Viikko 7. Viimeinen viikko

27.2.2019

Pendelöintiä

Viimeisellä kerralla pääsimme tuottamaan karttoja itse valitsemistamme aiheista. Kohteena voisi olla mikä tahansa alue tai muuttuja jos siitä vain löytyisi käyttöön sopivaa dataa. Itse en kuitenkaan lähtenyt maailman matkalle vaan pysyin kotoisessa Suomessa ja tarkastelin kartoissani eri koulutustaustaisten pendelöintiä eli työssäkäyntiä oman asuinalueen ulkopuolella. Tämän lisäksi tarkastelin kuntien työpaikkojen määriä suhteessa kunnan työllisten määrään ja kuntien työttömyysprosentteja.

Alla olevissa kartoissa olen laskenut kuinka monta prosenttia kunnan työllisistä pendelöi. Valitsin vertailuun toisen asteen/erikoisammattitutkinnon suorittaneet ja korkeasti koulutetut (ylempi + alempi korkeakoulututkinto). Lisäksi valitsin tarkasteluun kunnan työpaikkojen määrän, sillä halusin nähdä tehdäänkö kunnasta enemmän työmatkoja muualle, jos kunnan työpaikkojen lukumäärä suhteessa työlliseen työvoimaan on alhaisempi.

Törmäsin karttoja tehdessäni samaan ongelmaan kuin Juho Kauppi, eli joidenkin aineistojen lukuarvot muuttivat tiedostomuotoaan lukuarvoista tekstimuotoisiksi kun toin ne QGIS-ohjelmaan. En saanut tätä ongelmaa ratkaistua, mutta onnistuin kuitenkin kiertämään tämän ongelman käyttämällä toista aineistoa karttani tekoon. Silti olisi hyvä tietää mistä ongelma johtui ja miten sen saisi korjattua.

Ongelmia aiheutti taas suomen kieli, joka ä- ja ö-kirjaimillaan tuppaa sotkemaan attribuuttitauluja. Tämä ei kuitenkaan ollut ensimmäinen kerta kun painin saman ongelman kanssa (ensimmäinen kurssikerta, muistelen sinua) ja olin jo paremmin selvillä mitä asialle pitäisi tehdä.

Karttojen tekemisen kanssa ajauduin ongelmasta toiseen, lähinnä .csv-tiedostomuotoisten aineistojen tuomisessa QGIS:iin, mutta ilokseni huomasin, että pystyin selviytymään niistä kaikesta huolimatta. On tietenkin paljon asioita joita en vielä hallitse, mutta edistystä QGIS-ohjelman käytössä on selvästi tapahtunut. Asioita on siis tullut opittua ja omatoimisesta kokeilemisesta ja ongelmanratkaisusta on ollut hyötyä.

 

Kuva 1. Toisen asteen/erikoisammattitutkinnon suorittaneiden pendelöinti 2016 (Lähde: Tilastokeskus)
Kuva 2. Korkeasti koulutettujen pendelöinti 2016 (Lähde: Tilastokeskus)

“Pendelöinnillä eli sukkuloinnilla tarkoitetaan työssäkäyntiä oman asuinalueen ulkopuolella.” (Tilastokeskus).  Halusin vertailla  toisen asteen/ erikoisammattitutkinnon sekä korkeasti koulutettujen pendelöinnin eroja/yhtäläisyyksiä. Karttoja vertailemalla vaikuttaisi siltä, että  toisen asteen/erikoisammattitutkinnon omaavat henkilöt pendelöivät enemmän kuin korkeasti koulutetut (vrt. Kuva 1. ja 2.). Toisen asteen tutkinnon suorittaneet pendelöivät laajemmilta alueilta isoihin kaupunkeihin ja kuntiin töihin.  Pienissä kunnissa näyttäisi myös olevan enemmän ammattitutkinnon suorittaneita, jotka käyvät kunnan ulkopuolella töissä. Korkeasti koulutetut sijoittuvat enemmän isojen keskusten lähelle, missä on myös korkeasti koulutetuille tarjolla enemmän töitä.

Pendelöinnin määrien eroja voi myös selittää toisen asteen koulutuksen suuremmilla määrillä (Kuva 3.) Korkeasti koulutettuja on suhteessa toisen asteen koulutukseen vähemmän, jolloin pendelöintiäkin on suhteessa kunnan työvoiman määrään vähemmän.

Kuva 3. Väestön koulutusrakenne 1987-2017 (Lähde:Tilastokeskus) klikkaa kuvaa suuremmaksi
Kuva 4. Työmatkojen keskimääräiset pituudet 1990-2015 (Lähde: Tilastokeskus) klikkaa kuvaa suuremmaksi

Ihmisten keskimääräiset työmatkat ovat olleet kasvussa 1990-luvulta lähtien (Kuva 4.). Työmatkojen keskimääräiset pituudet ovat kasvaneet vuoden 1990 reilun yhdeksän kilometrin työmatkasta 14 kilometrin työmatkoihin vuonna 2015.  Työmatkojen kilometrimääräinen kasvu on huono trendi ilmaston kannalta. Useimmissa tapauksissa pitkät työmatkat kuljetaan henkilöautolla. Joukkoliikenteen kannattavuus muualla kuin pääkaupunkiseuduilla ja suurimmissa kaupungeissa aiheuttaa ongelmia. Haja-asutusalueilla joukkoliikenteen käyttö ei ole yhtä kannattavaa kuin kaupungeissa.

Kaupungistumisen, taajamien tiivistymisen ja täydennysrakentamisen myötä autoriippuvaista liikkumista on mahdollista vähentää. Hajautuneet kaupunkirakenteet voivat kuitenkin osaltaan myös lisätä autoilun määrää. Matkat palveluiden äärelle ja töihin ovat pidentyneet ja täten lisänneet autoriippuvaisuutta. Antti Rehunen Suomen ympäristökeskus SYKE:stä kertoo kaupunkien rakenteen hajautumisesta seuraavasti: “…keskustat ovat menettäneet suhteellista merkitystään, kun työpaikat ja palvelut sijoittuvat yhä enemmän keskustojen ulkopuolelle.” “– Erityisesti vähittäiskaupan uudet työpaikat ovat syntyneet suurimmalta osin keskustojen ulkopuolisille niin kutsutuille kaupan alueille. Niihin kuljetaan keskimääräistä kauempaa ja usein autolla.”

Kaupungistuminen voi siis olla autoilun vähentämisen kannalta positiivinen asia, mutta vain jos kaupunkisuunnittelussa keskitytään autottoman elämäntavan tukemiseen, eikä amerikkalaisen autoilukulttuurin luomiseen, jossa auto käytännössä ainoa kulkuväline palveluiden luokse pääsemiseen. Työmatkojen osuus autoilusta on huomattava ja kestäviä vaihtoehtoja pendelöinnin aiheuttamiin ilmastokuormituksiin on hyvä kehittää.

Työpaikkaomavaraisuus

Kuva 5. Kuntien työpaikkaomavairaisuusindeksi vuonna 2016 (Lähde: Tilastokeskus)
Kuva 6. Työttömyysprosentti kunnittain vuonna 2017 (Lähde: Tilastokeskus)

“Työpaikkaomavaraisuus kertoo kunnassa sijaitsevien työpaikkojen ja kunnassa asuvan työllisen työvoiman määrän välisen suhteen. Työpaikkaomavaraisuusindeksi ilmaisee yhdellä luvulla sen, onko alueella enemmän työpaikkoja vai työllisiä asukkaita ja kuinka suuresta erosta on kyse.  Perinteinen työpaikkaomavaraisuus voi olla yli sata prosenttia, vaikka kukaan alueella asuvasta työllisestä työvoimasta ei kävisi samalla alueella töissä” (Tilastokeskus).

Työpaikkaomavaraisuus lasketaan jakamalla kunnan työpaikkojen lukumäärä alueella asuvien työllisen työvoiman määrällä.

