En. Olen pohjasakkaa.
Mutta ei se mitään, Harry Potterikin on oikeastaan aika tyhmä.
Nähään gis menetelmät 2 kurssilla.
ainiin ja artulle tiedoksi että blogi on valmis.
a wholesome meme:
Kerta 7: Omat hakkeroinnit
Se olisi sitten viimeinen kurssikerta melkein pulkassa. Oman ryhmäni viikkotunti peruuntui lakon takia, mutta onneksi sain tehtäviä monen tunnin uurastamisen myötä tehtyä kotonakin. Tehtävänämme oli etsiä itse aineistoa netistä ja työstää niillä jonkinlainen karttahäkellys. Helppoo ku mikä mä ajattelin.
Ensimmäinen ideani oli tehdä työttömyyttä ja maahanmuuttajataustaista väestöä kuvaava karttaesitys Ruotsista. Tai ylipäätänsä jonkinlainen koropleettinen karttakyhäelmä. En tiedä mikä päähänpisto se oli, kun ruotsin kielen taitoni on noin – 5. Kaduin tätä päätöstäni hyvin paljon, kun olin seikkaillut Ruotsin väestörekisterin sivuilla noin pari tuntia löytämättä yhden yhtä sopivaa aineistoa. Ruotsin kieleen lopen kyllästyneenä rupesin etsimään kaikenlaista tilastotietoa myös muista Euroopan valtioista, jota kyllä löysin, mutta loppujen lopuksi ongelmaksi muodostui, ettei minulla tietenkään ollut sopivaa shapefilea (jossa olisi ollut maan rajat ja vaikka maakunnat) mihin olisin voinut tilastotiedot sijoittaa. Itse tätä en myöskään osannut ratkaista.
Tässä vaiheessa minua alkoi turhauttamaan niin paljon, että jätin koko aineiston etsimisen sikseen. Palasin asiaan noin kolmen viikon kuluttua, kun seuraavan periodin deadlinet alkoivat painaa päälle (been there done that).
Takaraivossani edelleen katkeruus toimimattomista aineistoista, rupesin kyhäilemään erilaisia koropleettikarttoja kurssikerran 2 valmiiden aineistojen pohjalta. Ajatukseni oli tutkia työttömyyttä Suomessa, sekä sitä, että linkittyykö työttömyys paljonkin esimerkiksi rikollisuuteen, vuokra-asuntojen määrään, alkoholin kulutukseen tai koulutusasteeseen. Näiden kysymysteni pohjalta sain helposti tehtyä kuusi eri koropleettikarttaa, samanlaisia kuin Mira oli tehnyt, mutta niiden välinen korrelaatio oli olematon. Lisäksi tehtävä tuntui itselleni liian helpolta, että se laskettaisiin täksi suuremmaksi lopputyöksi.
Vihdoin ja viimein minulle tuli mieleen vilkaista tehtävän ohjeita uudelleen 🙂
Näiden kaikkien traagisten käänteiden jälkeen, rupesin kyhäämään erilaisia karttoja Varkauden alueelta.
Latasin Maanmittauslaitoksen sivuilta maastotietokannan, rinnevalovarjostuksen ja nimistön Varkauden alueelta. Maastotietokannan tiedostojen siirtäminen QGissin puolelle oli helppoa, sillä ne olivatkin tuttuja shapefileja. Sain aika nopeasti polygonejen ja viivojen tyylejä muokkaamalla aikaan melko hienon kartan (kuva 1).
Kartta olisi ehdottomasti parempi paremmalla alustalla, jossa kuvat eivät sumentuisi, mutta minkäs sille mahtaa. Tämän kartan puutteita on ensinnäkin se, että legendasta puuttuu tie -merkintä kokonaan. Tässä minulla tuli jokin tekninen ongelma, jonka lopulta unohdin. Toinen puute on mustien rakennusten kuvan dominoiminen. Kaikki huomio menee rakennuksiin, ja ne peittävät paljon muuta havainnoitavaa. Lisäksi, tässä kartassa minulle ongelmaksi nousi ”maasto1” tason luokitteleminen. Luulin aluksi, että koko taso merkkasi järviä, jonka takia olen sen tähän merkinnyt vesistöinä, mutta myöhemmin Sinin blogia lukiessani, huomasin hänen löytäneen juuri samaiseen ongelmaan ratkaisun, mistä muualtakaan kuin wikipediasta!! Kiitos Sini linkistä :-)!
Metatiedot aineistoon sain siis lopulta wikipedian syövereistä.
Koska sain metatiedot kaivettua esille, tein alueesta maankäyttökartan (kuva 2).
Tähänkään karttaan (kuva 2) en saanut lisättyä teiden merkintää sen saman teknisen ongelman vuoksi. Myös taajama ja kallio on melkein saman värisiä, mutta kalliota ei tuolla muutamaa pikseliä enempää ollutkaan. Muuten olen kovin tyytyväinen tähän.
Rinnevalovarjostuksen liittäminen tekemääni karttaan oli taas oma hankaluutensa. Lataamani varjostusrasterit eivät olleet limittäin, jolloin niiden yhdistäminen yhdeksi tietokannaksi ei onnistunut. Jos olisin saanut ne yhdistettyä, olisin työstänyt ”Singleband pseudocolor” -jutun avulla hienon korkeusmallinnuksen. Kun homma ei ollut hanskassa, niin tyydyin vain mustavalkoiseen rinnevalovarjostukseen (kuva 3).
Kuten kuvan 3 kartasta huomaa, Varkauden alue on verrattaen alavaa. Korkeuserot eivät myöskään näytä kummoisilta juuri tässä, sillä kartalla on tähän tarkoitukseen niin pieni mittakaava. Kuvassa 4 on lähennetty kuva Varkaudesta, josta voi (ehkä, jos tarkkuus ei petä kuvan tänne tuodessa) huomata aineiston todella hyvän tarkkuuden – ehkä turhankin hyvän.
