Gis 1 Roosa Kinnunen

Lopputyönä halusin tarkastella Lontoon aluetta. Löysin kattavan aineiston (viite 1), johon oli kerätty muunmuassa Lontoon väestön sukupuolijakaumaa, asutusta, terveystietoja ja koulutusasteet. Hankin Lontoon pohjakartan eri lähteestä (viite 2), kuin aineistot joten yksi haastavimmista tehtävistä osoittautuikin olemaan se, että minun piti vaihtaa tiedostossa olevia nimiä, jotta ne vastaisivat toisiaan. Kartoista voikin nähdä, etä kaikissa kohdissa en ole tässä niin hyvin onnistunut, vaikka koitin kyllä parhaani mukaan Excelin kanssa venkslata. Pakko kyllä todeta, että jopa excel taidot ovat kehittyneet tällä kurssilla.

Kun olin saanut muokattua aineiston tiedot vastaaviksi pohjakartan nimistön kanssa, pystyin liittämään csv taulukon pohjakarttaan Join-komennolla ja kuvaamaan arvoja kartalla. Anna on blogissaan tehnyt melko samanlaista lopputyötä, mutta hän on keskittynyt Suomeen. Hänen lopputyössään on esimerkiksi tarkasteltu 15-19 vuotiaiden osuutta väestöstä kunnittain, ja karttaan on liitetty sen lisäksi lukioiden määrä.

Olisin halunnut esittää esimerkiksi naisten väestöosuudet ja terveyskokemuksen samassa kartassa, mutta jos olisin laittanut esimerkiksi pylväät tai numerot kuvaamaan hyvää terveyttä alueittain samaan karttaan, niin siitä ei olisi nähnyt enää mitään. Kuvassa 1 on esitetty Lontoon alueiden miesten osuudet prosentteina. Kuten kuvasta näkyy, kaikki alueet eivät päässeet kartalle koska en saanut kaikkia nimiä muokattua excelissä aineistosa. Kuvassa 2 on yhtälailla kerrottu naisten osuude prosentteina Lonoon eri alueilla. Vaikka värimaailma on melko radikaali kartoissa, on kuitenkin alueilla melko tasaisesti sekä miehiä, että naisia. Kuitenkin on havaittavissa, että miehiä on Lontoon keskustassa enemmän ja kauemmat alueet ovat enemmän naisvaltaisia.

Kuvassa 3 on esitetty terveyden kokeminen todella hyväksi Lontoon eri alueilla. Asteikko on jäänyt hieman puutteelliseksi alkupäästä, koska alin väli on 0-46%, jolloin näyttäisi siltä, etei kovin moni tunne terveyttänsä todella hyväksi, vaikka todellisuudessa melkein 50% olisi sitä mieltä. Kuvassa 4 on tarkasteltu korkeakoulutustasoja Lontoon alueella, ja kuvasta voikin todeta että korkeakoulutettuja on eniten keskusta-alueen läheisyydessä. Voidaankin vetääjohtopäätös, että korkeakoulutetuista voisi olla suurempi osa miehiä, jos verrataan näitä havaintoja kuviin 1 ja 2.

Kuva 3. Kuinka moni Lontoossa kokee alueittain terbeytensä todella hyväksi

 

Viitteet

Avellan, Anna. 26.2.2020, Lneto QGIS 3.4.1 laskeutuminen

https://blogs.helsinki.fi/avellana/

Lontoon aineistot kartoja varten

https://datashine.org.uk/#table=QS104EW&col=QS104EW0002&ramp=YlOrBr&layers=BTTT&zoom=11&lon=-0.0381&lat=51.5643

Lontoon pohjakartta

https://data.london.gov.uk/dataset/statistical-gis-boundary-files-london

 

Lähdimme ulos etsimään pisteineistoa tulevaa tehtävää varten. Käytimme pisteiden keräämiseen Epicollect5 sovellusta, jossa pystyi sallimaan sijaintitiedon jakamisen, jolloin pisteistä sai kerättyä tarkkaa tietoa. Sovelluksessa pystyi määrittämään esimerkiksi havainnoidun paikan turvallisuuden tunteen asteikolla 1-5, joista 1 oli turvaton ja 5 turvallinen. Kerätyt aineistot siirrettiin QGIS-ohjelmaan ja aineistoa alettiin tarkastelemaan. Erityisesti keskityttiin havaittuun turvallisuuden tunteeseen. Pisteaineistolle tehtiin interpolaatio (kuva 1.) (inverce distance weighting interpolation) QGIS ohjelmaa käyttäen. Saana on blogissaan kertonut interpoloinnista tarkemmin