Kartassa erityisesti pienillä kunnilla on matala työpaikkaomavaraisuusindeksi, sillä näistä kunnista pendelöidään usein lähimpiin kaupunkeihin töihin. (Kuva 5.) Korkean työpaikkaomavaraisuusindeksin omaavat alueet ovat todennäköisesti alueita, joille ihmiset hakeutuvat töihin. Tällaisia ovat mm. pääkaupunkiseutu ja muut isot kaupungit.

Työpaikkaomavaraisuus ei suoraan kerro kunnan työllisyys- tai taloustilanteesta (Tilastokeskus). Kuvia 5. ja 6. vertailemalla tämän asian voi todeta, sillä ainakaan omasta mielestäni karttojen välillä ei näytä olevan selkeitä yhteyksiä. Esimerkiksi Itä-Suomen Lieksan ja Ilomantsin kuntien työpaikkaomavaraisuusindeksi on korkea, minkä perusteella voisi helposti olettaa kuntien työllisyystilanteen olevan hyvä.  Itä-Suomen työttömyysprosentit ovat kuitenkin korkeita verrattuna muuhun Suomeen, vaikka työpaikkoja suhteessa työvoimaan on paljon (vrt. Kuva 5. ja 6.).

Lopuksi

Geoinformatiikan menetelmät I -kurssi on ollut mielestäni kokonaisuudessaan hyvin mielenkiintoinen ja kiva kurssi. Haastetta kurssissa riitti sopivasti ja kurssikerrasta toiseen vaihtuvat tehtävät ja teemat pitivät mielenkiintoa yllä koko kurssin ajan. Blogin kirjoittamistakin aluksi vieroksuin, mutta tämäkin on ollut yllättävän hauskaa ja antoisaa. Kiitos kaikille kanssaopiskelijoille, jotka auttoitte kiperissä tilanteissa ja olitte ajoittain henkisenä tukena. Kiitos myös Artulle hyvästä opetuksesta.

Toivottavasti nähdään tulevilla GIS-kursseilla!

Kia

Lähteet:
  • Juho Kauppi. Lajinsa Viimeinen.  https://blogs.helsinki.fi/juhokaup/2019/03/02/lajinsa-viimeinen/
  • SYKE. Taajamat ovat tiivistyneet mutta arkimatkojen autoriippuvuus kasvaa. https://www.syke.fi/fi-FI/Ajankohtaista/Taajamat_ovat_tiivistyneet_mutta_arkimat(47130)
  • Tilastokeskus, Findikaattori (koulutusrakenne) https://findikaattori.fi/fi/9 (koulutusrakenne)
  • Tilastokeskus, Findikaattori (työmatkat) https://findikaattori.fi/fi/70#_ga=2.236316481.1344286932.1552650602-1011002538.1550768942
  • Tilastokeskus, Kuntien avainluvut. https://pxnet2.stat.fi/PXWeb/pxweb/fi/Kuntien_avainluvut/?rxid=444223df-f91c-4479-891f-5dcd50b983d2
  • Tilastokeskus, StatFin-tietokanta. http://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/?rxid=c13d3f62-7152-4fec-a122-89eb6d5ba6b2
  • Tilastokeskus. https://www.stat.fi/meta/kas/pendelointi.html
  • Tilastokeskus. Työpaikkaomavaraisuus kuntien avainlukuna. https://www.stat.fi/artikkelit/2014/art_2014-05-26_003.html?s=0

Viikko 6. Hasardit

18.2.2019

Tämän kurssikerran aikana tutustuimme paikkatiedon keräämiseen Epicollect5-sovelluksen avulla. Puhelimeen ladattavan sovelluksen avulla voidaan kerätä paikkatietoa eri kohteista. Pääsimme kurssikerran aluksi ulkoilemaan ja keräämään aineistoa Kumpulan lähiympäristöstä. Aineiston keräämisen jälkeen kurssilaisten keräämä aineisto tuotiin QGIS ohjelmaan, jossa sitä on mahdollista tarkastella lähemmin.

Tämän kurssikerran aikana tutustuimme myös interpolointiin, joka käsitteenä on jäänyt minulle hieman hämäräksi. Interpoloimalla voidaan kuitenkin luoda pistemuotoisesta aineistosta karttaesitys.

Maanjäristykset

Kurssikerran itsenäisenä tehtävänä oli tällä kertaa tuottaa hasardeista ja niiden alueellisesta esiintymisestä karttoja, joita voitaisiin mahdollisesti käyttää opetuskäytössä. Tässä harjoituksessa tuli opeteltua aineiston tuomista QGIS-ohjelmaan. Usein aineisto ei ole valmiiksi sopivassa muodossa, jolloin sitä pitää muokata ennen ohjelmaan tuomista. Excelin käyttö ei ole allekirjoittaneella ihan vielä niin hyvin hallussa, joten näitä asioita on hyvä kerrata uudelleen ja uudellleen. Excelissä hyödyllisiksi toiminnoiksi osoittautuivat korvaa-toiminto, jolla voidaan korvata esimerkiksi pisteet pilkuilla. Toinen hyödyllinen toiminto oli tekstin sijoittaminen sarakkeisiin, jonka avulla sekavaltakin vaikuttava aineisto saadaan asettumaan siististi sarakkeisiin.

Alle olen liittänyt kolme tekemääni karttaa. Kuvan 1. kartta kuvaa tulivuorien purkauksia eri vuosisadoilla. Kaksi seuraavaa karttaa sen sijaan kuvaavat maanjäristyksiä. Kuvassa 2. on kuvattu eri magnitudien maanjäristyksiä vuosina 2015-2018. Viimeisessä, kuvan 3. kartassa, on kuvattu maanjäristysten aiheuttamia vaikutuksia USGS:n PAGER-luokittelun avulla.  (Voit klikata kuvia suuremmaksi)

Kuva 1. Tulivuorten purkaukset eri vuosisadoilla (Lähde: NOAA)
Kuva 2. Maanjäristysten magnitudit 2015-2019 (Lähde: USGS)
Kuva 3. Maanjäristysten vaikutukset PAGER-luokittelu (Lähde: USGS)

Lopuksi tein vielä digitaalisen kartan Google Mapsin avulla, koska opetusmateriaalit ovat siirtyneet suurilta osin digitaaliseen muotoon ja nykyiset opetusmateriaalit vastaavat ehkä enemmän tämän tyylisiä karttoja.

Linkki digitaaliseen maanjäristyskarttaan: Maanjäristykset 2015-2019 

Lopputulos

Näiden karttojen tekemisessä ongelmalliseksi koin pistemuotoisten kohteiden päällekkäisyyden. Jos kartalla on paljon kohteita ja ne menevät päällekkäin, kartasta tulee helposti sekava ja osa pisteistä voi jäädä piiloon. Yritin valita suhteellisen lyhyen aikavälin maanjäristyskarttoihin, jotta välttyisin näiltä ongelmilta, mutta silti kartoissa on mielestäni hiukan liikaa tavaraa. Näistä kartoista ei saa kovin yksityiskohtaista tai monipuolista tietoa tulivuorista, eikä maanjäristyksistä. Kartat voisivat sopia lukion maantieteen opetukseen. PAGER-karttaa (Kuva 3.) voisi käyttää lukiossa, jossa pyritään jo enemmän soveltavaan tietoon ja ilmiöiden ymmärtämiseen. Tämän kartan avulla opiskelijoita voisi johdattaa tutkimaan millaiset alueelliset tekijät voivat vaikuttaa maanjäristysten vaikutuksiin.

