Month: February 2022

Tämän viikon tehtävistä ensimmäinen piti sisällään ulko-ekskursion, josta en oikein blogin puolelle osaa muuta kertoa kuin että sää oli hirveä ja sukat kastuivat. Epicollect5 -sovellus oli aiemmin tullut tutuksi Maantieteelliset kohteet lähiympäristössä-kurssilta. 

Varsinainen kurssitehtävä käsitteli hazardeja, enkä nyt puhu ulkona riehuneesta lumimyrskystä vaan hieman suuremman skaalan ilmiöistä. Siihen liittyen Moodlessa oli annettu hyvät linkit sivuille, josta aineistoa voi ladata, mutta osassa portaaleista piti itse hieman karsia informaatiota pois latausvaiheessa. 

Tein ensiksi yhden kartan maalle pudonneista meteoriiteista. Latasin aineiston .csv:nä Nasan sivuilta, ja siirsin QGissiin. Mitään muuta varsinaisesti ei dataa tuodessa tarvinnut tehdä, mutta x- ja y-koordinaatit piti kommunikoida QGissille kertomalla ohjelmalle missä taulukon sarakkeissa sijaintitieto sijaitsi. Nolosti kyllä en muistanut kummin päin latitude ja longitude menivätkään, ja ensi yrittämällä pisteeni ilmestyivät kartalle pystysuorassa. Tekemällä oppii. Tässä valmis tuotos:

Halusin hahmottaa meteoriittien kokoa kartalle, joten laitoin pisteet väriskaalalle niiden painon mukaan. Taulukossa painot oli ilmoitettu grammoina, mutta jaoin ne calculatorissa tuhannella muuttaakseni luvut kilogrammoiksi.

Taulukon data kyllä herätti paikoin sekä ihmetystä että huvitusta. Osalle taulukkoon kirjatuista meteoriiteista oli annettu painoksi vain NULL, mikä on aivan ymmärrettävää jos dataa ei kaikista havainnoista ole. Sen lisäksi todella monelle havainnolle oli annettu painoksi 0 grammaa. Ehkä osa meteoriiteista todella oli alle gramman painoisia, mutta en usko kyseessä olevan vain mikään pyöristysvirhe, sillä useille objekteista oli kirjattu erittäin pieni mutta tarkka paino (esimerkiksi 3g.) Mietin, että voisikohan tässä olla kyse jostakin inhimillisestä virheestä, että joku Nasan dataharjoittelija on liimannut yhteen useampia taulukoita, joissa on keskenään merkitty eri tavalla tyhjät solut. Ainakin ohjelmoinnissa null-arvojen käyttö on ongelmallista siksi, että ne vaativat aina käsittelyä omana erikoistapauksenaan. Syötteen laskutoimitukset menevät sekaisin jos muuttujan arvo onkin null, ellei jokaisen laskutoimituksen yhteyteen erikseen kirjoita ehtolausetta joka kertoo, mitä tehdä jos arvoa ei ole. 

Oli syy mikä hyvänsä, niin nullien ja nollien lukuisa määrä taulukossa aiheuttaa sen, että kartallani hohtaa valtava määrä valkoisia pisteitä. Olisi ehkä kannattanut tiputtaa taulusta pois osa nollagrammaisista meteoriiteista, mutta tällä mennään nyt.

Inhimillinen virhe taulukon kasaajalta ei tunnu ollenkaan mahdottomuudelta, sillä taulukossa oli muitakin sangen kyseenalaisia merkintöjä. Esimerkiksi meteoriittien putoamisvuosi löytyi myös taulukosta. Vanhin merkintä oli peräti vuodelta 860, uusimman taas väitettiin olevan vuodelta 2101…  aivan.

Seuraavaksi siirryin toisenlaisten hazardien pariin. Latasin tulivuorien sijainneista ja maanjäristyksistä taulukot moodlelinkkien takaa, mutta maanjäristyksistä filtteröin mukaan vain yli 6 magnitudin havainnot. 

