Tiedoksi Artulle, blogi on valmis.
Kiitos mielenkiintoisesta kurssista, josta olen oppinut todella paljon.
Kiitos myös kaikille kurssikavereille joka ryhmästä, bloginne ovat olleet innoittavia ja vertaistukea antavia, olen saanut oppia paljon yhteisistä kokemuksistamme QGISin ihmeellisessä maailmassa.
Nähdään kursseilla!
T. Maiju
Ensimmäinen kunnianhimoinen suunnitelmani oli päästä tarkastelemaan Suomen metsäpinta-alan vähenemistä. Löysinkin siihen kyllä tietoja, mutta sopivaa ladattavaa dataa ei niin vain sitten löytynytkään. Etsin paitsi suomalaisista lähteistä, myös ulkomailta, esim. Global Forest Watchin sivuilta.
EU:n virallisista tilastoista löytyi kyllä tietoa tuotetun tukkipuun määrästä, mutta siihen se sitten jäi. Eurostatin tilastoista ehdin jo riemastua saavani materiaalia koko Euroopan laajuiseen puuntuotannon ja metsävarojen vertailuun, mutta ne metsävarat jäivät löytymättä. Melkein jokainen karttaidea kompastui jonkun osan turhauttavaan puutteeseen: puuttuva sopiva pohjakartta, tarvittava tilastotieto tai haluttujen muuttujien ajantasaiset, vertailukelpoiset tiedot. Esimerkiksi Euroopan pohjakarttaa ei yllättäen löytynyt ollenkaan. Ehkä sen olisi saanut rajattua jostain muusta kartasta kuin siitä maailmankartasta jota yritin, mutta epäonnistuin, vaikka esim. NaturalEarth-sivuilta muuten hyviä karttoja löytyikin.
Ennakkokäsitys täysin vapaasta valinnasta sai ikävä kyllä kovan kolauksen. Moni maailmalta löytynyt data oli joltakin osaltaan niin puutteellista, ettei siitä ollut kunnon materiaaliksi. Vaikka ensisilmäykseltä näytti olevan lähinnä runsaudenpulaa. Ehkä taitojen toivottavasti myöhemmin karttuessa oppii näkemään myös muokattavuutta materiaaleissa enemmän kuin nyt. Samoin toivon oppivani löytämään niitä paremmin. Tietenkin olisi ollut helpompi todellakin lähteä liikkeelle ensin materiaalista, ja vasta sitten miettiä, mitä tästä saisi aikaiseksi.
Jos olisi ollut viisas. Tai vähemmän nirso. Tai osaavampi.
Saman totesivat blogeissaan myös Marjukka Lukkaroinen etsiessään Euroopan karttapohjaa ja Matti Moisala painiessaan valinnanvaikeuden kanssa.
Eli takaisin tuttujen ja turvallisten, kuten HSL:n, Helsingin kaupungin ja Avoimen Datan pariin.
Projekti 1: Erilaiset rakennukset raidemelun melusuojana
Ensimmäisen oman karttakokeiluni tein raideliikenteen melualueista. Asia kiinnosti henkilökohtaisesta syystä, sillä asun itse alle sadan metrin päässä junaradasta. Tarkastellessani pääkaupunkiseudun melunlähteitä huomasin outoja poikkeamia, ”reikiä” raidemelun etenemisessä pääradan varrella, ja hetken mietittyäni tajusin, että niissä kohdissa oli pakko olla jotain esteitä
– rakennuksia!
Kartta 1. Rakennusten vaikutus raideliikennemelun leviämiseen Helsingin Savelan kohdalla.
Hain aikaisemmasta tehtävästämme Helsingin rakennukset ja kyllä, ne sopivat täydellisesti melualueen poikkeamiin.
Tarkastelin sen jälkeen Google Street Viewn avulla rakennusten korkeuksia melualueella, eli keräsin itse paikkatietoa.
Melua näytti blokkaavan parhaiten laaja rakennus, korkeudella ei ollut niin voimakasta vaikutusta. Ensin ihmettelin asiaa, sillä olisin kuvitellut korkeudella olevan enemmän vaikutusta, mutta sitten tajusin, että melumittaukset on tietenkin suoritettu maan tasalta, jolloin matalakin rakennus on paljon ihmisen ulottuvuutta korkeampi ja riittää siis suojaamaan melulta maanpinnan läheisyydessä.
Ero korkean ja matalan rakennuksen välillä näkyi siinä, että kokonaan meluttoman katvealueen takana saattoi olla kuin lenkkinä heikon melun alue (kartta 1), kun taas pistemäiset, korkeat talot eivät tuoneet samanlaista melusuojaa. Samoin radan suuntaan kohtisuoraan sijaitsevat talot eivät estäneet melua kovin tehokkaasti. Usea vierekkäinenkään tornitalo ei kyennyt tuomaan samanlaista melusuojaa kuin matalampi ja laajempi rakennus. Tämä olisi hyvä muistaa kaupunkialueita tiivistettäessä, ja nykyisen mallin mukaan korkeita pistemäisiä tornitaloja rakennettaessa (Kartta 1).
Myös rakennuksen suunnalla oli väliä: suorakulmaan rakennettu L: n muotoinen talo, joka oli ”avoin” rataa kohden keräsi sisäpihalleen melua enemmän, kuin ympäristössä muuten oli. Todennäköisesti melu heijastui molemmista seinistä sisäpihalle.
Vantaanjoen laakso ja Kehä I erottuvat kartasta hyvin melun esteettöminä leviämisalueina.
Projekti 2: Ahkerat ja laiskat joukkoliikenteen käyttäjät
Toisessa projektissani tarkastelin pääkaupunkiseudun asuinrakennusten määrän ja HSL:n pysäkkien kyytiin nousujen suhteita: millä alueella näyttäisi olevan väkimäärään nähden eniten ahkeria joukkoliikenteen käyttäjiä eli eniten nousuja/asukas joukkoliikennevälineen kyytiin?
Avointa dataa asiasta löytyi HSL:ltä (pysäkkinousut vuorokaudessa), AvoinData.fi:ltä (pohjakartta) ja omista materiaaleistamme (pääkaupunkiseudun väki, kuntarajat ja pienalueet).
Ahkeria joukkoliikenteen käyttäjiä löytyi odotetusti Helsingin kantakaupungin ja Lauttasaaren alueelta, mutta voiton vei ehdottomasti Espoon Otaniemen alue (kartta 2), jossa asukkaiden määrään nähden oli eniten nousuja.
Kartta 3. Joukkoliikenteeseen nousut pysäkeittäin ja asuinrakennukset. Pistekartta.
Kokeilin erilaisia karttoja, mutta paras ja visuaalisesti kaunein oli omasta mielestäni pistekarttojen yhdistelmä, jossa olivat väriasteikolla arvotetut (graduated) nousut ja pistetietona asuinrakennukset. Käytetyt työkalut olivat Join attributes by location, filtteröinnin Query Builder ja tarkistukset oli hyvä tehdä Statistic Panelilla.
Kartta 4. Joukkoliikenteen nousut pysäkeittäin ja asukkaat pienalueittain. Koropleetti- ja pistekartan yhdistelmä.
Alun vaikeuksien jälkeen tämän kerran työ sujui mukavasti ja mielenkiintoisesti. Tutkimuskohteet kiinnostivat ihan aidosti, ja oli hienoa huomata kykenevänsä tuottamaan karttoja oman aihevalinnan mukaan. Nyt ongelmana ei enää niinkään ollut QGISin käyttö, vaan pikemminkin aineistonhaku: mistä löytää toimivaa ja vertailukelpoista dataa? Tämä tarvitsee vielä paljon harjoitusta.
Olisi ollut hauska tehdä vielä joku muuta maailmaa koskeva kartta, mutta nyt on aika palauttaa viimeinen työ ja sulkea valmis blogi.
Karttojen teko on vasta alussa.
Lopuksi
Olen tullut todella pitkän digiloikan QGISin siivittämänä eteenpäin. Katselin blogin editointitilaan ladattuja karttojani ja jouduin kyllä toteamaan olevani niistä ylpeä: ei huonosti ihmiseltä, joka vielä viime kesänä tarvitsi (lastensa!) apua saadakseen sähköpostiinsa mukaan liitteitä…
Kaikesta matkalla koetusta epätoivosta ja ajoittaisesta uskon loppumisesta huolimatta (tai sen vuoksi) olen äärimmäisen kiitollinen oppimistani taidoista ja toivon vielä kurovani lisää digitaitojani muiden tasalle. Varsinkin nopeuden saavuttamisessa on vielä paljon työtä; tämän kurssin töihin upposi satoja työtunteja, jotka Arttu näki hyvin myöhästyneinä tekstipalautuksina, kuten sovimme.
Tästä blogin viimeisestä valmistumispäivästä pidän kuitenkin kiinni!
Lämmin kiitos Artulle upeasta kurssista!
Jään odottamaan Geoinformatiikan menetelmät 2:n uusia haasteita.