Lopuksi halusin vielä työstää ESTEETTISEN kartan, eli sellaisen jossa mieli lepää, mutta käyttötarkoitus on vielä vähän auki. Loin siis kuvan 5 kartan. Tähän karttaan voi käyttötarkoituksen mukaan lisäillä kerroksia, joten se voisi toimia niin kuin taustakarttana.
Ainoa mikä tässä kartassa puuttuu, on nimistö, minkä muistin vasta myöhemmin. Sitä yrittäessäni kartalle lisätä, kohtasin taas teknisiä ongelmia, enkä osannut avata Maanmittauslaitokselta lataamaniani tekstitiedostoja QGissiin. Yritin viedä näitä ensin Excelin kautta muuttamalla ne siellä CSV tiedostoiksi, mutta Excel jostain syystä korvasi kaikki ä-kirjaimet a-kirjaimilla, joten totesin, että väärän tiedon liittäminen olisi ollut turhaa. Mun mielestä kartta on ihan cool, vaikka se ei kerrokkaan oikeastaan yhtään mitään spatiaalista tietoa (lol).
Ja näin, monen tunnin uurastuksen, ja siitä aiheutuneen kaartuneen selän, myötä olen saanut GIS blogini valmiiksi! 🙂 Aamen.
Lähteet:
Virtanen, S. 27.2.2018: Seitsemäs kerta toden sanoo.
Luettu 14.3.2018.
Kylliäinen, M. 5.3.2018: Nuorten koulustressi, koulukiusaaminen ja mielenterveyshäiriöt.
Nuorten koulustressi, koulukiusaaminen ja mielenterveyshäiriöt 26.2.
Luettu 14.3.2018.
OpenStreetMap Wiki. 13.11.2016.
https://wiki.openstreetmap.org/wiki/Fi:Maastotietokanta/Luokat#Maasto.2F1
Luettu 14.3.2018.
Avoimien aineistojen tiedostopalvelu, MML.
https://tiedostopalvelu.maanmittauslaitos.fi/tp/kartta
Kerta 6: Pisteaineistoa ja tulivuoria
Tämä kurssikerta alkoi kylmissä merkeissä, kun ensimmäinen tehtävämme oli kerätä pistemäistä dataa puhelin sovelluksen avulla Kumpulan läheisyydestä. Käsittelimme mm. erilaisten paikkojen turvallisuutta ja viihtyisyyttä. Koululla toimme tämän pisteaineiston QGissiin ja analysoimme sitä hieman.
Loppu tunti vierähtikin muun pisteaineiston parissa. Opettelimme tuomaan aineistoa sen eri muodoissa suoraan netistä. Moni aineisto tulee ensin viedä johonkin toiseen ohjelmaan, esim. Exceliin, muokattavaksi ennen kuin sitä pystyy QGississä hyödyntämään. Tässä excel vaiheessa ehdin menettää hermoni, koska se muuttaa tietoa päivämääriksi, eikä turhia pilkkuja saa poistettua (???), mikä on rasittavaa. 🙁 Lisäksi opettelimme interpoloimaan aineistoa, eli luomaan eri pisteiden välille arvoja, joita ei oikeasti ole mitattu, jotta saamme mahdollisimman monipuolisesti kuvaavaa tietoa. Wikipedian interpolaatio -sivu määrittelee sen näin: ”Interpolaatio eli interpolointi on numeerisessa matematiikassa menetelmä, jossa lasketaan uusia arvoja tunnettujen arvojen väliin jollakin menetelmällä”. Kuvaa asiaa oikein näppärästi.
Näihin pisteaineistoihin, mitä lopputunnin käsittelimme, liittyi myös tämän kerran itsenäistehtävä. Tein tehtävän maanjäristyksistä, niiden eri magnitudeista sekä sijainnista. Tässä ensimmäinen aikaan saamani kartta:
Kuvassa 1 kuvataan siis kaikki yli 5 magnitudin maanjäristyksiä vuodesta 2002 lähtien. Aineistoa ladatessa ja käsitellessä huomasimme kohteita olevan yli 27 000. Yleisesti maanjäristykset ovat selkeästi painottuneet mannerlaattojen kohtaamisvyöhykkeille, etenkin Tyynenmeren reunoille ja Atlantin keskelle. Tämä kartta on siitä huono, että se ei kerro mitään muuta tietoa, kuin sen, että missä maanjäristyksiä yleisesti tapahtuu. Tämän tiedon välittämiseen se on kyllä varsin hyvä, mutta minä en tyydy siihen.
Päätin luokitella aineistoa värien avulla. Jokainen kuvassa 1 olevista pisteistä omaa tietoa juuri kyseisestä maanjäristyksestä, ja kuvan 2 kartassa olen siis määritellyt eri magnitudiarvoiset järistykset näkymään eri värisenä.
Tämä kartta (kuva 2) on parempi kuin edellinen (kuva 1), koska se näyttää sijainnin lisäksi myös voimakkuuden, jolloin voidaan havaita voimakkaimpien maanjäristyksien sijaitsevan samoilla alueilla keskenään. Kuitenkin, pienemmän magnitudin omaavat jäävät suurien alle. Päätin siis, että eri magnitudeja on parempi esittää eri kartoilla, jolloin niidenkin sijoittuminen tulee selväksi. Lisäksi tässä kartassa (kuva 2) tuntuu, että suurimmankin magnitudin omaavat järistykset ikään kuin hukkuvat massaan, eivätkä saa tarpeeksi huomiota kaiken tietotulvan seasta. Seuraavissa kartoissa otin aineistoa vuodesta 2008 lähtien, jotta sain karsittua tietomäärää edes hiukan.
Kuvassa 3 on kuvattuna kaikki suhteellisen pienet maanjäristykset vuodesta 2008 lähtien. Kartasta voi huomata, kuinka edelleen Tyynenmeren tulirengas on täynnä järistyksiä. Järistykset ovat alueella siis arkipäivää, ainakin nämä suhteellisen pienet järistykset.
