ArcGis – rasterianalyysi part. 2

Neljännen viikon harjoituksen aineistona oli Suomen ympäristökeskuksen Corine-maanpeite 2018-aineisto. Aineisto tuotettiin yhdistämällä satelliittikuvilta automaattisesti tulkittuja maanpeitteisyystietoja olemassa oleviin maankäyttöä ja maaperää kuvaaviin paikkatietoaineistoihin. (Syke, 2017)

Kevon maankäyttö ja maanpeite

Harjoituksen ensimmäisessä osassa muokkasimme ja rajasimme Corine-maanpeiteainestoa ja tuloksista visualisoitiin kartta (kuva 1). Aineiston muokkaamiseen kuului tietokantaliitos, jolla saimme merkkien selitteet aineistolle. Aineiston perusteella selvästi suurin osa alueesta on varvikoita ja nummia. Muita selvästi erottuvia alueita ovat niukkakasvustoiset kangasmaat korkeilla alueilla, lehtimetsät kivennäismaalla suurempien uomien ympärillä, avosuot alajuoksulla ja kalliomaat suurempien uomien ympärillä. En ole itse käynyt Kevolla koskaan ja olen nähnyt sieltä vain muutamia kuvia, mutta Corine-aineiston perusteella alue vaikuttaa hyvin karulta.


Kuva 1: Maanpeite ja maankäyttö Kevon kanjonin alueella (Syke, 2018)

Soveltuvuusanalyysi telttapaikalle

Harjoituksen toisessa osassa halusimme selvittää sopivat telttapaikat kanjonin alueelta. Käytimme tähän soveltuvuusanalyysiä ja teimme sen ArcGis:n ModelBuilderissa. Soveltuvuusanalyysissä aineistolle asetetaan kriteerit, joiden perusteella analyysi valikoi kriteerit täyttävät pikselit. Telttapaikan valintaan vaikutti tässä harjoituksessa maanpeite, rinteen jyrkkyys ja suunta sekä etäisyys joenuomasta. Käytimme aluksi Reclassify-työkalua kaikille telttapaikan valintaan vaikuttaville tasoille ja määritimme sopivien paikkojen arvoksi 1 ja epäsopivien 0. Lopussa kerroimme Raster Calculator:lla kaikki tulosrasterit keskenään, jolloin kaikki ne pikselit, joissa jokainen kriteeri saa arvoksi 1 saavat kerronnan jälkeen arvoksi 1 ja ovat sopivia telttapaikkoja. Mikäli aineistossa olisi ollut pikseleitä, joilla on arvo ”NODATA” eli pikseleillä ei ole arvoa tai se on puutteellinen, olisi pitänyt ymmärtää miten tällaisten pikselien olemassaolo vaikuttaa kyseiseen analyysiin, koska eri analyysit käsittelevät ”NODATA” arvoa eri tavalla (Holopainen ja muut, 2015).

Visualisoimme analyysin tuloksen kartaksi, josta näkyy sopivien telttapaikkojen sijainti (kuva 2). Tulos näyttää mielestäni järkevältä, mutta telttapaikan valintaan vaikuttavat myös muut tekijät, kuten metsän tiheys sekä maassa olevat puunrungot ja kivet sekä etäisyys merkatuista reiteistä.

Muita kriteereitä telttapaikanvalinnalle olisivat voineet olla esim. etäisyys autiotuvista tai merkatuista poluista ja aineistot näistä löytyvät netistä. Soveltuvuusanalyysillä voisi myös esimerkiksi selvittää hyvän sijainnin uudelle autiotuvalle tai uudelle merkatulle reitille.


Kuva 2: Sopiva telttapaikka Kevon kanjonin alueella.

Lähteet:

Holopainen, M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H., Laamanen, R., Alho, P., 2015, Geoinformatiikka luonnonvarojen hallinnassa (s. 63), Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7, Helsingin yliopiston metsätieteiden laitos, saatavilla: http://hdl.handle.net/10138/166765

Syke, 2017, Maankäyttö- ja maanpeiteaineistojen tuottaminen CORINE Land Cover 2018 -hankkeessa ja Copernicus Land -aineistojen validointi Suomessa, saatavilla: https://www.syke.fi/fi-FI/Tutkimus__kehittaminen/Tutkimus_ja_kehittamishankkeet/Hankkeet/Maankaytto_ja_maanpeiteaineistojen_tuottaminen_CORINE_Land_Cover_2018_hankkeessa_ja_Copernicus_Land__aineistojen_validointi_Suomessa

ArcGis – rasterianalyysi part. 1

Kolmannella harjoituskerralla teemoina olivat puuston biomassa ja latvuspeittävyys. Aineistot ovat GEOTIFF-muodossa ja koordinaatistona on ETRS-TM35FIN. Kuva-alkion koko karttaprojektiossa on 16 metriä x 16 metriä. Aineisto on tuotettu laserkeilausaineiston ja satelliittikuvan perusteella. Aineiston teossa on myös käytetty maastomittausta.

Biomassa

Harjoituksen ensimmäisessä osassa visualisoitiin kartat kuusen männyn ja lehtipuiden biomassasta (kuvat 1–3). Puuston biomassa esitetään yksikössä 10 kg/ha. Karttojen perusteella (kuva 1) kuusen biomassa on selvästi pienin alueella, mikä voisi johtua esimerkiksi siitä, että ale on hyvin kuiva ja karu. Kuusi kasvaa voimakkaasti pohjoisen suuntaan avautuville rinteille maaston alaville kohdille. Tämä johtuu siitä, että kuusi pitää kosteasta kasvualustasta ja joenuomassa kosteutta on enemmän sekä pohjoiseen avautuvilla rinteillä haihdunta on vähäisempää. Kuusi on myös herkempi kylmyydelle kuin tunturikoivu, jolloin se ei kasva yhtä korkealla.


Kuva 1: Kuusen biomassa Kevon kanjonin alueella.

Lehtipuut ovat puulajeista laajimmalle levinneitä (kuva 2), mutta niiden biomassa ei ole suurin. Lehtipuut ovat alueella suurimmaksi osaksi koivua ja tunturikoivua. Tunturikoivu selviää karuimmissakin olosuhteissa ja muodostaa puurajan tuntureiden rinteillä. Karttojen perusteella se suosii etelään aukeavia rinteitä.


Kuva 2: Lehtipuiden biomassa Kevon kanjonin alueella.

Männyllä on puulajeista eniten biomassaa alueella eli mäntyjä kasvaa alueella eniten (kuva 3). Kuusen tavoin mänty suosii joenuomaa, koska siellä on suojaisampaa. Mänty kasvaa kuitenkin hieman korkeammalla kuin kuusi ja se suosii lehtipuiden tapaan etelään aukeavia rinteitä.


Kuva 3: Männyn biomassa Kevon kanjonin alueella.

Biomassakarttoja tehdessäni en tajunnut, että legendassa arvojen vaihtelu näkyy huonosti ja että sen saisi helposti vaihdettua väriskaalan sijaan luokkiin. Karttoihin olisi myös voinut lisätä korkeuskäyrät, jolloin maaston topografia olisi tullut esiin. Tällöin olisi voinut pohtia tarkemmin esimerkiksi korkeuserojen, rinteen jyrkkyyden ja suunnan vaikutusta biomassaan.

Seuraavaksi teimme etäisyysvyöhykkeet joenuoman ympärille ja laskimme puiden biomassat, sekä biomassa-aineiston tilastolliset tunnusluvut kullekin etäisyysvyöhykkeelle. Kaikilla puulajeilla oli eniten biomassaa lähellä joenuomaa korkeintaan 200 metrin päässä uomasta.  Kuusella oli vähiten biomassaa 400–600 metrin (taulukko 1), lehtipuilla 1000–1300 metrin (taulukko 2) ja männyllä 600-800 metrin (taulukko 3) päässä joenuomasta.