Lähteet ja viitteet:
Marjukka Lukkaroisen blogi: https://blogs.helsinki.fi/marlukka/
Matti Moisalan blogi: https://blogs.helsinki.fi/moisalam/
HSL ja pohjakartta: https://www.avoindata.fi/fi
Raidemelu: https://www.avoindata.fi/data/dataset/helsingin-kaupungin-meluselvitys
Puuntuotanto Euroopassa: http://ec.europa.eu/eurostat/en/web/products-datasets/-/FOR_BASIC
Euroopan /maailman kartan etsintää: http://www.naturalearthdata.com
Metsän tila: http://www.globalforestwatch.org/
Kuudennen harjoituskerran aluksi jalkauduimme reippaalla pakkassäällä maastoon harjoittelemaan itse datan keruuta. Kiersimme noin tunnin ajan Kumpulan lähiympäristöä keräten itse Epicollect5-sovelluksen kautta paikkatietoa. Kerättäviksi tiedoiksi tulivat kunkin paikan herättämät mielikuvat viihtyisyydestä ja turvallisuudentunteesta. Keräsin tietoa kymmeneltä eri pisteeltä noin 500 metrin säteellä laitoksesta: Limingantien rauhasta Arabian kauppakeskuksen hyörinään, ja niiden väliltä. Jokaisesta pisteestä talletin Epicollectiin pisteytetyt tiedot, omat kommentit ja valokuvan jokaisesta kohteesta.
Tiedot talletettiin pisteaineistona Epicollectin kautta ja kerättiin yhteen karttaan palattuamme (lämpimään!) GIS-luokkaan.
Koko ryhmän yhteisesti kerättävistä tiedoista muodostui siten uusi paikkatietokanta Kumpulan ympäristön herättämästä turvallisuuden/turvattomuuden ja viihtyisyyden/epäviihtyisyyden tunteesta asteikolla 1-5.
Tämän kerran aloitusharjoitus ja Epicollect5:n käyttö työkaluna oli entuudestaan tuttua, sillä Maantieteen didaktiikan kurssilla olimme juuri suunnitelleet oppitunnille geomediaharjoituksen, ja valinneet ryhmäni kanssa kännykän melumittaussovelluksella tehtävän ja Epicollect5:llä kerättävän melumittauksen koulun alueen ympäristöstä.
Joten jotain siis sujui helposti tutuilla työvälineillä.
Seuraavana harjoituksena tutkimme (ihanan lämpimässä GIS-luokassamme) Helsingin ydinkeskustan kortteleiden katujulkisivujen kaupallisuusastetta kahden korttelin julkisivuissa. Harjoituksen tarkoituksena oli paitsi opetella uuden pluginin ja API-keyn käyttöä StreetViewn saamiseksi pisteaineiston keräykseen, myös opetella saatujen pisteaineistojen interpolointia. Jostain syystä Go2Streetview-plugin ei toiminut minulla, vaan ilmoitti virheestä JavaScriptissä (!). Plan B lennosta käyttöön, eli toiseen ikkunaan avattu GoogleMapsin Streetview pelasti harjoituksen.
Kaupallisuusaste pisteytettiin oman mielikuvan mukaan asteikolla 1-5, ja pisteytyksen avulla tarkasteltiin kaupallisten kiinteistöjen jakautumista edellä mainittujen katujen varsilla. Saatu vaikutelma tallennettiin digitoimalla havaintopiste, jolle tallennettiin sekä id-tunnus eli juokseva numerointi että kaupallisuuspisteet.
Seuraavaksi pisteaineistosta laadittiin interpolointiesitys, joka muodosti saaduille arvoille jatkumon merkittyjen pisteiden välille.
Saimme käyttöön jälleen uuden, hyödyllisen pluginin, eli Interpolation pluginin. Käytimme Inverse Distance Weighting -metodia, jonka avulla interpolointiin saatiin mukaan pisteen interpolointiin vaikuttavan painoarvon suhteuttaminen etäisyyden mukaan. Etäisyyden painotusastetta pystyi muuttamaan itse valitsemalla etäisyyskertoimelle eri arvoja, me käytimme kerrointa 4. Lopputuloksena saimme modernia taideteosta muistuttavan kartan (kuva 1).
Kuva 1. Interpolointi Bulevardin eteläpuolen kortteleiden kaupallisuusasteesta (kuvakaappaus)
Kurssin itsenäistehtävänä teimme harjoituksen hasardeista ja niiden alueellisesta esiintymisestä.
Tehtävässä pääsimme harjoittelemaan tiedon etsintää netistä ja sen tuomista pistemäisessä muodossa kartalle.
Tehtävänä oli muodostaa kolme karttaa valitsemastaan hasardista: maanjäristyksistä, tulivuorista tai meteoriittien putoamispaikoista. Valmiiden karttojen piti voida myös soveltua hyödynnettäviksi omassa opettamisessa.
Ensimmäinen, jo kurssikerralla valmiiksi saama karttani koski magnitudiltaan 5.0-8.9 maanjäristyksiä, jotka ovat tapahtuneet 1.1.2002-24.2.2017. Halutut tiedot haettiin linkistä www.quake.geo.berkeley.edu/anss/catalog-search.html, kopioitiin Exceliin ja muokattiin käyttökelpoisiksi siellä, ja tallennettiin csv-muotoon ja nimettiin. Näin saatu csv-tiedosto avattiin QGISissä, koordinaatisto trimmattiin kuntoon ja voila – ensimmäinen hasardi-kartta oli valmis (kartta 1.). Vaikutti mukavan helpolta, ainakin edelliseen harjoitukseen verrattuna. Mutta.
Kartta 1. Maanjäristykset, ensimmäinen kokeilu. Huomaa mittakaavajana.
Seuraava tehtävä, eli karttasarja maanjäristyksistä ei sujunutkaan yhtä hyvin kuin harjoituksissa aikaansaatu kartta (kartta 1). Halusin mukaan myös yli yhdeksän magnitudin asteikolla olevat suuret järistykset ja datan tuominen ja siivoaminen käyttökelpoiseen kuntoon vaati tällä kertaa oikeasti verta, hikeä ja varsinkin kyyneleitä. Kirjaimellisesti.
Onneksi huomasin etten ole ainoa; samojen asioiden kanssa kamppaili ainakin myös Tuuli Lahin omassa blogissaan (https://blogs.helsinki.fi/lahintuu/).
Taitoni ovat vasta kehittymässä, joten pienikin kompastus ja sen selvittäminen viivyttää työtäni kymmeniä tunteja ja tämän taulukon kanssa meni pitkään ja lukemattomia yrityksiä, mutta nyt osaan unissanikin siivota ladattua dataa QGIS-kuntoon Exceliin, eli ensin kopiointi (copy paste) ANSS:n hausta ja se NotePadiin. Muistion talletus. Muistion avaus Excelissä, sarakkeisiin jako, ja kaikkien sarakkeiden muunto tekstiksi. Pisteiden muunto pilkuiksi, oikeat määrät desimaaleja kaikkiin lukuihin. Sen jälkeen kaikki sarakkeet joissa numeroita uudelleen luvuiksi. Tallennetaan Excelinä (myös) ja tallennetaan csv:nä. Tuodaan csv QGISiin. Eipä enää taulukko ryppyillyt, tarpeeksi monta kertaa kerrottu joka sarakkeelle, mikä se oikeasti on, ja varmistettu ettei yksikään arvo pääse muuttumaan esim. päivämääräksi. Tämä on varmaan kaikille taitavammille itsestäänselvyys, ja ehkä harjoituksissa käyty läpi, mutta nyt minäkin osaan sen.
Halusin myös selvittää, millainen datan sarakkeissa mainittu yksikkö Mw tarkalleen on, ja siitä löytyi hyvä, tiivistetty tieto yliopiston omalta sivulta http://www.helsinki.fi/geo/seismo/maanjaristykset/tieto/magnitudi.html.
Seuraavaksi karttasarjan kimppuun. Halusin useamman kartan sarjan lähtien voimakkaimmista järistyksistä (>=9), niin että aina seuraavaan karttaan tulee yksi alempi magnitudi lisää, jolloin pisteiden määrä kasvaa kartta kartalta.
Tämä oli toimivaa toteuttaa omalla lempityökalullani, filtteröinnin Query Builderilla, jolloin toin ensin ANSS:n koko skaalan 5-12(!) momenttimagnitudin (Mw), koko maapallon ajalta 2002-2017 (halusin olla varma, että kaikki suuret järistykset tulevat varmasti mukaan) tiedot QGISiin. Sen jälkeen duplikoin saadun layerin yhtä monta kertaa kuin haluttujen karttojen määrä eli 6, ja sitten vain asetin jokaiseen tasoon filtterin niin, että kukin layeri näyttää aina pelkästään valitut maanjäristykset. Query Builderillä rakennettu filtteri tallentuu layerin mukana, joten saan aina avatessani projektin kaikki filtteröidyt layerit samoine arvoineen. Eli yhden kartan sai tavallaan jaettua useammaksi suodattamalla halutut yksilölliset tiedot talteen omalle layerilleen. Sitten vain klikkaan haluamani layerin näkyviin ja muodostan Print Composerilla siitä uuden kartan, ja minulla on kokonainen sarja karttoja.
Halusin mukaan myös mannerlaattojen rajat, ja muutaman turhan yrityksen jälkeen toimiva shapefile löytyi USGS ScienceBase-Catalogista nimellä Plate Boundaries.
Tein vielä yhden yhdistetyn maanjäristys- ja tulivuorikartan, johon kävin hakemassa NOAA:sta materiaalin. Tämä materiaali taipui todella helposti taulukoksi, vain pientä trimmaamista tarvittiin. Aivan toista kuin maanjäristyksien materiaalit.
