Erika's blog

Moi viimeistä kertaa!

Yllättävän nopeasti tämäkin viimeinen kurssikerta tuli, ja oli aika laittaa pakettiin kaikki kurssilla viimeisen 6 viikon aikana oppimamme. Itsehän olin koko viikon kipeänä, enkä päässyt tekemään viimeisen kurssikerran tehtäviä paikan päälle. Sain kuin sainkin kuitenkin kaiken tehtyä itsenäisesti kotoa käsin ja vielä suhteellisen hyvällä lopputuloksella.

Tein kaksi eri kahden teemakartan settiä, jotka esittävät toisiinsa liittyviä asioita. Hain karttoihin aineiston Tilastokeskuksesta ja latasin sen sieltä Exceliin. Excelissä tiivistin aineiston oikeanlaiseksi, jotta QGIS olisi tyytyväinen sen kanssa ja suostuisi yhteistyöhön. Tämä vaihe ei ollut mikään maailman helpoin, ja jouduinkin monta kertaa muuttaa aineistoa Excelissä ennen kuin se osoittautui oikeanlaiseksi. QGIS:issä sainkin sitten yhdistettyä join-toiminnolla tämän Excelistä tuodun tietokannan jo valmiiseen “kunnat 2021”-tietokantaan ja sitten kartta olikin jo visualisointia vailla valmis. Kartoissa esitetään tulokset suhteellisina osuuksina, kuten koropleettikartassa kuuluukin.

Ensimmäinen karttasarja käsittelee asuntokuntien velkoja. Valitsin aikahaarukaksi 10 vuotta, eli kuva 1 esittää velkoja vuonna 2011 ja kuva 2 velkoja vuonna 2021. Vaikka väritykset menevätkin kunnittain, ei saa unohtaa sitä, että taustalla on asuntokunnat. Kunnan väritys kertoo siis kyseisessä kunnassa olevien asuntokuntien velat kaikista kuntien asuntokunnista.

Kuva 1. Kunnan asuntokuntien velat (%) kaikista kuntien veloista vuonna 2011.

Kuva 2. Kunnan asuntokuntien velat (%) kaikista kuntien veloista vuonna 2021.

Nopealla vilkaisulla voidaan todeta, että kartat näyttävät toistensa kanssa hyvin samanlaisilta, eikä merkittävää muutosta ole kymmenessä vuodessa tapahtunut. Ensimmäinen suuri ero on kuitenkin huomattavissa legendassa olevista suhteellisista osuuksista, jotka ovat suuremmat vuoden 2021 kartassa. Tämä siis tarkoittaa sitä, että asuntokuntien velat ovat nousseet jonkin verran kymmenessä vuodessa. Velallisten asuntokuntien sijoittuminen kartalla on kuitenkin pysynyt suht. samana. Velkojen nousun ja niiden sijoittumisen etenkin pääkaupunkiseudulle selittää asuntojen hintojen nousu. Asuntojen hinnat ovat viime vuosina nousseet, ja tämä näkyy etenkin muuttovoittokaupungeissa pääkaupunkiseudulla. Asuntokunnilla on siis paljon esimerkiksi asuntolainaa.

……

Toisessa karttasarjassa kuvataan asuntokuntien käytettävissä olevaa rahaa, jälleen suhteellisina osuuksina. Kuvassa 3 havainnollistetaan vuotta 2011 ja kuvassa 4 vuotta 2021.

Kuva 3. Kunnan asuntokuntien käytettävissä oleva raha (%) kaikista kuntien asuntokunnista vuonna 2011.

Kuva 4. Kunnan asuntokuntien käytettävissä oleva raha (%) kaikista kuntien asuntokunnista vuonna 2021.

Tämä karttasarja noudattaa paljolti samaa kaavaa kuin edellinenkin. Jälleen kuntien väritykset pysyvät suht. samana ja samoilla paikoilla oli kyse sitten vuodesta 2011 tai 2021, mutta käytettävissä olevan rahan määrä on jonkin verran kasvanut vuoteen 2021 mennessä. Velalliset asuntokunnat ja paljon käytettävissä olevaa rahaa omistavat asuntokunnat kulkevat paljolti käsi kädessä. Tämä selittyy sillä, että usein varakkaammilla henkilöillä on varaa myös ottaa enemmän lainaa, joka synnyttää velkoja. Jos on ottanut lainaa, on tämä lainaraha silloin asuntokunnan käytössä.

Olisin toivonut karttoihin enemmän eroavaisuuksia toistensa kanssa, koska nyt näyttää vain siltä, että sama kartta toistuu neljään eri kertaan. 😀 Mutta oikeasti kyseessä on neljä eri, kovalla vaivalla tehtyä karttaa, jotka vain sattuvat muistuttamaan paljon toisiaan.

Loppusanat

Tämä kurssi on ollut erinomaisen opettavainen, mutta samaan aikaan on myös koettu monia turhautumisia ja hermoromahduksia läpi kurssin. Koen kuitenkin, että mitä enemmän kurssikertoja oli takana, sitä helpommiksi kurssitehtävät muuttuivat. Uskon, että tämä selittyy oikeastaan vain sillä, että vaikka sitä ei arvaisikaan, niin QGIS-taidot karttuivat pitkin kurssia ja oikeastaan jopa nautin näiden viimeisten karttojen tekemisestä. Vihdoinkin tuntui siltä, että ymmärrän täysin, mitä teen ja miksi teen. Kuten myös Yoni (2023) toteaa blogissaan, tämä kurssi on antanut paljon uusia työkaluja ja ajattelutapoja, joista tulee olemaan hyötyä pitkään. Tästä on hyvä jatkaa.