Kuvassa sekä aktiivisten tulivuorten että maanjäristyshavaintojen piirtämä viiva myötäilee lähes täydellisesti litosfäärilaattojen rajoja. Erityisen kauniisti näkyy hieman Japanista kaakkoon päin salmiakinmuotoinen alue, joka piirtyy kartalle Filippiienien laatan reunojen mukaisesti. Myös Karibian laatta ja Australian laatta (erityisesti sen koillisreunassa sijaitseva sarvi) erottuvat erittäin komeasti. 

Usein kuulee ihmisten puhuvan siitä, kuinka monella mantereella he ovat matkustelleet. Itse olen jo useita vuosia pitänyt litosfäärilaattoja kiinnostavampana matkailumittarina, ja ehkä hivenen epärealistisena tavoitteenani on vierailla jokaisella laatalla. Tähän mennessä olen tietääkseni käynyt niistä joko neljällä tai viidellä, eli vielä on matkaa jäljellä. Suosittelen muillekin mantsamatkaajille tätä tapaa kartoittaa reissujaan.

Kaiken kaikkiaan kurssikerran tehtävät olivat kivoja ja suht helppoja (tai ainakin vähemmän työläitä kuin viime viikolla.) Omien karttojeni visuaalipuolta jäin kyllä hinkkaamaan melko pitkäksi aikaa, erityisesti meteoriittikartassa vaihtelin palluroiden kokoa vaikka kuinka moneen otteeseen. Taisi muuten olla kurssin ensimmäinen kerta kun taustakarttana oli koko maailma. Mukavaa vaihtelua tehdä tuotoksia ihan eri skaalassa kuin aiemmin. 

 

Lähteet:

https://data.nasa.gov/Space-Science/Meteorite-Landings/gh4g-9sfh

https://ncedc.org/anss/catalog-search.html

https://www.ngdc.noaa.gov/nndc/struts/form?t=102557&s=5&d=5

Tämän viikon harjoitustehtävässä laskettin sekä Helsinki-Vantaan että Malmin lentokenttien eri asteisten melualueiden laajuuksia ja alueiden sisällä asuvan väestön määrää. Lisäksi teimme muutaman harjoituksen juna-asemien saavutettavuudesta ympäröivillä alueilla asuvien ihmisten lukumäärän perusteella. Erilaisia lukuja ja muistiinpanoja tuosta työstä kertyikin huima määrä, sillä tehtävissä oli useita välivaihteita. Kirjoitan tätä 5. viikon blogitekstiä varsin myöhässä, joten ei ollut enää aivan tuoreessa muistissa mitä kaikki muistiin merkitsemäni hieroglyfit taas tarkoittivatkaan, mutta sain niistä kuitenkin koostettua tällaisen taulukon:

 

Sitten tarkasteltiin hieman lähemmin Helsinki-Vantaan eri melualueista kärsiviä asuinalueita. Niistä syntyi allaoleva taulukko. 

Poikkeusreitillä tarkoitetaan normaalista lentosuunnasta eriävää koneiden laskeutumissuuntaa Tikkurilasta päin, jolloin tavallista suurempi määrä ihmisiä altistuu melusaasteelle. Poikkeavaa suuntaa on joskus käytetty huonon sään tai kentällä käynnissä olevien parannustöiden takia.

 

Lisäksi laskimme pääkaupunkiseudun juna-asemien saavutettavuudesta muutamia avainlukuja. Ensiksi laskettiin, kuinka suuri osuus aineiston väestöstä asui alle 500 metrin etäisyydellä jostakin juna-asemasta. Vastaus oli 111 758, joista työikäisiä 74 989. Koko kartan alueen väestöstä 21,7 prosenttia asui alle 500 metrin päässä jostakin juna-asemasta.

Kotona tein tehtävän uima-altaista pääkaupunkiseudulla. Suurin helpotus tehtävää tehdessä oli se, että jostain ihmeen syystä tällä kertaa sain pylväsdiagrammit näkymään vaivatta. Kolmosviikolla tulvatehtävän pylväät tuottivat melkoista päänvaivaa enkä lopulta saanut niitä ikinä toimimaan. En todellakaan tiedä, miksi tällä kertaa ongelmia ei ilmennyt, mutta hyvä niin.

