Kuukausi: tammikuu 2019

Vko II

Ennen aineiston ladattavuus eri palvelimilta oli pitkälti maksullista. Kuitenkin päädyttiin ratkaisuun, että data siirtyisi maksullisesta avoimeen. Oltiin sitä mieltä, että verovaroin kerätyn datan tulisi olla avointa kaikille. Aineistojen hankintatapoja on useita, mutta varsinkin yliopistolaisille aineistot ovat yleensä ilmaisia.

Paikalliset aineistot ovat yleensä pakattuina paketteihin, kun niitä ladataan palvelusta (esim. .zip-tiedostot). Aineistot voivat olla tyypistä riippuen joko vektori- tai rasterimuotoista aineistoa. Vaikka monet verovaroin kerätyt aineistot vapautettiin avoimiksi, monilla aineistontarjoajilla on saatavilla sekä maksullista että ilmaista dataa. Se ei kuitenkaan tarkoita, että ilmaiset aineistot olisivat käyttökelvottomimpia kuin maksulliset, päinvastoin. Paikallisten aineistojen tarjoajien ajattelutapaan ei kuulu mentaliteetti ”maksa lisää – saat parempaa”.

Ladattavia aineistoja ja rajapintoja on erilaisia ja eri rajapintojen käyttö onkin yleistynyt. Rajapinnan kautta haetaan aineistoa suoraan palvelimelle – ohjelma ja palvelin ”keskustelevat” protokollan mukaisesti, niin sanotusti. Rajapintojen protokollat ja datatyypit kuitenkin vaihtelevat.

Tyypillisimpiä rajapintoja ovat: WFS-palvelut (Web Feature Service), jotka ovat vektoriaineistoja. WFS-palvelut noutavat aineiston koneelle paikallisen aineiston lailla. Aineistoja voi avata ja muokata omalla koneella vapaasti. Rasterimuotoista dataa palvelee WMS-palvelut (Web Map Service). Tämän palvelun tuottama data soveltuu erityisesti visuaaliseen esittämiseen. Muuten palvelun dataa on haastavampi muokata, toisin kuin WFS-aineistoja. WMS lataa kartat kokonaisina tasoina. Useat avoimet karttapalvelut käyttävät WMS-palveluita, esim. Open Street Map. Muita rajapintoja ovat WMTS (Web Map Tile Service) ja WCS (Web Coverage Service).

Aineiston tuottajia on lukuisia, mutta mainittakoon tässä esimerkiksi Helsingin, Espoon ja Vantaan kaupungit, Tilastokeskus, Liikennevirasto, Paituli, Ilmatieteen laitos sekä SYKE eli Suomen ympäristökeskus.

Opetus jatkuu teoriasta käytäntöön. Työskentelemme tällä kertaa pelkästään Suomen kartalla, johon on piirretty vuoden 2015 mukaiset kuntarajat (vektorimuotoinen aineisto). Harjoitusten tarkoituksena toisella kurssikerralla on tarkastella eri projektioita ja vertailla niiden mittakaavallisia eroavaisuuksia keskenään. Sinisalon artikkelissa Databasdjungeln och kartprojektioner (2019) on kuvattu kuvassa 1 rajattu alue Suomineidon ”laesta”. Opiskelijat rajasivat suunnilleen samanlaisia alueita Suomen kärjestä ja vertailivat pinta-alaeroja Lambertin oikeapintainen tasoprojektio (LAEA, mutta koska tarkastelemme Euroopan aluetta, ETRS-LAEA), sekä Mercatorin lieriöprojektion (Sphere Mercator) välillä. Taulukosta 1 on nähtävissä omia tutkimustuloksia:

ETRS-LAEA		8 312,901 km²
Sphere Mercator		68 651,465 km²

Lisäksi tarkasteltiin vielä Suomen leveimmän kohdan (itä-länsi-suuntaisesti) pituuden eroja samoilla projektioilla:

ETRS-LAEA		497,344 km
Sphere Mercator		1 082 234 km

Erot ovat suuret. Miksi saman pinta-alan mittaustulokset eroavat toisistaan niin paljon kahden eri projektion välillä?

