Kategoriat
Uncategorised

Kotiplaneetan puolesta

Tässä se nyt on, viimeinen kerta blogin parissa. Kirjoittaminen on ollut itseasiassa melko hyvä tapa oppia: Samalla, kun on esitellyt omia tuotoksiaan, on voinut pohtia omaa oppimista ja analysoida käytettyjen taitojen sovellusmahdollisuuksia. Ensimmäisessä blogitekstissäni olin innokas ja odottavainen sekä nälkäinen oppimaan paljon. Ja voi, miten paljon olen oppinutkaan! 

Tehtävät ja projektit ovat muuttuneet haastavammiksi ja enemmän itsenäisiksi koko ajan, minkä vuoksi työ ei ole tuntunut helpolta oikeastaan missään vaiheessa. Samalla voin kuitenkin todeta, että kaiken opittavan olen mielestäni oppinut. Seitsemässä viikossa olen oppinut muun muassa etsimään itse tietokantoja internetistä, käsittelemään erilaisia aineistoja, tekemään monipuolisia analyyseja sekä muokkauksia ja tuottamaan näistä kaikista miellyttäviä visuaalisia esityksiä. Peruspalikat ovat samoja teki sitten minkälaista projektia tahansa. Esimerkiksi Tuija Hyvättinen teki hyvin erilaisen projektin viimeisellä kerralla kuin minä, mutta onnistuminen mahdollistui yhteisesti opituilla asioilla, niitä täytyy vain osata soveltaa. 

Pikkuhiljaa olemme itsenäistyneet projektien teossa ja tällä viimeisellä kerralla ohjat annettiin kokonaan meille: materiaali tuli hankkia itse, aihe suunnitella itse ja tehdä halutunlainen analyysi aineistosta. Onneksi Arttu oli tukenamme projektin teossa ja auttoi ratkaisemaan muun muassa Exceliin liittyviä ongelmia, joiden itsenäinen ratkaiseminen ei olisi onnistunut. 

Valitsin tutkimusalueekseni Euroopan ja aiheeksi maiden kiertotalouden. Kaivoin materiaalia internetistä ja päädyin seuraaviin aineistoihin: syntyneet pakkausmuovijätteet ja kierrätetyt pakkausmuovijätteet maittain sekä uusiutuvan energian osuus käytetystä energiasta maittain. Uusiutuvan energian tietokanta ei vaatinut sen kummempia muokkauksia Excel pyöritystä lukuun ottamatta. Pakkausmuovin suhteen minun piti Excel pyörityksen lisäksi tehdä ominaisuustaulukkolasku, jotta sain halutun tiedon näkyviin. Minulla oli tieto syntyneestä muovijätteestä ja kierrätetystä muovijätteestä. Jotta luvut olisivat vertailukelpoisia, halusin laskea, miten suuri osa syntyneestä muovijätteestä on kierrätetty. Laskutoimitus oli yksinkertainen ja onnistui Qgis:n perustaidoilla. 

Tarkoituksenani oli tarkastella maiden kehittymistä kierrätyksen ja kestävän kehityksen osalta vertaamalla vuosien 2005 ja 2015 tietoja. Tietokannat eivät antaneet informaatiota kaikista Euroopan maista, minkä vuoksi kartoissa (kuvat 1 ja 2) osa maista ovat valkoisina ja/tai ilman pylvästä. Myös Jonna Kääriäinen oli kohdannut tämän ongelman Afrikkaan liittyvissä tilastoissa: Kun tietoa ei ole saatavilla kaikista maista samoilta vuosilta, kärsii maiden välinen vertailtuvuus. Siksi tuloksia ei voi käsitellä absoluuttisena totuutena, vaan suuntaa antavana mallina. 

Koropleettikarttana näkyy pakkausmuovin suhteellinen kierrätys ja pylväinä uusiutuvan energian suhteellinen osuus. Vuonna 2005 (kuva 1) pakkausmuovijätteestään suurimman suhteellisen määrän kierrättivät Saksa, Itävalta ja Tšekki. Vaikka nämä maat olivat johtavia muovin kierrättäjiä, jää heilläkin osuus alle 40%. Vuonna 2005 Suomessa vastaava osuus on alle 16%, mikä on hyvin pieni osuus. Uusiutuvan energian osuudet energiankäytöstä olivat vuonna 2005 karkeasti katsottuna Norjassa, Ruotsissa, Suomessa ja Montenegrossa. Pienimmät osuudet uusiutuvalla energialla puolestaan oli tuolloin muun muassa Alankomaissa, Belgiassa, Luxemburgissa ja Iso-Britanniassa. 

Kuva 1. Maakohtaiset pakkausmuovien kierrätysprosentti ja uusiutuvan energian osuus energiankäytöstä vuonna 2005.

Vertaillessani samoja muuttujia vuoden 2015 arvoilla (kuva 2), olin aluksi yllättynyt siitä, miten joidenkin maiden kohdalla muutosta ei juuri ollut tapahtunut. Esimerkiksi Pohjoismaat ja Espanja näyttävät hyvin samanlaiselta verrattuna vuoden 2005 tilanteeseen. On kuitenkin muistettava, että koropleettikartan värit kuvaavat jotain väliä, jonka sisällä voi tapahtua suuriakin muutoksia. Myös luokkavälit ovat muuttuneet verrattuna vuoteen 2005. Kun tuolloin suurin luokka kuvasti hieman alle 40% kierrätysosuutta, on vastaava suurin luokka vuoden 2015 aineistossa jopa yli 60 % kierrätysosuuden mukainen.

Siispä muistutan: lue aina myös legenda! Näin ollen, vaikka Suomi on edelleen pienimmässä luokassa, on alimman luokan yläraja noussut reiluun 30%:iin, mikä tarkoittaa, että Suomi on luultavasti lisännyt kierrätystään, mutta asteikon noustessa se ei ole päässyt seuraavalle tasolle. 

Näillä perusteilla voidaan sanoa, että jos maan väri on tummentunut siirryttäessä vuoteen 2015, on kierrätys lisääntynyt merkittävästi. Jos väri on muuttunut samaksi, on kierrätys silti lisääntynyt. Mikäli väri on edellistä vaaleampi, on maan kierrätysprosentti todennäköisesti sama kuin ennenkin, mutta asteikon noustessa se on pudonnut alemmalle tasolle. Merkittävää muutosta parempaa on tapahtunut erityisen paljon itä-Euroopassa, jossa Bulgaria, Romania, Kroatia ja Slovakia ovat lisänneet kierrätysprosenttiaan merkittävästi. 

Uusiutuvan energian osuus energiantuotosta on vuoden 2015 kartassa lähes sama kuin vuoden 2005 kartassa. Muutos olisi ollut toivottavaa, sillä uusiutuvan energian käyttö on Maan tulevaisuuden kannalta huomattavasti parempi vaihtoehto kuin uusiutumattoman energian tuotto. Jos pääsen tarkastelemaan samaa aineistoa vuoden 2025 tiedoilla, toivon näkeväni muutosta parempaan erityisesti maiden kohdalla, joiden pylväs on vielä tässä vaiheessa pieni. 

Kuva 2. Maakohtaiset pakkausmuovien kierrätysprosentti ja uusiutuvan energian osuus energiankäytöstä vuonna 2015.

Pakkausmuovia syntyy jatkuvasti ja sen kierrätys on erityisen tärkeää. Erityisesti minua yllätti Suomen vähäinen kierrätysosuus. Kyseessä on kuitenkin jo viisi vuotta vanha aineisto ja tilanne saattaa jo nyt olla toinen. Muovin kierrätyksestä on viime vuosien aikana puhuttu paljon, mikä on lisännyt myös ihmisten tietoutta asiasta. Lisäksi vuonna 2016 aloitettiin kuluttajien muovipakkausten keräys, mikä on seurannan mukaan lisännyt vuosittain muovin kierrätystä huomattavasti (Soini, 2.9.2019). Suomen osalta muovin kierrätys on edistynyttä. Muovin kierrätykseen liittyviin kysymyksiin ja ohjeisiin löytää nopeasti vastauksia Suomen uusiomuovi Oy:n sivuilta. Koska muovin kierrätys on kaikkien asia, olen tehnyt tiedon löytämisestä helppoa: klikkaat vain tästä.

Uusiutuvaan energiaan siirtyminen on hidasta ja sillä on omat rajoituksensa. Tavoitteita sille on asetettu pitkän ajan päähän, koska siihen siirtyminen ei ole niin yksinkertaista kuin maallikko voisi luulla. Esimerkiksi vuonna 2005 on asetettu tavoitteeksi, että vuonna 2050 EU:n energia tuotettaisiin kokonaan uusiutuvilla energiamuodoilla. (Olesen, 1.9.2005.) Koska tavoite on vasta asetettu vuonna 2005, ei ole ihmeellistä, että muutosta ei ole juuri ehtinyt tapahtumaan tarkastelun kohteena olleiden vuosien välillä. 

Oli mahtavaa tehdä oma projekti! Kun sai itse suunnitella, sai myös paneutua aiheisiin, jotka todella kiinnostivat itseä. Kierrätys ja ympäristön huomioiminen on erittäin tärkeä globaali aihe, jota pitäisi tutkia yhä enemmän. Tällä pienimuotoisella tutkimuksellani pystyin tarkastelemaan Euroopan tilannetta ainakin joltain osin. Tutkimukseni perusteella uskallan sanoa, että Eurooppa kulkee oikeaan suuntaan. Jos jokainen maa tekee vielä sisäisesti samankaltaista työtä kuin Suomi, parantaa se tilannetta entisestään. Uusiutuva energia ja muovien kierrätys ovat asioita, joihin jokainen voi pienissä määrin omalla toiminnallaan vaikuttaa. Siispä kannustan kaikkia kotimaassa ja ulkomailla osallistumaan talkoisiin! Ja jos joku tarvitsee syyn, niin tässä se on: kotiplaneettamme tarvitsee sitä.

Seitsemän viikkoa intensiivistä ”gisseilyä” (näin tuttavallisesti ilmaistuna) on aikamoista. Haasteita on mahtunut matkan varrelle enemmän kuin tarpeeksi ja aikaa kurssiin on kulunut lukemattomia tunteja. Jostain sairaasta syystä silti väitän pitäväni kovasti tästä puuhasta. Pieni hengähdystauko näistä puuhista tekee varmasti hyvää ja antaa ajatuksilla tilaa muhia. Iso kiitos ja kumarrus kaikille lukijoille tämän kurssin osalta! Pieni taputus omalle olalle ja kohti uusia seikkailuja. 