Taulukko 1: Kuusen biomassa x metriä joenuomasta

etäisyys joenuomasta
(m)
pinta-ala
m^2
keskiarvo
1000 kg/ha
biomassa yhteensä
1000 kg/ha
200 11790592 0,524667 24164,61
400 9743872 0,022735 865,34
600 6970624 0,014772 402,24
800 4225024 0,018407 303,79
1000 2048256 0,03682 294,6
1300 848128 0,040857 135,36

 

Taulukko 2: Lehtipuiden biomassa x metriä joenuomasta

etäisyys joenuomasta
(m)
pinta-ala (m^2) keskiarvo
1000 kg/ha
biomassa yhteensä
1000 kg/ha
200 11790592 4,138736 190617,8
400 9743872 1,22399 46587,51
600 6970624 0,807521 21988
800 4225024 0,864474 14267,28
1000 2048256 0,562622 4501,54
1300 848128 0,312976 1036,89

 

Taulukko 3: Männyn biomassa x metriä joenuomasta

etäisyys
joenuomasta
pinta-ala (m^2) keskiarvo
1000 kg/ha
biomassa yhteensä
1000 kg/ha
200 11790592 4,884449 224963,1
400 9743872 0,598651 22785,87
600 6970624 0,327242 8910,47
800 4225024 0,324163 5349,98
1000 2048256 0,575089 4601,29
1300 848128 0,395518 1310,35

 

Latvuspeittävyys

Latvuspeittävyys tarkoittaa puuston latvuksen peittämää osuutta tarkasteltavasta alueesta. Latvuspeittävyys on esitetty aineistossa prosentteina. Visualisoin aineiston kartoiksi (kuvat 4 ja 5) ja laskin tilastolliset tunnusluvut aineistosta korkeusvyöhykkeille (taulukot 4 ja 5). Sekä havu- että lehtipuilla on suurin latvuspeitto vähintään 200 metriä joenuomasta.


Kuva 4: Havupuiden latvuspeittävyys (%)


Kuva 5: Lehtipuiden latvuspeittävyys (%)

Taulukko 4: Havupuiden latvuspeitto x metrin korkeudella merenpinnasta.

korkeus merenpinnasta (m) pinta-ala (m^2) keskiarvo (%)
200 1045504 8,023996
300 8386560 4,748901
400 25018624 5,402798
500 1175808 7,143044

Taulukko 5: Lehtipuiden latvuspeitto x metrin korkeudella merenpinnasta.

korkeus merenpinnasta (m) pinta-ala (m^2) keskiarvo (%)
200 1045504 8,023996
300 8386560 4,748901
400 25018624 5,402798
500 1175808 7,143044

ArcGis – korkeusmalleja ja uomia

Harjoituksen aineistona oleva KevoDEM-taso, on rasterimuotoinen digitaalinen korkeusmalli (DEM) Kevon kanjonin alueelta. Sen projisoitu koordinaattijärjestelmä on EUREF FIN TM35FIN. Korkeusmallin yksikkö on metri ja sen spatiaalinen resoluutio on 2 metriä. Tarkasteltavan alueen koko on 36 neliökilometriä. Aleen korkein kohta sijaitsee sen länsireunassa ja matalin kohta joen uomassa alueen koillisnurkassa.

Korkeusmallit

Harjoituksen ensimmäisessä osassa teimme vinovalovarjosteen ja korkeuskäyrät KevoDEM-aineiston pohjalta. KevoDEM-aineisto (kuva 1) on rasteriainesto, jossa pikselin väri kertoo kyseisen kohdan korkeuden maastossa. Mitä vaaleampi väri pikselillä on, sen korkeammasta kohdasta on kyse.

Kyseisestä mallista näkyy hyvin korkeuden vaihtelun karkeasti, mutta tarkempaan visuaalisen tarkasteluun malli on mielestäni huono. Tämä voisi johtua siitä, että aineisto on visualisoitu yhden värin tummuusskaalalla. Ihmisen silmä ei erota yhden värin sävyjä kovin tehokkaasti, joten toisiaan lähellä olevia sävyjä on vaikea erottaa toisistaan. Mallista on myös hankala havaita esimerkiksi rinteen suuntaa tai jyrkkyyttä. Aineisto voisi ehkä toimia paremmin suuremman alueen kuvaamiseen.

     
Kuva 1: KevoDEM korkeusmalli Kevon kanjonin alueelta.

Vinovalovarjoste tai rinnevarjoste (kuva 2) on korkeusmalli, joka visualisoi rinteiden suuntaa, jyrkkyyttä ja korkeutta. Kuvitteellinen aurinko paistaa 45 asteen kulmassa luoteesta, jolloin erityisesti luoteeseen ja kaakkoon avautuvat rinteet erottuvat selvästi. Vinovalovarjoste on mielestäni visuaalisesti hyvä korkeusmalli. Se näyttää pienetkin korkeusvaihtelut selvästi, ja sopiikin erityisesti pienempien alueiden tarkasteluun. Suurien alueiden tarkasteluun rinnevarjoste on liian tarkka eivätkä pinnanmuodot erotu enää. KevoDEM-malliin verrattuna rinnevarjosteessa alue vaikuttaa tasaisemmalta.


Kuva 2: Rinnevarjoste Kevon kanjonin alueelta.

Korkeuskäyräaineisto (kuva 3) on vektoriaineisto, jossa käyrien välillä maanpinnan korkeus muuttuu tietyn verran. Tässä tapauksessa 10 metriä. Mitä tiheämmässä käyrät ovat sen jyrkempi rinne on. Mallista näkee rinteen korkeuden, jyrkkyyden sekä suunnan. Kuvassa käyrien alla on rinnevarjostemalli.


Kuva 3: Korkeuskäyrät Kevon alueelta.

Teimme erikseen myös mallinnukset rinteen jyrkkyydelle ja suunnalle. Jyrkkyyttä kuvaavassa Slope-tasossa (kuva 4) tummin väri edustaa jyrkintä kohtaa. Mallinnuksesta voi havaita, että kanjonin reunat ovat alueen jyrkimpiä kohtia ja loivimmat kohdat sijaitsevat joenuomien välissä.


Kuva 4: Slope-taso kuvaa rinteen jyrkkyyttä.

Suuntaa kuvaavassa Aspect-tasossa (kuva 5) eri värit edustavat eri suuntia joihin rinne aukeaa. Esimerkiksi vihreät alueet ovat kaakkoon aukeavia ja violetit luoteeseen aukeavia rinteitä.


Kuva 5: Aspect-taso kuvaa rinteen suuntaa.

Hydrologinen mallinnus

Harjoituksen toisessa osassa tehtiin hydrologista mallinnusta. Rasteripohjaista hydrologista mallinnusta ovat veden valuntaan liittyvät analyysit, joissa eri tietolähteisiin perustuen arvioidaan yleensä pintavalunnan suuntaa ja määrää. (Holopainen ja muut, 2015).

Teimme KevoDEM-aineiston avulla virtaussuuntia kuvaavan mallinnuksen (kuva 6), jonka avulla loimme valuma-alueet. Kuvassa (kuva 7) on valuma-aluetason pohjalla rinnevarjoste. Valuma-alue mallin resoluutio on 2 metriä, ja tarkemmalla tarkastelulla huomaa, että alueet ovat osittain epärealistisia. Pienemmällä resoluutiolla, samanlaisia virheitä ei ehkä tulisi. Tätä tekstiä kirjottaessani huomaan, että en ihan ymmärrä miten valuma-alueet ovat muodostuneet. Miksi suurin osa kuvasta on vain yhtä valuma-aluetta ja kuvan reunoilla on pieniä, jopa pikselin kokoisia alueita (kuva8)?


Kuva 6: Alueen virtaussunnat


Kuva 7: Valuma-alueet


Kuva 8: Lähempää tarkasteltaessa huomaa, että osa valuma-alueista on epärealistisia.

Lopuksi muodostimme virtaussuuntatason pohjalta mahdolliset joenuomat alueelle. Työkalussa oli mahdollista valita miten monesta pikselistä mahdollinen vesi virtaa toiseen pikseliin (kumulatiivinen raja-arvo). Suuremmalla arvolla on suurempi todennäköisyys, että uomassa virtaa oikeasti vettä ja virtaus on kovempaa. Käytin raja-arvoja 100 000, 10 000 ja 1000 (kuva 9). Näistä 1000 on todennäköisesti turhan pieni arvo ja sillä saadut uomat ovat epärealistisen näköisiä. Sadannasta riippuen arvolla 10 000 saadut uomat voivat olla realistisia ja arvo 100 000 näyttää vain suurimmat uomat. Kuvan perusteella suurimmalla arvolla luodut uomat näyttävät realistisilta, koska ne mukailevat korkeusmallia.