Ainoa ihmetyksen aiheeni on ero kurssikerralla tehdyn ja kotona tekemäni yli 5 Mw:n kartassa: jälkimmäisessä kartassa on samalta voimakkuudelta ja ajanjaksolta olevia järistyksiä huomattavasti enemmän. Tarkistin yli 5 Mw:n haun useamman kerran, ja sain saman datan. Ehkä ero aiheutui esim. erilaisesta syvyysasetuksesta, joka omassa haussani oli 1km.
Valmiista kartoista jätin mittakaavajanan kokonaan pois (ensimmäiseen kokeiluun jäi malliksi), sillä projektion vääristyessä napa-alueita kohden ei mittakaavajana skaalaudu todellisena kuin jonkun tietyn latitudin (sekä pohjoista että eteläistä) kohdalla. Huomasin tämän, kun yhteen karttaan laitettu mittakaavajana poikkesi voimakkaasti muista pituudeltaan. Olisihan se pitänyt itsekin tajuta.
Saman huomion ovat tehneet Saku Saarimaa ja Liisa Niemi blogeissaan.
Opettajana käytän karttasarjaa havainnollistamaan maanjäristyksien suuruuden, määrän ja sijainnin suhteita: miten paljon enemmän on pieniä järistyksiä kuin todella suuria, ja millä alueilla eri voimakkuuksisia järistyksiä esiintyy (kartat 2-6). Tulivuoret lisäämällä (kartta 7) karttasarjasta tuli vielä informatiivisempi tulivuorten asettuessa kauniisti mannerlaattojen ja siirtymälinjojen reunoille. Kartasta näkee havainnollisesti, miten laattatektoniikka saa aikaan erilaisia ilmiöitä maan kuoressa.
Lisäksi maanjäristysten karttasarjasta näkee, miten järistykset liittyvät laattojen liikkeisiin: työntymäkohdilla on järistyksiä huomattavasti enemmän kuin siellä missä laatat erkanevat toisistaan.
Uskon näistä kartoista (ja muista tulevaisuudessa vastaavalla metodilla QGISissä tehdyistä teemakarttasarjoista) olevan työssäni paljon hyötyä ilmiöiden visualisoimisessa ja havainnollistamisessa. Esimerkiksi Tyynenmeren tulirengas on nimensä veroinen.
Lisäämällä näihin karttoihin ihmisen toiminnasta ja asutuksesta kertovaa dataa saisi myös hyvän käsityksen katastrofiherkistä alueista ja niiden erilaisista riskeistä. Luulen, että teen tulevaa työtäni varten vielä sellaisen karttasarjan ainakin asutuksen osalta.
Ehkä lukio-opetuksessa voisi olla mahdollista syventävillä kursseilla ottaa myös QGIS mukaan opetukseen oppilaiden omaan käyttöön.
Kartta 2. Maanjäristykset yli 9 Mw (momenttimagnitudi).
Kartta 3. Maanjäristykset yli 8 Mw.
Kartta 4. Maanjäristykset yli 7 Mw.
Kartta 5. Maanjäristykset yli 6 Mw.
Kartta 6. Maanjäristykset yli 5 Mw.
Kartta 7. Tulivuoret 400 suurinta ja maanjäristykset yli 5 Mw.
Viitteet ja lähteet:
Maanjäristykset: http://quake.geo.berkeley.edu/anss/catalog-search.html. Haettu 10.3.2018
Mannerlaattojen rajat: USGS ScienceBase-Catalog, Plate Boundaries. Haettu 21.3.2018 https://www.sciencebase.gov/catalog/item/4f4e4a48e4b07f02db62303e8
Maanjäristysten voimakkuuden luokittelu: http://www.helsinki.fi/geo/seismo/maanjaristykset/tieto/magnitudi.html
Tulivuoret, 400 suurinta: NOAA National Centers for Enviromental Information. Haettu 22.3.2018
https://www.ngdc.noaa.gov/nndc/servlet/ShowDatasets?dataset=102557&search_look=50&display_look=50
Tuuli Lahinin blogi: https://blogs.helsinki.fi/lahintuu/
Saku Saarimaan blogi: https://blogs.helsinki.fi/ssaku/
Liisa Niemen blogi: http://blogs.helsinki.fi/nliisa/
Viidennellä harjoituskerralla tutustuimme perusteellisesti bufferointiin monipuolisten harjoitusten avulla. Aloitimme tutkimalla edellisellä kerralla aloiteltua Pornaisten rajauksen aluetta. Tutuiksi tulivat työkalut Fixed distance buffer, Spatial Query ja Statistic panel, joita tuli käytetyksi niin monta kertaa, että sen voi jo sanoa osaavansa unissaankin. Bufferointi oli sitä paitsi hauskaa: oli mielenkiintoista tutkia erilaisia vaikutusalueita ja sitä, kuinka moneen asukkaaseen eri ilmiöt vaikuttavat. Tämä on työkalu, josta uskoisin olevan valtavasti hyötyä tulevaisuudessa. Valitettavasti pelkkä hauskuus alkoi ja loppui bufferointiin, sillä muuten tehtävät olivat vasta-alkajalle monimutkaisia ja haastavia, piti todella keskittyä siihen mitä kysytään ja miten sen saa selville. Tehtäviä oli myös todella paljon, tämä oli tähänastisista ehdottomasti kaikkein suuritöisin harjoituskerta. Mutta tarkkuus on kehittynyt ja näiden em. työkalujen käyttö rutinoitunut (miltei) automaatioksi!
Ensimmäisessä tiebufferoinnissa piti olla tarkkana: kysyttiin ”Montako taloa rajatulla alueella on 100 m:n etäisyydellä tiestä?!”. Ensimmäisessä yrityksessäni sain tulokseksi 136, mutta kun tarkastelin saatua karttaa, huomasin etelälaidalla kahden talon jäävän kyllä tiebufferin sisään, mutta Pornaisten rajauksen ulkopuolelle. Eli tarvittiinkin vielä bufferoinnin lisäksi valmiin tiebufferin rajaamista Intersection -työkalulla, jotta tehtävänanto saadaan toteutettua oikein (kartta 1).
Pornaisten rajauksen sisältä bufferoinnin tuloksia:
| Rakennuksia Pornaisten rajauksen sisällä yhteensä | 670 kpl |
| – niissä asukkaita yhteensä | 1680 as |
| Rakennuksia 100 m etäisyydellä tiestä | 134 kpl |
| Niissä asukkaita | 334 as. |
| – joka on % koko alueen väestöstä | 19,8 % |
| Rakennuksia 500 m etäisyydellä terveyskeskuksesta | 187 kpl |
| Niissä asukkaita | 473 as. |
| – joka on % koko alueen väestöstä | 28,1 % |
| Rakennuksia kauempana kuin 1km koulusta | 246 kpl |
| Niissä asukkaita | 611 as. |
| – joka on % koko alueen väestöstä | 36,3 % |
Kartta 1. Tarkkuutta vaativa tehtävä: kaksi taloa ei kuulukaan rajauksen joukkoon. (Se kolmas hengailee muutenkin bufferin ulkopuolella)
Malmin lentokenttä
Seuraavaksi lähdettiin tutkimaan lentomelua Helsingin lentokenttien ympäristössä. Ensimmäisenä tutkittiin Malmin lentokentän melualueita 1:n ja 2:n kilometrin säteellä (kuvakaappaus 1.), sekä niiden alueella asuvien ihmisten määrää. Käytössä tutut työkalut Fixed Distance Buffer, Spatial Query ja Statistic Panel. Eli lisäharjoitusta ja toimintojen sujuvoittamista. Bufferointi sujuu jo todella hyvin, mutta analyysin tekeminen vaatii vielä miettimistä hetken verran.
| 1 km melualueella asuvat | 8703 as. |
| 2 km melualueella asuvat | 56943 as. |
Kuvakaappaus 1. Malmin lentokentän 1 ja 2 km bufferit.
Helsinki-Vantaan lentokenttä
Seuraavaksi Helsinki-Vantaan kiitoratoja tutkimaan.
Uutena työkalunani on filtteröintitoiminto, jonka useiden kokeilujen (ja tuskastumisen) jälkeen löysin, eli helpoimmin vähintään 55dB alueella asuvien määrän sain valitsemalla Filter -toiminnon Query Builderin, johon syötettiin lauseke ”Meluaste >= 55”, jolloin toiminto blokkasi 50 dB:n alueen pois Spatial Queryn käytössä. Varmaan muitakin tapoja on paljon, mutta tämä toimi tässä hyvin.
Tilapäisen, Tikkurilan suunnasta laskeutumiseen käytetyn kiitoradan vähintään 60 dB:n melualueen vaikutuksen sai selville bufferoimalla 6,5 km pituisen ”apuviivan” määrityksellä 500 m bufferi, jolloin tuloksena oli kiitoradan päästä 7 km pitkä ja 1 km leveä melualue tehtävänannon mukaan (kartta 2).
| Alle 2 km etäisyydellä kiitoradoista asuvat | 10315 as. |
| -joista on % 65dB alueella | 0,26 % (9 rakennusta) |
| Vähintään 55dB alueella | 11913 as. |
| Tilapäinen kiitorata, vähintään 60dB alueella | 12455 as. |
Kartta 2. Helsinki-Vantaan kiitoradan 2. käytöstä Tikkurilan yli suuntautuvista nousuista aiheutuvan vähintään 60 dB:n melualueen laajuuden tarkastelua.
