Month: March 2020

 

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.