CNN:n uutisoi 17.2.2018 Walesissa tapahtuneesta maanjäristyksestä. Tämä maanjäristys tapahtui lauantai aamuna, ja oli richterin asteikolla 4,4 magnitudia. Tämänkin kokoinen järistys on hyvin poikkeuksellinen tapahtuma, sillä kuvasta 3 voi nähdä, ettei Iso-Britanniassa ole tapahtunut yli 1 magnitudin järistystä viimeiseen kymmeneen vuoteen. Britannian geologinen tutkimuslaitos on kuvaillut tapahtumaa harvinaisena. Vastaavan kokoista maanjäristystä ei ole alueella tapahtunut yli sataan vuoteen.
Kuvan 4 kartassa olen pienten järistysten päälle lisännyt keltaiset pallot kuvaamaan 5-6 magnitudin järistyksiä. Tästä kartasta huomataan, että järistykset Atlantin keskiselänteellä ovat huomattavasti useammin 5-6 magnitudin kokoisia, kuin pienempiä. Ero on selkeästi nähtävillä näiden kahden kartan välillä (kuva 3 ja 4). Yleisesti muutkin meressä sijaitsevat laattareunat kokevat huomattavasti enemmän suurempia järistyksiä, kuin pieniä. Länsi-Eurooppaan näin isoja järistyksiä ei olla viime vuosina saatu, mikä johtuu rauhallisesta sijainnista mannerlaatalla.
Kuvassa 5 on edelliseen 5-6 magnitudiin lisätty 6-7 magnitudin järistykset. Eipä oikeastaan uusia mainittavia huomioita.
Nyt ollaan jo hyvin suurissa järistyksissä. Kuvasta 6 huomaa, kuinka näin suuret järistykset ovat hyvin painottuneita Tyynenmeren tulirenkaan ympärille ja Indonesiaan, erityisesti 7-8 magnitudin järistykset.
CNN:n uutisoi Meksikossa 16.2.2018 tapahtuneesta järistyksestä, joka putoaa myös tähän karttaan. Järistys oli 7,2 magnitudia, ja tapahtui kaakkois Meksikossa Oaxacan maakunnassa. Järistys aiheutti ainoastaan taloudellista vahinkoa, eikä ihmisuhreja syntynyt. Alueella tapahtui myös 5,2 magnitudin jälkijäristys myöhemmin saman päivän iltana.
Kuvasta 7 voi huomata, kuinka oikeasti suuria maanjäristyksiä tapahtuu oikeastaan aika harvoin, varsinkin yli 8 magnitudin järistyksiä. Yli 8 magnitudin järistyksiä viimeisen kymmenen vuoden aikana on tapahtunut hankkimieni aineistojen mukaan yhdeksän. Näin suuret järistykset, kuten myös kuvassa 6, ovat painottuneet Tyynenmeren äärelle ja Indonesiaan. Mainitsemani Meksikon Oaxacan järistys on näkyvillä myös kuvan 7 kartassa, mistä voi päätellä järistyksen olleen suhteellisen harvinainen.
Jälkeenpäin ajatellessa, olisin voinut lisätä kaikkiin, tai varsinkin kahteen viimeiseen, karttaan taustalle vielä mannerlaattojen reunat (kuva 8). Tämä olisi antanut lisää kuvaa siitä, kuinka maanjäristykset oikeasti sijoittuvat maapallolla. Jos opettaisin näiden kuvien avulla maanjäristyksistä oppilaille, joutuisin siis jälkeenpäin näyttämään kuvan mannerlaatoista, jolloin joillekkin asia saattaa jäädä epäselväksi.
Lisäksi täytyy sanoa, että näyttäisin nämä powerpointteina, jolloin niiden läpikäyminen on paljon nopeampaa, ja mukaan saataisiin visuaalinen puoli, kun kuvat tulisivat peräkkäin. Olisin myös tietysti tästä voinut sulavasti siirtyä tulivuorten maailmaan, ja miksi niitä syntyy juuri sinne kuin syntyy, niin kuin esimerkiksi Sini oli suunnitellut. Tulivuorten sijainnit olisi helposti voinut lisätä viimeisiin karttoihin, ja siitä luoda keskustelua eri mannerlaattojen kohtaamistyypeistä.
Aiheeseen liittyen googletellessani asioita, löysin tällaisen hauskan sivun (Earthquake-Report.com), missä näkyy viimeisimmät maanjäristykset Euroopassa; niiden aika, sijainti ja magnitudi. Tätä katsellessa voisin todeta, että Euroopassa maanjäristyksiä tapahtuu jota kuinkin +/- 10 vuorokaudessa, ja magnitudi pyörii useimmiten jossakin 3-5 hujakoilla. Eurooppa ei näillä tekemilläni kartoilla kauheasti välky, joten tämä määrä järistyksiä oli minulle pieni yllätys. Oli aika hauska huomata, kuinka Islannissa on tapahtunut lähemmäs 50 järistystä maanantain aikana (19.2.2018), joista jokainen on ollut yli 3 magnitudia. Suomalaisen silmin tämä vaikuttaa aika hurjalta, mutta se näyttää olevan täysin arkipäivää, koska siitä ei ole uutisoitu mitenkään.
Tässä on vastaavanlainen sivu (volcanodiscovery.com), mutta tarkastelee koko maailmaa. Jännää!!
Lähteet:
Wikipedia: Interpolaatio, 2017.
https://fi.wikipedia.org/wiki/Interpolaatio
(Luettu 21.2.2018)
Andone, D. 2018: Wales earthquake is the biggest ’onshore UK event’ in 10 years. CNN.
https://edition.cnn.com/2018/02/17/europe/wales-earthquake/index.html
(Luettu 21.2.2018)
Ellis, R. & Cuevas, M. 2018: Magnitude 7,2 earthquake jolts southeastern Mexico. CNN.
https://edition.cnn.com/2018/02/16/americas/earthquake-jolts-southeastern-mexico/index.html
(Luettu 21.2.2018)
Geocoops: Earthquakes.
http://www.geocoops.com/earthquakes1.html
Virtanen, S. 2018: Maailma vaarallinen, Kumpula turvallinen.
