Bufferointia ja sekasortoa

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).

 

Kuva 1. Asutus 2km etäisyydellä Malmin kiitoradoista oli 57 089 asukasta ja  1km etäisyydellä 8596 asukasta
Kuva 2. Asukkaat 2km säteellä Helsinki-Vantaan kiitoratojen läheisyydestä (summa: 11 162)

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.

Kuva 3. Asukkaita vähintään 55dB alueella: 11 913 olettaen, ettei tarvinnut käyttää 2km purkurialuetta)

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.

Taulukko 2.

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.

Taulukko 3.
Taulukko 4.

 

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/

 

 

Pisteaineistoja ja ruutuaineistoja

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.

Kuva 1. Epäonnistunut yritys yhdistää tasoja

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.

Kuva 2. Tehtävässä 2 aikaansaaatu tuotos Pornaisten teistä ja mustista rakennuksista.

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/

Tietokannan valmistelu ja teemakartan luominen

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.

Kuva 1 Koropleettikartassa on esitetty internetin käyttäjät prosentuaalisesti yhdessä tapahtuneiden konfliktien kanssa

 

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).

Kuva 2 Suomen valuma-alueiden tulvaindeksit esitettynä koropleettikarttana

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).

Kuva 3 Suomen järvisyys esitettu histogrammina (lukumäärän paikalla tulisi olla %)

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/