Tekijä: KH

Tällä seitsemännellä ja viimeisellä kurssikerralla teimme itse etsimistämme aineistoista itse päättämistämme aiheista aivan itse kartat.

Minulla oli kerta kaikkiaan inspiraatio hukassa ja lopulta päädyin mälsästi aika helposti ladattavien aineistojen pariin nimittäin SYKE:n ladattaviin paikkatietoaineistoihin.

Latasin SYKE:ltä ranta 10 aineistoja: Järvet, Joet ja Hydrologiset havaintopaikat. Halusin tehdä hydrologisista havaintopaikoista kartan Tuusulanjärven ympäriltä, koska käyn tällä hetkellä yhdellä toisella kurssilla hydrologian tutkimusmenetelmiä läpi ja sieltä tiedon onkineena tiedän tällaisilla hydrologisilla havaintopaikoilla tehtävän tärkeitä maastomittauksia vastaamaan erilaisiin hydrologisiin kysymyksiin. Tuusulanjärvi jakautuu kahden kunnan: Tuusulan ja Järvenpään, alueelle ja siksi koin sopivaksi rajaukseksi näiden kuntien kuntarajat. Kuntarajat latasin Maanmittauslaitoksen Karttapaikka-sivulta. Lataaminen onnistui sangen helposti.

Työvaiheista sen verran: Ladattuani aineistot QGIS:ään rajasin haluamani alueen ulkopuoliset tiedot pois, sitten visualisoin kartan ja keksin muutaman uuden jutun matkan varrella. Kerrotaan niistä.

Nimittäin kun lopputulosta aletaan hiomaan (legenda, pohjoisnuoli jne.) Layout -näkymässä A4-paperi on aina poikittain. Olen useamman kerran kurssin aikana käyttänyt kallista aikaani etsien, mistä se käännetään pystyyn. Opin kääntämään sen viimein! Ja tietenkin QGIS nauroi minulle oikein makeasti sillä eihän kyseessä loppujen lopuksi ollut edes mitenkään vaativa juttu. Noh eteenpäin…

Olen tähän asti tehnyt aina uuden rectanglen legendan päälle siten, että se on läpinäkyvällä täytöllä ja mustilla reunoilla. Tämä siksi, että saisin legendalle kehykset. Nyt sitten sattumalta löysin pienen helpon täpän, mitä painamalla legendalle tulee suoraan nämä kehykset. Nyt on sitten sekin opittu. Alla lopputulos kartastani kuvassa 1.

Kuva 1. Hydrologiset havaintopaikat Tuusulan ja Järvenpään kunnissa. Havaintopaikan väri kertoo kohteessa mitattavan asian. Kuntarajat ovat vuoden 2023 kuntajaolla.

Tähän kurssin loppuun oli vielä kiva käydä vähän ihastelemassa muiden viimeisiä aikaansaannoksia. Nostetaan niistä esille mielenkiintoisilta sijainneilta tehdyt kartat: Helin kartta Saksasta ja Lucaksen kartta Atlantan Fultonin ja DeKalbin piirikunnista.

Kiitos kaikille tästä kurssista ja suurin kiitos teille, keiltä olen kurssin aikana saanut apua!

Moikka

Lähteet:

SYKE (2023) Ladattavat paikkatietoaineistot: https://www.syke.fi/fi-FI/Avoin_tieto/Paikkatietoaineistot/Ladattavat_paikkatietoaineistot

Maanmittauslaitos (2023) Karttapaikka https://www.maanmittauslaitos.fi/asioi-verkossa/karttapaikka

Helin Blogi (2023) Kurssikerta & harjoitus 7 https://blogs.helsinki.fi/tuomihel/

Lucas Yoni (2023) Viikko 7: Paluu omiin juuriin ja kohti uusia horisontteja https://blogs.helsinki.fi/luberger/2023/03/03/paluu-omiin-juuriin-ja-kohti-uusia-horisontteja/

 

Tällä kurssikerralla QGIS:llä ja mulla taisi oikeesti olla ihan kivaa yhdessä. Nimittäin tein uudestaan ensimmäisen kartan, mikä myös tehtiin joku kuukausi sitten tunnilla. Seurasin vaihe vaiheelta ohjeita ja lopputulos nähdään kuvassa 1. Viimeistelyyn ja kartan selkeän visuaalisen ilmeen luomiseksi opettelin käyttämään plugins-valikon antimia. Yllättävän helposti ja nopeasti sieltä sitten löytyi QuickMapService, josta latasin kartan Esri Light taustakartaksi väestöruutuaineistolle.

Toisen kartan, mikä nähdään kuvassa 2, osasin jo soveltaa ilman ohjeita. Oli mukavaa, kun homma viimein sujui. Selailin useamman taustakarttaehdokkaan läpi ja päädyin valitsemaan Esri World Topo:n.

Kuva 1. Ruotsinkielisten määrä Suomen pääkaupunkiseudulla.

Kuva 2. Alle 18-vuotiaat asukkaat Suomen pääkaupunkiseudulla.

Kuvan 1 kartassa ruotsinkielisiä on määrältä kaikkein eniten rannan tuntumassa ja vähenee sisämaahan mentäessä. Kartasta on vaikea hahmottaa, minkä kunnan alueita mikäkin kohta on ellei ulkomuistista sitä tiedä. Se hieman häiritsee ilmiön sijoittumisen syyn pohdintaa.