(Luettu 21.2.2018)
Earthquake-Report
(Luettu 21.2.2018)
Volcano Discovery
https://www.volcanodiscovery.com/earthquakes/today.html
(Luettu 21.2.2018)
Kerta 5: Itsenäistehtävät ovat liikaa QGIS:lle
Tällä kurssikerralla pääasiallisena tehtävänä oli itsenäistyöskentely ongelmanratkaisutehtävien parissa. Oletin selviytyväni tehtävistä joten kuten kunnialla, mutta olin väärässä. Yritin ensimmäistä kertaa työstää tehtäviä omalla koneellani kotoa käsin, mutta tästä QGis vihastui. Koin QGis:n jumittumisen tai kaatumisen noin kaksi kertaa tunnissa. Pidin kuitenkin pintani ja työstin tehtäviä sen verran kun QGis:n kaatuilulta pystyin. Nyt jälkeen päin voin sanoa, että olen hyvin kaukana siitä osaamistasosta, missä haluaisin olla.
Tehtävät koskivat mm. viime kurssikerralla työstämäämme Pornaisten karttaa, pääkaupunkiseudun lentokenttien meluhaittoja sekä pääkaupunkiseudun taajamien asukkaita. Jo aikaisemmilla kurssikerroilla käytettyjen työkalujen lisäksi opettelimme käyttämään ”Buffer”, eli puskurointityökalua. Puskurointityökalu on tehokas esimerkiksi juuri meluhaittojen tutkimiseen, tai vain vyöhykkeen luomiseen jonkin tekijän ympärille.
Ensimmäinen tehtävä liittyi Pornaisten karttaan. Loin 100 metrin puskurivyöhykkeen kuuden päätien ympärille, ja selvitin asukkaiden määrää tällä alueella. Tämä onnistui minulta lopulta, pienien vaikeuksien kautta. Analyysissa ja tiedon keräämisessä hyödynnettiin myös ”Attributes by location” -työkalua sekä ”Statistics” -paneelia.
Seuraavassa tehtävässä, joka koski lentokenttien meluhaittoja, tuli tutkia asiaa samalla tavalla; luomalla ensin puskurointivyöhyke, ja laskemalla siitä asukkaiden määrää. Malmin lentokentältä sain luotua, oikein kauniin, kartan luonnoksen (kuva 1). Kuvassa on siis Malmin lentokenttä ja sen kahden kilometrin puskurointivyöhyke. Pinkit pisteet merkkaavat asuinrakennuksia, sinivihreä alue Malmin lentokenttää, ja lila vyöhyke sen puskurointivyöhykettä.
Kuten tästäkin (kuva 1) kuvasta jo huomaa, että kahden kilometrin säteellä asuu hyvin paljon ihmisiä, jotka saattavat kärsiä meluhaitoista. Tästä johdetut luvut asukkaiden määrässä alueella, minulla syntyi virheitä. En tiedä johtuiko ne laskutavoistani, vai oliko ongelma jotenkin tavassani ne hankkia QGis:n kautta. Vertasin omia saamiani lukuja Miran ja Rosannan kyseisiin tuloksiin, ja omani näyttivät heittävän monilla tuhansilla. Yritin kyseisiä laskuja ja tehtäviä uudelleen, mutta sain lopulta vain samat väärät vastaukset. En siis lopulta saanut selville missä oli vika, mutta tekninen puoli puskuroinnissa tuli suhteellisen selväksi.
Malmin lentokentän liikenne ei kuitenkaan ole mitään verrattuna Helsinki-Vantaan lentokentän liikenteeseen, jota pääsimme seuraavaksi tarkastelemaan.
Tässä kohtaa kohtasin ongelmia, sillä jostain syystä eri tietojen yhdistäminen eri tietokannoista ei onnistunut. Myöskään spatiaalisen sijainnin avulla tehty tietojen yhdistäminen (join attributes by location) ei toiminut. Kuvassa 2 kuitenkin näkee suuntaa antavasti asuinrakennuksien määrää Helsinki-Vantaan yli 65 dB melualueella. Kuvassa pinkit pisteet merkkaavat taas asuinrakennuksia ja vihreä alue merkkaa yli 65 dB melualuetta.
Melu on kasvava haittatekijä Helsingin alueella. Väkiluku ja liikenne lentokentillä kasvaa, kun kaupungistuminen ja matkustelu kiihtyvät. Asuinalueiden pääkaupunkiseudulla tulee kasvaa johonkin suuntaan, jolloin myös rakentaminen lentokenttien läheisyyteen lisääntyy. Näin myös meluhaitat kasvavat. Tässäkin kuvassa (kuva 2) on huomioitu vain yli 65 dB meluhaitat, kun jo pienemmästä jatkuvasta melusta aiheutuu pitkällä ajalla ongelmia.
Meluhaitoista on kirjoitettu esimerkiksi Tiede -lehdessä. Lehden nettisivuilla on julkaistu artikkeli koskien meluhaittoja, ja siinä melu määritellään jatkuvana äänenä, ”joka ei vaurioita kuuloa mutta ärsyttää ja ottaa päähän.” Artikkelissa kerrotaan jatkuvan melun aiheuttavan pahimmillaan kuoleman. Kuulovaikeudet ja -sairaudet ovat siis vain jäävuoren huippu meluhaitoissa. Siksi meluhaittojen tutkiminen ja niiden estäminen on nyky-yhteiskunnassa hyvin tärkeää. Melua voidaan estää esimerkiksi infrastruktuurilla, kuten meluvalleja.
