Month: February 2020

Viidennellä luennolla aiheena oli erilaisten bufferianalyysien tekeminen ja aloitimme viime luennolla tutusta Pornaisten kartasta. Ensin tarkoitus oli tehdä kartassa esiintyville teille bufferit ja sitten tarkastella niiden avulla paikan ominaisuuksia. Sama idea toistui Lentokenttien ja raideliikenteen asemien kanssa ja niistä tehdyt tehtävät on käsiteltynä alempana.

Blogissa kuitenkin tänään pohdin enemmänkin omaa osaamistani tähän mennessä kurssilla. Sovelluksen perustoiminnot, kuten vektori- tai rasteriaineistojen tuominen sujuu nykyään melko vaivattomasti. Myös loogisimmat ja yksinkertaiset toiminnot, kuten bufferointi ja yksinkertaisten analyysien tekeminen sujuu hyvin. Pidän myös QGIS:sin loogisuudesta ja yleensä vaikeimmissakin työkaluissa oon jonkiin näköinen yksinkertainen polku, jota kautta hommat saa toimimaan.

Buffereiden teko vaikutti olevan varsin pätevä toiminto osata, kaikessa yksinkertaisuudessaan sillä saa aikaan hyviä analyysejä. En keksinyt sille vielä ainakaan uutta käyttötarkoitusta kurssillakin käytyjen analyysien lisäksi.

Itsenäistehtävät sujuivat lentokenttien ja asemien kanssa melko hyvin, vaikeuksia aiheutti viimeisessä putkiremontti-kartassa QGIS:in virheilmoitus, joka pitkän taistelun ja goooglettamisen jälkeen kuitenkin saatiin selätettyä. (Vinkki: kannattaa googlata aina ensimmäisenä, voi säästää PALJON turhaa taistelua). Bufferianalyysien teko oli hyvin mielenkiintoista ja tuotettavaa titeoa on varmasti loputtomasti. Jonna Kääriäinen kuvasi blogissaan hienosti analyysien hyödyntämistä näin: “Tällaisia paikkatietoaineistoanalyysejä voikin hyödyntää niin julkinen sektori kuin kaupalliset toimijat vaikutustenarvioinnissa, aluesuunnittelussa, saavutettavuutta arvioitaessa tai vaikkapa uuden kaupan sijaintia ja sen asiakaskuntaa selvitettäessä.”. Mahdollisuuksia tämän kaltaisilla analyyseilla on siis paljon. Tässä vielä saatua tietoa tehtävistä:

Taulukko 1: Lentokenttien vaikutusalueita

Kuinka monta ihmistä asuu..?	Asukasta
2km säteellä Malmin kentästä	56 952
1km säteellä Malmin kentästä	8 707
2km säteellä Helsinki-Vantaasta	10 354
Pahimmalla melualueella (65db) Helsinki-Vantaalla	324
Vähintään 55db melualueella Helsinki-Vantaalla	11 913
Yli 60db melualueella Tikkurilassa, jos koneet laskevat Tikkurilan yli	5 377

 

Taulukko 2: Vantaan alueen väestön jakautuminen

	Asukkaita
Kuinka moni asuu 500m etäisyydellä asemasta?	106 691 ihmistä, eli 21,8% alueen ihmisistä.
Kuinka moni 500m etäisyydellä asemasta asuva on työikäinen (15-64v)?	73 108, eli 68,5% alueella asuvista.
Kuinka moni asuu taajamassa?	478 371, eli 97,6%
Kuinka monta kouluikäistä (7-16v) asuu taajaman ulkopuolella?	1 156, eli 2,7% alueen kouluikäisistä.
Kuinka monella alueella ulkomaalaisia on 10%? Entä 20% ja 30%?	40 alueella ulkomaalaisia on 10%, 11 alueella 20% ja 6 alueella 30%.

 

Taulukko 3: Tehtävän 3 kysymyksiä ja vastauksia. 