Lähteet:

Hyvättinen, Tuija. Homma purkkiin! Käytetty 1.3.2020. https://blogs.helsinki.fi/hytuija/

Kääriäinen, Jonna. Inhimillisen hyvinvoinnin kuvaaminen teemakartoilla. Käytetty 1.3.2020. https://blogs.helsinki.fi/kaarijon/

Olesen, G. B., (1.9.2005). Uusiutuva energia Euroopassa. Käytetty 29.2.2020. http://ilmasto.org/kirjoitukset/uusiutuva-energia-euroopassa.html

Soini, V., (2.9.2019). Muovipakkausten kierrätys kasvaa vauhdikkaasti. Suomen uusiomuovi Oy. Käytetty 29.2.2020. http://www.uusiomuovi.fi/fin/suomen_uusiomuovi/ajankohtaista/2019/09/muovipakkausten-kierratys-kasvaa-vauhdikkaasti/

Kategoriat
Uncategorised

Sisäinen GIS Laura pääsi töihin

Tällä kertaa itse kurssikerta oli leppoisa. Ulkoilua, pieniä harjoituksia, uutena teemana interpolointi ja sitten koitti se hetki, mitä olen kauhulla odottanut: ohjat annettiin meille. Pohjamateriaali tarjottiin valmiina, mutta sen työstäminen jäi täysin meidän harkinnan varaan. Vaikka kauhulla odotin tätä, hypin mielessäni ilosta samaan aikaan. Kun perustaitojen jälkeen meille annetaan mahdollisuus suunnitella ja kokeilla itse, on työ mielekästä ja samalla erittäin opettavaa!

Kokemuksesta osasin jo aavistaa, että projekti vaatii aikaa, joten aloitin sen heti. Kirjoitan tätä nyt, kun työ on jo valmis ja voin kertoa, että yli vuorokausi tässä meni. Nyt on helppo hymyillä, mutta taidan olla gis puuhailijana melko introvertti ainakin näin harjoitteluvaiheessa. Savua nousee korvista joka kerta, kun analyysi epäonnistuu. Olen ahkera ja sinnikäs, mutta tämä oppiminen on ollut paras tehdä yksin, ihan vain muiden hyvinvoinnin vuoksi. 

Tarkoituksenani oli luoda havainnollistava esitys erilaisten hasardien sijoittumisesta. Tarjolla oli tietoa maanjäristyksistä, meteoriitti-iskeymistä ja tulivuorista. Ensimmäinen ja viimeinen onnistui helposti, mutta meteoriittiaineiston saaminen Qgis:iin oli minulle kuitenkin haaste. Lopulta sain siirrettyä tiedot excelliin, jossa muun muassa jaoin päivämäärä sarakkeen välilyöntien perusteella osiin, jotta pystyisin jatkossa tarkastelemaan meteoriitti-iskeytymisiä vuosiluvun perusteella.

Dataa oli lopulta paljon ja kartta näytti sekamelskalta, joten päätin karsia meteoriittitietokannan pois. Seuraavaksi ajattelin tarkastella maanjäristysten ja tulivuorten yhteyksiä. Taustatyötä tehdessäni pystyin nopeasti toteamaan, että en pysty kartallani osoittamaan niiden välille muuta yhteyttä kuin sijainnin. Maanjäristys kun ei aina vaikuta tulivuoriin, eivätkä tulivuoret aina aiheuta merkittäviä maanjäristyksiä.

Siispä päädyin tarkastelemaan maanjäristyksiä. Projektini tueksi hain internetistä aineistoiksi valtioiden rajat polygoneina (kurssimateriaalissa oli vain rajat viivoina) sekä mannerlaattojen rajat. Vaikka keskityin vain yhteen teemaan, oli se mielestäni erittäin mielenkiintoinen. Ongelmana oli se, miten saisin esityksestä visuaalisesti mielekkään ja sisällöllisesti oleellisen.

Pyörittelin ja pyörittelin. Kokeilin interpolointeja maanjäristysten perusteella, mutta se ei antanut minua miellyttävää informaatiota. Ajattelin myös tekeväni bufferin mannerlaattojen ympärille, mutta siitä ajatuksesta luovuin, koska maailmankartassa tämä ei ilmeisesti onnistu. Hermoni olivat vahvasti koetuksella, kun jatkuvasti Join attributes by location toiminnon jälkeen yhdistetyissä sarakkeissa lukee vain NULL. Näin jälkikäteen muiden töitä katsellessani voin todeta, että Matti Katajiston interpoloima maanjäristyskartta toimii lukijan näkökulmasta paljon paremmin kuin tekijän silmään näytti. Interpoloinnin avulla olisi siis voinut hyvin visuaalisesti esittää maanjäristysten hot spotit voimakkuuden mukaan. Koska tekovaiheessa interpolointi näytti mielestäni epäselvältä, päädyin toisenlaiseen lähestymistapaan. 

Löytämäni valtio -tietokannan avulla pystyin tarkastelemaan maanjäristysten määrää alueittain käyttämällä count points in polygon -työkalua. Tuottamani kartat (kuvat 1-3) havainnollistavat maanjäristysten sijoittumista ja voimakkuutta Aineistoni perustuu vuosien 1980-2012 maanjäristyksiin. Järistysten voimakkuudet on ilmaistu Richterin asteikon mukaisesti magnitudeina. Koska richteri tai magnitudi ei ole yksikkö, vaan kyseessä on logaritminen asteikko, ei luvun perässä ole mielekästä ilmaista magnitudia tai richteriä. Asteikon suhteen toinen tärkeä muistettava asia on sen kymmenkertaistuminen lukuja edetessä, toisin sanoen logaritmisyys: esimerkiksi 7,0 vahvuinen maanjäristys on voimaltaa kymmenkertainen verrattuna 6,0 vahvuiseen. 

Pohjakartalla näkyvät valtiot sitä tummemmalla, mitä enemmän siellä  on ollut yli 6,0 voimakkuuden maanjäristyksiä. Tummimmat alueet sijaitsevat pääosin alityöntövyöhykkeillä, mikä selittää järistyksiä suurilta osin. Koska alueilla esiintyy runsaasti maanjäristyksiä, voidaan niitä kutsua maanjäristyksen hot spot alueiksi. Asian havainnollistamiseksi asetin mannerlaattojen rajat näkyviksi, joka auttaakin selittämään esimerkiksi kuvan 3 merellisiä maanjäristyssijainteja. 

Kuvia tarkastelemalla voi todeta, että suuremmat järistykset (voimakkuudeltaan yli 7,0) sijoittuvat poikkeuksetta tummimpien valtoiden alueelle (kuva 1 ja 2). Vasta kun karttaan listään hieman pienemmät maanjäristykset (vähintään 6,0), on hajonta laajempaa. Karttaa tarkemmin katsoessa huomaa, että silti suurin osa järistyksistä sijoittuu hot spot alueille tai paikallisesti muihin mannerlaattojen saumakohtiin. Mikko Kangasmaa tuo blogissaan esiin tärkeän pointin: vaikka suurimmat ja suurin osa maanjäristyksistä tapahtuu mannerlaattojen saumakohdissa, tapahtuu pienempiä järistyksiä laattojen keskiosissa runsaasti. 

Kuva 1. Vuosien 1980-2012 välillä tapahtuneiden maanjäristysten jakautuminen valtioihin sekä suurimpien maanjäristysten sijoittuminen. Yli 8,0 voimakkuuden maanjäristykset sijoittuvat alueille, joissa muutenkin enemmän maanjäristyksiä.
Kuva 2. Vuosien 1980-2012 välillä tapahtuneiden maanjäristysten jakautuminen valtioihin sekä keskisuurien ja suurien maanjäristysten sijoittuminen. Yli 7,0 voimakkuuden maanjäristyksien sijainti osuu vahvasti hot spotien päälle
Kuva 3. Vuosien 1980-2012 välillä tapahtuneiden maanjäristysten jakautuminen valtioihin sekä yli 6,0 voimakkuuden maanjäristysten sijoittuminen. Yksittäiset mittaukset ja painotukset eivät ole enää täysin linjassa, mutta painotusta hot spotteihin ja mannerlaattojen rajoihin on nähtävissä.

Kartat ovat väreiltään miellyttäviä ja asiaansa kuvaavia. Huono puoli kartoissa on se, että pohjakartan väripainotukset kattavat koko valtion, vaikka maanjäristyksiä olisi vain pienellä alueella (esimerkiksi Venäjä). Koko valtion värjäyksen hyvänä puolena puolestaan on se, että se havainnollistaa maanjäristysten vaikutusaluetta. Vaikka maanjäristyksiä tapahtuisi vain valtion reunassa, vaikuttaa se koko maahan muun muassa taloudellisesti.

Mielestäni kartat sopisivat erittäin hyvin opetuskäyttöön, sillä siinä tulee osittain esiin myös maanjäristysten vaikutusalue. Kuva 3 on ensikatsomalta hieman kaoottinen, mutta kun tarkoituksena oli osoittaa pienempien järistysten levittäytyminen, voi sen todeta toimivaksi.  Internettiä selaamalla en löytänyt yhtä havainnollistavaa opetusmateriaalia. Peda.net:stä löysin kartan maanjäristysten riskialueista, jossa näkyy maanjäristysten vaikutusalue hasardien näkökulmasta. Monipuolinen tarkastelu hasardeja käsitellessä on aina tarpeellista, sillä muuten tieto voi johtaa harhaan. Esimerkiksi maanjäristysten suhteen voimakkuuden lisäksi olisi hyvä tarkastella muun muassa järistyspisteen syvyyttä sekä alueella asuvaa väestömäärää ja infrastruktuurirakennetta. Joskus voimakaskin järistys voi olla vaikutuksiltaan pieni osuessaan periferiaan, kun taas pienikin maanjäristys voi aiheuttaa suurta tuhoa tiheän asutuksen ja heikon infrastruktuurin alueella.

Aihetta voisi helposti jatkaa tulivuorien tarkasteluun, sillä tulivuoret sijaitsevat lähes täysin samoilla alueilla kuin suurimmat maanjäristykset. Lisäksi voitaisiin tarkastella hot spot valtioiden varautumista maanjäristyksiltä sekä tarkastella visuaalisesti maanjäristys tuhojen suuruutta valtioiden välillä. Ihan sormet syyhyää, kun jatkotutkimusideoita olisi niin paljon. Tällä kertaa tämä kuitenkin riittää ja jätän muille ja itselleni myöhemmäksi elämään lisää tutkittavaa. 