Meluongelmien pohtimisen jälkeen työstin samaa puskurianalyysia ja sillä leikkimistä juna- ja metroasemien sijainnista sekä taajamien asukkaista. Nämä tehtävät kulkivat suurin piirtein samoin tavoin kun edellinenkin. Ongelmia kohtasin edelleen samoissa asioissa, ja niiden lisäksi vielä ”Field calculatorissa”, eli ohjelman laskimessa. Laskeminen suuresta tietokannasta ei minulta onnistunut, koska QGis oli päättänyt pienimpienkin laskujen olevan liikaa. Monet laskutehtävät eri tietojen välillä jäivät siis osaltani tekemättä tällä kertaa 🙂 (olen pettynyt).
Viimeisen itsenäistehtävän päätin tehdä uima-altaiden ja saunojen sijainnista pääkaupunkiseudulla. Kaikki muut, paitsi itse kartan teko tehtävä onnistui minulta helposti, sillä samoja juttuja oli jo harjoiteltu edellisissä kohdissa. Kartan teossa taas kohtasin ongelman, nimittäin kahden vektoriaineiston yhdistäminen. Jumitin tämän kanssa noin kaksi tuntia, ja sitten annoin periksi. Jostain syystä ennen tekemäni ”Join” -toiminto ei millään toiminut, eikä myöskään ohjelmasta löytämäni ”Merge vector layers”, sillä vektoritasot olivat erilaista dataa (toinen piste ja toinen alue). Harmi sinänsä, koska palkit uima-altaiden määrästä ja sijainnista olisin ehkä voinut tehdä, sillä ne olen tehnyt jo kerran aikaisemmin.
Tästä koko päiväisestä itsenäisharjoitus rytäkästä selvisin juuri ja juuri, mutta en todellakaan ilman vastoinkäymisiä. Nämä tehtävät olivat hankaluudestaan huolimatta aika mukava tehdä, sillä opin selvästi enemmän (esim. bufferointi) miettimällä asiaa itse, kuin lukemalla suoraan ohjeista. Olen samaa mieltä, kun Kim-Henrik on blogiinsa kirjoittanut: ”Ohjeiden olemassaolo monesti saa aikaan sen, ettei tule sisäistäneeksi kaikkia asioita, vaan tekee vain ohjeiden mukaan sen enempää miettimättä.”
Tämä tehtäväkasa oli hyvä herätys todellisuuteen, nimittäin siihen, että en oikeastaan osaa QGis:stä pätkääkään. Osaan perus hommat, mutta vähänkin enemmän syvällinen tarkastelu, analysointi ja laskeminen menee näköjään yli hilseen. Tarvitsen siis harjoitusta ja paljon. 😭😭😭😭😭
Kiitos.
Lähteet:
Rantanen, K. 2010: Melu vie hengen ja hermot. Tiede.fi.
https://www.tiede.fi/artikkeli/jutut/artikkelit/melu_vie_hengen_ja_hermot
Kylliäinen, M. 2018: Buffereita ja uima-altaita.
Lindgren, R. 2018: Iki ihanat itsenäiset tehtävät eli kurssikerta 5.
Helanne, K. 2018: Vaikeuksien kautta vähitellen kohti.
Kerta 4: Vastoinkäymisiä, mutta ei voittoja
QGis on murtanut mut. Ensinnäkin, minun käyttäjällä on jonkinlainen henkilökohtainen ongelma QGissiä vastaan, koska minun työkalupalkista puuttuu muutama hyvin merkittävä työkalu. Tämän lisäksi, tänään kauan työstämäni tunnilla tehty ruutukartta tuhoutui tai jotain muuta vastaavaa. QGis avaa tallentamani kuvakaappausta vaille valmiin projektin, mutta ei näytä siellä mitään. 🤔
Kääntääkseen vielä veistä haavassa, näen QGissin aloitusnäytöllä tallentamani projektin sen oikeassa valmiissa olomuodossaan, mutta avaus on ohjelmalle liian työlästä.
Suunnitelmani oli siis työstää ruutumatriisin avulla koropleettikartta Suomen pääkaupunkiseudun eläkeläiskeskittymistä. Tämä tehtiin rakennuspisteaineiston avulla. Tämän tyyppinen pisteaineisto, jossa dataa on hurjia määriä, on kätevintä esittää ruutumatriisin kautta, jolla datan määrää saadaan karsittua. Kerrankin olin tunnilla suhteellisen perillä asioista. Koen itse, että nämä tilastolliset jutut ja dataan liittyvät hommat on helpompia, kuin esimerkiksi toisen kurssikerran projektioiden kanssa säätämiset. Siksi olen entistä murtuneempi QGissin tuhotöistä.
Päätin tutkia eläkeläisten määrää alueella, sillä eläkeläisten määrä Suomessa on kasvussa teknologian ja lääketieteen kehittyessä, sekä suurien ikäluokkien vanhetessa. Huolena tässä on se, että kuka tulee maksamaan suurenevan eläkeluokan eläkkeet, kun työntekijöiden prosentuaalinen määrä koko väestöstä samalla vähenee. Tilastokeskuksen mukaan Suomessa yleinen huoltosuhde (eli kuinka monta valtion huollettavaa on sataa työssäkäyvää kohden) vuonna 2015 oli 143, kun taas vuonna 2014 luku oli 141. Huoltosuhde on siis todistetusti nousussa.
Kuitenkin, Helsingissä huoltosuhde on parempi, kuin kunnissa, joista nuori väestö muuttaa pois. Nuori väestö vie mukanaan potentiaalisen työvoiman, ja jättää jälkeensä vanhenevat ikäluokat. Tulevaisuudessa kunnassa ei tule olemaan näiden eläkeläisten eläkkeiden maksajia.
