Month: February 2023

 

Päivän alkuun käytiin läpi hieman pisteaineistoja ja ruudukoiden kanssa työskentelyä. Aineisto oli datan määrältään valtava ja omalla koneella kestikin pitkä tovi suorittaa tiettyä toimintoja. Ja aineistossa käsiteltiin vain pääkaupunkiseudun asukkaita. Voi siis kuvitella miten tärkeää on rajata käsiteltävää tietoa, kun paikkatieto-ohjelmistoilla tehdään vaikka koko Suomen väestöä koskevaa pisteaineistoa.

Kuva 1. Ruutuvektoreista muodostettu kartta tieliikenneonnettomuuksista pääkaupunkiseudulla 2021. (Tilastokeskus 2022)

 

Tehtäväksi jäi vielä toisen ilmiön kuvaaminen käyttäen ruudukoita. Koska meillä oli tehtävän aineistossa käytettävissä yksinkertainen vektoritaso pk-seudun tiestöstä, ajattelin käyttää sitä tieliikenneonnettomuuksien kuvaamiseen alueellisesti (Kuva 1). Tätä varten löysin Tilastokeskuksen tuottaman pisteaineiston tieliikenneonnettomuuksista vuonna 2021. Onnettomuuksia ei silmämääräisesti katsottuna ollut alueellisesti kovinkaan monta, joten päätin käyttää yhden neliökilometrin kokoisia ruudukoita. Väritykseksi ajattelin kokeilla 0 arvoille tumman sinistä, ja yli 1 arvon ylittäville ruuduille keltaiset värit, kuvaamaan ikään kuin lampun kirkkautta.

Kartassa olisi ollut hyvä tuoda esiin kaupunginosien nimiä. Mahdollisesti olisi hyvä myös näyttää kehätiet ja valtatiet erillisinä. Myöskin pienempiä teitä voisi myös näyttää.

Kartasta voidaan kuitenkin nähdä, että Helsingin keskustassa on ollut eniten tieliikenneonnettomuuksia. Olisin itse kanssa olettanut, että kehätiet, ainakin kehä 3, olisi näkynyt tilastoissa enemmän. Toisaalta kehätien tieliikenneonnettomuudet päätyvät helpommin otsikoihin, koska onnettomuudet korkeissa rajoituksissa ovat yleisin pahempia. Helsingin keskutassa sattuu taas paljon pienempiä törmäyksiä, mitkä eivät päädy uutisiin.

Tällainen ruututeemakartta on hyvä tapa yleistää pisteaineistoa. Jos olisin näyttänyt vain Tilastokeskuksen pisteaineiston, olisi siitäkin voinut tehdä toki samat johtopäätökset siitä missä onnettomuuksia on sattunut eniten. Mutta ruututeemakartta yhdistettynä tiestöön antaa mahdollisuuden löytää onnettomuus alttiit tiealueet.

Pääsimme tällä kertaa käsittelemään myös rasteriaineistoja. Minun mielestäni oli kiinnostavaa nähdä miten paljon tietoa “raa’assa” rasteriaineistossa voi olla. Käytimme siis rinnevarjostustoimintoa tehtävän rasteriaineistoon, , mutta ohjelman jälkeen paljastuukin todella paljon yksityiskohtaisempi näkymä alueen geomorfologiaan (Kuva 2).  Erot eivät blogissa näy niin suurena, kuin QGISissä. Työkaluja kyllä osaa QGISissä pyörittää, mutta välillä ei aina ymmärrä miten tai mitä oikeasti tapahtuu kun ohjelmassa painaa “Run”.

 

Anni mainitsi blogissaan tältä kurssikerralta, että hänellä on selitteiden kanssa kartan luonti vaiheessa ollut virheitä. Itsekkin olen huomannut tehtävissä joissa työvaiheita ja työkaluja on paljon, että tasojen nimeäminen ja turhien tasojen poistaminen on tärkeää. Karttaselitteen luomisessa jää muuten sitten paljon hommaa (Kåhre 2023).

 

 

Lähteet:

 

Kåhre, Anni. Viikko 4. https://blogs.helsinki.fi/kwanni/

Tilastokeskus. 2022. Tieliikenneonnettomuudet 2021. Luettu 16.2.2023 https://geo.stat.fi/geoserver/web/wicket/bookmarkable/org.geoserver.web.demo.MapPreviewPage?0&filter=false

 

 

Nyt kolmannella kerralla käytiin läpi QGISin eri työkaluja, joilla muun muassa saatiin laskettua pisteiden määrä tiettyjen polygonien sisällä. Aineistona tässä käytettiin tilastoja Afrikan konflikteista, öljyvarannoista ja timanttikaivoksista.  Tehtävä avasi itselleni konfliktien ja arvokkaiden luonnonvarojen jakautumista Afrikan mantereella. Usein uutiset eri levottomuuksista ja yhteenotoista Afrikassa saattavat sulautua mielessä yhteen tai todellinen sijainti jää tajuamatta. Nyt kun oikeasti vähän aikaa dataa ja karttaa katsoi jäi vähän parempi kuva missä Afrikan maissa oikeasti on todella paljon konflikteja.

