Ailin GIS-luola

Datan etsimistä

Viimeisellä luennolla meille annettiin vapaat kädet toteuttaa oma kartta valitusta aiheesta ja alueesta. Etsin käsiini sopivaa dataa ourworldindata sivustolta. Valitsin tarkasteltavaksi lihankulutuksen ja bruttokansantuotteen maittain. Jokainen maantieteilijä tarvitsee itselleen hyvän karttapohjan. Tähän tarkoitukseen sen tarjosi arcgis.com, josta nappasin itselleni shapefile muotoisen tiedoston maailman maista.

Työn toteuttaminen

Seuraavaksi toin sekä datan että karttapohjan QGIS:iin. Ongelmaksi muodostui datan suuri koko. En tarvinnut tietoa jokaiselta vuodelta ajanlaskun alkuun asti vaan tähän tehtävään minulle riitti vain tiedot yhdeltä vuodelta. Siksi rajasinkin dataa excelissä ja vein QGIS:iin lopulta vain vuoden 2020 tiedot. Data ei valitettavasti sisältänyt kaikkien maiden tietoja, joten näiden valtioiden kohdalle jäi aukko.

Sitten pääsinkin pohtimaan miten data yhdistettiin karttatasoon. Onneksi viisaat päät yhteen lyötyämme keksimme Miska Pihlajaniemen (2024) kanssa käyttää Join attributes by field value -toimintoa. Tämä ei kuitenkaan toiminut aluksi, sillä olin laittanut input layerin väärinpäin!

Toinen ongelma ilmeni siinä, että excel oli tunnistanut linhankulutuksen ja BKT:n tekstinä, joten ne piti muuttaa QGIS:in field calculatorin avulla takaisin numeroiksi. Lopputulos attribuuttitaulukossa näytti tältä:

Seuraavaksi pääsin tappelemaan värien kanssa, mutta valitettavasti tässäkin QGIS vei 1-0 voiton. Jostain syystä kaikki väripaletit olivat muuttuneet läpinäkyviksi (kuva 2) eikä edes  Arttu saanut niitä takaisin. Sama ongelma minulla oli toisen luennon harjoituksen kanssa, johon jouduin valitsemaan värit yksitellen.

Suurin pulma oli ratkaista miten esittää kaksi erilaista muuttujaa kartalla. Kartalla ei tietenkään voi esittää kahta koropleettiä päällekkäin, joten ratkaisu oli siis oltava jonkinlaiset piirakka- tai pylväsdiagrammit. Onneksi apuun tuli Veera Matikainen (2024), joka vinkkasi, että piirakkadiagrammilla (kuva 3) voi esittää vain yhden muuttujan, jolloin piirakan koko vastaa muuttujan suuruutta.

Kartta olikin nyt viimeistelyä vaille valmis. Vanha ja luotettu Robinsonin projektio ei tällä kertaa päässyt lopputulokseen, sillä pyöristetyt reunat häiritsivät visuaalisuutta (ainakin omasta mielestäni)… Siispä projektioksi valikoitui Mercator (kuva 4). Lukija ei tässä esityksessä voi tarkastella lihankulutusta lukuina ja esimerkiksi osaa Euroopan valtioista on vaikea erottaa toisistaan. Siksi kartta sopiikin enemmän suuntaa antavaksi. Lopputuloksesta tuli mielestäni luettava ja visuaalisesti miellyttävä.

 

Lähteet:

ArcGIS Hub (2024). World Countries Generalized. (9.6.2023.)
https://hub.arcgis.com/datasets/2b93b06dc0dc4e809d3c8db5cb96ba69/explore?location=-0.453430%2C0.000000%2C1.46

Matikainen, V. (2024). Seitsemäs kurssikerta [blogikirjoitus]. VEERAN GIS-BLOGI 🙂 5.3.2024. Viitattu 10.3.2024. https://blogs.helsinki.fi/veematik/2024/03/05/seitsemas-kurssikerta/