Lisäsin maanjäristyskarttoihin (Kuvat 2. ja 3.) mannerlaattojen saumoja kuvaavat rajat, jolloin maanjäristysten ja mannerlaattojen reunojen välistä yhteyttä voidaan tarkastella, kuten esimerkiksi tässä kartassa on myös tehty. Tulivuorten purkauksia eri vuosisadoilla kuvaavan kartan (Kuva 1.) avulla voitaisiin myös pohtia miten tulivuorten aktiivisuutta ja purkautumista on voitu seurata eri vuosisadoilla ja miten tekniikan kehittyminen on vaikuttanut havaintojen määrään. Kuten Emilia Ihalainen ja moni muukin on omassa blogissaan kirjoittanut mystisestä Ruotsin tulivuoresta, joka onkin oikeasti Islannin tulivuori. Ehkä koordinaateissa on tapahtunut jotain heittoa ja tämä voi olla lopputulos. Tämä oli siis hyvä muistutus siitä, että valmiit kartat on hyvä tarkastaa virheiden varalta.

Liitin oheen kaksi taulukkoa, jotka voisivat mielestäni tukea yllä olevien karttojen käyttöä opetuksessa. Taulukkoa 1. voidaan hyödyntää Kuvan 2. kartan kanssa ja tarkastella maanjäristysten esiintymistiheyden ja keskimääräisen esiitymistiheyden suhteita.

Taulukko 1. Maanjäristysten keskimääräiset esiintymistiheydet (Lähde: Helsingin yliopisto)

Taulukko 2. antaa lisätietoa maanjäristysten PAGER-vaikutusluokista. Pager-luokittelu ottaa huomioon mm. maanjäristyksen aiheuttamat kuolemat ja aineelliset vahingot. Taulukon avulla voidaan tarkastella alueita ja miettiä ovatko maanjäristysalueen aineelliset vahingot vai henkilövahingot mahdollisesti vaikuttaneet sille annettuun luokitukseen.

Taulukko 2. PAGER-maanjäristysten vaikutusluokat (Lähde: USGS)

Lähteet:
  • Emilia Ihalainen. Viikko 6-Hasardit. https://blogs.helsinki.fi/ihem/2019/02/24/viikko-6-hasardit/
  • Helsingin yliopisto, Seismologian laitos. Tietoa maanjäristyksistä. http://www.seismo.helsinki.fi/fi/maanjtietoa/perustietoa/magnitudi.html
  • Mannerlaattojen rajat. https://www.sciencebase.gov/catalog/item/4f4e4a48e4b07f02db62303e
  • NOAA, Tulivuoritietokanta. https://www.ngdc.noaa.gov/nndc/struts/form?t=102557&s=5&d=5
  • USGS, Maanjäristystietokanta.  https://earthquake.usgs.gov/earthquakes/search/
  • USGS, PAGER-luokitus. https://earthquake.usgs.gov/data/pager/background.php

Viikko 5. Sen kun uidaan

13.2.2019

Pääkaupunkiseudun uima-altaiden määrät alueittain

Tämän viikkoisen kurssikerran teemana oli harjoitella soveltamaan edellisillä kerroilla opittuja asioita erilaisten tehtävien kautta. Eri kurssikerroilla opittuja asioita täytyi näitä tehtäviä tehdessä yhdistellä. Näissä tehtävissä todellakin pääsi ongelmanratkaisun makuun, sillä ainakaan minulle nämä tehtävät eivät olleet helppoja.

Valitsin itsenäistehtäväksi pääkaupunkiseudun uima-altaiden määrien laskemisen ja esittämisen kartalla. Rehellisesti sanottuna valitsin tämän tehtävän, koska kuulin sen olevan helpoin valittavissa olevista tehtävistä. Tämä siksi, että tunnilla harjoittelemamme tehtävätkin olivat mielestäni haastavia ja minulla oli myös tämän “helpoimman” tehtävän kanssa ongelmia.

Tehtävä oli aika yksinkertainen. Pääkaupunkiseudun alueelta tuli selvittää uima-altaiden ja saunojen lukumääriä. Näiden laskemisessa tuli soveltaa erilaisten valintatyökalujen käyttöä, kuten spatial query ja select features by value. Tehtävän aluksi huomasin “haamupisteet” keskellä merta, joista oli puhetta viime viikolla (kurssikerta 4.) Valitsin siis ensi töiksi alueen sisälle jäävät pisteet spatial query-työkalun avulla, joka oli tullut tutuksi useaan kertaan. Valintatyökalujen valitsemisessa meni jonkin aikaa, mutta ymmärsin lopulta käyttää select features by value-toimintoa uima-altaita sisältävien pisteiden valitsemiseen.

Seuraavaksi piti laskea kuinka monta uima-allasta on eri pääkaupunkiseudun alueilla. Näin jälkikäteen tuntuu ihan selkeältä, että koska halutaan laskea pisteiden lukumäärää alueilla (polygoneissa) käytetään count points in polygon-toimintoa. Tämän tajuamiseen/muistamiseen meni kuitenkin vähän aikaa, mutta kertaamalla kurssikerta 3. asioita päädyin oikeille jäljille. Luulin olevani loppusuoralla ja tehtävän ratkeavan suhteellisen kivuttomasti, kunnes törmäsin suurimpaan esteeseen. QGIS herjasi erroria kun yritin laskea pisteitä polygoneissa.  Parin (tai kymmenen) työtunnin jälkeen löysin ratkaisun ongelmaan (tallenna kaikki aineistot .tab-tiedostomuotoon) ja sain aikaan alla olevat kartat.

Tehtävänannon mukaisesta kartasta tuli mielestäni sekava ja huono. (Kuva 1.) Kartasta on vaikea saada mitään käsitystä uima-altaiden lukumäärästä pääkaupunkideudulla. Histogrammien ja lukuarvojen mahduttaminen samaan polygoniin järkevällä tavalla tuntui melkein mahdottomalta. Päädyin kuitenkin tekemään, Ilona Tuovisen blogia luettuani, kaksi vaihtoehtoista visualisointia kartasta, jotka ovat mielestäni selkeämmät ja tuovat aiheen paremmin esille. (Kuvat 2. ja 3.)

Taulukko 1. Uima-altaat pääkaupunkiseudulla

Taulukko 2. Saunat pääkaupunkiseudulla

Kuva 1. Pääkaupunkiseudun uima-altaiden lukumäärä (tehtävänannon mukainen visualisointi)
Kuva 2. Pääkaupunkiseudun uima-altaiden lukumäärä (oma visualisointi)
Kuva 3. Pääkaupunkiseudun uima-altaiden lukumäärä (oma visualisointi)

Tämä kurssikerta oli tähänastisista haastavin. Näiden tehtävien tekemiseen kului kaksi viikkoa yhden sijaan. Aluksi tuntui ettei mistään tule mitään, mutta pikkuhiljaa asiat selkiytyivät ja muiden avulla pääsin eteenpäin. Tällä kerralla todellakin mitattiin omaa osaamista ja on pakko sanoa, että jotkin asiat kaipaavat vielä harjoitusta. Kuitenkin osa toiminnoista alkaa jo sujumaan rutiinilla ja oma osaaminen on lisääntynyt.

Joidenkin työkalujen käyttö on kuitenkin tullut jo hyvin tutuksi. Yllä mainitun spatial query-työkalun käyttö tuntuu jo varmalta ja sujuvalta. Valintatyökalujakin osaan käyttää kohtalaisesti, joskaan en ihan ymärrä select features by value ja select features by expression-työkalujen välistä eroa. Aluksi harmaita hiuksia aiheuttanut join attributes by location-toiminto on myös sujuvoitunut ja tuntuu selkeämmältä ymmärtää monien harjoituskertojen jälkeen.

Kohteiden piirtäminen kartalle on helppoa ja tuttua. Bufferit tulivat tällä kertaa tutuiksi ja ovat mielestäni helppoja käyttää.

Lisäharjoitusta kaipaisin .csv-tiedostojen muokkaamisessa ja tuomisessa QGIS:ohjelmaan. Joskus minulla on ollut vaikeuksia saada aineistoja tuotua ohjelmaan, koska en ole saanut attribuuttitauluja näkymään oikein. Toinen asia, joka ehdottomasti kaipaa harjoitusta on field calculatorin käyttö. Uskon että field calculatoria on mahdollista käyttää paljon monipuolisemmin jos vain tietää mitä on tekemässä. Usein minulla on ollut vaikeuksia suorittaa haluamaani laskutoimitusta, koska en ole tiennyt miten se pitäisi syöttää calculatoriin. Kaiken kaikkiaan arvioisin osaamiseni kohtalaiseksi.