Eniten lukumääräisesti altaita on Lauttasaaressa (53kpl), mikä ei sinänsä ole yllättävää: onhan kyseessä sentään onnellisten saari. Toiselle sijalle kiri hieman yllättävästi Länsi-Pakila 52:lla uima-altaalla. Jätin kokonaan kartasta pois alueet, joilla altaallisia asuinrakennuksia ei ole ollenkaan, sillä muuten kartasta olisi tullut aivan liian informaationtäytteinen. Jo nyt kaikkein tiheimpien alueiden lukuja erityisesti kantakaupungista on hieman hankala erottaa silmiä siristelemättä.

 

Viikolla 4 opeteltiin gridien käyttöä eli tietyn tutkimusalueen jakamista sellaisiin osiin, jotka ovat keskenään pinta-alaltaan samankokoisia ja siksi vertailukelpoisia toistensa kanssa. Käytännössä gridin luominen QGississä on varsin yksinkertaista, sillä alueen laajuuden voi piirtää manuaalisesti valitsemansa kokoiseksi ja gridien asetuksissa pitää tehdä vain muutama valinta koskie yksittäisten ruutujen kokoa sekä muotoa. 

Kurssiaineistossa oli kooltaan massiivinen taulukko pääkaupunkiseudun rakennuskannasta ja asukkaista. Taulukossa oli eritelty muun muassa rakennusten katuosoitteet ja asukkaiden ikäryhmät, mistä innostuneena päätin etsiä itseäni merkitsevän numeron vanhasta osoitteestani (data oli vuodelta 2015, jolloin asuin vielä lapsuudenkodissani). Ja löytyihän se! 

Taulukon pohjalta kuitenkin oli tarkoitus tehdä muutakin kuin etsiä arkaluontoisia tietoja muista ryhmäläisistä. Siirryinkin tekemään ensimmäistä tehtävää, jossa tarkastelin gridien avulla pääkaupunkiseudun ruotsinkielisen väestön määrää ja jakautumista. Vaikka tehtävää varten olisi voinut kokeilla jotakin jännittävää muotoa, kuten vaikka kuusikulmioita, valitsin kuitenkin ensimmäiseen tehtävään perinteisen neliöruudukon. 

Kuvassa 1 on merkitty absoluuttisina lukuina kussakin 1km x 1km ruudussa kirjoilla olevian ruotsinkielisten asukkaiden lukumäärä. Tämä kartta viittaisi siihen, että ruotsinkielisiä on eniten ydinkeskustassa, ja tasaisesti vähemmän mitä kauemmas poispäin keskustasta kuljetaan. 

Kuva 2 on mielenkiintoisempi, sillä siinä esitetään ruotsinkielisten osuus prosentteina suhteutettuna kunkin ruudun kokonaisväestöön. Se kertookin jo paljon enemmän, sillä toisin kuin kuvassa 1, tässä kartassa korostuu keskustan sijaan useita eri alueita. Mielenkiintoista oli myös havaita, että kartan aivan koillisreunassa täysin kirkkaanpunaisena loistavan gridin kaikki asukkaat olivat ruotsinkielisiä. 

Pieni virhe tosin minulla kävi ja unohdin Calculatorissa osuuksia laskiessani kertoa tuloksen sadalla, ja nyt prosenttilukujen sijasta legendassa näkyy desimaalilukuja. Osuudet ovat kuitenkin oikein, mutta tuollainen moka nyt kuitenkin jäi tänne roikkumaan. 🙁

 

Tein lisäksi kotona harjoituksen omakotitalojen määrästä pk-seudulla absoluuttisina lukuina. Valitsin huvikseni hunajakennoa muistuttavan kuusikulmio-gridin ja valitsin niille pienemmän koon kuin aiemmassa tehtävässä, 500m x 500m. Poistin myös kartalta pois ne alueet, joilla pientaloja ei ole. 