Kysymys	Vastaus
Kuinka monta asuinrakennusta Helsingissä on rakennettu vuosina 1965-1970?	6 286 rakennusta (90 725 kokonaismäärästä)
Kuinka moni edellä mainituista rakennuksista on kerrostaloja?	1206 taloa.
Kuinka monta asuntoa näissä kerrostaloissa on?	1206 asuntoa.
Kuinka monta asukasta mahdollisista remonteista kärsii?	6 286 ihmistä.

Pitkän taistelun jälkeen sain aikaiseksi kuitenkin koropleettikartan (Kuva 3.) alueista Helsingissä, joilla on suurin “putkiremontti-indeksi”, eli alueella on suuri määrä vuonna 1965-1970 rakennettuja taloja. Kartassa numerot kuvaavat alueella olevien putkiremontti-alttiiden talojen määrää. Tietokannassa oli kaksi polygonia ilman geometriatietoa, jotka kartassakin näkyvät täysin valkoisina koillisnurkassa ilman lukua. Taistelin pitkään tämän virheen kanssa, sillä count points in polygon -toiminto ei suoritunut ennenkö nämä polygonit oli otettu pois laskuista.

 

 

Lähteet:

Kääriäinen, J. (16.2.2020). Analyysityökaluilla uutta tietoa (Luettu 4.3.2020)<https://blogs.helsinki.fi/kaarijon/2020/02/16/analyysityokaluilla-uutta-tietoa/>

Neljännellä luennolla aiheena oli ruutuaineistot. Käytimme pohjatietona asukastietoja Helsingistä ja olin kovin yllättynyt, kuinka yksityiskohtaista tietoa asukkaista on saatavilla.

Ensimmäisenä harjoituksena tein ruutukartan, joka kuvaa väestöntiheyttä Helsingin alueella (Kuva 1.). Kartasta tuli melko yksinkertainen, väestöntiheys on sen verran yleinen muuttuja, että siitä on varmasti tehty kartta tai toinenkin. Toiseksi tein samalla idealla kartan ruotsinkielisten ihmisten jakautumista Helsingissä (Kuva 2.). Kartasta voi selvästi hahmottaa alueet, joissa ruotsinkielisiä asuu merkittävä määrä. Esimerkiksi Kauniainen, Etelä-Helsinki ja Lauttasaari. Venla Moisio totesi blogissaan, että “..pienituloiset maahanmuuttajat asettuvat asumaan halvemman vuokratason alueille, eli esimerkiksi Itä-Helsinkiin..”, mikä ilmenee myös omassa kartassani ruotsinkielisten vähäisenä määränä Itä-Helsingissä.  Molemmissa kartoissa valitsin ruutukooksi 250m x 250m, sillä 100 neliömetrin ruudut vaikuttivat liian pieniltä ja valitsemaani kokoa suuremmat taas hävittäisivät kenties osan tiedon yksityiskohtaisuudesta. Koin varsinkin jälkimmäistä karttaa tehdessäni hieman vaikeuksia ruutujen jakamisen kanssa. On mielestäni hieman vaikea hahmottaa, mikä jaottelutapa luokissa olisi paras ja informatiivsin. Olen kuitenkin ihan tyytyväinen valmiisiin karttoihin ja varsinkin jälkimmäistä oli mielenkiintoista tehdä.

Ruututeemakartat ovat mielestäni käteviä kaikessa yksinkertaisuudessaan, mutta sanoisin silti, että absoluuttisten tietojen käsittelyssä myös tavallinen koropleettikartta ajaa asian. Ruututeemakarttaa voisi kenties käyttää, kun tarkasttellaan aluetta, joka on symmetrinen, tasainen ja jakautuu helposti saman kokoisiin ruutuihin. Kenties esimerkiksi tontteja tai rakennuksia vertaillessa ruutukartta on sopiva.

