Viimeistä viedään (nyyhkistä!!). Ennen viimeistä kurssikertaa oli tehtävänä hankkia aineistoja itsenäisesti. Tarkoituksena oli luoda kartta tai karttasarja, jossa esitetään vähintään kahta muuttujaa. Toisena kriteerinä lopullisessa kartassa oli alueen jakautuminen pienempiin, vertailukelpoisiin alueisiin.
Pitkän etsiskelyn jälkeen päädyin Suomen maakuntakarttapohjaan ja muuttujina kartassa esitin Suomen riistaonnettomuuksien määrän maakunnittain vuosina 2017-2021. Toisena muuttujana esitin kartalla pisteinä villisikaonnettomuudet samoina vuosina. Tarkoituksena oli vertailla niiden yleisyyttä ja maantieteellistä sijaintia kaikkiin riistaonnettomuuksiin verrattuna.
Kuva 1. Riistaonnettomuudet Suomessa vuosina 2017-2021.
Kuvassa 1 on loihtimani kartta riistaonnettomuuksista ja villisikojen osallisuuden yleisyydestä riistaonnettomuuksissa vuosina 2017-2021. Kartasta voidaan havaita, että riistaonnettomuuksia on tapahtunut eniten Uudellamaalla ja Varsinais-Suomessa. Lukumäärällisesti näissä onnettomuuksia on tapahtunut 10-15 tuhatta. Yleisesti koko Lounais-Suomi on ollut alttiimpi riistaonnettomuuksille. Nämä selittyvät väestömäärällä, sillä Uudellamaalla, Varsinais-Suomessa ja Pirkanmaalla asuu eniten ihmisiä. Kuvaavampi kartta olisi siis ollut riistaonnettomuuksien määrä suhteutettuna väestöön tai ajoneuvojen määrään. Toki Uudellemaalle rekisteröity ajoneuvo voi joutua onnettomuuteen Lapissa, joten se ei olisi ollut kovin realistinen kuvaamaan riista-alttiimpia maakuntia.
Villisiat päätyivät kartalle puolivahingossa. Eniten riistaonnettomuuksia, jossa villisiat ovat olleet osallisena, on Kaakkois-Suomessa, Uudellamaalla ja Kymenlaaksossa. Tämä esiintymä selittyy puolestaan sillä, että villisiat ovat levinneet Suomeen etenkin 70-luvulla Venäjältä ja Virosta. Villisika on mannereurooppalainen sorkkaeläin, joka viihtyy erityisesti lauhkeissa lehtimetsissä [1] (https://riista.fi/game/villisika/).
Tuottamani kartta ei siis ole kovin informatiivinen, eikä siitä olisi hyötyä esimerkiksi opetuskäytössä. Menin tehtävässä selkeästi sieltä, mistä aita on matalin. Kartta tai sen tekemiseen tarvittavat välivaiheet eivät vastaa kaikkea sitä, mitä olen kurssin aikana oppinut.
Vaikeimmaksi tehtävässä koin aineistojen etsimisen ja kahden tavallaan tai toisella korreloivan muuttujan valitsemisen. Myös hyvän taustakartan etsiminen oli yllättävän vaikeaa. Yritin pitkän aikaa etsiä käytettävää paikkatietodataa esimerkiksi Euroopan Unionin avoimen paikkatiedon lähteistä, mutta tiedostojen lataus ja formaatit tuottivat hankaluuksia. Näissä olisi todellakin ollut mielenkiintoista informaatiota.
Tyyne Turunen oli blogissaan [2] luonut kolme eri, pääasiassa Afrikan valtioiden elinoloja kuvaavaa karttaa. Turunen oli tehnyt näistä hyvää karttatulkintaa ja kolmannen kartan tehtävä olikin kuvata kahden edellisen muuttujan välistä korrelaatiota.
Samaistuin paljon Lasse Useniuksen ajatuksiin hänen postauksessaan [3] viimeisestä kurssikerrasta ja huomaan näissä samaa itsekriittisyyttä, mitä itsessänikin on. Usenius oli valinnut karttaansa kuvattaviksi muuttujiksi mielenkiintoisen aihealueen – työttömyysasteet sekä alimpaan tuloluokkaan kuuluvat postinumeroalueittain.
Kiitti kurssista, aika antikliimaksi tää viimeinen tuotos, mutta välillä näin!
Viittaukset:
[1] Suomen Riistakeskus, Villisika. https://riista.fi/game/villisika/, (Viitattu 3.3.2023).
Suoraan kurssikerta kutosen juttuihin. Meidät laskiaisen jäljiltä innokkaat opiskelijat passitettiin kurssikerran alkuun heti aamulla pakkaseen piristymään ja keräämään aineistoa Epicollect5-sovelluksen avulla. Tarkoituksena oli poimia lähiympäristöstä paikannuksen avulla pisteitä, joiden ominaisuustietoja liitimme jokaiseen pisteeseen. Näitä olivat muun muassa kokemus kohteen turvallisuudesta, visuaalinen houkuttelevuus ja se, kuinka paljon ihmisiä kyseisessä kohteessa sillä hetkellä hengaili. Tarkoitus oli antaa käsitys siitä, miten tällaista itse kerättyä informaatiota pystyy käsittelemään ohjelmistossa.
Reippaan ulkoilun jälkeen analysoimme näitä tietoja ja harjoittelimme muun muassa interpolointia QGis-ohjelmistolla. Tuotimme turvallisuuden tunteen mukaan interpoloidun kartan alueesta, jossa opiskelijoita oli käynyt keräämässä aineistoa. Tästä en valitettavasti muistanut napata kuvakaappausta. Liitän sen ehkä myöhemmin, mikäli vielä löydän tuotoksen kampuksen tietokoneelta.
Kuva 1. Kartta Kumpulan ja Arabianrannan alueesta, johon interpoloitu opiskelijoiden kerätyt pisteet, jotka kuvaavat pisteen ympäristön aikaansaamaa turvallisuudentunnetta asteikolla 1 (turvaton) – 5 (turvallinen).
Sieltä se löytyi! Kuvassa 1 siis tuntitehtävä, jossa interpolointia hyödyntäen on kuvattu pisteiden ympäristön turvallisuus asteikolla 1-5. Kartassa näkyy selkeästi, että Arabianrannan luontoalueet ovat aiheuttaneet hyvin turvallisia olotiloja opiskelijoille ja puolestaan esimerkiksi risteysalueet ovat mielletty turvattomiksi.