Lähteet:

Kangasmaa, Mikko. Kenttätöitä ja hasardeja (kurssikerta 6). Käytetty 19.2.2020. https://blogs.helsinki.fi/kanmikko/

Katajisto, Matti. Tactical nuke inbound. Käytetty 19.2.2020. https://blogs.helsinki.fi/mattikat/

 

Kategoriat
Uncategorised

Peruspalikoilla kohti itsenäistä työskentelyä

Onnistumisia toisensa perään, saumatonta tiimityötä, ratkaistuja aivopähkinöitä ja aitoa gis riemua. Kun vierestäni kuuluu ”Herran jumala. Täähän toimii”, voin todeta tunnin onnistuneeksi. Tämä blogipostaus ei kuitenkaan keskity siihen, saimmeko aikaiseksi oikeita lukuja vaan on enemmän väliarviointi omasta oppimisestani. Itsereflektointini tapahtuu luonnollisesti tekemieni projektien kautta, joten älä huoli, saat kyllä kuulla mitä ihania laskupyörityksiä olen tällä kerralla tehnyt. Varoitan jo etukäteen: tämä blogiteksti on pitkä. Syy siihen on yksinkertaisesti se, että tehtäviä oli paljon ja oppimista tapahtui sen mukaisesti.

Päivän teema oli vahvasti vyöhykkeiden luonti eli bufferointi. Kun periaatteen ja pienet tarvittavat säädöt ymmärsi, pystyi suurimman osan tehtävistä pyöritellä melko yksinkertaisesti loppuun asti. Bufferin avulla tutkittiin select attributes by location lentokenttien vaikutusalueella asuvia ihmismääriä sekä ihmisten sijoittumista juna-asemien lähettyville. Lisäksi tarkasteltiin pisteiden sijoittumista polygonien sisälle tarkastelemalla ihmisten sijoittumista suhteessa Taajamiin sekä niiden sisäisiä ominaisuuksia. Kaikista näistä olen kerännyt tekemäni havainnot ja laskutulokset sekä niistä johdetut päätelmät taulukkoon. Tarkoituksena oli, että linkin kautta tuloksia olisi päässyt tarkastelemaan, mutta .html linkkiä ei saanut tunnin yrittämisen jälkeen tehtyä. Siispä tulokset ovat hieman kömpelösti näkyvillä tämän blogitekstin lopussa. 

Taulukoista tuli mieleen eräs oppimani asia. Qgis:ssä on erittäin helppoa tarkastella tilastotietoja työn ohessa. Olen oppinut käyttämään sigma-merkin takana olevaa tilastotyökalua halutessani tietää esimerkiksi summia tai keskiarvoja. Näin säästyy monta klikkausta ja tilastotietoja voi tarkastella ilman, että tarvitsisi erikseen avata esimerkiksi tilastokeskuksen sivuja. 

Kurssikerta sujui tällä kertaa todella hyvin. Tai ainakin sen virallisen aikarajan sisällä. Kun kello löi 15.46, oli tuntimme ohi ja Qgis sanoikin saman tien itsensä irti. Ei muuta kuin kotiin siis tekemään. Sain kotona selvitettyä tehtävien 1 ja 2 vastaukset kivuttomasti. Sonja Nylund oli huomannut saman asian kuin minä: toistamalla ja itse tekemällä oppii huomattavasti enemmän kuin stressaantuneena tunnilla samalla kun yrittää pysyä muiden tahdissa. Kotona on helpompi ymmärtää mitä tekee ja miksi, sekä tarkastella ja pureskella rauhassa tehtyjä prosesseja ja lopputuloksia. Siispä Innolla lähdin kohti lisätehtäviä, joista piti valita vähintään yksi. Lähtökohtani oli, että todellakin teen ne kaikki.

Näin kahdeksan tuntia myöhemmin voin sanoa, että vaikeuksia oli. Qgis:n kanssa ongelmia tuntuu olevan jatkuvasti. Koska ohjelman perusteellinen hallitseminen vaatii myös tietynlaista koodausymmärrystä (millä komennolla tapahtuu mitäkin), eivät ongelma ratkea välttämättä helposti ainakaan aloittelijalle. Lähes joka kurssikerta jollain tulee vastaan ongelma, jota jopa Arttu joutuu pohtimaan tarkemmin siitä selvitäkseen.

Aina vika ei välttämättä ole kuitenkaan tekijässä. Joskus tietokannat voivat olla virheellisiä tai ohjelma nirso heikkolaatuisten tietokantojen suhteen. Näin vaikuttaa käyneen tällä kertaa. Yritin tehdä kurssikerran tehtävistä tehtävää numero 5 ja ystäväni yritti numeroa 4. Ne molemmat pohjautuivat samaan aluejako aineistoon. Ongelma oli siinä, että kyseistä tietokantaa ei voinut yhdistää tai analysoida suhteessa toisiin tietokantoihin, sillä vastaan tuli herjaus epäsopivasta geometriasta. Kun olin pyöritellyt, yrittänyt ja lähes luovuttanut, päätin laittaa viestiä Artulle. Selvisi, että vika ei ollut tekijässä ja kaiken lisäksi ongelmaan oli helppo, mutta minulle ennalta tuntematon ratkaisu: fix geometries- työkalulla sain viallisesta tietokannasta käyttökelpoisen. En ymmärrä miten, mutta Tomi Kiviluoma oli ratkaissut tämän ongelman itsenäisesti. Itsenäisessä tehtävässä avun pyytäminen ei ole minulle ensimmäinen tai edes kymmenes vaihtoehto, mutta tällä kertaa minulla ei auttanut muu kuin kääntyä mestarin puoleen. 

Tästä helpotuksesta johtuen sain tehtyä kaksi tehtävistä: kouluaiheisen tehtävän sekä uima-altaita sekä ja saunoja koskevan tehtävän. Tiivistetysti voin todeta, että Qgis tarjoaa mahdollisuuden tilastollisen analyysin visualisointiin. Oli erittäin mielenkiintoista tarkastella esimerkiksi Helsingin yhtenäiskoulun seuraavan vuoden tarpeet koulualueensa perusteella, kun pelkät luvut muuttuivat selvemmiksi visuaalisen informaation tukemana.

Koulutehtävässä sain selville, että Käpylässä sijaitsevaan Helsingin yhtenäiskouluun on odotettavissa oman koulualueensa rajoissa seuraavana vuonna uusia koululaisia (nyt 6-vuotiaita) vain 14. Määrä tuntuu erittäin vähäiseltä. Koska vanhemmilla on nykyään mahdollista valita lapsensa koulu, tapahtuu koulualuerajojen välistä liikkumista, eikä tämä luku siksi ole luultavasi todellisuutta vastaava. Mikäli uusia ekaluokkalaisia olisi todella vain 14, ei se kattaisi edes yhtä luokkaa ja koulu joutuisi pohtimaan toimintaansa uudelleen.

Ilmiö ei rajoitu vain uusiin ekaluokkalaisiin. Yhtenäiskoulun koulupiirissä asuvista ihmisistä vain 8,4% on kouluikäisiä. Tämä näkyy myös siinä, että kyseisellä koulualueella asuu vain 62 seuraavan vuoden yläasteikäistä, kun koko kaupungissa heitä on 30 116. Ilmiön syitä on vaikea aluetta tuntematta tietää. Muunkielisiä kouluikäisiä lapsia alueella on arviolta vain 9 (olettaen, että heitä on samassa suhteessa aikuisiin kuin suomenkielisiä). Itse epäilen, että tämä koululaisten vähyys johtuu Käpylän osittain harvasta asutuksesta ja vanhoista rakennuksista, jotka ovat pääosin omakotitaloja. Vanhat talot tarkoittavaa joskus vanhaa väestöä, mutta siitä riippumatta omakotitaloalueella mahtuu huomattavasti vähemmän ihmisiä kuin kerrostaloalueelle.

Tämä tehtävä kokonaisuudessaan oli melko simppeli. Hyvin perustyökalu, select attributes by value, auttaa minua löytämään minkä tahansa kohteen tietokannasta, kun vain tiedän muuttujan, jolla etsiä. Tässä tapauksessa etsin koulun osoitteen perusteella. Toinen keskeinen työkalu on select attributes by location. Näitä kahta hyödyntämällä ja tilastotietoja katsomalla sigma merkin takaa aukeavasta valikosta sain tehtyä koko tehtävän. Jos nämä työkalut hallitsi, ei tehtävä tuottanut ongelmaa (kunhan oli koulualueiden geometrian korjannut). 

Seuraavaksi siirryin tarkastelemaan uima-altaiden ja saunojen määrää pääkaupunkiseudun asuinrakennuksissa. Uima-altaallisia rakennuksia oli jopa 855 ja kyseisissä rakennuksissa asuu jopa 12 170 asukasta. Tämä luku yllätti minut suuresti. Itse en tunne yhtäkään ihmistä pääkaupunkiseudulla, jonka talossa olisi uima-allas. Oletin uima-altaiden kuuluvan rikkaille, joilla on suuret omakotitalot omine spa-osastoineen. Kuitenkin alle puolet, vain 345 rakennusta on omakotitaloja. Uima-altaallisia paritaloja on 158, rivitaloja 113 ja kerrostaloja 181.

Kuvissa 1 ja 2 näkee uima-altaiden määrän visuaalisesti. Kuva 1 on yleiskatsaus saunojen määrästä, jossa värin tummuus kuvaa uima-altaiden määrää aluekohtaisesti. Kuva 2 on tarkempi katsaus uima-allasrikkaammalta alueelta. Siinä pylväät kuvaavat visuaalisesti uima- altaiden määrää alueella ja lisäksi jokaisessa alueessa lukee uima-altaiden määrä erikseen. Uima-allas rikkain alue on Lauttasaari (53 uima-allasta), mutta kartalta löytyy myös muutama muu alue, joissa uima-altaita on keskimääräistä enemmän. Tomi Kiviluoma oli esittänyt saman informaation niin, että toisessa kuvassa näkyivät vain ne pylväät, jotka kuvasivat uima-allasrikkaita alueita. Melkoinen gis-velho taitaa olla kyseessä, kun taas suu auki katsoin, että miten hän tulikaan ajatelleeksi tehdä noin.

Kuva 1. Pääkaupunkiseudun uima-altaiden määrä alueellisesti yleiskatsauksena. Mitä tummempi väri, sitä enemmän uima-altaita.
Kuva 2. Runsaimpien uima-allasmäärien alueet. Uima-altaita on eniten Helsingissä. Mitä tummempi väri ja korkeampi pylväs, sitä enemmän on uima-altaita. Alueiden kohdalla tai välittömässä läheisyydessä näkyy myös uima-altaiden absoluuttinen arvo.

