“How do you pick up the threads of an old life? How do you go on, when in your heart, you begin to understand, there is no going back?”

Viimeiseen tehtävään lähteminen tuntui suurelta, henkiseltä työltä. Tällä kertaa piti tehdä ennakkotehtäviä, joten odotukseni olivat tehtävän olevan sormuksen viemistä Mordoriin: pitkä, väsyttävä ja täynnä vastoinkäymisiä. Valitessani tehtävää minulle oli selkeää, että tahtoisin tehdä ensimmäisen tehtävän. Aineistoa ei kuitenkaan tuntunut löytyvän kohtalaisen pitkänkään ajan jälkeen, joten ajattelin toisen tehtävän olevan minulle hyvää harjoitusta: tämä on sitä, mitä en halua tehdä, joten sen on oltava opettavaista.

Olin ladannut siis maanmittauslaitokselta monen moista dataa. Tunnin alkaessa aloin avaamaan dataa QGISsillä ja huomasin layereiden olevan väärässä paikassa. Tämä tuntui uskomattomalta, sillä luulin ainakin valinneeni samoja karttalehtiä. Menin salamannopeasti maanmittauslaitoksen sivuille lataamaan lisää dataa ja kohta minulla olikin sitä kahden karttalehden verran. Ihastuttava Satu vierelläni taisteli saman tehtävän, mutta eri asioiden kanssa. Mikään ei käynyt järkeen ja minä päätin vaihtaa kuitenkin alkuperäiseen suunnitelmaan, eli ensimmäiseen tehtävään.

Data löytyikin yllättävän helposti stat.fi palvelusta, sillä valitsin maakuntien vertailun sijaan valittujen kuntien vertailun. Kunnista löytyy paljon tietoa: valitsin tekijöiksi luonnollisen väestönkasvun sekä korkeakoulutettujen määrän Uudellamaalla vuonna 2016.

Korkeakoulutettujen määrä Uudellamaalla 2016
Luonnollinen väestönkasvu Uudellamaalla 2016

Jälkeenpäin minua harmittaa, etten pysynyt maakuntateemassani. Kartastani ei tullut kovinkaan informatiivinen ja näin jälkeenpäin olisi ollut mielenkiintoista kokeilla Marita Selinin blogissa mainittua Natural breaks -metodia, jolla olisi kenties voinut saada enemmän vaihtelevuutta2. Uusimaa vielä on erityinen maakunta Suomen mittakaavalla ja Helsinki sekä sen lähikunnat ponnahtavat usein tilastoissa erinomaisuudellaan. Uusimaa on voittajamaakunta mitä muuttovirtauksiin tulee3. Vaikka Helsinkiin on kasaantunut myös työttömyyttä ja eriytymistä, on täällä myös runsaasti korkeakoulutettuja ja työpaikkoja. Helsinki maksoikin 289 miljoonaa euroa verotulotasausta vuonna 2017, joten voidaan jopa sanoa, että Suomi painii eri ongelmissa kuin Uusimaa.

Suomessa ollaan demografisen transition neljännessä vaiheessa. Lapsia hankitaan vähemmän kuin aiemmin ja väestöpyramidin muutos vaikuttaa negatiivisesti Suomen sosiaalidemokraattisen hyvinvointiyhteiskunnan peruspilareihin. Warren Thompsonin teoria katsoo asiaa teollistumisen kannalta, ja näenkin koulutuksen parantumisen olevan yksi vaurastuvan, teollistuvan valtion merkki. Koulutuksen taso on mielenkiintoinen tekijä, kun puhutaan alueellisista lapsiluvuista. Korkeakoulutetut naiset esimerkiksi saavat myöhemmin sekä vähemmän lapsia4. Tietenkin myös muut tekijät, kuten taloustilanne vaikuttaa päätöksiin lasten hankkimisessa: on tärkeää huomioida nykyisen globaalin ilmapiirin ja tulevaisuudennäkymien vaikutus päätöksiin. Omissa kartoissani tämä ei kuitenkaan näy, vaan Helsinki ponnahtaa niin luonnollisen väestönkasvun kuin korkeakoulutettujen määrällä muusta Uudestamaasta: naapuruskunnat Espoo ja Vantaa erottuvat myös edukseen. Oman karttani mukaan koulutuksen tason voisi olettaa lisäävän halua hankkia lapsia esimerkiksi turvallisuudentunteen tai vakaan tulotason myötä. Toisaalta tällaiseenkaan argumenttiin on vaikea väittää vastaan. Aihe kuitenkin on niin monitasoinen, että tämä kokoonkursittu karttani kykenisi tuomaan keskusteluun mitään uutta. Tässä on kuitenkin hyvä väline datan visualisointiin, kun oma tietopääomani riittää asian käsittelyyn.