Kummassakin kartassa tieto on absoluuttista. Tällöin täytyy huomioida, että esimerkiksi kuvan 1 kartassa ruotsinkielisten suurimman määrän sijoittuminen on siellä, missä asukkaita on muutenkin enemmän suhteutettuna muihin alueisiin. Karttojen ruudut ovat molemmissa kilometri x kilometri. Jos ruutukokoa suurentaisi, se yleistäisi suuremmalta alueelta suuremmalle alueelle ilmiön suuruutta. Tarkoittaa siis sitä, että kun ruutu kattaa tarpeeksi suuren alueen, tieto voi olla jo merkittävästi väärää paikoitellen. Siksi mitä pienempi ruutukoko, sitä pienempi virhe ruudun kattavilla alueilla.

Mielestäni ruutukartta ei oikein sovi kyseisten edellä tehtyjen karttojen aineistojen kuvaamiseen, kun aineisto esitetään absoluuttisina lukuina. Ne olisi tullut suhteuttaa joko niin, että esim. esitetään ruotsinkielisten osuus koko väestöstä tai yksi ruutu sisältää ruudun alueen tiedon ruotsinkielisten määrän suhteellisena osuutena koko ruudukosta. Silloin voitaisiin vertailla ruutuja ja niiden sijainnin esittämiä alueita keskenään. Pinja Rautiaisen blogissa Geoinformatiikan kurssiblogi: 4. harjoitus, esitetään mielestäni hyvä ajatus siitä, mitä tällaisella ruututeemakartalla voitaisiin esimerkiksi esittää: Asiaa, joka ei seuraa hallinnollisia rajoja, kuten ilmasaasteiden esiintymistä.

Lähteet:

Pinja Rautiainen (2023) Geoinformatiikan kurssiblogi: 4. harjoitus. https://blogs.helsinki.fi/radpinja/

 

 

AFRIKKA

Kolmannella kurssikerralla teimme tunnilla kartan Afrikasta, joka esittää öljyesiintymät, timanttikaivokset ja konfliktit Afrikan alueella. Yksi tärkeimpiä omaksumisen aiheita oli ulkoisen tiedon liittäminen tietokantaan. Kyseinen Afrikan kartta nähdään kuvassa 1.

Kuva 1. Konfliktit, timantit ja öljyesiintymät Afrikassa.

Käsittelimme vähän tunnilla, mitä kuvan 1 Afrikan kartan attribuutti- eli ominaisuustietotaulukon luvuista voidaan päätellä. Alla olevassa kuvassa 2 on kuvakaappaus Afrikka-kartan attribuuttitaulukon viidestä ensimmäisestä rivistä, kun se on järjestetty konfliktien, uniikkien konfliktien ja timanttikaivosten suurimpien lukujen mukaan. Kuvan 2 taulukosta voidaan päätellä, että Namibiassa konfliktien ja timanttikaivosten välillä on yhteys. Yhteyden voi arvioida muuttujien (konfliktien ja timanttikaivosten) lukujen lähes täsmällisesti samoista määristä, esim. Namibiassa konflikteja = 23 ja timanttikaivoksia 24.  Kausaatiosta tämä tieto ei kerro vielä mitenkään, mutta voidaan arvailla näillä olevan jonkinlaista yhteyttä: johtuuko esimerkiksi Afrikan kehitysasteesta ja konfliktien taipuisuudesta liittyä arvokkaisiin varantoihin?

Kuva 2. Afrikka-kartan attribuuttitaulukon ensimmäiset rivit.

TULVAINDEKSI

Kuvan 3 tulvaindeksikartan työstäminen oli tarkoitettu kotona tehtäväksi. Järvisyysprosentteja sisältävän exel-tiedoston tuominen QGIS:ään tuotti haasteita. Opin tämän tuontiprosessissa, että aakkosjärjestelmä tulee vaihtaa ääkkös-ystävälliseen-kirjainjärjestelmään, kun mukana on ääkkösiä sisältäviä sanoja. Jouduin myöskin vaihtamaan järvisyysprosentteja esittävän sarakkeen tekstimuotoisesta numeeriseen muotoon.

Kuva 3. Tulvaindeksikartta ja järvien prosentuaalinen osuus valuma-alueittain. Legendan ”rantaviiva” merkintä on virheellinen.

Luulen, että onnistuin kuvan 3 kartassa loppujen lopuksi hyvin pientä legendan ”rantaviiva” -merkintää lukuun ottamatta.  Tietenkin kartassa hiukan hämärtyy Suomeen liittyvien valuma-alueiden ulkopuolinen meri- ja maa-alueiden vaihtelu, koska ne on esitetty samalla värillä. Siksi Siniltä oli oiva idea ladata ensimmäisen kurssikerran aineistoa, jolla hän sai vesialueet erottumaan maa-alueista. Sinin kartan voi käydä katsomassa Kosini’s blogista Geoinformatiikan menetelmät 1: Luento 3 Kotoa käsin karttojen tekemistä.

Tulkitaan vähän kuvan 3 tulvaindeksikarttaa. Tulvaindeksi on selvästi korkeimmillaan rannikkoalueilla, missä myöskin järvisyysprosentti on yleislinjauksena aika matala. Ennen kuin keksin itse pohtia, mistä tällainen alueellinen vaihtelu johtuu, satuin lukemaan Iirishui’s blogista: Kurssikerta 3, että sisämaan pieni tulvaindeksi johtuisi järvien tulvia tasoittavasta vaikutuksesta ja rannikoiden korkea tulvaindeksi runsaista rannikkoalueiden sateista.