Kuvan pohjalla on KevoDEM-aineisto uudelleen visualisoituna. Jälkeenpäin ajateltuna tähän olisi sopinut korkeuskäyrätaso, jolloin rinteiden jyrkkyyden ja suunnan olisi hahmottanut paremmin.


Kuva 9: Mahdolliset uomat Kevon kanjonin alueella.

Lopuksi

Toisen viikon harjoitukset olivat mielestäni helpompia kuin edellisen viikon harjoitukset. Koin ymmärtäväni mitä tein ja sain tehtyä tehtävät tunnin aikana.

Lähteet:

Holopainen, M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H., Laamanen, R., Alho, P., 2015, Geoinformatiikka luonnonvarojen hallinnassa (s. 63), Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7, Helsingin yliopiston metsätieteiden laitos, saatavilla: http://hdl.handle.net/10138/166765

ArcGis – leikkausanalyysit

Pitkästä aikaa taas geoinformatiikan parissa kurssilla Geoinformatiikan menetelmät 2. Käytämme tällä kurssilla harjoitusten tekemiseen ArcGis-ohjelmistoa, joka on maksullinen paikkatieto-ohjelmisto.

Jo ensimmäisten harjoitustehtävien aikana huomasin miten paljon selkeämpi ja helppokäyttöisempi ArcGis on QGis:iin verrattuna. Datan analysointi on mielestäni ArcGis:ssä paljon yksinkertaisempaa. Tarvittavat työkalut on helppo hakea ja niillä on selkeät nimet.

Toisaalta layout-välilehti, jossa kartat visualisoidaan, on hieman epäkäytännöllinen ja siinä on vähemmän ominaisuuksia esimerkiksi legendan muokkaamista varten. Toki vasta ensimmäisellä viikolla en voi väittää tietäväni tarpeeksi ohjelmasta, sen käyttöä pitää vielä harjoitella.

Clip-analyysi
Ensimmäisellä viikolla käytimme harjoituksissa clip- ja intersect-leikkausanalyysejä. Ensimmäisessä harjoituksessa käytimme clip-analyysiä. Clip analyysissä leikataan piste-, viiva- tai aluetyyppistä tasoa aluetasolla. Lopputuloksen syntyy taso, jossa leikattavasta tasosta on leikattu leikkaavan tason mukainen alue, jossa on vain leikatun tason ominaisuustiedot.

Ensimmäisessä harjoituksessa aineistona oli Helsingin maankäyttö (kuva 1). Loimme Vihdintielle ja Lahdenväylälle bufferit 250 metrin etäisyydelle, mikä onnistui kohtuullisen helposti. Bufferoinnissa luodaan kohteelle vyöhyke tietylle etäisyydelle. Esimerkiksi vektorimuotoisissa vyöhykkeissä saadaan tuloksena uusi vyöhykepolygoni, jonka äärireuna noudattaa haluttua etäisyyttä kohteesta (Holopainen ja muut, 2015).


Kuva 1: Maankäyttö Helsingissä.

Sen jälkeen leikkasimme clip-analyysillä buffereiden mukaisen alueen karttatasosta, joka kuvasi Helsingin maankäyttöä. Saimme lopputulokseksi aluetason, jossa näkyi bufferialueen maankäyttö. Teimme analyysin tuloksista vielä graafisen esityksen, josta näkyy maankäyttö 250 metrin etäisyydellä Vihdintiestä ja Lahdenväylästä (kuvat 2 ja 3).


Kuva 2. Maankäyttö 250 metrin etäisyydellä Lahdenväylästä.


Kuva 3: Maankäyttö 250 metrin etäisyydellä Vihdintiestä.

Intersect-analyysi
Toisessa harjoituksessa käytimme intersect-analyysiä. Intersect-analyysi eroaa leikkaavasta clip-analyysistä niin, että leikkaamisen lisäksi analyysi yhdistää tasojen ominaisuustiedot. Intersect analyysissä leikkaamiseen voi aluetyyppisen tason lisäksi käyttää myös viiva- ja pistetyyppistä tasoa.

Leikkasimme intersect-työkalulla maankäyttöaineistosta Kumpulan, Toukolan ja Käpylän kaupunginosien mukaiset alueet. Seuraavaksi luokittelimme dataa niin, että saimme kunkin kaupunginosan maankäytön jaettua rakennettuun alueeseen ja luontoon. Käytimme tähän Python-ohjelmointikieltä. Onneksi koodi oli valmiina, ja sen saattoi vain kopioida ohjeista. Siitä huolimatta epäonnistuin tässä kohdassa, ja kuuden rivin sijasta sain yli 6000 riviä attribuuttitauluun. Teimme analyysin tuloksista kartan (kuva 4) ja graafisen esityksen (kuva 5).

Alkuperäisessä aineistossa maankäyttö oli jaettu puustoon, matalaan kasvillisuuteen, avokallioihin, vesistöihin, rakennuksiin, teihin, vettä läpäisemättömään pintaan ja muuhun paljaaseen maahan. Analyysin jälkeen luonto-luokkaan kuului puusto, matala kasvillisuus, avokalliot ja vesistöt ja rakennettu-luokkaan loput.

Muut alkuperäisen aineiston luokat ovat selkeitä mutta luokka ”muu paljas maa” on epämääräinen. Tarkastelin hieman luokkaan kuuluvia alueita, ja näitä olivat esimerkiksi urheilukentät ja piha-alueet. Nämä alueet ovat mielestäni ”vettä läpäisemätöntä pintaa” ja ne voi mielestäni luokitella hyvin rakennettuun alueeseen.

Iso osa luokkaan kuuluvista alueista oli kuitenkin epäselviä. Mietin muita mahdollisia alueita, joita luokkaan voisi luokitella. Kuuluvatko esimerkiksi hiekkarannat tai hiekkaiset parkkipaikat tähän? Sinä tapauksessa parkkipaikat ovat rakennettua aluetta ja mahdollisesti vettä läpäisemätöntä pintaa, mutta hiekkarantojen luokittelu ei ole ihan niin selvää.


Kuva 4: Maankäyttö Käpylässä, Kumpulassa ja Toukolassa.


Kuva 5: Maankäyttö Kumpulassa, Toukolassa ja Käpylässä.

Lopuksi
Minulla meni harjoitustehtävien tekemiseen yhteensä 7 tuntia. Tämä johtui varmasti osin siitä, että ArcGis on uusi ohjelma, jonka käyttö ei ole vielä kovin sujuvaa. Ohjeita oli välillä myös hankala ymmärtää ja olisin ehkä kaivannut erillisen ohjeen otsikolla ”ohjeet idiooteille”.

Harjoitusten tekemisen aikana en ollenkaan ymmärtänyt mitä teimme ja miksi. Sen takia virheitä oli hankala korjata, enkä kokenut oppivani mitään. Kun aloin kirjoittamaan tätä tekstiä ja palasin harjoituksen ohjeisiin sekä luennon materiaaleihin, ymmärsin lopulta (ainakin melkein) välivaiheet ja kokonaisuuden.

Lähteet:
Holopainen, M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H., Laamanen, R., Alho, P., 2015, Geoinformatiikka luonnonvarojen hallinnassa (s. 63), Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7, Helsingin yliopiston metsätieteiden laitos, saatavilla: http://hdl.handle.net/10138/166765

GQIS – The Final Act

Viimeisellä viikolla tehtävänä oli etsiä itse sopivaa dataa ja tehdä sen pohjalta karttaesitys. Karttaesityksessä piti olla kaksi muuttujaa ja useampia alueita, joita vertailla keskenään.

Koska tehtävänanto oli annettu etukäteen, ajattelin, että ehtisin tehdä kartan alkuviikosta ennen tuntia. Sen tekeminen oli kuitenkin paljon vaikeampaa kuin luulin.

Data

Aloitin tekemisen etsimällä sopivaa paikkatietoaineistoa. Sopivan aineiston löytäminen oli todella vaikeaa koska en oikein tiennyt mistä, miten ja millaista dataa minun pitäisi etsiä. Osasin siirtää ja käyttää QGIS:ssä vain tietyn tyyppistä dataa, joten etsiminen oli haastavaa. Kun löysin sopivan aineiston en usein saanut sitä ollenkaan aukeamaan ohjelmassa tai sitten osa aineiston datasta puuttui.