Huomasin eilen puhuvani, että onhan se aika hienoa, että osaan tehdä sitä ja tätä QGISsillä. Vaikka ohjelmasta on oppinut vasta perusasioita, on tästä parempi lähteä jatkamaan matkaa. Oppimisprosessi tuntuu sitä paremmalta, mitä suurempia esteitä joutuu ylittämään. Tätä lausetta miettiessäni odotan innolla Geoinformatiikan menetelmät 2 -kurssia. Ja tällä lauseella aion motivoida itseäni Geoinformatiikan menetelmät  2 -kurssilla.

 

Lähteet:

  1. YLE uutiset. Kuntien vetovoima listattiin – katso miten omasi sijoittuu. Viitattu 7.3.2018. https://yle.fi/uutiset/3-8919741
  2. Selin, M. Seitsemäs kurssikerta. Viitattu 7.3.2018 https://blogs.helsinki.fi/selkala/2018/02/26/seitsemas-kurssikerta/
  3. YLE uutiset. Helsingin pormestari Vapaavuorelta rajua kritiikkiä maakuntauudistukselle – ”Tavoitteeni siirtyä lopulta ehkä vain 18 kunnan malliin”. Viitattu 7.3.1028. https://yle.fi/uutiset/3-9905967
  4. Korkea koulutus lisää miehen ja vähentää naisen lapsilukua. Viitattu 7.3.2018. https://yle.fi/aihe/artikkeli/2015/12/10/korkea-koulutus-lisaa-miehen-ja-vahentaa-naisen-lapsilukua

Käyvätkö ihmiset ulkona enää 2050?

Kuudes kerta alkoi jollain muulla kuin tietokoneen näpyttelyllä: tämä oli pienelle migreeniselle päälleni helpotus. Lähdimme pakkaseen kävelemään, merkkaamaan tietyt pisteet kartalle Epicollect5-sovelluksella, jota kautta myös arvioimme pintapuolisesti tilaa. Puhelimenikin akku riitti juuri vajaa tuntisen ja pystyin napauttamaan viimeisen pisteen ennen sen täydellistä tyhjentymistä.

Ryhmän tiedot löytyivät moodlesta csv-tiedostoina, jotka sitten avattiin cookiesissä. Avuksi analyysiin valittiin GoogleStreetView, jota kautta pystyimme ihastelemaan Helsingin katuja ihan vaan kotoa käsin! Kyynisenä ihmisenä toivon todella, että tällaisesta ulkoilusta ei tule kenellekään arkipäivää.  Sitten analysoimme kadun kaupallisuusastetta ja luokittelimme kadut luvuilla 1-5, yhden ollessa ei-kaupallinen ja 5 ollessa kaupallinen.

Kotitehtävässä tuli luoda kolme karttaa hasardeista. Internetistä löydetty tieto tuotiin Exceliin, jossa se tallennettiin csv-tiedostoksi. Tämä tuotiin QGISsiin, jolla olisi pitänyt pystyä visualisoimaan esimerkiksi tulivuorten sijainnit maapallolla. Tehtävä kuulosti liiankin helpolta: pienen pohtimisen, avunhuudon lähettämisen Artun sähköpostiin ja semicolon-ruudun rastittamisen jälkeen ruudulla olikin mitä upeimpia karttoja. Löysin nordpil.com sivustolta dataa suurista asuinkeskittymistä ja näin sainkin mielenkiintoisen näkökulman karttaan.

Tulivuoret ja suuret asutuskeskittymät 2016
Litosfäärilaatat, https://peda.net/oppimateriaalit/e-oppi/lukiot/vantaa2/martinlaakson-lukio/maantiede/karhu/t1mmoo2/ge-uusi-1f/mjt/s/l

Kuvassa 1 löytyy maailman tulivuoret. Korrelaation on selkeä litosfäärilaattojen kanssa(kuva 2). Tyynenmeren tulirengas näkyy voimakkaasti kuvassa: noin 75 prosenttia maailman tulivuorista sijaitsee 40 000 kilometrin pituisella alueella1. Tulivuoren läheisyys on houkutellut ihmisiä hedelmällisellä maaperällään. Kuten kartasta huomaa, maailman suurin asuinkeskittymä, Tokion metropolia-alue, sijaitsee renkaalla. Japanin varmasti tunnetuin tulivuori, Fuji-san, sijaitseekin noin sadan kilometrin päässä Tokiosta. Kirkkaalla säällä sen voi jopa nähdä Bunkyo Civic Centerin näköalatasanne.

