mailma’s blog

Neljäs kurssikerta saapui tuoden mukanaan runsaan kasan uusia QGIS:n sovelluksia ja työkaluja. Päivän tavoitteena oli muun muassa laatia ruututeemakartta, operoida rasteriaineistojen kanssa, tutustua tarkemmin pistemuotoisiin aineistoihin ja tuottaa itse dataa piirtämällä. Aloitimme laatimalla ruututeemakartan valmiin pistemuotoisen tietokannan avulla, joka sisälsi informaatiota rakennuksen tarkkuudella pääkaupunkiseudusta. Tietokantaan oli merkitty jokainen pääkaupunkiseudun omistusasunto, sekä rakennuksen ominaisuus- ja väestötiedot. Loimme itse teemakarttaa varten ruudukon (1km x 1km), johon yhdistimme valmiin tietokannan “select attributes by location” -toiminnolla. Aineistojen yhdistäminen sekä ruututeemakartan laatiminen mahdollisti yksittäisten ruutujen tarkastelun ja niistä tehokkaan tiedon keruun. 

Päätin laatia tietokantojen avulla ruututeemakartan väestön yleisestä sijoittumisesta pääkaupunkiseudulla (kuva 1). Tehtävänä oli esittää kartalla ilmiö, joka ei olisi itsestään selvä, vaan mahdollistaisi saadun tuloksen syvällisemmän pohtimisen. Väestön sijoittuminen ja siihen vaikuttavat tekijät ovat valitettavasti hyvin itsestään selviä. On siis pidettävä pieni reflektio-hetki ja kritisoida itseään helpoimman mahdollisen ilmiön valitsemisesta. Vaikka kartan sisältö jääkin vähän köyhemmäksi, olen kerrankin tyytyväinen valitsemaani luokitteluuun. Kartasta voidaan nähdä selkeästi, että asutus keskittyy pääasiassa kantakaupungin alueelle ja sitä ympäröiviin lähiöihin. Voidaan myös todeta, että Espoon alueella on suhteessa vähiten asutuskeskittymiä. Näillä havainnoilla on yhteys muun muassa alueen infrastruktuuriin, liikenneyhteyksiin ja alueille sijoittuviin palveluihin. 

Kuva 1. Väestön sijoittuminen pääkaupunkiseudulla. 

Sanoisin, että laatimani kartta on informatiivinen. Luettuani kuitenkin Tiina Aallon blogikirjoituksen “Perjantai on pelastettu” (12.2.2020) tajusin, että kartasta jää uupumaan monia elementtejä. Tiinan blogiin liitetystä kartasta löytyy muun muassa pohjoisnuoli sekä mittakaava, jotka tulisi löytyä myös omasta luomuksestani. Lisäksi Tiinan kartta välittää lukijalle paljon informaatiota eikä se ole riippuvainen blogitekstistä. Omassa kartassani voisi puolestaan olla selkeämpi legenda ja näin jälkikäteen ajateltuna olisi hyvä, jos esitykseen lisäisi yleisesti enemmän metadataa esimerkiksi aineiston julkaisemisvuodesta tai lähteestä. 

Ruututeemakarttojen laatimisen jälkeen oli aika sukeltaa muiden tehtävien pariin. Aloitimme tuottamalla korkeuskäyriä rinnevarjostuksen avulla valmiille karttapohjalle. Tuotetut korkeuskäyrät toimivat pääasiassa kuten peruskartoissa, mutta paikoittain oli havaittavissa useita kummallisuuksia läpi kartan. Kuvasta 2 voidaan havaita, kuinka alueen länsiosassa korkeuskäyrät ovat laajalti pirstaleisia ja eroavat siitä, miten ne esitettäisiin peruskartoissa. Tähän vaikuttaa miten QGIS:n “contour”-toiminto on poiminut tietoa rinnevarjostus-tasolta, jonka perusteella se on tuottanut korkeuskäyrät. Tässä tapauksessa maanviljely on tuottanut tasolle hiuksenhienoja korkeuseroja, jotka ilmenevät lopullisella kartalla samaan suuntaan etenevinä piikikkäinä korkeuskäyrinä. 

Kuva 2. Laaditut korkeuskäyrät peruskartalla. 