Hasardit
Itsenäisenä blogitehtävänä oli tuottaa kolme hasarditeemaista karttaa, joita voisi käyttää opettajana tuntiopetuksessa. Näitä piti myös analysoida opettajan näkökulmasta ja miettiä, mitä muita aiheita karttojen kautta voisi käsitellä. Aineistona käytimme maanjäristyksiin, tulivuorten sijainteihin ja meteoriitteihin liittyviä pistemäisiä tietokantoja, joista pystyi rajaamaan haluamansa tiedon. Tiedä siitä sitten, tuliko näistä opetuskäyttökelpoisia, mutta ainakin yritin.
Tietoja viedessä QGis:iin toiset aineistot tarvitsivat enemmän alkutoimintoja ja karsimista, kuin toiset. Maanjäristyksiin littyvät tiedot sai tallennettua suoraan ohjelmiston tukemana csv-tiedostona. Puolestaan esimerkiksi tulivuoret käsittävä tietokanta tuli ensin asettaa Excelin kautta sarakkeisiin. Tärkeää oli myös huomata muuttaa QGis:ssä sarakkeiden muotoa tekstistä numeeriseksi, jotta näistä pystyi esimerkiksi Select by value- työkalun avulla rajaamaan haluamansa tiedot.
Helsingin Yliopiston seismologian instituutti [1] määrittelee magnitudiasteikon seuraavasti; “Maanjäristyksen voimakkuus ilmoitetaan lukemana jollakin magnitudiasteikolla. Asteikot perustuvat laitehavainnointiin ja tapauksen rekisteröintijälkeen (järistyksen aiheuttaman maanliikkeen suuruus ja periodi) seismogrammissa. Magnitudi kuvaa maanjäristyksen voimakkuutta fysikaalisena tapahtumana itse järistyslähteessä (toisin kuin intensiteetti), ja se on riippumaton rekisteröivän seismografiaseman etäisyydestä”. Nykyisin kaikkialla maailmassa käytetään Richterin momenttimagnitudiasteikkoa, jonka avulla järistykset voidaan luokitella suuruusjärjestykseen. Wikipedia-artikkelin [2] mukaan yli 8 magnitudia ylittävät maanjäristykset aiheuttavat täydellistä tuhoa ja vakavia vaurioita satojen kilometrien päässä järistyksestä.
Kuva 2. Maailmankartta, jossa esitetty sijainnin mukaan pisteinä 2000-luvulla tapahtuneet yli 8 magnitudin maanjäristykset sekä pudonneet yli 1 kilogramman massaiset meteoriitit. Aineisto: https://earthquake.usgs.gov/earthquakes/search/, https://data.nasa.gov/Space-Science/Meteorite-Landings/gh4g-9sfh
Kuvan 2 kartta esittää sijainnin mukaan pisteinä 2000-luvun luonnonhasardeja. Kartalla on magnitudiasteikossa mitattuna yli 8 yksikköä ylittävät maanjäristykset sekä pudonneet meteoriitit, jotka painavat yli kilogramman. Aineistoa rajatessa oli tärkeää huomata, että meteoriitteja käsittelevä tietokanta sisälsi tiedon myös myöhemmin löydetyistä meteoriiteista. Tämän johdosta ne tuli karsia 2000-luvulla Maahan osuneiden meteoriittien seasta pois.
Kartta esittää 2000-luvulla esiintyneitä hasardeja, mutta ilmiöt eivät keskenään liity toisiinsa. Opetusmielessä kartta voisi olla hyödyllinen viestimään lähimenneisyydessä ilmenneistä hasardeista, jotka ovat vaikuttaneet maapallolla myös omana elinaikanani. Kartta voi muuttaa käsitystä tuhoisien maanjäristysten esiintymisen yleisyydestä, mutta toisaalta kartalta pois rajatut 6-7 magnitudin maanjäristykset ovat myös paikallisesti tuhoisia. Hyvin ilmi kartalta tulee litosfäärilaattojen törmäysvyöhykkeet, joilla seisminen aktiivisuus on voimakkainta. Meteoriitteja on taas osunut eniten päiväntasaajalle sekä kääntöpiireille, mutta napapiirien alueille ei ole pudonnut yhtäkään massaltaan yli kilogramman painoista meteoriittia tämän vuosituhannen puolella.
Kuva 3. Maailmankartta, jossa pisteinä sijainnin mukaan vuoden 1964 jälkeen tapahtuneet yli 8 magnitudin maanjäristykset sekä tulivuorenpurkaukset. Aineisto: https://earthquake.usgs.gov/earthquakes/search/, https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search
Kuvan 3 kartta kuvaa pisteinä sijainnin mukaan vuoden 1964 jälkeen tapahtuneita yli 8 magnitudin maanjäristyksiä sekä tulivuorenpurkauksia. Tulivuoret käsittävän tietokannan attribuuttitaulukko sisälsi koodit, jotka määrittivät, milloin nämä tulivuoret olivat olleet viimeksi aktiivisia. Koodien merkityksen pystyi tarkistamaan aineiston tuottaneelta verkkosivulta. Tämä luokittelu vuoden 1964 jälkeen purkautuneista tulivuorista oli mieleisin ja olennaisin tehtävänantoa ajatellen.
Opetusnäkökulmaa miettien karttaa voisi käyttää kuvaamaan voimakkaan seismisyyden ja vulkanismin esiintymistä – nämä endogeeniset prosessit kun kävelevät käsikkäin. Kartalta huomaa hyvin, kuinka Tyynenmeren tulirenkaalla sijaintiin yhdistyvät myös maanjäristykset. Näitä tulivuorten ja maanjäristysten sijoittumista myös Tytti Nyrönen [3] tarkastelee blogissaan. Nyrönen pohtii laattatektoniikkaa ja on tuonut postaukseensa hyvän, tätä käsittelevän kuvan.
Kuva 4. Maailmankartta, joka kuvaa vuosina 2022 ja 2023 esiintyneitä yli 5 magnitudin maanjäristyksiä. Aineisto: https://earthquake.usgs.gov/earthquakes/search/
Viimeisessä kartassa halusin hyödyntää interpolointia, jota aiemmin kurssikerralla harjoittelimme. Itselläni oli tässä kuitenkin hankaluuksia, koska en osannut muokata sitä enempää ilmiötä kuvaavammaksi. Kartta jäi siis hyvin epäselväksi.