Seuraavaksi pääsimme harjoittelemaan tiedon tuomista kartalle pistemuotoisena tietona. Kuten Heini blogissaan kertoi, oli jotkut aineistot muokattava Excelissä ja tallennettava ne cvs-muotoisena, jotta ne pystyi tuomaa QGIS-ohjelmaan. Päätin tarkastella itse maanjäristyksiä eri aikoina, sekä tarkastella kuinka voimakkaita maanjäristyksiä on ollut ympäri maapalloa. Kuten kuvasta 2 näkyy, on kymmenessä vuodessa kerennyt olla todella paljon maanjäristyksiä. Halusin tarkastella myös pienempää aikaväliä, ja magnitudiltaan suurempia maanjäristyksiä maapallolla (kuva 4.) Lisäksi otin lähennyksen kuvasta 4 (kuva 3), koska Japanin Itärannikolla oli ollut tänä aikana monta erisuuruista maanjäristystä, eikä ne näkyneet hyvin suuremmassa kuvassa. Japanissa sattuu paljon maanjäristyksiä, koska se sijaitsee tuliperäisellä ja järistysherkällä alueella, niin sanotulla Tyynenmeren tulirenkaalla kolmen mannerlaatan yhtymäkohdassa.

 

Viitteet

Järvinen, Saana. 19.2.2020, Kävellen kuntoon (KK6)

https://blogs.helsinki.fi/jarvsaan/

Mäkelä, Heini. 24.2.2020, Epicollect5-sovellus, interpolointi ja cvs-muotoisen aineiston lataaminen internetistä

https://blogs.helsinki.fi/mcheini/

Viidennellä kurssikerralla kävimme suoraan kiinni aineistoihin, joita tuotettiin viime kerralla. Jos ei itse ollut kerennyt digitoida peltoja, koulua ja terveyskeskusta, pystyi ne lataamaan valmiiksi tehdystä aineistosta.

Tutustuimme monenlaisiin uusiin työkaluihin tällä kurssikerralla, ja onneksi kirjoitin muistiinpanoja samalla kun kävimme asioita läpi koska muuten ne olisi voinut haihtua melko nopeasti mielestä. Toki ohjeet löytyisivät myös moodlesta, mutta omat muistiinpanot on usein helpommin ymmärrettävissä.

Tarkastelimme Malmin lentokenttää ja sen kiitoratojen läheisyydessä olevaa asutusta (kuvat 1 ja 2).

 

Kurssikerran harjoituksissa pääsi harjoittelemaan alueiden ja kohteiden valintaa, sekä bufferointia. Myös intersect ja select by location työkalut olivat kovassa käytössä. Kuvassa 3 on tutkittu kuinka paljon asukkaita on vähintään 55 dB melualueella.

Taulukossa 1 on koottu tulokset siitä, kuinka monta asukasta asuu alle 500 metrin päässä lähimmästä juna- tai metroasemasta. Lisäksi on kerrottu, kuinka monta prosenttia edellämainituista on työikäisiä. Taulukossa 2 on kerrottu tulokset siitä, kuinka monta asukasta asuu Helsinki-Vantaan lentokentän välittömässä läheisyydessä, kun etäisyys kiitoratoihin on alle 2 km. Lisäksi on kerrottu, kuinka monta prosenttia edellämainituista asukkaista asuu pahimmalla melualueella (65dB) ja vähintään 55dB melualueella. Tämän lisäksi on arvioitu, kuinka monen Tikkurilassa asuvan elämää vähintään 60dB meluaste haittaisi, jos saapuva lentoliikenne käännettäisiin laskeutumaan poikkeuksellisesta suunnasta (kaakosta luoteeseen).

Taulukko 1.

Talukossa 3 on esitetty, kuinka moni pk-seudun asukkaista asuu taajamassa. Lisäksi on tarkasteltu, kuinka moni kouluikaisistä asuu taajamassa, sekä päinvastoin kuinka moni asuun sen ulkopuolella. Taulukossa 4 on koottu tulokset oman itsenäistehtävän tuloksista. Valitsin aiheekseni uima-altaat ja saunat. En saanut tehtyä teemakartasta järkevää, joten päätin säästää hermojani ja aikaani ja olla laittamatta sitä tähän postaukseen. Taulukosta voidaan nähdä, kuinka monessa rakennuksessa on uima-allas pk-seudun alueella, sekä kuinka paljon asukkaita tällaisissa taloissa asuu. Lisäksi rakennusten tyypit on eroteltu ja kerrottu, kuinka uima-altaat sijoittuvat eri rakennustyyppeihin. Voidaan havaita, että omakotitaloissa on selvästi eniten uima-altaita. Tarkastelin Tomin blogia, ja helpotukseksi huomasin, että hänellä oli samanlaisia arvoja tullut kyseisestä tehtävästä. Hän oli myös saanut hienosti tehtyä teemakartan aiheeseen liittyen.