Minulla kului sopivan datan etsimiseen yhteensä viisi tuntia kahtena eri päivänä. En halunnut mennä sieltä mistä aita on matalin ja tehdä aikaisemmilla kurssikerroilla jaetuista aineistoista esitystä tai tyytyä tilastokeskuksen kuntien avainluku -aineistoon. Halusin tarkastella jotain mielenkiintoista ilmiötä. Etsin dataa muun muassa NASA:n ja WHO:n sivuilta mutta en osannut etsiä oikeantyyppistä dataa. Neljän tunnin jälkeen alkoi usko loppumaan ja olin jo luovuttamassa, kunnes löysin aineistoa, jonka osasin sekä ladata että tuoda QGIS-ohjelmaan.

Visualisointi

Lopulta itse kartan visualisointiin meni vain vajaa tunti. Olin käyttänyt datan etsimiseen niin paljon aikaa, että halusin tehdä yksinkertaisemman kartan. Kartta (kuva 1) kuvaa suojelualueiden osuutta valtion kokonaispinta-alasta (merialueet mukaan luettuna) sekä uhanalaisten lajien määrää. Tein suojelualueiden osuudesta koropleettikartan ja uhanalaisten lajien määrää merkitsin eri kokoisilla pisteillä. En ollut aikaisemmin tehnyt pistediagrammeja, mutta se onnistui hyvin. Kartasta tuli mielestäni selkeä ja järkevä. Myös löytämäni muuttujat ovat mielestäni kiinnostavia ja järkeviä, sekä hyvin vertailtavissa.

Suojelualueet

Kartta (kuva 1) kuvaa suojelualueiden osuutta valtion kokonaispinta-alasta (merialueet mukaan luettuna) sekä uhanalaisten lajien määrää. Eniten suojeltua pinta-alaasuhteessa on jollain Karibianmeren saarivaltioista (atribuuttitaulukko kadoksissa) ja vähiten Väli-Amerikassa, Uruguayssa ja Surinamessa. Vähiten uhanalaisia lajeja on Karibianmeren saarilla ja eniten Meksikossa. Uhanalaisten lajien määrä ja suojelualueiden osuus eivät korreloi kartan mukaan.

Uhanalaisten lajien määrä on suuri trooppisilla alueilla, koska siellä lajirunsaus on hyvin suuri. Uhanlaisten lajien määrään vaikuttavat ihmisen toiminta, kuten saasteet, liikenne, maatalous, rakentaminen, metsäkato ja metsästys. Myös esimerkiksi luonnonsuojelu, väestön koulutus, elintaso, valtion poliittinen ilmapiiri ja erilaisten järjestöjen aktiivisuus ja toimintamahdollisuudet. Myös ilmastonmuutos ja sen aiheuttamat ilmiöt vaikuttavat lajien runsauteen ja pärjäämiseen.

Lopuksi

Viimeisen viikon tehtävänanto oli yksinkertainen mutta tehtävä itsessään oli haastava. sain sen kuitenkin lopulta tehtyä. Tämän tekstin kirjoittaminen tosin viivästyi valitettavasti.

Itse kurssi oli mielestäni kiva, toisaalta haastava. Pilvi Toijonen kuvaa bloginsa ”Pilvin GIS-blogi” julkaisussa ”7. Kurssikerta: Karttoja Suomen tärkeistä lintualueista” QGIS-ohjelman pyörittelyä ”hermoja raastavaksi”, mutta lopulta kivaksi ja kiinnostavaksi. Olen tästä samaa mieltä ja odotan seuraavia geoinformatiikan kursseja.


Kuva 1: Suojelualueiden osuus kokonaispinta-alasta ja uhanalaisten lajien määrä valtioittain Latinalaisessa Amerikassa

Lähteet:

Pilvi Toijonen, 2022, 7. Kurssikerta: Karttoja Suomen tärkeistä lintualueista, Pilvin GIS-blogi, Haettu 13.4.2022 osoitteesta https://blogs.helsinki.fi/pilvitoi/

GGIS – talviretki ja hasardeja

Toiseksi viimeisellä luennolla lähdimme retkelle kauniiseen talvisäähän. Edellisenä päivänä oli tullut lunta ja pakkasta oli useampi aste. Oli kiva huomata että talvi Helsingissä ei vielä ollutkaan ohi. Kauniin sään takia toivoin ettei tällä kertaa tulisi paljoa ylimääräisiä tehtäviä, että ehtisin hiihtämään uusilla suksillani.

Kaupunkisuunnittelu

Kurssikerta alkoi muutamalla dialla: Jahn Gehl on arkkitehti joka suunnittelee kaupunkitilaa niin että se ottaisi mahdollisimman hyvin kaikki huomioon. Gehlin kaupunkitilat ovat moniaistillisia kokemuksia, joita suunnitellaan ja rakennetaan jalankulkijan ehdoilla niin että autoilu on toissijaista. Tärkeää on että kaupunkitila olisi mahdollisimman esteetön, tasa-arvoinen ja miellyttävä, Tärkeää on myös että julkinen liikenne on toimivaa

Talviretki

Retken varsinainen tarkoitus oli kerätä dataa erilaisista kaupunkisuunnittelun kohteista. Tarkoitus oli käydä noin 10 kohteessa ja arvioida kohteiden tuvallisuutta ja miellyttävyyttä hengailun näkökulmasta. Varustauduimme retkelle lämpimin vaattein ja latasimme Epicollect5-puhelinsovelluksen jolla pystyi keräämään pistemäistä paikkatietodataa.

Suuntasimme muutaman ystävän kanssa kohti Arabianrantaa ja auringonpaistetta. Keräsimme dataa useista kohteista Arabianrannan puistoalueella ja Hämeentien varrella. Sää oli aurinkoinen ja tuuleton, joten tarkenimme vähissä vaatteissamme. Arabianrannan hiihtolatu oli upeassa kunnossa.

Kun olimme keränneet tarpeeksi kohteita suuntasimme takaisin GIS-luokkaa. Ulkoilu oli mukavaa vaihtelua ikkunattomassa luokassa istumiseen, ja minun oli huomattavasti helpompi keskittyä lopun tunnista.

Interpolointi

Kun kaikki olivat palanneet takaisin luokkaan. Arttu kokosi keräämämme datan ja jakoi sen meille tiedostona. Toin aineiston QGIS:iin.

Uutena toimintona tuli interpolointi. En oikeastaan osaa selittää mitä se tarkoittaa vaikka suunnilleen ymmärränkin. Jotain sellaista, että lasketaan tunnettujen arvojen väliin uusia arvoja. Joka tapauksessa itse interpolointi QGIS:ssä ei ollut kovin monimutkaista ja niitä harvoja asioita jotka tajusin heti ja osasin tehdä itse uudelleen ilman ongelmia.

Visualisoin siis aineistosta interpoloidun kartan (kuva 1), jossa näkyy koettu turvallisuudentunne kaupunkisuunnittelun eri kohteissa. Mielestäni kartasta tuli selkeä ja helposti luettava.

Kuva 1: Koettu turvallisuudentunne kaupunkisuunnittelun kohteissa.

Tulokset

Datan kerääminen oli suhteellisen helppoa. Kysymyksen joihin vastattiin kohteissa olivat suurimmaksi osaksi suljettuja, ja ne perustuivat suoraan vastaajan kokemukseen. Yksilöiden kokemukset saattavat erota samassa paikassa hyvinkin eri paljon. Huomasin tämän kun kyselin mitä ystäväni olivat vastanneet kysymyksiin. Tällaisella kyselyllä on mielekästä kartoittaa vastaajien turvallisuudentunnetta ei niinkään esimerkiksi liikenteen toimivuutta tai alueen rauhallisuutta.

Valmiin esityksen (kuva 1) perusteella turvattomimmiksi kohteiksi arvioitiin alueet isojen teiden kuten Hämeentien varrella sekä Arabianrannan kauppakeskuksen alue ja sitä ympäröivän asuinalue. Tällaisissa paikoissa liikennettä ja ihmisiä on paljon, jolloin turvallisuus on tärkeä asia. Usein liikenne koetaan vaaralliseksi asiaksi jalankulkijan näkökulmasta. Pilvi Toijonen kirjoittaa bloginsa “Pilvin GIS-blogi” julkaisussa “6. Kurssikerta: Interpolointia ja hasardeja” että turvattomuuden tunne johtui todennäköisesti vilkkaasta liikenteestä ja liukkaasta maasta. Allekirjoitan tämän täysin. Ei ollut kerta tai toinen kun meinasin liukastua lyhyen kävelyn aikana. Vaarallisia kohteita liukkauden näkökulmasta olivat erityisesti risteykset ja suojatiet, joissa tulee paljon jalankulkijoiden ja autojen kohtaamisia.