Ensimmäinen aikaansaamani kartta pääkaupunkiseudun yli 65-vuotiaista oli tämä:
Tässä kartassa on siis eläkeläisten (yli 65-vuotiaiden) määrä suhteutettuna kokonaiseen asukasmäärään 500 x 500 metrin ruuduissa. Ongelmana tässä kartassa oli tietenkin se, että myös pääkaupunkiseudulla on haja-asutusalueita, joissa 500 x 500 metrin alueella saattaa olla vain yksi asukas. Joissain paikoissa tämä yksi asukas sattuu olemaan eläkeläinen, ja tällöin suhteutettu prosenttiluku eläkeläistenmäärässä on 100 %, jolloin kartalla ruutu näkyy tummanpunaisena. Tämä antaa virheellisen kuvan eläkeläisten sijoittumisesta.
Huomasin Marita Selinin tehneen samasta aiheesta karttaa. Selinillä on kartta blogissaan (kuva 2), jossa kuvataan eläkeläisten määrää neliökilometrin ruudukossa. Selinin kartasta voi huomata, että pääkaupunkiseudulla on hyvin paljon alueita, joissa eläkeläisten määrä on jopa yli 40% asukkaista. Myös hänen karttansa on mielestäni hieno, kun meri on nostettu ruudukon päälle, jolloin rantaviiva on näkyvissä. Kuitenkin, suhtaudun karttaan kriittisesti, sillä en jotenkin voi uskoa noin hurjia lukuja (*). Tilastokeskuksen mukaan koko Helsingin kunnassa eläkeläisiä on kuitenkin vain 16,7 %.
*Ps. Hups, huomasin vasta nyt että Selin ei ollut laskenutkaan prosentteja!
Muokkasin karttaani ja valitsin, että vain ruudut, joiden alueella on yli 50 asukasta, ovat näkyvissä, ja tein samanlaisen gradienttivärityksen jäljelle jääneihin ruutuihin.
Tällöin tuloksena sain kuvassa 1 pienenä näkyvän kauniin kartan. Tuossa kartassa prosenttivälit olivat jaettu viiteen luokkaan. Jos katsoo pientä kuvan 1 karttaa, niin esimerkiksi Käpylän sekä Töölön alueet paistavat tummanpunaisena kartalla.
Tässä vaiheessa tallensin työni, ja palatessani se oli poissa 🙁
Arttukaan ei tässä osannut auttaa joten tein kompromissin ja lähdin nauttimaan koululounasta.
Teimme tunnilla töitä myös rasterikartoilla. Loimme esimerkiksi rasteridatasta topografisen kartan hienoilla väreillä sekä korkeuskäyrillä. Nämä tekemämme topografiakartat yhdistettiin alueen maastokarttaan, ja ensituntia varten karttaa tuli hieman digitoida. Tämä ei onneksi asettanut itselleni kamalia vaikeuksia, sillä digitointi oli tuttua viime periodilta. Siitä, mitä tuolla kartalla sitten tehdään, jää nähtäväksi ensi viikolle.
Lähteet:
Selin, M. 2018: Väestödata laittaa QGis:n polvilleen eli neljäs kurssikerta
https://blogs.helsinki.fi/selkala/
(Luettu 7.2.2018)
Tilastokeskus, 2017: Kuntien avainluvut.
https://www.stat.fi/tup/alue/kuntienavainluvut.html#?year=2017&active1=091&active2=049%20Luettu%205.2.2018
(Luettu 7.2.2018)
Tilastokeskus, 2017: Taloudellinen huoltosuhde oli 143 vuonna 2015.
https://www.stat.fi/til/tyokay/2015/03/tyokay_2015_03_2017-02-17_kat_001_fi.html
(Luettu 7.2.2018)
Kerta 3: Vettä kengässä :o
Olen palannut gis-maailmaan, ja tällä kertaa onnistuin melko kunniakkaasti. Harjoitustöistä valitsin ensin vaikeamman. Tämä tyssäsi siihen, etten osannut laskea järvisyysprosenttia oikein raakadatasta, joten egoni harmiksi luovutin.
Tein siis helpomman version tämän viikon harjoitustyöstä. Tehtävänä oli eri aineistoja ”Join” -toiminnolla yhdistellen luoda uutta dataa, jota hyödytäen luotiin kartta Suomen valuma-alueiden tulvaindekseistä.
Tässä on kaunis luomukseni:
Nyt jälkeen päin karttaa tarkastellessani, tajusin, että olen unohtanut otsikon. Noloa.
Ongelmaksi tämän kartan luomisprosessissa kehittyi järvisyyden vertailuun kuuluva palkki. En ohjeista oikein ymmärtänyt, oliko tarkoitus luoda legendaan järvisyyden maksimin (eli 100% järvisyys) kokoinen sininen palkki, vai kuvaavatko nuo palkit järvisyyttä suhteessa toisiinsa. Huomasin myös Vivillä olleen tätä samaa ongelmaa. Viviä epäsuorasti lainaten; tarkempia päätelmiä järvisyyden määrästä koko valuma-alueella ei voi tehdä, koska emme tiedä muuta kuin järvisyyden suhteellisuudesta toisiin valuma-alueisiin. Jätin asian sikseen, koska minulle tuli kova nälkä.
Nyt itse kartasta. Siitä voi huomata, kuinka suurimman tulvaindeksin omaavia alueita on Suomessa vain Varsinais-Suomessa. Tämä oli mielestäni outoa, sillä niiden valuma-alue on verrattaen esimerkiksi Vuokseen hyvin pieni. Pääasiassa kartasta voidaan huomata kuinka tulvinta on todennäköisintä Pohjanmaalla, jossa maasto on hyvin alavaa hyvin syvälle sisämaahan. Tämä alava maasto hidastaa veden virtaamaa, jolloin todennäköisyys tulvinnalle on suurempaa.