Asemat
Asemaharjoituksessa pääsin jälleen käyttämään lempityökaluani, eli bufferointia. Bufferointi ja saadusta bufferista kyselyitten suorittaminen alkaa jo sujua, ja tuntuu hyvin tarkoituksenmukaiselta. Kyselyiden suorittamisessa haparointia on vielä runsaastikin, mutta toisaalta jos en ole esimerkiksi muistanut edellisessä tehtävässä käytettyä työkalua/toimintatapaa, tai se ei ole toiminut (kuten minulla Join attributes by location!), olen hakenut päättelemällä uusia, ja löytänyt muutamia oikein näppärästi toimivia työkaluja (kuten em. Query Builderin) ja niiden soveltamiskeinoja. Jotkut niistä ovat olleet ehkä hankalampia, kuin asiaan tarkoituksenmukaisin työkalu/reitti, mutta ovat yhtä kaikki silti toimineet. Suurin muutos on ollut paitsi tuttujen ja paljon käytettyjen toimintojen automatisoituminen, myös kokeilurohkeuden kasvaminen: en enää pelkää räjäyttäväni koko QGISiä kokeilemalla vierasta toimintoa. Olettaen tietenkin, että olen muistanut tallentaa sekä projektin että haluamani layerit ennen uhkarohkeita kokeiluja. Läksy, joka on pitänyt oppia monen kantapääkokemuksen kautta…
Samoja työkaluja pääsin taas käyttämään tässä tehtävässä (kuvakaappaus 2).
| Alle 500 m säteellä juna- tai metroasemasta asukkaita | 106691 as. |
| -joka on % alueen kaikista asukkaista | 21,8% |
| -joista % on työikäisiä asukkaita | 68,5% |
Kuvakaappaus 2. Tutkimusalueen taajama-asteen ja asemien lähiasutuksen (500 m) tutkimista.
Taajama-tehtävästä saamani 97,6% taajama-aste näytti silmämääräisesti hyvältä, ja ainakin tilastokeskuksen tiedoista löytyi samansuuntainen prosenttiluku (Tilastokeskus 2016). Pääkaupunkiseudulla taajamaksi lasketaan liki kaikki asuinrakennuksia sisältävät alueet. Koska tulokseni oli hieman Tilastokeskuksen lukemaa pienempi arvo, hain syytä siihen etsimällä saamistamme materiaaleista metadataa, josta olisi nähnyt miltä vuodelta materiaaliemme pks_vaki -tiedot ovat, mutta löysin vain materiaalien lähteen, josta ilmeni, että tiedot päivitetään joka kevät edellisen vuoden lopun arvoilla (SeutuCD2016). Ehkä parin vuoden väestönkasvu selittää hienoisen eron omani ja Tilastokeskuksen tuloksen välillä?
Ulkomaalaisten %-osuudet tuottivat ensin oikeasti päänvaivaa: esim. Kauniainen ei halua ilmoittaa ulkomaalaisten osuuksia, vaan laittaa 9999… koodin. ”Muunkielisiä” Kauniaisista löytyi 418 asukasta, ja kun muiden pääkaupunkiseudun kuntien muun kielisten osuus korreloi yleensä ulkomaalaisten osuuteen ollen jonkin verran ulkomaalaisten osuutta suurempi, voisi Kauniaisista ehkä olettaa samoin, jolloin määrä voisi olla ehkä 500 tienoilla. Ehkä.
Ja sitten päästiin taas käyttämään filtteröinnin Query Builderia, Kauniaisten blokkaus kävi helposti määrittämällä ULKOKAN prosentti alle 99, jolloin Kauniaisten (ja esim. Helsinki-Vantaan transit-hallin ?) 999999.. arvot tippuivat pois.
| Tehtäväalueen asukkaista asuu taajamassa | 97,6% |
| Kouluikäisistä asuu taajaman ulkopuolella | 3727 opp. |
| -joka on % alueen kaikista kouluikäisistä | 3,6% |
yli 10 % alueita 66 kpl
yli 20 % alueita 19 kpl
yli 30 % alueita 11 kpl
Tässä tehtävässä pääsi käyttämään jälleen tuttua Spatial Queryä ja sen jatkona Statistic panelia. Uusi lempitoimintoni Query Builder pääsi taas tositoimiin.
Tehtävä oli aiempiin verrattuna helppo, mutta vaati tarkkuutta tutkia tehtävänanto huolella, jotta lähti hakemaan oikeaa asiaa.
Analyysi aineiston oppilasmääristä näyttäisi nopeasti katsottuna siltä, että Käpylän alueella lasten määrä on vähentymässä Helsingin yhtenäiskoulun koulupiirissä. Yläasteikäisiä on vielä jokaisessa ikäluokassa kahdenkymmenen molemmin puolin, mutta nuorempia kohden määrä pienenee niin, että koulutiensä seuraavana vuonna aloittavia on vain 14 oppilasta, mutta kun tarkastelee nuorempiakin ikäluokkia, notkahdus näyttäisi olevan vain väliaikainen: nuorempien ikäluokat ovat jo hienoisessa kasvussa, 0-vuotiaita on jo 22, 2-vuotiaita 20, 3-vuotiaita 14, 4-vuotiaita 22 ja 5-vuotiaita 16. Pienin ikäluokka, 1-vuotiaat, on tosin vain 8 lapsen suuruinen. Ikäluokat näyttäisivät jatkavat orastavaa kasvuaan, kuten Helsingin kaupungin omat vuonna 2017 julkaistut tilastot osoittavat. Lapsiperheiden poismuutto alueelta on vähentynyt, eli perheet eivät enää siirrykään ympäryskuntiin lasten tullessa kouluikään (Helsingin kaupungin tila ja kehitys -raportti 2016).
Kaupungin opetustoimen johdolla on ollut asiaan jo pitkän aikaa myös selvästi ideologinen kanta, jonka mukaan Helsingin yhtenäiskoulu pitää lakkauttaa. Tämä ilmenee opetustoimen johtajan Suomen Kuvalehdelle antamasta haastattelusta (Suomen Kuvalehti 2009). Kuten Sini Virtanen blogissaan tuo esille, Yhtenäiskoulun, Koskelan koulun ja Käpylän Peruskoulun yhdistämisestä on käyty keskusteluja viime aikoinakin (https://blogs.helsinki.fi/7k110738/).
Tehtävän kaltaista analyysiä tarvitsee esimerkiksi päätettäessä koulupiirien tulevista jaoista sekä kunkin koulun aloittavien ensimmäisten luokkien määristä.
| Koulutulokkaita ensimmäiselle luokalle seuraavana syksynä | 14 opp. |
| Yläasteikäisiä yhteensä koulussa seuraavana syksynä | 62 opp. |
| Koulupiirin kaikista asukkaista 7-15 -vuotiaita | 8,4% |
| Koulupiirin alueella muun kielisiä koululaisia (arvio) | 9 opp. |
Tässä tehtävässä olisi ollut käyttöä Join layer by location -työkalulle. Mutta mutta: en ollut saanut sitä toimimaan, vaikka minkälaisilla asetuksilla yritin. Ensin ajattelin, että kyse on omasta osaamattomuudestani ja kokemattomuudestani, mutta kun sama virhekoodi ”-2147483645 See log for more details” toistui yhä uudestaan asetuksista ja arvoista riippumatta, asia piti lopulta selvittää. Logista katsomalla ei selvinnyt yhtään mitään järkevää. Lopulta virhekoodin googlettamisella asia selvisi Bug Report -keskustelusta https://issues.qgis.org -sivuilta: oma versioni QGISistä (2.18.15 Las Palmas) käyttää temporary layeriä (memory layer) oletuksena, ja siinä materiaaliemme 2.5D geometriadata ei toimi. Joined layer pitää tallettaa oikeasti, jotta Joined-työkalu toimisi. Virheen kanssa sai kyllä (taas!) kivasti menemään tunteja ennen kuin asia selvisi.
Positiivista: en näköjään ollutkaan ainoa jolla on ollut sama ongelma. Paras kommentti virhekoodikeskustelussa oli, että ette sitten viitsineet kirjoittaa virhekoodin sijaan yksinkertaisesti mainintaa, että versiossa 2.16 ja uudemmissa täytyy tallettaa suoraan varsinaiseksi layeriksi.
Tosiaan: miksi ei mainintaa? Olisi pelastanut minutkin pitkältä turhalta pähkäilemiseltä.
Ehkä tämä asia oli käsitelty meillä harjoituksissa, mutta uutta asiaa tulee niin valtava määrä kerralla, että ihan kaikki ei todellakaan jää kertakuulemalla -tai edes kahdella (tai kolmella, neljällä…) mieleen. Nyt piti mennä kokeilemalla ruohonjuuritasoa alemmas, pinnan alle.
Kuten Sini kirjoittaa omassa blogissaan (https://blogs.helsinki.fi/7k110738/) vastaavanlaisista ongelmista, olisi hienoa, jos QGISistä olisi jonkunlainen tiivistetty ohje keskeisistä toiminnoista, vaaranpaikoista ja niiden ratkaisuista.
Joten käytössä oli siis aluksi plan-B, eli innovoitu toinen reitti: otetaan pks_vaki ja laitetaan sille filtteri päälle eli UA =1 (Query Builder, jälleen!) jolloin Statistics Panel näyttää tiedot vain uima-altaallisista taloista. Statistics Panelista voi tämän jälkeen valita haluamansa kentän, esim. UA tai ASYHT ja tulokset näkyvät Value-kentässä.