Lähteet:

Kosini’s blog (2023) Geoinformatiikan menetelmät 1: Luento 3: Kotoa käsin karttojen tekemistä. https://blogs.helsinki.fi/kosini/

Iirishui’s blog (2023) Kurssikerta 3. https://blogs.helsinki.fi/iirishui/

TUNTITEHTÄVÄ 

Tunnilla kerättiin pisteitä kenttätyönä Epicollect5-sovelluksella ja tuotiin pisteaineisto kartalle. Pisteet interpoloitiin turvallisuuskysymyksen mukaan. Eli jokaisella pisteellä oli asteikolla 1-5 arvioitu subjektiivinen turvallisuuden kokemus. Lopputulos nähdään kuvassa 1. Vertasin vähän värivalintojani Tytin blogipostauksessa: Luento 6. Lämmittelyä talvisäässä, sekä laattatektoniikkaa, näkyvään tehtävän lopputulokseen ja mielestäni hänen valitsema punainen väri teiden väriksi sopii paremmin. Oma värivalintani on heikko, sillä tiet sekoittuvat interpoloinnin väreihin.  

Tämä tunnilla tehty interpolointikartta oli mielestäni opettavainen kartta tehdä, jotta oppisimme interpoloimaan. Kuitenkaan se ei kata mielestäni mitenkään tarpeeksi tai edes sijainnilta tasaisesti erilaisista paikoista pisteitä.  

Kuva 1. Koettu turvallisuus Kumpulan kampusalueella ja sitä ympäröivillä alueilla.  

 

ITSENÄISTEHTÄVÄ 

Kartat tuli tehdä ajatellen sitä, että ne sopisivat hyvin opetukseen havainnollistamaan hasardeja. Lähdin kokeilemaan kahdenlaista karttaa maanjäristyksistä: toisen pistekarttana ja toisen interpoloituna karttana. Tiesin jo ennen kartan valmistumista, että interpoloitu kartta ei tule sopimaan aineiston kuvaamiseen, mutta halusin käyttää interpoloinnin työkalua kuitenkin, koska se oli ollut tunnin aiheena tällä kurssikerralla.  

Ensimmäinen maanjäristyksiä kuvaava kartta nähdään alla kuvassa 2. Se esittää yli 5 magnitudin maanjäristykset vuodesta 1900 vuoteen 2012 loppuun asti. Tätä tehdessä oli tärkeää muistaa tuoda aineisto CSV-muodossa. Säädin maanjäristysten voimakkuuden mukaan pisteen kokoja ja värejä, jotta eri voimakkuuksien järistykset erottuisivat toisistaan.  

Mietin aluksi, että opetukseen tarkoitetun kartan tulisi olla selkeä, yksinkertainen ja vain oleellisia asioita sisältävä. Mielestäni kuvan 2 kartta täyttää nämä vaatimukset ja sopisi siksi opetukseen käytettäväksi. Tietenkin harmittaa, että aineisto jää vuoteen 2012. Sarlotta sai kuitenkin bloginsa: 6.kurssikerta: ulkoilua ja hasardeja, kuvaan 4 yhdistettyä aineistot niin, että ne kattavat maanjäristysaineistoa vuodesta 1900 vuoteen 2023.  

Kuva 2. Kaikki yli 5 magnitudin maanjäristykset ajalta 1900-2012.   

Seuraavaa karttaa tehdessä yritin saada aineiston, joka kattaa ajalta 1900-2012 kaikki 0-10 magnitudin järistykset. Tämähän oli täysin turha ja ajattelematon yritys, nimittäin aineisto on aivan liian suuri. Myöskään tieto ei ole kovinkaan merkittävä opetusmielessä, koska riittää kun suurimpien voimakkuuksien järistyksien sijainti hahmottuu kartalle, esimerkiksi yli 5 magnitudin järistykset. Siispä alle 5 magnitudin järsitykset eivät ole välttämättömiä ja muutenkin niitä on liikaa. Myöskään tapahtumaotannan aikarajaus kymmeneen vuoteen ei auta asiaa, kun kaikkein pienimpiä järistyksiä on niin paljon. Ei QGIS:n eikä minun kärsivällisyyteni riitä liian suuren aineiston pyörittämiseen varsinkin, kun tiedon esittämiseksi riittäisi vain suurempien järistyksien esittäminen. Päädyin siis lopulta rajaamaan aineistoksi seuraavaan karttaan vuosien 2002-2012 yli 5 magnitudin järsitykset. Ajattelin, että kymmenen vuoden väli on sopiva. 

Ideani oli tehdä interpoloinnilla maanjäristyksiä havainnollistava kartta. Lopputulos on karmea ja näet sen alla olevassa kuvassa 3. Kartta ei ole hyvä, koska myös alueet, joilla ei esiinny yli 5 magnitudin järistyksiä, näkyy kartassa sellaisina. Edes maanjäristyksien selvät sijainnit, voimakkuudet tai näiden alueellinen vaihtelu ei erotu selvästi kartalla. Kartta on kaikin puolin epäselvä ja harhaanjohtava.  

Jos nyt jotain hyvää sanottavaa tästä (kuvan 3) kartasta on, niin se että sitä tehdessä pääsin syventämään interpoloinnin osaamista QGIS-ohjelmassa ja kiitos Kallan avun, opin lataamaan Natural Eart –sivustolta Coastline- eli rannikkoraja-aineiston.   

Kuva 3. Vuosien 2002-2012 yli 5 magnitudin maanjäristykset maailmassa.    