 

Kyseinen harjoituskerta oli mielestäni todella raskas ja kotona suoritettavia tehtäviä oli paljon. Kuten Saanakin blogissaan kertoi, oli itsellänikin jo ensimmäisen tehtävän kanssa ongelmia. Onneksi google on kätevä tapa hankkia tietoa, jos ei kaikkea viitsi aina kysyä joltain ja tason muodostaminen jolle pystyi piirtämään tapahtuikin sitten melko helposti.

Viitteet

Valintojen maailma: bufferointia ja tietokantojen syväluotaavaa suodatusta, 12.2.2020, tomingeoblogi

https://blogs.helsinki.fi/tomingeoblogi/

Josko sitä jo alkais oppimahan, 19.2.2020, Saana’s blog

https://blogs.helsinki.fi/jarvsaan/

 

 

Pisteaineistot ovat yksi tarkimmista paikkatietoaineistoista, ja sitä voikin kerätä melkein mistä tahansa riippumatta kohteista. Voidaan kerätä tietoa kohteista, jotka ovat luontaisesti pistemäisiä, kuten rakennuksista. Pisteaineistoista kaikista tarkinpia ovat laserkeila-aineistot, jotka sisältävät miljoonia pisteitä. Näistä voidaan luoda kolmiulotteisia malleja ja sillä voikin mallintaa esimerkiksi maastoa erittäin tarkasti, jopa tarkemmin kuin kymmenien senttien tarkkuudella. Dataa pitää kuitenkin siistiä paljon ennen käyttöä, koska siinä on ylimääräistä “kohinaa”.

Ruutuaineistot ovat mielekäs tapa tuottaa alueellista tietoa ilman valmista aluejakoa. Tietoaineistot ovat yleensä melko isoja, ja niiden huonona puolena on se että ne maksavat melko paljon. Kuitenkin, vaikkka esimerkiksi YKR:n aineisto on ruutuaineistoa, on se kerätty pisteaineistona.

Kurssikerran aiheena on tutustua pisteaineistoihin, jonka pariin sukellettiin tehtävän yksi pohjalta. Ensimmäisenä loimme ladatuista tiedostoista hilan, joka yhdistettiin pääkaupunkiseudun väkiluvun kanssa yhdistetyksi tiedostoksi. Yhdistimme tasoja siten, että valituista ruuduista otettiin tarkasteltavaksi summat asutuksesta yhteensä, muunkielisistä ja ulkokansalaisista. Näistä olisi pitänyt sitten  laskea ulkomaankansalaiset kaikista asukkaista, mutta minulla ei onnistunut yhdistetyn tiedoston laatiminen lainkaan. Taulukkoon ei tullut arvoja (kuva 1), vaikka kuinka ajoi samaa ohjelmaa. Koitin vielä viikon päästä eri koneella uudelleen ennen seuraavaa kurssikertaa, mutta ei onnistunut siltikään. Moti menee. Emma on onnistunut tehtävässä paljon paremmin, ja ihailinkin hänen luomaansa ruutuaineistoa pääkaupunkiseudun mies- ja naisvaltaisista alueista.

Rasteriaineistoihin pääsimme käsiksi tehtävässä kaksi, jossa toimme satelliittikuvaa ja peruskarttaa samasta aineistoista tarkasteltavaksi. Tämän lisäksi tuli ohjelmaan tuoda myös Pornaisten keskustaa rajaava tiedosto, jota tarvittiin seuraavaan osioon. Tunnin päätteeksi saimme mukavan homman naputtaa kaikki mustat rakennukset kartalta käsin, ja sen lisksi piti merkitä tietyt tiet (kuva 2). Itseltänihän meni yllättäen ohi mitkä tiet tuli merkitä niin laitoin joitain nyt malliksi. Ennen tätä olen käyttänyt vain CorelDrawta digitoidessani karttoja, ja on kyllä pakko myöntää että QGIS on siihen verrattuna hieman hankalakäyttöisempi. QGIS:in piirtotyökalu tuntui jokseenkin epätarkalta. Blogissaan Miklas kertoo samanlaisista fiiliksistä, ja hän on kerennytkin jo digitoida kartalta myös pellot ja joet.