Turvallisimmat kohteet sijaitsevat Arabianrannan puistossa ja Kumpulan rauhallisella asuinalueella. Niissä paikoissa liikennettä on vähän tai ei lainkaan. Esimerkiksi puistoon ei pääse autoilla ollenkaan ja liikenteen äänet eivät juuri kuulu sinne. Läheisellä rakennustyömaalla tosin jokin kone löi rautaista tolppaa maahan todella kovaäänisesti, mutta rytmikkäästi (“Ei mua mikään Petri Nygård tanssituta mut tää on aika kiva!”).

Koska kartta on interpoloitu, myös kohteet joihin ei ole merkitty dataa ovat saaneet arvon kartalla. “Tyhjät” kohteet saavat arvon määritettyjen arvojen väliltä. Kartta siis yleistää ja “arvailee” voimakkaasti mitä kauemmas havaintopisteistä mennään.

Hasardit

Juuri kun uskalsin toivoa, että pääsisin ajoissa kotiin ja hiihtämään ennen auringonlaskua minulle selvisi että lisää tehtäviä oli tulossa. Tehtävä oli tehdä kolme karttaa joiden teemana on hasardit. Tavoite oli saada kartoista niin hyviä, että niitä voisi käyttää opetuksessa. Kuulostaa mielestäni hieman kohtuuttomalta vaatimukselta…

Maanjäristyksiä

Jotta pääsisin vauhtiin päätin että en tekisi ensimmäisen kartan tekemisestä liian vaikeaa. Etsin kurssisivulle jaetusta linkistä maanjäristysdataa ja toin sen QGIS:iin. Tämä ei ollut vaikeaa, mutta en oikein keksinyt mitä järkevää olisin datalla tehnyt. Päätin tehdä toisen interpoloidun kartan, koska osasin tehdä sellaisen. Kartassa (kuva 2) näkyy 6-8 magnitudin maanjäristyksiä ympäri maailman.

Kuva 2: Magnitudiltaan 6-8 maanjäristysten sijainti ja voimakkuus

Mielestäni kartasta tuli todella huono, melkein hävettää. Tällaista karttaa voisi käyttää opetuksessa ainoastaan varoittavana esimerkkinä kartasta jollaista ei pitäisi tehdä. Eli siis tavoite saavutettu?

Interpolointi tarkoittaa sitä että lasketaan tunnettujen arvojen väliin uusia arvoja. Se sopii kuvaamaan jatkuvia ilmiöitä eikä pistemäisiä ilmiöitä, kuten maanjäristykset. Tämä olisi ehkä pitänyt tajuta tunnilla, mutta olin sen verran väsynyt että en kyennyt johdonmukaiseen ajatteluun.

Tsunameja

Seuraavaksi päätin hylätä interpoloinnin kokonaan. Toin taas pistemäistä dataa kurssisivun linkistä. Tällä kertaa tarkastelussa olivat tsunamit. Toin myös QGIS:iin mannerlaattoja kuvaavan aineiston, koska tsunameja esiintyy usein mannerlaattojen reunoilla.

Kuva 3: Tsunamien esiintyvyys

Toisesta kartasta tuli ihan esittelykelpoinen ja kehtaisin näyttää sen ainakin yläasteen maantieteen tunnilla. Kartta on mielestäni selkeä ja ymmärrettävä, vaikkakin todella yksinkertainen.

Tulivuoria

Viimeisen kartan kohdalla päätin yrittää hieman enemmän. Toin taas pisteaineistoa QGIS:iin. Mietin mitä voisin tehdä pistemäisellä tulivuoriaineistolla. Pitkän pohdinnan jälkeen päätin luokitella erilaisia tulivuorityyppejä. Käytin kartan tekemisessä toimintoa “select by value” ja luokittelin erilaiset tulivuoret itse niinettä luokkia oli vähemmän kuin alkuperäisessä aineistossa. Luokittelu oli hieman haastavaa, koska alkuperäisessä aineistossa tulivuoret oli luokiteltu hyvin epämääräisesti, eikä edes google osannut kertoa, mitä kaikki erilaiset aineistossa olevat tulivuoret olivat. Sain kuitenkin visualisoitua mielestäni ihan hyvän kartan (kuva 4).  Kuva 4: Tulivuorityypit ja niiden sijainti

Tämäkään kartta ei ole opetusmielessä mikään optimaalisin, mutta aika kiinnostava. Lisäksi näin siihen sen verran vaivaa että se on mielestäni näistä kolmesta kartasta paras. Kartan perusteella eniten tulivuoria sijaitsee Tyynenmeren tulirenkaan alueella ja erilaiset kerrostulivuoret ovat yleisin tulivuorityyppi.

Lopuksi

Tunti oli mukava, erityisesti se osa kun kävelimme aurinkoisessa puistossa. itsenäiset karttatehtävät olivat tällä kertaa ihan sopivan haastavia vaikka istuinkin luokassa aika pitkään. Datan tuominen itse ohjelmaan oli hieman haastavaa ja pitkän selvittelyn ja monien kokeilujen jälkeen sain tuotua aineiston Excelin kautta QGIS:iin. Harmillisesti tehtävissä meni niin kauan etten ehtinyt ennen auringonlaskua hiihtämään :(.

Lähteet

Toijonen Pilvi, 2022, 6. Kurssikerta: Interpolointia ja hasardeja, Pilvin GIS-blogi, luettu 6.3.2022, saatavilla: https://blogs.helsinki.fi/pilvitoi/2022/03/03/6-kurssikerta-interpolointia-ja-hasardeja/

QGIS – buffereita ja uima-altaita

Viides kurssikerta alkoi jännittävissä tunnelmissa, kun arvailin olinko osannut tallentaa viime kerran tehtävän. Yllättäen tallennus oli onnistunut. Siitä ei kuitenkaan ollut paljoa apua, koska en osannut avata kaikkia tasoja. Onneksi kurssikerran aineistoista löytyi QGIS-projekti, jossa oli kaikki tehtynä, niin että pystyin jatkamaan siitä, mihin olin jäänyt.

Pornainen

Harjoituksen tavoitteena oli oppia tekemään puskurivyöhykkeitä kohteille. Alkuvalmisteluina rajasimme kartalta ne rakennukset, joita halusimme tarkastella ja lisäsimme rakennuksiin asukkaita satunnaisesti. Teimme 100 m puskurivyöhykkeen teille, 500 m puskurivyöhykkeen terveyskeskukselle ja 1 km puskurivyöhykkeen koululle. Sen jälkeen tarkastelimme, kuinka moni asukas jäi näiden puskureiden sisälle. En taaskaan ihan ymmärtänyt mitä teimme ja se tuotti ongelmia myöhemmissä tehtävissä

Kuva 1: Pornainen, keltaisilla pisteillä rakennukset, joista on vähintään kilometrin matka violetilla kuvatulle koulurakennukselle.

Lentomelua ja ongelmia

Pornaisista oli tarkoitus matkata Malmin lentokentälle, mutta epähuomiossa siirryinkin Helsinki-Vantaan lentokentälle. Tehtävänä oli luoda kiitoradoille puskurivyöhykkeet kuvaamaan lentokentästä syntyvää melualuetta ja selvittää kuinka monta asuinrakennusta melualueella olisi (kuva 2).

Kuva 2: Helsinki-Vantaan melualueella olevat rakennukset. Vähintään 2 km päässä kiitoradoista asuu 10 576 ihmistä ja vähintään 1 km päässä 926 ihmistä.

Seuraavan tehtävän tehtävänanto aiheutti pahaa ahdistusta ja toi minulle takaumia lukion matematiikan tehtävistä. Se oli epäselvä ja kokemuksieni mukaan tehtävänantoja lukiessa ei kannata lähteä itse tulkitsemaan, koska omat arvailut menevät aina väärin. Vaihtoehtoja ei kuitenkaan ollut.