Lambertin oikeapintainen projektio sekä Mercatorin projektio ovat lieriöprojekteja, eli peitetään karttapallo lieriöllä ja ikään kuin ”kuoritaan” pituuspiirit pallosta lieriöön ilman vääristymiä. Kaikissa normaalin aspektin lieriöprojektioissa pituuspiirit ovat suorassa ja yhdensuuntaisia toisiinsa nähden. Jos lieriö sivuaa palloa päiväntasaajan kohdalta, päiväntasaajan leveyspiirillä olevat kohteet ovat lähimpänä reaalista kokosuhdetta. Mutta koska kolmiulotteista palloa on mahdoton kopioida kaksiulotteiselle tasolle ilman mitään vääristymiä, on tingittävä usein pohjoisen ja eteläisen pallonpuoliskojen kohteiden mittasuhteista. Kuvista 1 ja 2 voi vertailla, kuinka Lambertin projektiossa kohteet venyvät leveyttä (ks. esim. Kanadan suhde Yhdysvaltoihin), kun taas Mercatorin projektiossa ne  kasvavat suhteettoman suuriksi verrattuna päiväntasaajalla oleviin kohteisiin (vrt. esim. Grönlannin ja Afrikan mantereen suhdetta toisiinsa). Suomi sijaitsee noin 60°-70° pohjoisen leveyspiirien välisellä alueella, missä vääristymät toteutuvat hyvin voimakkaina molemmissa projektioissa.

Kurssilla käytettävässä QGIS-ohjelmassa hyödynsin projektiovertailussa ETRS-LAEA-projektiota. LAEA (Lambert Azimuthal Equal-Area) eroaa Lambertin oikeapintaisesta lieriöprojektiosta sen kuvaustavassa: tasoprojektiossa taso puretaan levyn muotoon, ikään kuin kehä tai ympyrä sitoisi alueet (kuva 3).  Tässä projektiossa Suomen mittakaavassa ei ole huomattavia vääristymiä, verrattuna ainakin sen sisarprojektioon tai Mercatoriin.

Mittakaavaerojen vertailun jälkeen paneuduttiin taasen vektoriaineiston (eli Suomen kuntakartan) attribuuttitietoihin. Tehtävänä on tehdä visuaalinen karttaesitys Mercatorin ja ETRS-LAEA-projektion välillä olevasta mittakaavaerosta. Tarkalleen sanoen: kuinka paljon Mercatorin projektio eroaa mittakaavaltaan ETRS-LAEA:sta prosentuaalisesti (tässä tapauksessa ETRS-LAEA:n lähtöarvo olkoon 1).
Kuvassa 4 on tehtävän lopputulos. Lopputuloksen kartta on ulkonäöltään vaihdettu ETRS-LAEA:n projektioon, vaikka arvot ovat Mercatorin projektion. On nähtävissä, että Pohjois-Suomessa erot ovat suuremmat (n. 6-7 kertaiset) kuin Etelä-Suomessa (n. 3 kertaiset). Eroa voi selittää vertaamalla Mercatorin ja ETRS-LAEA:n vääristymiä (kuvat 2 ja 3).

Tehtävän jälkeen opiskelijat saivat harjoitella tehtävää itsenäisesti lopputunnin. Millerin projektio on Mercatorin projektiosta muunnelma, mikä on nähtävissä, kun vertaillaan kuvia 2 ja 5.

 

Häpeäkseni valitsin itsenäisesti tehtävän projektion arvalla, enkä tiennyt sen olevan näin läheinen Mercatorin kanssa. Löysin itseni samanlaisesta tilanteesta kuin Kautonen artikkelissaan Viikko 2. Projektion vaikutus pinta-alaan ja pituuksiin (2019). Karttojen (kuvat 4 ja 6) väliset erot eivät visuaalisesti ole suuret, mutta lukuarvot ovat erilaiset. Erot ETRS-LAEA:an ja Millerin projektion välillä eivät ole yhtä suuret (vrt. Pohjois-Suomi n. 3-4 kertainen), kuin Mercatorin ja ETRS-LAEA:n välillä (n. 6-7 kertainen).

Toisen kurssikerran jälkeen koen tarpeellisena tehdä harjoituksia itsenäisesti, jotta työn vaiheet jäisivät edes osittain lihasmuistiin. Oli myös todettava, kuinka hyödyllistä olisi perehtyä karttaprojektioihin ja niiden esitystapoihin perusteellisemmin.