Halusin tehdä kolmannen kartan jostakin muusta aineistosta, jotta aineiston haku tulisi tutummaksi. Latasin siis tulivuoriaineiston. Haasteena tulivuoriaineiston kanssa oli, että en huomannut tiedoston olevan eri muotoinen kuin edelliset CSV-muotoiset aineistot. Onneksi Anna auttoi ja selvisi, että dataa tuodessa QGIS:ään, täytyy valita File Formaatiksi “custom delimiters”. Lopputuloksena muodostui maailmankartta, jossa näkyy kaikki tulivuoret.  

  

Kuva 4. Kaikki tulivuoret maapallolla.  

Mietin, että ehkä kuvan 4 kartta ei ole kaikkein kiinnostavin kartta, mitä tulivuorista voi saada aikaan. Se kirjaimellisesti vain osoittaa tulivuorten sijainnit maapallolla ilman, että edes erittelisi aktiiviset ja nukkuvat tulivuoret toisistaan. Siispä, jos käyttäisin opetuksessa jotakin karttaa, hyödyntäisin osoitteen: https://earthquakes.volcanodiscovery.com/, interaktiivista karttaa. Kyseisessä kartassa näytetään aktiivisuudeltaan erilaiset tulivuoret ja viimeisimmät maanjäristykset.  

Lähteet:  

Tytin blogi(2023) Luento 6. Lämmittelyä talvisäässä, sekä laattatektoniikkaa. 23.2. https://blogs.helsinki.fi/tyttinyr/ 

Sarlotta laakkonen –kurssiblogi (2023) 6. kurssikerta: ulkoilua ja hasardeja https://blogs.helsinki.fi/sarlotla/ 

Sivusto: https://earthquakes.volcanodiscovery.com/ 

 

Viidennellä kurssikerralla tuli paljon eri QGIS:n työkaluille käyttöä ja toistoja. Sain tästä kurssikerran harjoituksesta ehkä kaikkein eniten irti tähän mennessä, koska etenimme tehtävissä keskustellen ja toisiamme auttaen Sarlotta Laakkosen, Lila Salosen ja Joel Schülen kanssa. Kiitos heille! Näytän tässä blogissa, mitä kaikkea hienoa sainkaan aikaan.

 

ITSENÄISTEHTÄVÄ 1

Malmi

Harjoittelin ensiksi Buffer -työkalun käyttöä. Tein bufferin avulla Malmin lentokentän käytössä olon aikana koituneen melun vaikutusalueanalyysiä. Tein lentokentän kiitoratojen ympärille alueet, joissa etäisyys kiitoradoista on annettua raja-arvoa (1km ja 2km) pienemmät tai yhtä suuret.

Taulukko 1. Malmin lentokentän kiitoratojen ympäröiviin buffereihin jäävät rakennukset ja asukkaat.

Bufferi	Rakennuksia	Asukkaita
1 km	829	9061
2 km	4953	58761

Kuva 1. Malmin lentokentän ympärillä 2km bufferi vasemmalla vihreällä ja 1km bufferi oikealla violetilla. Bufferien sisään jäävät rakennukset keltaisella.

Huomasin pienen ongelman tässä tehtävässä. Nimittäin rakennus- ja asukasmäärät vaihtelevat, kun vertailin omia lukuja muiden blogeissa näkyviin vastaaviin lukuihin. Esimerkiksi Joel Schuülen blogissa: Viikko 5, hän ilmoittaa saaneensa 1km bufferin sisään jääneiden rakennusten määräksi 808. Se on 21 rakennusta enemmän kuin minun vastaava luku. Tämä johtuu siitä, että kiitoradat on piirretty ns. vapaalla kädellä, jolloin niihin tulee väkisinkin metrikohtaista heittoa, mikä myös peilautuu eteenpäin bufferialueeseen.

Helsinki-Vantaa

Toteutin saman jutun Helsinki-Vantaan lentokentän kiitoratojen ympärille. Tarkastelin myös pahimmalle lentomelualueelle (65 dB) jääviä lukuja.

Taulukko 2. Eri aluejakojen rakennus- ja asukaslukuja.

	Alue	Rakennuksia	Asukkaita
A	2 km bufferi	2370	11675
B	65 dB lentomelualue	37	303
C	A ja B yhteiset alueet	7	19
D	55-65 dB lentomelualue	1780	11923

Kuva 2. Helsinki-Vantaan kiitoratojen ympäröimä 2 km bufferi oranssilla, 65 dB lentomelualue sinapin keltaisella kiitoratojen välittömässä läheisyydessä sekä molempiin näihin alueisiin jäävät asuinrakennukset keltaisina pisteinä.

• Kuinka monta prosenttia 2 km bufferin asukkaista asuu pahimalla melualueella (65dB)?

= 0.16%

Seuraavaksi oli tarjoitus selvittää kuinka monen ihmisen elämää vähintään 60 dB lentomelu haittasi Tikkurilassa, mikäli saapuva liikenne käännettäisiin jälleen laskeutumaan poikkeuksellisesta suunnasta. Kuvassa 3 lopputulos.

Kuva 3. Noin 7x1km alue, jossa lentomelu vähintään 60 dB.

Lentomelualue, jossa väh. 60 dB saatiin tehden noin 7km apuviiva, jolle luotiin ympärille 0,5km bufferi. Huonoa tässä oli se, että apuviiva tehtiin vapaalla kädellä silmämääräisesti. Siinä suunta ja tarkka pituus väkisinkin ontui. Viivan suunta ja pituus on siis suunnilleen oikein. Ongelma tietenkin on, että viivan virheheitto peilautuu bufferin virheheitoksi. Itse toteutin viivan teon katsomalla ensiksi silmämääräisesti viivamittaustyökalulla, mistä 7km viiva alkaa ja päätty ja sitten piirsin saman viivan eri työkalulla. Myös tämä silmämääräisyys aiheuttaa virhettä.