Viitteet

Kuoppala, Miklas. Aika on niin julma, 7.2.2020

https://blogs.helsinki.fi/kmiklas/

Taalikka, Emma. Pisteitä ruuduissa kuin aukkoja mielessä, 9.2.2020

https://blogs.helsinki.fi/emmataal/

Kolmannella kurssikerralla opimme kuinka ulkoista tietoa muista ohjelmsta voi liittää osaksi tietokantaa. Harjoittelimme myös tietokantojen yhdistämistä erilaisin menetelmin, sekä uuden tiedon tuottamista olemassa olevaan tietokantaan vanhan tiedon avulla.

Ensimmäiseksi harjoittelimme näitä asioita yhdessä, kun tarkastelimme kurssikerran Afrikka-tiedostoa. Aineistossa oli paljon tietoa, joka kuului yhdelle valtiolle, joten yhdistimme kohteita. Sulautimme aineistot maan mukaan, jolloin aineistoa oli helpompi käsitellä. Tämän jälkeen harjoittelimme tietojen tuomista excelistä QGIS ohjelmaan, ja tuodun taulukon yhdistämistä karttaan. Tämän jälkeen laskimme, paljon prosentuaalisesti on käytetty internettiä koko maassa vuonna 2019. Kuvassa 1 on esitettu teemakarttana internetin käyttö maittain prosentuaalisesti.

 

Seuraavaksi tehtävänämme oli laskea aineistosta tulvaindeksi, joka on keskiylivirtaaman ja keskialivirtaaman välinen suhde. Tästä tehtiin teemakartta, jonka avulla voitiin siis tarkastella alueiden tulvaherkkyyttä koropleettikarttana (kuva 2) ja sen lisäksi kuvattiin järvisyyttä diagrammina (kuva 3), teimme tehtävän yhdessä Annan kanssa (Parviainen, 2020).

Jostain syystä en saanut lisättyä kuvaan 2 järvisyysprosentteja, kuten esimerkiksi Iida on kuvannut ne pylväin omassa työssään (Kokkinen, 2020). Joonatan on blogissaan ansiokkaasti pohtinut, mistä alueiden erilaiset tulvaindeksit johtuvat (Reunanen, 2020).

Viitteet

Kokkinen, Iida 3.2.2020, Kolmatta kurssikertaa ja tietokantojen muokkausta

https://blogs.helsinki.fi/iixkokki/

Parviainen, Anna 29.1.2020, Kolmas kurssikerta

https://blogs.helsinki.fi/pabanna/

Reunanen, Joonatan 29.1.2020, Beast mode on

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

 

Toinen kurssikerta käynnistyi mukavasti, koska olin päättänyt että tällä kerralla en putoa kärryltä. Kaikki meni ihan hyvin, kunnes putosin taas kärryltä, eikä mikään toiminut ja epätoivo iski.

Asiaan. Kurssikerran tarkoituksena oli harjoitella valintojen tekemistä, tietokantojen perushallintaa sekä tarkastella projektion vaikutusta karttaan ja sen mittoihin. Ensimmäisenä toimme Tilastokeskuksen vekroriaineistoa WFC-palvelujen avulla QGIS:iin, joka osoittautui todella helpoksi. Aineisto tuli tallentaa kopiona itselleen, jotta sitä pystyi muokkaamaan. Ladattua aineistoa pystyi ainoastaan tarkastelemaan, koska se oli linkitetty palvelun tietokantaan, eikä olisi mielekästä että sen tietoja pystyisi kaikki muokkaamaan.

Toimme aineistosta kuntien 2019 1: 4 500 000 tiedot tarkasteltavaksi, joille laskimme pinta-alat. Pinta-alojen laskussa tuli ottaa huomioon se, että $area-funktio laskee projektion mukaisen pinta-alan, ja koska mittayksikkö on valitussa koordinaattijärjestelmässä neliömetrin, on tulos jaettava miljoonalla, jotta yksiköksi saadaan neliökilometri. Oletus koordinaattijärjestelmänä oli siis EPSG:3067 – ETRS89 / TM35FIN(E,N). Tarkistin wikipediasta, että laskemani pinta-alat ovat edes jollain tasolla oikeas, ja Akaan PA:ksi wikipediassa ilmoitettiin 314,38 neliökilometriä, kun itse sain tulokseksi 315,01 neliökilometriä. Seuraavaksi harjoittelimme erilaisten valintojen tekoa aineistosta. Kuvassa 1 on valittu alueet, joiden pinta-ala on suurempi kuin 5000 neliökilometriä.