Uima-altaiden määrä erityisesti tiheästi asutuilla alueilla yllätti minut. Saunoja oletin olevan kuinkin huomattavasti enemmän kuin uima-altaita. Oletukseni osoittautui oikeaksi. Saunallisia rakennuksia on pääkaupunkiseudulla jopa 21 922. Vaikka luku on suuri, kattaa se vain 24,2% kaikista pääkaupungin asutuista rakennuksista. Näin ollen sauna ei ole läheskään kaikkien saatavilla omassa kodissa tai rakennuksessa, vaikka ulkomailla näin luultavasti luullaan saunamainonnan vuoksi. 

Tämä tehtävä aiheutti jo hieman enemmän päänvaivaa. Ongelmat liittyivät lähinnä visuaalisen informaation esittämiseen. Qgis:stä on hyvin helppo etsiä yksittäiset tiedot erillisinä, mutta niiden yhdistely on toisinaan hankalaa itsenäisesti. Keskeisinä työkaluina olivat join attributes by location (summary), select attributes by value ja by location. Joskus minulle käy niin, että pyörittelen ja kokeilen erilaisia vaihtoehtoja kauan lopulta huomaten onnistumiseni. Tässä vaiheessa en kuitenkaan välttämättä enää muista, mikä käyttämistäni keinoista oli se, joka auttoi minua pääsemään lopputulokseeni. Erityistä päänvaivaa aiheutti kuitenkin histogrammin ja lukuarvojen saaminen kartalle. Erityisesti niiden samanaikainen esitys tuntui mahdottomalta. Jotenkin sain ne lopulta kartalle, mutta tähän toivoisin saavani tunnilta opastusta, jotta voisin jatkossa varmemmin mielin tuottaa visuaalista tilastotietoa.

Olisin halunnut suorittaa myös putkiremontteja koskevan tehtävän, mutta taitoni eivät siihen riittäneet. Sain laskettua kaikki tarpeelliset lukuarvot, mutta kartan luomiseen tarvittavat työkalut minulta olivat hukassa. Sain yhdistettyä Join attributes by location (summary)-työkalulla rakennukset omiin alueisiinsa. Ongelmana oli, että en sen jälkeen osannut enää käsitellä tietokantoja niin, että olisin saanut esille vain putkiremontin tarpeessa olevat asunnot. Kun yhdistin SUM tai COUNT laskuilla, oli lopputuloksena lukuja, jotka eivät enää muistuttaneet vuosilukuja. Olisin halunnut yhdistää siis rakennukset alueisiin niin, että myös vuosiluvut olisivat säilyneet. Ehkä tämän opin vielä tulevaisuudessa!

Qgis seikkailuja on nyt jo takana viisi viikkoa. Lueskelin muiden blogeja ja voin yhtyä Tiia Laisin ajatuksiin siitä, että peruselementit ovat hallussa. Olen oppinut käyttämään erilaisia ominaisuushakutyökaluja, joita olen tässä tekstissä maininnut aiemmin. Ne tarjoavat mahdollisuuden nopeaan tiedonhakuun ja halutun tiedon eristämiseen. Tarvittaessa haetuista ominaisuuksista voi tehdä jopa uuden tason, jolla työstöä jatketaan. Niiden hallinta on avainasemassa omatoimiseen ongelmanratkaisuun. Ongelmia näiden kanssa muodostuu joskus siinä, millä hakusanalla ominaisuuksia haetaan. Vilma Koljonen toi esiin myös minua pohdituttavan ongelman siinä, mikä tietokanta on input layer ja mikä join layer (esimeriksi join attributes by location työkalussa) sekä oma ongelmani count ja sum laskujen välillä (en ole aina varma kumpaa tulee missäkin laskussa käyttää).

Työkalut, joita olemme käyttäneet vain kerran, eivät ole välttämättä jääneet mieleeni ja niiden soveltamiseen en vielä pysty. Jostain syystä toiset jäävät kuitenkin paremmin mieleen kuin toiset. Esimerkiksi tällä kertaa käyttämämme buffer työkalu tuntuu hyvin selkeältä ja helpolta. Sen avulla voisi esimerkiksi tarkastella haluttua etäisyyttä yliopiston kampuksista ja suunnitella sen mukaan otolliselle paikalle opiskelija-asuntoja. Laisin muistutti minua myös muutamasta muusta, jotka olen jo oppinut. Niitä ovat muun muassa join ja taulukkolaskennat. Kun tämä sekalainen joukko taitoja yhdistetään, pysyty tekemään jo melko edistyksellistä analyysiä ainakin näin amatöörin näkökulmasta. 

Ne työkalut, joita en osaa käyttää (ja joita on vielä hyvin paljon) ovat hankalasti löydettävissä. Processing toolbox on niin laaja verkosto, että siellä täytyy tietää melko hyvin, mistä mikäkin löytyy. Otsikot antavat suuntaa, mutta tarvittavaa työkalua ei silti välttämättä löydy. Tällä kertaa sain oppia monen koukeron kautta sen, että ongelmanratkaisu Qgis:ssä on paljon pyörittelyä (ja vähän googlausta). Vaikka ohjelma itsessään ei tarjoa juurikaan apua ongelmatilanteissa, saattaa englanniksi googlaamalla löytyä hyvinkin selvät ohjeet. Onneksi olen vielä opiskelija ja voin hädän tullen kääntyä sekä Artun että kanssaopiskelijoideni puoleen. Ääniviestejä nimittäin sateli puoli ja toisin kanssaopiskelijani kanssa ”invalid geometry” herjauksen kohdalla.

Oppimisen ja kehityksen huomaa hyvin Pihla Haapalon esiintuomassa ilmiössä: sitä huomaa kehittyneensä, kun voi ohjelman toimintojen sijaan keskittyä miettimään ratkaisuja ongelmiin. Tällä hetkellä meille annetaan aineistot niin valmiina, että niiden hakemista, kelpoisuuksia tai muuta vastaavaa en edes osaa arvioida. Kauhulla odotan päivää, kun täytyisi löytää kaikki tietokannat itse. Luotan kuitenkin siihen, että meitä ei heitetä krokotiileille vaan autetaan kädestä pitäen riippusillan yli.

Tässä vielä lupaamani tilastotiedot bufferi-analyyseistä ja taajamatarkasteluista

Lentokenttien vaikutusalueet
Asukasta Kommentit
Malmin lentokentän ympäristössä 1 km säteellä 8 614 Malmin lentokentän kiitoratojen lähistöllä asuu yllättävän paljon ihmisiä. Pienkoneiden ja vähän käytön takia meluhaitat eivät ole kuitenkaan olleet samaa luokkaa kuin Helsinki-Vantaan lentokentällä
Malmin lentokentän ympäristössä 2 km säteellä 56 619 2 km säteellä asukasmäärä on jo merkittävä. Malmin lentokenttä on siis ollut osa monen lähiympäristöä
Helsinki-vantaan ympäristössä 2 km säteellä 10 303 Helsinki-Vantaan lentokenttä on Malmia huomattavasti suurempi ja aktiivisempi, minkä vuoksi asutusta on sen lähistöllä vähemmän.
, joista 65db alueella asuu, % 4,10 Asutus on pyritty rakentamaan suurimpien melualueiden ulkopuolelle
Helsinki-vantaan melualueella vähintään 55 db alueella 11 913 55 db alueella ihmisiä on huomattavasti enemmän kuin 65 db alueella

Helsinki-Vantaalta poikkeussuunnan laskennallisen

60 db melualueella

12 675 Poikkeustilanteissa lentokoneet lentävät hyvin tiheästi rakennetun alueen yli aiheuttaen melua suurelle joukolle ihmisiä
, joista Tikkurilan postinumeroalueella se kostettaisi, % 10,20 Harjoituksessa pohdittiin lentosuunnan vaikutusta Tikkurilalaisiin. Siispä laskimme Tikkurilan postinumeroalueella asuvien suhteellisen altistumisen n. 60 db melulle. Huomasimme, että Tikkurilalaisista vain kymmenesosa kärsisi uudesta lentosuunnasta. Tämä oli kuitenkin vain lisähuomio
Asemien vaikutusalueet
Alle 500 m etäisyydellä lähimmästä asemasta, asukasta 106 691 Asemien läheisyydessä asuu vain viidesosa Vantaalaisista, mutta suurin osa heistä on työikäisiä. Tämä johtuu luultavasti siitä, että työikäiset tarvitsevat usein muita enemmän hyviä kulkuyhteyksiä päästäkseen töihin ja takaisin.
, joka on koko Vantaan väestöstä, % 21,8

Alle 500 m etäisyydellä lähimmästä alueesta asuvista

työikäisiä, %

68,5
Taajamat keskittyminä
Vantaan väestöstä taamassa asuu, % 97,5 Hyvin suuri osa asuu siis taajamissa
Kouluikäisiä asuu taajamien ulkopuolella, asukasta 1165
, joka on kaikista Vantaan koululaisista, % 2,7 Vaikka taajaman ulkopuolella asuu yli 1000 koululaista, kattaa se kaikista Vantaan koululaisista vain 2,7 %
Taajamia, joissa ulkomaankansalaisten osuus on yli 10 %, lkm 40 Vantaalla taajamia on yhteensä 344. Ulkomaan kansalaiset eivät ole keskittyneet millekkään tietylle alueelle, sillä niiden suhteellinen osuus taajamissa ei ole kovin korkea.
Taajamia, joissa ulkomaankansalaisten osuus on yli 20 %, lkm 11
Taajamia, joissa ulkomaankansalaisten osuus on yli 30%, lkm 6

Lähteet:

Haapalo, Pihla. Kädet ilmaan. Käytetty 16.2.2020. https://blogs.helsinki.fi/haapalop/

Kiviluoma, Tomi. Valintojen maailma: bufferointia ja tietokantojen syväluotaavaa suodatusta. Käytetty 16.2.2020. https://blogs.helsinki.fi/tomingeoblogi/

Koljonen, Vilma. Bufferointia & Analysointia. Käytetty 16.2.2020. https://blogs.helsinki.fi/vilmakol/

Laisi, Tiia. Kurssikerta 5. Tehtäviä ja puskurointivyöhykkeitä. Käytetty 16.2.2020. https://blogs.helsinki.fi/tlaisi/

Nylund, Sonja. Level 5: Bufferointia. Käytetty 16.2.2020. https://blogs.helsinki.fi/sonysony/

 

 

Kategoriat
Uncategorised

Mihin kaikkeen GIS pystyykään!

Saavuin neljännen GIS viikon aloitukseen tarmoa uhkuen. Istuin alas, avasin tarvittavat ohjelmat ja jäin innolla odottamaan tulevia uusia oppeja. Sitten paikalle saapui ihana parini, sanotaan häntä nyt vaikka Eero Osioksi. Hänen aamunsa oli kaikkea muuta kuin hyvä, mutta ystävällisenä parina tarjosin siirtämään osan hyvästä energiastani hänelle. Annostus taisi olla liian suuri, sillä tästä eteenpäin oma mieleni seikkaili aivan muualla ja keskittyminen oli vaikeaa. Hyvänä puolena tässä oli se, että eipähän tullut turhautumisia, kun ei ollut niin tunteella mukana. Kaiken sain tehtyä ja tarvittavat taidot opin, joten loppu hyvin, kaikki hyvin.