Tämä työkalu on ollut näissä harjoituksissa todella helppo ja hyvä.
| Uima-altaalla varustettuja rakennuksia pk-seudulla | 855 kpl |
| – joissa asukkaita | 12170 as |
| – joista omakotitaloja | 345 kpl |
| – joista paritaloja | 158 kpl |
| – joista rivitaloja | 113 kpl |
| – joista kerrostaloja | 181 kpl |
| – lisäksi muut uima-altaalliset rakennukset | 58 kpl |
| Uima-allasrikkain alue: | Lauttasaari (51 kpl) |
| – muut alueet, joissa paljon u-altaita: | Länsi-Pakila (49 kpl) |
| Marjaniemi (44 kpl) | |
| Rakennuksessa sauna | 21922 kpl |
| – joka on % asutuista taloista | 24,2% |
Kartalla pyydetty pylväsdiagrammi ei ollut ollenkaan yhtä informatiivisen näköinen kuin koropleettikartta,
Samasta asiasta kirjoittaa blogissaan myös Eemil Becker (https://blogs.helsinki.fi/beemil/ ). Pylväät olivat vaikeammat kohdentaa mielessään oikealle alueelle kuin pisteet, joten valitsin malliksi tähän liitettäviksi kartoiksi sekä koropleettikartan (kartta 3.) että kokeellisen koropleettikartan ja pistekartan yhdistelmän, jossa näkyy myös jokainen uima-allas talotyypeittäin värisymboleilla eriteltyinä (kartta 4).
Yhdistelmäkartassa on tieto paitsi vilkaisulla saatavasta yleisestä uima-altaiden määrästä kaupunginosa-alueella, myös tarkka tieto siitä missä ja millaisessa talossa uima-allas sijaitsee. Ainoa huono puoli on se, että kun kartta esitetään näin pienessä koossa, koropleettikartan värit eivät erotu pisteiden alta uima-allasrikkaimmissa ja pienipinta-alaisissa kaupunginosissa kuten Marjaniemessä. Toki tässä kartassa on päällekkäisyyttä, kun samaa asiaa kuvataan yhdessä kartassa kahdella tavalla, ja en tiedä sitten onko viisasta/sallittua. Toki pelkän pistekartankin olisi voinut vielä laittaa. Mutta tässä kaksi erilaista vaihtoehtoa vertailtavaksi:
Kartta 3. Koropleettikartta asuinrakennusten uima-altaiden määrästä.
Kartta 4. Koropleettikartan ja pistekartan (uima-altaat talotyypeittäin) yhdistelmä.
Harjoituksen 5. opettamat asiat ja niiden käyttö
Tässä harjoituksessa olen oppinut soveltamaan toisenlaisia työkaluja ja miettimään jo hieman luovia ratkaisuja teknisen ongelman kohdatessani. Myöskin rohkeuteni kokeilla eri työkaluja on lisääntynyt. Usein käytettyjen työkalujen käyttö on automatisoitunut jo sille tasolle, ettei tarvitse enää miettiä tai muistella, miten niitä käytettiin. Myös nopeus on hieman kasvanut. Mutta kokonaisuutena olen tuskastuttavan hidas edelleenkin: asioiden oppiminen kokeilemalla (yritys ja erehdys, erehdys, erehdys…) vie valtavasti aikaa. Sen takia palautukseni ovat valitettavasti kestäneet valtavan kauan.
Mutta QGIS alkaa tuntua jo tutummalta, vaikka paljon on vielä opittavaa, tutkittavaa ja kokeiltavaa.
Oppimiemme työkalujen käyttöä erilaisiin analyyseihin voisi esimerkiksi olla bufferoinnin käyttö erilaisten vaikutusalueiden tai saavutettavuuden analysointiin. Juuri koulualueiden määrittely, melumittaukset, matka-aikojen määrittämät saavutettavuustutkimukset voisivat olla esimerkkejä työkalun käytöstä.
Lähteet ja viitteet:
Helsingin kaupunki, Tietokeskus: Helsingin tila ja kehitys 2016.
http://tilajakehitys.hel.fi/vaesto_ja_vaestonkehitys_helsingissa julkaistu 26.1.2017
Suomen Kuvalehti. Helsingin kaupungin opetustoimen johtajan Rauno Jarnilan haastattelu vuodelta 2009. https://suomenkuvalehti.fi/jutut/kotimaa/talous/koulusaastot-helsinki-suoristeli-tilastoja-lasten-maara-kasvaakin/ (7.12.2009)
SeutuCD16: https://www.hsy.fi/fi/asiantuntijalle/seututieto/paikkatiedot/Documents/SeutuCD16_kirja.pdf
Tilastokeskus, Ulkomaan kansalaiset: https://www.tilastokeskus.fi/tup/maahanmuutto/maahanmuuttajat-vaestossa/ulkomaan-kansalaiset.html
Sini Virtasen blogi https://blogs.helsinki.fi/7k110738/ viitattu 16.3.2018
Bug Report -keskustelu https://issues.qgis.org katsottu 16.3.2018
Eemil Beckerin blogi https://blogs.helsinki.fi/beemil/ viitattu 15.3.2018
Harjoitus 4. Ruotsinkielisiä ruutuja ja rastereita -sekä hieman tulevan bufferoinnin aineiston valmistelua
Neljännellä kurssikerralla harjoittelimme ruutuaineiston käyttöä ja loimme QGISissä rasterikartan, opimme tuottamaan uutta tietoa tietokantaan maantieteellisiä kohteita hyödyntämällä ja tutustuimme pistemuotoisiin aineistoihin, sekä opettelimme piirtämään QGISissä.
Ensimmäisessä tehtävässä tarkastelimme pääkaupunkiseudun väestötietoja rasteriaineistossa, aineistona väestötietokanta.
Tehtävä aloitettiin valmiiden aineistojen tuomisella ja ruudukon luomisella QGISissä. Erinäisten vaikeuksien jälkeen sain vihdoin muodostettua ruudukon ja trimmattua sen niin, että jäljellä olivat vain rakennuksia sisältävät ruudut. Ensimmäisessä yrityksessäni nimittäin unohdin innoissani koko trimmaamisen ennen tietojen tuontia kartalle (kuva 1.).
Ei kun uusiksi.
Kuva 1. Yritys nro 1. Ruotsinkielisten määrät pääkaupunkiseudulla rasteriaineistossa ennen ruutujen karsimista (kuvakaappaus)
Ruutujen kooksi vinkattiin määrittelemään 1000 x 1000 m. Pienet ruudut saattaisivat jumittaa koneen valtavan laskutoimitusmassan takia, ja kokeillessani hieman pienempää ruutukokoa (500 x 500m) huomasin myös, että kartan visuaalinen ja informatiivinen ilme kärsi: kilometrin ruudut olivat helpommin ja miellyttävämmin tarkasteltavissa. Tämän seikan toi esille blogissaan myös Minna Soittila, joka totesi kartasta tulevan sekavan eikä informaatioarvokaan ollut etukäteisoletuksen mukainen. Hieman yllättäen tiheämpi ei aina tuokaan lisäarvoa.
Valitsin tarkastelun kohteeksi kartassani ruotsinkielisten määrän pääkaupunkiseudulla. Ruudukko oli helppo muodostaa pääkaupunkiseudun väestötietokannasta tuotujen rakennustietojen päälle, jossa väestötiedot ovat rakennuksien tarkkuudella. Tämän jälkeen tyhjät ruudut (tällä kertaa) poistettiin Spatial Queryllä, eli jäljelle jäivät vain tietoa sisältävät ruudut. Tämä sujuvoittaa laskutoimituksia, kun tyhjiä ruutuja ei tarvitse käsitellä. Ruudukko ja karsimalla väestötiedoista saatu ruotsinkielisten määrä liitettiin yhteen Join attributes by location -toiminnolla, jolloin saatiin aikaiseksi rasterimuotoinen tietokanta.
Layer Properties -työkalulla pystyi säätämään sopivan ulkoasun. Graduated ja Quantile (Equal Count) toimivat parhaiten tuoden selkeimmät erot ja korostaen alueet sopivasti. Muilla määritteillä kartan ulkoasu jäi melko pliisuksi ja mitäänsanomattomaksi, jolloin informatiivisuus kärsi.
Valmiin kartan tulos oli aika lailla etukäteistuntumani mukainen: suurimmat ruotsinkielisten asuinalueet sijaitsivat Kauniaisissa, Etelä-Espoossa, Helsingin kantakaupungissa ja Itä-Helsingissä linjalla Kulosaari-Laajasalo-Tammisalo-Marjaniemi-Vuosaari.
