Muaahahahahaaa :DD (5 kurssikerta)

 

En tiedä mitä on tapahtunut, mutta tajusin oikeasti mitä tunnilla tapahtuu. Tämä todennäköisesti johtuu lähinnä siitä, ettei uutta juurikaan opittu. Vanhan kertaaminen tähän väliin sekä ”tuhannet” toistot tutuilla komennoilla tekivät tehtävänsä ja pysyin hyvällä tuulella koko neljän tunnin ajan. Jei 🙂

Kerran teemana selkeästi esiin nousi bufferointi eli erilaisten vyöhykkeiden luominen sekä niiden sisältämien tilastojen tarkastaminen. Työkaluna toimi select attributes by location, jonka avulla sai helposti selville tietyllä alueella olevien muuttujien lukuarvot. Alan rakastua QGissiin, niin fiksu tuo toiminto on. Alkutunnista viimeistelimme harjoituksen Pornaisten kanssa, jonka jälkeen siirryimme ainakin itseäni paljon kiehtovimpiin alueisiin, pääkaupunkiseudun lentokenttiin. Tavoitteena oli selvittää, kuinka pitkälle kenttien melualueet yltävät ja kuinka moneen asukkaaseen ne vaikuttavat.

Kuva 1, Pornainen, Länsi-Uusimaa

Vierustoverini kanssa olimme suorastaan liekeissä. Hiirestä nousi melkein savua, kun paahdoimme menemään QGissin syövereissä. Taakse jäivät niin Malmin kuin Helsinki-vantaan lentokentät ja kaikki tuntui etenevän hienosti. Selvitimme muunmuassa Malmin lentokentän melualueella asuvien ihmisten määrän 2km alueella, minkä tulos yllätti minut. Olen suhtautunut Malmin lentokentän lakkauttamiseen suhteellisen nihkeästi, mutta jos meluhaitta tavoittaa 57 000 tuhatta ihmistä, silloin heitäkin pitäisi kuunnella. Helsinki-Vantaalla taas selvitimme poikkeuksellisen laskeutumissuunnan meluvaikutuksia alueen ihmisiin. Menimme tehtävänantoa syvemmälle, ja selvitimme Tikkurilan postinumeroalueella meluhaitasta kärsivien määrän metrintarkasti. Yes cama!!

Kuva 2, Helsinki-Vantaan maastoa. Melualueita ja asukkaita

Lisäksi selvittelimme alueen juna-asemien läheisyydessä asuvien ihmisten lukumäärää, taajamien väkilukua sekä ulkomaalaistaustaisten ihmisten osuutta taajamissa. Taulukosta 1 voi nähdä nämä tulokset.

Alueet Lukumäärä (ihmistä)
Malmin lentokentän ympäristössä asuvat ihmiset 1 km säteellä 8614
Malmin lentokentän ympäristössä asuvat ihmiset 2 km säteellä 56 619
Helsinki-vantaan lentokentän ympäristössä asuvat ihmiset 2 km säteellä 10 303
Joista 65db alueella asuu prosentteina 4,1
55db alueella asuu 11 913
Poikkeuksellisen laskusuunnan 60db alueella asuu 12 675
Joista Tikkurilan postinumeroalueella se koskettaisi prosentteina 10,2
Juna-asemien vaikutusalueet
Alle 500 m päässä asemista asuu 106 691
Joka on koko vantaan väestöstä prosentteina 21,6
Alle 500 m etäisyydellä lähimmästä alueesta asuvista työikäisiä prosentteina 68,5
Taajamat keskittyminä
Vantaan väestöstä taajamassa asuu prosentteina 97,5
Taajamia, joissa ulkomaankansalaisten osuus yli 10% 40
Taajamia, joissa ulkomaankansalaisten osuus yli 20% 11
Taajamia, joissa ulkomaankansalaisten osuus yli 30%

6

 

Joonatan Reunasen ajatukset sopivat hyvin yhteen omieni kanssa. Hänen mukaansa QGissin yleisimmät työkalut alkavat olla jo hyvin muistissa, eikä niitä tarvitse jatkuvasti etsiä. Itse nostaisin esiin ehdottomana ykkösenä Field calculatorin, minkä ansiosta hommat helpottuvat älyttömästi, kun laskeminen ja uusien sarakkeiden luominen attribuuttitaulukkoon onnistuvat välittömästi. Ja vaikka kaikki ei olekaan vielä selvää, Gis oppiaineena kiinnostaa ja eteenpäin mennään.

Kuva 3, elämäni työkalut.