Tällä kertaa aiheena olivat vektorimuotoiset ruutuaineistot sekä rasteritietokannat. Sinänsä Qgis toimii hyvin samankaltaisesti vektori- ja rasteriaineistojen kanssa. Niiden analyysimenetelmät eroavat kuitenkin merkittävästi aineistojen erilaisten luonteiden takia, joten harjoitus on tarpeellista. Äimistyn kerta toisensa jälkeen, mihin kaikkeen paikkatieto-ohjelmat pystyvätkään. Vaikka omat taidot tai pikemmin niiden puute suututtaa lähes koko ajan projekteja tehdessä, en voi kuin ihailla sitä, miten monipuolisesti tietokantoja pystyy muokkaamaan ja analysoimaan hyvin pienillä eleillä.

Ensimmäistä kertaa meillä oli edessä kaksi hyvin erilaista tehtävää. Ensimmäisessä käsittelimme ruutuaineistoa ja loimme jo tutuksi tulleita visuaalisia esityksiä. Toisena tehtävänä opettelimme käsittelemään ilmakuvia ja rasterikuvan päälle piirtämistä. Ensin kuitenkin ruutuaineisto. Se tarjoaa hyvin monipuolisia ominaisuustarkastelumahdollisuuksia ja on siksi erinomainen työkalu maantieteilijälle. Jotta sen käyttö olisi mielekästä, tulee tietokantaa karsia omaan käyttöön sopivaksi, kuten on hyvä tehdä kaikelle aineistolle. Aiemmilla kerroilla olemme siivonneet muun muassa ominaisuustietotaulukkoja. Tällä kertaa saimme kuulla siitä, miten ilmakuvista siivotaan kaikki väliaikainen kuten autot ja ihmiset pois sekä harjoitella tietokannan siivoamista poistamalla ruutuaineistosta kaikki ruudut, joihin haluttu informaatio ei sisältynyt.

Pisteaineistosta oli helppo luoda ruutuaineisto. Create gid -toiminnolla pystyy luomaan halutun kokoisia ruutuja, joihin myös ominaisuustiedot sijoittuvat oikein. Ruutuaineisto sisältää paljon tietoa ja on siksi välillä hidas latautumaan. Lataustauot voivat olla toisinaan tarvittava hengähdysaukko muuten intensiiviseen toimintaan, joten niin kauan kun lataus ei kestä kohtuuttoman pitkään, vaikenen ja nautin tauostani.

Lähtökohtaisesti koordinaatistot ovat Qgis:ssä oikein, mutta tällä kertaa niin ei ollut. Aineistojen ollessa eri koordinaattijärjestelmissä, lopputulos ei sisältänyt juuri mitään informaatiota. Qgis tekee paljon puolestamme, mutta meidän käyttäjien tehtävänä on aina silloin tällöin tarkistaa, että kaikki on kohdallaan. Tarkistamattomuus aiheutti sen, että jouduimme lataamaan uudemman kerran ruutuaineiston koordinaatistomuutoksen jälkeen. 

Ruutuaineiston avulla pystyy tarkastelemaan kaikkia ominaisuustietotaulukossa olevia muuttujia ruudun tarkkuudella. Harjoituksena loin teemakartan pääkaupunkiseudun asuinrakennusten keskimääräisestä käyttöönottoajasta (kuva 1). Mitä tummempi väri ruudussa on, sitä uudempia ovat asuinrakennukset keskimäärin. Koska kyseessä on neliökilometrin alue, saattoi vaihtelu käyttöönottovuosien välillä ruudun sisällä olla useita kymmeniä vuosia. Tällöin keskiarvo asettuu johonkin näiden väliin.

Tämän kartan luominen vaati edellä mainittuja siivoustaitoja. Nopeutettua versiota minulla ei kuitenkaan ollut, joten päädyin siivoamaan taulukon virheelliset arvot käsin ”NULL” arvoiksi ja samalla pyöristin kaikki vuosiluvut tasaluvuiksi. Kamala työ, mutta visuaalinen minä ei voisi katsoa legendaa, jossa lukee keskimääräisen käyttöönottovuoden olevan 1981,46402 vuotta. Tämän lisäksi muokkasin aineistoa vielä sen verran, että määrittelin itse luokkajaot, jolloin sain vuosivaihtelut omasta mielestäni järkeviksi. 

Kuva 1. Asuinrakennusten käyttöönottovuosien keskiarvo neliökilometreittäin pääkaupunkiseudulla. Mitä tummempi väri, sitä uudempi rakennus.

Kartalla on nähtävissä selkeä puoliksi jako: Lännessä eli pääosin Espoossa ja Kauniaisissa rakentaminen on ollut keskimäärin melko samanaikaista. Idässä eli lähinnä Helsingissä ja Vantaalla on sen sijaan laaja kirjo sekä hyvin vanhoja rakennuksia että myös uusia. Jos pääkaupunkiseudulla on kulkenut, voi todeta kartan kuvastavan melko hyvin alueiden maisemia ja arkkitehtuuria. Esimerkiksi Helsingin kantakaupunki koostuu tyypillisesti vanhoista ja koristeellisista taloista, kun taas itä-Helsingissä on paljon uusia ja nykyaikaisia taloja.

Espoon ja Kauniaisten tasaisuus kuvastaa hyvin sitä, miten Helsingin kasvu vaati ympärysalueiden rakentamista, jotta ihmisille saatiin koteja. Toisaalta Espoon tasavärisyys johtuu myös hajonnasta vanhojen ja uusien rakennusten välillä, joiden keskiarvona on tasapaksu väritys. Espoo on kasvanut viimeisen 20 vuoden aikana todella paljon ja rakennuksia nousee jatkuvasti. Keskiarvossa tämä ei välttämättä näy, sillä uusien rakennusten rinnalla on myös Espoon alkuaikojen rakennuksia.

Koska kyseessä ovat vain keskiarvot, ei kartta voi sanoa erityisen informatiiviseksi vaan pikemmin suuntaa-antavaksi. Jotta kartta olisi mahdollisimman informatiivinen, olisi lukijan hyvä tietää esimerkiksi vanhojen ja uusien rakennusten suhteellista osuutta ruudussa. Lisäksi voisi olla lisätietoa asukkaiden ikärakenteesta ja määrästä, jolloin voitaisiin tehdä varovaisia päätelmiä alueen maineesta, asukkaiden ostokyvystä sekä eri ikäryhmien asumismieltymyksistä. Kurssitoverini Joonatan Reunanen pohti blogissaan hyvin ruutuaineistopohjaisen teemakartan luotettavuutta. Hän arvotti ne sen perusteella, luottaisiko hän itse niihin, jos ne olisivat esimerkiksi uutisissa. Tästä näkökulmasta katsottuna voin todeta, että kuva ei todella ole enemmän kuin tuhat sanaa. Uskallan väittää, että jokaisen kurssilaisen luoma kartta vaatii vähintään hyvän legendan, mutta lisäksi toisia karttoja tai selkeän sanallisen kuvauksen, jotta niiden informatiivisuus olisi toivotulla tasolla. 

Ruututeemakartta on hyvä siinä, että se antaa melko tarkkaa tietoa, jos ruudun koko säädetään sopivan pieneksi. Esimerkiksi kuntatasolla esitetty koropleettikartta yleistää tietoa huomattavasti enemmän kuin neliökilometrin alueella. Ruutuaineistona se kuitenkin antaa nopeammin visuaalisen informaation tarkastellusta asiasta kuin pistekartta, jossa karttaa täytyy tulkita tarkemmin päätelmien tekemiseksi. Koska väestötietojen esittäminen yksilötasolla ei olisi järkevää, on järkevämpää tarkastella pisteiden sijoittumista ruutujen sisään. Näin ollen voidaan todeta ruututietoaineiston käyttämälläni mittakaavalla riittävän luotettavaksi.

Tästä huolimatta on lukujen keskiarvoisuus ja suuntaa antava merkitys muistettava kokoajan sen sijaan että vuosilukuja käytettäisiin absoluuttisina arvoina. Kanssamantsalainen Jonna Kääriäinen informoi minua hyvin siitä, että ruutuaineistolla voi esittää sekä absoluuttisia että suhteellisia arvoja. Jos kyseessä  olisi esimerkiksi väestön määrä, sopisivat myös absoluuttiset luvut ruutuaineistoon hyvin, sillä jokainen ruutu on saman kokoinen ja ne ovat siten keskenään vertailukelpoisia.

Kanssaopiskelijani Janina Vikman huomautti ruutuaineistosta heikkouden, jonka olin täysin jättänyt huomiotta: ruutuaineisto voi jakaa alueet epäluonnollisesti ja kuntarajoista välittämättä, eikä se kerro mitään ominaisuuksien sisäisestä jakautumisesta. Siispä esimerkiksi yksi uusi kortteli voi nostaa ruutuaineiston keskiarvoa huomattavasti, vaikka koko muu ruutu koostuisi hyvin vanhoista rakennuksista. Jos asioita ei haluta tarkastella kuntatasolla ja keskimääräisyys riittää, käy ruutuaineisto oikein hyvin tietokannan muodoksi. 

Tunnin toisena tehtävänä harjoittelimme yhdistämään merge-toiminnolla ilmakuvaruutuja yhdeksi kuvaksi sekä tarkastelemaan sitä muun muassa rinnevarjostuksen ja korkeuskäyrien avulla. Tällä kertaa valmistelimme aineistoa ainakin osin seuraavaa kertaa varten. Ensin kuitenkin harjoittelimme rasteriaineiston perusominaisuuksia.

Yhtenä osana harjoitusta loimme ilmakuvan päälle korkeuskäyrät. QGis :ssä pystyi määrittämään halutun käyrävälin. Määritimme käyrät 5 metrin tarkkuudelle, sillä samaa väliä käytetään yleisesti Suomen kartoissa. Taas sain huokaista ihastuksesta ja nappeja painamalla todistaa teknologian voimaa. Pelkän ilmakuvan avulla pystyy tekemään hyvin monipuolista maantieteellistä analyysiä.