Our World in Data (2024).  Meat consumption vs. GDP per capita. (2020). Food and Agriculture Organization of the United Nations. (Päivitetty 12.6.2023) [alkuperäinen datan lähde]. https://ourworldindata.org/grapher/meat-consumption-vs-gdp-per-capita

Pihlajaniemi, M. (2024). Viimeinen luento [blogikirjoitus]. PMISKA’S BLOG 29.2.2024. Viitattu 10.3.2024. https://blogs.helsinki.fi/pmiska/2024/02/29/viimeinen-luento/

 

Aineiston kerääminen

Luennon aluksi pääsimme kiertelemään Kumpulan kauniissa talvimaisemissa. Jakauduimme pienempiin ryhmiin ja lähdimme tuottamaan dataa, jonka kirjasimme Epicollect5 nimiseen sovellukseen. Arvioimme kävelyreitin varrella olevia alueita turvallisuuden, viihtyisyyden ja oleskelun kannalta. Liikkumista vaikeutti liukas sää ja Kumpulan lukuisat jäiset mäet. Harjoitus oli kuitenkin virkistävä ja käytännönläheinen. Kerätyistä datapisteistä muodostettiin myöhemmin luennolla interpoloitu kartta.

Omien karttojen tuottaminen

Luennon itsenäisenä tehtävänä oli tuottaa kolme erilaista karttaa hasardeista. Tavoitteena oli pyrkiä tuottamaan oppimateriaaliksi soveltuvia karttoja. Ensimmäiseksi lisäsin karttaan Miska Pihlajaniemen (2024) vinkistä litosfäärilaattojen rajat. Latasin Tectonic Plate Boundaries tiedoston ArcGis Hub nimiseltä sivustolta.

Moodlesta löytyi mainioita linkkejä aineistoihin, joita sitten hyödynsin omissa kartoissani. Etenkin UGGS:n maanjäristystietokanta osoittautui käyttäjäystävälliseksi ja helpoksi navigoida. Latasin sieltä CSV-muotoisen tiedoston, jonka lisäsin sitten QGIS:ssä omaksi tasokseen. Lisäsin kartalle myös tulivuori-tiedoston.

Ensimmäinen kartta on maailmankartta, jossa näkyy litosfäärilaattojen rajat, tulivuorien sijainti maapallolla ja vähintään 4,5 magnitudin järistykset viimeisen 30 päivän aikana (haettu 23.2.2024).  Opettajana voisin itse hakea ennen luentoa tuoreimmat havainnot ja lisätä ne karttaan. Tieto kartassa vanhentuu nopeasti, mutta karttaa voi silti käyttää opetustilanteessa esimerkkinä litosfäärilaattojen ja tektonisen toiminnan yhteydestä. Kartan avulla voi myös näyttää litosfäärilaattojen sijaintia ja kokoa maapallolla.

Seuraava kartta keskittyy tarkemmin Eurooppaan ja näyttää vähintään 2,5 magnitudin järistykset viimeisen 30 päivän aikana (haettu 23.2.2024). Koska Eurooppa ei sijaitse tektonisesti aktiivisella alueella, järistykset ovat pieniä ja niitä tapahtuu lähinnä Etelä-Euroopassa. On myös huomioitavaa, että tulivuoriakaan ei juuri esiinny kuin Etelässä-Euroopassa ja Islannissa. Kartan avulla voikin laittaa oppilaat pohtimaan Eurooppaan kohdistuvia tulivuorien tai laattojen liikkeistä aiheutuvia riskejä ja niiden alueellista jakautumista.

Kolmas kartta keskittyy Japanin alueelle. Alue sijaitsee Tyynenmeren saarikaaren alueella, joka on vulkaanisesti aktiivinen. Japani sijaitsee myös useamman litosfäärilaatan reunavyöhykkeellä, joka lisää maanjäristyksien riskiä. Karttaa voi käyttää opetustilanteessa, jossa oppilaiden halutaan pohtivan Japanin luonnonmaantieteellisiä riskejä.