 

Kartalla korostuvat Korson ja Rekolan kaltaiset juna-asemia ympäröivät asuinalueet Vantaalla. Erityisesti Korson alue loistaa kartalla, eikä ihme, sillä alue tunnetaan laajasta, iäkkäästä omakotitalokannastaan. Itä-Helsingissä silmään osuvat erityisesti Laajasalo ja Mellunmäen ympäristö. Tällä hetkellä Mellunmäen ja Rajakylän tuntumassa on rakenteilla useita uusia rivitalokohteita, siinä missä Mellunmäen vanha kerrostalokanta alkaa olla hintaluokaltaan Helsingin halvimpia alueita ikääntymisen ja suurten tulevien remonttien vuoksi. 

Espoon puolella eniten omakotitaloja näyttäisi olevan Laaksolahden ja Suur-Espoonlahden tienoilla. Kävin mielenkiinnosta katsomassa Oikotiestä Laaksolahden asuntomarkkinoita, ja yhteensä 43 myynnissä olevasta kohteesta 28 oli omakotitaloja. Kerrostalokohteita löytyi vain 7, loput olivat pari- tai omakotitaloja. 

Kävin tutkimassa hieman muiden kurssilaisten tekeleitä, ja löysin Nean tekemän kartan alle 10-vuotiaiden lapsien prosenttiosuuksista eri asuinalueilla. Kun olin jo hetken tuijotellut omaa pientalokarttaani, huomasin että Nean kartassa on yhtäläisyyksiä omaani siinä mielessä, että tietyt asuinalueet korostuvat kummassakin kartassa. Ei ihme, että alueet, joilla on paljon omakotitaloja, ovat myös suosittuja ja turvallisia alueita lapsiperheille. Koska lasten hankkiminen on suuri päätös ja kallis sijoitus, on se varmasti helpompi sitoumus tehdä silloin, kun elämä on jo taloudellisesti vakaata.

 

Lähteet:

Nea Tiainen, Melkein Gis-guru siis itsekin (https://blogs.helsinki.fi/tiainea/)
Viitattu 15.2.2022

Kurssikerran pääteemana käsittelimme tietokantaliitoksia, jotka jostain syystä QGississä tuntuvat olevan hankalampia kuin missään muussa käyttämässäni paikkatieto-ohjelmassa (tai oikeastaan, olen käyttänyt QGissin lisäksi vain ArcGissiä, joten ei nyt liioitella). Itse säästyin liitoksia näpräillessäni ohjelman kaatumiselta, mutta samaa ei voi sanoa kaikista muista kurssitovereista.

Tehtävä 1.

Yhteisen osuuden aikana työstettiin kuvan 1. mukainen kartta Afrikan mantereen eräiden resurssien ja konfliktien sijainneista. Varsinaista legendan ja mittakaavan sisältävää tulostetta en ehtinyt tunnilla kyhätä, mutta muistin kuitenkin ottaa kuvakaappauksen kartasta ennen kotiinlähtöä. Joka tapauksessa, keltaiset pisteet merkitsevät konfliktialueita vuodesta 1951 eteenpäin, siniset pisteet timanttikaivoksia ja violetit alueet kaasu- ja öljykenttien sijaintia. 

Täysin puhdasta syy-yhteyttä eri alueiden resurssien ja kofliktien määrän välillä ei ainakaan vain tämän kartan perusteella voi julistaa, mutta paikallisia mahdollisia yhteyksiä kyllä löytyy.  Esimerkiksi Länsi-Afrikassa Liberian ja Guinean tuntumassa näyttäisi olevan runsas määrä sekä konflikteja, että timanttikaivoksia. Harmillisesti en pääse kotikoneelta käsiksi kartan attribuuttitaulukoihin, sillä nyt jälkikäteen karttaa tutkiessani tekisi mieli katsoa, onko edes yhteys mahdollinen – voihan olla niinkin, että kaikki alueen konfliktit ovat olleet ohi jo ennen timanttien louhinnan alkamista.  Attribuuttitaulukosta tieto olisi helppo etsiä, sillä konfliktien ajankohdat sekä timanttikaivosten perustamisvuodet löytyvät omista sarakkeistaan.