Yli 8 magnitudin maanjäristykset 1980 jälkeen ja suuret asuinkeskittymät 2016
Yli 8 magnitudin maanjäristykset vuoden 2008 jälkeen ja suuret asutuskeskittymät 2016

Maanjäristyksistä suurin osa, 90 prosenttia, tapahtuu myös tulirenkaalla1. Kuvissa 3 sekä 4 havainnoidaankin yli 8 magnitudin maanjäristyksiä ensin vuodesta 1980 ja sitten 2008 lähtien. Pahimmat maanjäristykset sijoittuvatkin tälle alueelle. Toinen kartasta nouseva alue on Intian laatan kaakkoispuoli, jossa on tapahtunut huomattava osuus aikajakson maanjäristyksistä.

Asutuskeskittymät eivät korreloi tulivuorten tavoin asutuskeskittymien kanssa. Tietenkin maanjäristykset ja vulkanismi sijoittuvat usein samalle alueelle syntytapansa vuoksi. Tuhoisimmat maanjäristykset tapahtuvat subduktiovyöhykkeellä. Vielä nykyäänkin maanjäristyksiä on vaikea ennustaa, joten paras tapa vaikuttaa niiden vaikutuksiin on ennaltaehkäisy. Tähän kuuluu esimerkiksi infrastruktuurin kehittäminen, varoistusmenetelmät ja väestön valistaminen.

Kiinnostavaa olisi myös vertailla, onko viimeisen kymmenen vuoden aikaan tapahtunut enemmän maanjäristyksiä kuin vuodesta 1980 lähtien. Media antaa kuvaa, että kaikki luonnonkatastrofit ovat yleistyneet 2000-luvulla. En ota kantaa siihen, miten esimerkiksi myrskyjen yleisyys on muuttunut ilmastonmuutoksen vaikutuksesta: ajattelin maanjäristysten olevan luonteeltaan niin erilaisia, että niiden aktiivisuuteen vaikuttaa erilaiset tekijät. Kuitenkin Bill McGuire kertoo jäätiköiden sulamisesta aiheutuvat maankuoren nousun lisäävän maanjäristyksiä2. Vuodesta 1980 yli 8 magnitudin maanjäristyksiä on ollut 31, eli keskimäärin 0,8 maanjäristystä vuodessa. Viimeisen kymmenen vuoden aikana 9 eli 0,9 maanjäristystä vuodessa. Tämä mukaan siis myös suuret maanjäristykset olisivat lisääntyneet: data kuitenkin lienee niin pientä, että johtopäätöstä ei voida tehdä sen perusteella. Lia Vahteralla on blogissaan u-p-e-a kartta-animaatio, jossa on visualisoitu 5,8- 9 magnitudin maanjäristykset maailmankartalla3. Animaatiossa näkyy myös hyvin se, kuinka paljon pienempiä maanjäristyksiä on ja kuinka paljon dataa tutkimukseen löytyisi.

Lähteet:

  1. Tekniikan maailma, Tyynenmeren ”tulirenkaan” tulivuoret pelottelevat taas- uusin hälytystila nostettiin Japanissa. Viitattu 7.3.2018 https://tekniikanmaailma.fi/tyynenmeren-tulirenkaan-tulivuoret-pelottelevat-taas-uusin-halytystila-nostettiin-japanissa/
  2. Leipola, S. Uusi ilmastopelko: tsunamit ja maanjäristykset yleistyvät. Viitattu 7.3.2018 https://www.vihrealanka.fi/uutiset/uusi-ilmastopelko-tsunamit-ja-maanj%C3%A4ristykset-yleistyv%C3%A4t
  3. Vahtera, L. Kurssikerta VI. Viitattu 7.3.2018. https://blogs.helsinki.fi/vahlia/

“sinä et kultaseni tiedä vaikeasta mitään”

Jatkoimme tällä tunnilla viime tunnilla aloitetun Pornaisten kartan kanssa. Karttaan olimme luoneet ruudun, jonka sisälle aloimme piirtää teitä viivoilla ja taloja pisteillä. Harjoittelimme sitten kartalla bufferin luomista ja tutkimme tätä kautta syntyviä tilastoja. Asia vaikutti selkeältä ja erittäin hyödylliseltä tavalta käyttää ohjelmaa: dataa yhdistämällä sai vaivattomasti luokiteltua tietoa alueellisesti. Alkubriiffauksen jälkeen meidän tuli aloittaa itsenäistehtävien teko ja tässä vaiheessa kaikki alkoi menemään vinoon. Jos törmäisin itseeni, joka valittaa viime luennon vaikeudesta, sanoisin: sinä et kultaseni tiedä vaikeasta mitään.