 

 

Lähteet:

Sinisalo, E. (2019). Databasdjungeln och kartprojektioner. Lainattu 28.1.2019, saatavilla: https://blogs.helsinki.fi/sinisale/2019/01/25/databasorientering/

Kautonen, K. (2019). Viikko 2. Projektion vaikutus pinta-alaan ja pituuksiin. Lainattu 30.1.2019, saatavilla: https://blogs.helsinki.fi/kautkia/2019/01/29/viikko-2-projektion-vaikutus-pinta-alaan-ja-pituuksiin/

Wikipedia, the free encyclopedia (2019). Lambert azimuthal equal-area projection. Lainattu 28.1.2019, saatavilla: https://en.wikipedia.org/wiki/Lambert_azimuthal_equal-area_projection

Iliffe, J. – Lott, R. (2008). Datums and map projections for remote sensing, GIS, and surveying. Whittles Publishing, Skotlanti, Yhdistynyt Kuningaskunta. Lainattu 28.1.2019.

Paarlahti, A. (2019). Datan lähteitä. Luento Helsingin yliopistossa 25.1.2019.

 

Kuvien lähteet:

Gaba, E. U.S. NGDC World Coast Line (public domain). Own work, CC BY-SA 4.0. Saatavilla: https://commons.wikimedia.org/w/index.php?curid=4256495

Kunimune, J. Own work, CC BY-SA 4.0. Saatavilla: https://commons.wikimedia.org/w/index.php?curid=66467567

Kunimune, J. Own work, CC BY-SA 4.0. Saatavilla: https://commons.wikimedia.org/w/index.php?curid=66467547

Kunimune, J. Own work, CC BY-SA 4.0. Saatavilla: https://commons.wikimedia.org/w/index.php?curid=66467568

Vko I

Geoinformatiikan menetelmät 1 – kurssilla käydään läpi paikkatiedon käytön perusteiden hallinta sekä paikkatiedon käyttömahdollisuudet maantieteellisessä tutkimuksessa, opetuksessa, sekä tiedon esittämisessä. Opiskelijoiden tavoitteena on oppia etsimään, tuottamaan, hyödyntämään sekä analysoimaan paikkatietoaineistoja. Myös aineistojen visualisointi luettavampaan muotoon kuuluu opetuksen kulkuun. Jotta kurssin pystyy suorittamaan, on opiskelijoiden perustettava blogi, jonne heidän kuuluu päivittää tunneilla opittuja asioita ja julkaista tehtyjä töitä. Blogi-päivitysten avulla opiskelijat käyvät interaktiivista kanssakäymistä toistensa kanssa viitaten ja kommentoiden toistensa julkaisuja, oppien kriittisyyttä paikkatiedon avulla tuotettujen esitysten lukemisessa, sekä vastuullisuutta omien tuottamisessa.

Ensimmäinen opetuskerta keskittyy edellä mainittuihin seikkoihin: kurssin esittelyyn. Yliopisto-opettaja Paarlahti johdattaa opiskelijansa rennolla mutta asiallisella otteella asian ytimeen, ensin luennoimalla paikkatietojen perusominaisuuksista. Paikkatiedon rakenne koostuu sijainti- sekä ominaisuustiedoista, jotka kootaan yhdeksi attribuuttitietokannaksi. Esimerkiksi Sihvonen (2019) on eritellyt attribuuttidatan yksilöivään, ajalliseen, kuvailevaan sekä sijaintia luokittelevaan aineistoon. Attribuuttitiedot ovat nähtävissä visuaalisesti usein kartan muodossa. Visuaalinen data voi olla joko rasterimuotoista (pikselit, ruudut), tai vektorimuotoista dataa (viivat, pisteet, alueet). Ensimmäisellä kurssikerralla tarvittavat aineistot ovat vektorimuodossa, jota varten on tarvittava ohjelmisto, joka avaa ja antaa mahdollisuuden tulkita ja muokata aineistojen attribuuttitietoja. Opiskelijat saavat opeteltavakseen monille uuden paikkatieto-ohjelmiston nimeltään QGIS.

QGIS on vapaa avoimen lähdekoodin paikkatieto-ohjelmisto, jolla pystyy luomaan, muokkaamaan, visualisoimaan ja julkaisemaan geospatiaalista informaatiota. Ohjelmisto on vapaasti ladattavissa osoitteesta https://qgis.org/fi/site/.

Opiskelijat tutustutettiin QGIS:in perusominaisuuksiin: kuinka ensin tutkia ohjelmaan vietäviä tiedostoja helposti QGIS Browser:in avulla, sen jälkeen viedä valitsemat aineistot itse QGIS Desktop 2.18-ohjelmaan, missä aineistojen visuaalista ulkomuotoa, mutta ennen kaikkea aineistojen attribuutti- eli ominaisuustietoja pystyy muokkaamaan. Ensimmäinen varsinainen tehtävä olikin lisätä vaillinaisen Euroopan kartan ominaisuustietoihin Itämereen pääsevien typpipäästöjen suhteellinen osuus (%) Itämerta ympäröivien valtioiden kesken. Kuvasta 1 on nähtävissä tehtävän lopputulos: attribuuttitietoihin lisätty typen päästömäärät näkyvät oranssin väriskaalana sekä kartassa että legendassa.