Kuvan 4 maailmankartalla on esitetty vuosina 2022 ja 2023 esiintyneet yli 5 magnitudin maanjäristykset. Tarkoituksena oli kuvata maanjäristysten yleisyyttä lähivuosina. Karttaan visualisoin pisteet magnitudin voimakkuuden mukaan ja yritin taiteilla siihen kuvaavan interpoloinnin päälle. En myöskään ollut oikein varma, pitäisikö pisteet jättää näkyviin vaiko ei.
Aineistojen avulla olisi voinut pohtia myös esimerkiksi sitä, millaista vulkanismia ja minkälaisia tulivuoria missäkin maailmankolkassa on. Susanne Rautamon [4] blogissa on nähtävillä hänen luomansa kartta, jossa näkyy tulivuorten sekä kalderojen (kaldera) esiintyminen maailmankartalla. Rautamo avaa postauksessa myös kaikki käsitteet, joten lukijalle teksti on erittäin antoisa. Meteoriittien putoamiskohtia olisi mielenkiintoista tutkia sen kannalta, minkälaisia jälkiä ne mahdollisesti ovat maastoon jättäneet.
Sellaista tällä kertaa, kivaa viikonloppua! ☄️🌋
Viittaukset:
[1] Helsingin Yliopiston seismologian instituutti, Seismologian sanasto, https://www.helsinki.fi/fi/seismologian-instituutti/maanjaristykset/seismologian-sanasto, (Viitattu 25.2.2023).
Viides kurssikerta käsitteli etenkin bufferien eli puskurien luomista ja niiden avulla eri ominaisuuksien määrittämistä. Voin nyt jo sanoa, että toimintoja oli taas niin monia toistensa perään, että varmaan olen jo unohtanut kaiken tehdyn. Bufferointi on määritelty TEPA-Termipankissa [1] seuraavasti – “Läheisyysanalyysissa käytettävä paikkatietoanalyysimenetelmä, jonka tuloksena on alue, jonka reuna ulottuu määrätylle etäisyydelle tarkasteltavasta kohteesta tai kohdejoukosta”.
Blogissa käsiteltävä tehtävä oli enemmänkin oman osaamisen ja QGis:in eri toimintojen ja työkalujen käytön osaamisen tason analysointia. Ongelmanratkaisu ja reittien löytäminen olivat avainasemassa tällä viikolla. Olen laatinut postauksen loppuun taulukon keräämistäni vastauksista kurssikerran kysymyksiin.
Käsittelen ensin hieman tunnilla käytyjä toimintoja ja toteutuksia. Tunnin aluksi jatkoimme saman Pornaisten kunta -rasteriaineiston parissa kuin viime viikolla. Laskimme ensiksi toimintojen avulla rajatun alueen sisällä olevia teiden pituuksia ja peltojen pinta-aloja. En jostain syystä pystynyt käyttämään itse digitoimaani karttaa alueesta, joten otin valmiiksi annetut kurssimateriaalit käyttöön. Tutustuimme Clip-työkaluun, jota en muistaakseni ollut aiemmin käyttänyt ja tämän jälkeen siirryimme bufferointiin. Rehellisesti sanottuna, tipuin heti tunnin alussa kärryiltä, mutta onneksi vierustoverini on erittäin tsemppaava ja sinnikäs ja piti huolen siitä, etten menetä hermoja ja pysyn mukana.
Bufferoinnin ideana on antaa mahdollisuus selvittää esimerkiksi tietyn kohteen ympärillä olevien rakennusten tai asukkaiden määrä tietyn etäisyyden päässä. Näin voidaan selvittää vastaus esimerkiksi kysymykseen, kuinka monta rakennusta sijaitsee 3 km etäisyydessä koulusta ja kuinka monta prosenttia koko asukasmäärästä asuu tämän alueen ulkopuolella.
Kuva 1: Pornaisten keskustaajama, eri buffereita.Kuva 2: Pornaisten keskustaajama, 1 kilometrin bufferi koulun ympärillä.
Kuvassa 1 on kurssikerralla harjoiteltuja buffereita. Aikamoinen sekasikiö, enkä tuon tunnin tiimellyksessä kerennyt todellakaan kiinnittää huomiota visuaaliseen puoleen. Kuvassa 2 sentään vähän kauniimpi tuotos puskurista, joka kattaa kilometrin etäisyydellä olevan alueen Pornaisten Yhtenäiskoulusta.
Kuva 3: 1 kilometrin bufferi kuvitteellisen 7 kilometriä pitkän janan ympärillä Helsinki-Vantaan lentokentän läheisyydessä.
Seuraavaksi tarkastelimme Malmin lentokentän sekä Helsini-Vantaan lentokentän ympäristöä ja melualueita. Kuvassa 3 on näkyvillä Helsinki-Vantaan yhdestä kiitoradasta jatkettu jana, jonka ympärillä on kilometrin levyinen bufferi. Bufferin sisäpuolella olevat rakennukset ovat valittu ja näkyvät siksi keltaisella. Tämä oli taas vain jotain rekvisiittaa tunnilta omaksi iloksi.
Kuva 4: 500 metrin bufferit asemien ympärillä pääkaupunkiseudulla.
Kuvassa 4 lisää rekvisiittaa – pääkaupunkiseudun asemien ympärille muodostetut 500 metrin bufferit. Seuraavaksi harjoituskerran kysymyksistä ja vastauksista koostamani taulukot.
Itsenäinen tehtävä 1 Lentokentät
Taulukko 1. Tehtävä Malmi
Taulukko 2. Tehtävä Helsinki-Vantaa
Taulukko 3. Tehtävä asemat
Itsenäistehtävä 2
Taulukko 4. Taajamat
Yleisesti ohjelmiston ja eri toimintojen käytössä on ollut matkan aikana hankaluuksia ja itselläni on vaikeuksia edelleen hahmottaa, mikä toiminto on tarpeellinen missäkin kohtaa. Uusien layereiden luominen sekä tallentaminen ovat asioita, jotka herättävät myös hämmennystä. Kaikin puolin, olen kuitenkin nauttinut kurssista ja edelleen into oppia käyttämään toimintoja paremmin on kova.