Vuonna 2002 saapuva lentoliikenne ohjattiin poikkeuksellisesti laskeutumaan kentälle kaakosta luoteeseen. Tehtäväni oli luoda väliaikaiselle laskeutuvalle liikenteelle meluvyöhyke. Koska en ollut pysynyt mukana edellisessä tehtävässä, oli minulla ongelmia myös tämän kanssa. Lopulta useiden kokeiluiden ja epäonnistumisten jälkeen sain tehtyä laskeutuvalle lentoliikenteelle 7 kilometriä pitkän ja kilometrin levyisen meluvyöhykkeen. Laskin vielä, että jos lentoliikenne ohjattaisiin uudelleen saapumana kyseisestä suunnasta, 27 219 asukasta jäisi kyseiselle melualueelle. Visualisoin tuloksista kartan (kuva 3).

Kuva 3: Vuoden 2002 tilapäisen lentoliikenteen melualue.

Tein vielä muutamia puskurivyöhykkeitä eri kohteille ja laskin vyöhykkeiden sisään jääviä rakennuksia ja asukkaita. Lopulta olin tehnyt kohteiden rajaamisen ja puskurivyöhykkeen kohteelle niin monta kertaa, että huomasin onnistuvani siinä ilman ongelmia. Kertaus siis todella on opintojen äiti!

 

”Tehtiin jotain en muista mitä”

Jälkeenpäin piti siis miettiä pitkään mitä seuraavina tunteina oli tapahtunut. Kello oli noin kaksi iltapäivällä ja siirryimme viimeiseen kurssikerran tehtävään. Jo silloin tuntui, että päivä oli täynnä, mutta koska tehtävien tekeminen kotona läppärillä on tosi hankalaa, oli parempi jäädä GIS-luokkaan tekemään niitä.

Viimeisessä tehtävässä oli kolme vaihtoehtoa. Tein tehtävää yhdessä kurssikavereideni kanssa, koska olimme kaikki jo aika väsyneitä ja edelliset tehtävät olivat olleet vaikeita. Valitsimme tehtävän, jossa piti laskea uima-altaita ja saunoja pääkaupunkiseudulla.

Jälleen kerran tehtävänannossa ei juuri ollut ohjeita sen tekemiseen. Selvisimme ensimmäisistä kysymyksistä kuitenkin kohtuullisen helpolla ja nopeasti. Kuten Victoria Rumbin kirjoittaa bloginsa ”Matka GIS-guruksi” julkaisussa ”Kurssikerta 5 – Tuskaisia työtunteja Helsingin seudun parissa” tässä kohtaa tunnelma oli vielä positiivinen ja juuri kun kuvittelin, että pääsisin pian kotiin luin tehtävän toiseksi viimeisen kohdan. Siinä piti tehdä kartogrammi uima-altaiden määrästä, kussakin kaupunginosassa.

Aloitimme tehtävän ja teimme jotain, en muista mitä, mutta se oli hankalaa ja aikaa vievää. Seuraava mitä muistan, oli aineistojen attribuuttitauluihin liittyvä ongelma. Jotta olisimme saaneet selville jokaisen kaupunginosan uima-altaiden määrän, meidän piti yhdistää uima-altaita kuvaava tieto kaupunginosiin liittyvään tietoon, niin että attribuuttitaulusta lopulta näkisi kuinka monta uima-allasta kussakin kaupunginosassa on. Tämän jälkeen pylväsdiagrammin teko olisi suorastaan helppoa.

Kokeilimme useita keinoja ja etsimme apua intialaisilta YouTubesta. Emme kuitenkaan millään saaneet tietoja yhdistettyä, joten kellon lähestyessä viittä päätimme laskea uima-altaiden määrän manuaalisesti. Sen jälkeen itse kartan tekeminen oli helppoa. Kartasta tuli todella ruma, mutta siinä on kaikki mitä pitääkin (kuva 4). Tein myös taulukon tehtävän aikana lasketuista tuloksista (taulukko 1).

Kuva 4: Uima-altaiden absoluuttinen määrä kaupunginosittain

Taulukko 1: Uima-altaiden ja saunojen määriä pääkaupunkiseudulla.

Uima-altaalliset talot 855
Saunoja alueella 21922
Uima-altaalliset omakotitalot 345
Asukkaat, joiden käytössä uima-allas 12170
Saunojen osuus alueen taloista 24,4%

Juuri kun olimme viimeistelemässä karttaa, Ilari Leino (@mineraalimies) keksi, miten uima-altaiden määrän olisi saanut laskettua kaupunginosittain. Kävi ilmi, että vikana oli joku asetus (settings > options > prosessing > general > invalid features filtering > skip), jonka takia emme olleet onnistuneet tietojen yhdistämisessä. En kyllä yhtään yllättynyt. Kokeilin vielä itse yhdistää tiedot, niin että korjasin kyseisen asetuksen ja se onnistuikin vain muutamalla klikkauksella… 🙂

Lopuksi

Olimme lopulta GIS-luokassa yhteensä 8 ja puoli tuntia vääntämässä tehtäviä. Viimeisen tehtävän jälkeen totesin, että koska ”tää oli niin traumaattinen kokemus et mä varmaan unohan kaiken heti” kannattaisi ehkä kirjoittaa tärkeimmät asiat 8 ja puolen tunnin touhusta ylös. Yllättäen en muistanut mitään. Olisi todellakin hyödyllistä kirjoittaa blogia samaan aikaan kun tekee tehtäviä, mutta jos haluan ymmärtää opetetuista asiaoista edes sitä vähää mitä tähän mennessä, on syytä seurata silmät ja korvat tarkkana. Mitä tulee tämän kurssikerran itsenäisiin harjoituksiin, jälkeenpäin ajateltuna ne olivat mielestäni liian vaikeita. Vaikka meitä oli useampi niitä pohtimassa, niissä meni silti monta tuntia.

Lähteet:

Rumbin Victoria, 2022, Kurssikerta 5 – Tuskaisia työtunteja Helsingin seudun parissa, Matka GIS-guruksi, luettu 17.2.2022, saatavilla: https://blogs.helsinki.fi/vrumbin/

 

QGIS – en tiiä siitä velhosta enää

Neljäs oppitunti ei ollut helppo. QGIS:n käyttö on vielä aika vaikeaa ja karttojen tekemisessä on usein hankaluuksi. Tämäkään viikko ei ollut poikkeus.

Piste ja ruutuaineistot

Tällä kurssikerralla tarkastelussa olivat piste- ja ruutuaineistot. Pisteaineistot ovat kaikista tarkimpia aineistoja ja ne ovat datamäärän kannalta taloudellisia, koska ne ovat pieniä ja yksinkertaisia kohteita ja tarvitsevat vain yhdet koordinaatit, mutta niihin voi tallentaa paljon tietoa. Pisteaineistot soveltuvat hyvin pistemäisten kohteiden kuten rakennusten kuvaamiseen. Esimerkiksi laserkeilauksella tuotetut rinnevarjostusmallit ovat pisteaineistoja.  Laserkeilauksella voidaan löytää kohteita, joita on hankala havaita ilmakuvista tai maanpinnalta ihmisen näkökulmasta esimerkiksi metsän peitossa olevia rakennuksia.

Ruutuaineisto puolestaan on pisteaineistoon pohjautuvaa ruutumaista aineistoa. Ruutuaineisto on hyvä tapa kerätä aineistoa ilman valmista-aluejakoa ja ruuduilla aineistoon saadaan samankokoisia alueita. Monet suuret Suomea kuvaavat aineistot ovat ruutuaineistoja. Niiden huono puoli on korkea hinta.

Ruutuaineisto pääkaupunkiseudun väestöstä osa 1

Kurssikerran harjoituksena oli ruutuaineiston tuottaminen QGIS-ohjelmassa. Tehtävän aineistona oli pistemäistä rakennustietokantaa Helsingistä, Espoosta, Kauniaisista ja Vantaalta. Siinä näkyivät pisteinä kaikki rakennukset ja jokaiseen pisteeseen oli tallennettu tietoa esimerkiksi asukkaiden määrästä. Teimme aineistolle itse ruudukon ja rajasimme aineistoa, jotta se ei olisi niin iso. Laskimme aineistosta muunkielisten asukkaiden osuuden suhteessa suomenkielisiin, josta visualisoin kartan (kuva 1).