Puskurivyöhykkeet

Vaikka ylläolevien karttojen tekoon ei tarvittukaan puskurivyöhykkeiden käyttöä, saimme harjoitella niiden käyttöä tämänviikkoisten itsenäistehtävien parissa. Puskurivyöhykkeitä voidaan muodostaa pisteen, viivan tai polygonin ympärille. Muodostuva puskurivyöhyke on muodoltaan polygoni. Tämän kurssikerran harjoituksissa laskimme mm. lentomelualueella asuvien asukkaiden määrää ja rakennuksien määrää tietyllä etäisyydellä valitusta kohteesta (ks. alla oleva linkki tehtävistä saatuihin vastauksiin).

Puskurivyöhykkeiden avulla voidaan laskea monenlaisien vaikutusalueiden suuruutta ja analysoida puskurivyöhykkeelle jääviä kohteita tarkemmin. Puskurivyöhykkeitä voidaan muodostaa joko niin, että ne ovat kaikilla kohteilla saman kokoisia (fixed distance buffer) tai niin, että puskurivyöhykkeen koko vaihtelee kohteittain (variable distance buffer).

Puskurivyöhykkellä voidaan laskea esimerkiksi paljonko pistemuotoista aineistoa jää puskurivyöhykkeen sisään (count points in polygon tai spatial query).

Puskurivyöhykkeitä voidaan muodostaa sisäkkäin, joita voidaan käyttää esimerkiksi eritasoisten riskivyöhykkeiden mallintamiseen.

Puskurivyöhykkeiden rajat voivat joko mennä päällekkäin tai ne voidaan asettaa yhdistymään, jos ne tulevat toisen puskurivyöhykkeen kanssa päällekkäin. (Kuva 4.)  Puskurivyöhykkeitä voidaankin käyttää overlay-analyyseissä.

Kuva 4. Päällekkäiset (vas.) ja yhdistetyt puskurivyöhykkeet (oik.)

 

 

 

 

 

 

Kurssikerta 5 itsenäistehtävien vastaukset

Kaiken kaikkiaan tämä kurssikerta ja sen jälkeiset viikot ovat laittaneet aivoni ja ongelmanratkaisukykyni koetukselle. Huomasin kuitenkin edistystä yrityksen ja erehdyksen kautta, sekä saamani vertaistuen avulla.

Lähteet
  • Ilona Tuovinen. Viikko 5- Kun mikään ei riitä.  https://blogs.helsinki.fi/tuoilona/2019/02/11/viikko-5/

Viikko 4. Ruutuja ja rastereita

6.2.2019

Huh! Tämän viikkoisessa kurssikerrassa riitti haastetta kerrakseen. Tällä viikolla tutustuimme ruutukarttojen tekemiseen ja tiedon esittämiseen ruutukartan avulla. Tämän lisäksi tutustuimme rasterimuotoiseen aineistoon ja pääsimme taas vanhan tutun karttakohteiden piirtämisen pariin.

Ruututeemakartta

Ensimmäinen osa kurssikerrasta käytettiin ruutukartan tekoon. Aineistona tällä kertaa oli pääkaupunkiseudun alueen väestön eri muuttujat. Tällä kertaa minusta tuntui että oli oikeasti vaikea pysyä kärryillä ja ymmärtää mitä oltiin tekemässä. Harjoittelinkin vielä useaan kertaan kotona ruututeemakartan tekoa.

Valitsin ruututeemakartan aiheeksi pääkaupunkiseudun muunkielisen väestön osuudet. Tein tästä aiheesta kaksi ruututeemakarttaa erisuuruisilla ruudukoilla. Ensimmäisen kartan ruudukko on suuruudeltaan 1 km x 1 km. (Kuva 1.) Toisessa kartassa muunkielisen väestön jakautuminen pääkaupunkiseudulla on esitetty 0.5 km x 0.5 km ruudukolla. (Kuva 2.) Oli vaikeaa päättää kumpi näistä kartoista on parempi sillä niissä molemmissa on omat hyvät puolensa. Kuvan 1. karttaa on mielestäni miellyttävämpi katsella ja ruudut erottuvat paremmin. Kartta antaa mielestäni hyvän yleiskuvan aiheesta. Kuvan 2. kartassa pienempi ruutukoko tuo esiin rannikon muodot paremmin ja tarjoaa yksityiskohtaisempaa tietoa muunkielisen väestön jakautumisesta.

Molemmista kartoista kuitenkin erottuu samat alueet, joihin muunkielinen väestö on painottunut. Ehkä tässä tapauksessa, se kumpaa karttaa käyttäisin, riippuisi siitä missä kartta olisi tarkoitus julkaista. Esimerkiksi sanomalehdessä julkaistavan teemakartan tulee olla selkeä, koska painotekniikka aiheuttaa rajoitteita yksityiskohdille. Tällöin kuvan 1. kartta olisi mielestäni parempi sillä siinä on vähemmän yksityiskohtia kuin kuvan 2. kartassa. Jos taas kyseessä olisi tarkkuutta vaativa analyysi ja kartta julkaistaisiin vain digitaalisessa muodossa, joka mahdollistaa paremman tarkkuuden, voisi kuvan 2. kartta olla parempi vaihtoehto.

Kartan aineisto on peräisin HSY:n SeutuCD-nimisestä paikkatietoaineistojen kokoelmasta. Kyseiseen karttaan (Kuva 1.) on käytetty SeutuCD’13 aineistoja. “SeutuCD on vuosittain ilmestyvä kattava paikkatietoaineistojen kokoelma, johon on koottu keskeisimmät pääkaupunkiseudun suunnittelua palvelevat rekisteri-, kartta- ja suunnitteluaineistot“(HSY). SeutuCD:n aineistoissa on hyvä huomata mahdolliset “haamupisteet”, joita tässäkin aineistossa oli. Ne voivat huomaamatta vääristää kartan arvoja. Rajasimme nämä haamupisteet kartan ruudukon ulkopuolelle.

Kartan tekemisessä hyödynnettiin Spatial Query -toimintoa, jonka avulla on mahdollista suorittaa kohteiden sijaintiin liittyviä kyselyitä. Tämän työkalun avulla ruuduista oli mahdollista valita vain ne ruudut, jotka sisälsivät haluamaamme tietoa. Tämän työkalun käyttö olikin verrattain yksinkertaista ja helppoa.

Edelliseltä kurssikerralta tuttua Join attributes by location -toimintoa päästiin käyttämään myös tällä kurssikerralla. Kieltämättä tämän toiminnon käyttäminen tuntuu vielä itsenäisesti epävarmalta. Tässä minun oli vaikea muistaa kumpaan sarakkeeseen liitettävän- ja liitoskohteen aineisto tulee sijoittaa.

Kuva 1. Pääkaupunkiseudun muunkielinen väestö. 1 km x 1 km ruudukko. Klikkaa kuvaa suuremmaksi
Kuva 2. Pääkaupunkiseudun muunkielinen väestö. 0.5 km x 0.5 km ruudukko. Klikkaa kuvaa suuremmaksi

 

Pääkaupunkiseudun muunkielinen väestö

Kartoista tuli mielestäni visuaalisesti ihan miellyttävän näköiset. Yritin tehdä kartoista mahdollisimman selkeät, kuten aina.

Karttaan voisi liittää kuntien nimet (Helsinki, Espoo, Vantaa ja Kauniainen). Katja Pulkkinen on tehnyt näin omassa kartassaan, mikä näyttää mielestäni hyvältä.