Miia Vuolle toi blogitekstiinsä [2] itsellenikin etäisesti tutun kuvan, jossa eri työkalujen merkitykset ovat yksinkertaistettu. Suosittelen käydä tsekkaamassa, jos clipit ja intersectit sun muut merget aiheuttaa päänvaivaa.
Neljännellä kurssikerralla siirryttiin rasteriaineistojen pariin. Tehtävässä tarkasteltiin pääkaupunkiseudun alueen eri muuttujia ja tietojen yhdistämistä ruudukon ruutuihin. Tietoa yhdisteltiin sekä kohteiden yhteisen sijainnin perusteella, että tietokantojen yhteneväisten sarakkeiden avulla. Tehtävässä tutustuttiin vielä entistä syvemmin eri valintatyökaluihin.
Rasterikartat
Tunnilla työstettiin yhdessä kuvan 1 karttaa, johon valittiin muuttujaksi Helsingin seudun väestön asukasmäärä. Kartassa yksi ruutu kuvaa neliökilometriä. Aineiston ja ruutujen kanssa työskentely oli melko helppoa.
Kuva 1: Helsingin seudun asukasmäärää kuvaava rasterikartta.
Kartta on helppolukuinen ja siitä ymmärtää nopeallakin katsauksella, että ruudun väri kuvastaa sitä, kuinka monta henkilöä ruudun alueella asuu. Väestö keskittyy selkeästi kantakaupunkiin Helsingin keskustaan, sekä juna- ja metroraiteiden varsille. Vaikka siirrytään pois päin pääkaupungin keskustasta, Itä-Helsingissä ja Espoon keskuksissa on selkeät asutuskeskittymät. Sinisen eri värit ovat kartassa hyvin hämäävät ja ne olisi selkeästi pitänyt valita paremmin.
Kuva 2: Rasterikartta ruotsinkielisten asukkaiden määrästä pääkaupunkiseudulla.Kuva 3: Rasterikartta ruotsinkielisten asukkaiden osuudesta (%) kaikista asukkaista pääkaupunkiseudulla.
Kurssikerran jälkeen tein itsenäisesti muutamia eri rasterikarttoja, joista kaksi näkyvät kuvissa 2 ja 3. Kuvan 2 rasterikartassa on ruotsinkielisten asukkaiden lukumäärät absoluuttisina arvoina. Kuvan 3 rasterikartassa puolestaan on kuvattu ruotsinkielisen väestön osuutta koko väestöstä. Löysin myös yhden tuottamani Helsingin pääkaupunkiseudun väestöön liittyvän rasterikartan, jonka takia jälkeen päin kyseenalaistan hyvinkin paljon näiden karttojen tietojen oikeellisuutta. No, oli tiedot vääriä tai ei, voi niitä silti analysoida.
Ruotsinkielisten asukkaiden määrää kuvaavaa karttaa on helppo tulkita. Legenda osoittaa, että kilometrin kattavan ruudun alueella asuu värin mukainen määrä ihmisiä. Toisaalta koska luokkien arvot vaihtelevat jopa parin tuhannen välillä, se ei anna todellista kuvaa alueen ruotsinkielisten asukkaiden määrästä. Kartasta voidaan nähdä Helsingin keskusta-alueella asuvan vähintään 43 tuhatta ruotsinkielistä asukasta. Ruotsinkielisen väestön määrä vähenee, kun siirrytään pois Helsingin keskustasta, mutta keskittymiä ilmenee etenkin Espoon keskuksissa.
Kuvan 3 kartasta nähdään, että suhteessa alueen koko väestöön, ruotsinkielisiä asuu eniten Espoon Soukassa, Munkkirannassa ja Suvisaaristossa sekä Sipoosen päin suunnatessa muun muassa Östersundomissa. Koska kuvan 2 kartasta nähdään, ettei näillä alueilla asu määrällisesti paljoa ruotsinkielisiä, tummemmat klusterit johtuvat selkeästi pienestä kokonaisasukasmäärästä, joissa enemmistö on ruotsinkielisiä.
Rasterikartta, jossa samankokoiset ruudut kuvaavat ilmiötä, ovat melko hyvä tapa esittää muuttujaa. Ennalta määrättyjen ruutujen kokoon liittyy sekä hyviä, että huonoja puolia. Absoluuttisten arvojen kuvaaminen ruutukarttojen avulla on hyväksyttävää, koska silloin alueita pystytään tarkastelemaan samanarvoisina. Toisaalta esimerkiksi asutuskeskittymän todellista sijaintia ei pystytä näkemään, koska ilmiötä joudutaan yleistämään koko ruudulle. Jos taas ruudut ovat liian tarkkoja ja kuvaavat pienempää aluetta, kartan luettavuus heikkenee.
Hyvää analyysia bongasin Luukas Mickelssonin [1] blogista . “Lauttasaari ja Aurinkolahti ovatkin oman kokemuksen mukaan lapsiperheiden suosimia, mutta Töölön, Punavuoren ja Kallion korkeimpia osuuksia selittää varmasti se, että tämän aluerajauksen puitteissa aikalailla näilla kolmella ruudulla on koko seudun korkein väestötiheys”, Mickelsson analysoi luomaansa rasterikarttaa 1-vuotiaiden määrästä pääkaupunkiseudulla. Samaisesta blogista löysin runsaasti hauskoja ilmauksia ja blogi oli hersyvän miellyttävää luettavaa!
Pointtaan vielä Lucas Yonin [2] postauksen samasta kurssikerrasta. Oli opettavaista nähdä 250 m x 250 m koossa laadittu rasterikartta, jossa Yoni analysoi muunkielisten osuutta pääkaupunkiseudulla vuodelta 2015. Itse juuri aiemmin tässä postauksessa dumasin tarkempien ruutujen käytön rasterikartassa perustellen sen heikentäen luettavuutta, mutta tuohan oikeasti toimii!
Pornainen
Toisessa tehtävässä käsiteltiin opettajajohtoisesti rasteriaineistoja, korkeusmallin laatimista sekä karttaelementtien piirtämistä. Itselleni liiankin tutun Pornaisten peruskarttalehden taustalle tuotiin korkeusmallirasteriaineisto, jonka avulla tehtiin vinovarjostettu korkeusmalli.