Karttaa voi vertailla esimerkiksi OCHA:n julkaisemaan karttaan japanin luonnonriskeistä ja hasardeista (kuva 5). Japanin luonnonriskit

Lähteet:

OCHA. (9.3.2007). UN Office for the Coordination of Humanitarian Affairs [nettisivu]. Viitattu 23.3.2024. https://reliefweb.int/map/japan/japan-natural-hazard-risks-09-mar-2007

Pihlajaniemi, M. (2024). Kuudes luento [blogikirjoitus]. PMISKA’S BLOG 23.2.2024. Viitattu 23.2.2024. https://blogs.helsinki.fi/pmiska/2024/02/23/kuudes-luento/

Buuf buuf

Luennon aikana meistä kaikista tuli buuferoinnin mestareita. Olin kerran aikaisemmin päässyt tekemään bufferianalyysiä MAA-104 kurssilla, mutta nyt pääsimme kunnolla vauhdin makuun.

Jatkoimme viimekerran kartasta, johon olimme valmiiksi digitoineet tiet ja rakennukset. Määritimme asuinrakennuksiin satunnaisesti 0-5 asukasta Field Calculator -toiminnolla. Bufferiharjoituksissa halutaan tarkastella puskurien sisälle (ja ulos) jääneitä kohteita ja tähän loistava apuväline oli Statistic Toolbar.

Rajasimme bufferiksi 100 m piirtämistämme teistä. Tarkoituksena oli tarkastella puskurin sisälle jääneiden asuinrakennusten ja asukkaiden määrää. Teimme bufferin myös koulun ja terveyskeskuksen ympärille. Kurssin vetäjä Arttu Paarlahti kertoi tähän väliin tarinan siitä, kuinka hänen kouluaikoinaan heillä oli sääntö, että vain yli kilometrin päässä asuvat oppilaat saivat pyöräillä kouluun. Tämä olikin hyvä muistutus käytännön puolesta ja siitä mihin kaikkeen taitoja voidaan soveltaa, sillä bufferianalyysillä on monia käyttötarkoituksia. Sen avulla voitaisiin esimerkiksi kartoittaa ympäristömyrkkyjen vaikutusalue veden läheisyydestä.

Datan laatu ja saatavuus vaikuttavat siihen millaisia analyysejä QGIS:llä voi ratkaista. Joskus esimerkiksi analyysin kannalta tärkeitä jokia/puroja tai asuinrakennustietoja ei ole saatavilla. Olemme luentojen aikana päässeetkin harjoittelemaan uusien karttatasojen luomista. Tämän viikon harjoituksessa  piirsimme mm. 7 km meluvyöhykkeen Tikkurilan yli.

Olin näköjään niin innokkaana buuferoimassa, että unohdin ottaa kuvia tämä harjoituksen tuloksista.

Buuf pt. 2 Malmi

Sitten itsenäisten harjoitusten pariin! Ensiksi kohteena oli Malmin lentokenttä johon pääsin digitoimaan ♥  kiitoradat. Tämän jälkeen buuferoin niiden ympärille 1 ja 2 km puskurin. Harjoituksen tarkoituksena oli saada selville, kuinka monta ihmistä asui kyseisillä alueella.

Statistics Toolbarista tarkistamalla yhden kilometrin alueelle jäi 806 asukasta ja kahden kilometrin alueelle taas 4875. Tulokset riippuivat siitä, kuinka tarkasti kiitoradat oli kartalle pirtänyt. Siksi minun ja Venla Punkan (2024) tulokset heittiväkin muutamilla kymmenillä asukkailla.

Buuf pt.3 Helsinki-Vantaa

Seuraava harjoitus lähti käyntiin kuin liukuhihnalta. Bufferointi selvästi vahvuuteni erilaisista QGIS harjoituksista. On tyydyttävää kun erilaiset työkalut tulevat vähitellen tutuksi ja niitä osaa jopa soveltaa tehtävien teossa. Kiitoradat digitoituani selvitin, kuinka monta asukasta asuu 2 km etäisyydeltä niiltä (kuva 3). Ja vastaushan on 2330 asukasta (kuva 4).