Kuten Kostamo (2019) huomauttaa, Suomen päästämät typpiarvot ovat hälyttävät. Tämä johtunee lähinnä siitä syystä, ettei tehostettua typenpoistoa vaadita lainsäädännössä kaikilta rannikkokaupunkien jätevedenpuhdistamoilta. Lisäksi maatalous, meri- ja tieliikenne sekä energiantuotanto ovat merkittäviä ravinnekuormittaja, ja vaikka ravinnekuormitus loppuisikin, rehevöityminen saattaisi silti jatkua. Pohjasedimentteihin varastoituneet ravinteet liukenisivat takaisin Itämereen siitä huolimatta (WWF). Toinen rehevöitymistä kasvattava ravinne on fosfori, jota leviää Itämereen varsinkin Lounais-Suomen valuma-alueilta. Lounais-Suomessa käytettiin sotien jälkeen 1980-luvulle asti surutta teollisia lannoitteita, joiden fosforipitoisuudet vaikuttavat edelleen ja päätyvät meriin vuosikymmenienkin jälkeen (Kivipelto, HS n:o 20 s. B8).

Ensimmäisenä tehtävänä tehty kartta vastaa tehtävänantoa ja on väritykseltään silmälle ystävällinen ja informatiivinen.  Jälkeenpäin, kun on yrittänyt toistaa tunnilla tehtyjä työn vaiheita (jonka lopputulos kuvan 1 kartta on) huomaa, kuinka vähän on todellisuudessa jäänyt muistiin ohjelman käytöstä. Harjoitus tekee mestarin. Hieman muistinystyröitä saattoi stimuloida kuvassa 2 nähtävät kartat, jotka kuvastavat Suomen työpaikkojen jakaumaa prosentuaalisesti vuonna 2015 alkutuotannon, jalostuksen ja palveluiden välillä:

Edelliset kartat tuli tehtyä itsenäisesti ennen seuraavaa kurssikertaa. Töitä tulee tehdä parhaan mahdollisen tuloksen saavuttamiseksi, sekä sen vuoksi, että kurssistä jää jotain mielekästä käteen tulevaisuutta ajatellen.

Kokonaisuutena QGIS vaikuttaa mukavan selkeältä ohjelmistolta. Ensimmäinen tehtävä ja ohjeistus olivat ensikertalaiselle sopivia, tarpeeksi toiminnallisia, muttei ylitse hilseen. Kurssin edetessä opiskelijat tulevat tekemään erilaisia tehtäviä, harjoituksia ja karttoja, tutustuvat erilaisiin paikkatietopalveluihin ja artikkeleihin, sekä saavat tehtäväkseen myös satunnaisia ryhmätyötehtäviä.

Artikkelia muokattu 26.1., kuva 1 korjattu.
Artikkelia muokattu 27.1., kuva 2 korjattu.
Artikkelia muokattu 29.1., lähdeluetteloa täydennetty.

 

 

Lähteet:

Sihvonen, I. (2019). Introduktion & QGIS. Lainattu 21.1.2019, saatavilla: https://blogs.helsinki.fi/idasihvo/2019/01/15/introduktion-qgis/

Kostamo, E. (2019). Itämeren typpipäästöt, lasten osuus Suomen kunnissa ja ensikosketus QGIS:iin (kurssikerta 1). Lainattu 21.1.2019, saatavilla: https://blogs.helsinki.fi/emilikos/2019/01/18/itameren-typpipaastot-ja-ensikosketus-qgisiin-kurssikerta-1/

WWF (2016). Itämeren rehevöityminen. Lainattu 21.1.2019, saatavilla: https://wwf.fi/alueet/itameri/rehevoityminen/

Kivipelto, A. (2019). Lounais-Suomi on Itämeren pahimpia fosforin lähteitä. Helsingin Sanomat 22.1.2019, Sanoma Media Finland Oy. Lainattu 22.1.2019.

Paarlahti, A. (2019). Perustietoja paikkatiedosta. Luento Helsingin yliopistossa 18.1.2019.