monimutkaisia ohjelmia ennenkin, ja tiedän että uuden ohjelman oppiminen voi viedä kymmeniä tunteja. Ongelmat ovat toistaiseksi olleet pieniä, ja gis alkaa varmasti sujua kun saan hiukan enemmän rutiinia tekemiseen.

 

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!