Kiitos kurssista!

 

Lähteet:

Tilastokeskus

< https://pxdata.stat.fi/PXWeb/pxweb/fi/StatFin/ > Luettu 2.3.2023

Yoni L. (2023). “Viikko 7: Paluu omiin juuriin ja kohti uusia horisontteja”. Postaus blogissa 3.3.2023.

< https://blogs.helsinki.fi/luberger/2023/03/03/paluu-omiin-juuriin-ja-kohti-uusia-horisontteja/ > Viitattu 6.3.2023.

 

Moi!

Kuudennella kurssikerralla päästiin sukeltamaan kenttätöiden makuun, sillä lähdettiin aamu kahdeksalta -12 asteen pakkasessa kiertämään kampuksen lähiympäristöä. Kerättiin kaupunkikohteista pistemäistä aineistoa Epicollect5 -nimisellä sovelluksella. Sovellukseen kirjattiin kohteen nimi, sekä vastattiin asteikolla 1-5 kysymyksiin esimerkiksi kohteen turvallisuudesta, visuaalisuudesta ja houkuttelevuudesta. Todettiin, että älypuhelinsovellukseksi sovelluksella oli suhteellisen hyvä sijaintitarkkuus koordinaatteja etsiessään. Navigointiin se ei kuitenkaan ihan kävisi, sillä sijainnit saattoivat heittää useammalla kymmenellä metrillä.

Sisälle päästyämme päästiin käyttämään kerättyä aineistoa QGIS:issä. Saatiin liitettyä keräämämme kaupunkikohteemme pistemuotoisena kartalle. Tämän jälkeen otettiin työkaluksemme interpolointi, jossa valittiin kartalla esitettäväksi attribuutiksi se, kuinka turvalliseksi tietty kohde koettiin. Tällä tavoin saatiin erilaiset värimaailmat kuvaamaan eri asteen turvallisuuden tunnetta kohteiden ympärillä (kuva 1).

Kuva 1. Kaupunkikohteiden koettu turvallisuus/turvattomuus Kumpulan ja Käpylän alueella.

Seuraavaksi päästiin soveltamaan pistemuotoisen aineiston käyttöä muihin tarkoituksiin. Seuraavissa kuvissa taustalla on maailmankartta, ja siihen päälle on tuotu pistemuotoista aineistoa tulivuorista ja maanjäristyksistä. Kuvassa 2 näkyy havainnollistavasti samaan aikaan sekä maanjäristykset (vuosilta 1898-2012), että tulivuoret. Tämä kuva auttaa havainnollistamaan näiden kahden ilmiön yhteyden toisiinsa. Erityinen yhteys toistensa kanssa voidaan huomata Tyynenmeren tulirenkaalla, sekä Pohjois- ja Etelä-Amerikan länsirannikolla. Kuten Liljefors (2023) toteaa blogissaan, Tyynenmeren tulirengas erottuu kartalta selkeästi, sillä se on tektonisesti ja vulkaanisesti hyvin aktiivinen. Kuvassa 2 vaaleanpunaisena kartalla näkyvät maanjäristyspisteet myötäilevätkin suurelta osin litosfäärilaattojen saumakohtia.

Kuva 2. Maanjäristykset (1898-2012) ja tulivuoret maailmalla.

Kuvien kautta opettamisen kannalta koin tärkeäksi tuoda ensin kartalla esiin kaikki tulivuoret ja tietyn ajan maanjäristykset. Täten seuraavia, räätälöityjä, karttaesityksiä tulkitessa voidaan aina palata takaisin karttaan, joka näyttää kaikki kyseiset ilmiöt. Näin voidaan vertailla karttoja ja tehdä helpommin johtopäätöksiä niistä. Mietin aluksi, että käyttäisin kuvan 1 tapaan interpolointia hyödyksi myös näissä kartoissa, mutta lopputuloksesta ei saa yhtä hyvin havainnollistavaa kuvaa kuin näistä normaalisti maailmankartan esittävistä kartoista. Seuraavissa kuvissa esitinkin siis tämän 1898-2012 aikavälin ajalla tapahtuneet yli 8 magnitudin (voimakkaat) maanjäristykset tulivuorten ohella (kuva 3), sekä 1-3 magnitudin (heikot) maanjäristykset tulivuorten ohella (kuva 4).

Käytössä on Richterin asteikko.

Kuva 3. Yli 8 magnitudin maanjäristykset (1898-2012) ja tulivuoret.

Kuva 4. 1-3 magnitudin maanjäristykset (1898-2012) ja tulivuoret.

Kuten kuvista voidaan huomata, voimakkaat ja heikot maanjäristykset sijoittuvat toistensa kanssa jokseenkin eri puolille maailmaa. Tämän lisäksi heikkoja maanjäristyksiä on huomattavasti enemmän kuin voimakkaita, yli 8 magnitudin maanjäristyksiä. Näitä voimakkaita maanjäristyksiä sijaitsee isolta osin samoilla alueilla, missä on myös suurimmat tulivuoriryppäät. Heikommat maanjäristykset muodostavat ryppään etenkin Pohjois-Amerikkaan. Kartoista voidaan huomata, että etenkin voimakkaat maanjäristykset sijaitsevat ennemminkin törmäysvyöhykkeillä ja erkanemisvyöhykkeille näitä ei sijoitu ollenkaan.