Korkeuskäyrien jälkeen integroimme rinnevarjostus-tason ja pohjakartan omaksi hillshade-aineistokseen. Tämä oli mielestäni kyseisen kurssikerran kiinnostavin osuus ja lopputuloksesta tuli visuaalisesti hyvin miellyttävä. Tästä syystä päätinkin liittää myös kurssiblogiin kuvat tuotoksesta (kuva 3 ja kuva 4). Kuvista voidaan huomata, että hillshade-aineistojen lopputulos riippuu laajasti valitusta skaalasta. Jos skaala on liian suuri, voi alue päätyä näyttämään topografisesti paljon kirjavammalta kuin mitä se oikeasti on. 

Kuva 3. Hillshade (Scale 1) 

Kuva 4. Hillshade (Scale 5)

Loppuajan käytimme seuraavan kurssikerran valmisteluun ja digitoimme QGIS:n avulla Pornaisten kunnan alueelta rakennukset ja keskeisimmät tiet. Ohjelmaa ei selvästi ole tarkoitettu laaja-alaiseen digitoimiseen vaan pikemminkin yksittäisten vektori-, polygon- ja pistemuotoisten aineistojen tuottamiseen. Piirtäminen QGIS:llä oli hieman kömpelömpää verrattuna ohjelmiin, joita olemme aiemmilla kursseilla käyttäneet vastaavanlaisten tehtävien parissa. Positiivista oli kuitenkin, että tuotetuille kohteille saatiin helposti luotua oma tietokantansa, joka pystyttiin nopeasti yhdistämään muihin valmiisiin tietokantoihin. 

 

Lähteet

Aalto, T. (12.2.2020). Perjantai on pelastettu. Blogikirjoitus. 

<https://blogs.helsinki.fi/tidaalto/>

Kolmannella kurssikerralla keskityimme pääasiassa eri tietokantojen yhdistelyyn QGIS:n avulla. Aloitimme valmiilla tietokannalla Afrikan valtioista. Tietokantaa oli muokattava yksinkertaisemmaksi, jotta sitä olisi helpompi käsitellä. Tavoitteena oli liittää tietokantaan valtiopohjaista tietoa muista lähteistä. Alkuperäisessä tietokannassa etenkin rannikkovaltiot olivat jakaantuneet useampaan kohteeseen, joten yhdistimme ne yhdeksi kohteeksi “select features” ja “merge” -työkalujen avulla. Tämä mahdollisti myöhemmin muiden tietokantojen yhdistämisen alkuperäiseen tietokantaan valtioiden nimen perusteella. 

Täysin uusi asia olikin ulkoisen tiedon liittäminen haluttuun tietokantaan muista ohjelmista. Toimme uutta dataa muun muassa Afrikan öljyesiintymistä, timanttikaivoksista ja mantereella tapahtuneista konflikteista (kuva 1). Käsittelimme myös tietokantaa, joka sisälsi informaatiota internet ja Facebook käyttäjien määrästä Afrikassa eri vuosina. Yhdistimme tämän datan alkuperäiseen tietokantaan Afrikan valtioista ja laskimme kuinka monta prosenttia internetin käyttäjistä Afrikassa omistaa Facebook-käyttäjätilin. Voidaan sanoa, että tulos oli hieman erikoinen, sillä useissa tapauksissa väestöllä voitiin havaita olevan enemmän käyttäjätilejä verrattuna internetin käyttäjien määrään alueella (kuva 2). 

Kuva 1. Valmiiseen tietokantaan Afrikan valtioista on lisätty dataa muun muassa öljyesiintymistä, konflikteista ja timanttikaivoksista.

Laskeminen ei suinkaan loppunut vielä tähän. Määritimme kaivosten, öljyesiintymien ja konfliktien määrän valtioittain käyttäen eri kyselyjä. Sen jälkeen laskimme tietokantojen avulla uniikkien konfliktien määrän Afrikan eri valtioissa vuosien 1947-2008 välillä. Uniikit konfliktit kuvaavat kuinka monena eri vuonna tietyllä alueella on ollut konflikteja. Näiden tietojen avulla pystytään visuaalisen analyysin avulla tutkimaan eri muuttujia. Voidaan tutkia millä alueella on esiintynyt eniten konflikteja ja minkä pituisia konfliktit ovat mahdollisesti olleet. Voidaan tutkia myös miten konfliktit korreloivat timanttikaivosten tai öljyesiintymien kanssa. Kuten kuvasta 2 voidaan huomata, timanttikaivosten sijainti ei suoraan korreloi alueella tapahtuneiden konfliktien määrän kanssa. Esimerkiksi Etiopiassa on vuosien 1947-2008 välillä ollut 104 konfliktia (uniikkeja konflikteja 37) ja timanttikaivoksia alueella on nolla. 

