Month: February 2024

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].