Ensimmäisessä tehtävässä tuli ladata Vantaan kartta ja laskea Malmin lentokentän melualueesta kärsivien ihmisten määrä. Tein tehtävää Aada vieruskaverinani, joten minulla oli apu vieressä aina kun olin ymmälläni.  2 kilometrin säteellä alueesta asui 57179 ihmistä ja 1 kilometrin päässä 8707 ihmistä, selvä homma!

Toisen tehtävän tekeminen alkoi mukavasti ja vaikka olin kotikoneella, muistin mikä plugi piti ladata ja missä mikäkin oli. Jossain vaiheessa tuttu crashaamisongelma palasi ja vaikka menetyksen tehdyssä työssä olivat pieniä, vahingoitti se fataalisti minun innostunutta tunnettani. Hetken puuhailtuani sain kuitenkin tuloksen, jonka mukaan alle 500-metrin päässä juna- ja metroasemista asuu 106 691 ihmistä. Tämä on 26,07 % koko alueen 490 173 asukkaasta. Työikäisiä näistä on 73 054. Kuulostaa järkevältä!

Toisen tehtävän lopussa, jossa tuli laskea taajamien ulkopuolisia koululaisia, alkoi homma lähteä hanskasta. Sain luvuksi 4 817 ja se kuulosti koko taajaman alueelle erittäin pieneltä. Sitten tarkastelin karttaa hieman lähemmin ja tajusin, että tulos on edelleen aseman buffereista. Tämä oli kummallista, sillä käytin vain valmiiksi ladattuja layereita. Yritin tarkistaa, mistä virhe johtui. Naputtelin Deselect features from alla layers varmuuden vuoksi noin kymmenen kertaa. Hermostutti. Minä palaan tähän myöhemmin, ajattelin. Yritin vaan tehdä tuon viimeisen tehtävän pois alta.

Viimeisessä tehtävässä valitsin koulu-teemaisen tehtävänä, sillä sentimentaalisena ihmisenä lapset ja koulutuksen tasa-arvo sijaitsevat lähellä sydäntäni. Tehtävän alkumetreillä kone taas crashasi, eli mielen tyyneys katosi taas kerran. Sain lopulta luotua layerit 6-vuotiaille, sekä tehtyä polygonin Helsingin yhtenäiskoulun alueelle. Tämän mukaan ekaluokkalaisia olisi tulossa 66 joka kuulosta – heh – aika moisen suurikokoiselta luokalta edes nykyajan kasvavien ryhmäkokojen maailmaan. Lisäksi Sini Virtanen sanoo blogissaan saaneensa tulokseksi 14, joten ajattelin, että tässä lienee tsekkauksen paikka1. Palaan siis tehtävään ja tajuan, että en ole klikannut ruutua ”save only selected features”, joten tulokseni on joltain muulta alueelta. Napautan ruutua ja saan vastaukseksi 14. On helppo laskea yläasteikäiset samalla kaavalla, ja vastaukseksi saan 63. Asukkaita alueella on yhteensä 1894, joista koululaisia on vain 159, eli 8,39%. Muunkielisiä on 188, mikäli ruotsinkieliset lasketaan mukaan, eli oletetusti muunkielisia lapsia olisi noin 16. Tämähän meni hyvin! Tässä hyvässä flowssa palaan siis aiempaan tehtävään.

Palaan toiseen tehtävään ja päätän poistaa aiemmat layerit sekoittamasta ja palaan tehtävän alkuun. Huomaankin, että vaikka olen tallentanut buffer_500asema nimisen layerin, se on tyhjä, vaikka sitä juuri olen käyttänyt aiemmin ensimmäisen osan tekemiseen. Törmäsin samaan koulu-tehtävässä: jo tallennettu layer katosi koneen crashatessa. Nyttemmin voinkin kertoa, että Arttu kertoi tämän olevan mahdollista, mikäli uusi layer on jollain tapaa kiinnitetty projektiin. Esimerkiksi bufferit ilmeisesti katoavat, jos kaikki layerit eivät ole ajan tasalla tallennuksissa.

Viimeisenä vielä vastaukset viimeiseen tehtävään. Alueen 490 173:sta asukkaasta siis 414 337 asuu taajamassa, eli tämä tarkoittaa huimaa 84,53%. Kouluikäisiä on alueella yhteensä 41 463, joista noin asuu 15 % taajamien ulkopuolella. Valmis!