Tietokannasta pystytään ominaisuustietojen avulla päättelemään myös paljon muuta. Kun tiedetään konfliktin laajuus, voidaan tutkia kuinka monen valtioon konflikti vaikuttaa ja ketkä ovat mahdollisesti konfliktissa osapuolina. Timanttikaivosten ja öljykenttien tuottavuusluokittelulla voitaisiin päätellä kuinka tärkeitä nämä sektorit ovat osana valtion taloutta ja elinkeinorakennetta. Voidaan myös tutkia missä valtiossa on eniten kaivoksia tai öljykenttiä ja kuinka moni niistä on toiminnassa. Aloitus- ja löytämisvuodet voisivat puolestaan korreloida erilaisten konfliktien ajankohtiin. Internetkäyttäjien lukumäärästä eri vuosina voidaan tutkia internetin leviämistä ilmiönä ja mahdollisesti ennustaa sen kehitystä alueella tulevaisuudessa.  

Kuva 2. Taulukko part 1. Tietoa Afrikan valtioista. 

Kuva 3. Taulukko part 2. Tietoa Afrikan valtioista. 

Itsenäisenä tehtävänä oli tarkoitus tutkia Suomen valuma-alueita ja laatia tulvaindeksi kartta. Tehtävä oli epäilyttävän helppo viime kurssikerran kamppailun jälkeen. Toisaalta tämä on varmaan moodlesta löytyvien perusteellisten ohjeiden ansiota, eikä merkki siitä että olen vihdoin sisäistänyt QGIS:n taidokkaan käytön. Ensin yhdistettiin tietokanta Suomen valuma-alueista, sekä tietokanta, joka sisälsi tietoa mm. niiden keskivirtaamista. Laskimme tämän avulla tulva-alttiit alueet.  Lisäksi järvisyys on esitettynä kartalla (kuva 4). Olisin voinut laskea järvisyyden itse, mutta päätin mennä matalimman aidan kautta ja käyttää valmista tietokantaa. 

Kuva 4. Suomen tulvaindeksi ja järvisyys. 

En itse tajunnut analysoida laatimaani karttaa, ennen kuin luin Miina Suutarin blogitekstin. Miina huomauttaa blogissaan, että suurimman järvisyyden ja korkeimman tulvaindeksin paikat eivät sijaitse samoilla alueilla. Miina perustelee väitettään seuraavasti: “Korkeimmat tulvaindeksit ovat rannikolla, missä joet laskevat Itämereen ja järvisimmät alueet ovat sisämaassa – etenkin Järvi-Suomessa, mikä ei ole yllättävää. Järvialtaat todennäköisesti tasaavat vuosittaisia tulvia mutta lisäksi mereen laskevat joet keräävät virtaavia vesiä laajalta alueelta.” Tämä näkyy selkeästi kurssilaisten tulvaindeksi kartoissa. Etelä- ja itärannikolla tulvaindeksi on suurimmillaan, kun taas muualla Suomessa se on melko alhainen. 

 

Lähteet

Suutari, M. (2.2.2020). Kerta 3 ja tallentamisen tärkeys. Blogikirjoitus. 

<https://blogs.helsinki.fi/smiina/>

Toinen kurssikerta alkoi tutustumalla eri aineiston tarjoajiin Suomessa. Kävimme läpi mistä löytää aineistoa ja miten muuntaa aineistot QGIS:lle sopivaan muotoon. Lisäksi sukelsimme syvemmälle QGIS:n maailmaan tutustumalla ominaisuuksiin, joihin emme ensimmäisellä kurssikerralla vielä koskeneet. Erittäin hyödylliseksi osoittautui “select features”-työkalu, joka mahdollisti aineiston eri ominaisuuksien tutkimisen nopeasti ja vaivattomasti. Tarkastelimme valintatyökalun avulla muun muassa Suomen kuntia (kuva 1). 