Näissä tehtävissä tuli useasti luotua uusia tasoja ja sen yhteydessä opin, kuinka tärkeää on kiinnittää huomiota, minkä koordinaatiston/projektion valitsee uudelle tasolle. Nimittäin muutaman kerran epähuomiossa en huomioinut sitä ja se haittasi bufferin luomista.

Kuvassa 3 nähdään kuinka en saanut viivan päistä bufferivyöhykettä loppumaan samaan kohtaan viivan kanssa. Kokeilin kaikkea. Ainakaan lentokentän puolella viivaa se ei vaikuta tuloksiin, mutta kuten kuvassa 3 nähdään, bufferin toisessa päässä ”ylimääräisiä” eli yli 7km säteellä lentokentästä sijaitsevia rakennuksia jää häiritsemään tuloksia. Viiva on siis 7km ja sen ympärillä, myös päissä, on 0,5km bufferi.

Lopputuloksessa osoittautuu, että piirretylle 60 dB melualueelle jää

• rakennuksia 1852
• asukkaita 13246.

Asemat

Taulukko 3. Asukastietoja kartan alueen juna- ja metroasemien ympäriltä 500m bufferivyöhykkeeltä.

buffer 500m asemista
Asukkaat	111765
% – osuus kartan kaikista asukkaista	21.58
Työikäiset (15-64v.)	75167
Työikäisten % -osuus	68.16
Asukkaita yht. koko kartalla	511078

Onnistumisen fiiliksiä tuli, kun osasin luoda uuden sarakkeen 15-64 vuotiaille ja hyödyntää sitä!

 

ITSENÄISTEHTÄVÄ 2

Asukas- ja taajamatietoja oli yli karttalehden alueen ja siksi toteutin tämän tehtävän kahdesti. Nimittäin oli epäselvää, mikä tehtävän aluerajaus kuuluisi olla. Tulimme kuitenkin siihen lopputulokseen, että vaikka aluksi teimme tehtävän vain karttalehden alueelta, halusimme sen toteuttaa uudelleen myös sen ulkopuolisesta datasta. Siispä aluejako on se, mistä koko data on eli ei pelkästään karttalehden alueelta!

 

Taulukko 4. Asukastietoja

Asukkaita
Yht.	1042440
Taajamissa	1001830
%-osuus taajamissa	96.10

 

Taulukko 5. Kouluikäisistä asukastietoja

Kouluikäisiä	103385
Kouluikäiset taajamien ulkopuolelta	3727
Kouluikäisten %-osuus taajamien ulkopuolella	3.6

 

Seuraavassa taulukossa 6 selvitetään kuinka monella taajama-alueella ulkomaalaisten osuus on yli 10%, 20% ja 30%. Tähän väliin tuli pieni pulma nimittäin Kauniaisista ei löydy kyseistä tietoa, joten Kauniaisten arvoksi vaihdoin 0.

Taulukko 6. Alueiden määrä ulkomaalaisten %-osuuden mukaan alueen koko väestöstä.

Prosenttiosuus	Alueiden määrä
yli 10 %	65
yli 20 %	21
yli 30 %	13

 

ITSENÄISTEHTÄVÄ 3-5

 

UIMA-ALTAAT JA SAUNAT

• Kuinka monta uima-altaalla varustettua rakennusta löytyy pääkaupunkiseudulta? (UA)

= 855  

• Kuinka paljon asuu asukkaita sellaisissa taloissa, joissa on uima-allas? (ASYHT)

= 12170 

• Kuinka moni noista taloista on omakotitaloja? Entä kerrostaloja tai rivitaloja? (KATAKER, 11=Omakotitalo, 12=Paritalo, 21=Rivitalo, 39=Kerrostalo)
  • Omakotitaloja = 345
  • Paritaloja = 158
  • Rivitaloja = 113
  • Kerrostaloja = 181

 

• Kuinka monessa talossa on sauna?

= 21922

• Kuinka monta prosenttia saunallisista taloista on kaikista asutuista taloista pääkaupunkiseudulla (SA)

= 24.16%

 Seuraavaksi koitin havainnollistaa kartalla mikä on kaikkein uima-allasrikkain osa-alue. Kuitenkin matkan varrella ilmeni jälleen ongelmia. Ensimmäinen merkittävä ongelma nähdään kuvassa 4. Ratkaisuksi siihen poistin kaikki Kauniaisen (feature (157)) attribuuttitiedot kummankin join-vaiheen tason attribuuttitaulukosta. (Myöhemmin unohdin lisätä Kauniaisen takaisin…)

Kuva 4. Ongelma

Ongelmaan keksittiin onneksi ratkaisu! Kiitos taas Sarlotan, Lilan ja Joelin. Ratkaisu oli, että toiminto ohittaa ne, mitä se herjaa. Alla olevassa kuvassa 5 näkyy, mitä toiminto herjasi: Feature (157) ja Feature (237). (Kauniaisten poisto oli siis turhaa…). Kyseiset herjat olivat Pakkala ja Tapulikaupunki, eivätkä ne näy lopputuloksessa kartalla!