Koska teknologiaan sokea luottaminen ei ole aina järkevää, voi tehdä pieniä tarkistuksia. Siispä ohjeiden mukaan latasin Paituli-karttapalvelusta vastaavan alueen peruskarttalehden, jossa näkyy vain korkeuskäyrät. Kun asetin ne päällekkäin, pystyin vertailemaan käyrien yhteensopivuutta (kuvat 2 ja 3). Lyhyesti voin todeta, että vaikka poikkeavuuksia on (kuva 3), täsmäävät korkeuskäyrät pääsääntöisesti hyvin. Korkeuskäyrien laadussa on kuitenkin huomattavaa eroa: peruskarttalehden käyrät (punaiset) ovat huomattavasti selkeäpiirteisempiä kuin Qgis:n rosoiset käyrät (vihreät). Huomasin vasta blogia viimeistellessäni, että tähän visuaalisen esitykseen olisi voinut lisätä myös rinnevarjostuksen, mutta käyrien vertailun kannalta sillä ei mielestäni ole merkitystä.

Kuva 2. Pornaisten alueen korkeuskäyrien vertailua QGis:n ja peruskarttalehden välillä. Punaiset käyrät ovat MML peruskarttalehdeltä ja vihreät QGis:stä. Pääosin käyrät vastaavat toisiaan erittäin hyvin.

 

Kuva 3. Pornaisten alueen korkeuskäyrien vertailua QGis:n ja peruskarttalehden välillä. Punaiset käyrät ovat MML peruskarttalehdeltä ja vihreät QGis:stä. Paikoittain käyrät kulkivat eri reittejä.

Rasteriaineistojen käyttö tulee varmasti jatkumaan ja monimutkaistumaan seuraavien kertojen aikana. Tällä hetkellä tuntuu siltä, että tämä on selkeää ja ymmärrettävää. Alustimme seuraavan kerran harjoitusta piirtämällä Pornaisten teitä ja taloja Corelmaisesti kartalle. Siitä, mitä aineistolla tulemme tekemään, minulla ei ole aavistustakaan. Toivottavasti aurat ja energiat ovat ensi kerralla kohdallaan. Tällä kertaa oli onni onnettomuudessa, sillä vähäisempi energia tarkoitti vähäisempiä tunnepurkauksia, mutta lopputulos ei siitä kärsinyt. Jos täysin rehellisiä ollaan, jouduin ilmakuva osion tekemään uudelleen, sillä ihanaksi yllätyksekseni tallentamani projekti olikin tyhjä. Mutta hei… kertaus on opintojen äiti.

Lähteet:

Kääriäinen, Jonna. Pisteaineistosta ruututeemakartaksi. Käytetty 7.2.2020. https://blogs.helsinki.fi/kaarijon/

Reunanen, Joonatan. Posilla – vaikka väkisin. Käytetty 7.2.2020. https://blogs.helsinki.fi/reunajoo/

Vikman, Janina. Pieniä voittoja. Käytetty 7.2.2020. https://blogs.helsinki.fi/jagvikma/

 

 

Kategoriat
Uncategorised

Lisää elementtejä analyysiin

Voisin aloittaa jokaisen blogitekstini Aapo Keinästä siteeraten: ”Tavoitteena oli oppia ohjelman perusasiat”, sillä aina tuntuu siltä kuin olisi täysin avuton. Luotto omaan oppimiskykyyn on kuitenkin vahva ja päätin luottaa kliseeseen: kolmas kerta toden sanoo. Minun totuuteni taitaa olla se, että ilman kotona tehtävää toistoa en kykene asioita sisäistämään.

Itse kurssikerta alkoi vahvasti ja välillä huomasin jopa tuulettavani onnistumisteni johdosta. Opin paljon uusia nippelitietoja ja -taitoja, kuten sen että tietokanta ei ole aina hyvä ja joskus sitä täytyy muokata ennen käyttöön ottoa. Elämä on valintoja täynnä ja niin tässäkin voi valita, haluaako korjata tietokannan helposti vai vaikeasti. Valitsin monessa kohdassa matkan varrella vaikean vaihtoehdon ja päädyin tuijottamaan eksyneenä kompassia, joka pyörii ympyrää. Juonipaljastuksena voin kertoa, että pääsin lopulta perille. Koska matka on kuitenkin mielenkiintoisempi kuin päämäärä (vaikka sekin on analyysin arvoinen), on syytä kertoa vaiherikkaasta seikkailustani Geoinformatiikan maailmassa.

Yhteisenä harjoituksena tutkimme Afrikan mantereelle sijoittuvia timanttikeskittymiä, öljyalueita, konflikteja sekä väestöön liittyviä muuttujia. Tietokannassa valtiot olivat jakautuneet useaan osaan, joten sitä piti hieman siivota. Onneksi olin päässyt jo digisiivouksen makuun yhdistellessäni epäonnistuneita viivayrityksiä CorelDraw ohjelmassa. Yhdistäminen oli helppoa, mutta sitä varten piti lisätä uusi työkalurivi nimeltään advanced digitizing toolbar. Sitten vain valita halutut ominaisuudet ja sulautetaan ne yhdeksi käyttämällä merge-toimintoa. Ei ole sattumaa, että merge muistuttaa sanaa mercy (armo), sillä sen avulla voidaan yhdistää monta virhettä yhdeksi onnistumiseksi.

Tällä toiminnolla yhdistäminen täytyy tehdä ominaisuus kerrallaan ja voi siten olla hyvin työlästä. Toolboxista löytyy työkalu nimeltä Dissolve, jolla voi siivota koko tietokannan – tässä tapauksessa Afrikan – muutamalla napinpainalluksella. Kiitos koodaajat tästä helpotuksesta! Nyt Afrikan maat ovat järjestyksessä ja minun hermosoluni vielä nuorina ja vetreinä.

Qgississä on mukavaa se, että se on pyritty tekemään käyttäjäystävälliseksi. Esimerkiksi taulukon muokkaukseen liittyvät työkalut on keskitetty atribuuttitaulukkonäkymään. Tällöin sarakkeiden lisääminen ja poistaminen sekä erilaiset laskutoimitukset onnistuvat nopeasti samasta paikasta. Toinen tapa, jolla Qgis huomioi käyttäjänsä on sen ominaisuus luoda toimintojen jälkeen uusi taso jättäen alkuperäisen koskemattomaksi. Ohjelma vielä auttaa muistiani nimeämällä sen käytetyn työkalun mukaan. Kyseessä on kuitenkin väliaikainen taso, joten tallentaminen kannattaa tehdä heti, kun taso todetaan hyväksi. 

Kaikkeen Qgis ei kuitenkaan pysty. Esimerkiksi excell tiedostot eivät käy sellaisenaan vaan ne täytyy tallentaa csv muotoon. Tässä vaiheessa on oltava tarkkana, että taulukot vastaavat muun aineiston kanssa ja, että asetukset ovat niin, että tietoja pystytään hyödyntämään. Monimutkaisuudesta kertoo jotain se, että putosin viisi kertaa kyydistä vain siinä, että saatiin taulukkomuotoinen tieto Qgis:iin. Tämän jälkeen täytyi vielä yhdistää taulukkotieto muuhun aineistoon ja lopuksi tehdä analyysit. Onneksi join-toiminto on yksinkertainen ja asioissa päästiin eteenpäin. 

Kotona perehdyin Afrikka aineistoon enemmän ja loin visuaalisen esityksen siitä, miten konfliktit, öljy ja timantit sijoittuvat maiden välille (kuva 1). Pohjalle laitoin valtion kehitystä kuvaavaksi indikaattoriksi internetin suhteellisen käyttöasteen väestössä. Kartalta (kuva 1) näkee nopeasti, että konflikteja on eniten (suuremmat punaiset pallukat) vähemmän kehittyneissä maissa (vaaleammat maat). Pelkästään karttaa katsomalla voi sanoa, että timanttien sijoittuminen alueelle ei lisää konflikteja, mutta ei takaa maan kehitystäkään. Öljyalueille konflikteja on vaihtelevasti, mutta kaikki öljymaat ovat vähintään keskivertaisen kehittyneitä. 

Kuva 1. Konfliktien, timanttikeskittymien ja öljykeskittymien sijoittuminen Afrikassa. Vertailuna pohjakartan informaatio valtion kehittyneisyydestä internetin käyttöasteen perusteella.

Erilaisia muuttujia pyörittelemällä voisi Afrikasta luoda hyvin monenlaisia esityksiä ja toisaalta saada paljon tietoa. Kun kurssikerroilla käytetyt työkalut oppii hallitsemaan, voi tietokannasta saada informaatiota hyvin paljon. Konflikteja voisi esimerkiksi verrata öljyn löytöhetkeen ja käyttöönottohetkeen tai tutkia muuten elementtien ajallisia muutoksia. 

Vaikka Gis on pitkälki klikkailua ja kikkailua, on järjen käyttö pidetävä matkassa mukana. Aineistoa on aina syytä tarkastella kriittisesti, sillä huomaamatta jäänyt virhe omissa vaiheissa tai jo lähtöaineistossa voi aiheuttaa suuria vääristymiä. Afrikka-aineistosta esimerkiksi huomasimme, että joidenkin maiden internetin käytön lävistävyys väestössä oli 500%, mikä ei luonnollisesti ole mahdollista. Tällä kertaa itse ratkaisin asian niin, että poistin sarakkeen tiedon ikään kuin tietoa ei olisi saatavilla.

Soveltavana projektina meidän piti tutustua Suomen valuma-alueisiin, niiden tulvaindekseihin sekä tarkastella niiden rinnalla valuma-alueiden järvisyyttä. Sain Artun avustuksella ja Aapo Keinäsen kannustuksella tarvittavat kartat luotua hampaat irvessä. Stressitasoni olivat niin korkealla, että verisuoni katkesi nenästä ja osa tunnista meni verenvuotoa tyrehdyttäessä. Prosessissa hyödynnettiin osin samoja työkaluja kuin Afrikka-projektissa. Minun piti kuitenkin itse tietää, mitä työkalua käytän milloinkin ja mitä en tarvitse ollenkaan.

Koska kantapään kautta oppii parhaiten, päätin suorittaa tämänkin prosessin kotona uudelleen. Prosesisin meni kaksinkertainen aika ohjattuun kertaan verrattuna ja hermosoluni eivät olleet enää kovin onnekkaita. Suurin ongelma oli, että en muistanut mitä painaa, milloin painaa, mitä jakaa milläkin ja missä järjestyksessä. Afrikka-osion ohjeista sai vihjeitä, mutta perille ne eivät vieneet. 

Tuotoksessani (kuva 2) näkyy värityksenä tulvaindeksi ja pylväinä järvisyys. Valuma-alueet ovat sitä tummempia, mitä suurempi tulvariski niissä on ja pylväät ovat sitä korkeampia, mitä enemmän alueella on suhteellisesti järviä. Koska halusin haastaa itseäni, yritin aluksi laskea järvisyysarvot itse. Pian huomasin, että vaikeamman reitin valitseminen ei ollut järkevää ja helpotin työtä käyttämällä valmista tietokantaa.