Kuva 1. “Select Features”-työkalu mahdollisti mm. kuntien ja valittujen kuntien naapurikuntien tarkastelun erillisessä ikkunassa.

Kurssikerran varsinainen harjoitustyö oli kuitenkin kuntien pinta-alan laskeminen ETRS-TM35FIN-projektion avulla ja niiden vertailu Mercator-projektiolla saatuihin pinta-aloihin. Laskimme näiden kahden projektion välisen suhteellisen pinta-alan vääristymän prosentteina. Kuten edellisiltä kursseilta on opittu, Mercatorin projektio on oikeakulmainen projektio. Se vääristää suuresti napa-alueiden läheisyydessä sijaitsevien valtioiden pinta-aloja, sillä mittakaava kasvaa siirryttäessä päiväntasaajalta kohti napoja. Kuvasta 3 voidaan selvästi huomatakin, että kaikista vääristyneimmät alueet ovat juuri napa-alueilla. 

Kuva 2. Suomen kunnat pinta-aloittain (ETRS-TM35FIN)                  

                                 

Kuva 3. Mercator-projektion suhteellinen pinta-alan vääristymä verrattuna ETRS-TM35FIN-projektioon. 

Lähdin hyvin mielin kotiin toiselta luentokerralta, sillä olin saanut onnistuneesti tehtyä harjoitustyön ilman liikoja apuja. Odotettu QGIS-kriisi iski kuitenkin sitten muutaman päivän kuluttua, kun tajusin että olin unohtanut kaiken mitä tunnilla oltiin käyty läpi. Yritin epätoivoisesti jäljittää eri työvaiheita aloittamalla tunnilla tehdyn projektin alusta ja katsomalla päädynkö samaan lopputulokseen. Siitä alkoikin monen tunnin taistelu QGIS:n kanssa. Kun olin omasta mielestäni hoksannut miten homma tehdään, rupesin vihdoin tekemään itsenäistä tehtävää. 

Päätin tarkastella eri projektioiden avulla väestötiheyttä ja sen suhdetta pinta-aloihin. Siispä jaoin kuntien ilmoitetun väkiluvun eri projektioiden avulla määritetyllä pinta-alalla. Vertailin kerkenään Mercatorin projektiota ja Lambertin projektiota. Jos tein kaiken oikein, alhaalla (kuva 4 ja kuva 5) pitäisi olla kaksi väestötiheyttä kuvaavaa karttaa, jotka ovat laadittu eri projektioita käyttäen. Lopputulos on melkeinpä varmasti sanottuna virheellinen, enkä siksi käyttäisi kyseisiä karttoja luotettavana tiedon lähteenä. Jos en jo pinta-ala laskujen aikana tuhonnut karttaa, tuhosin sen viimeistään luokitellussa. Päädyin käyttämään “Quantile”-luokittelua ja käytin kahdeksaa luokkaa. Tästä syystä luokat ovat hyvin epätasapainoisia. Väentiheys vaihtelee suurimmassa luokassa jopa 141-6053 asukasta/km².

Kuva 4. Lambert-projektio ja väestötiheys Suomen kunnissa

Kuva 5. Mercator-projektio ja väestötiheys Suomen kunnissa

Kuva 6. Luokittelu, johon päädyin ja jota kadun. (Unohdin lisätä legendat yläpuolella oleviin karttoihin).

 

Kuva 7. Havainnollistava kuva projektioiden välisistä eroista. 

Kuten huomataan, Mercator-projektion mukaan etelässä sijaitsevissa kunnissa on suurempi väestötiheys verrattuna Lambertin projektioon. Ero on hienovarainen, mutta on nähtävissä (kuva 7), että mm. itärannikon kunnat vaikuttavat väestötiheydeltään vähäisemmiltä kun tulos esitetään Mercator-projektion avulla. Tämä johtuu aiemmin mainitsemastani Mercatorin projektioon liittyvästä pinta-alallisesta väärentymästä. Pohjoisten alueiden pinta-alat esiintyvät suurempina kuin ne oikeasti ovat. Tämä vaikuttaa väestötiheyteen niin, että pohjoisten kuntien väestötiheys vaikuttaa pienemmältä kuin se todellisuudessa on. Tämä tulisi paremmin esiin, jos laadittujen karttojen luokittelu olisi kuvaavampi. 