 

Seuraavaksi vuorossa oli rasteriaineiston yhdistäminen ja korkeuskäyrien ja rinnevarjostuksen muodostaminen. Nämä sujuivat melko vaivattomasti hyvien ohjeiden avulla. Tarkoituksena oli verrata itse tehtyjä korkeuskäyriä Maanmittauslaitoksen peruskarttalehden korkeuskäyriin. Molemmat ovat 5 metrin välein eroja kuvaavia. Kuten kuvasta (Kuva 3.) näkyy, eroja karttojen välillä kyllä on, kun hieman tarkastelee. Huomasin vasta jälkikäteen, että itse tehdyt käyrät olisi voinut merkata kuvaan selkeämmin, että eron huomaisi helpommin. Lisäsin selvyyden vuoksi vielä tarkan kuvan korkeuskäyristä (Kuva 4.), jossa käyrät ovat eri väreillä ja erot huomaa tarkemmin.

 

Lähteet:

Moisio, V. (5.2.2020). Viikko 4 – Ruudukoiden hyödyntämistä ja rasteriaineistoihin tutustumista. (Luettu 27.2.2020) <https://blogs.helsinki.fi/moivenla/2020/02/05/viikko-4-ruudukoiden-hyodyntamista-ja-rasteriaineistoihin-tutustumista/>

Ja niin kolmas luento koittaa, siirrytään suoraan asiaan! Aloitimme aineistolla Afrikan maista ja ensimmäinen tehtävä oli saada valtavasta aineistosta hieman yksinkertaisempi. Se onnistui dissolve-työkalun avulla, tekemällä jokaisesta maasta oman rivinsä, useamman sijaan. Harjoittelimme myös exel-muotoisen aineiston tuomista ohjelmaan ja yhdistämistä olemassa olevan aineiston kanssa. Exelistä aineistojen tuominen oli melko yksinkertaista hyvien ohjeiden avulla, mutta vaati hieman hienosäätöä ja muutaman tuskan hetken kun oikeita nappuloita ei löytynyt heti.

Seuraavaksi harjoittelimme eri aineistojen tiettyjen ominaisuuksien yhdistämistä omiksi tasoikseen. Esimerkiksi Afrikan kartalta löytyvien timanttien ja öljyn sijainti suhteessa alueella tapahtuneisiin konflikteihin. Alla kartassa (Kuva 1.) Afrikan kartta ja siellä esiintyvät muuttujat.

Itsenäisesti harjoituksia tehdessä tuotimme valmiista aineistosta Suomen järvisyysprosentin (Kuva 2.) sekä tulvaindeksin (Kuva 3.) Ensimmäistä, järvisyydestä kertovaa karttaa oli hieman vaikea saada visuaalisesti ymmärrettäväksi ilman että se olisi vain täynnä epämääräisiä viivoja ilman suuntaa tai tarkoitusta. Lopulta turhauttavan pitkän hienosäädön jälkeen kartasta tuli melko selkeä ja lisäsin selkeyden vuoksi vielä pylväiden rinnalle viivan osoittamaan pylvään alkupäätä. Pylväät karttaan luotiin diagrammi-työkalulla ohjelmassa, joka aiheutti myös harmia vaikeaselkoisuudellaan.

Toisessa kartassa (Kuva 3.) taas kuvataan tulvaindeksiä, josta kanssaopiskelija Enni Pyysalo kertoi hienosti omassa blogissaan: “Punaisella oleva tulvaindeksi kertoo kuinka suuri on vuoden suurin tulva suhteessa normaaliin vesimäärään verrattuna. Järvisyys näyttäisi olevan suurinta alueilla, joissa tulvaindeksi on pieni.”. Tämä oli mielestäni hyvä ja selkeä kuvaus tulvaindeksistä ja sen merkityksestä. Tulvaindeksi oli melko helppo tuottaa koropleettikartaksi edellisten kurssikertojen kokemuksella. Kohtasin kuitenkin taas ikuisen murheeni, desimaalit. Yhden sijasta niitä on kartassa taas neljä..? Ehkä neljännellä luennolla opin olla viljelemättä niitä? Toinen outo päähänpisto oli ilmoittaa tulvaindeksi prosentteina?? Miksi? En tiedä?

 

Lähteet:

Pyysalo, E. (29.1.2020). Kurssikerta 3 – Tietojen yhdistämistä ja diagrammeja (Luettu 5.2.2020) https://blogs.helsinki.fi/enxen/2020/01/29/kk3/

Toinen luento saapui, tarkoituksena oppia noutamaan aineistoja rajapinnasta ja käsittelemään ja käyttämään projektioita karttojen tulkitsemisen välineenä.