Yllättäen kuitenkin vahvasti ruotsinkieliseksi tiedetyltä, Helsingin Sipoolta valtaamalta alueelta ei näyttänyt löytyvän kovin suurta ruotsinkielisten määrää. Tämä paljastikin kartan ”heikkouden”: karttaa tarkastellessa syntyy mielikuva siitä, että Sipoon ruotsinkielisten osuus olisi pieni. Kartassa kuitenkin tarkastellaan ruotsinkielisten absoluuttista määrää, ei muuhun väestöön suhteutettua, jolloin Sipoon pieni kokonaisväestömäärä antaa koko väestömäärään suhteutettua, esimerkiksi prosenttimäärää, pienemmän kuvan ruotsinkielisten osuudesta. (kartta 1). Toisaalta valmista karttaa katsoessa useita ruotsinkielisiä sisältävät alueet antavat helposti vaikutelman valtavasta ruotsinkielisten osuudesta, joka ei pidä paikkaansa, sillä attribuuttitaulun mukaan suurimmankin määrän ruudut sisälsivät yleensä kymmenissä-sadoissa laskettavan määrän, ja vain viidessä ruudussa ylittyi tuhat ruotsinkielistä asukasta. Lisäksi nämä alueet sijaitsivat tiheimmin asutuilla alueilla. Ainoaksi keinoksi jäi kartan otsikossa ja legendassa sen seikan korostaminen, että kyseessä ovat tosiaan ruotsinkielisten asukkaiden kappalemäärät. Tässä tapauksessa informatiivisuus voisi puoltaa ennemmin koko väestömäärään suhteutettujen kuin absoluuttisten arvojen käyttöä.
Kokeilin vielä ratkaista tilannetta erilaisilla luokitteluilla Properties -toiminnossa, mutta myös muut vaihtoehdot tuntuivat jäävän huonoiksi.
Visuaaliselta kannalta ruutujen ääriviivojen poistaminen toimi mielestäni hyvin: kartasta tuli silmälle huomattavasti miellyttävämpi, ja itse asia pääsi paremmin esille, kun huomio ei kiinnity ruudukon viivoihin. Kuntarajojen, rantaviivan ja vesistöjen nostaminen ruutujen päälle auttoi hahmottamaan tihentymien sijaintia.
Kartta 1. Valmis kartta ruotsinkielisten määrästä pääkaupunkiseudulla.
Esimakua Pornaisista
Seuraavaa harjoitusta eli bufferointia varten tutustuimme Pornaisten alueen karttoihin. Latasimme valmiista aineistosta rinnevalovarjostuksen ja korkeuskäyrästöä (kuvat 2 ja 3).
Kuva 2. Rinnevalovarjostus Pornainen (kuvakaappaus).
Kuva 3. Korkeuskäyrien korostaminen värillä tuotti esteettisen kartan. Pornainen (kuvakaappaus).
Harjoittelimme erilaisien ominaisuuksien säätämistä rasterin DEM-toiminnolla.
Kolmanneksi harjoitukseksi kokeilimme itse piirtämistä QGISissä, joka oli yllättävän helppoa. Uuden vektoritason luotua pystyi määrittämään piirsikö pisteitä, viivoja vai polygoneja, ja digitoimme rajatun alueen (Pornaisten rajaus) tiet ja asuinrakennukset (kuva 4). Myös peltoja ja vesistöjä sai yrittää. Seuraavaksi pääsemmekin sitten bufferoimaan vaikutusalueita.
Kuva 4. Pornaisten digitointia (kuvakaappaus).
Viitteet:
Minna Soittila http://blogs.helsinki.fi/soittila / viitattu 20.2.2018
Tehtävä 1.
Kolmannella harjoituskerralla keskityimme tietokantojen käyttöön ja käsittelyyn, sekä uuden tiedon tuottamiseen vanhoista tiedoista yhdistämällä. Harjoituksen tavoitteena oli opetella muokkaamaan ja yhdistelemään tietokantoja toisiinsa sekä tuottaa saadusta aineistosta uutta tietoa. QGIS alkaa jo hieman tuntua tutummalta, eikä eri toimintojen kokeilu ole ollut enää yhtä pelottavaa. Tosin olen onnistuneesti hävittänyt muutaman kartan bittiavaruuteen (tai oman koneeni syövereihin), mutta olen yrittänyt hampaita kiristellen nähdä ne tilaisuutena harjoitella sama asia tuoreeltaan uudelleen.
Kartta 1. Afrikan internetinkäyttäjien osuus väestöstä valtioittain v. 2000.
Ensimmäisenä harjoituksena teimme Afrikan valtioiden karttakohteiden yhdistämistä maan nimen mukaan ja aineiston ”siivoamista” käyttökuntoon. Harjoittelimme tietokantaliitosten tekemistä Join-toiminnon avulla, ja käytimme edellisessä harjoituksessa opeteltua ominaistaulukon muokkaamista ja uusien sarakkeiden luomista.
Halusimme tarkastella Afrikan tietoteknisen vallankumouksen etenemistä internetin käyttäjämäärän kasvua tutkimalla (kartat 1. ja 2.), sekä luonnonvarojen ja konfliktien alueellista jakautumista ja näiden mahdollista yhteyttä toisiinsa (kartta 3.).
Kartta 2. Afrikan internetinkäyttäjien osuus väestöstä valtioittain v. 2017.
Väestön lukumäärän ja internetin käyttäjien määrän yhdistämällä (vuodet 2000 ja 2017) pystyi saamaan selkeän kuvan valtioittain Afrikan mantereen internetin käytön äärimmäisen vaatimattomasta alusta ja hyvin selkeiksi kehittyvistä alueellisista eroista, jotka indikoinevat suuria eroja eri valtioiden/alueiden infrastruktuurin ja varallisuuden kehittyneisyydessä.
Seuraavaksi laajensimme aineiston tutkimista luonnonvarojen -öljyn ja timanttien- esiintymisen ja tapahtuneiden konfliktien väliseen mahdolliseen yhteyteen. Annettuina tietoina olivat konfliktien tapahtumavuodet sekä laajuus kilometrien säteellä, timanttiesiintymien löytämisvuosi ja
Kartta 3. Afrikan Öljyesiintymät, timanttikaivokset ja konfliktit.
kaivostoiminnan aloitusvuosi, tuottavuusluokittelu, sekä öljykenttien löytämis- ja poraamisvuosi tuottavuusluokitteluineen.
Aivan uusia tilastotiedot eivät ole: attribuuttitaulukkoa esim. konfliktien vuosilukujen kohdalta tutkimalla havaitsi uusimpien tietojen olevan vuodelta 2008, joten esimerkiksi öljyesiintymien läheisyydestä Tunisiasta alkaneet ja Egyptiin, Libyaan ja muihin arabimaihin levinneet Arabikevään levottomuudet vuodenvaihteesta 2010-2011 alkaen eivät ole mukana tiedoissa. Mielenkiintoista olisi tietää, näyttelivätkö alueiden öljyvarat jotakin roolia kansannousussa, vaikka en ainakaan itse suoralta kädeltä muista, että tällaisesta asiasta olisi uutisointien yhteydessä mediassa mainittu.
Arabikevään konfliktien poisjääntiä tilastoista pohtivat blogeissaan myös esimerkiksi Minna Soittila ja Kim-Henrik Helanne.
Tietoja yhdistämällä pystyisi saamaan uutta tietoa luonnonvarojen hyödyntämisen vaikutuksesta konfliktien synnyssä, jos tiedot osoittaisivat suuriarvoisten luonnonvarojen ja konfliktien esiintymisen korreloivan keskenään. Varsinkin epävakaissa oloissa kiistan luonnonvarojen omistuksesta ja hyödyntämisoikeudesta olettaisi aiheuttavan helposti konflikteja, mutta karttaa tarkastelemalla ei voi ainakaan kovin voimakasta kausaliteettia päätellä olevan luonnonvarojen ja konfliktien välillä. Saharan eteläpuolella ja Keski-Afrikan tienoilla näyttäisi olevan hieman enemmän yhteyttä timanttikaivosten /-esiintymien ja konfliktien sijainnin välillä.
Mielenkiintoista olisi vielä nähdä Saharan etelä- ja pohjoispuolen vesivarantojen sijainti: näiden tilastotietojen yhdistämisellä voisi yrittää selvittää, onko vesivarantojen sijainnilla ja konfliktien määrällä mahdollisesti jotain yhteyttä.
Blogissaan Kati Ilmonen esittää mielenkiintoisen kysymyksen siitä, vaikuttaako internetin käytön yleistyminen muihin muuttujiin (konfliktit, luonnonvarojen löytyminen/hyödynnys) tai toisinpäin.
Tehtävä 2.
Seuraavassa tehtävässä vertailtiin Suomen vesistöalueiden valuma-alueominaisuuksia ja tulvaherkkyyttä laskemalla annetusta aineistosta keskiylivirtaaman (MHQ) suhde keskialivirtaamaan (MNQ) eli tulvaindeksi, ja luomalla saadusta tulvaindeksistä ja annetun aineiston järvisyysprosentista koropleettikartta (kartta 4.).
Kartta 4. Tulvaherkkyys ja järvisyys.
Kartasta erottuu selvästi Pohjanmaan ja Järvi-Suomen välinen valuma-alueraja: Pohjanmaan tulvaindeksit ovat koko alueella korkeita, ja rajan toisella puolella runsaiden sisävesialtaiden Järvi-Suomessa tulvaindeksit ovat alhaisimmillaan. Sama tulvaherkkä rannikkokaistale jatkuu koko etelärannikon pituudelta. Salpausselät muodostanevat etelässä selkeän maastollisen rajan rannikkokaistaleen ja Järvi-Suomen valuma-alueiden välille.
Tulvaindeksin ja järvisyysprosentin yhteistarkastelusta huomaa, että siellä missä järvisyysprosentti on suuri, ei tulvaindeksi yleensä nouse kovin korkealle. Blogeissaan Milena Nevanto ja Vesa Hanski tuovat esiin saman havainnon.