Kuten Carita Aapro-Koski mainitsee blogikirjoituksessaan, on Mercator-projektio väärä valinta kun käsitellään pinta-alariippuvaista tietoa, kuten väestötiheyttä. Tämä tuli selkeästi esiin kurssikerran harjoituksissa. Lisäksi Carita mainitsee blogissaan, että kohtasi samanlaisen tilaanteen kotona, kun kartat eivät enää näyttäneet samoille kuin tunnilla. Jäin itsekin miettimään mitä välivaiheita mahdoin unohtaa, mutta toimikoon tämä muistutuksena itselleni siitä, että koskaan ei voi kerrata liikaa. Jatkossa pitää käydä asiat uudelleen läpi, kun ne ovat vielä tuoreena muistissa. (Tai vaihtoehtoisesti mennä etsimään apua kurssin moodlesta, josta löytyy selkeät ohjeet karttojen laatimiseen. Tajusin tämän elämää mullistavan faktan vasta, kun olin saanut blogitekstin valmiiksi.) 

 

Lähteet: 

Aapro-Koski, C. (26.1.2020). Kurssikerta 2: Projektiovalintoja ja tietokantoja. Blogikirjoitus. 

<https://blogs.helsinki.fi/aacarita/>

 

Geoinformatiikan menetelmät -kurssin ensimmäisen kurssikerta alkoi kertaamalla paikkatietoon liittyviä käsitteitä. Lisäksi kävimme läpi tietokantojen sisältämiä tiedostoja ja niihin liittyviä lyhenteitä. Tämä kaikki oli valmistautumista paikkatieto-ohjelmien käyttöön. Käytimme kurssikerralla QGIS-ohjelmaa, joka on avoin paikkatieto-ohjelma ja mahdollistaa aineistojen analysoinnin sekä muokkauksen. Avattuani QGIS-ohjelman ensimmäisen kerran, häkellyin hieman sen ulkoasun tyhjyydellä. Ohjelma muistutti itseäni muutamasta tutusta piirto-ohjelmasta, mutta kun pääsin käsiksi QGIS:in toimintoihin, tajusin kuinka kaukana se niistä oikeastaan on. Vaikka ohjelman ulkoasu on hyvin yksinkertainen, pitää se sisällään monenlaisia toimintoja, jotka ovat älyttömän hyödyllisiä aineiston tutkimisessa. Tunnilla sai laittaa kaiken keskittymisen peliin, ettei tietyt välivaiheet menisi vahingossa ohi ja jäisi opetuksesta siksi jälkeen. 

Ensimmäisenä harjoituksena latasimme valmiin aineistopaketin kurssin sivustolta ja laadimme sen pohjalta typpipäästöjen suhteellista prosenttiosuutta valtioittain kuvaavan kartan. Harjoittelimme prosessissa tasojen väriteeman muuttamista, sillä QGIS:llä on tapana arpoa toinen toistaan räikeämpiä värejä aineistoille. Lisäksi harjoittelimme atribuuttitaulukkojen muokkaamista, sekä uusien sarakkeiden luomista taulukkoon. Määritimme uusiin sarakkeisiin QGIS:in laskimen avulla typpipäästöjen suhteellisen prosenttiosuuden valtioittain. Tätä tarkoitin sanoessani ohjelman olevan hyvin monipuolinen. Se mahdollistaa erilaisten laskujen tekemisen vain muutaman välivaiheen avulla. Voin sanoa jo ensimmäisen kurssikerran perusteella, että pidän ohjelmasta suuresti. Jos ohjelma olisi kaatuillut koko tunnin tarina olisi tietenkin eri, mutta koin ohjelman hyödylliseksi ja sen kanssa leikkiminen oli viihdyttävää. Alapuolella on kuva siitä, mitä saimme aikaan tunnilla. 