Opetuksen kannalta koen, että yllä olevat kartat antavat hyvän yleiskäsityksen tulivuorten ja maanjäristysten sijoittumisesta. Karttojen avulla pystyy ymmärtämään sen, että näillä kahdella tekijällä on yhteys toisiinsa. Karttojen taustalla olisi hyvä olla litosfäärilaattojen saumakohdat esitettynä, sekä mahdollisesti myös tieto siitä, onko kyseessä erkanemis- vai törmäysvyöhyke. Jotta kartat toimisivat hyvänä opetuksen lähteenä, tulisi opettavalla henkilöllä olla joko hyvin laaja tietämys karttojen ulkopuolelta, tai sitten käytössä näitä karttoja tukevia, informaation laajuudeltaan toisenlaisia, karttoja. Esimerkiksi tämän linkin takaa löytyy todella havainnollistava kuva litosfäärilaattojen saumakohdista, joka auttaa maanjäristysten ja tulivuorten sijoittumisen ymmärtämisessä. Tämän lisäksi karttojen ohella olisi tärkeää käydä läpi voimakkuudeltaan erilaisten maanjäristysten vaikutukset ympäristöön. Kuten tiedetään, mitä voimakkaampi maanjäristys, sitä suurempi tuho. Heikoimmat järistykset saattavat mahdollisesti vain kaataa esim. esineitä, kun taas voimakkaimmat sortaa rakennuksia ja aiheuttaa pahimmassa tapauksessa tsunameja jne.

Lähteet:

Geologia.fi

< https://www.geologia.fi/2018/06/29/miksi-suomen-kallioperassa-voidaan-nahda-litosfaarilaattojen-rajoilla-muodostuneita-rakenteita/ > Luettu 22.2.2023

Liljefors A. (2023). “Harjoitus 6”. Postaus blogissa 22.2.2023

< https://blogs.helsinki.fi/annalilj/2023/02/22/harjoitus-6/ > Viitattu 26.2.2023

NOAA, National Oceanic and Atmospheric Administration

< https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search > Luettu 22.2.2023

Northern California Earthquake Data Center

< https://ncedc.org/anss/catalog-search.html > Luettu 22.2.2023

 

 

Moi taas!

Kurssikerta 5 oli todella hyödyllinen selkeiden ohjeiden ja kertaavien työvaiheiden vuoksi. Kiitos Siirille hyvästä yhteistyöstä ja tehtävien yhdessä pohtimisesta tunnilla! <3 Pidin myös siitä, kuinka itsenäiset tehtävät olivat jonkin asteen konkreettisempia, ja ymmärsin oikeasti mitä laskin ja miksi. Monessa eri tehtävässä toistuvien työvaiheiden avulla pääsin lopulta jyvälle asiasta, ja sain tehtyä kotonakin yksin itsenäisiä tehtäviä mielestäni kiitettävästi. Kurssikerran pääasialliset toiminnot olivat bufferin eli puskurin tekeminen, sekä erilaisten arvojen etsiminen ja karsiminen isommasta aineistosta esimerkiksi työkalujen “Select by location” ja “Select by value” avulla.

Kuvassa 1 on esimerkki kurssikerralla tehdystä teiden bufferoinnista. Kuvassa on myös rajattu näyttämään kaikista rakennuksista bufferin sisällä olevat rakennukset (keltaiset pisteet oranssin vyöhykkeen sisällä).

Kuva 1. Bufferointia Pornaisissa.

Kuten Nyrönen (2023) kertoo omassa blogissaan, bufferointi käsitteenä on meille jo tuttu aiemmalta kurssilta, mutta nyt käsite konkretisoituu käyttämällä toimintoa QGIS:issä konkreettisesti.

Sitten itsenäisiin tehtäviin.

Itsenäistehtävä 1

Ensimmäisessä itsenäisessä tehtävässä luotiin buffereita erilaisten muuttujien ympärille. Tarkastelun kohteena olivat Malmin lentokenttä, Helsinki-Vantaan lentokenttä, sekä erilaiset asemat, kuten juna- ja metroasemat. Niissä tehtävänannoissa, joissa kysyttiin asukkaiden määrää jollakin tietyllä säteellä, piti aina muodostaa ensin kyseiselle säteelle bufferi sen alueen ympärille, josta oli tehtävänannossa kyse. Tämän jälkeen valittiin näytettäväksi vain tehtävänannossa kysytyt muuttujat “Select by location” -työkalun avulla. Tämä kaava toistui lähes jokaisessa itsenäisessä tehtävässä, enemmän tai vähemmän soveltaen. Loppupään tehtävissä ei oikeastaan enää edes piirretty buffereita, vaan laskettiin vain kysyttyjä arvoja valintatyökalun avulla.

Huomasin, että kysymyksiin saatu lukumäärä riippuu siitä, klikkaako bufferointi vaiheessa päälle “Yhdistä päällekkäiset” -toiminnon. Huomasin tämän vasta näin kotona, enkä muista, olenko harjoituskerran aikana käyttänyt kyseistä toimintoa jokaisessa kohdassa, vai vaan osassa. Tuolla on siis merkitystä, mutta en usko, että sen käyttämisellä tai käyttämättä jättämisellä on tässä tehtävässä paljoakaan painoarvoa. Kunhan saa joitakin lukuja oikeilla työvaiheilla tuotettua!

