Seitsemännellä kurssikerralla korona veti sängynpohjalle ja esti osallistumasta paikan päällä. Huonon vointini vuoksi kyselin Artulta armoa deadlineen ja sainkin reilusti armon aikaa viimeiseen blogitekstiin. Luonnollisesti lykkäsin tehtävää aivan viime hetkeen ja Artun varoitus QGIS – rutiinin katoamisesta kävi toteen. Katselin tehtävänantoa pitkän aikaa enkä todella tiennyt, kuinka lähteä liikkeelle.

Selailin muiden blogitekstejä inspiraatiota hakeakseni ja löysinkin esimerkiksi Ali Ylikosken 7. kurssikerran tekstin (Alin geoinformatiikkablogi), joka oli todella taidokas ja perusteellinen ja aiheutti suorastaan paineita. Kuitenkin huiskiessani sinne tänne internetin syövereissä ja saamatta mistään kiinni, tyydyin tekemään mahdollisimman yksinkertaisen esityksen mahdollisimman helposti saatavilla olevalla datalla.

Hain maailmankartan Natural Earth -sivustolta ja lähdin etsimään siihen yhdistettävää dataa. Lopulta päädyin hakemaan sitä The World Bankin sivuilta. Latasin suuria määriä Excel-tiedostoja koneelleni ja päädyin lopulta esittämään kartalla meren pinnan nousulle riskialttiita alueita ja sitä, miten suurta määrää väestöstä nousu uhkaa. Otin tarkastelun alle pahimman, 5 metrin meren pinnan nousun skenaarion. Hioin dataa Excelissä pitkään manuaalisesti saadakseni sen siihen muotoon, että uskalsin siirtää sen QGISin. Erityisesti huoletti se, että kaikista maista ei dataa löytynyt enkä oikein tiennyt miten ne maat käyttäytyisivät dataa liitettäessä. Sehän selvisi, kun sain tietokantaliitoksen tehtyä. Ilmeisesti maat joista dataa ei ollut, laskettiin automaattisesti korkeimpaan luokkaan. Vasta tässä kohdin lähdin tutkimaan alkuperäistä dataa tarkemmin ja huomasin, että tietokannassa oli mukana ainoastaan rannikolla sijaitsevat kehitysmaat. Väritin maat, joista dataa ei ollut neutraalilla keltaisella. (Kuva1).

 

 

Jostain syystä jouduin taistelemaan kartan legendan kanssa aivan älyttömän kauan. Säädön jälkeen päädyin sitten kuvan 2 ratkaisuun. Odotetusti kaakkois-Aasia pistää kartalla silmään. Erityisesti Vietnam ja Bangladesh ovat suuressa vaarassa merenpinnan nousemisen myötä.

 

 

 

 

 

 

Sain näihin yksinkertaisiin karttoihin uppoamaan niin kauan aikaa että aika yksinkertaisesti loppui kesken ja lähtö Lammin kenttäkurssille koitti. Ajatuksenani oli vielä esittää samalla kartalla ympyrädiagrammina niiden ihmisten määrä johon meren pinnan nousu vaikuttaa. Data oli jo valmiina yhdistettynä samaan attribuuttitauluun mutta en saanut diagrammeja näyttämään niin selkeiltä että niillä olisi ollut mitään lisäarvoa. Siksipä riskilläkin jätän tämän tähän ja lähden selvittämään mystisen kenttäkurssin antia.

 

 

Lähteet:

Ylikoski. A, (2022) Kurssikerta 7: Omavalintainen analyysi koronaepidemian vaikutuksesta metroasemien käyttäjämääriin

Kurssikerta 7: Omavalintainen analyysi koronaepidemian vaikutuksesta metroasemien käyttäjämääriin

Natural Earth, 1:50m Cultural Vectors

naturalearthdata.com (vierailtu 6.5.2022)

 

The World Bank, Open data

https://data.worldbank.org/ (vierailtu 6.5.2022)

 

 

 

Kurssikerralla 6 saimme aloittaa virkistävällä reippailulla Kumpulan kampuksen lähiympäristöstä. Keräsimme kohteita ja niiden koordinaatteja Epicollet5 – sovelluksella ja analysoimme niitä QGISillä. Mielestäni harjoitus toi mukavasti konkretiaa datan keräämiseen ja sen ymmärtämiseen. Sain tämän pohjalta myös idean hyödyntää sovellusta Maantieteen projektiharjoituskurssilla, jossa kartoitimme kirkon näkyvyyttä Pihlajamäen alueella sen avulla.