Tulvariskialueilla on suhteellisesti melko vähän järviä ja ne sijaitsevat lähellä merta. Yhteiset tekijät tulvariskialueille Suomessa ovat rannikkoseutu, tasainen maasto, runsaat joet ja vähäiset järvet (Hirvikoski). Koska tulvariskialueet sijaitsevat rannikolla, on niihin todennäköisesti kerääntynyt aikaisempien valuma-alueiden vedet, mikä lisää tulvakausina ylivirtaamaa huomattavasti ja kasvattaa siten tulvariskiä. Myös järvien vähyys lisää tulvariskiä, sillä vesimassa ei pääse tasoittumaan niihin (Moisio). 

Venla Moiso pohti blogissaan värien käytön merkitystä ja valitsi sinisen värin koropleettikarttaan kuvaamaan vettä. Oma perusteluni punaisen käyttöön on riskin osoittaminen (punainen on vaaran väri). Näissä eriävissä perusteluissa ja lopputuloksissa näkyy maantieteilijän subjektiivisuus tutkijana. Mielestäni tärkeintä on, että valinta on perusteltu ja noudattaa tiedeyhteisön sääntöjä mikäli sellaiset on määritelty. 

Kuva 2. Suomen valuma-alueiden tulvaindeksit sekä suhteellinen järvien määrä.

Diagrammin tekeminen (tässä tapauksessa järvisyys) oli minulle uusi ominaisuus Qgis:ssä ja aiheutti merkittävää päänvaivaa. Tutkin ohjeita, kokeilin kaikkea ja lopulta sain jonkinlaisen diagrammiesityksen tehtyä. Ohjeissa mainittiin, että rinnalle voi luoda vielä ympyrädiagrammin, mutta en löytänyt mitään keinoa liittää kahta diagrammia yhteen työhön. Lisäksi olisin halunnut lisätä pylväisiin tai niiden yläpuolelle tiedon prosenttiluvusta, jolloin vertailu olisi ollut hieman tarkempaa.

Tätä projektia tehdessä alkoi tuntua siltä, että päästään asiaan! Usean tiedon yhdistäminen ja sitä kautta ilmiöiden tutkiminen voi aiheuttaa useita tunteja kestävän flow tilan. Manuaaliset työkalut lähes kaikkeen löytyvät melko helposti, mutta ohjelmistoon tutustumalla löytää hyviä oikopolkuja, kuten aiemmin mainitut Dissolve sekä prosessissa käyttämäni count points in polygon -työkalu (helpottaa huomattavasti paikallista tarkastelua). Gis on ala, jota oppii vain tekemällä. Siksi kotona uudelleen tekeminen on mielestäni toimiva vaihtoehto. Lupaan itselleni toistaa asioita väsymiseen asti, jotta opin opittavat taidot, kuten diagrammit ja tässä käytetyt työkalut tämän kurssin aikana.

Lähteet:

Hirvikoski, E. Blogiteksti 3. kurssikerralta. Käytetty 29.1.2020. https://blogs.helsinki.fi/eliashir/

Keinänen, A. Blogiteksti 1. kurssikerralta. Käytetty 29.1.2020. https://blogs.helsinki.fi/kebaapo/

Moisio, V. Blogiteksti 3. kurssikerralta. Käytetty 29.1.2020. https://blogs.helsinki.fi/moivenla/

 

Kategoriat
Uncategorised

Projektiot suurennuslasin alla

Vahvasti alkanut kurssi kohtasi muutaman supan matkan varrella. Korvasin tämän kerran toisen ryhmän tunnilla ja ilmeisesti sisältö on ollut hieman erilainen, jolloin vertaistuen saaminen jälkiprosessoinnissa ei onnistunut.

Suurin suppa tai jopa hiidenkirnu oli luotto omiin taitoihin. Jos viimeksi oli olo, että pystyn tähän, sai sen tällä kertaa unohtaa. Puoleen väliin asti meni hyvin. Olinhan saanut jo aineiston auki ja luotua sarakkeen atribuuttitaulukkoon. Tästä eteenpäin kaikki vaikutti simppeliltä, mutta pienen pienet, mutta hyvin tärkeät säädöt aiheuttivat päänvaivaa. Artun selkeä opastus ohjaa kenet tahansa tunnin läpi, mutta ajatus itsenäisestä työskentelystä vastaavassa tilanteessa kauhistuttaa. Haluan kuitenkin uskoa, että mikäli apua ei olisi tarjolla saisin tutkimalla ja viimeistään googlaamalla ratkaistua kaikki ongelmat viimeistään seuraavana päivänä. 

Tästä tuskailusta huolimatta nautin oppimisesta. Geoinformatiikan huippuhetkiä ovat ne, kun saa valmiiksi jotain, mihin ei uskonut pystyvänsä (näitä on lyhyen gis-opintourani aikana tapahtunut paljon!). Vielä herkullisempi tilanne on, jos huomaa oppineensa asian niin, että voi avustaa vertaistaan ongelmatilanteessa.

Oppimisen tuskan aiheuttaman tunnepurkauksen jälkeen on hyvä mennä itse asiaan, eli oppimiini asioihin ja luomaani tuotoksiin. Varsinaisesti uusia asioita Qgis ohjelmassa opin vähän (lähinnä aineiston laskemiseen liittyen), mutta taitojen soveltaminen kehittyi huomattavasti. Merkittävimmät uudet taidot olivat lisätä tietokanta rajapinnan kautta sekä lisätä tietoja atribuuttitaulukkoon, joita siellä ei valmiina vielä ollut. Prosessit ovat yksinkertaisia, mutta niihin tarvittavat työkalut täytyy osata etsiä. Onneksi Qgis on tehty melko selkeäksi ja hieman päättelemällä sopiva työkalu löytyy hyvin. Sen sijaan työkalun käyttö tarvittavalla tavalla vaatii hieman pohdintaa ja ymmärrystä. 

Päivän aiheena olivat projektiot ja pinta-alat sekä niiden vertailu. Minkä tahansa aineiston vertailu on käyttäjän onneksi tehty Qgississä siinä mielessä hyvin helpoksi, että ohjelman voi avata useaan ikkunaan ja jokaiseen laittaa eri projektin auki. Mikäli käytössä olisi useampi näyttö, mahdollistaisi tämä erittäin monen projektin samanaikaisen tarkastelun.

Visuaalisen vertailun lisäksi vertailimme projektioiden välisiä pinta-aloja havaitaksemme niiden aiheuttamia vääristymiä. Laskurin avulla voi aineistoa käsitellä hyvin monipuolisesti, mutta senkin käyttöä tulee hieman harjoitella. Pinta-alojen vertailussa piti muistella hieman matematiikan laskujärjestyssääntöjä. Kun viimeisestä matematiikan tunnista on yli kahdeksan vuotta, kestää hetken ennen kuin se sujuu automaattisesti. 

Laskutoimitusten avulla vertailimme yhdessä Mercatorin lieriöprojektion pinta-aloja ETRS-TM35FIN tasoprojektion pinta-aloihin. Vaiheissa oli paljon muistettavaa ja pienilläkin järjestyssäännöillä oli todellakin väliä. Kun tarpeeksi monta kertaa teki väärin, joutui toistamaan prosessin useaan otteeseen, mikä loppujen lopuksi johti syväoppimiseen. Nyt osaan lisätä pinta-alasarakkeet ja vertailla niiden suhteellista eroa vaikka unissani. 

Kuvat 1 ja 2 havainnollistavat projektioiden vääristymistä. Kuva 1 havainnollistaa sitä, miten paljon suurempia kuntien pinta-alat ovat suhteellisesti Mercatorin lieriöprojektiossa kuin poikittaisessa Mercatorin lieiröprojektiossa (ETRS-TM35FIN). Erot kasvavat napoja päin mentäessä, sillä tavallisen Mercatorin projektion vääristymät painottuvat juuri sille alueelle. Kuva 2 havainnollistaa puolestaan sitä, miten paljon suurempia kuntien pinta-alat ovat suhteellisesti Mercatorin lieriöprojektiossa kuin Van der Gritenin lieriöprojektiossa. Tässäkin erot kasvavat napoja päin mentäessä.

Kuva 1. Pinta-alan suhteellinen muutos Mercatorin lieriöprojektion ja ETRS-TM35FIN tasokoordinaatiston välillä kunnittain. Mitä tummempi väri, sitä suurempi on lieriöprojektion pinta-ala suhteessa tasoprojektioon saman kunnan osalta. (2020)
Kuva 2. Pinta-alan suhteellinen muutos Mercatorin lieriöprojektion ja Van der Gritenin lieiröprojektion välillä kunnittain. Mitä tummempi väri, sitä suurempi on Mercatorin pinta-ala suhteessa Van der Griteniin saman kunnan osalta. (2020)

Kanssaopiskelijani Carita Aapro-Koski osasi hyvin sanallistaa vääristymät. Kun itse tuijotin prosenttilukuja vain numeroina, ymmärsin hänen tekstiä lukiessani, mitä luvut todella tarkoittivat. Mercatorin projektio (kuva 1) siis vääristää jopa seitsenkertaisesti pohjois-Lapin kuntien pinta-alueita. Muutos on huima! Tämä johtuu tietysti siitä, että vertailu on tehty vahvasti vääristävän ja mahdollisimman vähän vääristävän välillä. Ajatus kuitenkin siitä, että tätä vääristävää Mercatorin projektiota käytetään luotettavimmissakin uutislähetyksissä on pelottava. Ihmisten maailmankuva on ymmärrettävästikin vääristynyt, jos heitä valistetaan virheellisellä tiedolla.

Kuten viime viikolla totesin, ei pelkkä kuvan katsominen riitä. Nopeasti katsottuna molemmat kuvat näyttävät hyvin samanlaisilta. Legendan tarjoama tieto paljastaa kuitenkin merkittävät erot. Meille lähes ammattilaisille tämä monilukutaito on itsestään selvyys, mutta tavalliselle maantiedosta puhuvalle tallaajalle visuaalinen informaatio saa huomattavan painoarvon.

Kun tarkastelin kahta jo valmiiksi vääristynyttä projektiota, ovat erotkin pienempiä (kuva 2).  Tällöin suurimmat erot ovat 70%-80% luokkaa, kun vastaavat alueet olivat ensimmäisessä tapauksessa 700% luokkaa. Tämä vääristymien tarkastelu oli hyvin avartavaa ja vahva muistutus siitä, että aina on tarkistettava, mikä projektio on kulloinkin käytössä. Onnekseni hyväksi todettu TM35FIN löytyy oletusasetuksena lähes aina, mutta ajoittainen varmistus ei ole haitaksi koskaan. 