Kuva 5. Herja

Tämän jälkeen nähtiin attribuuttitaulukosta, että Lautasaaressa on kaikkein eniten uima-altaita: 53 kpl. Toisiksi eniten Länsi-Pakilassa: 52kpl ja kolmanneksi eniten Marjaniemessä: 48 kpl.

Koostin aluekohtaiset uima-allastiedot kartalle näkyviin kuvassa 6.

Kuva 6. Uima-altaat pääkaupunkiseudulla.

Loppuviimeistelyyn olisin voinut panostaa enemmän, mutta ajan ja energian puutteessa päädyin kuvan 6 lopputulokseen. Harmittaa kuitenkin, että kartan järkevä visualisointi jäi vajaaksi. Esimerkiksi Uima-allasmäärää kuvaavat palkit saisivat olla kapeampia ja niitä koskevat numerot suurempia. Myös värit olisi voitu vaihtaa yhteensopivimmiksi. Karttaan jää myös epäolennaista tietoa, kuten vihreän ja keltaisten alueiden ulkopuolelle jäävät joet ja järvet. Erityisesti jäin haikailemaan yhtä upean lopputuloksen perään, mitä esimerkiksi Sarlotta sai aikaiseksi viereisessä pulpetissa, kun tämä opetteli QGIS:än plugieneita käyttämään ja millä sai tuotua visualisointiin sopivan taustakartan. Kyseisen kartan voi käväistä katsomassa sarlotta laakkonen -kurssiblogista (2023) 5. kurssikerta: puskurointia ja pusertamista.

Loppuviimeistelyn puutteesta huolimatta olen tyytyväinen lopputulokseen, sillä ylitin itseni useasti. Tärkeintä on, että tarvittavat tiedot saatiin kartalle ja sitäkin tärkeämpää oli kokonaisuudessaan sen tuoma oppimisprosessi. Haasteita riitti tälläkin kertaa, mutta niistä selvittiin!

LOPPU

Lähteet:

MAA-202 Joel Schüle (2023) Viikko 5 https://blogs.helsinki.fi/jschule/ Viitattu 22.2.2023

sarlotta laakkonen -kurssiblogi (2023) 5. kurssikerta: puskurointia ja pusertamista. https://blogs.helsinki.fi/sarlotla/ Viitattu 22.2.2023

 

 

Tällä kurssikerralla on tarkoituksena havainnollistaa konkreettisesti erilaisten mittausten avulla, millaisia eroja eri projektioiden/koordinaattijärjestelmien välillä on. Tehdään ensimmäiseksi aineisto, jota lopuksi analysoidaan.

 

AINEISTO

Kootaan taulukkoon eri projektioille toteutettavia mittauksia, jotta niitä voitaisiin verrata keskenään ja havaitsemaan niiden välisiä eroja.

Taulukon täyttämiseen tuli este: mittaustyökalussa ei toimi ellipsoidin (ellipsoidal) ja tason pinnan (cartesian) lukemien vaihtaminen. Aluksi työkalu toimi normaalisti, mutta nyt se jotenkin jumittui, enkä saa sitä toimimaan millään konstilla mitä keksin. Siispä täytän taulukon ilman ellipsoidin lukemia. Koska lukemat vaihtuvat kuitenkin projektioiden välillä, voin olettaa näkyvän luvun olevan tason pinnan lukema, vaikka näyttääkin samaa myös ellipsoidilukemana (ks. havainnollistava kuva 1). Ellipsoidi lukeman on kuitenkin tarkoitus olla lähes sama aina projektiosta riippumatta. Tämän päättelin Turkkaha:n blogikirjoituksen: Kurssin toinen harjoituskerta, taulukosta 1. Mietin myös, että perjaatteessahan ellipsoidilukeman pitäisi olla sama myös oikeapintaisen lieriprojektio Mollweiden pinta-alalukeman kanssa.

Kuva 1. Pinta-alan mittaustyökalu valinnalla ellipsoidal ja cartesian. Huomaa sama mittalukema. Käytössä ETRS89 / TM35FIN (E,N), minkä lukemissa pitäisi olla pientä vaihtelua.

Kuva 2. Havainnollistava kuva mitattavasta viivasta kartalla.

Taulukkoon kerättiin siis mittauslukemat kuvassa 1 näkyvän oranssin kolmion alueelta (pinta-ala) ja kuvassa 2 havainnollistetun viivan pituuksina eri projektioille.

Taulukko 1. Projektioiden vertailua satunnaisen pinta-ala-alueen ja viivan avulla Suomessa. Datan lähde: QGIS

Projektio	Pinta-ala km² (Cartesian)	Viivan pituus (cartesian)	Pinta-alan erotus vrt ETRS89 / TM35FIN	Pinta-alan %-osuus vrt ETRS89 / TM35FIN
ETRS89 / TM35FIN (E,N)	1818,938	498,8101	–	–
Mercator	15481,083	1099,4003	13 662,145	851.11
Mollweide	1854,549	610,5860	35,611	101.96
Plate Carree	5353,082	1099,0601	3 534,144	294.30
Winkel tripel	2891,020	659,6030	1 072,082	158.94

Mercator – oikeakulmainen lieriöprojektio, ESRI:53004

Mollweide – oikeapintainen lieriöprojektio, ESRI:54009

Plate Carree – tasavälinen lieriöprojektio, ESRI: 54001

Winkel Tripel – kompromissiprojektio, ESRI:54042

 

Seuraavaksi esitettiin eri projektioiden välisiä eroja vääristymäkertoimien avulla ja visualisoitiin lopputulos kartalle.