Korpelaisen Yle.fi -sivustolle 29.1.2018 kirjoittamassa uutisessa kerrotaan, kuinka Kokemäenjoen tulvavaaraa on pienennetty. Viime aikoina (tammikuun aikana) Kokemäenjoen tulvavaara on ollut nousussa päin, ja tulva on uhannut jopa asuinrakennuksia, mutta vaara kääntyy laskuun tulevan pakkasjakson aikana. Kokemäenjoen suu sijaitsee Porin kaupungin lähettyvillä Satakunnan maakunnassa. Tekemässäni kartassa tämän alueen tulvaindeksi on pienintä luokkaa. Tästä voi päätellä, että Kokemäenjoen viimeaikainen tulvavaara on melko harvinaista. Epänormaaliin tulvimiseen on todennäköisesti liittynyt normaalia lauhempi talvi.
Tämän kerran jälkeen voin kyllä sanoa, että olen oppinut joten kuten käyttämään QGis-ohjelmaa. Hyvin, hyvin monen toiston jälkeen ne alkavat sulautua osaksi hermoratojani, ja gis-velhoilusta on tullut entistä helpompaa. Konkreettisena esimerkkinä toimii kartan luominen kuvaksi, joka oli aluksi ihan järkyttävää, ja tänään sain tämän tehtyä noin viidessä minuutissa. Hyvä mä 🙂
Lähteet:
Tarkka, V. 31.1.2018: Haloo! Tulvariski!
Luettu 31.1.2018.
Korpelainen, L. 29.1.2018: Tulvavaara pienentynyt Porissa – valmiustasoa lasketaan.
https://yle.fi/uutiset/3-10047599
Luettu 31.1.2018.
Kerta 2: Mercator on kuraa
Astelin tälle kurssikerralle rinta rottingilla ajatellen, että kukistan QGIS:in samalla tavalla hakkeroiden kuin edellisellä kerralla. Toisin meni, kun lähdin luokasta puolituntia tunnin loppumisen jälkeen pidätellen huutoa ja itkua.
Tällä kerralla perehdyimme eri projektioiden aiheuttamiin virheisiin pinta-alassa. Tämän voin havainnollistaa kolmella eri kartalla, minkä sain aikaiseksi tunnin puolessa välissä.
Kuten kuvasta 1 näkyy, Mercatorin projektion mukainen Suomi on hyvin erikoisen muotoinen. Tämä johtuu mercatorin oikeakulmaisuudesta, jolloin sen pinta-alat vääristyvät navoille päin. Lambertin projektio sen sijaan näyttää Suomen sen normaaliksi koetussa muodossaan.
Syyn Mercatorin virheelle on hienosti selitetty Roopen blogissa. Lisäksi hän on esittänyt ajatuksen siitä, kuinka Mercator on periaatteessa jäänne kolonialismin ja siirtomaavallan ajalta, mikä saa lukijan ajattelemaan, kuinka ihmisten mielikuva maapallosta on vääristynyt jo monta vuotta, kuten Aake näin sanoo.
Tässä vaiheessa meidän piti aloittaa kurssikerran varsinainen kotityö. Valitsin tehtävistä ”vaikeimman”, koska ajattelin, että oon jo jumalallinen gis-velho. Unelmani murskautuivat noin 30 minuutissa.
Tunnin häsellykseni jälkeen apua kysyessäni Paarlahden Arttu kertoi minulle, että tehtävän oikeaan toteuttamiseen tarvitsen aiemmin (kuva 2 tehtävään) tehdyt laskelmat. Minä, itsenäinen nainen, olin poistanut nämä heti virheprosenttikartan valmiiksi saatuani, ja viimeisen tunnin olin säheltänyt jotain omilla keskimilläni luvuilla.
Tässä vaiheessa pidin ruokatauon, ja ehkä kävin vähän itkemässä supan sohvalla. Vieressä oleva kuva kartoittaa fiiliksiäni älyttömän hyvin.
Ruokatauon jälkeen päätin tarttua härkää sarvista, ja suunnata takaisin A113 + A114 luokkaan. Avasin tehtävän ohjeet, ja aloitin työn alusta.
Kahden tunnin hiljaisen itkun jälkeen sain valmiiksi nämä kauneudet:
Kuten kuvasta 4 voi nähdä, eri projektiot näyttävät pinta-alasta riippuvaisen väestöntiheyden eri tavoin. Mercator näyttää Suomen olevan selkeästi harvemmin asutettu maa, kuin Lambertin projektio. Syy tähän eroon on Mercatorin virhe sen pinta-alassa. Mercator mittaa väestöntiheyden sen omien pinta-alatietojen mukaan, minkä takia syntyy virhe kartassa, vaikka kartat ovat mitattu samalla väestödatalla. Virhe voidaan huomata myös legendasta, jossa Lambertin mukaan kaikkein tiheimmin Suomessa väestöä on 2354 henkilöä per neliökilometri, kun taas Mercator sanoo saman luvun olevan 584. Oikeasti Suomen tiheimmin asutetussa kaupungissa Helsingissä väestöntiheys on keskimääräisesti 2741 henkilöä / km2.
Olen kovin tyytyväinen lopputulokseen, vaikka sen saavuttamiseen menikin turhan monta kuppia kahvia ja noin millimetri kulunutta hammasta. Muiden karttoja tarkastellessani, omasta mielestäni yksi puute näissä kartoissa on niiden asettelu. Olisin voinut sijoittaa väestöntiheys kartat samaan tiedostoon, kuten Miia on tehnyt. Näin olisin säästänyt aikaa, koska ei olisi tarvinnut tehdä legendoja, mittakaavoja ja näitä muita pikkujuttuja kahteen kertaan ;–)
Tällä kurssikerralla opin, niin kuin kaikki muutkin, kuinka projektion valinta käyttötarkoituksen mukaan on tärkeää. Lisäksi, että karttoja tarkastellessa tulee muistaa kriittisyys, kuten myös esim. artikkeleita lukiessa. Ai niin, ja että Mercator on melkein aina huono valinta karttaan.
Menetin hetkeksi uskoni GIS tulevaisuuteeni, mutta häviöiden kautta voittoon, vai miten se meni.