 

Nicklas oli hyvin blogissaan perehtynyt kurssikerralla käytyyn aineistoon. Etenkin Sudanin tilanteessa hän pystyi jo pelkästään vuosiluvuista arvioimaan, että konfliktien taustalla ei ole pelkästään nämä luonnonresurssit, vaikka kartasta voisi niin olettaa (Ferreira 2023).

Tämän jatkeeksi palasimme takaisin Suomeen, jossa työskenneltiin valuma-alueiden parissa. Katsoimme niiden tulvaindeksejä ja järvisyysprosentteja. Lopputuloksena on kuvan 1 kartta.

Histogrammien tekeminen QGISissä ei ole mitenkään intuitiivista. Palkkien muodon ja koon muokkaaminen oli vaikeaa, kun on erilaisia kokoyksiköitä. Tässä kartassa siis palkit kuvaavat osuutta 1-100 prosenttiyksikön skaalaa. Olisin halunnut jotenkin saada näkyviin joko varsinaisen prosenttiluvun sinisten palkkien luokse tunnisteella tai sitten palkki, jossa näkyisi sinisellä osuus 100% palkista. En Googlen avulla ainakaan löytänyt helppoa ohjetta tunnisteiden lisäämiseksi. Kartassa voidaan siis nähdä järvisyysprosentti suhteessa muihin.

Rannikkoalueilla siis tulvaindeksit ovat korkeita, mutta järvisyysprosentit melko matalia. Joet näillä alueilla aiheuttavat keväisin tulvia, kun taas järviset kunnat ei niinkään näe samanlaisia tulvia.

 

 

Lähteet:

 

Ferreira, Nicklas. 2023. Geoinformatiikan menetelmät 1.  https://blogs.helsinki.fi/ferrenic/

 

 

Toisella luentokerralla kävimme läpi rajapinta-aineistoja ja projektioita QGIS:ssä. Vertasimme eri projektioiden vääristymistä TM35FIN-projektioon. Merkittävin vääristymä Suomessa syntyy hyvin yleisesti käytetyssä Mercatorin projektiossa. Mercatorin tapaista korkeiden leveyspiirien vääristymää syntyy myös Compact Miller -projektiossa (Kuva 1).

Projektioita katsoessani halusin etsiä erikoisia vääristymiä. Oikeapintainen projektio Quartic authalic muodostaa vääristymiä koko Suomessa, mutta vääristymä suurenee itä- ja länsisuunnassa (Kuva 2). Oikeapintaisena projektiona vääristymä on hyvin pieni verrattuna esimerkiksi kuvan 1 projektioon.

Kurssikerran artikkelissa käsiteltiin kahden muuttujan koropleettikarttoja (Leonowicz 2006). Kahden muuttujan koropleettikartassa siis visualisoidaan päällekkäin kahden muuttujan arvoja.  Tällaiset kartat ovat erikoinen tapa visualisoida kahden ilmiön alueellista muuttumista yhtäaikaisesti. Artikkelissa myös kysyttiin opiskelijoilta mielipiteitä näista kartoista. Suurin osa opiskelijoista piti kahden muuttujan karttoja kiinnostavampana ja osoittavan paremmin alueellista yhteyttä.   Luettavuus on kuitenkin vaikeampaa verrattuna yhden muuttujan karttoihin.

Joka tapauksessa halusin itse kuitenkin yrittää tuottaa tällaisen kartan kurssikerran tehtävissä käytetyistä aineistosta (Kuva 3). Kartan tekemiseen QGISissä löysin ohjeet nopeasti Googlen kautta (Hur 2019). Kartan tekeminen oli melko nopeaa, tähän tarvittiin vain legendan tekemiseksi plugin QGISiin.

Valitsin käytettäviksi muuttujiksi korkeakoulutettujen ja naisten osuudet väestöstä. Valmis kartta ei ole tilastollisesti toimiva. Ongelmana on luokkien jakamisessa. Naisten osuus on 44-53%, ja korkeakoulutettujen väliltä 10-56%. Korkeakoulutettujen määrä vaihtelee siis suuresti, jotta naisten osuus saadaan myös ero näkymään neljässä luokassa. Kartasta voidaan ehkä havaita mahdollinen yhteys naisten osuuden ja korkeakoulutettujen osuuden määrässä, mutta ehkä visualisoisin tätä asiaa jollakin muulla tavoin.  Tarkoituksenani oli kuitenkin kokeilla tällaisen kahden muuttujan kartan tekemistä, mikä oli yllättävän yksinkertaista. Ehkä joskus vastaan tulee tilanne, missä minun kannattaa kuvata jotain ilmiötä tällaisella kartalla.

Jenna mainitsee blogissaan, että hänellä oli vaikeuksia muistaa tunnilla opetettuja asioita. Minäkin koen vaikeaksi muistaa mistä kaikki työkalut löytyvät. Valikot ovat usein samanlaisia ja tekniset termit eivät ole entuudestaan tuttuja (Nieminen 2023).

 

 

Lähdeluettelo:

Hur, Ben. 2019. Bivariate choropleth maps in QGIS. Luettu 2.2.202. https://bnhr.xyz/2019/09/15/bivariate-choropleths-in-qgis.html

Leonowicz, Anna. 2006. Two-variable chropleth maps as a useful tool for visualization of geographical relationship. Geografija.

Nieminen, Jenna. 2023.  Jennan blogi, viikko 2. https://blogs.helsinki.fi/nieminje/