Kuva 3. Mercatorin projektion ja Lambertin projektion vertailua Suomen kartalla.

Huomasin muiden blogeista, että monet olivat valinneet vertailtavaksi projektioksi ETRS89/TM35FIN tasokoordinaattijärjestelmän. Ihmettelin, miksi kyseinen projektio oli valittuna niin useilla, koska itse käytin Lambertin projektiota vertailuprojektiona. Käytin Lambertin oikeapintaista tasoprojektiota (EPSG:3035), koska kurssikerran ohjeessa kerrottiin sen olevan Euroopan komission suosittelema pinta-alaan liittyvän datan tai analyysien esittelyssä kartalla. Tämän pohdinnan vuoksi halusin vertailla ETRS89/TM35FIN projektiota ja Lambertin projektiota keskenään. Tarkoituksena on nähdä, kuinka suuria eroja niiden välillä on.

Kuva 4. ETRS89/TM35FIN tasokoordinaattijärjestelmän ja Lambertin projektion ero havainnollistettu kartalla ja vääristymäkerroinlukuina.

 

AINEISTON ANALYYSI

Mercatorin projektion vääristymät

Taulukosta 1 nähdään, että Mercatorin projektio on merkittävästi suurin pinta-alaltaan samalla rajatulla alueella verrattuna muihin taulukon projekteihin. Tämä johtuu siitä, että Mercatorin projektio on oikeakulmainen, jolloin sen pinta-aloissa ja pituuksissa on virheitä. Mercatorin projektio on lieriöprojektio, jossa lieriö sivuaa päiväntasaajaa. Siispä virheet kasvavat päiväntasaajalta poispäin mentäessä. Tämä näkyy myös kuvassa 3, missä Suomen Lapin alueet nähdään venyneen huomattavasti esimerkiksi verrattuna kuvan 4 karttaan. Kuvassa 3 nähdään myös kuinka vääristymäkerroin kasvaa pohjoiseen mentäessä. Vääristymäkertoimen luvut ovat suuria esimerkiksi verrattuna kuvan 4 vääristymäkerroinlukuihin.

Mollweide, Winkel Tirpel ja Plate Carree

Taulukossa 1 vertaillaan mittauksia projektioille projektioon ETRS 89/TM35FIN verraten. Tästä nähdään kuinka Mollweide projektiolla on kaikkein pienin pinta-alan erotus verrattavaan projektioon. Tämä selittyy sillä, että Mollweide on tyypiltään oikeapintainen lieriöprojektio eli siinä pinta-alat ovat oikein. Taulukosta 1 näkyy myös kuinka kompromissiprojektio Winkel Tripel ja tasavälinen lieriöprojektio Plate Carree saa selvästi suuremmat pinta-ala-arvot verrattuna ETRS89/TM35FIN projektioon.

ETRS89/TM35FIN

Kuvassa 4 nähdään kuinka pieni virhekerroin on ETRS89/TM35FIN projektion ja Lambertin projektion välillä, sillä lukema pysyttelee ykkösen ympärillä. Kuvan 4 kartan visualisoinnissa väreistä nähdään kuinka ETRS89/TM35FIN tasokoordinaattijärjestelmässä Suomi on jaettu pystysuuntaisiin kaistoihin ja ero on suurin itään mentäessä. Erot näiden projektioiden välillä nähdään kuitenkin olevan pieniä.

 

Vielä tässä lopussa mietin oliko virhekerroin kaikkein paras termi käyttää, kun vertailtiin projektioiden pinta-alojen eroa. Esimerkiksi Nikolai käytti blogissaan 2. kurssikerta termiä: kokoerokerroin. Eiköhän kuitenkin kummatkin käy.

 

Lähteet:

Turkkaha’s blog (2023) Kurssin toinen harjoituskerta https://blogs.helsinki.fi/turkkaha/ Viitattu 15.2.2023

Nikolain blogi (2023) 2 kurssikerta https://blogs.helsinki.fi/nikolait/ Viitattu 15.2.2023

 

 

Tervehdys vain kaikille!

Tämä on minun Geoinformatiikan menetelmät -kurssin ensimmäinen Blogikirjoitus. Mukava päästä aloittamaan!

Ensimmäisellä tunnilla harjoittelimme taulukkopohjaisen aineiston visualisointia koropleettikartalla QGIS-paikkatieto-ohjelmassa. Sain tunnin aikana tehdyksi opetuksen mukana kartan HELCOM valtioiden typpipäästöjen osuuksista. Kuitenkin nyt palattuani tekemään kotiin jäänyttä osuutta ensimmäiseltä kurssikerralta, koin tarpeelliseksi oman oppimiseni vuoksi palautella mieleen, miten tuon tunnilla tehdyn kartan teimme. Päätin siis tehdä ohjeiden kanssa kyseisen kartan uudestaan muistin virkistämiseksi. Lopputulos nähdään alla kuvassa 1.

Kuva 1. Typen päästöt prosentuaalisina osuuksina HELCOM valtioissa (Suomi, Ruotsi, Venäjä, Viro, Latvia, Liettua, Puola, Saksa ja Tanska).