Kritiikkiä omassa kartassa voisi antaa muuttujan epäselvyydestä. Muunkieliset on joukkona suuri ja vaihteleva. Muunkieliset ryhmänä voi olla epäselvä useimmille. Lisäsin karttaan muunkielisten määritelmän, sillä muuten kartta jäisi mielestäni epäselväksi. “Muunkieliseksi henkilöksi katsotaan henkilö, jonka äidinkieli on jokin muu kuin suomi, ruotsi tai saame.” (Tilastokeskus)  Muunkielisistä voisi myös käyttää ilmaisua vieraskieliset, joka on ehkä helpommin ymmärrettävissä ilman selitystä. Lisäksi eri kielisten ihmisten jakautuminen pääkaupunkiseudun alueella voi vaihdella alueittain, jolloin eri kielisten väestöjen jakautumista voisi havainnollistaa erikseen. 

Tilastokeskuksen mukaan venäjä on yleisin vieras kieli, viro seuraavaksi yleisin kieli, jonka jälkeen tulevat arabian-, somalin- ja englanninkieli. Esimerkiksi englanninkielisten ja somalinkielisten sijoittuminen pääkaupunkiseudulla on varmasti erityyppistä. Näitä eroja kartasta ei kuitenkaan pysty tutkimaan.

Kartan perusteella muunkielisen väetön  jakautuminen on yllättävän tasaista pääkaupunkiseudun alueella. Odotin tulosten painottuvan enemmän itään, koilliseen ja pohjoiseen. Espoon luoteisosien vähäisen muunkielisten määrän selittää Nuuksion ja Luukin kansallispuistot, joiden alueella on muutenkin vähemmän asutusta. Samoin Vantaan pohjoisosissa Helsinki-Vantaan lentoaseman alue ja Seutulan ympäristö, jossa asutus on harvempaa. Myös Östersundomissa on vähän muunkielistä väestöä, ehkäpä juuri syrjäisen sijainnin takia.

Paljon muunkielistä väestöä löytyy Helsingin alueelta perinteisesti monikulttuurisesta Itä-Helsingistä; Vuosaaren, Kontulan ja Itäkeskuksen alueilta. Nämä alueet ovat kauempana Helsingin keskustasta ja ovat näin ollen hintatasoltaan alhaisempia. Kantakaupungin alueella nousee esiin mm. Kallio, Haaga ja Konala.  Vantaalla Tikkurila-Koivukylä-akselilla junayhteyksien varrella, sekä Myyrmäen alueella, myös junaradan varrella. Espoossa erottuvat Suvelan ja Suomenojan alueet, jotka ovat itselle tuntemattomia alueita. Ehkä länsimetron myötä muunkielisen väestön osuus tulee kasvamaan myös Espoossa.

Muunkielisen väestön ja tiestön välillä on mielestäni yhteys. (Kuvat 1. ja 2.) Eniten muunkielistä väestöä on pääkaupunkiseudun pääväylien ja junaratojen varrella. Suurin osa muunkielisistä sijoittuu Kehä III sisäpuolelle.

Ilona Tuovinen on tarkastellut blogissaan samaa aihetta. Tuovinen on kuvannut kahdella ruututeemakartalla vieraskielisen väestön jakautumista suhteessa koko väestön jakautumiseen pääkaupunkiseudun alueella. Tuovinen on tehnyt seuraavan, mielestäni mielenkiintoisen havainnon, tuottamistaan kartoista: “…voidaan kiinnostavasti havaita, että vieraskielisen väestön jakautuminen myötäilee melko hyvin koko väestön jakautumista pääkaupunkiseudulla. Näin ollen voitaisiin olettaa, että pääkaupunkiseudulla muunkielinen väestö sijoittuu sulavasti valtaväestön sekaan, eikä esimerkiksi jakaudu omille erillisille alueille.” 

Ruututeemakartalla pystytään havainnollistamaan muuttujien alueellista jakautumista. Ruututeemakartat perustuvat usein pistemuotoiseen aineistoon, jotka kuvaavat absoluuttisia arvoja. Ruutukartoilla voidaankin kuvata absoluuttisia arvoja toisin kuin koropleettikartoilla.  Kartoissa muuttujaa voidaan tarkastella eri ruutukoissa ( 250 m x 250 m, 500m x 500 m, 1 km x 1 km ja 10 km x 10 km ovat yleisimmät). Ruutukooksi voidaan määritellä itse halutun kokoinen aluejako.

Amanda Ojasalo on kirjoittanut blogissaan erinomaisesti ruututeemakarttojen heikkouksista: “Kartan perusteella tummimmat ruudut hämäävät, sillä ruutuaineisto ei kerro sitä, kuinka monta ihmistä ruudussa asuu. Attribuuttitaulukkoa tarkastelemalla eräässä tummassa ruudussa esimerkiksi ruotsinkielisten osuus oli 100%, sillä ruudussa asui vain kaksi ihmistä. Mitä suurempia ruudut ovat, sitä enemmän ne yleistävät, mutta pienet ruudut sen sijaan voivat tehdä suhteellisista prosenttiosuuksista hämäävän jyrkkiä. “

Rasteriaineistot

Kurssikerran toinen puolisko toikin mukanaan kokonaan uudenlaista asiaa, nimittäin rasteriaineistoista. Pääsimme Porkkalan alueen kimppuun ja harjoittelimme rastereiden yhdistämistä. Tutuksi tulivat myös rinnevarjostuksen ja korkeuskäyrien loihtiminen kartalle. Kurssikerran lopuksi pääsimme piirtämään Porkkalan kartalle teitä ja asuintaloja, joita tullaan käyttämään ensi kerralla.

Korkeuskäyrät

Kotitehtäväksi saimme harjoitella korkeusmallin luomista ja jota tuli verrata Maanmittauslaitoksen peruskarttalehden korkeusmalliin. Tehtävänä oli luoda korkeuskäyrät 5 m väleillä.

Latasin Paitulista Pornaisten peruskarttalehden (L4322L, Pornainen), joka on kuvissa pohjalla harmaasävyisenä. (Kuvat 3. ja 4.) Liilalla on esitetty rasteriaineistosta luotu korkeusmalli. Rasteriaineistosta luotu korkeusmalli on yksityiskohtaisempi kuin peruskarttalehden korkeuskäyrät. Peruskarttalehdessä korkeuskäyriä on yleistetty enemmän. Rasteriaineistosta muodostetuissa korkeuskäyrissä on myös joitain turhia korkeuskäyriä esimerkiksi pelloilla Mäkitistön alueella, jossa pienetkin pinnanmuotojen vaihtelut ovat tallentuneet tarkasti. (Kuva 4.)

 

Kuva 3. Rasteriaineiston korkeuskäyrät 5 m välein
Kuva 4. Rasteriaineiston korkeuskäyrät 5 m välein

 

Lähteet:
  • Amanda Ojasalo. Ruutuja. https://blogs.helsinki.fi/amandaoj/2019/02/08/ruutuja/
  • HSY. SeutuCD. Luettu 8.2.2019. https://www.hsy.fi/fi/asiantuntijalle/seututieto/paikkatiedot/Sivut/SeutuCD.aspx
  • Ilona Tuovinen. Viikko 4 – Rasteriruuturuuturasteri?! Luettu: 9.2.2019  https://blogs.helsinki.fi/tuoilona/2019/02/07/viikko-4/
  • Katja Pulkkinen. Rastereiden parissa (Kurssikerta 4) Luettu: 9.2.2019  https://blogs.helsinki.fi/kzpulkki/2019/02/09/rastereiden-parissa-kurssikerta-4/
  • Tilastokeskus. Luettu 9.2.2019. http://www.stat.fi/tup/maahanmuutto/maahanmuuttajat-vaestossa/vieraskieliset.html

 

Viikko 3. Aineiston siivoamista ja yhdistämistä

30.1.2019

Harjoittelua

Tällä viikolla tutustuimme moniin uusiin työkaluihin. Teimme kurssikertamme aikana harjoituksia Afrikan kartan ja aineiston avulla.

