Month: January 2019

Toisella kurssikerralla QGIS:sin parissa työskentely jatkui taas. Kurssikerran aiheena olivat erilaiset projektiot ja niistä aiheutuvat pinta-alamuutokset. Kävimme läpi myös datan erilaisia lähteitä, muun muassa lyhenteet WMS, WMTS, WCS ja WFS olivat minulle ennestään täysin uusia. Teoriapläjäyksen jälkeen lähdettiin kokeilemaan erilaisia projektioita QGIS-ohjelmassa.

Aluksi kaikki tuntui taas uudelta ja vaikealta, koska ensimmäisen kurssikerran jälkeen jo opitutkin asiat olivat unohtuneet. Onneksi jälleen kerran hyvien ohjeiden avulla ohjelman kanssa pääsi taas vauhtiin. Kuten Saaga Laapotti blogissaan kirjoittaa, ensiksi harjoittelimme muun muassa tietokantojen muokkaamista, teimme erilaisia laskutoimituksia, joiden tuloksia tarvitsimme sekä tutustuimme taas uusiin valintatyökalujen käyttöön.

Harjoitusten jälkeen ryhdyimme hyödyntämään  uusia taitoja kartan valmistukseen. Tarkoituksena oli verrata erilaisia projektioita keskenään ja katsoa niiden pinta-alavääristymiä. Ensiksi vertasimme oikeapintaista Lambertin projektiota vääristävään Mercatorin projektioon. Tuloksena syntyi koropleettikartta (kuva 1).

Kuten kuvasta 1 voi nähdä, vääristymäprosentit ovat todella suuria. Etelä-Suomessakin lukemat ovat suuria ja ne vain kasvavat, mitä pohjoisemmaksi mennään. Suomen päälaella lukemat ovat suurimmillaan. Projektioita valitessa kannattaa siis todellakin miettiä, minkä valitsee. Väärin tehty valinta voi antaa täysin väärää informaatiota.

 

Seuraavaksi tarkoituksena oli jatkaa erilaisten projektioiden vertailua keskenään.  Päätin vertailla Lambertin ja Winkel 1-projektioita, mutta QGIS päätti toisin. Toinen kurssikerta oli tähän asti selvitty ilman ohjelman kaatumista ja oikuttelua. Winkelin projektio oli kuitenkin QGIS:sille liikaa, sillä ohjelma ei suostunut lukuisien yritysten jälkeen toimimaan Winkelin projektion kanssa. Tästä syystä pääduin lopulta valitsemaan seuraavaksi projektioksi Eckertin projektion.

Kuvassa 2 vertaillaan Lambertin ja Eckertin projektioita. Kuten kuvassa 1, myös tässä kartassa vääristymät ovat etelä-pohjoissuuntaisia. Toisin kuin kuvassa 1, vääristymälukemat ovat kuitenkin melko maltillisia. Lukemat kasvavat taas pohjoista kohti, jossa päälaella vääristymäprosentti on noin välillä 38-50.

 

Toisin kuin ensimmäisellä kurssikerralla, olen tyytyväinen tehtyihin karttoihin. Värit ovat selkeät ja helposti luettavissa. Legendaan olisi tosin voinut kirjoittaa suoraan, mitä projektioita vertaillaan. Muuten olen tyytyväinen. QGIS:sikään ei enää Winkelin proketion vaihdon jälkeen kaatuillut vaan toimi moitteettomasti. Kurssikerran lopussa oli onnistunut olo, sillä olin taas oppinnut uutta ja saanut pari uutta karttaa aikaiseksi.

Seuraavaan kurssikertaan!

 

 

LÄHTEET

Saaga Laapotti,  luettu 30.1.2019 <https://blogs.helsinki.fi/saagalaa/>

 

 

 

 

Ennen Geoinformatiikan menetelmät 1- kurssin ensimmäistä kurssikertaa en osannut aavistaa, mitä kurssi toisi tullessaan.  Heti ensimmäisellä kerralla lähdettiin tutustumaan ja opettelemaan QGIS-ohjelman käyttöä, sillä se tulisi olemaan avainasemassa kurssilla.  QGIS- paikkatieto-ohjelma oli minulle ennestään tuntematon, joten opeteltavaa tulisi olemaan paljon.

 

Ensimmäiset vaiheet QGIS: sin parissa sujuivat melko vaivattomasti seuraamalla annettuja ohjeita tarkasti. Mutta kuten Emilia Ihalainen blogissaan sanoi, vaikka  perustoimintojen ymmärtäminen oli melko helppoa, uusi ohjelma vaati kuitenkin harjoittelua ja tarkempaa perehtymistä.  Ilman yksityiskohtaisia ohjeita ohjelman käyttäminen olisi tuottanut vaikeuksia heti kättelyssä. Teoriassa jotkut asiat olivat muistissa geoinformatiikan johdantokurssilta, kuten Iina Rusanen mainitsi blogissaan. Attribuuttitaulu oli tuttu käsite, mutta käytännössä kuitenkin vielä uusi tuttavuus.