Lähteet:

  1. Virtanen, S. 2018. Viitattu 2.3.2018. Verta, hikeä ja puskureita, https://blogs.helsinki.fi/7k110738/

Pudota kärryiltä – Drop out / Give up / Chuck up the sponge

Tällä kerralla tutustuimme vektori- ja rasteriaineistoihin. Tehtävän oli luoda ruudukko, jossa visualisoimme siihen liittämäämme dataa. Tasojen päälle harjoittelimme myös uuden tiedon tuottamista, eli piirtämistä. Tämä miellytti minua, sillä Corel on kaveri ja pystyin näkemään vilahduksen tulevaisuudesta, jossa cookiesin ja minun suhteeni on samalla tasolla.

Ensimmäisen tehtävän aloitimme siis luomassa ruudukon, johon tuli yhdistää dataa väestöstä. Datasta valittiin tekijä, joka tuli visualisoida kartalle ja näin esittää tekijän esiintymistä pääkaupunkiseudulla. Aiheena kartassani oli yli 85-vuotiaiden sijoittuminen Pääkaupunkiseudulla. Eniten vanhuksia asuu Helsingissä: tämä yllättää, sillä asuntojen hintataso on korkeampi Helsingissä ja eläkeläisten tulotaso taas usein liian matala. Helsingissä on varmasti myös vanhuksia, jotka asuvat yksin Töölössä, 60 neliön omistusasunnossa. Palveluiden läheisyys on varmasti myös yksi tekijä, miksi vanhukset asuvat Helsingissä: huonossa kunnossa olevien ihmisten liikkuminen on vaivalloista ja esimerkiksi talvisäällä vaarallista. Syitä yli 85-vuotiaiden sijoittumiseen ovat myös varmasti vanhustenkotien ja tuetun asumisen sijoittuminen. Asumisen keskittäminen on luonnollisesti etu, kun monta yksilöä tarvitsee samoja palveluita päivittäin.

Virheellinen teksti kuvassa, kartta on koko pääkaupunkiseudun yli 85-vuotiaat

Tällä kertaa olin todella pulassa GISsin kanssa. Vaikka seurasin tarkkaavaisemmin kuin ennen, putosin tasaiseen tahtiin kärryiltä koko neljätuntisen ajan. Koin pienoista ärtymystä, sillä QGISsissä yhdellä layerilla voi luoda vain yhdenmallista vektoridataa. Komennot eivät toimineet ja oli vaikeaa löytää syytä miksi näin tapahtuu. Luokat kartassa eivät näkyneet. Vaikka minulla olisi pitänyt olla 5 eri kokoluokkaa ruudukossa, näytti kartassa olevan luokkia vain kaksi: 0-0 ja loput. Tilanne ei muuttunut luokan arvoja muuttamalla. Jossain vaiheessa Arttu osoitti minulle, että jostain laatikosta oli puuttunut rasti, joka oli vinouttanut työn pohjan. Onnekseni oli kuitenkin nopeaa luoda layer uudestaan ja hypätä takaisin kyytiin. Sitten kone crashasi kerran. Toisen kerran. Kolmannen kerran.

 

Heikki Karhila teki karttansa eläkeläisistä pääkaupunkiseudulla, mutta hänen skaalansa on informatiivisempi: hänen kartassaan on vaihtelevuutta1. Oman karttani tulkitsemisessa vaatii tihrustelua ja ylipäätään skaalat evät tuo informaatiota oikealla tavalla esiin. Ruututeemakartassa kyetään kuitenkin esittämään tarkempaa tietoa, mikäli visualisointi on kohdillaan. Skaalan muokkaaminen oli minulle haasteellista aiemmin tehdyn virheen takia, joten olen tehtävässä tyytynyt tuotokseen. Crashaamisen uhka oli todellinen koko tehtävän ajan.

Lähteet:

  1. Karhila, H. Viitattu 14.2.2018. Elämää ruudukolla käyrien välissä, https://blogs.helsinki.fi/hkarhila/

Kollektiivinen vastoinkäyminen

Kolmannella kerralla latasimme Cookiesiin Afrikan kartan, johon liitimme erillisiä layereitä. Layerit havannoivat konfliktien, öljyvarojen sekä timanttien sijaintia mantereella: tätä kautta kartasta kykenee analysoimaan esimerkiksi korrelaatiosuhteita. Ehdin hieman huolestua, kun kuulin nimen ’Excel’, mutta QGISsin oman logiikan mukaan tiedot sai tästäkin ohjelmasta helposti käyttöön. Eri ikkunat alkavat pikku hiljaa löytyä ja alkaa olemaan itsestäänselvää minne mennä halutessaan laskea laskuja. Olen täysin kyvytön vielä kuitenkaan toimimaan ohjelmalla ilman sanatarkkoja ohjeita, joten en voi ainakaan kerskua taidoillani. Olen kuitenkin ilahtunut, että muutaman tunnin jälkeen muistan esimerkiksi, että voin liittää pohjaan elementin add vector join -kohdasta. Lauri Äikäs kertoo blogissaan tarkemmin komennoista, joita tunnilla käytettiin1. Tunnilla on kuitenkin erityisen mukavaa, sillä se on ainoa paikka, jossa GISsin parissa voi kellua tietämättömyydentunteessa ilman huolta. Ryhmällä oli kuitenkin tiedossa kollektiivinen vastoinkäyminen, joka kaikessa kurjuudessaan vahvisti ryhmähenkeämme.