Seuraavaksi halusin selvittää kuinka monta prosenttia näistä 2330 asukkaasta asuu pahimmalla lentomelualueella, joka on 65 dB. Latasin tietokannan lentomelualueista ja etsin QGIS:n Select Features -toiminnolla melualueen, jolla meluaste on tasan 65dB (kuva 5).

Sitten piti vain muistaa painaa “Selected features only” täppää Statistics Toolbarissa ja vastaukseksi tuli 37 asukasta (kuvat 6 ja 7).

Harjoituksen vastaus haluttiin prosentteina, joten 37/2330  on pyöristettynä 1,6% asukasta.

Buuferointi jatkuu pt. ∞

Koska harjoituksia tuntui olevan loputtomiin, säästän itseni ja lukijat turhilta höpinöiltä. Tässä kuva vähintään 55dB alueella asuvista asukkaista, joita oli 1780 (kuva 8).

Seuraavaksi piirsin 7 km pitkän ja 1 km leveän jatkeen Tikkurilan yli. Tämän on tarkoitus kuvata lentomelua alueella poikkeustapauksessa, jossa koneet lentävät Tikkurilan yli (kuva 9). Laskutoimitusten jälkeen vähintään 60 dB melu haittaisi 1893 asukasta poikkeustilanteessa.

Seuraava tehtävä jäi minulta kesken, sillä QGIS sanoi itsensä irti. Tämä oli luultavasti merkki siitä, että olin buuferoinut tarpeeksi yhdelle päivälle. Sain kuitenkin selvitettyä juna- ja metroasemien läheisyydessä (alle 500 m) asuvien asukkaiden määrän (kuva 10). Vastaukseksi sain 5341 asukasta, joka on pyöristettynä 9% kaikista alueen asukkaista.

 

Lähteet:

Punkka, V. (2024). Vpunkka’s blog https://blogs.helsinki.fi/vpunkka/

 

Keilausta laserien kanssa sekä Helsingin ruotsinkielisten osuuksia

Uusi viikko ja uusi postaus GQIS harjoituksista! Aluksi saimme kuulla vähän teoriaa laserkeilauksesta. Onneksi olen ollut tarkkana kuin porkkana jo edellisillä kursseilla, joten laserkeilauksen perusteet ovat entuudestaan tuttuja.

Saatoin tällä luennolla kärsiä univajeesta, sillä tipahdin ihan kunnolla kärryiltä jo ihan ensimmäisten askeleiden jälkeen. Tarkoituksena oli luoda ruudukko pääkaupunkiseudun päälle, jonka avulla pystyisimme tarkastelemaan jokaisen ruudun kohdalle osuneiden yksittäisten pisteiden dataa.

Noh, sain ruudukon kyllä toimimaan mutta se muistutti lähinnä yhtä isoa nelikulmiota, kuin nätisti pääkaupunkiseutu-tason päälle asettuvaa ruudukkoa. Jäin säätämään tämän vaiheen kanssa noin 15 minuutiksi, joka siis tarkoitti että koko muu luokka oli ehtinyt valovuoden päähän harjoituksen teossa. Onneksi tästä harjoituksesta löytyi myös kirjalliset ohjeet, joita seuraamalla sain lopulta muut kiinni. Kiitos myös kärsivälliselle Artulle, joka opasti kun kaikki omat konstit oli käytetty.

Valitsimme tässä harjoituksessa tarkasteltavaksi ominaisuudeksi ruotsinkielisten asukkaiden määrän yhdessä ruudussa. Olimme kuitenkin dilemman edessä: esittääkö informaatio kartalla absoluuttisina vai suhteutettuina arvoina. Koska ruudukossa kaikki ruudut ovat samankokoisia, absoluuttisten lukujen esittäminen on tässä tapauksessa hyväksyttävää (kuva 1).

Kuvaa 1 katsomalla voisi ajatella, että ruotsinkieliset ovat keskittyneet vain Helsingin ytimeen ja kauempana rannikosta heitä ei asu melkein yhtään. Lukijaa voidaan siis yrittää johtaa harhaan luomalla mielikuva, että ruotsinkielisiä asuu pääkaupunkiseudulla vähän.