Itsenäisenä tehtävänä oli ladata Paitulista peruskarttalehti, joka kattaa tehtävässä tarkasteltavan alueen. Korkeusmallin perusteella korkeuskäyrät laadin 5 metrin välein ja vertailin näitä Paitulista ladatun peruskarttalehden käyriin.
Kuva 4: Pornaisten taajaman keskusta-alueen korkeuskäyrät 5 metrin välein laadittuna korkeusmallin perusteella.Kuva 5: Pornaisten taajaman keskusta-alueen korkeuskäyrät Maanmittauslaitoksen peruskarttalehdessä.
Kuvassa 4 esitettävät korkeuskäyrät ovat helpommin tarkasteltavissa verraten kuvan 5 peruskarttalehden korkeuskäyriin. Ne kuitenkin ovat hyvin samankaltaiset ja samat alueet ovat helposti yhdistettävissä korkeuskäyrien avulla. Kuvia vertailemalla on pääteltävissä, että peruskarttalehden korkeuskäyrät on laadittu myös 5 metrin välein.
Kuva 6: Pornaisten taajaman keskusta-alueesta laadittu kartta, jossa näkyvillä pääelementit, rinnevarjostus ja korkeuskäyrät.
Viimeisessä tehtävässä oli tarkoituksena kurssikerralla käsiteltyyn Pornaisten karttapohjaan digitoida eli piirtää näkyviin eri karttaelementtejä. Piirsin itse karttaan rakennukset, tiestöä ja joen. Lisäksi jätin karttaan näkyviin rinnevarjostuksen sekä korkeuskäyrät. Itse henkilökohtaisesti ikävöin suuresti CorelDraw-ohjelmiston työkaluja. QGis:in piirtotyökalut vaikuttivat tuohon verraten hyvin alkeellisilta ja aiheuttivat alkuun paljon harmaita hiuksia.
Piirtotyökalujen kanssa taisi olla monilla muillakin aluksi ongelmia. Itse sain polygonien ja viivojen piirron loppujen lopuksi onnistumaan. Kun uutta viivaa luodessa muut näkyvissä olevat tasot laittoi piiloon, sai viivat piirrettyä ongelmitta. Myöhemmin kuulin puhuttavan jostain magneetti-työkalusta, jonka päällä ollessa piirrettävä elementti yrittää kiinnittyä näkyvillä olevaan toiseen tasoon, jolloin digitoiminen ei onnistu. Liekö tästä ollut sitten kyse 🥲.
Kirjoitan tätä postausta nyt uusin aivoin ja silmin, kun eilen QGis jälleen koetteli hermojani. Olin poissa viime kurssikerran ja maannut nyt neljä päivää flunssan kourissa – ja tästä syystä saan selkeästi QGis:in vihat niskaani.
Viikon tavoitteena oli edelleen oppia käsittelemään tietokantaa, muun muassa järjestelemään ja karsimaan sen sisältämiä tietoja haluamansa mukaan. Suuressa osassa kurssikertaa oli Join-toiminnon käyttö, jota itse olen odottanut tapeltuani kyseisen toiminnon kanssa ensimmäisen kurssikerran itsenäisissä tehtävissä. Tähän liittyi myös tietokantojen sarakkeiden tietojen päivittäminen ja uusien sarakkeiden luominen laskutoimitusten avulla, jota olemmekin jo päässeet aiemmin harjoittamaan. Lopuksi tälläkin kertaa sai keskittyä visualisoimaan teemakarttaa.
Tehtävä Afrikka
Ensiksi käsittelimme Afrikan valtiot sisältävää tietokantaa, johon oli tarkoituksena liittää tiedot esimerkiksi väestöstä, yleisesti internetiä käyttävästä väestöstä, Facebookia käyttävästä väestöstä ja timanttikaivosten sekä konfliktien sijainnista ja lukumäärästä.
Kurssikerran ensimmäisessä osassa harjoiteltiin Select features by value-toimintoa, jonka avulla pystytään yhdistämään tietoja yhdistävän tekijän perusteella. Itselläni tähän liittyvä Merge selected features-toiminto hälytti virhekoodia, enkä päässyt eteenpäin lukuisista yrityksistä huolimatta. Tälle onneksi oli ohjeissa vaihtoehtoinen toiminto, jossa tietokannan kohteet voidaan yhdistää kerralla saraketietojen pohjalta Dissolve-toiminnolla hämäävästä nimestä huolimatta. Tällä valtioiden tiedot nivoutuivat nätisti omiin sarakkeisiin.
Afrikka-tietokantaan tuotiin muita aineistoja Join-toiminnolla, jonka jälkeen tarkastelin Field calculator-toiminnon avulla esimerkiksi sitä, kuinka moni Afrikan väestöstä käyttää internetiä verraten koko väestöön ja kuinka iso väestöstä käyttää puolestaan Facebookia. Näitä tietoja voidaan pitää jonkinlaisena kehityksen mittarina.
Kuva 1. Afrikan maanosaa kuvaava kartta, jolle on sijoitettu eri muuttujia.
Kuten kuvassa 1 näkyy, loin tarkastelluista muuttujista Afrikan maanosaa kuvaavan kartan. Kartasta pystytään havainnoimaan öljykenttien, konfliktien ja timanttikaivosten sijainti valtioihin nähden.
Ongelmaksi minulle harjoituksessa koitui osuus, jossa ideana oli tiedon tuottaminen tietokantaan sijainnin perusteella. Count points in polygon-toiminto oli vielä melko helppo ja sain hyvin näkyviin esimerkiksi timanttikaivoksten määrän valtioittain. Uniikkeja yksilöllisiä konflikteja en enää osannut tietokannasta selvittää ja Join attributes by location (summary)-toiminto, jonka avulla olisi pystynyt tarkastelemaan polygonien määrää polygonin sisällä, ei tuottanut tarvitsemiani tuloksia. Kun yritin tätä jälkimmäistä, se purki joka kerta yhdistämäni valtiot taas lähtöpisteeseen, eli aivan kuin en olisi suorittanut Dissolve-toimintoa alussa.