Osa kurssilaisista oli kekseliäästi ja havainnollistavasti vertaillut pinta-aloja enemmän paikallisesti. Esimerkiksi Pihla Haapalo vertasi Enontekiön pinta-aloja kahden projektion kohdalta. Tällainen vertailu erityisesti vahvasti vääristyneen pohjois-Lapin osalta on järkevää ja hyvin informatiivista lukijalle. Kun itse vertasin vain pinta-alojen suhteellista eroa, on Haapalon konkreettinen ja absoluuttisilla luvuilla tehty vertailu arvokas lisäinformaatio. Tässäkin tapauksessa, kuten Haapalo itsekin toteaa, oleellista oli katsoa lukuarvoja joko taulukosta tai legendasta, sillä visuaalisesti kartat näyttivät lähes samoilta.

Voidaan siis todeta, että projektioiden vääristyvyys antaa virheellisen kuvan maapallosta. Erityisesti pystysuuntaiset lieriöprojektiot ovat huonoja esimerkiksi Suomen kannalta, sillä ne kuvaavat päiväntasaajanseudun (kosketuspinnan) oikein, mutta vääristyvät vahvasti suurentuen napoja kohti mentäessä. Jos lieriö käännetään vaakasuuntaan, puhutaan poikittaisesta projektiosta (transverse). Vertailukohtamme, ETRS-TM35FIN perustuu poikittaiseen Mercatorin projektioon. Käyttämämme tasoprojektio on kohdistettu UTM karttaprojektiojärjestelmän 35. pituuspiirin kohdalle (Suomen sijainti). Tämä mahdollistaa Suomen tarkastelun oikean muotoisena ja kokoisena ja vältytään vääristymiltä. 

Näistä säädöistä ja tuskailuista huolimatta odotan tulevia GIS haasteita! Syksyn aikana tutustuin ArcMap ohjelmaan auttaessani hädässä olevaa opiskelijaa. Nautin tehtävien haasteista ja soveltavista osioista. Kun minulla oli tunnilla luppoaikaa, tutkin hieman Qgis:n ominaisuuksia ja työkaluja. Leikin hieman rajaus- ja leikkaustyökaluilla ja ilahduin onnistuessani. Loin esimerkiksi kartan, johon olin rajannut vain Uudenmaan alueella olevat kunnat, joiden pinta-ala oli 250 ja 450 neliökilometrin välillä. En malta odottaa, että pääsen haastamaan itseäni lisää ja kokemaan onnistumisen hetkiä!

Lähteet:

Aapro-Koski, C., Kurssikerta 2 blogi. Luettu 27.1.2020 https://blogs.helsinki.fi/aacarita/

Haapalo, P., Kurssikerta 2 blogi. Luettu 27.1.2020 https://blogs.helsinki.fi/haapalop/

Kategoriat
Uncategorised

Ominaisuustiedoista teemakartaksi

 

Vihdoin koitti ensimmäinen niin sanotusti oikea GIS tunti. Aiemmilla kursseilla olemme harjoitelleet geoinformatiikan elementtejä ilman varsinaisia gis ohjelmia. Nykyisen kurssin aikana tulemme tutustumaan (toivon mukaan) melko laajasti QGis ohjelmaan.

Koska mestariksi ei synnytä ja yhdessä yössä kaikkia taitoja opita, on harjoittelu aloitettava perusasioista. Siispä ensimmäisellä kerralla harjoiteltiin perusasioita kuten ohjelman perusominaisuuksia, aineiston lisäämistä ja yksinkertaista analyysiä. Vaikka toisto ja hitaus turhauttavat joskus, on ohjelman perusominaisuuksien oppiminen tärkeää. Nyt osaan itsenäisesti löytää erilaisia työkaluja, laskea arvoja karttoja varten sekä muokata tuotos julkaisukelpoiseksi. Kun kurssin myötä näihin palikoihin lisätään uusia, on lopulta käytössäni laaja valikoima geoinformatiikkataitoja, joita voin yhdistellä eri tavoin tulevissa tehtävissä.

Yliopisto-opiskelu voi tuntua monelle pelottavalta, mutta ainakin oman kokemukseni mukaan ketään ei jätetä pulaan. Tälläkin kertaa harjoittelimme tarvittaessa lähes kädestä pitäen tekemään atribuuttitaulukosta löytyvien tietojen ja yksinkertaisten laskujen perusteella koropleettikartan. Yhteisen harjoittelun jälkeen tehtävämme oli toistaa teknisesti sama suoritus eri tiedoilla. Aineistonamme oli laaja valikoima tietoja Suomen kunnista vuodelta 2015, joista kukin sai valita mieleisensä. 

Oman harjoitukseni tein koskien maahanmuuton jakautumista kuntien välillä (kuva 1). Jotta sain aiheesta koropleettikartan, tuli minun luoda uusi sarake, laskea absoluuttisten lukujen sijaan prosenttiosuudet ja muokata ulkoasu tarkoituksenmukaiseksi. Luomassani kartassa näkyy Suomen kunnat. Mitä tummempi väritys siinä on, sitä enemmän maahanmuuttoa sinne on kohdistunut.

Kuva 1. Maahanmuuton suhteellinen jakautuminen Suomen kuntien välillä (2015).

Jo ennen kartan tekoa oli mahdollista yleistiedolla arvioida, että pääkaupunkiseudulle on kohdistunut paljon maahanmuuttoa. Myös muut suuremmat kaupungit olivat todennäköisiä kohteita, mutta niiden painoarvoa en pystynyt ennalta arvioimaan. Maahanmuuton suhteelliset erot ovat pääosin melko pieniä, vaikka kartalla erot ovat suuria. Jokainen geoinformatiikan ohjelmilla tehty kertta on hieman erilainen. Siksi niitä ei tule verrata suoraan vaan katsottava, millaisia luokkajakoja ja painotuksia kartassa on. Ilman pohtimista ja tarkastelua voi mikä tahansa kartta tarjota heikkoa informaatiota. Kartta on onnistunut visuaalinen esitys, jossa ensikatsomalla näkee jo tummuuseroista missä on jotakin enemmän ja missä vähemmän. Kartan informatiivisuus vaati kuitenkin legendaan tutustumista ja Suomen väestön sijoittumisen tuntemusta.

Halusin tuoda esiin silti pienetkin erot, sillä maahanmuuton suhteen ne kertovat alueista paljon. Jopa yhden prosentin osuus maahanmuutosta esimerkiksi pohjois Suomessa on merkittävä Suomen mittakaavassa, koska suhteellisesta maahanmuutost suurimman siivun nappaa lähes aina pääkaupunki ja sen lähistö. Esimerkiksi Rovaniemen alue voi hyötyä pienestäkin maahanmuutosta työvoiman lisänä ja mahdollisena syntyvyyden lisääntymisenä. On mahdollista, että sijoittelu ei ole ollut maahanmuuttajien oma valinta, mutta sijoittelu palveluita tarjoaviin keskuksiin on käytännöllinen ja järkevä. Suomessa on paljon alueita, joissa on hyvin harvaa asutusta ja vielä harvempaa palvelutarjontaa. Tällaisille alueille ei olisi mielekästä sijoittaa henkilöä, jolla ei tukiverkostoa, työpaikkaa tai kielitaitoa. 

Silmääni miellyttää se, että vihreitä alueita on lähes joka puolella Suomea, eikä vain pääkaupunki. Koen autioitumisen suurena uhkana, jonka ehkäisyyn tulisi panostaa kunnolla. Alle prosentin suhteellinen maahanmuutto ei kuitenkaan vielä riitä korjaamaan ongelmaa. Toivon, että mikäli tekisin saman kartan viiden vuoden päästä, näyttäisi kartta tummemman vihreältä ympäri Suomea. Yksi keino tämän saavuttamiseen olisi parantaa muidenkin kuin pääkaupungin toimivuutta, kutsuvuutta ja saavutettavuutta eri tasoilla. 

Yksi ominaisuustieto väestöstä ei tietysti riitä kuvaamaan sen nykytilaa. Vertasin omaa karttaani Leena Rantamaulan, Mikko Kangasmaan ja Flaminia Purasen karttoihin. Kukin heistä oli tarkastellut väestöä eri ominaisuuden perusteella, mutta niiden toisiaan tukeva informaatio oli huomattavaa. Rantamaula tarkasteli kuntien suhteellista työttömyyttä. Työttömyyttä esiintyi ympäri Suomea, mutta maahanmuuton suhteen kolmen suurimman luokan alueet voivat työttömyyden suhteen Suomessa melko hyvin. Kangasmaa puolestaan tarkasteli väestön muuttumista, mikä oli yllätyksekseni lähes täysin omia alueita vastaavilla osilla muuttovoittoinen. Puranen tarkasteli Suomea eläkeläisten suhteellisen osuuden mukaan, mikä oli hyvin alhainen maahanmuuton suhteellisesti suurimmilla alueilla. 

Näistä havainnoista voi päätellä, että maahanmuutto joko edistää väestön ja kunnan hyvinvointia tai tasoittaa sitä. Osa syy näihin samansuuntaisiin tuloksiin on Suomen itäosien ja muiden harvaan asuttujen alueiden kuihtuminen ja väestön vanheneminen. Kausaalisuhdetta havaintojeni välillä ei ole, mutta samansuuntaiset tulokset voivat kertoa siitä, että monen asian summa tuottaa kunnan hyvinvointia. Maahanmuutto, nettomuutto ja työllisyys voivat olla merkittäviä tekijöitä kunnan ikärakenteen, hyvinvoinnin ja tulevaisuuden kannalta.

Geoinformatiikka voi olla pelottavaa, turhauttavaa ja vaikeasti ymmärrettävää. Ainakin, jos sitä ei ole koskaan tehnyt tai siihen erityisemmin paneutunut. Omalla kohdallani se on kuin matematiikkaa: Se toimii elementeillä, jotka voivat aluksi tuntua vaikeaselkoisilta. Kun logiikan oivaltaa ja palasia oppii käyttämään, on se loppujen lopuksi loogista ja yksinkertaista toimintaa, jossa täytyy vain yksinkertaisesti tietää, miten palikat sopivat toisiinsa. 

Lähteet:

Kangasmaa, M. blogi kurssikerralta 1. Käytetty 19.01.2020 https://blogs.helsinki.fi/kanmikko/

Puranen, F. blogi kurssikerralta 1. Käytetty 19.01.2020 https://blogs.helsinki.fi/flaminia/

Rantamaula, L. blogi kurssikerralta 1. Käytetty 19.01.2020 https://blogs.helsinki.fi/rale/