Lopuksi käyn vielä läpi itsenäistehtävän viimeisen vaiheen, jossa selvitettiin Helsingin yhtenäiskoulun seuraavan vuoden oppilasmääriä. Oletus on, että oppilaat tulevat kouluun sen omasta koulupiiristä. Tulokset ovat seuraavat:

Aloittavia koululaisia 14

Yläasteikäisiä 62

Koulupiirin alueella asuu 1894 asukasta, mikä on suhteellisen vähän. Seuraavana vuonna koulunsa aloittaa vain 14 oppilasta. Laura Hynynen oli löytänyt hyvän selityksen sille, miksi koulu on ylipäätään edes olemassa. Nykyään vanhemmat saavat valita lapsensa koulun koulupiirien ulkopuolelta, joten kouluun tulee oppilaita todennäköisesti paljon enemmän. Tilastot ovat myös kummallisia alueen kouluikäisten määrässä, sillä heitä on asukasmäärään nähden vain 8,4 prosenttia. Itse olen aina kuvitellut Käpylän olevan hyvin lapsiperhekeskeistä aluetta, joten tulos oli hämäävä. Toisaalta alueen rakennuskanta on suhteellisen vanhaa ja omistusasuntovoittoista, mikä viittaa siten vanhempaan väestöön. Kiitos Laura tästäkin huomiosta 🙂 Lopuksi laskin vielä ulkokansalaisten osuuden alueella, jonka seurauksena sain tulokseksi 69, joista 6 on lapsia. Ei yllätyksiä.

Olen harkinnut blogini nimen vaihtamista, sillä se ei oikein kuvaa nykyistä tilannetta.

#geoinformatiikkavaanparanee

Lähteet:

Joonatan Reunanen

https://blogs.helsinki.fi/reunajoo/

Laura Hynynen, gisvieruskaveri

https://blogs.helsinki.fi/lauravel/

Tutkimusmatkailua ja lukijoiden aktivoimista

3. kurssikerta

Kolmannella kerralla lähdimme työskentelemään kauas Afrikan mantereelle, mikä olikin erittäin positiivinen yllätys. Ensimmäiset ongelmat syntyivät, kun taulukkotiedot piti yhdistää Excelin kautta Qgissiin. Jotta maailma ei olisi liian helppo, oli joku päättänyt tehdä näiden kahden sovelluksen yhteistyön mahdottomaksi. Niinpä aikamme seurattua Artun esimerkkiä, minäkin sain aineiston Qgissille soveltuvaan csv-muotoon. Avot!

Kuva 1, muistiinpanot tunnilla. Reunat tuomassa hohtoa.

Pienen aineistokikkailun jälkeen näytölle pärähtikin marjapuuron ja sinapin sekoitukselta näyttävä Afrikan kartta. Qgis arpoo joka kerta millaiset värit se jokaiselle tasolle valitsee ja siksi pääsenkin kerta toisensa jälkeen innoissani jännittämään, mikä maailmanlopun väriyhdistelmä silmiäni milloinkin hivelee. No, se siitä. Asiaan.

Kuva 2, Afrikan manner. Kartta näyttää, miten konfliktit sijoittuvat suhteessa luonnonvaroihin, kuten öljyyn ja timantteihin.

Kuvassa 2 nähdään, no ei rehellisesti paljoa nähdä. Konfliktit, timantit ja öljyesiintymät ovat nähtävissä, mutta mitään päätelmää on vaikea havaita. Maissa, joissa esiintyy paljon timanttiesiintymiä, saattaa olla vain vähän konflikteja tai ei lainkaan. On myös valtioita, joissa konflikteja on yllin kyllin ilman kyseisiä luonnonvaroja. Karttaan olisikin näin jälkikäteen mietittyä ollut hyvä lisätä jokin muukin muuttuja. Hyvä esimerkki on Laura Hynysen blogissa, jossa hän on käyttänyt vertailuna maiden kehittyneisyyttä internetin käyttäjätilastojen avulla. Tällaisesta kartasta pystyykin löytämään jonkun yhtyden.

Seuraavaksi oli aika käydä itsenäistehtävien kimppuun. Tehtävänä oli luoda Suomesta tulvaindeksikartta, sekä tuoda näkyviin myös tulva-alueiden järvisyysprosentti. Itse en kokenut tehtävän kanssa suuria vaikeuksia, mutta kartan visualisoiminen tuotti ongelmia. Sopivien värien käyttö oli haastavaa, sekä kaiken lisäksi huomasin kotona työtä viimeistellessäni kartan olevan virheellinen tulvaindeksin suhteen (korjaus tulossa). Kuitenkin välillä on hyvä huomata tekevänsä virheitä, sillä niistä oppii parhaiten. Liitän kuvat alle, jotta rakkaat lukijatkin saisivat huomata, mikä meni pieleen 🙂

Kuva 3, tulvaindeksikartta. (Tehtävä, löydä 30 virhettä)

 

 

Kuva 4, kartta, jossa pääpaino järvisyysprosenteissa.

Edelleen Lauraa siteeraten, olisin myös halunnut lisätä pylväiden päälle prosenttiluvut kartan selkeyttämiseksi. Tai vaihtoehtoisesti tehdä pylväät palloina, kuten Pihla Haapalo blogissaan teki.

Loppujen lopuksi koin kurssikerran onnistuneen, sillä opin jälleen enemmän uutta. QGis alkaa totella minua eikä toisinpäin, mistä olen oikeasti onnellinen. Jos jotain aion viedä seuraaviin kurssikertoihin niin sen, että kertaan asiat kotona sekä tarkistan työni ennen voitonjuhlia.

#geoinformatiikkaonvieläkinkivaa

Lähteet:

Laura Hynynen

https://blogs.helsinki.fi/lauravel/

Pihla Haapalo

https://blogs.helsinki.fi/haapalop