No, pois teknisestä puolesta. Tehtävänä oli pohtia, mitä tiedoilla voisi tehdä tai päätellä, kun tietokannasta löytyy muitakin muuttujia, kuten konfliktin tapahtumavuosi ja laajuus kilometreinä, timanttikaivosten löytämisvuosi, kaivausten aloitusvuosi ja tuottavuusluokittelu, öljykenttien löytämisvuosi, poraamisvuosi sekä tuottavuusluokittelu ja internetkäyttäjien lukumäärä eri vuosina.
Pelkästään näitä muuttujia sekä karttaa tarkastelemalla, voitaisiin tehdä oletuksia muuttujien yhteyksistä. Konfliktien aikana kaivosten ja öljykenttien tuottavuusluokitus voisi olla huonompi. Lähdin hakemaan inspiraatiota Turkka Häkkisen blogipostauksesta. “Mielenkiintoisen tarkastelun konfliktien vaikutukselle tuottavuuteen saa myös esille tarkastelemalla tilanteita, joissa konflikti sattuu löydöksen ja ensimmäisen tuotantovuoden välille tai näkyy öljykenttien tuottavuusluokittelussa.” Häkkinen huomauttaa. Tämä on erittäin hyvä näkökulma, mikä ei itselle heti tullut mieleen. Konfliktialttiissa valtioissa luonnonvarojen hyödyntämisen ja vaurastumisen lisääntyminen voi edesauttaa konfliktien syntyä.
Konfliktien ja internetin käyttäjien välillä voitaisiin havaita varmasti jonkinlainen yhteys. Internetin käyttäjiä voisi olla konfliktialttiissa valtioissa vähemmän suhteessa muihin valtioihin tai internetin käyttö konfliktivuosina vähenee. Timanttikaivosten ja öljykenttien tuottavuuden ja luonnonvaran hyödytämisen aloittamisen jälkeen internetin käyttäjäkunta on varmasti kasvanut vaurastumisen myötä.
Tehtävä tulvaindeksikartta
Viikon toisessa tehtävässä oli tarkoituksena luoda teemakartta, joka kuvaa Suomen valtion vesistöjen valuma-alueominaisuuksia, kuten tulvaherkkyyttä ja järvisyyttä. Järvisyys oli itselle melko tuntematon käsite, joka ei sinänsä kertonut mitään. Tieteen termipankissa sen määritelmä on seuraava: “Järvien prosenttiosuus valuma-alueen alasta”. Tulvaherkkyyttä tehtävässä kuvataan tulvaindeksinä, joka on tulvahuippujen ja kuivien kausien aliempien arvojen keskiarvot suhteessa toisiinsa. Luku kuvaa siis virtaaman vaihtelua verraten virtaaman huippua kuivimpaan aikaan.
Tehtävässä pääsin jatkamaan Join-toiminnon harjoittelua. Yleisesti kaikkia liitostoimintoja käytettässä on erittäin tärkeää, että tietokannoista löytyy yhtenäinen sarake ja että tietokantojen informaatiot syötetään toivottuun toimintoon oikein. Jouduin itse toistelemaan toimintoja useaan otteeseen ja aloittamaan alusta, koska QGis:in toiminta ei vieläkään ole minulle täysin selkeää. Lisäksi minulla oli taas monta turhaa tasoa mukana läpi harjoituksen, mutta edelleen, mielummin pelaan näin varman päälle.
Kuva 2. Valuma-alueiden tulvaindeksiä kuvaava teemakartta.Kuva 3. Valuma-alueiden tulvaindeksiä ja järvisyyttä kuvaava teemakartta.
Kuvassa 2 on tehtävässä luomani teemakartta, jossa tulvaindeksin voimakkuus on kuvattu eri oranssin sävyin. Kuvassa 3 on sama teemakartta, johon on lisätty järvisyyttä kuvaavat histogrammit, eli pylväskaaviot. Tallensin kaksi eri karttaa, jotta tulvaindeksiä kuvaavia luokituksia pystyy tarkastelemaan kunnolla. Mielestäni järvisyysprosenttia kuvaavat pylväät ovat hämmentäviä, koska prosenttilukuja ei ole esillä tai ne eivät ole kokonaisia sadan prosentin pylväitä. Nyt niitä pystyy vertailemaan vain toisiinsa. Suurin järvisyyttä kuvaava luku oli aineistossa 19,8 ja pienin 0, joten jos tuntee tietokannan valmiiksi, tulkitseminen on huomattavasti selkeämpää.
Pylväiden tuottamisen kanssa minulla oli suurin ongelma, jonka tajusin vasta pitkän kamppailun jälkeen. Järvisyyttä kuvaavat luvut olivat tekstimuotoisessa sarakkeessa, enkä vain löytänyt välivaihetta, jossa ne saisi desimaalimuotoon tuodessani aineistoa Excelistä. Omien googlettelujen ja Jentzen neuvojen jälkeen sain tietokannan sarakkeen muodon muutettua Toolboxista löytyvän Refactor-toiminnon avulla. Pylväät ilmestyivät ja olin iloinen. Luin Joona Korhosen blogipostauksesta, että muilla oli ollut samaa ongelmaa ja tämän huomaamiseen on hyvä muistisääntö. “Tämän vinkin muistan tästä eteenpäin harjoituksia tehdessäni: tekstimuotoisena numerot asemoituvat sarakkeen vasempaan reunaan, lukuarvomuotoisena sarakkeen oikeaan reunaan”, Korhonen vinkkaa.
Ja vihdoinkin oikeaan tehtävään, kartan sisällön pohtimiseen. Maallikkona kartoista voisi ajatella, että tulvaindeksi kuvaa tulvien voimakkuutta tai esiintymistä. Järvisyysprosenttia kuvaavien pylväiden voisi ajatella merkitsevän järvien ja vesistöjen määrää alueella. Yhteenvetona siis Etelä-Suomi, Turun seutu sekä Perämeren alue Oulun eteläpuolella olisivat kaikista tulva-alttiimpia alueita, juuri tuon rannikkosijainnin takia. Manner- sekä Itä-Suomessa voidaan maallikon silmin katsoa olevan enemmän järviä sen takia, että näiltä valuma-alueilta ei ole suoraa käyntiä mereen.
Kurssin toisella kurssikerralla tappelu QGis-ohjelmiston kanssa jatkui. Kurssikerta koostui hyvin pitkälti opettajajohtoisesta työnkentelystä tietokantojen perushallinnan sekä karttaprojektioiden vääristymien vertailujen parissa. Viime kurssikerralta muistui hyvin mieleen attribuuttitaulukon kanssa kikkailu ja uusien tietokenttien lisääminen.