Saimme kotitehtäväksi tuottaa kartta, jossa näkyy ruotsinkielisten suhteellinen osuus ruudukon muista asukkaista (kuva 2). Nyt kartasta saakin aivan erilaisen kuvan: ruotsinkielisiä asuu paljon myös Helsingin keskustan ulkopuolella. Absoluuttisia lukuja esittäessä ei tule ehkä ajatelleeksi että Helsingissä asuu muutenkin paljon ihmisiä, joten myös ruotsinkielisten osuus on suuri. Suhteellisten arvojen esittäminen tässä yhteydessä on mielestäni järkevämpi vaihtoehto.

Lena Hellstenin (2024) blogia lukiessani kiinnitin huomiota siihen, että olisin voinut myös omaan karttaani erotella Helsingin, Vantaan, Espoon ja Kauniaisen rajat sekä kirjoittaa nimet.

Luennon toinen harjoitus ja digitointia

Seuraavaksi harjoittelimme rinnevalovarjosteen ja korkeuskäyrien lisäämistä Pornaisten  peruskarttaan. Tehtävän tekeminen oli mielenkiintoista ja esimerkiksi korkeuskäyrien välejä pystyi itse säätämään!

Sitten päästiin lempiosuuteen koko luennosta: digitointiin! Vähän oli ikävä Coreldraw:in B-spline ominaisuutta, mutta perusjutut pystyi tekemään GQIS:lläkin. Tarkoituksena oli digitoida rajatun alueen kaikki asuinrakennukset ja suurimmat tiet (kuva 3). Digitoimalla asuinrakennukset kartalle, pystyi havaitsemaan mielenkiintoisen ilmiön: rinnevalovarjoste ja korkeuskäyrät paljastivat, että asutus keskittyy korkeimmille kohdille maastossa.

Ensi luennolla meidän on tarkoitus jatkaa samasta harjoituksesta. Ohjelmistoa sulkiessa en kuitenkaan saanut kaikkia tehtyjä tasoja tallennettua pysyviksi tasoiksi, (esim. rinnevalovarjoste…) mutta ehkei se ole niin tärkeää…

 

Lähteet:

Hellsten, L. (2024). Kurssikerta 4 [blogikirjoitus]. Lena Hellstenin blogi 11.2.2024. Viitattu 12.2.2024. https://blogs.helsinki.fi/hellslen/2024/02/11/kurssikerta-4/

Luennon aluksi

Pääsimme ahertamaan QGIS:n kanssa oikein urakalla. Vauhti oli päätä huimaava, joten ohjeita kuunnellessa joutui todellakin pysymään tarkkana. Tarkastelussa oli Afrikan kartta, jonka ohessa tuleva data oli sotkuista ja vaikeasti luettavaa. Tarkoituksena oli opetella yhdistämään attribuuttitaulukossa olevaa dataa. Yhdistäminen tapahtui aggregate -toiminnolla, jolloin saimme valtioiden pinta-alan yhdistettyä attribuuttitaulukossa. Teimme yhdistellystä tiedosta sitten pysyvän tason kartalle.

Harjoittelimme myös tietokantaliitoksen tekemistä. Lataamassani zip-tiedostossa oli excel taulukko, josta tein csv-muotoisen tiedoston. Latasin tämän tiedoston QGIS:iin ja toivoin parasta… Yhdistin csv-tiedoston uuteen tekemääni karttatasoon. Kurssin vetäjä Arttu Paarlahti (2024) totesikin loistavasti, ettei tärkeää ole miettiä mitä, vaan miten liitos toteutetaan. Ja kuten näiden sanojen pohjalta arvata saattaa , liitoksen tekeminen vaati aivonystyröiden hieromista useampaan otteeseen.

Tämän jälkeen lisäsimme vielä uusia aineistoja kartalle. Nyt pääsimme tutkimaan timanttikaivosten, öljyn ja konfliktien sijoittumista Afrikassa (kuva 1).