Tästä kertoo paljon se, että olen tallentanut harjoituskartan nimellä ”tuhoutunut_afrikka”. Jossain vaiheessa kaikkien attribute tabelit tyhjentyivät, kun toggle editingin laittoi pois päältä. Tämä jätti jopa Artun hiljaiseksi. Siirryimme seuraavaan tehtävään.

Epäonnistunut Afrikan kartta

Vaikka tiedot Afrikan kartasta jäivät ulottumattomiini, voi oikeita tekijöitä yhdistelemällä kertoa paljon. Omassa aineistossamme olisi ollut mahdollisuuksia tutkailla syitä konfliktien syntymiseen ja seurauksiin. Öljykentät ja timanttikaivokset ovat haluttuja luonnonvaroja, jotka altistavat erityisesti epävakaan valtion riistolle: oli sitten kyse yksilöistä, pienemmistä kulttuureista tai koko valtiosta. Alex de Waal, World Peace Foundationin johtaja, pitää Afrikan öljyrahaa kirouksena2. Osassa Afrikan valtioista on historiansa takia epävakaata. Niin Afrikassa kuin globaalillakin tasolla konfliktit liittyvät kuitenkin yhä enemmän laajempaan, mantereet ylittävään aluepolitiikkaan2.

Toinen teema tehtävässä oli internet ja Facebook, joka edustaa hieman varhaisempaa ja äärimmäisen käytettyä sosiaalista mediaa globaalisti. Internetiä voidaan pitää sivistyksen tai hyvinvoinnin mittarina: ei sen takia, että sen puute itsessään olisi infrastruktuurin huonoutta, vaan enemmänkin sen luomat mahdollisuudet ja niiden puuttumisen epäonni. Afrikassa internetin ja sosiaalisen median nousu on ollut huimaa ja nykyään älypuhelin on vähävaraiselle väestölle tärkeä väline3. Puhelimella voidaan hakea töitä, maksaa laskut ja osallistua koulutuksiin: mahdollisuuksien kirjo laajenee.

Seuraavassa tehtävässä tuli laskea keskiylivirtaama ja tulvaindeksi attribute tabelissa ja tämän jälkeen visualisoida tulvaindeksi sekä järvisyysprosentti eri valuma-alueilla Suomessa. Tehtävänannossa sai valita joko perusversion tai haastavamman version ja on sanomattakin selvää, että taitoni riittävät vasta ensimmäiseen. Liitin siis tulvaindeksin karttaan ja tappelin hetken diagrammien kanssa. Aada vieressäni sai ympyrädiagrammin aikaiseksi, mutta vaikka tein kaiken täsmälleen kuten hän, en saanut diagrammia ilmestymään omaan. Pylväsdiagrammit näyttävät mielestäni hassuilta: ne sojottavat ympäri Suomea ja on vaikea hahmottaa mihin mikäkin pylväs sijoittuu. Ympyrädiagrammi olisi kuitenkin saattanut täyttää karttaa liikaa niin, että informaatiota olisi kadonnut.

Tulvaindeksi on korkealla Keski- sekä Etelä-Suomessa. Vertailin tekemääni karttaa paikkatieto-opin topografiakarttaan, joita vertaillessa korrelaatio näkyy selvästi. Rannikon mataluus vahvistaa tulvia ja päinvastoin Keski-Suomeen verratessa sen järvisyys taas ehkäisee niitä varastoivan ominaisuutensa takia. Järvisyys sijoittuu siis juuri niille alueille, jossa tulvaindeksi on matalalla. Tulvimiseen vaikuttaa myös voimistavasti Pohjanmaan suuri peltoala ja päinvastoin metsät tasaavat veden kiertoa4.

Tulvaindeksi ja järvisyysprosentti Suomessa

 

Topografiakartta Suomesta, paikkatietoikkuna.fi

Lähteet:

  1. Äikäs, L. 2018. Viitattu 7.2.2018. Kolmas luentokerta. https://blogs.helsinki.fi/lauaikas
  2. Partanen, M-M. Afrikassa edelleen epävakaata. Viitattu 7.2.2018. https://kehityslehti.fi/lehtiartikkeli/2193
  3. Laine, P. Afrikassa netti aina mukana. Viitattu 7.2.2018 https://kehityslehti.fi/lehtiartikkeli/afrikassa-netti-aina-mukana/
  4. Koivusalo H., Laurén A., Metsät osana veden kiertoa, Metsätieteen aikakauskirja 4/2011. https://www.metsatieteenaikakauskirja.fi/pdf/article6814.pdf

Missä Segment on?