 

Taulukko 1. Malmin lentokenttä

Kuinka monta ihmistä asui Malmin lentokentän pahimmalla melualueella sen vielä toimiessa, jos mukaan lasketaan kaikki asukkaat 2 km säteellä?	Yhteensä 57 243 asukasta
Kuinka monta ihmistä asui Malmin lentokentän pahimmalla melualueella sen vielä toimiessa, jos mukaan lasketaan kaikki asukkaat 1 km säteellä?	Yhteensä 8733 asukasta

 

 

Taulukko 2. Helsinki-Vantaan lentokenttä

Tutki kuinka monta asukasta asuu Helsinki-Vantaan lentokentän välittömässä läheisyydessä, etäisyys kiitoratoihin linnuntietä alle 2 km.	Yhteensä 10335 asukasta
Tutki kuinka prosenttia edellisen kohdan asukkaista asuu Helsinki-Vantaa lentokentän pahimmalla melualueella (65dB)?	Yhteensä 17 asukasta, eli 17 / 10335 = 0,00166 = 0,17 %
Kuinka monta ihmistä asuu vähintään 55dB melualueella?	Yhteensä 11923 asukasta
Kuinka monen ihmisen elämää vähintään 60dB lentomelu haittaisi Tikkurilassa, mikäli saapuva liikenne käännettäisiin jälleen laskeutumaan poikkeuksellisesta suunnasta?	Yhteensä 27214 asukasta

 

Taulukko 3. Asemat

Kuinka monta asukasta asuu kartan alueella alle 500m päässä lähimmästä juna-, tai metroasemasta?	Yhteensä 111765 asukasta.
Kuinka monta prosenttia kaikista alueen asukkaista asuu alle 500m päässä asemasta?	111765 / 516193 = 0,2165 = 21,7 %
Kuinka monta prosenttia a-kohdan ihmisistä oli työikäisiä (15-64v)?	74989 / 111765 = 0,6709 = 67,1 %

 

 

Itsenäistehtävä 2

Toisessa sekä kolmannessa itsenäisessä tehtävässä jatkui pitkälti sama kaava kuin ensimmäisessäkin. Sain nämä alla olevat tehtävät tehtyä kotona yksin ilman muiden apua, ja olen melko varma, että ne on jota kuinkin oikein. 😀 Ymmärsin kuitenkin, että tärkeintä tällä kertaa on jutun juonen tajuaminen, eikä niinkään prikulleen oikeat vastaukset. Koen ymmärtäneeni, mitä tuli tehtyä ja miksi. Lisää oivalluksista myöhemmin postauksessa.

Ainoastaan tämän itsenäistehtävän 2 viimeinen kysymys “Kuinka monella alueella ulkomaalaisten osuus on yli 10%, entä 20% tai 30%?” jäi itselleni hieman pimentoon, enkä saanut sitä yksin ratkaistua. Saattaa olla, että tulen muokkaamaan tätä kohtaa vielä myöhemmin, mikäli saan joltakin apua.

 

Taulukko 4. Taajamat

Laske/selvitä kuinka monta prosenttia tämän tehtävän alueen asukkaista asuu taajamissa?	Yhteensä 496555 asukasta taajamissa. Kaikista alueen asukkaista tämä on 496555 / 516193 = 0,9619 = 96,2 %
Kuinka monta kouluikäistä asuu taajamien ulkopuolella? Kuinka monta prosenttia luku on kaikista kouluikäisistä?	Yhteensä 2675 asukasta. Kaikista kouluikäisistä tämä on 2675 / 70047 = 0,03818 = 3,8 %

 

Itsenäistehtävä 3

Kolmannessa itsenäisessä tehtävässä kysymykset jättivät tulkinnan varaa. Esimerkiksi ensimmäisessä kysymyksessä kysytään koulun aloittavien määrää. Itse aloitin koulun 6-vuotiaana, koska olen marraskuussa syntynyt, mutta kuitenkin usein puhutaan, että koulu aloitetaan 7-vuotiaana, koska se on se ikä, jonka kaikki sinä vuonna täyttävät. En tiedä, miten tätä olisi tullut tarkastella tässä tehtävässä, mutta valitsin vain 7-vuotiaat. Samoin yläasteikäiset jättivät tulkinnanvaraa, mutta valitsin siihen kuuluviksi iät 13, 14, 15 ja 16.

 

Taulukko 5. Koulut

Kuinka paljon Helsingin Yhtenäiskouluun on tulossa uusia koulutiensä aloittavia oppilaita aineiston keruuhetkestä seuraavana vuonna, sen omasta koulupiiristä?	Yhteensä 14 uutta oppilasta.
Kuinka suurta määrää yläasteikäisiä oppilaita Helsingin yhtenäiskoulun pitää varautua opettamaan seuraavana vuonna (oma koulupiiri)?	Yhteensä 88 yläasteikäistä oppilasta.
Kuinka suuren osuuden koulupiirin alueella asuvista asukkaista muodostavat kouluikäiset lapset ja nuoret (ala-aste ja ylä-aste)?	Peruskouluikäisiä on alueella 184. Tämä on kaikista alueen asukkaista 184 / 1894 = 0,09714 = 9,7 %
Kuinka monta muunkielistä kouluikäistä alueella asuu, jos oletetaan että muunkielisissä perheissä lasten ja aikuisten suhde on sama kuin edellisessä kohdassa laskettu? Luku on vain arvio, ei siis tarkka lukumäärä.	Muunkielisiä 110   (Käytetään edellisen tehtävän suhdelukua tässä)   Muunkielisiä kouluikäisiä 110 * 0,09714 = 10,685 = Noin 10 muunkielistä kouluikäistä

 

Oivalluksia

Koen oppineeni pikkuhiljaa QGIS:in ihan perustoimintoja niin, että osaan soveltaa niiden käyttöä eri tarkoituksiin. Tämän kurssikerran jälkeen elävimpinä mielessäni ovat bufferointi ja valintatyökalut. Ymmärrän nyt, mihin tarkoitukseen niitä käytetään, vaikka joissain enemmän soveltavissa tehtävissä kesti hetken keksiä näiden työkalujen rooli kyseisessä tehtävänannossa.