Attribuuttitaulukon tietoja yhdistelemällä pystyi tarkastelemaan millainen yhteys näillä resursseilla ja konflikteilla eri valtioissa on. Oikeiden komentojen muistaminen on selvästi kurssin haastavin osuus. Henrikki Kopsa (2024) kirjoittaa omassa blogissaan ytimekkäästi: “Monet QGIS:n valintaikkunat kuitenkin näyttävät hyvin samanlaisilta, mikä tekee vaadittujen valintapolkujen muistamisesta haastavaa”.

Harjoitus

Sitten pääsinkin luennon vaikeimpaan osuuteen eli itsenäisen harjoituksen tekemiseen. Nyt juuri opitut QGIS-komennot tulivat tarpeeseen. Tehtävänä oli laskea tulvaindeksi ja järvisyysprosentti Suomen kartalle. Voin rehellisesti sanoa, että tehtävän tekeminen sai melkein kyyneleen silmäkulmaan. Onneksi tehtävän tekemisessä ei tarvinnut olla yksin, vaan selvitimme oikeita komentoja Usko Sinervon (2024) ja Lauri Korkeilan (2024) kanssa. Jostain syystä koropleettikarttaa tehdessä kaikki värit muuttuivat läpinäkyviksi ja jouduin sävy kerrallaan muuttamaan mustavalkoisen koropleettikartan värilliseksi. Toinen ongelma ilmeni pylväiden kohdalla, jotka näyttivät lässähtäneiltä. Sain lopulta pylväiden väliset erot näkyviin skaalaamalla lukuja.

Sain lopulta kartalle näkymään halutut asiat… epäselvästi. Visuaalisesti työ ei ole kovin kaunis, mutta ainakin se toimi hyvänä harjoituksena. Vaikka tiesinkin mitä halusin tehdä, en saanut tällä kertaa QGIS:ä toimimaan halutulla tavalla. …aina ei voi onnistua? Pylväät ovat hieman epäselvät ja ne lähtivät seilailemaan myös itärajan toiselle puolelle. Jos tekisin kartan uudestaan, muuttaisin pylväät varmaan ympyrädiagrammeiksi.

Kartasta voi lukea, että tulvaindeksi on suurempi etelä- ja länsirannikolla, jossa pinnanmuodot ovat tasaisia. Pohjanlahteen laskee useampi joki, jotka tulvivat varsinkin keväisin lumien sulettua.

 

Lähteet:

Kopsa, H. (2024). Geoinformatiikan menetelmät 1, kolmas luento/työpaja! [blogikirjoitus]. Henrikin blogi 2.2.2024. Viitattu 3.2.2024. https://blogs.helsinki.fi/hekopsa/2024/02/02/geoinformatiikan-menetelmat-1-kolmas-luento-tyopaja/

Korkeila, L. & Sinervo, U. (2024). [yhteistyö]

Paarlahti, A. (2024). Geoinformatiikan menetelmät 1 [luento].

 

Ladattavat aineistot

Luennon aluksi tutustuimme maksuttomiin verkkoaineistoihin, joita tuottaa ja tarjoaa esimerkiksi Väylävirasto ja Maanmittauslaitos. Opettelin lataamaan sekä muokkaamaan WFS -aineistojen dataa QGIS:llä. Lataaminen oli yllättävän helppoa ja yksinkertaista (kiitos valmiin palveluosoitelistan). Avoimen datan määrä mahdollistaa yhä monipuolisemmat tutkimusmahdollisuudet ja onkin hienoa, että käytössämme on enemmän helposti saatavia verkkoaineistoja kuin koskaan.

Luennon harjoitukset

Karttaprojektiosta riippuen alueen pinta-ala vääristyy aina tietyn verran. Havainnoimme projektioiden välisiä eroja GQIS:n mittatyökalulla. Jotta projektioiden väliset erot voisi havainnoida paremmin, visualisoimme niistä kartan. Työkalujen käyttö oli helppoa eikä suurempia hankaluuksia ilmennyt.