Tarvittavat tiedostot oli tarkoitus noutaa käytettäväksi suoraan url-osoitteella WFS-palvelusta (Web Feature Service), joiden käyttöä esimerkiksi Tiina Aalto blogissaan kuvaili hyvin. Aloitin tunnin kuitenkin pienien vaikeuksien kautta, kun QGIS did me dirty ja en saanut tarvittavia aineistoja auki WFS-palvelusta ja jouduin noutamaan ne manuaalisesti tavallisina vektoriaineistoina.

Asiaan: Aloitimme valintatyökalujen käyttämisellä ja harjoittelimme esimerkiksi tekemään yksinkertaisia analyysejä Suomen kuntakartasta. Seuraavaksi vertailimme eri projektioita ja niiden vaikutusta karttojen pinta-aloihin. Karttaa tarkastellessa muodonmuutoksen huomasi selvästi, mutta oikeiden mittojen eroa ei silmällä havaitse. Siksi tässä (Taulukko 1.) tiivistettynä eri projektioiden väliset erot Suomen  ETRS89-TM35FIN -projektioon. Pinta-alat on mitattu aivan Suomen pohjoispäädystä ja etäisyys Vaasan seuduilta leveyssuunnassa.

 

Taulukko 1: Pinta-alan ja pituuden muutos eri projektioissa suhteessa ETRS89-TM35FIN -projektioon.

Projektio	Pinta-ala	Pituus	Pinta-alan ero TM35-projektioon	Etäisyyden ero TM35 -projektioon
ETRS89 / TM35FIN	3982,2 km²	466,7 km
Robinson	5537,1 km²	683,1 km	39,05 %	46,37 %
WGS84 Pseudo-Mercator	3999,8 km²	466,6 km	0,44 %	-0,02 %
Lambert 1	54569,3 km²	10298,8 km	1279,33 %	2106,73 %
Equidistant conic	3995,3 km²	467,6 km	0,33 %	0,19 %
Gall Stereographic	10212,3 km²	727,8 km	156,45 %	55,95 %

 

Taulukon lukuja tarkastellessa huomaa, että erot voivat olla todella suuria. Tämä on todella tärkeää, varsinkin pinta-alaan tai etäisyyteen liittyvien karttojen tuottamisessa. Kartta voi tässä suhteessa todellakin valehdella. 

Seuraavaksi tarkoitus on havainnollistaa projektioiden pinta-alojen eroa koropleettikartalla. Aloitin vertaamalla usein maailmankartoissa käytettyä Robinson-projektiota Suomessa käytettyyn TM35FIN -projektioon (Kuva1.). Kuten kartasta käy ilmi, suurin muutos tapahtuu kartan pohjoisosassa. Eli mitä pohjoisemmaksi mennään, sitä suurempi on pinta-alojen muutos. Muutoksen huomaa varsinkin maailmankartoissa, joissa käytetään Robinson-projektiota ja Suomi näyttää valtavan kokoiselta verrattuna esimerkiksi Keski-Eurooppaan. Toisessa kartassa taas (Kuva 2.) kuvaan muutosta LAEA-projektion ja Mercator-projektion välillä. En tiedä mitä tässä tapahtui ja miksi karttani on poikittaissuunnassa eikä pystysuunnassa…? En tiedä mitä tähän nyt sanoisi, harjoittelemisen paikka. Kartasta kuitenkin näkee asteittaisen eron lännestä itään, mutta en uskalla tehdä enempää analyysejä ihmeellisen asettelun vuoksi. Ensimmäinen kartta (Kuva 1.) on esitetty TM35-FIN -projektiossa ja toinen (Kuva 2.) sphere-mercator -projektiossa, joka päätyi karttani kohtaloksi. 

 

 

Lähteet:

Aalto, T. (26.1.2020). Rajapinnalta pinta-alaksi. (Luettu 5.2.2020)<https://blogs.helsinki.fi/tidaalto/2020/01/26/rajapinnalta-pinta-alaksi/>