Milena Nevanto toteaa pienen järvisyysprosentin olevan merkki alueen tulvaherkkyydestä, ja nostaa esille tulvaherkkyyden huomioonottamisen tärkeyden tällaisten alueiden, erityisesti meren rannalla sijaitsevien Pohjanmaan sekä Etelä- ja Länsi-Suomen, kaavoituksessa ja rakentamisessa.
Vesa Hanski nostaa esiin tulvimisen käänteisen korrelaation järvisyyden kanssa, jossa järvet toimivat puskureina ylivirtaamalle.
Oppimisessani on tapahtunut selvästi edistymistä, sillä huomaan kiinnittäväni yhä vähemmän huomiota QGISin käyttöön ja komentoketjuihin, sen sijaan päähuomioni alkaa olla itse tutkittavassa asiassa: millaista analyysiä voi aineistojen yhdistämisestä ja niistä muodostettavista teemakartoista tehdä. Lisäksi huomaan hiovani karttojen ulkoasua ihan omaksi ilokseni.
Hidas olen toki vieläkin.
Viitteet:
Kati Ilmonen https://blogs.helsinki.fi/ikati/ (viitattu 15.2.2018)
Milena Nevanto https://blogs.helsinki.fi/milenane/ (viittattu 15.2.2018)
Vesa Hanski https://blogs.helsinki.fi/vesahans/ viitattu 15.2.2018
Minna Soittila https://blogs.helsinki.fi/soittila/ (viitattu 15.2.2018)
Kim-Henrik Helanne https://blogs.helsinki.fi/helanne/ (viitattu 15.2.2018)
Harjoitus 2. Projektion merkitys pinta-alapohjaisille vääristymille
Toisella harjoituskerralla tarkastelimme projektion merkitystä pinta-alan vääristymälle ja vääristyneiden pinta-alatietojen vaikutusta niihin suhteutettuun tilastotietoon.
Ensimmäisen kurssikerran kartan teko onnistui, mutta tällä kertaa etenimme jo huomattavasti nopeammin.
Kävimme ensin läpi valintatyökaluja ja niiden käyttöä, Select Features -toimintoja, ja minulta jäi näkemättä mistä yksi klikkaus tehtiin, jonka seurauksena jäin jälkeen, enkä päässyt enää kärryille etenemisessä. Eli jos ei tunne vielä ohjelman toimintoja, voi pienestä jälkeen jäämisestä kasaantua suuri ongelma.
Seuraavaksi harjoittelimme piirtämällä Suomi-neidolle pipon ja mittaamalla “lanteet” ja tutkimalla pinta-alan ja pituuden muutosta eri projektioissa. Pinta-aloissa oli suuria eroja (kuvat 1.-3. ja taulukko 1.)
Kuva 1. ETRS89 / ETRS-LAEA:n eli oikea-alaisen projektion pinta-ala oli 6889,923 km2 (kuvakaappaus).
Kuva 2. Sphere Equidistant Cylindrical -projektion pinta-ala oli 9934,471 km2 (kuvakaappaus).
Kuva 3. World Gall Stereographic -projektion pinta-ala oli 17830,762 km2 (kuvakaappaus).
| Projektioiden pinta-alaerojen vertailua | ||
| Projektio | ESPG: | Pinta-ala km2 |
| ETRS89 / ETRS-LAEA | ESPG:3035 | 6889,9 |
| Sphere Equidistant Cylindrical | EPSG:53002 | 9934,4 |
| World Gall Stereographic | EPSG:54016 | 17870,7 |
Taulukko 1. Projektioiden pinta-alamuutokset
Käytimme mittatyökalua, jonka toiminta oli loogista ja yksinkertaista, samoin eri projektioiden vaihtaminen sujui hyvin. Ihmetytti vain jokaisen projektion vaihdon yhteydessä Suomen pieneneminen. Mittakaavavääristymä tulee tietenkin, ja Suomen asema sekä rotaatio muuttuivat projektion muuttuessa, mutta pieneneminen? Zoom to Layer -toiminnolla sai näkymän takaisin entiselleen, mutta tarpeeksi monen mittakaavamuunnoksen jälkeen Suomi katosi kanvaasilta. Edes Zoom to layer ei palauttanut sitä enää takaisin. Uusi yritys, sama juttu. Mitähän tein väärin?
Seuraavaksi aloitimme varsinaisen harjoitustyön tekemisen, kuntajaon pinta-alojen vääristymien tutkimisen eri projektioissa. Tehtävänanto oli selkeä ja ymmärrän hyvin, mitä lähdimme hakemaan, mutta valitettavasti en löytänytkään heti aineistoa, jäin jälleen jälkeen heti alussa. Etsiessäni materiaalia olimme edenneet seuraavaan vaiheeseen ja sitä seuraavaan. Olin jäänyt liian monta vaihetta taakse, ja jouduin pyytämään apua harmillisesti useamman kerran. Tajuan sen viivyttävän muiden etenemistä; ei ole reilua, jos luennoitsijan aika menee liikaa muutamia auttaessa. Toisaalta en onneksi ole ihan yksin, toinenkin opiskelija toi ilmi turhautumisensa omaan osaamattomuuteensa, ja monet muutkin olivat käsi pystyssä usein, jolloin sain aina muutaman kallisarvoisen minuutin muiden kiinni kirimiselle. Opintojeni alussa (kauan sitten 😊) kartat piirrettiin kokonaan käsin, ja karttojen laatiminen oli suurin kiinnostukseni kohde. Välineet ovat nyt vain muuttuneet kokonaan. Ne täytyy vain opetella.
Harjoitustyön jäädessä valitettavasti pakosta kesken siltä harjoituskerralta, etsin myöhemmin oppimateriaalia QGISistä. You Tubesta löysin videoita “QGIS for Absolute Beginners/Dummies”-tyyliin. Latasin QGIS 2.18.16 -ohjelman omalle koneelleni ja aloin harjoitella videoiden opastuksella. Informatiivisimpia olivat ruotsalaisen Karl Karlssonin tekemät videot. Aloittelijavideossa tosin opetellaan peruspiirtämistä, eikä esim. heikkoa kohtaani materiaalien hakua, käsittelyä tai laajaa työkalujen käyttöä, mutta harjoittelin silti löytämilläni materiaaleilla. Tein eri sivuilta löytämiäni harjoitustöitä Aarresaaresta ja Alaskasta, ja katsoin videon toisensa jälkeen (Karl Karlsson https://www.youtube.com/watch?v=aLmMovuydqI).
QGISin toimiminen alkoi vähitellen hahmottua paremmin. Uskaltauduin vähitellen kokeilemaan eri toiminnoilla. Oivallinen sivu oli myös Uvajal Gandhin QGIS Tutorials and Tips www.qgistutorials.com, josta hain oppia varsinkin karttojen viimeistelyyn, ja toivoin saavani 2. kurssikerran harjoituksen lopulta tehtyä omin voimin.
Kynnys kokeiluihin harjoitustöissä on kyllä yhä korkea: asiat/toiminnot menevät helposti solmuun kokeilusta, eivätkä taitoni vielä riitä asioiden oikaisuun. Uskallus kokeiluun vähenee huomattavasti, jos mahdollisena seurauksena on sotku jota ei omin voimin selvitetäkään: riski on liian suuri, siksi ylenmääräinen varovaisuus, itse oppiminen on helposti myös vielä liian ”ohutta”, jolloin jo periaatteessa opittuja asioita joutuu etsimään uudestaan. Lisäksi ohjelman itsenäinen opettelu, tietojen etsiminen ja kokeilu on niin hidasta, että jäin jälkeen palautusaikatauluista. Harmittaa valtavasti, mutta haluan saada työt valmiiksi oikein tehtyinä.
Lopulta onnistuneet Suomen ”pipon” pinta-alojen ja poikittaisen mittaviivan pituuden vertailuharjoitukset antoivat usean toiston myötä vahvistusta työkalujen käytön osaamisessa, eli pientä edistymistä havaittavissa. Itse tehtävänannon/tarkoituksen ymmärtämisessä ja vertailujen suorittamisen logiikassa ei ole ongelmaa, vain välineen käytössä on.
Varsinainen harjoitustyö oli kuntien pinta-alamuutosten vertailu eri projektioissa.
Loin uudet projektit ja tein ohjeen mukaan. Sain tehtyä ominaisuustaulukkoon uudet sarakkeet, ja laskettua suhteutetut pinta-alat valitsemalleni ensimmäiselle projektiovertailulle Lambertin (EPSG:3035) ja Mercatorin (EPSG:53004) projektioiden välillä. Kokeilin pinta-alaeron prosenttien luokittelua värillä Graduated -toiminnolla ja kun kartalle levisi värien vaihettuva kuvio, oli tunne mahtava! Ensimmäinen vertailukartta oli legendaa, mittaviivaa ja pohjoisnuolta vaille valmis.
Kartta 1. Mercatorin ja Lmbertin projektioiden pinta-alaero.
Vertailu Mercatorin ja Lambertin projektion välillä näyttää oikeakulmaisen ja oikea-alaisen projektion eron suuruuden. Pohjoiseen mentäessä projektioiden pinta-alaero suureni noin kahdeksankertaiseksi (799-830%), kun se pienimmilläänkin Etelä-Suomessa oli noin nelinkertainen (397-428). Mercatorin projektio kasvattaa eroa pohjoisemmaksi mentäessä projektiovääristymän kasvaessa, joten väriasteikolla alempien erojen alueet vaihettuvat tiheämmin, kuin pohjoisemmat. Suurimpien erojen luokka oli pinta-alaltaan jo niin suuri että eron huomasi selvästi (kartta 1).