Kartoissa näkyy projektioiden välinen vääristymäkerroin. Mitä pohjoisemmaksi mennään sitä suurempi vääristymä on. Valitsin karttoihin värit ajatuksena, että tummempi väri kuvastaa suurempaa vääristymää. Ensimmäisessä kartassa vertailun kohteena on ETRSTM35FIN -tasokoordinaatisto ja Robinsonin projektio (kuva 1).

Robinsonin projektiota voi kutsua “kompromissiprojektioksi”, sillä kartan virheet pyritään minimoimaan, mutta mikään ominaisuus ei ole täysin oikein (Luoma, A. 2023).

Toisessa kartassa vertailussa on ETRSTM35FIN -tasokoordinaatisto ja Mercatorin projektio (kuva 2). Mercatorin projektio on oikeakulmainen projektio, joka näyttää ilmansuuntien kulmat oikein (Luoma, A. 2023).

Myös Antti Pihlavisto (2024) oli valinnut nämä projektiot karttaansa, mutta tulokset hänen kartassaan näyttävät hieman erilaisilta.  Omassa kartassani on seitsemän väriluokkaa ja Antilla viisi. Tämä ei kuitenkaan selitä sitä, miksi myös luvut ovat kartoissamme erilaiset.

Esitän itse kartassani vääristymäkerrointa, Antti taas alueellisia eroja prosentteina. Mercatorin projektioita oli QGIS:ssä tarjolla useampi, joten saattaa olla että niiden välillä on myös eroja. Jos muuttaisin vääristymäkertoimen prosenteiksi, luvuista tulisi suunnilleen samanlaisia Antin kartassa esiintyvien lukujen kanssa. Onkin hauska havaita, että vaikka tehtävänanto on sama, tuloksia voi esittää useammalla tavalla.

 

Lähteet:

Luoma, A. S. M. (20.2.2023). Projektion valinta [oppimateriaali]. Viitattu 30.1.2024. https://storymaps.arcgis.com/stories/23965661a11d4378b548ec1deb77065c

Pihlavisto, A. (2024). Toinen kurssikerta [blogikirjoitus]. ANTIN GIS BLOGI 25.1.2024. Viitattu 30.1.2024. https://blogs.helsinki.fi/anttipih/

 

Kurssin aloitus

Geoinformatiikan menetelmät 1 -kurssin aikana kirjoitamme blogia tekemistämme harjoituksista ja oivalluksista. Voitin Sisu-lotossa aikaisen aamuluennon perjantaille, joten vireystasoani luennoilla saattaakin kuvata parhaiten sana ✦puoliuninen✦. Onneksi GIS-luokan huono ilmanvaihto ja tuolin epämukava selkänoja pitävät huolen siitä, ettei oloni ole koskaan niin mukava, että vahingossakaan torkahtaisin paikoilleni.

Luennolla kertasimme ensin hieman paikkatiedon perusteita. Sen jälkeen aloitimme tekemään harjoitusta QGIS-ohjelmaa käyttäen. Ohjelma on minulle ja usealle muulle fuksille entuudestaan tuttu johdatus geoinformatiikkaan -kurssilta. Emme kuitenkaan ehtineet harjoitella sen käyttöä kuin muutamassa tehtävässä, joten tietoni ja taitoni ovat rajalliset. GIS-welhon tie on pitkä ja buginen – tai jotain sinnepäin?

Harjoitus Itämeren alueen typpipäästöistä

Tehtävän tarkoituksena oli luoda koropleettikartta, joka havainnollistaa Itämeren typpipäästöt maittain (kuva 1). Tehtävän tekeminen onnistui hyvin, kun seurasi annettuja ohjeita. Toisaalta jos huomio herpaantui hetkeksikin, saattoi löytää itsensä umpikujasta. Vaikein osuus tehtävässä oli attribuuttitaulukon muokkaaminen ja SQL-komentojen muisteleminen. Onneksi nekin käytiin vaihe vaiheelta läpi ja luennon jälkeen vaiheet pystyi vielä tarkistamaan kirjallisesti.