Kuvaa 2 varten koordinaattijärjestelmä vaihdettiin EPSG:53004 – Sphere_Mercator:ksi, jonka jälkeen laskettii uudet pinta-alat. Tämän jälkeen verrattiin näiden kahden pinta-aloja, ja kuinka mercator-projektio vääristää niitä, etenkin Suomen pohjoispuolella. Vääristymä näkyy selkeästi mentäessä kauemmas päiväntasaajalta, kuten Tiina Aaltokin blogissaan toteaa. (2020) Hän kertoo myös tarkemmin, kuinka oikeakulmainen ja oikeapituinen projektio eroavat toisistaan.

Viitteet

Tiina Aalto, 26.1.2020, Rajapinnalta pinta-alaksi

https://blogs.helsinki.fi/tidaalto/

 

Hyvä luoja ja oikein hyvää sunnuntai-iltaa, kun tätä kirjoittelen. Maanantaina oli ensimmäinen kurssikerta tämän aiheen parissa, eikä se alkanut parhaalla tavalla. Väsytti ja ärsytti ja tuntui, että kaikki meni ohi. Sain kuitenkin jotain tehtyä!  Onnekseni sain myös huomata, etten kamppaile kurssin kanssa aivan yksin, kun luin Aapo Keinäsen blogitekstiä samalta kurssikerralta (Keinänen, 2020).

Ensimmäisellä kerralla pääsimme siis tutustumaan QGIS-ohjelmistoon. Wikipedian mukaan QGis on vapaa paikkatieto-ohjelmisto,  joka sisältää mahdollisuuden tiedon selaamiseen, muokkaamiseen ja analysointiin.Ja näin teimmekin, kun pääsimme harjoittelemaan tiedon siirtoa ohjelmaan, tietojen selailua, sekä sen muokkausta erilaisten työkalujen avulla. Tomi kirjoittaa blogissaan, kuinka tärkeää geomedian lukutaito on ja sanookin osuvasti, että se onnistuu parhaiten kun tietää kuinka aineistoa on tuotettu (Kiviluoma, 2020).

Teimme tunnilla ensin yhdessä ohjeistuksen avulla karttaesityksen Itämerta ympäröivien valtioiden typpipäästöistä (kuva 1). Menimme todella nopeasti eteenpäin ja uusien asioiden tulvan seurauksena oli välillä hankalaa pysyä perässä. Olen kuitenkin kiitollinen yhteisestä aloituksesta, koska sen avulla ohjelmisto tuli hyvin tutuksi kaikkine työkaluineen.

Seuraavaksi saimmekin soveltaa oppimaamme, kun tehtävänä oli laatia teemakartta Suomen kuntien avainlukuaineistoista. Tiedot olivat Tilastokeskukselta vuodelta 2015. Päätin yksinkertaisuuden nimissä tutkia ruotsinkielisyyden osuutta väestöstä, jonka tuloksena sain teemakartan, joka on esitetty kuvassa 2. Muutin ensin absoluuttiset luvut suhteellisiksi prosenttiluvuiksi, jonka jälkeen pystyin laatimaan haluamani kartan. Tarkoituksenani oli esittää ruotsinkielisten osuus väestöstä kunnittain, mutta lukiessani Aapon blogia huomasin, että olin tehnyt saman virheen kuin hän ja esittänyt ruotsinkielisten osuuden kunnissa koko maan ruotsinkielisistä. Mutta ei se oikeastaan haittaa, kun tarkoituksena oli harjoitella käyttämään ohjelmaa.

Vaikka kaikki ei onnistunutkaan täysin, niin tästä on kuitenkin hyvä jatkaa kurssia eteenpäin. Hieman ahdistaa, että mitähän kaikkea sieltä on vielä tulossa kun ensimmäinen kerta oli jo näin intensiivinen.

Lähteet

Keinänen, A 14.1.2020 “geoinfomatiikan ihmelapsi” (blogipostaus) luettu 19.1.2020    http://blogs.helsinki.fi/kebaapo/2020/01/14/hello-world/

Kiviluoma, T 16.1.2020 “Johdanto kurssille ja QGIS:in perusominaisuudet” luettu 19.1.2020  https://blogs.helsinki.fi/tomingeoblogi/2020/01/16/johdanto-kurssille-ja-qgisin-perusominaisuudet/