Myös Ruandan kansanmurha näkyy ikävästi kartalla tiheänä keltaisena keskittymänä. Mieleni tekisi käydä tutkimassa myös sen alueen konfliktien vuosilukuja tarkemmin, joten voin päivittää blogiini mietintöjä kun käyn ensi kerran gis-luokassa tarkastelemassa taulukoita tarkemmalla silmällä. 

 

Tehtävä 2.

Tunnin lopuksi jäi vielä aikaa itsenäisen tehtävän tekoon. Onnistuimme vähin ongelmin tekemään yksinkertaisimman version tehtävästä, jossa ensin helmitaulutyökalulla laskettiin kunkin vesistön tulvaindeksi attribuuttitaulukosta jo löytyvien tietojen perusteella.

Ongelmia ei ilmaantunut ennen histogrammiosuutta, jossa tarkoituksena oli pylväsdiagrammein kuvata eri alueiden järvisyyttä. 

Järvisyysprosentti-taulukko löytyi kurssiaineistosta sellaisenaan eikä mitään tarvinnut laskea, vaan taulukko pyöräytettiin Excelissä .csv-muotoiseksi ja tuotiin QGissiin tietokantaliitosta varten. Tässä kohtaa törmäsin toistamiseen QGissin kryptoniittiin, ääkkösiin. Onneksi tällä kertaa Arttu osasi näyttää meille miten vika korjataan eikä tähän vaiheeseen jumituttu sen pidemmäksi aikaa. Tietokantaliitoksen jälkeen järvisyysprosentti piti visualisoida kartalle jotenkin, mutta se ei sitten ihan onnistunutkaan. Laitan alle esimerkkinä epäonnistuneen pylväskuvion, sillä olin kuitenkin ylpeä siitä, että sain kartalle edes jotain näkyviin – se oli jo itsessään saavutus. Nyt, taas jälkikäteen, luin sekä Jannen että Eemilin blogista, että yksi tapa saada data näkymään oikein on pistää data piirakkadiagrammiksi ja kuvata järvisyysprosenttia suhteessa maapinta-alaan. 

Kannattaa muuten käydä lukemassa Eemilin blogin puolelta enemmän tulvariskialueiden taustasta ja maankohoamisen vaikutuksesta ilmiöön. Olin itsekin mainitulla Suomen geomorfologia-kurssilla, joka oli oikein mielenkiintoinen ja jolle mahdollisuuden tullessa kannattaa ilmoittautua nopee : D

 

Lähteet:

Eemil Sillankorva: Eemilin mantsa-blogi, tieto haettu 8.2.2022 (https://blogs.helsinki.fi/sillanko/)

Janne Turunen: Geoinformatiikan mystiset menetelmät, tieto haettu 8.2.2022 (https://blogs.helsinki.fi/janneturunen/)

 

Toisella kurssikerralla pysyteltiin vielä melkolailla QGissin perusasioiden puolella. Kurssikerta eteni muuten omalta osaltani sujuvasti ja pysyin hyvin perässä jokaisella työvaiheella, mutta valitsemani kone alkoi reilun kolmen tunnin puurtamisen jälkeen temppuilla ja QGissini kaatui noin 7 kertaa peräkkäin. Kun se ei uudelleenkäynnistyksenkään myötä suostunut pelittämään, luovutin ja lähdin kotiin. Rumban vuoksi jouduin toistamaan työvaiheita aika moneen kertaan ja menetin myös kokonaan yhen lähes valmistuneen karttatuotoksen.