Olen kartan lopputulokseen melko tyytyväinen. Värivalintoja olisi kuitenkin voinut vielä hioa esimerkiksi veden syvyyttä kuvaavien korkeuskäyrien kohdalla. Luettuani Aura Niskasen (2024) blogia huomasin, että olisi ollut loistoidea lisätä myös ainakin Itämeren typpipäästöjen kannalta tärkeiden maiden nimet karttaan. Noh, ensi kerralla sitten.

Valitettavasti datan alkuperästä ja julkaisuajankohdasta ei kurssitehtävässä tai ladattavassa zip-tiedostossa ollut selkeää tietoa. Ainakin merialueen data kartassa on peräisin HELCOM:in kartta- ja datapalvelusta, joka on EU:n rahoittama (HELCOM Data & Maps, 2024).

Itsenäinen harjoitus Suomen kunnista

Saimme luennon lopuksi kotitehtävän tuottaa oma koropleettikartta valituista muuttujista Suomen kunnissa. Tehtävän ideana oli muistella luennolla opittuja taitoja. Tehtävän tekeminen olikin nopeaa, kun osasi navigoida QGIS:ssä. Jäin itse pidemmäksi aikaa jumiin, kun en saanut eriteltyä haluamiani arvoja karttaan. Virhe johtui siitä, etten ollut säätänyt Mode -kohtaa oikein (kuva 2). Onneksi pikainen helppi kaverilta auttoi eteenpäin ja loppu työstä sujui vaivattomasti.

Visualisoin omaan karttaani Ulkomaalaisten kansalaisten osuuden Suomen kunnissa (kuva 3). Otin opin haltuun ja valitsin karttaan neutraalin värimaailman. Esimerkiksi punaisen ja vihreän sävyihin liitetään yleisesti negatiivinen/positiivinen mielikuva, jonka syntymistä tässä kartassa pyrin välttämään.

Kuva 3: Ulkomaalaisten kansalaisten osuus Suomen kunnissa (%)

Karttaa tarkastelemalla käy ilmi, että ulkomaalaisia kansalaisia on keskittynyt etenkin Ahvenanmaalle, pääkaupunkiseudulle ja länsirannikon tuntumaan. Ahvenanmaan ja länsirannikon osuutta selittää luultavimmin ruotsalaisten määrä. Pääkaupunkiseudulla taas on erityinen vetovoima ja ulkomaalaisten osuus on suurempi. Huomasin, että Usko Sinervo (2024) päätyi myös samanlaisiin tuloksiin hänen kartassaan. Pienet erot karttojen välillä selittyvät sillä, että omassa kartassani  väriluokkia on vain neljä, kun taas Uskon kartassa niitä on viisi kappaletta.

Tämänkään kartan datan alkuperästä ja julkaisuajankohdasta ei liioin löydy tietoa. QGIS:n attribuuttitaulukon mukaan data on vuodelta 2022. Henrikki Kopsa (2024) on päätynyt omassa blogissaan samaan tulokseen datan julkaisuvuodesta. Saattaa kuitenkin olla, että kumpikaan meistä ei ole onnistunut kaivamaan oikeaa tietoa, joten pieni varautuminen on paikallaan.

 

Lähteet

HELCOM. (julkaisuaika tuntematon). Data & Maps. Haettu 22.1.2024 osoitteesta https://helcom.fi/baltic-sea-trends/data-maps/

Kopsa, H. (2024). Geoinformatiikan menetelmät 1, eka luento/työpaja! [blogikirjoitus]. Henrikin blogi 22.1.2024. Viitattu 22.1.2024. https://blogs.helsinki.fi/hekopsa/

Niskanen, A. (2024). Ensimmäinen kurssikerta [blogikirjoitus]. Auran Blogi 17.1.2024. Viitattu 22.1.2024. https://blogs.helsinki.fi/niskanau/

Sinervo, U. (2024). Viikko 1 – QGIS tutuksi [blogikirjoitus]. Uskollinen GIS-blogi 19.1.2024. Viitattu 22.1.2024. https://blogs.helsinki.fi/usko/