Koska en ollut aiemmalla tunnilla, voin kertoa itsenäisestä tutustumisestani QGIS-ohjelmaan. Ryhdyin tekemään tehtävää ensimmäisen läsnäolotuntini jälkeisenä päivänä. Istuimme kotoisasti mantsalaisten sohvilla ja katsoimme kuvia koirista. Ensimmäinen askel oli ohjelman lataus omalle koneelleni. Jälleen kerran hyvä alku: noin puolen tunnin kuluttua ohjelma oli käytettävissäni.

Olin täysin ohjeiden varassa: napakassa Word-asiakirjassa käytiin läpi käyttöönotto, tallentaminen, työkaluja sekä hallintaa. Toisaalta oli helppoa käydä omalla ajalla tutkailemassa ohjeita, toisaalta tarvitsin muutaman kerran Aadan apua otsakkeiden löytämisessä tai kaavojen käytössä tuskastumisen jälkeen. Kotona työtä jatkaessani suurelta avulta tuntui Youtube-videot, jotka ovat ehdoton apu uuden ohjelman itsenäisessä opettelussa.

Kuva 1: Koropleettikartta typen prosentuaalisista päästöistä

Tehtävässä oli tarkoitus luoda koropleettikartta, jossa näkyy valittujen valtioiden prosentuaaliset osuudet typen päästöistä suhteessa kokonaismäärään. Typpi aiheuttaa fosforin ohella voimakkaimmin rehevöitymistä Itämeressä. Typpeä kertyy lannoitteista, jätevesistä ja laskeuman mukana atmosfääristä mereen. Rehevöityminen on syynä pohjan happikatoon ja meren biosfäärin muutoksiin1.

Suurin päästöjen lähde on Puola. Vivi Tarkka kertoo blogissaan, että teollisuus on noin 30% Puolan BKT:sta, eli noin 14% enemmän kuin Suomessa2. Suomessa taas yli puolet typestä on peräisin maataloudesta1. Antti Nevalainen huomioi blogitekstissään myös Venäjän suurehkon päästömäärän suhteutettuna alueen rantaviivaan4. Kiinnostavaa olisi myös saada dataa laivojen typpipäästöistä: laivojen saasteet joutuvat joko suoraan mereen tai ne joutuvat sinne atmosfäärin kautta. Lainsäädäntö on luultavasti paras tapa vähentää päästöjä: esimerkiksi EU:n yhteiskuntajätevesiä koskenut direktiivi on edistänyt myös Itämeren asiaa3.

Kartasta ei tullut täysin sellainen kuin olisin siitä halunnut tulevan, sillä valehtelematta koin toisinaan aika vahvoja tunteita turhautumisesta ihmetykseen QGISsiä käyttäessäni. Huomasin myös vasta jälkikäteen värien olevan liian hieman saman sävyiset, jolloin kartan luettavuus kärsii. Joidenkin kohtien toteutus ei mennyt läheskään kuin Strömsössä ja olen vielä tietämätön syistä: luultavasti tulen törmäämään kyseisiin asioihin seuraavilla luennoilla.

Lähteet:

  1. Itämeren rehevöityminen. Viitattu 28.1.2018. https://wwf.fi/alueet/itameri/rehevoityminen/
  2. Tarkka, V. 2018. Viitattu 28.1.2018. QGIS ja ensimmäinen kartta. https://blogs.helsinki.fi/vivitark/
  3. European Comission. Komissio haastaa Suomen, Ruotsin ja Portugalin oikeuteen jätevedenkäsittelyn vuoksi. Viitattu 28.1.2018. http://europa.eu/rapid/press-release_IP-06-1769_fi.htm
  4. Nevalainen, A. 2018. Viitattu 28.1.2018. Adventures in the land of GIS. https://blogs.helsinki.fi/nean/

 

“Cookies”

Minä olin yksi niistä, jotka tupsahtivat keskelle jo valmiiksi pedattua GIS-luokkaa. En voi väittää, että minä olisin ollut sellainen ihminen, jonka olisi kannattanut olla yhdeltäkään tunnilta pois: olihan lyhyt historiani GIS:sin kanssa kuin 30-vuotias parisuhde. Hailakka, vähän ärsyttävä eikä toisesta oikein halua oppia uutta.