Kurssikerralla harjoiteltiin mm. erilaisten valintatyökalujen käyttöä. Simppelin Suomen kuntapohjakartan ollessa esimerkkinä lukuisat eri työkalut tuntuivat helppokäyttöisiltä, mutta voin kuvitella että laajemmissa ja pikkutarkemmissa kartoissa eri ominaisuuksia poimivat valintatyökalut voivat olla kullanarvoisia.

Valintatyökalujen lisäksi eri mittaustyökalujen käyttö käytiin läpi. Niiden kautta siirryttiin kurssin pääaiheeseen, eli eri projektioiden ja koordinaattijärjestelmien tuomaan virheeseen. Kaikkiin projektioihin ja esitystapoihin liittyy omat virheensä, ja olikin hauska nähdä, miten eri projektioissa virheen aste kasvoi.

Alla oleva taulukko kuvaa Pohjois-Lapissa vapaasti valitun etäisyyden pituuden muutosta eri projektioiden vallitessa. Muutamaan kertaan projektioiden välillä vaihdellessa klikkasin huti ja kadotin aiemmin piirretyn viivan, eli luvuissa on aivan varmasti mukana pieni määrä inhimillisen erehdyksen synnyttämää heittoa, sillä en luultavasti onnistunut piirtämään viivoja pikselintarkasti takaisin. Joka tapauksessa taulukossa yritän viestiä sitä, miten sama etäisyys muuttuu eri projektioiden vääristymän vuoksi.

Kuva 1. Valitun mitatun etäisyyden muutos eri projektioiden vääristäessä karttaa.

Lopuksi tunnilla oli tarkoitus tehdä eri projektioiden vääristymiä kuvaava karttasarja koko Suomen mittakaavassa. Vääristymää kuvattiin pinta-alan osuuksina TM35FIN-projektioon verrattuna, eli laskettiin ensiksi pinta-ala $area-komennolla TM35FIN-projektiota käyttäen, jonka jälkeen projektio muutettiin toiseksi, laskettiin pinta-ala uudestaan ja sitten jaettiin tämä toisen projektion tuottama pinta-ala alkuperäisillä arvoilla. Kuulostaa simppeliltä, ainakin näin jälkiviisaana, mutta matka oli kyllä mutkainen ainakin omalla kohdallani.

 

Mercator nyt yleisesti tunnetaan varsin harhaanjohtavana projektiona eikä sitä yleisesti enää tunnuta käyttävän muualla kuin ala-asteen kartoissa ja merenkulussa, mutta on silti yllättävää nähdä miten suuren virheen kartta tuottaa Suomen tapauksessa. Mercator venyttää alueita enemmän mitä kauemmas päiväntasaajalta kuljetaan, jolloin Pohjois-Suomessa pinta-alan vääristymä on yli 8-kertainen.

Kartan väriskaalan olisin voinut invertoida siten, että punainen merkitsisi suurimman vääristymän alueita ja sininen pienimmän. Se kuvaisi arvoja jonkin verran paremmin, mutta tajusin tämän vasta blogia kirjoittaessa eli tällä mennään nyt.

Ylläoleva Mercatorin vääristymää kuvaava graafi oli valitettavasti ainoa tunnilla valmiiksi saattamani lopullinen tuote. Olin lähes valmis vastaavan Winkel Tripel-kuvan kanssa, kun QGis taas vaihteeksi kaatui:

Myöhemmin keväällä kävin kuitenkin gis-luokassa vanhojen aikojen ratoksi tekemässä vielä vastaavan kartan Robinsonin projektiosta, sillä halusin blogitekstiini vähän lihaa luiden väliin.  Kyseessä on huomattavasti Mercatoria parempi  projektio Suomen todenmukaisessa kuvaamisessa, joten halusin siksi kokeilla Robinsonia. QGis pudotti joidenkin laskutoimitusten yhteydessä taulukostani dataa pois, enkä ihan osannut diagnosoida ongelman ydintä. Lopulta kuitenkin homma alkoi pelittää ja luulen Field Calculatorin ongelmien johtuneen siitä, että eri sarakkeissa olevat lukuni olivat hieman eri muodossa keskenään (eri määrä desimaaleja, tai jotain).