Toinen merkittävä niin yleisesti kuin tässäkin tehtävässä käytettävä toiminto on laskintyökalu, jolla voidaan laskutoimituksilla luoda uusia sarakkeita tietyn tietokannan attribuuttitaulukkoon. Vaikka laskin on helppokäyttöinen, välillä kyseenalaistan sen yksinkertaisuutta… Esimerkiksi tämän kurssikerran tehtävissä piti laskea monen eri sarakkeen arvoja yhteen, ja ainoa tapa tehdä se oli klikkailla jokaista saraketta erikseen ja lisäillä väliin plus-merkkejä. Tuntui siltä, että tuolle voisi ihan hyvin olla jokin kehittyneempi tapa laskea samainen laskutoimitus.

Ymmärrän, että Join-työkalulla voidaan yhdistellä eri tietokantoja, mutta tämä ei ole minulle vielä kovin konkreettinen toiminto. En käytännössä ymmärrä, että mitä toiminnon taustalla tapahtuu. Useassa työkalussa on myös valtava määrä erilaisia pudotusvalikoita, joista pitäisi jokaisesta osata valita aina oikea vaihtoehto. Tähän asti olen pitkälti joutunut kurssikerran aikana aina ottamaan esimerkiksi kuvia työvaiheista, jotta tulisin myöhemmin muistamaan, että mitä eri asioita on pudotusvalikoiden uumenista valittu. Koen, että pudotusvalikoiden vaihtoehtojen konkreettisen idean ymmärtäminen auttaisi muistamisessa, mutta tämä ymmärtäminen on vielä vähän hakusessa.

…

Tämän kurssikerran aiheeseen liittyen: Puskurivyöhykkeitä voidaan käyttää silloin, kun halutaan tarkastella jotain muuttujaa tietyllä säteellä. Koska säteen voi valita vapaasti, antaa puskurivyöhyke työkaluna meille paljon valtaa ja vapauksia. Sen lisäksi, että puskurivyöhykkeen avulla voidaan tarkastella sen sisälle sijoittuvia arvoja, voidaan sen avulla myös tarkastella nimenomaan sen ulkopuolelle jääviä arvoja. Puskurivyöhyke toimii näin myös ikään kuin rajaavana alueena; rajataan alue, jonka arvoja emme halua tarkastella.

Lähteet:

Laiho S. (2023) “Siiri’s blog”

< https://blogs.helsinki.fi/siirilai/ > Viitattu 17.2.2023

Nyrönen T. (2023) “Luento 5. Puskurivyöhykkeitä Vantaalla. ” Postaus blogissa 15.2.2023.

< https://blogs.helsinki.fi/tyttinyr/2023/02/15/luento-5-puskurivyohykkeita-vantaalla-15-2-2023/ > Viitattu 17.2.2023

 

 

 

Moi!

Tällä viikolla sukellettiin taas uuteen aiheeseen; nimittäin ruutukarttojen tekemiseen QGIS:issä. Harjoiteltiin myös pintaraapaisuna rasteriaineistojen kanssa operoimista. Harjoituskerta sisälsi taas paljon uusia ja ennestään tuntemattomia työvaiheita, joten ilman kertausta ei taaskaan ole mahdollista kaikkea tekemäänsä muistaa. Käydään siis vähän tehtäviä läpi tässä postauksessa.

Luotiin ensin manuaalisesti piirtämällä ruudukko valmiin pääkaupunkiseutua kuvaavan pohjan päälle. Lisättiin karttaan myös aineisto, joka kertoi pisteiden muodossa kaikki ne alueet, joissa sijaitsi vuonna 2016 rakennus, jossa asui virallisesti vähintään 1 ihminen. Nyt kun meillä on aineistot ja ruudukko, on aika karsia ruudukoista jäljelle vain sellaiset ruudut, joiden sisällä on ylipäätään rakennuksia. Tähän erinomainen työkalu oli ”Select by location”. Koska rakennustiedot sisältävä attribuuttitaulukko koostui todella monista eri sarakkeista, oli järkevää hieman karsia niitä ennen teemakarttojen tekemistä. Alla näkyy tehdyt kartat pääkaupunkiseudun asukasmäärästä (kuva 1), muunkielisistä (kuva 2), sekä ruotsinkielisistä (kuva 3).

Kuva 1. Pääkaupunkiseudun asukkaat.

 

Kuva 2. Muunkielisten määrä pääkaupunkiseudulla

 

Kuva 3. Ruotsinkielisten määrä pääkaupunkiseudulla

 

Päätin luoda itsenäisesti kaksi jälkimmäistä karttaa. Molemmat kartat kuvaavat muiden kuin suomenkielisten määrää pääkaupunkiseudulla. Päätin valita nämä muuttujat, sillä on mielenkiintoista huomata näiden muuttujien erilaisen sijoittumisen kartalla, vaikka kyseessä onkin toistensa kanssa hyvin samankaltaiset muuttujat. Muunkieliset sijoittuvat suurimmaksi osaksi Helsinkiin, tarkemmin sanottuna itäiseen Helsinkiin. Myös Vantaan puolella muunkielisten lukumäärä on suuri. Parhaimmillaan Itä-Helsingissä ja Vantaalla yhden ruudun luku ylettyy jopa 2000 henkilön paikkeille. Ruotsinkielisiä taas ei juurikaan ole itäisessä Helsingissä, vaan ennemminkin paikoitellen Espoossa, Helsingin keskustan kupeessa sekä tietysti runsaasti Kauniaisissa. Molempien karttojen sinisiä sävyjä tarkastellessa voidaan huomata, että ruotsinkielisten kartassa syvää tummansinistä ei ole läheskään yhtä paljon kuin muunkielisten kartassa, ja asteikkokin on matalampi.