Lähteet:
Heinonen, R. 22.1.2018: Vääristynyt todellisuus.
Luettu 30.1.2018.
Laine, A. 25.1.2018: Projektioiden vertailua (toinen kurssikerta).
Luettu 30.1.2018.
Farstad, M. 26.1.2018: Viikko 2: Projektioiden tärkeys.
Luettu 30.1.2018.
Kerta 1: Ensimmäinen kurssikerta
Tällä kurssilla, eli Geoinformatiikan menetelmät 1 -kurssilla, meidän jokaisen tulee ylläpitää blogia, ja päivittää sitä kurssin edetessä. Tässä on nyt siis ensimmäinen merkintäni omaan blogiini, olkaa hyvät.
Tämä kurssikerta oli ainakin alkuun vanhan kertaamista, mikä on kovin ymmärrettävää, sillä alkuun on aina hyvä vähän muistuttaa itseään perusasioista. Odotan innolla seuraavien viikkojen kurssikertoja, sillä minusta idea blogin pitämisestä on todella hyvä, mutta tästä ensimmäisesta kurssikerrasta kirjoittaminen on kovin hankalaa. Lyhyesti ja ytimekkäästi; kävimme nopeasti kerraten läpi paikkatiedon sisällön ja eri muodot, kuten myös teknisiä tietoja tiedostojen formaateista ja muodoista, ynnä muuta mukavaa.
Kun tästä kertaamisesta päästiin, loimme itse kartan yhdistelemällä jo olemassa olevia vektoriaineistoja ja luomalla niihin lisää dataa. Tässä on oma häsellykseni:
Kartassa on kuvattuna Itämeren rannalla sijaitsevien valtioiden osuudet Itämeren typpipäästöjen kokonaismäärästä. Typpi on siis Itämerta saastuttava aine, joka turhan suurina määrinä aiheuttaa meren rehevöitymisen. Rehevöitymisen myötä vesi sakenee ja pohjassa alkaa ilmetä happikatoa, mistä lopulta aiheutuu niiden lajien kuoleminen, jotka eivät uuteen ympäristöön sopeudu.
Kartasta voi huomata, kuinka Puola johtaa ylivoimaisesti Itämeren typpipäästöillään, mitä he sinne syöttävät jopa noin 34 % koko päästöjen määrästä. Merkittävää on myös, kuinka Venäjän typpipäästöt tippuvat toiseksi pahimpaan luokkaan, vaikka heidän rantaviivansa Itämerellä on häviävän pieni verrattuna esimerkiksi Ruotsiin. Ruotsin päästöjen määrä on ymmärrettävä, sillä heidän rantaviivansa on paljon muita pidempi.
Itämeri on edennyt rehevöitymisprosessissaan aikalailla tappiin asti, mikä on aiheuttanut melkein täyden hapettomuuden meren syvimpiin kohtiin. Tästä voimme syyttää ihmisten kymmeniä vuosia jatkunutta toimintaa meren kustannuksella. Itämeren tilanne on jo sen verran paha, että sen pelastaisi vain todella voimakas uuden hapekkaan veden virtaus Pohjanmereltä, mikä on maantieteellisesti aika epätodennäköistä.
Teksti alkaa kuulostaa kovin toivottomalta, mutta olen vain realistinen.
Etsin Itämeren kunnosta sopivaa artikkelia, ja törmäsin kirjoitukseen, joka on kopioitu uutissivustolta, josta se on jo poistettu. Tämä sivu kokoaa kaikkia Itämereen liittyviä artikkeleita ja uutisia yhdelle sivustolle. Artikkelissa haastateltu Kaliningradilainen pariskunta kertovat, kuinka heidän asuntonsa läheltä kulkeva joki vuorautuu kesäisin saasteilla ja ulosteilla vanhan viemäriongelman takia. Viemäriongelma tuli korjata vuoteen 2009 mennessä, mutta he edelleen joutuvat joinain päivinä sulkemaan ikkunat, ettei tunkkainen ulosteen haju leiju sisätiloihin. Tämä joki virtaa suoraan Itämereen, vieden mukanaan kaiken siihen pumpatun saasteen. Joten ei ihme, kun Itämeren tilanne on vuosien saatossa todettu kovin pahaksi.
Tästä kartasta olisi mielenkiintoista johtaa uusi kartta, missä kuvattaisiin typpipäästöjen prosenttimäärää suhteutettuna myös rantaviivan pituuteen. Tässä kartassa Suomi ja Ruotsi olisivat päästöjen määrässään vähän alempaa kastia, kun taas maat, kuten Venäjä ja Liettua, millä on vähän rantaviivaa, kohoaisivat päästöjen määrässään ylöspäin.
Teimme kartan QGIS-ohjelmalla, mikä oli uusi varmaankin kaikille. Sen käyttö oli onneksi samankaltainen kuin muutkin tähän mennessä käyttämämme ohjelmat. Moni asia jäi itselläni vielä hieman hämärän peittoon, sillä oppiakseni kaikki käskyt minun täytyy toistaa niitä monta, monta kertaa. Mutta eiköhän tää tästä.
Kartassa on mielestäni myös puutteita. Esimerkiksi rantaviivat ovat kovin sohjoisen näköisiä, sillä saarien reunaviivat tuhoavat näkymää. Tätä viivan väriä ei myöskään voitu muokata, sillä se olisi hävittänyt valtioiden rajat näkyvistä. Siinä pieni kehittämisidea ohjelmasta vastuussa oleville. Myös poistamatta jääneet syvyyskäyrät on tässä kontekstissa kovin turhat, ja lisäävät kartan turhaa sekalaisuutta.
Muuten olen kovin tyytyväinen karttaani 🙂 !
Lähteet:
Salihu, D. 2015: Baltic Sea is Dying. Luettu 17.1.2018
https://savethebaltic.wordpress.com/
2015/04/16/baltic-sea-is-dying/