Mielestäni tunnilla käytetyt punaisen skaalan värit sopivat hyvin kuvastamaan ilmiötä kartalla, mutta halusin vähän leikitellä väreillä itse ja päädyin ruskeisiin värisävyihin. Olen tyytyväinen lopputulokseen, tosin pientä huolimattomuusvirhettä lukuun ottamatta legendan syvyyskäyrän symbolin väärin asettelussa. Tärkeintä on, että ilmiö havainnollistuu hyvin ja tieto on kartalla oikeaa. Luin myös Nikolain blogista: 1. kurssikerta, että järvet ja Itämeren syvyyskäyrät eivät olisikaan välttämättä tarpeellisia kartalla. Olen asian kanssa samaa mieltä, ellei rannikon syvyydellä ja typpipäästöjen määrällä olisi jotain yhteyttä, kuten Nikolai pohtii blogissaan.

Kuvan 1 kartasta voimme päätellä, että Virolla on kaikkein pienimmät typpipäästöt ja Puolalla suurimmat mukana olleista valtioista. Minun on vaikea itse keksiä syytä, miksi näin on, joten tässä kohtaa on aika tarkastella muiden kanssakurssilaisten päätelmiä asiasta. Miia Vuolle kurssiblogissaan: Kurssikerta 1 -Palaaminen QGIS:in pariin, arvioi Puolan olevan suurin typenpäästöjen lähde HELCOM valtioista, koska maatalous on Itämeren typpipäästöjen lähteistä kaikkein merkittävin ja juuri Puolassa on kaikkein eniten viljelymaata Itämeren valuma-alueista.

En halua antaa virheellistä vaikutelmaa, että olisin selvinnyt näistä tämän kurssikerran karttaharjoituksista ilman kaikkien suosimia ”harmaita hiuksia”. Nimittäin jäin useasti jumittamaan jonkin pulman äärelle, enkä löytänyt apua laadituista ohjeista taikka ratkaisua eksymällä QGIS:n syvyyksiin. Vietin tarpeettoman kauan aikaa loputtomaan etsimiseen, mutta onneksi aina välillä sain pelastavaa apua kurssitovereiltani. Kaikkein ärsyttävintä oli se tosiasia, että monesti ongelman juju ja juuri oli vain yhden pienen ”täpän” klikkauksen päässä.

 Kotona toteutettava osuus kurssikerralta 1

Tarkoituksena on laatia koropleettikartta hyödyntämällä Suomen kuntien tietokantaa vuodelta 2015. Päädyin toteuttamaan ensimmäisen vaikeustason tehtävän, koska se on luonnollisesti sopiva näin aloittelijalle. Jos aikaa olisi mielin määrin, haastaisin itseäni muiden vaikeustasojen tehtävillä. Valitsin Suomen kuntien kartta-aineistosta valmiin muuttujan Ruotsinkielisten osuudesta Suomen kunnissa. Lopputulos nähdään kuvassa 2.

Kuva 2. Ruotsinkielisten prosentuaalinen osuus väestöstä Suomessa kunnittain, 2015.

Kuvan 2 kartassa nähdään, että ruotsinkieliset pakkautuvat pääosin Suomen rannikkoalueille. Tässä tarkastellessani ilmiötä huomaan, että on vaikea nimetä kuntia, missä ilmiötä esiintyy esimerkiksi voimakkaammin. Osaan sanoa, että Ahvenanmaalla ja luoteisrannikolla näyttää olevan kaikkein suurin ruotsinkielisten osuus Suomen kunnissa, mutta yksittäisten kuntien nimeäminen ei onnistu minulta luonteisesti. Kartta sopii siis havainnollistamaan näin suurpiirteisesti, missä päin Suomea ruotsinkielisten osuus on suurempaa ja pienempää sekä antaa kuntakohtaista tietoa sitä tarvitsevalle.

Nopea ensivaikutelma kuvan 2 kartasta antaa käsityksen, että ilmiötä ei esiintyisi valtaosassa suomea, missä väri on valkoinen. Vasta legenda selventää, että ilmiötä esiintyy näissä 0–12%. Siksi minunkin olisi kannattanut valita jokin muu väri alimmalle luokalle, kuten Elin kurssiblogissaan: Vecka 1 – Introduktion och arbete med QGIS, tai eri luokkajako, kuten Iina kurssibloginsa: Ensimmäinen harkka 18.1, kuvassa 2.

Aluksi en ymmärtänyt yhtään, mistä pitäisi lähteä kuvan 2 kartan kanssa liikkeelle. En ymmärtänyt kuinka yksinkertaista kyseisen kartan laatiminen loppujen lopuksi olisikaan. Näin jälkeenpäin tuntuu, että olen oppinut ensimmäisten harjoitusten myötä, kuinka attribuuttitaulukossa nähdään se aineisto, jota kartalla voidaan visualisoida. Myös kuinka visualisointi tehdään ja miten lopputulosta voi muokata mieleiseksi. Niinpä pieni osa QGIS:n perusteita on tullut tutuksi ja tästä on hyvä jatkaa.

Kiitos ajastasi!

Lähteet:

Miia Vuolle (2023) Blogi kurssilta Geoinformatiikan menetelmät 1: Kurssikerta 1 – Palaaminen QGIS:in pariin. https://blogs.helsinki.fi/mevuolle/2023/01/24/hello-world/ Viitattu 7.2.2023

Nikolain Blogi (2023) 1. kurssikerta. https://blogs.helsinki.fi/nikolait/ Viitattu 7.2.2023

Elins kursblogg (2023) Geoinformatiikan menetelmät (MAA-202): Vecka 1 -introduktion och arbete med QGIS. https://blogs.helsinki.fi/stel/ Viitattu 7.2.2023

Iinakiik’s blog (2023) Ensimmäinen harkka 18.1. https://blogs.helsinki.fi/iinakiik/ Viitattu 7.2.2023