Vaikka kyseessä on teemakartta, on luvut esitetty absoluuttisina lukuina, eikä suinkaan suhteellisina osuuksina niin kuin yleensä koropleettikartoissa olisi tarkoitus. Koska meillä on käytössä ruudukko, on absoluuttisten lukujen käyttäminen mahdollista. Tällöin tiedämme aina, että tietty ruutu sisältää tietyn määrän ihmisiä. Vaikka absoluuttisten lukujen käyttäminen vaikuttaakin selkeältä, ei se kerro koko totuutta. Jos absoluuttisten lukujen karttojen vieressä olisi kartat, jotka esittäisivät saman asian suhteellisina osuuksina, olisi jakauma hyvin erilainen, ja muuttujien keskittymät aivan eri paikoissa. Tätä ilmiötä pääsin todistamaan Palmgrenin (2023) blogissa: hän toi esiin yllämainitsemani erittäin hyvän pointin ja hahmotteli asian vielä karttojenkin avulla.

Ruutukartta on luettavuudeltaan selkeä, mikäli ruutujen värit ovat tarpeeksi erilaiset toistensa kanssa, ja ruutujen viivat tarpeeksi selkeät niin, että ruudut erottuvat toinen toisistaan. Vaikka taustalla näkyykin kuntarajat, on ruutujen seasta vaikea erottaa jotakin tiettyä, tarkkaa sijaintia. Tämä vaikeuttaa hieman kartan lukemista. Koen, että kaikki edellä mainitut ruutukarttoihin liittyvät mietinnät pätevät myös minun tekemiini karttoihin.

…

Seuraavaksi siirryttiin pääkaupunkiseudulta Pornaisten seudulle ja rasteriaineistoihin. Yhdistettiin rasteriaineistot virtuaalisesti toiminnolla ”Build virtual raster”. Näin saatiin korkeustieto skaalattua yhteneväiseksi koko alueella yhdistämättä kuitenkaan varsinaista dataa. Lisättiin aineistoon korkeuskäyrät, sekä rinnevarjostus. Rinnevarjostusta hieman liioiteltiin, jotta se saatiin näkyvästi esiin karttalehdellä. Tämän kaiken jälkeen tarkoitus oli piirtää esimerkiksi teitä Pornaisten alueelle, mutta jostain syystä melkein kenelläkään kurssilaisella ei toiminut piirtotyökalu, joten ymmärsin tämän tehtävän siirtyneen ensi kurssikerralle. Kokeilin vielä läppärillä kotona piirtotyökalua; ei toiminut. Alla kuitenkin kuva korkeuskäyrien, rinnevarjostusten ja Pornaisten rajauksen lisäämisen jälkeen (kuva 4)

 

Kuva 4. Pornainen rajattuna korkeuskäyrät sisältävällä karttalehdellä.

Lähteet:

Palmgren A. (2023). “Neljäs kurssikerta”. Postaus blogissa 11.2.2023.

< https://blogs.helsinki.fi/aidapalgeo/2023/02/11/neljas-kurssikerta/ > Viitattu 12.2.2023

 

Moi!

Kolmannella kurssikerralla tavoitteenamme oli oppia erilaisia tapoja työskennellä tietokantojen kanssa. Opittiin paljon uusia ja hyödyllisiä ominaisuuksia QGIS:istä, jotka toivottavasti vielä tulevaisuudessakin tulee muistumaan mieleen. Käytiin neljän tunnin aikana niin monta uutta käskyä ja komentoa, että ilman säännöllistä kertausta on vaikea muistaa kaikkea oppimaansa.

Tehtiin itse kurssikerran aikana teemakartta Afrikasta, jossa esitettävänä aiheena olivat timanttikaivokset, konfliktien esiintymisalueet, sekä öljykentät. Listaan seuraavaksi muutamia merkittäviä työvaiheita. Tätä kautta pääsen itsekin hieman kertaamaan, mitä tuli tehtyä.

Koska Afrikassa on paljon valtioita, oli karttakohteita paljon ryhmiteltävänä. Ryhmiteltävänä tekijänä oli tässä tapauksessa siis valtio. Näin muodostetaan uusi tietokanta. Yksi oppimistavoitteista oli datan yhdistäminen kahden ohjelman välillä: tuotiin siis Excelistä tietoja QGIS:iin. Join-toiminnolla saatiin yhdistettyä Excelistä tuotu aineisto osaksi Afrikan tietokantaa. ”Count points in polygon” -työkalulla saatiin laskettua edellä mainittujen kohteiden (timanttikaivokset, konfliktien esiintymisalueet, öljykentät) lukumääriä valtioiden sisällä. Näin jokaisesta kohteesta saatiin taas uusi oma tietokantansa.

Viimeistelty kartta Afrikan timanttikaivoksista, konflikteista ja öljykentistä näkyy alla (kuva 1). Karttaa tarkastellessa voidaan huomata öljykenttien sijoittuvan lähes poikkeuksetta ainoastaan Pohjois-Afrikkaan. Konfliktit sijoittuvat Saharan eteläpuoleiseen Afrikkaan ja timanttikaivokset lisäksi myös eteläiseen Afrikkaan. Nopealla tulkinnalla voidaan päätellä, että konfliktit ja timanttikaivokset ainakin joten kuten seuraavat toisiaan. Näillä on siis yhteys.