Opimme mm. tietokannan viimeistelemistä sopivaan muotoon. Attribuuttitaulukkoa tutkiessamme huomasimme, että aineistoa täytyy yhdistellä järkevämpään muotoon. Attribuuttitaulukossa oli monta tietuetta samalla valtion nimellä, jotka halusimme yhdistää yhdeksi tietueeksi per valtio. Tämä onnistuikin näppärästi valitsemalla ensin kaikki saman nimiset tietueet, jonka jälkeen ne yhdistettiin dissolve-työkalun avulla. Näin attribuuttitaulukosta tuli lopulta selkeämpi ja käyttötarkoitukseemme sopivampi.

Seuraavaksi harjoittelimme uuden datan tuomista ohjelmaan, sekä tietokantojen yhdistämistä, mitkä ainakin minulle olivat tulleet jo tutuksi ensimmäisen viikon itsenäisestä tehtävästä, jossa yrityksen  ja erehdyksen kautta opin nämä prosessit. Kertaus on kuitenkin opintojen äiti ja oli hyvä kerrata näitä perusasioita uudestaan.

Tämän jälkeen siirryimme uuden datan tuottamiseen. Teimme aluksi  laskuja field calculatorin avulla, joka on tullut tutuksi jo aikaisemmilta kerroilta. Uutena toimintona tutustuimme tapaan laskea polygonien sisällä olevia pisteitä, tässä tapauksessa konfliktien ja timanttikaivosten lukumääriä. Opettelimme myös laskemaan polygonien määrän polygonissa, joka onkin monimutkaisempi operaatio, josta ainakaan itsellä ei jäänyt kovin selkeä kuva.

Näiden harjoitusten tarkoituksena oli oppia siivoamaan aineistoa käytettävään muotoon ja opetella tuottamaan uutta aineistoa, jonka avulla eri aineistojen välisiä yhteyksiä voidaan tarkastella. Lopputuloksena syntyi Afrikan valtioiden konfliktien-, timanttikaivosten- ja öljyalueiden sijaintia kuvaava kartta, jonka voit nähdä alla. (Kuva 1.)

 

Kuva 1. Afrikan valtioiden konfliktit, timanttikaivokset ja öljyalueet

 

Afrikan aineistoon perustuvaksi tehtäväksi saimme pohtia mitä seuraavan kaltasilla tiedoilla voitaisiin tehdä ja tutkia.

Mitä voitaisiin tutkia

Attribuuttitaulukosta, joka sisältää yllä kuvatun kaltaista tietoa, voisi lähteä selvittämään seuraavanlaisia yhteyksiä:

  • Konfliktien tapahtumavuoden ja timanttikaivosten kaivausten aloitusvuosi yhteyksiä. Onko timanttikaivosten perustamisen jälkeen esiintynyt enemmän konflikteja?
  • Internetkäyttäjien lukumäärä eri vuosina kertoo valtion kehittyneisyydestä. Kehittyneisyys taas puolestaan on kytköksissä konflikteihin. Mitä kehittyneempi valtio, sitä vähemmän konflikteja. Onko konfliktien määrällä ja laajuudella yhteyttä internetkäyttäjien määrään?
  • Timanttikaivosten/öljykenttien tuottavuuden suhdetta internetkäyttäjien lukumäärään eri vuosina. Onko timanttikaivosten ja öljykenttien tuottavuudella ja valtion kehityksellä yhteys?
  • Konfliktien laajuuden ja timanttikaivosten/öljykenttien tuottavuuden suhde. Onko tuottavuudella yhteyttä konfliktien laajuuteen?

 


Tulvaindeksi

Kurssikertaan liittyväksi itsenäiseksi harjoitukseksi saimme Suomen tulvaindeksiä ja järvisyysprosenttia kuvaavan kartan laatimisen. (Kuva 2.)

Tulvaindeksi lasketaan kaavalla MHQ/MNQ eli keskiylivirtaama jaettuna keskialivirtaamalla. Tällä laskentatavalla saadaan selville kuinka moninkertainen on virtaaman huippu verrattuna kaikkein kuivimpaan aikaan. (Paarlahti 2019)

Itsenäisenä harjoituksena teimme Suomen  tulvaindeksiä ja järvisyysprosenttia esittävän kartan. (Kuva 2.) Kartasta on havaittavissa, että Suomen suurimmat tulva-alueet sijaitsevat länsi- ja etelärannikoilla. (Kuva 2.) Nämä alueet ovat pinnanmuodoiltaan hyvin tasaisia ja alueella virtaa monia jokia, jotka laskevat mereen. Rannikkoalueet, erityisesti Pohjanmaan alue, ovat alttiina kevättulville kun lumipeite ja jäät alkavat kevään koittaessa sulaa.

Kuva 2. Suomen tulvaindeksi ja järvisyysprosentti

Johanna Lehtinen on kirjoittanut blogissaan seuraavasti: Tulvaindeksi ja järvisyysprosentti vaikuttavatkin olevan kääntäen verrannollisia. Yksinkertaisesti siis järvisyysprosentin kasvaessa tulvaindeksi pienenee ja päinvastoin.” Tämä näyttää olevan totta ainakin Järvi-Suomen alueella, jossa on paljon järviä, mutta hyvin vähän tulvia (Kuva 2.). Rannikoilla järviä on vähemmän tai kohtalaisesti, mutta tulvia huomattavasti enemmän. Lapissa järvien sekä tulvien määrä on vähäistä, lukuun ottamatta päälaen aluetta.

Järvet keräävät enemmän vettä. Ylimääräinen vesi poistuu järvistä jokiin, jolloin ne eivät tulvi yhtä helposti. Suot voivat myös toimia järvien kaltaisena vesivarastona.

Kartasta voidaan havaita Järvi-Suomen ja Lapin valuma-alueiden olevan pinta-alaltaan huomattavasti isompia kuin rannikoilla, joissa tulvaindeksi on korkeampi. (Kuva 2.)

Rannikoilla on maankohoamisen vaikutuksesta syntynyttä maata, joka on hyvin tasaista. Rannikoilla maa on kuitenkin alempana kuin sisämaassa, jolloin veden virtaamissuunta on näille alueille. Järvi-Suomen alueella on paljon moreenimuodostumia ja drumliineja, jotka luovat vaihtelevampia pinnanmuotoja. Suomen itä- ja koillisosissa kulkee myös Salpausselät ja monia harjuja, jotka ohjaavat veden kulkua.

Lopputulos

Tässä kartassa haastavinta oli järvisyysprosentin esittäminen mahdollisimman selkeällä tavalla. Kartasta tuli mielestäni ihan hyvä. Legendan järvisyysprosentin pylväät olisin halunnut ohuemmiksi, jotta ne vastaisivat kartan pylväitä paremmin, mutta en löytänyt keinoa siihen. Mielestäni on outoa, että pylväsdiagrammia käytettäessä legendaan ei pysty saamaan automaattisesti pylväitä vaan ne pitää muokata itse haluamakseen.

Anttoni Tumanoffilla on mielestäni hyvä idea esittää järvisyysprosentti myös erillisenä diagrammina. Diagrammista näkee selkeämmin alueiden järvisyyden vaihtelut ja järvisyysprosentti ei häiritse muun kartan lukemista. Jos kuitenkin halutaan tarkastella nimenomaan tulvaindeksin ja järvisyysprosentin yhteyttä, näiden muuttujien esittäminen samassa kartassa on hyödyllistä.