Tunti alkoi ilahduttavaan tyyliin, kun vierustoverini Satu pyysi minua etsimään ”kuugis”-ohjelman. Minä reippaana tyttönä naputtelin hakukenttään ”cookies”, sillä miten muuten entinen leipuri voi kyseistä lausumaa hälisevässä luokassa tulkita. Vielä ilahduttavampaa oli se, että kyseisellä hakusanalla löytyy ilmeisesi kaikilta koulun koneilta pieni yllätys. Mikäli QGIS harmittaa, voi aina hetkeksi jäädä cookiesin maailmaan.

Lupaavan alun jälkeen tiedossa oli tutustumista muille vanhaa, minulle uuteen: vector layerit, layer styling, feature selecting ja attribute tabelin sekä field calculatorin hämmentäviä matemaattisia ulottuvuuksia. Välillä tallennettiin, poistuttiin ohjelmasta ja tultiin takaisin. Mietin, että onko tässä nyt mitään järkeä. En koe QGISin olevan käyttäjäystävällisin ohjelma. Verrattuna viime periodissa käytettyyn Coreliin QGIS vaati perehtymistä ja ymmärtämistä itse ohjelmasta yleisen logiikan sijaan. Toisinaan putosin kärryiltä: onnekseni vieressäni istuva ihastuttava neito nosti minut takaisin ruutujen ja ikkunoiden pariin.

Tässä vaiheessa tilanne kuitenkin muuttui. Jäimme kahdeksi tunniksi keskenämme luokkaan tekemään viikon tehtävää. En ollut järin itsevarma taidoistani tässä vaiheessa, mutta ei auta kuin yrittää. Valitsin tehtäväksi jälkimmäisen, jossa tuli verrata jotakin muuttujaa Mercatorin sekä Lambertin projektioissa. Valitsin helposti lähestyttävän väestöntiheyden ja Mercatorin parissa tehtävän tekeminen sujui hyvin. Vaihtaessani Lambertiin ongelmat alkoivat: luvut eivät muuttuneet attribute tabelissa sitten millään. Ympäriltäni alkoi kuulua tuhahtelua ja huokauksia: muutkin alkoivat olemaan sellaisessa solmussa, jota on itse vaikea lähteä selvittämään. Sitten joku muistutti siitä, että ohjelma pitää projektion vaihdoksen jälkeen sulkea. Kaikki kirkastui.

Toinen suuri ongelma on hyvin nähtävissä tunnin tuotoksissa. Minä huijasin.

Kuva 1: Väestöntiheys Suomessa, Lambertin projektio
Kuva 2: Väestöntiheys Suomessa, Mercatorin projektio

Minulla oli ilmeisen kova kiire saada työni valmiiksi, joten tein legendan, pohjoisnuolen Corelilla. Mittakaavasta ei tässä kuvassa ole hajuakaan, sillä en keksinyt sitten millään miten saisin Corelilla noin vain mittakaavan kuvaan (QGISsillä). Tässä vaiheessa en tiennyt huijaavani, sillä en ollut ehtinyt perehtyä ensimmäisen tunnin tehtäviin vielä ajatuksella enkä tiennyt niinkin näppärästä QGISsin ominaisuudesta. Jälkeenpäin, perjantai-iltana, palasin koululle tekemään oikein. Avasin koneen, avasin QGISsin enkä löytänyt mitään. En ole täysin varma, minne olen aiemmat työni tallentanut vai olenko poistanut ne. Suuren syyllisyydentunnon vallassa aloin tekemään uusia karttoja, mutta jossain vaiheessa seinä nousi eteeni.  No, ajattelin, ehkä opin tästä jotain. Seuraavalla kerralla menestynen paremmin.

Tehtävän tarkoituksena oli siis vertailla, miten eri projektion kartat eroavat katsellessa muuttujaa, joka on suhteutettuna pinta-alaan. Mercatorin surullisenkuuluisa projektio näyttää väestöntiheyden olevan suurempi kunnissa kuin Lambertin. Kartta itsessään on myös hieman surullinen, sillä luokkia olisi pitänyt muokata informaatioarvon kasvattamiseksi. Miia Farstad on tehnyt kartan samasta muuttujasta, mutta hänen karttansa oikeasti kertoo katsojalle jotain1. Myös luokittelu on erilainen: yritin etsiä metatietoa siitä, mitä karttani luokittelulla tarkoitetaan – turhaan.

Jos joku tässä on selvää niin se, että minä en tätä itsenäisesti kykene opiskelemaan.

 

Lähteet:

  1. Farstad, M. Viikko 2: Projektioiden tärkeys. Viitattu 28.1.2018. https://blogs.helsinki.fi/miiafar-gis1/