Kurssin itsenäistehtävänä oli tuottaa kolme karttaa hasardeista. Koetin ensin suuruudenhullusti interpoloida maanjäristysaineiston jossa oli kaikki 6 ja 9 magnitudin välillä olevat järistykset aikavälillä 1900 – tänään (25.2.2022). QGis näytti interpolointiajaksi 22 minuuttia joten lopetin prosessin ja latasin saman voimakkuuden maanjäristykset ainoastaan 2000 – luvulta. Kuvittelin että näitä ei tulisi paljon mutta olipa niitäkin kaiken kaikkiaan 3 384 kappaletta. Interpolointi näillä sujui muutamassa minuutissa mutta en saanut esitystä näyttämään siltä miltä kuvittelin sen näyttävän. Siksipä palasin taas stepin taaksepäin ja päätin tehdä vain erilliset kartat kustakin hasardista.

 

Palaan tulivuoriin ja meteoriitteihin hieman myöhemmin.

Viikolla 5 tutkailtiin lisää QGIS:n piirtotyökaluja, laskentaa ja bufferointia. Ensimmäisessä tehtävässä bufferoitiin Helsinki-Vantaan ja Malmin lentokentän lentomelualueita.

Helsinki-Vantaan lentokentällä 2km:n säteellä kiitoradoista asuu 11 715 asukasta. Näistä 17 asukasta (6 rakennusta) osuu pahimman, 65 desibelin lentomelun alueelle. Vähintään 55dB melualueella asuu kaiken kaikkiaan 11 923 asukasta.

Jos lentokoneet ohjattaisiin laskeutumaan Tikkurilasta (kaakko-luode – suunnassa), vähintään 60dB:n lentomelualueelle jäisi 13 153 asukasta lisää. Alla olevassa kuvassa keltaisella korostetut pisteet (rakennukset) keltaisella pohjalla olisivat lentomelun alle jääviä. Piirsin Tikkurilaan päin osoittavan kiitoradan pätkän päähän 7km:n viivan jonka ympärille piirsin 500metrin vyöhykkeen suuntaansa.

 

 

 

 

 

 

 

 

Tämän kurssikerran myötä tuntui siltä että QGIS alkaa ohjelmana todella hahmottumaan ja jäsentymään loogiseksi kokonaisuudeksi aivojen syövereihin. Olen jo melko varma että minulta onnistuu useamman erilaisen aineiston tuonti ohjelmaan, liittää niitä yhteen, venkslailla rasteri-, ja vektoriainestojen kanssa sekä, no toki, bufferoida! Veikkaan kuitenkin että ilman aktiivista käyttöä tällaiset taidot unhoittuvat nopeasti. Siksi toivonkin että jatkossakin QGISille tulisi käyttöä tasaisin väliajoin ja opitut taidot vielä syventyisivät ja yksinkertaisista toimenpiteistä ja ongelmatilanteiden ratkomisista tulisi rutiinia. Vastaavia mietteitä oli myös Lotta Sainiolla (Mantsailua – Lotta Sainio).

 

 

Lähteet:

Sainio. L, (2022) Viikko 5: Buffereita ja tuskan hikeä

blogs.helsinki.fi/salotta/2022/02/18/viikko-5-buffereita-ja-tuskan-hikea/ (vierailtu 6.5.2022)

Neljännen kurssikerran ruutu- ja rasterikartat sekä pisteaineistot tuntuivat helposti lähestyttäviltä ja nopeasti omaksuttavilta.

Tilastoaineiston esittämistä varten luotiin ruudukko, jonka avulla tiedon visualisointi on helpompaa. Ruututeemakartta ulkomaan kansalaisten absoluuttisesta määrästä (kuva 1) näytti noudattelevan pääkaupunkiseudun asukaslukuja ylipäätään, eikä absoluuttinen määrä siksi onnistu kuvaamaan varsinaisesti ilmiötä. Suhteellinen määrä (kuva 2) taas kuvannee paremmin tilannetta.

 

 

 

 

 

 

 

 

 

 

 

Kartan tulkinta kuitenkin etenkin näin jpg – muotoisesta kuvasta on melkoisen haasteellista kun kartassa ei ole muita kiinnekohtia kuin pääkaupunkiseudun ulkorajat ja Kauniainen, ja nekin hieman sekavasti kun ruutuaineiston ruudut sotkevat niitä. On siis haastavaa pohtia esimerkiksi syitä yksittäisen ruudun lukemaan kun sen sijaintia joutuu ensin määrittelemään toisen, rinnakkaisen kartan avulla. Toki karttaa olisi voinut vielä hioa sen tulkintaa helpottaakseen. Kävin tutkailemassa muiden kurssilaisten blogeja ja vertailemassa heidän aikaansaannoksiaan omiin karttoihini. Esimerkiksi Meri Lehto (Vielä yksi kysymys geoinformatiikasta) oli onnistunut mielestäni karttojen ulkoasussa huomattavasti paremmin. Karttoja selkeytti näkyvät kuntarajat ja ruudukon läpinäkyvyys.

 

Lähteet:

Lehto. M, (2022) Ruotsinkielisiä ruututeemakartalla

blogs.helsinki.fi/lehtomer/2022/02/19/ruotsinkielisia-ruututeemakartalla/ (vierailtu 2.5.2022)