Lähteet:
  • Anttoni Tumanoff. Tietokantaliitoksia ynnä muuta. Luettu: 2.2.2019. https://blogs.helsinki.fi/gis-1-anttoni/2019/01/29/tietokantaliitoksia-ynna-muuta/
  • Johanna Lehtinen. Tietokantainen tulvaindeksi. Luettu: 2.2.2019. https://blogs.helsinki.fi/johanleh/2019/02/01/tietokantainen-tulvaindeksi/

Viikko 2. Projektion vaikutus pinta-alaan ja pituuksiin

23.1.2019

Projektioiden vertailua

Tällä viikolla tutustuimme karttojen projektioiden vaikutuksia pinta-aloihin ja pituuksiin. Rajasimme Suomen kartalta alueen ja mittasimme Vaasan seudulta Suomen läpimitan. Pohjamittauksiin käytin ETRS-TM35FIN -projektiota, joka on Suomen alueella luotettava, oikeat pituudet ja pinta-alat esittävä karttaprojektio. Näiden mittaamiemme arvojen muutoksia lähdimme sitten vertailemaan eri projektioissa. Projektiosta riippuen, pinta-alat ja pituudet voivat vaihdella hienoisesta suuriin eroihin.

Alla on esitetty taulukko (Taulukko 1.) eri projektioiden aiheuttamista pinta-alan ja pituuksien muutoksista. Vertailuun olen valinnut viisi projektiota, joista ETRS-TM35FIN -projektiota olen käyttänyt vertailuprojektiona.

Pinta-aloja ja pituuksia eniten vääristävät projektiot verrattuna ETRS-TM35-projektioon ovat Mercatorin projektio ja Van der Grinten -projektio (Taulukko 1.).  Mercatorin projektion vääristymät pinta-aloissa ovat jopa seitsenkertaisia ETRS-TM35-projektioon verrattuna. Van der Grinten -projektiossa vääristymät ovat noin kolminkertaisia suurimmillaan.

Taulukko 1. Saman pinta-alan ja pituuden vertailua eri projektioissa, pinta-alojen erotus ja muutosprosentti (vertailuprojektio: ETRS-TM35FIN)

Mercator

Kuva 1. Mercatorin projektio verrattuna ETRS-TM35FIN-projektioon

Mercatorin projektio suurentaa pinta-aloja Suomen alueella enimmillään seitsenkertaiseksi (Kuva 1.). Projektion aiheuttamat vääristymät pinta-aloissa ovat suurimmillaan pohjois-Suomessa. Eteläisessä Suomessa projektion pinta-aloja suurentava vaikutus on noin kolminkertainen.

Van der Grinten

Kuva 2. Van der Grinten -projektio verrattuna ETRS-TM35FIN-projektioon

Van der Grinten -projektio suurentaa pinta aloja enimmillään noin kolminkertaiseksi verrattuna ETRS-TM35FIN -projektioon (Kuva 2.). Tässäkin projektiossa suurimmat pinta-alojen vääristymät ovat pohjoisessa Suomessa. Eteläisimmässä Suomessa pinta-alojen vääristymät ovat alle kaksinkertaisia. Nuolilla olen merkinnyt eroja Mercatorin-projektion kanssa.

Olen Vilma Kaukavuoren ja Ilona Tuovisen kanssa samaa mieltä siinä, että karttoja katsomalla voi saada kuvan Mercatorin ja Van der Grinten -projektioiden vääristymien samankaltaisuuksista. Omat karttani vaikuttavat nopeasti vilkaistuna samankaltaisilta vääristymineen. Ongelmana on, että kartan lukijan täytyisi huomata Mercatorin projektion suurentavan pinta-aloja seitsenkertaiseksi kun taas Van der Grinten “vain” kolminkertaiseksi. Jos kartat asettaa vierekkäin tämä virhe on helppo tehdä.

 

Lähteet:
  • Vilma Kaukavuori. Uskomattomia pinta-ala vääristymiä. Luettu: 29.1.2019.  https://blogs.helsinki.fi/vilmakau/
  • Ilona Tuovinen. Ensihaparoinneista eteenpäin! Luettu: 29.1.2019.  https://blogs.helsinki.fi/tuoilona/

 

 

Viikko 1. Itsenäistä QGIS:n käytön harjoittelua

Suomen kuntien työttömyysprosentteja

Ensimmäiseen kurssikertaan liittyvänä tehtävänä oli omavalintaisen koropleettikartan luominen, joko valmiina annetusta aineistosta tai vaihtoehtoisesti itse etsitystä aineistosta. Halusin kokeilla, onnistuisinko etsimään itse tietoa, jota voisi esittää koropleettikartan avulla ja miten tiedon tuominen QGIS:iin oikein onnistuisi.

Lyhyesti sanottuna tie oli pitkä ja kivinen, mutta silti erittäin opettavainen. En tajunnut kuinka vaikeaa oikeanlaisen tiedon löytäminen olisi. Sen lisäksi tiedon tuominen QGIS:iin ja sen näkyminen atrribuuttitaulukossa ymmärrettävällä tavalla tuottivat päänvaivaa. Matkassa oli siis monta mutkaa ja en tiedä onko lopputulos siltikään onnistunut.

Ensimmäinen kokonaan uusi tuttavuus oli csv. tiedostomuoto, johon mieluiten kaikki taulukkomuotoinen aineisto muutetaan.

Karttani aiheeksi valitsin pitkällisen etsimisen, kokeilemisen ja erehdyksien kautta Suomen kuntien työttömyysprosentin. Latasin aineiston Paituli-paikkatietopalvelusta Kuntien avainluvut -nimellä. Tämä aineisto sisälsi paljon samaa tietoa kuin valmiiksi annettu aineisto, mutta ajattelin verrata uudempaa tietoa valmiiksi annettuun vuoden 2015 aineistoon.

Tein siis kaksi karttaa. Toisen lataamastani aineistosta (Kuva 1.) ja toisen kurssikerran Kunnat2015-aineistosta (Kuva 2.) vertailun vuoksi.

Kuva 1. Suomen kuntien työttömyysprosentti vuonna 2016 (2015 kuntarajat) (Lähde: Työssäkäyntitilasto, Tilastokeskus)
Kuva 2. Suomen kuntien työttömyysprosentti vuonna 2015 (Lähde: Tilastokeskus)

 

Kartan tekemisessä ongelmalliseksi koin Suomen kunnissa tapahtuneet muutokset vuosien mittaan. Kuvan 1. kartassa kuudesta kunnasta tieto työttömyysprosentista jäi puuttumaan ( Hämeenkoski, Jalasjärvi, Juankoski, Köyliö, Luvia ja Nastola). Kaikki nämä kunnat ovat entisiä kuntia vuonna 2016, jotka on liitetty toisiin kuntiin (Wikipedia).

Vuoden 2016 ja 2015 karttoja verratessa (Kuva 1. ja Kuva 2.) huomaan korkean työttömyysprosentin kuntien sijainnissa samankaltaisuuksia. Eniten työttömyyttä Suomessa esiintyy idässä. Korkeimman työttömyysprosentin alueet ovat sijoittuneet molemmissa kartoissa samoille alueille, joskin vuoden 2017 kartassa Saarijärven, Kuhmoisten ja Rantasalmen alueilla työttömyys on kasvanut ja levinnyt ympäröiviin kuntiin. Suomen länsi- ja itärannikolla löytyvät suurimmat matalan työttömyyden alueet. Nämä mukailevat myös suurimpien kaupunkien sijainteja. 

Molemmissa kartoissa luokittelurajoina on luonnolliset luokkarajat. En tiedä ovatko nämä kaksi karttaa vertailukelpoisia, koska niissä on eri suuruiset luokkarajat. Käytin vuoden 2015 (Kuva 2.) karttaa apuna arvioidessani vuoden 2017 kartan (Kuva 1.) paikkaansa pitävyyttä. Kartan tekemisessä oli niin monia ongelmia, että olen epävarma lopputuloksesta. En tiedä olisiko kartasta hyötyä missään asiassa, sillä sitä ei voi verrata mihinkään. Hyödyllisempää voisi olla vertailla työttömyysprosentin kehitystä kunnittain jollain aikajaksolla. 