Perustoimintoihin tutustumisen jälkeen oli kartan laatimisen vuoro (Kuva 1).  Vaikka ohjeet olivatkin hyvät, itse ohjelma ei toiminut aivan moitteettomasti. Alussa ongelmia ei ollut, mutta jonkin  aikaa ohjelmaa käytettynä toiminnot latautuivat todella hitaasti. Tämä hankaloitti hieman ohjeiden perässä pysymistä, kun omaa karttaa ei saanut tehtyä samassa tahdissa muiden kanssa. Onneksi tätä ei kestänyt koko aikaa, vaan puskurointien jälkeen ohjelma toimi taas normaalisti ja muilta kurssilaisilta sai neuvoja, joilla pääsi taas vauhtiin.

Ensimmäisellä kurssikerralla valmistunut kartta kuvaa Itämeren valtioiden typpipäästöjen osuuksia. Huomasin vasta jälkeenpäin, että legenda on jäänyt vähän puolitiehen, joten tulen luultavasti vielä muokkaamaan karttaa.  Myöskin kartan värejä olisi voinut muokata, sillä nyt alin typpipäästöväri on saman värinen kuin muut kartan valtioit. Vaikka kartta ei täydellinen olekkaan, on se kuitenkin hyvä alku, josta voi aina parantaa. Harjoitus tekee mestarin!

Kartasta voidaan nähdä, että suurin saastuttajamaa on Puola. Se näkyy kartalla mustana.  Sitä seuraavat Ruotsi, Venäjä ja Valko-Venäjä.  Kuten Emilia Ihalainen kirjoitti omassa blogissaan, syitä Puolan korkeisiin päästöosuuksiin on useita. Puolan väkiluku on on suuri ja muun muassa maataloutta harjoitetaan paljon.  Maatalous on yksi merkittävimmistä typen päästöjen aiheuttajista. Muita syitä ovat esimerkiksi teollisuus ja metsätalous. Muita syitä Puolan ja itse asiassa Venäjänkin korkeisiin päästölukemiin on esimerkiksi jätevesien kehno puhdistus. Puolassa ongelmallinen on myös Veiksel-joki, joka kuljettaa Itämereen saasteita.

Yllättävää on se, että Saksa tuottaa niin vähän typpipäästöjä. Saksassakin on suuri väkiluku ja paljon teollisuutta. Iina Rusasen blogista löytyi pohdintaa aiheesta. Koillis-Saksaa lukuun ottamatta iso osa Saksasta Itämeren valuma-alueen ulkopuolella, jolloin vedet virtaavat Itämeren sijasta Atlantin Valtamereen.

Kuten aiemmin mainitsin, en ollut tyytyväinen ensimmäiseen karttaani, joten päätin muokata sitä mieleisekseni. Vaihdoin kartan värit neutraalimmaksi ja muokkasin myös legendan. Ensimmäisessä kartassa Itämeren alueen järvet hallitsevat karttanäkymää ja ovat sotkuisen näköisiä, joten muokkasin järviä niin, että ne eivät ole pääroolissa. Koska välissä oli kerennyt olla jo toinenkin kurssikerta, kartan muokkaaminen tuntui jo paljon helpommalta ja luontevammalta. Edistystä on siis havaittavissa!

Kartta kuntien työttömyysasteista onnistui ilman suurempia ongelmia. Tein kartan hieman myöhemmin, vasta toisen kurssikerran jälkeen, joten sekin vaikutti tehtävän tekemiseen. Koska QGIS-ohjelmaa oli käyttänyt jo hetken, tuntui kartan tekeminen helpolta.

Työttömyyttä on eniten Pohjois- ja Itä-Suomessa, vähiten Itämeren rannikolla. Poikkeuksen Lapin korkeisiin työttömyyslukuihin tekevät Sodankylän, Kittilän ja Muonion kunnat. Yksi tähän johtavista syistä on muun muassa turismi. Oulun työttömyysaste on muihin suuriin kaupunkeihin verrattuna korkea. Parhaimmat työllisyysasteet löytyvät pääkaupunkiseudulta, Ahvenanmaalta ja länsirannikolta Vaasan seudulta.

Ensimmäinen kurssikerta sisälsi paljon uutta tietoa ja uusia asioita. Vaikka QGIS-ohjelman käyttö alkoi jo loppua kohden sujumaan, on siinä vielä paljon opeteltavaa, että sen käyttö olisi sujuvaa myös itsenäisesti. Vielä on siis paljon opeteltavaa ja muistettavaa!

LÄHTEET

Emilia Ihalaisen blogi. Luettu 21.1.2019 <https://blogs.helsinki.fi/ihem/>

Iina Rusasen blogi. Luettu 21.1.2019 <https://blogs.helsinki.fi/iinarusa/>

Muokattu 24.1.2019, lisätty uusi kartta Itämeren typpipitoisuuksista ja analysoitu uutta karttaa. Lisätty myös kuva työttömyysasteista Suomessa vuonna 2015.

 

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!