Kuva 1. Timanttikaivosten, konfliktialueiden ja öljykenttien esiintyminen Afrikassa.

 

Kurssikerran toisena tehtävänä tehtiin jo tutuksi tullut teemakartta, mutta lisäten siihen histogrammeja. Kartan pohjana toimi projektitiedosto ”Tulvaindeksi”. Laskettiin siis ensin tulvaindeksi GQIS:in omalla laskimella, jonka avulla saatiin uusi sarake jo valmiina olevaan ”valuma-alue” tietokantaan. Järvisyysprosentti saatiin tuomalla aineisto Excelistä QGIS:iin Join-toiminnolla (kuten oltiin jo aikaisemmin harjoiteltu). Tulvaindeksin luokittelun jälkeen minulle uutena toimintona lisäsin histogrammipylväät kartalle kuvaamaan alueiden järvisyyttä Suomessa. Näin saatiin useaa eri muuttujaa kuvaava teemakartta (kuva 2).

Olen nyt monta kertaa muokannut tätä blogitekstiä, koska olen kamppaillut järvisyyspylväiden saamisessa teemakarttaan kanssa nyt viikon: 3. kurssikerralla luulin saaneeni pylväät oikein, ennen kuin katsoin muiden blogeja ja totesin, että pylväät ovat väärin. Yritin yksin kotona ja kavereiden avustuksella korjata tilannetta, mutta ei onnistunut. Viimein Arttu sai selvitettyä tilanteen 4. kurssikerralla ja nyt minullakin on oikeanlainen kartta tehtynä!

Kuva 2. Alueiden tulvaherkkyys ja järvisyys Suomessa.

 

Kartta esittää siis Suomen valuma-alueiden tulvaherkkyyttä sekä valuma-alueiden järvisyysprosenttia. Järvisyysprosentti tarkoittaakin tässä valuma-alueilla sijaitsevien järvien yhteis-pinta-alan prosenttiosuutta valuma-alueen pinta-alasta (Vesi.fi). Tulvaindeksi puolestaan on laskettu minunkin tekemässä kartassa laskutoimituksella keskiylivirtaama (ylimpien mitattujen arvojen keskiarvo) jaettuna keskialivirtaamalla (alimpien mitattujen arvojen keskiarvo) (Paarlahti, 2023). Tästä laskutoimituksesta saatu luku kuvaa virtaaman vaihtelua. Mitä syvempi sininen väri kartalla näkyy, sitä suurempi on tulvaindeksi kyseisellä alueella. Tätä seuraten, mitä pidempi on sininen pylväs, sitä isompi järvisyysprosentti alueella on.

Joona Korhonen (2023) on blogissaan sanoittanut hyvin järvisyyden ja tulvaherkkyyden yhteyden: “Järvisyydellä ja tulvaherkkyydellä ei näytä olevan merkittävää yhteyttä, sillä kaikkein järvisimmillä alueilla tulvaindeksi on kaikkein pienin”. Kartasta voidaan nopeallakin vilkaisulla tehdä sellainen tulkinta, että tulvaherkille alueille on tyypillistä sijainti rannikolla, sekä vähäinen järvisyys. Voidaan huomata, että järvisyysprosentti on huomattavasti suurempi alueilla, jotka eivät ylety korkeille arvoille tulvaindeksissä.

 

Lähdeluettelo

Korhonen J. (2023). ”Viikko 3”. Postaus blogissa 1.2.2023

< https://blogs.helsinki.fi/kojoona/2023/02/01/viikko-3/ > Viitattu 6.2.2023

Paarlahti A. (2023) Kurssimateriaali. Viitattu 6.2.2023

Vesi.fi

< https://www.vesi.fi/sanasto/jarvisyysprosentti/ > Viitattu 1.2.2023

 

Projektioiden vertailuja

 

Toisella kurssikerralla kohdistettiin katseet erilaisiin projektioihin, ja niiden vaikutuksiin tiedon esittämisessä kartalla. Kurssikerralla opittiin taas uusia QGIS:in käytäntöjä, kuten alueiden rajaamista niiden pinta-alojen saamiseksi, sekä projektioiden vaihtamista. Ensimmäisessä tehtävässä koostinkin kaksi eri taulukkoa, joista ensimmäinen kuvaa Suomen lapissa sijaitsevan alueen pinta-aloja eri projektioilla kuvattuna (taulukko 1) ja toinen Vaasan korkeudella olevan länsi-itä suuntaiset viivan pituutta eri projektioilla kuvattuna (taulukko 2). Lopuksi vielä vertasin muita taulukossa näkyviä projektioita Suomessa yleisesti käytettyyn ETRS89 / TM35FIN -projektioon. Tästä voidaan päätellä eri projektioiden väliset erot.

 

Taulukko 1. Piirretyn alueen pinta-ala eri projektioilla tarkasteltuna. Taulukossa on myös vertailtu muita projektioita (karteesista lukua) ETRS89 / TM35FIN -projektioon.

	Karteesinen	Ellipsoidinen	Verrattuna ETRS89/ TM35FIN (erotus)	Verrattuna ETRS89/ TM35FIN (%)
ETRS89 / TM35FIN	9994,131 km²	10001,594 km²
Gauss-Krüger	11515,026 km²	10001,604 km²	1520,9	15,2
Winkel Tripel	15135,381 km²	10001,594 km²	5 141,3	51,4
Mercator	74167,128 km²	74167,128 km²	64 172,9	642,1
Miller	37282,298 km²	37282,298 km²	27 287,9	273,0

 

 

Taulukko 2. Piirretyn viivan pituus eri projektioilla tarkasteltuna. Taulukossa on myös vertailtu muita projektioita (karteesista lukua) ETRS89 / TM35FIN -projektioon.