Kaiken kaikkiaan koin aineiston hakemisen, muokkaamisen ja liittämisen työvaiheet erittäin haastavina, ainakin minun tasoiselle tietokoneen ja paikkatieto-ohjelmien käyttäjälle. Moni vaihe vaati useamman tunnin pähkäilyä ja kokeilemista. Jos painit samanlaisten ongelmien kanssa Pasi Okkonen on kirjoittanut blogissaan selkeästi näistä työvaiheista.

Lähteet:
  • Paituli https://avaa.tdata.fi/web/paituli/latauspalvelu
  • Pasi Okkonen. Viikko 1. Ensimmäisen viikon saavutukset ja oivallukset. Luettu:29.1.2019. https://blogs.helsinki.fi/pasiokko/2019/01/24/ensimmaisen-viikon-saavutukset-ja-oivallukset/
  • Wikipedia, Hämeenkoski. https://fi.wikipedia.org/wiki/Hämeenkoski
  • Wikipedia, Jalasjärvi. https://fi.wikipedia.org/wiki/Jalasjärvi
  • Wikipedia, Juankoski. https://fi.wikipedia.org/wiki/Juankoski
  • Wikipedia, Köyliö. https://fi.wikipedia.org/wiki/Köyliö
  • Wikipedia, Luvia. https://fi.wikipedia.org/wiki/Luvia
  • Wikipedia, Nastola. https://fi.wikipedia.org/wiki/Nastola

 

 

 

Viikko 1. QGIS tutuksi

16.1.2019

QGIS

Ensimmäisen kurssikerran tarkoituksena oli tutustua QGIS ohjelmaan. Kurssikerran aikana teimme yksinkertaisen koropleettikartan Euroopan valtioiden typpipäästöistä. Aikaisempaa kokemusta QGIS:n käytöstä minulla ei ole, mutta olin innokas kokeilemaan ja oppimaan uutta.

QGIS on avoimen lähdekoodin ohjelmisto, mikä käytännössä tarkoittaa sitä, että ohjelmisto on vapaasti ladattavissa ja se kehittyy ja päivittyy käyttäjien toimesta.

Hyödyllisenä toimintona pidin Susanna Kukkavuoren lailla QGIS browseria, jolla käyttäjä voi esikatsella aineistoa sitä avaamatta. Tällöin aineistoa ei tarvitse avata nähdäkseen onko kyseessä oikea aineisto, mikä helpottaa oikean aineiston löytämistä ja nopeuttaa aineistojen avaamista.

Tämän kurssikerran aikana muokkasimme attribuuttitaulukkoa luomalla uuden sarakkeen typen suhteelliselle määrälle, jonka laskimme typen kokonaismäärästä. Tässä hommassa saikin olla tarkkana, ettei attribuuttitaulukkoa tule vahingossa muuteltua muilta osin. Kuvittelisin että näin aloittelijana, se olisi hyvinkin mahdollista.

Kurssikerran aikana opin lisää erilaisten tasojen käytöstä paikkatietoaineistoissa. Tasojen käyttöön olimme tutustuneet Syksyn 2018 Tiedon esittäminen maantieteessä -kurssilla käyttäen CorelDraw-ohjelmistoa. Kuten CorelDraw-ohjelmistossa QGIS:sissäkin hyödynnetään erilaisia tasoja karttojen teossa. Tasoja käytetään kuvaamaan reaalimaailman ilmiöitä ja jokaiselle ilmiölle on oma tasonsa. Kyseisen kartan tapauksessa (Kuva 1.) tasoja käytettiin apuna kuvaamaan typen määrää. Typen määrästä ei ollut saatavilla tietoa jokaiselta valtion alueelta, jonka seurauksena osa valtioista olisi hävinnyt kartalta kokonaan ja kartasta olisi tullut sekava ja vaikeasti luettava. Kartassa laitoimme alimmaiseksi tasoksi kaikkien valtioiden rajat näyttävän tason, jonka päälle loimme tason, joka kuvaa typen määrää tiettyjen valtioiden alueilla. (Kuva 1.) Näin saimme kartasta helpommin luettavan.

Kartan teossa värien käyttöön ja valitsemiseen on hyvä käyttää aikaa ja ajatustyötä. Vääränlaisten värien käyttö voi vääristää tietoa ja hämätä kartan lukijaa. Esimerkiksi vihreän ja sinisen käyttö voi sekoittua maaston/vesistön väreihin ja tehdä kartasta vaikealukuisen. Tämän virheen tein viime syksyn Tiedon esittäminen maantieteessä -kurssilla, jossa harjoittelimme mm. teemakarttojen tekemistä. Päädyin samankaltaiseen valintaan Elisa Ahon kanssa ja valitsin kartan väreiksi punaisen väriskaalan, sillä typpipäästöt koetaan huonoksi ja negatiiviseksi asiaksi, minkä vuoksi punainen väri sopii mielestäni kuvaamaan sitä hyvin. (Kuva 1.) Punainen väriskaala on muutenkin mielestäni helpoin erottaa taustasta. [Edit: Alla oleva kartta on uusi versio alkuperäisestä kartasta. Muokkasin kartan värejä maanläheisempään suuntaan ja parantelin karttaa muutenkin siistimpään asuun kurssin edetessä karttuneilla taidoillani. Ruskean sävyt ajavat kuitenkin mielestäni saman asian kuin punaisen sävyt kuvatessa typpipäästöjen (eli käytännössä saasteiden) määrää]

Luokkarajoiksi valitsimme luonnolliset luokkarajat. Kuulemma yksi turvallisemmista luokkarajoista käyttää, jos ei tiedä mitä rajoja käyttää. Luokkarajat ovat ainakin minulle olleet vaikeita ymmärtää. Eri luokkarajat luovat tiedosta eri näköisiä teemakarttoja, jotka voivat helposti olla harhaanjohtavia. Luokkarajoilla voi yllättävän paljon vaikuttaa kartan ulkonäköön ja siten ihmisten mielikuviin kyseisestä ilmiöstä. Tämän asian kanssa haluan ehdottomasti vielä töitä, sillä luokkarajojen oikeanlainen käyttö tuntuu vaikealta ja epäilen osaanko valita oikeanlaiset luokkarajat.

Kuva 1. Itämeren valtioiden typpipäästöt vuonna 2016

Minulle oli hyödyllistä  tehdä täysin sama kartta kotona itsenäisesti pari kertaa uudelleen. Ensimmäiseen itsenäisesti tekemääni karttaan tuli jossain kohtaa attribuuttitaulukkoa muokatessa virhe, mutta toisella yrityksellä kaikki oli jo helpompaa ja kartasta tuli hyvä. Kartan tekijän (eli minun) pitääkin arvioida työtään virheiden varalta ja toivottavasti muistan sen vastaisuudessakin. Oppimisen kannalta toisto on ehkä omalta kannaltani osoittautunut hyödyllisimmäksi opiskelukeinoksi. Kun itsenäisesti joutuu kokeilemaan ja muistelemaan työvaiheita, sekä kertaamaan opittuja asioita, ne tuntuvat jäävän mieleen paremmin.

Mielestäni tekemästäni kartasta tuli selkeä ja luettava. (Kuva 1.) Olen tyytyväinen kartan väritykseen ja väriskaalaan, toivon että ne näyttävät hyvältä muillakin näytöillä ja värit on helppo erottaa toisistaan. En tiedä olisiko tässä kartassa tarvinnut esittää syvyyskäyriä, mutta jätin ne karttaan koska näin teimme kurssikerran aikana, mutta mielestäni ne eivät lisää typpipäästöjen osalta tärkeää tietoa. Ne eivät kuitenkaan häiritse visuaalisesti liikaa.

 

Lähteet:
  • Elisa Aho. Harjoitus 1. Luettu: 25.1.2019.  https://blogs.helsinki.fi/elqaho/2019/01/19/harjoitus-1/
  • Susanna Kukkavuori. Paikkatiedosta teoriassa ja käytännössä. Luettu: 25.1.2019. https://blogs.helsinki.fi/kukkasus/2019/01/22/paikkatiedosta-teoriassa-ja-kaytannossa/