Ohjeessa neuvottiin käyttämään yleensä viittä eri kategoriaa, mutta pohtimaan itse tehtävässä tarkoituksenmukaisinta määrää. Koska projektion aiheuttama pinta-alavääristymä kasvaa liukuvasti pohjoiseen mennessä, mielestäni oli kuvaavampaa käyttää myös kartassa mahdollisimman liukuvaa luokkajakoa, ettei katsojalle muodostu vahingossa väärää mielikuvaa projektiovääristymän ”vyöhykkeellisyydestä”. Lisäksi huomasin kartan olevan miellyttävämpi silmälle ja informatiivisempi projektioiden eroista mitä liukuvampi kategorioiden vaihettuminen oli, joten päädyin lopulta jopa 14 luokkaan. Ehkä muutama luokka pienempikin olisi käynyt, mutta ratkaisin tämän puhtaasti visuaalisuuden perusteella.
Toiseksi tutkittavaksi projektioksi valitsin Winkel II -projektion (EPSG:53019), joka on oikea-alaisempi kuin Mercator. Winkelin (Tripel) kehittämisessä yritettiin minimoida kaikkien kolmen ominaisuuden -pinta-alan, suunnan ja etäisyyden- vääristyminen, eli projektio on eräänlainen kompromissi. Vertailussa Lambertin projektioon pinta-alojen vääristymät olivat paljon pienempiä, ja pinta-alaerot olivat vain 125-150 % välillä, eli paljon pienempiä kuin Mercatorin vastaavat prosentit (kartta 2). Näiden kahden, Mercatorin ja Winkelin projektion vertailussa Lambertin projektioon huomaa selvästi miten valtava vaikutus valitulla projektiolla on. Väärän projektion valitseminen voi johtaa hyvin virheellisiin tietoihin. Lisäksi projektion vääristymillä on vaikutusta ihmisen mielikuviin: jos henkilö on koko kouluaikansa katsellut luokan seinällä olevaa, tavallisesti Mercatorin projektion maailmankarttaa, todennäköisesti hänen maailmankuvansa on vääristynyt, ja hän voi jopa aidosti kuvitella Suomen olevan todellista kokoaan huomattavasti suurempi verratessaan sitä esimerkiksi Afrikan maihin. Itselleni hyödyllinen herätys oli kouluaikana maantiedon oppikirjamme informatiivinen kuvitus: maailman maita käsitellessä jokaisen valtion kartan viereen oli sijoitettu samaan mittakaavaan Suomen varjokuva. Muistan vieläkin hämmästykseni verratessani kirjan kuvien mittasuhde-eroa juuri Afrikan maiden kokoon sekä seinällä olleeseen Mercatorin maailmankarttaan. Samaa huomiota käsittelee myös Miia Farstad blogissaan (https://blogs.helsinki.fi/miiafar-gis1/).
Kartta 2. Winkel II:n ja Lambertin projektioiden pinta-alaero.
Karttaa tehdessä Print Composerin käyttö sujui nyt ensimmäistä työtä huomattavasti paremmin, ja pystyin nyt hoitamaan QGISillä kaiken tarvittavan viimeistelyn, otsikoitten korjauksen ym. turvautumatta muihin ohjelmiin.
Jäin vielä miettimään kurssiryhmien rakennetta: olisiko ehkä mahdollista järjestää tulevaisuudessa yksi kurssiryhmistä ”For Absolute QGIS Beginners/Dummies”, jossa olisi avustamassa assistentti/edistyneempi opiskelija, joka voisi nopeasti auttaa käsi pystyssä olevat kompastuneet takaisin raiteille ja mukaan opetuksen etenemiseen, jolloin itse luennoitsijan ei tarvitsisi keskeyttää tai hidastaa opetusta? Ainakin muutaman ensimmäisen kurssikerran aikana. Opiskelijoiden käytäväkeskusteluja kuunnelleena meitä olisi ainakin tällä kertaa ollut hyvinkin yhden ryhmän verran.
Viittaukset:
Miia Farstadin blogi https://blogs.helsinki.fi/miiafar-gis1/
Karl Karlsson: QGIS -For Absolute Beginners https://youtu.be/aLmMovuydqI (26.1.2018)
Ujaval Gandhi: QGIS Tutorials and Tips www.qgistutorials.com (26.1.2018)
Ensimmäisellä kurssikerralla 19.1.2018 tutustuimme QGIS-paikkatieto-ohjelmaan. En ole koskaan käyttänyt mitään paikkatieto-ohjelmaa, ainoastaan tehnyt karttoja CorelDraw’lla “MAA-201 Tiedon esittäminen maantieteessä”-kurssilla, joten useamman kerran saan pyytää käpälä pystyssä apua. Layer-työskentely on ajatuksena tuttu Corelista, mutta sen käyttö poikkeaa yksityiskohdissa paljonkin QGISissä Coreliin verrattuna.
Tutustuimme yksityiskohtaisesti ohjelman toimintoihin, kävimme läpi kurssikerran aineiston lataamisen Moodlesta, siinä ei tuntunut olevan mitään ongelmaa. Rohkaisevaa.
Kävimme läpi tärkeimmät työkalut ja toiminnot, mutta monet kohdista tuntuivat pelkältä sanahelinältä, koska minulla ei ole mitään aikaisempaa tietopohjaa johon liittää saamiani irralisia tietoja. Lisäksi faktaa tulee niin paljon niin lyhyessä ajassa. Ohjelma ohjelmassa eli QGIS Browser ja sen logiikka sentään meni perille. Onnistuin tuomaan aineistot layereille ja vaihtamaan projektion oikeaksi eli EPGS:3035:ksi.
Harjoittelimme erilaisia toimintoja, mutta huomasin itselläni monen toiminnon käytön tyssäävän siihen, että ne ovat erilaisten “lukkojen” takana, jotka edellyttävät toiminnon aktivoimista ensin. Mikään logiikka ei kerro ainakaan itselleni, mistä hakea minkäkin toimintojen aktivointia, tähän täytyy vain vähitellen ilmeisesti päästä sisään.
Ensimmäinen harjoituksemme oli tehdä koropleettikartta typen valtiokohtaisista päästöistä (kartta 1). Pääsimme harjoittelemaan ominaisuustaulukon (Attribute Table) käyttöä avaamalla Administrative boundaries -tietokannan, jossa oli valtiokohtaisia typpipäästölukemia.
Attribute table saatiin editoitavaksi Toggle editing-toiminnolla, joka avasi mahdollisuuden saada uuden (New Column) sarakkeen ominaisuustaulukkoon, johon oli tarkoitus saada typpipäästöjen suhteutetut arvot.
Tässä vaiheessa tekemiseni on pelkkää mekaanista näytetyn toistoa klikkaus klikkaukselta, minulla on selkeä kuva kyllä siitä mihin pyrimme, eli millainen kartta lopputuloksena pitää olla, mutta ohjelmalla tekemisen polku on niin monivaiheinen, että pelkään putoavani välittömästi kärryiltä ja jääväni jälkeen.
Turhaan, sillä ohjeet ovat yksityiskohtaiset ja etenemme tarpeeksi hitaasti. Field Calculatorin käyttö onnistuu, sen toiminta on loogista.
Joudun pyytämään kuitenkin apua NULL-arvojen poissuodatuksessa.
Tulostuksen valmistelussa tulostusikkunan skaalauksessa oli ongelmia, ikkuna ei tahtonut jäädä haluamaani muotoon/kokoon.
Loppuviimeistelyssä pohjoisnuoli, mittakaava ja legenda onnistuivat muuten hyvin, mutta legendaan jäi eri arvoja indikoivien väriruutujen viereen numeroarvojen lisäksi hakasuluissa myös järjestysnumero. En keksinyt miten ne saisi pois, joten editoin ne erikseen pois myöhemmin toisella ohjelmalla.
Ensimmäinen ohjelmalla tuottamani kartta:
Kartta 1. Typen päästöt valtioittain sekä Itämeren syvyyskäyrät.
HELCOM oli minulle uusi tuttavuus, mutta Meri kertoi blogissaan sen olevan Helsinki Comisission, eli toiselta nimeltään Baltic Marine Environment Protection Comission, Itämeren ympäristön suojelemisesta vastaava järjestö, joka vastaa Itämeren suojelusta ja johon kuuluvat Itämeren ympärysvaltiot Suomi, Ruotsi, Tanska, Saksa, Puola, Viro, Latvia, Liettua ja Venäjä. (Meri Suppula blogs.helsinki.fi/merisupp/2018/01/18/1-kurssikerta/) .
Toisena karttana piti tuottaa ladatuista, valmiista aineistosta kartta jollain valitsemallaan muuttujalla. Tai edistyneemmät valitsivat jonkun haluamansa muun datan.
Valitsin väestön. Väriominaisuuksien takia valitsin esitysjaoksi Quantilen (Equal Count).
Kartta 2. Suomen väestö kunnittain v. 2015.
Viitteet:
Meri Suppula: blogs.helsinki.fi/merisupp/2018/01/18/1-kurssikerta/
Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!