	Karteesinen	Ellipsoidinen	Verrattuna ETRS89/ TM35FIN (erotus)	Verrattuna ETRS89/ TM35FIN (%)
ETRS89 / TM35FIN	489,925 km	489,925 km
Gauss-Krüger	547,304 km	547,304 km	57,4	11,7
Winkel Tripel	644,489 km	644,489 km	154,6	31,6
Mercator	1084,899 km	1084,899 km	594,9	121,4
Miller	1086,105 km	1086,105 km	596,2	121,7

 

Valittuna oleva projektio vaikuttaa taulukoista pääteltynä jopa aika paljon esitettävään tietoon ja sen luotettavuuteen. Kuten Ylätalo (2023) on blogissaan maininnut, myös kaikki hänen taulukossa käyttämiensä projektioiden laskemat pituudet viivalle ovat pidempiä kuin ETRS89 / TM35FIN -projektion. Vaikka käyttämäni projektiot taulukossa eroavat paljolti Ylätalon käyttämistä, voidaan kuitenkin huomata tämä sama efekti minun käyttämissäni projektioissa: ETRS80 / TM35FIN -projektion viivan pituus jää huomattavasti lyhyemmäksi kuin muiden.

Kun tarkastellaan ihan vain Suomen muotoa tai sen asentoa projektiokohtaisesti, voidaan päätellä tiedon olevan jokaisessa projektiossa hieman erilaista. Eri projektioissa mittasuhteet muuttuvat, ja ääritapauksessa jopa koko Suomi kääntyy miltei päälaelleen. Ainoastaan oikeasti pyöreä maapallo on luotettava tapa kuvata maailmaa. Joka tapauksessa, jokainen projektio sopii johonkin tarkoitukseen. Otetaan esimerkiksi Mercatorin projektio, jota tarkastellessa voidaan huomata Suomen olevan vain pieni piste yläkulmassa. Kyseistä projektiota ei siis ole fiksua käyttää Suomea kuvatessa tai tulkittaessa. Kuten taulukosta 1 voidaan huomata, Mercatorin projektiossa samanlaisesti mitattu pinta-ala on jopa kuusinkertainen verrattuna ETRS89 / TM35FIN -projektioon. Tämä ero on todella iso. Merkittävää onkin siis osata valita oikea projektio oikeanlaiseen tarkoitukseen.

….

Tein projektioiden vääristämisestä myös muutaman havainnollistavan kartan. Näissä eri kartoissa vertaan kahta eri projektiota toisiinsa: ideana on esittää se, kuinka paljon toinen projektio vääristää Suomea ja sen eri osia. Legendasta jäi unohduksen vuoksi uupumaan tieto siitä, että numerot kuvaavat prosentteja.

Kuva 1. Kuinka paljon Mercator-projektio vääristää verrattaessa sitä ETRS89 / TM35FIN -projektioon (%)?

 

Kuva 2. Kuinka paljon Winkel Tripel -projektio vääristää verratessa sitä ETRS89 / TM35FIN -projektioon (%)?

 

Kuva 3. Kuinka paljon Gauss-Krüger -projektio vääristää verratessa sitä ETRS89 / TM35FIN -projektioon (%)?

 

Kuva 1 havainnollistaa hyvin eri värein Mercatorin vääristämiä alueita Suomen kartalla. Väriskaala menee tasaisesti etelä-pohjois-suunnassa niin, että mitä pohjoisemmaksi mennään, sitä enemmän vääristymää on havaittavissa. Hyvin samanlainen väriskaala on huomattavissa kuvassa 2: pohjoisemmassa vääristymä on suurempi kuin etelässä. Merkittävää on kuitenkin huomata näiden kahden kuvan välillä se, että Mercatorin vääristämisprosentit ovat korkeammat kuin Winkel Tripelin. Mercatorin vääristymä ylettyy jopa yli 8 prosenttiin, kun Winkel Tripelin ainoastaan vähän yli 1 prosenttiin.

Kuvassa 3 Gauss Krüger -projektion vääristymää tarkastellessa voidaan huomata saman väriskaalan olevan toiste päin kuin kahdessa aiemmassa kuvassa. Suurin vääristymä löytyykin etelästä. Merkittävää on kuitenkin taas huomata se, että luokkien erot ovat hyvin pienet, eikä vääristymä yllä edes kovin paljoa yli yhden prosentin. Tämä väriskaalojen kääntyminen päälaelleen johtuu mitä luultavimmin siitä, että Gauss Krüger -projektio on poikittainen projektio; Suomi kääntyy siinä niin sanotusti kyljelleen. Tällöin vääristymät kohdistuvat eri paikkoihin kuin ”normaaliasentoisessa” Suomessa. Mercatorin ja Winkel Tripel -projektioiden vääristymät johtuvat myös Suomen muotoihin kohdistuvista muutoksista. Esimerkiksi Mercatorin projektiossa Suomen keskiosasta tulee hyvin kapea ja yläosasta alaosaan verrattuna hyvin iso. Tämä esimerkiksi johtaa vääristymän kerääntymisen pohjoiseen.

 

Lähdeluettelo

Ylätalo R. (2023). ”Kurssikerta 2. Projektiovertailuja”. Postaus blogissa 29.1.2023.

< https://blogs.helsinki.fi/rebekyla/2023/01/29/kurssikerta-2-projektiovertailuja/ > Viitattu 30.1.2023.

Testi.