Korkeuskäyriä

Seuraavaksi tehtävänä oli tehdä korkeuskäyriä maastokartalle rinnevarjostusmalli aineistona. Kartta oli Pornaisista. Muodostimme korkeuskäyrät rinnevarjostusmallin mukaan, jonka jälkeen digitoimme teitä ja merkitsimme pisteillä rakennuksia. Minun piti tehdä digitointi kahteen kertaan, koska jostain syystä kaikki piirtämäni pisteet ja tiet poistuivat. Tässä kohtaa ei naurattanut. Jatkamme tätä karttatehtävää ensi viikolla, ja paljastan mahdollisen valmiin lopputuloksen vasta silloin.

Ruutuaineisto pääkaupunkiseudun väestöstä osa 2

Tunnin jälkeen jäin tekemään itsenäistä harjoitusta, jossa piti samaan tapaan kuin ensimmäisessä, visualisoida kartta jostain annetun aineiston muuttujasta. Kun palasin ensimmäiseen harjoitukseen huomasin riemukseni, että jokin oli mennyt vikaan kartan tallennuksessa ja suurin osa tekemästäni työstä oli kadonnut. Tässä kohtaa minulla loppui huumorintaju. Myös Anni Leppä oli kokenut saman traumaattisen kokemuksen, mutta hän oli onneksi ottanut kuvakaappauksen kartasta ja ystävällisesti lainasi sitä minulle (kuva 1).

Kuva 1: Kuvakaappaus tehdystä kartasta juuri ennen kohtalokasta hetkeä, kun huomasimme Anni Lepän kanssa karttojemme kadonneen. Kartassa muunkielisten asukkaiden osuus suhteessa suomenkielisiin Espoossa, Helsingissä, Vantaalla ja Kauniaisissa.

Epäonnisen sattumuksen jälkeen minun piti aloittaa koko urakka alusta. Tunnelma ei ollut hilpeä. Tehtävien ohjeet ovat valitettavasti hieman epäselviä, joten niistäkään ei aina ole apua. Sain kuitenkin lopulta jonkinnäköisen kartan kasaan. Siinä näkyy ruotsinkielisten osuus koko väestöstä (kuva 2).


Kuva 2: Ruotsinkielisten osuus koko väestöstä.

Kartan aihe on olosuhteista johtuen valitettavasti aika tylsä. Sen perusteella erityisesti Pohjois- ja Etelä-Espoossa, Pohjois-Vantaalla sekä Itä-Helsingissä on paljon ruotsinkielisiä suhteessa väestöön. Vähiten ruotsinkielisiä suhteessa väestöön on Pohjois-Helsingissä. Visuaalisesti kartta on riittävän selkeä, mutta selkeyttä olisi voinut parantaa tummentamalla ilmiön arvoluokkien värejä.

Ruutuaineiston hyvä puoli on se, että se ei vaadi valmiita alueita. Joitakin ilmiöitä kuvattaessa varsinaiset hallinnolliset tai muuten jaetut alueet ovat kuitenkin mielestäni parempia. Erityisesti yhteiskunnallisia ja väestöllisiä ilmiöitä voisi esittää esimerkiksi postinumeroalueittain tai kaupunginosittain. Mielestäni luettavuus hieman kärsii koska ruudut sotkevat hallinnollisten alueiden rajoja. Toisaalta joitain ilmiöitä kuvattaessa ruutuaineistot voivat olla hyviä, kun voidaan irrottautua valmiiksi tehdyistä aluerajauksista.

Ruututeemakartalla, kuten myös muilla teemakartoilla, on helppo esittää virheellistä tietoa, joko tarkoituksella tai tahattomasti. Ruutujen kokoa ja paikkaa muuttelemalla kartasta saa tehtyä hyvinkin erilaisen. Jokin harvemmin asutun alueen kohdalle sattuva ruutu saattaa esimerkiksi rajata mukaansa esimerkiksi vain yksittäisen talon asutuskeskittymän reunalta, jolloin todellisuus usein vääristyy.

Lopuksi

Jos edellinen tunti oli traumaattinen niin tämä vasta olikin. Lopputunnista sekä allekirjoittaneella että koneella alkoi olla voimat vähissä ja molemmat meinasivat hyytyä. QGIS kaatui tuttuun tapaan usean kerran muiden ongelmien ohella ja tallentamiset eivät aina onnistuneet. Ilmeistesti tallentaminen QGIS:ssä aiheuttaa myös muissa opiskelijoissa ahdistusta. Esimerkiksi Kerttu Mäcklin kirjoittaa bloginsa ”GIS ja Kerttu” julkaisussa ”Viikko 4 – ruutuja ja rastereita” kokevansa suurta ahdistusta tallentamisesta QGIS:ssä. Jään itsekin odottamaan onnistuiko kesken jääneen korkeuskäyrätehtävän tallennus vai pitääkö minun tehdä se kokonaan uudelleen…

Ps. Tällä kertaa blogin kirjoittaminen oli suhteellisen sujuvaa. olin kirjoittanut tunnin aikana asioita ylös, mikä helpottaa itse blogin kirjoittamista, kun tärkeimmät tunnin aikana tapahtuneet asiat ovat ylhäällä. Toinen hyvä puoli muistiinpanoja tehdessä on se, että siinä saa jo ison osan tekstistä kirjoitettua.

Lähteet:

Mäcklin Kerttu, 2022,  Viikko 4 – ruutuja ja rastereita, GIS ja Kerttu, luettu 15.2.2022, saatavilla: https://blogs.helsinki.fi/kmacklin/

QGIS ja ulkoiset tietokannat

Kolmannella viikolla harjoittelimme tietokantojen tuomista QGIS:iin muista ohjelmista. Tällä kertaa Excel-muotoista aineistoa Lisäksi teimme kyselyitä aineistoille ja yhdistelimme aineistossa olevia karttakohteita. Saimme myös ensimmäisen harjoituksen joka piti tehdä itse niin ettei vaiheita näytetty samalla.

Afrikkan konfliktit ja luonnonvaroja

Tunnin aikana teimme kartan Afrikan konflikteista timanttikaivoksista ja öljykentistä (kuva 1)
Tehtävä tuntui suhteellisen yksinkertaiselta ja kartan visualisoiminen oli kerrankin helppoa.

Analysoimme tunnin aikana aineiston attribuuttitaulua. Sen mukaan erityisesti Angola nousee esiin kaikilla kolmella muuttujalla. Afrikan poliittinen tilanne on ollut vuosikymmeniä epävakaa ja yksi konfliktien aiheuttaja ovat luonnonvarat. Kartan perusteella konfliktit keskittyvät erityisesti Saharan eteläpuolelle sekä pohjoisimpaan Afrikkaan. Eniten öljykenttiä puolestaan on Pohjois-Afrikassa sekä Guineanlahdella. Eniten timanttikaivoksia puolestaan on eteläisessä Afrikassa.


Kuva 1: Konfliktit, timanttikaivokset ja öljykentät Afrikassa

Valuma-alueet ja tulvaindeksi Suomessa

Itsenäisenä harjoituksena piti tuottaa kartta valuma-alueista sekä tulvaindeksistä. Tehtävä oli mielestäni haastava, koska se oli lopulta aika erilainen kuin tunnilla tehty harjoitus. Minulla kului tehtävän tekemiseen monta tuntia ja useita yrityksiä. Pohdimme tehtävää yhdessä muiden opiskelijoiden kanssa, minkä ansiosta sain kartan ylipäätään tehtyä.

Vaikeinta kartan tekemisessä oli sen visualisointi. Kartalla on niin paljon informaatiota, että siitä oli hyvin hankala saada selkeä ja hyvän näköinen. Hankalinta oli sopivien värien valinta sekä järvisyyttä kuvaavien pylväiden muotoilu. Tein kartan monta kertaa uudestaan, koska vaikka se näytti hyvältä QGIS:n työskentelytilassa, tulostusnäkymässä kartta oli yhtäkkiä todella epäselvä. Tiedostin myös sen, että kuvana ja varsinkin blogissa julkaistuna kartta tulisi olemaan pieni ja huonolaatuinen. Lisäksi QGIS päätti ilahduttaa minua kaatumalla muutaman kerran juuri silloin, kun en hetkeen ollut tallentanut :).