Kurssikerran ensimmäisessä osassa opimme avaamaan aineiston palvelimen rajapinnan kautta. Tarkastelimme kahta eri mittakaavaista Kunnat 2020-aineistoa ja harjoittelimme valintatyökalun käyttöä kohdentaen aineiston tiettyihin ominaisuuksiin ja näiden tallentamista omaksi tasokseen.
Siirryimme karttaprojektioiden tarkasteluun. “Karttaprojektio on kaksiulotteinen esitys kolmiulotteisesta Maasta. Kun kolmiulotteinen asia litistetään vain kahteen ulottuvuuteen, välimatkat vääristyvät kartan reunoilta”, tiivistävät osuvasti Jade Lehtinen ja Pyry Kettunen (2/2019) Maanmittauslaitoksen lehdessä Tietoa Maasta. Tarkoituksena oli luoda useampi teemakartta, jotka kuvaavat eri karttaprojektioiden välisiä vääristymien suuruuksia. Loimme kurssikerralla yhdessä yhden TM35FIN-ja Mercatorin projektion välistä vääristymäkerrointa kuvaavan kartan, joka näkyy kuvassa 1.
“TM35 tarkoittaa “Transverse Mercator, jossa Mercator projektio on projisoitu poikittaisen lieriön mukaisesti eikä pystyssä olevan. Lieriön “kosketuspinta” pallolla on noin Suomen keskikohdalla. Tällöin pitkulainen Suomi saadaan sopusuhtaisemmaksi”, Sofia Salonen täsmentää loistavasti blogissaan postauksessa Kurssikerta 2 – 25.1.2023.
Kuva 1: TM35FIN- ja Mercatorin projektioiden välistä vääristymäkerrointa kuvaava teemakartta eli tietokantakartta.
Tarkoituksena kaikissa teemakartoissa oli verrata projektiota TM35FIN-projektioon, koska tämä koordinaatistojärjestelmä kuvaa Suomen valtion aluetta yhdellä projektiokaistalla.
Kuva 2: TM35FIN- ja Robinsonin projektion välistä vääristymäkerrointa kuvaava teemakartta eli tietokantakartta.Kuva 3: TM35FIN- ja sinusoidaalisen eli Sanson–Flamsteedin projektion välistä vääristymäkerrointa kuvaava teemakartta eli tietokantakartta.
Seuraavaksi loin itsenäisesti vielä kaksi tietokantakarttaa, joiden tavoitteena on kuvata projektioiden välisiä vääristymien eroja selkeästi. Kuvassa 2 on kuvattuna TM35FIN-projektion ja Robinsonin projektion välinen vääristymäkerroin ja vastaavasti kuvassa 3 TM35FIN-projektion ja sinusoidaalisen projektion välinen vääristymäkerroin.
Valitsin jokaiseen karttaan eri määrän vääristymäkerrointa kuvaavia luokkia, sillä erot vääristymäkertoimien välillä vaihtelivat huomattavasti. TM35FIN-projektion ja Mercatorin projektion välinen vääristymäkerroin vaihtelee 3,94 ja 8,24 välillä ja nämä luvut ovat huomattavasti suurempia verrattuna kahden muun kartan lukuihin. Puolestaan TM35FIN- ja Robinsonin projektion vertailussa vääristymäkerroin vaihtelee 1,185 ja 1,416 välillä. Kartassa on neljä luokkaa, mutta sekin lienee liian suuri määrä kuvaamaan projektioiden välisiä eroa. Usean eri värin käyttäminen luo kuvitelmaa siitä, että erot olisivat dramaattisempia ja vääristymäkerroin suurenisi huomattavasti pohjoisempaan siirryttäessä, vaikka legendan vääristymäkerrointa kuvaavat luvut kertovat toisin. Jätin tarpeettomasti luvut kolmen desimaalin tarkkuudella.
TM35FIN-projektion ja sinusoidaalisen projektion välistä vääristymäkerrointa kuvaava kartta on visuaalisesti jo hyvin erinäköinen. Värierot esiintyvät pääosin vertikaalisessa suunnassa, lukuunottamatta kaikista pohjoisinta Suomea, jossa vääristymäkerroin vaihtuu lähes satunnaisesti. Legendaa tarkastellessa huomataan, että projektioiden väliset vääristymäkertoimet esiintyvät erittäin pienellä vaihteluvälillä. Pienimmillään kerroin on 0,997 ja suurimmillaan 1,002. Värit saavat tässäkin aikaan dramaattisemman eron, mitä se todellisuudessa onkaan. Otin sinusoidaalisen (myös oikeapintainen Mercatorin projektio) projektion kuitenkin tarkasteluun, koska halusin nähdä vaihtelua myös vertikaalisessa suunnassa. Näitä kolmea karttaa on nopealla katsauksella hankala vertailla keskenään, sillä värit eivät kuvaa saman suuruisia vääristymäkerroinluokkia.
Kurssikerralla opettajajohtoisesti työstetyn teemakartan jälkeen unohdin ensiksi taas lähes kaikki toiminnot, mitä käytimme, mutta pienen kertaamisen jälkeen kartat oli helppo toteuttaa itsenäisesti. Ongelmaksi kuitenkin selkeästi muodostui se, että toistin ehkä liikaa tiettyjä komentoja ja minulla oli liikaa tasoja säilytyksessä siihen nähden, mitä oikeasti olisi tarvinnut. Toisaalta, mielummin tässä vaiheessa pelaa varman päälle, koska tekeminen ei ole sataprosenttisen varmaa vielä!
Lopuksi vertailin projektioiden välillä esiintyviä eroja mittaustyökalun avulla. Mittasin ensin Suomen pohjoisosaan hatun muotoisen alueen ja tämän jälkeen tein mittauksen janan muodossa Keski-Suomen läpi itä-länsi-suuntaisesti. Keräsin mittaustuloksia eri projektioilla ja koostin kaksi taulukkoa, joista tulee ilmi käytetty projektio, mitattu alue ellipsoidin pinnalla sekä karteesisesti, eli “litteän Maan” pinnalla mitattuna, erotus TM35FIN-projektion karteesiseen mittaustulokseen verrattuna ja tästä samasta vielä prosentuaalinen ero projektioiden välillä.