Kuva 1. Typpipäästöjen osuus valtioittain Itämerellä (%)

Kotitehtävänä saimme vapaasti luoda aineiston ominaisuutietojen pohjalta koropleettikartan. Päätin luoda kartan, joka kuvaa mökkien määrää Suomessa kunnittain vuonna 2015. Kotona luotu kartta oli hieman yksinkertaisempi kuin tunnilla tehty harjoitus, sillä sen laatimiseksi ei tarvinnut laskea suhteellisia lukuja tai käyttää yleisesti ohjelman laskinta. Tiedot poimittiin suoraan aineiston atributtitaulukosta ja kunnat luokiteltiin sen perusteella. Käytin luokittelussa “natural breaks” -toimintoja ja säädin luokkien määrää, sillä kun luokkia on liikaa, voi kartan luettavuus kärsiä. Omasta mielestäni ohjelman käyttöliittymä vaikuttaa yksinkertaiselle. Alapuolella on kartta, jonka laadin kotona tunnilla opitun perusteella. Kuten huomataan, mökkikunnat keskittyvät selkeästi Järvi-Suomeen. Myös Pohjois-Suomessa voidaan havaita muutama mökkikunta, merkittävin näistä on Kuusamo. 

Kuva 2. Suomen mökkikunnat vuoden 2015 tietojen perusteella. 

Karttani on kaukana täydellisestä, mutta arvioisin sen olevan ainakin kelvollinen. Kartta voisi sisältää hieman enemmän informaatiota siitä, mikä alueellinen luokittelu kartassa on. Tämä ei välttämättä aukeaisi kartanlukijalle ilman kuvatekstiä. Sanoisin että kartassa on kuitenkin sopivasti luokkia, eikä kartan luettavuus kärsi niiden takia, vaan luokat erottuvat selvästi toisistaan. Yritin etsiä kurssilaisten keskuudesta samasta aiheesta laadittua karttaa nopeasti selaamalla, mutta en valitettavasti löytänyt vastaavaa karttaa. Kuitenkin Tomi Kiviluoman “Johdanto kurssille ja QGIS:in perusominaisuudet” -blogitekstissä (16.1.2020) esiintyvä kartta korreloi osittain omaa luomustani. Tomin nettomuuttoa kuvaavassa kartassa muuttotappioalueet ovat laajalti alueita, jotka omassa kartassani ovat merkittäviä mökkikuntia.  Esimerkiksi Kuusamo ja tietyt Järvi-Suomen kunnat ovat selkeästi muuttotappiokuntia, mutta niihin rakennettujen mökkien määrä on maanlaajuisesti suuri. Tämä ilmenee kyseisillä alueilla usein kausimuuttona ja kesällä kuntien väkiluku kasvaa hetkellisesti.  

Vaikein asia kurssin aloittamisessa ja vauhtiin pääsemisessä oli mielestäni itse blogin kirjoittaminen ja aloittaminen. En tiennyt miten asiat tulisi sommitella tai millaista formaattia käyttää blogitekstiä kirjoittaessa. Päätin siis ottaa blogitekstien kirjoittamisessa rennomman asenteen ja pääasiassa reflektoida aineiston tuottamisen prosessia kurssilla. Blogitekstin kirjoittamisessa alkuun minua auttoi suuresti muiden kurssilaisten blogit. Suuri osa blogeista erinomaisesti laadittuja ja mielenkiintoista lukemista. Tästä esimerkkinä Riina Hiltulan blogikirjoitus “Ensimmäinen kurssikerta – Tutustumista QGIS:iin” (16.1.2020). Blogikirjoitus oli selkä ja auttoi itseäni hahmottamaan mistä tässä on kysymys. 🙂

 

Lähteet: 

Kiviluoma, T. (16.1.2020). Johdanto kurssille ja QGIS:in perusominaisuudet. Blogikirjoitus. 

<https://blogs.helsinki.fi/tomingeoblogi/2020/01/16/johdanto-kurssille-ja-qgisin-perusominaisuudet/>

Hiltula, R. (16.1.2020). Ensimmäinen kurssikerta – Tutustumista QGIS:iin. Blogikirjoitus. 

<https://blogs.helsinki.fi/hiltular/2020/01/16/ensimmainen-kurssikerta-tutustumista-qgisiin/>