Sain kuitenkin lopulta visualisoitua kartasta mielestäni aika hyvän ja selkeän. Huomasin, että tässä tapauksessa kartta näytti paremmalta, kun taustasta teki tumman ja valuma-alueiden väreistä vaaleammat. Vaalealla taustalla kartta ei ollut tarpeeksi selkeä. Pylväitä piti myös korjailla useaan otteeseen, eivätkä ne edelleenkään ole mielestäni riittävän selkeästi, mutta varsinkin etelärannikolla pylväitä on niin tiheässä, että päällekkäisyys on väistämätöntä

Kartalla on kuvattuna tulvaindeksi valuma-alueittain sekä valuma-alueen tulvaindeksi. Kartalta voi yleistää, että tulvaherkimmät alueet sijaitsevat rannikoilla. Meren läheisyys vaikuttaa tulvimiseen, koska meri saattaa tulvia. Nämä alueet ovat myös tasaisia ja alavia, minkä vuoksi tulvia muodostuu herkemmin, kuin topografialtaan vaihtelevimmilla alueilla. Nämä alueet ovat myös jokien alajuoksuja, jotka tulvivat todennäköisemmin kuin yläjuoksut.

Eniten järviä on Itä- ja Keski-Suomessa. Järvisyys jakautuu myös niin että järviä on keskimäärin enemmän siellä missä tulvaindeksi on pienempi. Eeva Raki kirjoittaa bloginsa ”Geoinformatiikkaa oppimassa” julkaisussa ”Kurssikerta 3: Paineen alla” että järvisyys vähentää tulvimista, koska järvet säilövät paljon vettä. Tällöin vesi pysyy järvissä, eivätkä järvet tulvi yhtä herkästi kuin jatkuvasti muokkaantuvat joet.

Kuva 2: Valuma-alueen järvisyys (%) ja tulvaindeksi Suomessa ja lähialueilla.

Lopuksi

Tämän tunnin karttatehtävät olivat mielestäni jo aika haastavia. Varsinkin itsenäinen harjoitus vaati useita tunteja ja teekupillisia ja se aiheutti sekä fyysistä että henkistä kärsimystä. Haasteet kuitenkin opettavat ja voin sanoa oppineeni paljon uutta tunnin aikana ja sen jälkeen itsenäisen harjoituksen parissa.

Lähteet:

Raki Eeva, 2022, Kurssikerta 3: Paineen alla, Geoinformatiikkaa oppimassa, luettu 8.2.2022, saatavilla: https://blogs.helsinki.fi/eevaraki/

QGIS ja projektiot

Toisella viikolla jatkoimme QGIS ohjelmaan tutustumista sekä tutustuimme erilaisiin datan lähteisiin ja datatyyppeihin, joita voi hyödyntää paikkatieto-ohjelmissa.

Data

Oikeastaan kaikki datan lähteistä ja datatyypeistä oli minulle uutta tietoa. Paikkatietoaineistoja voi ladata netistä pakattujen tiedostojen muodossa. Netistä löytyy paljon ilmaista dataa, jonka laatu on usein todella hyvää.

Paikkatietoaineistojen jakelussa käytetään myös ns. rajapintoja, joista voi käyttää dataa sekä suoraan lataamatta sitä ensin koneelle että lataamalla aineiston. Rajapinnoista löytyy erilaisia datatyyppejä, joista pitää valita omaan käyttöön sopiva.

Suomessa paikkatietoaineistoja tuottavat monet julkiset ja yksityiset tahot. Ilmaista dataa tuottavat esimerkiksi Helsingin, Espoon ja Vantaan kaupungit, Tilastokeskus, Maanmittauslaitos, SYKE ja Ilmatieteenlaitos.

Projektiot

Karttaprojektioita tarvitaan, jotta maapallo voitaisiin esittää kartalla tasossa. Erilaisia projektioita on paljon, joista jotkut sopivat koko maapallon tarkasteluun ja jotkut pienemmän alueen tarkasteluun. Karttaprojektioita voi valita myös käyttötarkoituksen mukaan. Esimerkiksi Mercatorin projektio sopii oikeakulmaisuutensa ansiosta navigointiin ja sitä käytetäänkin yleisesti merikartoissa. Suomessa käytetään koko maan kuvaamiseen poikittaista Mercatorin projektiota, jolla saadaan mahdollisimman totuudenmukainen kuva Suomesta. Muita projektioita käytettäessä esimerkiksi välimatkojen virheet ovat usein hyvin isoja.

Vertasin taulukossa (taulukko 1) tiettyä pituutta ja pinta-alaa maastossa eri karttaprojektioilla. Erot ovat aika pieniä, koska valitsin niin lyhyen mitan maastosta (kuva 1). Pidemmillä mitoilla erot olisivat ehkä tulleet selvemmin esille.

Taulukko 1: Pituuksia ja pinta-aloja eri projektioissa

  ETRS89 / TM35FIN (E,N) World_

Robinson

World_

Mercator

World_

Patterson

pituus 15726,205 m 15938,095 m 15826,282 15826,282
pinta-ala 202339539,389 m² 202339539,359 m² 202339539,370 m² 202339539,376 m²

Taulukon perusteella Robinsonin projektiolla saatavat arvot eroavat eniten TM35FIN-projektion arvoista, joiden voidaan olettaa olevan lähimpänä totuutta. Mercatorin ja Pattersonin projektioissa pituuksien ja pinta-alojen arvot eivät eroa toisistaan, mikä on kiinnostavaa.

Jotta pituuksien erot näkyisivät selkeämmin, tehtävänä oli tehdä kolme karttaa, jotka vertailisivat alueiden pinta-alaa eri projektioissa. Tarkoituksena oli verrata haluamiaan projektioita Suomessa käytettävään TM35-projektioon. Kuvissa 1, 2 ja 3 tarkastelussa ovat Mercatorin projektio, Robinsonin projektio ja Winkel Tripel -projektio. Kaikkien projektioiden kanssa toistuva ilmiö olli se, että pinta-alat vääristyvät eniten pohjoisessa ja vääristymä vähenee etelään. Salla Kärkkäinen kirjoittaa blogitekstissään ”Kuntien availukuja ja gissiä” kokeilleensa kartan tekoa useilla eri projektioilla ja kaikissa pinta-alojen suhde erosi eniten pohjoisessa. Hänen mukaansa se voisi johtua siitä, että Suomi on pitkä maa etelä-pohjoissuunnassa. Lisäksi tämä voisi johtua siitä useissa koko maapalloa kuvaavat projektiot keskittyvät päiväntasaajalle, jolloin virhe kasvaa napoja kohti.

Näistä kolmesta Mercatorin projektiolla kuvatut pinta-alat eroavat eniten TM35-projektiosta. Arvot vaihtelevat jopa noin 4–8,3 välillä, minkä vuoksi Mercatorin projektio ei ole hyvä valinta, jos tarvitaan oikeat pinta-alat oikeassa suhteessa. Suuret erot projektioiden välillä eivät ole yllätys, koska Mercatorin projektio vääristää voimakkaasti erityisesti lähellä napoja sijaitsevia pohjoiseteläsuunnassa pitkiä alueita, jollainen Suomi on.

Pienimmät erot pinta-aloissa on TM35-projektion ja Robinson projektion välillä. Arvot vaihtelevat noin 1,19 ja 1,42 välillä. Vaikka näiden kahden projektion välillä saadaankin pienimmät erot pinta-aloja mitattaessa, erot ovat todellisuudessa suuria.

Kuva 1: TM35-projektion pinta-alan suhde Mercatorin projektion pinta-alaan.

Kuva 2: TM35-projektion pinta-alan suhde Winkel Tripel projektion pinta-alaan.Kuva 3: TM35-projektion pinta-alan suhde
Robinson projektion pinta-alaan.

Lopuksi

Minulla oli karttojen tekemisessä aluksi hieman hankaluuksia, mutta lopulta sain mielestäni tehtyä niistä hyviä. Kartoilta näkyy selkeästi mistä on kyse ja ne näyttävät hyvältä. Lisäksi kolmannen kartan jälkeen käytetyt komennot olivat tulleet tutuiksi ja ymmärsin mitä tein, mikä on tietysti tavoite jokaisella kerralla.  QGIS tuntuu taas hieman selkeämmältä kuin edellisellä kerralla!

Lähteet:

Salla Kärkkäinen, 2022, Kuntien avainlukuja ja gissiä, Sallan kurssiblogi, luettu 1.2.2022, https://blogs.helsinki.fi/karkkais/2022/01/26/viikko-2-kuntien-avainlukuja-ja-gissia/