Taulukko 1: Pinta-alojen eroja eri projektioiden välillä.
Taulukko 2: Pituuksien eroja eri projektioiden välillä.
Taulukossa 1 näkyy koostetut mittaustulokset pinta-alan vaihtelusta projektiota vaihdettaessa. Ellipsoidin pinnalla tarkastellessa pinta-aloissa ei ole huomattavan suurta muutosta, jos sitä on lainkaan. Tämän takia en laskenut näiden välisiä eroja, koska pallon pinnalta mitattuna erot eivät ole selkeitä. Tason pinnalla tarkasteltuna pinta-alat vaihtelevat hyvin paljon. Erityisesti Mercatorin projektiossa pinta-ala muuttuu hyvin paljon verraten tuttuun ja turvalliseen TM35FIN-projektioon. Prosentuaalinen ero näiden välillä on 88,0, kun taas TM35FIN-projektion ja sinusoidaalisen projektion välinen prosentuaalinen ero tason pinnalla mitattujen pinta-alojen välillä on vain 1,4.
Taulukkoon 2 on koostettu samat muuttujat, mutta mittauskohteena oli jana, jonka pituus on ilmoitettu taulukossa kilometreinä. Vaihtelut ellipsoidin pinnalla mitattujen lukujen välillä ovat tässäkin tapauksissa hyvin pieniä, tai niitä ei ole ollenkaan. Prosentuaalisia eroja tarkastellessa huomataan taas TM35FIN-projektion ja Mercatorin projektion välinen suuri ero, jana on 54,6 prosenttia pidempi Mercatorin projektiolla tasolla mitattuna. TM35FIN-projektion ja sinusoidaalisen projektion välinen vastaava ero on vain 3,6 prosenttia. Tuloksista voidaan päätellä, että tarkastelluista projektioista sinusoidaalinen projektio vääristyy vähiten ja kuvaa Suomen valtion aluetta lähes samoin, verraten TM35FIN-projektioon. Winkel Tripel- sekä Robinsonin projektioiden erot ovat sekä pinta-alaa, että janaa tason pinnalla tarkastellessa huomattavia.
Harjoitus oli mukava ja oli taas palkitsevaa oppia työskentelemään QGis-ohjelmiston kanssa vähän paremmin. Itselläni ilmeni pieniä ongelmia lähinnä sen takia, että käytin työskennellessäni Macbookia, mutta sain ongelmat lopulta selvitettyä. Esimerkiksi sillä on hyvinkin paljon väliä, mistä kansiosta aineiston yrittää QGis:iin aukaista.
Viime kurssikertaa kommentoiden, oli mukava jälkeen päin lukea muiden blogeja ja tehtävien analysointia. Muun muassa Tatu Jentze blogissaan koosti tehtävän kulun mukavasti kuvien ja vinkkien kera ja samaistuin Jentzen ajatuksiin ohjelmiston käytöstä.
Postaus käsittelee Geoinformatiikan menetelmät MAA-202 -kurssin ensimmäistä kurssikertaa, jossa tutustuimme QGis-ohjelmiston perustoimintoihin ja paikkatietoaineiston käsittelyyn. Käytimme avointa aineistoa Itämeren suojelukomission HELCOM:in allekirjoittajavaltioiden typpipäästöistä Itämereen. Ideana oli visualisoida tasot, oppia lisäämään attribuuttitaulukkoon tietoa ja tehdä tästä mielekkään näköinen teemakartta.
Työskentely kurssikerralla sujui hyvin ja sain valmiiksi tehtävän mukaisen teemakartan, joka näkyy alla. Kartassa on luokiteltu prosentuaaliset osuudet HELCOM-valtioiden typpipäästöistä Itämereen.
Kuva 1: Koropleettikartta HELCOM-valtioiden Itämereen aiheuttamat typpipäästöt prosentteina
Kartan legendasta tulee ilmi luokitusvärien selitteet, suojelukomission alle kuuluvat merialueet ja agendan allekirjoittaneet valtiot, syvyyskäyrät sekä HELCOM:iin kuulumattomat naapurialueiden valtiot. Värien luokitellut aluejaot ilmoittavat valtion prosentuaalisen osuuden koko HELCOM-alueen typpinielusta.
Teemakartan visuaalisuutta olisi voinut vielä parannella esimerkiksi muuttamalla luokitusvärejä vähemmän aggressiivisiksi. Mielestäni kartan selitteet ovat selkeät, mutta esimerkiksi käsite HELCOM ei välttämättä avaudu henkilölle, joka ei tunne aineistoa.
Kurssikerran jälkeen jatkoin oppimaani luoden toisen teemakartan Suomen kunnat 2015 -aineistosta. Teemakarttaan valitsin aineistossa valmiiksi olevan muuttujan yli 64-vuotiaiden osuus prosenteina koko väestöstä kunnittain. Ensin teemakartan tuottaminen oli hankalaa, koska QGis-ohjelmiston käyttö vaatii harjoittelua. Sain lopulta ongelmitta tuotettua visuaalisesti miellyttämän koropleettikartan.
Kuva 2: Koropleettikartta yli 64-vuotiaiden osuudesta prosentteina kunnittain
Koropleettikartan selite on selkeä ja avautuu helposti henkilölle, joka ei aineistoon ole pahemmin tutustunut. Kartassa esitetty muuttuja on helppo ymmärtää legendan otsikon ja luokitusten selitteiden perusteella. Tässäkin teemakartassa olisi luokitusten värejä voinut muuttaa mieluisammiksi, mutta nämä värit olivat myös melko selkeät.
Yritin myös tehdä kurssikerran tehtävän vaihtoehto 2, mutta en monista yrityksistä huolimatta saanut aineiston tietoja liitettyä yhteen kuntapohjan kanssa. Etsin netistä step-by-step ohjeet, mutta jokin siinä meni pieleen, enkä osannut ajatella itse, miten alkuperäiseen aineistoon lisätään uusi muuttuja. Tämä jäi kyllä ärsyttämään.
Harjoitus oli muuten kattava ja opetti QGis-ohjelmiston käyttöä hyvin. Minusta oli mukavaa onnistua tekemisessä ja odotan innolla ohjelman käyttöä jatkossakin. 😊
Toivottavasti teillä muilla sujui eka harjoitus kivasti!
