Categories
Uncategorized

Valmis!

Kiitos kurssista ja mukavaa kevättä kaikille! 🙂

Categories
Uncategorized

Viikko 7

Oman kartan tekoa

Noniin, viimeinen kurssiviikko! Tällä kurssikerralla tarkoituksena oli etsiä itse tietoa ja tehdä valitsemiensa aineistojen pohjalta vapaavalintainen karttaesitys. Minulla kesti todella pitkään päättää, mistä alueesta ja millaista tietoa sisältävän kartan haluaisin tehdä. Päädyin tekemään karttani tehtävänannon esimerkkiä 3 mukaillen, mikä osoittautuikin mielenkiintoiseksi, mutta haasteelliseksi projektiksi. Valitsin kohteeksi karttalehden numero V4142R, joka sijoittuu Pohjois-Suomeen, Enontekiön kaakkoispuolelle. Tarkoituksena oli tehdä kartta, joka kuvaisi alueen erityispiirteitä sopivan tarkasti, jotta alueesta olisi mahdollista saada yleiskäsitys. Koska kartan alueella sijaitsee osa kansallispuistoa, halusin kartan olevan hyödynnettävissä myös retkeilyssä.

Aloitin projektin lataamalla Paitulista Maanmittauslaitoksen tuottaman maastotietokannan (shapefile) ja korkeusmallin (tiff). Tehtävänannossa varoiteltiin maastotietokannan olevan iso, ja sitä se todellakin oli. Säikähdin jopa aluksi QGIS:n näytölle avautuvaa näkymää (kuva 1), sillä kartasta ei saanut mitään selkoa.

Kuva 1. Ensisilmäys aineistoon.

Karttatasoja oli runsaasti ja niitä ei ollut nimetty järkevästi, toisin kuin kurssin aiemmissa harjoitustehtävissä yleensä on ollut. Kun klikkailin auki tasojen ominaisuustietotaulukoita, en saanut aluksi niistäkään mitään selkoa, sillä kohteilla ei ollut nimiä, vaan ne oli merkitty koodeilla. Lähdin liikkeelle siitä, että avasin toiselle näytölle Maanmittauslaitoksen tuottaman PDF tiedoston, joka sisälsi tietoa maastotietokohteista ja koodit, joilla kohteet aineistossa esitettiin. Sitten aloin käymään aineistoa taso tasolta läpi ja yritin parhaani mukaan löytää karttakohteille selityksiä. Tätä tehdessä nimesin tasoja ja erottelin kustakin tietokannasta haluamiani kohteita omiksi tasoikseen. Select features by value -valintatyökalu oli tässä kovassa käytössä.

Otin mukaan myös korkeusmallin, jonka yhdistin yhdeksi rasteritasoksi build virtual raster -työkalun avulla. Sen pohjalta tein hillshade-analyysin, joka tuotti rinnevarjostus-tason. Kokeilin myös sitä, miten maastotietokannan korkeuskäyrät vastasivat hillshade-analyysin avulla saatuja pinnanmuotoja (kuva 2).

Kuva 2. Korkeuskäyrät ja hillshade analyysin avulla saatu rinnevarjostus.

Kun aineisto alkoi selkeytyä ja korkeusmalli oli testattu, aloin valitsemaan kartalla esitettäviä kohteita ja visualisoimaan niitä havainnollistavin värein ja symbolein. Kohteita valitessa halusin pitää kartalla näkyvien kohteiden määrän maltillisena, jotta kartta pysyisi selkeänä. Esitettävät kohteet valikoituivat lähinnä kartan käyttötarkoituksen mukaan ja siksi kartta korostaa mm. vesistöjä, polkuja, autiotupia ja suotyyppejä. Legendaa silmällä pitäen yhdistelin hieman joitakin kohteita (kuten puuttomat ja puulliset suot), jotta karttamerkkejä ei tulisi kymmeniä erilaisia. Myös nimistöön valitsin kohteita rajoitetusti ja nimesin ainoastaan suurimmat vaarat ja järvet. Alla valmis kartta (kuva 3).

Kuva 3. Kartta Pallas-Yllästunturin kansallispuiston alueesta. Lähde: Maanmittauslaitos.

Kokeilin lisäksi myös viewshed-analyysiä, jota olin jo muutama viikko sitten yrittänyt, mutta huonolla menestyksellä. Selvisi, etten ollut edelliskerralla tajunnut asettaa pistettä, josta katsominen tapahtuu, joten ei ihmekään, etten sitä silloin saanut tehtyä. Tällä kertaa valitsin kartta-alueeltani kolme pistettä, joissa ympäristöä tarkkailtiin 2 m korkeudelta. Analyysin tuloksena kartta näyttää ne vähintään 1 m korkuiset kohteet, jotka katsoja näkee ympyrän keskellä seisoessa (kuva 4).

Kuva 4. Viewshed analyysin tuloksia.

Karttojen tulkintaa ja oman oppimisen arviointia

Kartan tekeminen osoittautui melko työlääksi prosessiksi, mikä johtui lähinnä suuresta aineistosta ja kohteiden valintaprosessista. Olen kuitenkin melko tyytyväinen karttaan, sillä se esittää erileiset kohteet selkeästi ja sen avulla on mahdollista saada hyvä käsitys alueesta. Kartta tuo mukavan huomaamattomasti esiin myös alueen korkeusvaihteluita. Koska karttaan on merkitty polkuverkosto ja autiotuvat, olisi sitä mahdollista hyödyntää myös retkeilyssä. Kartan suurimmat ongelmat liittyvät legendaan ja karttakohteiden selitteisiin. Koska karttakohteita oli aineistossa todella suuri määrä, joutui mutkia vähän oikomaan suoremmiksi ja yhdistelemään esimerkiksi erityyppisiä teitä, jokia ja suoalueita. Myös legendan ja kartan otsikko jäi vähän mietityttämään, sillä en ole varma, täyttäisikö karttani oikean retkikartan kriteerit (lähinnä retkeilyyn liittyvien kohteiden määrää koskien). Itseäni jäi häiritsemään myös kansallispuiston keskellä olevat tummat rajaviivat, mutta en keksinyt, miten ne saisi pois.

Olen kurssin aikana saanut hyvää harjoitusta QGIS:n erilaisten työkalujen käyttöön, analyysien tekemiseen ja uuden tiedon laskemiseen, joten tämänkertainen tehtävä tarjosi kivaa vaihtelua. Opin tällä kerralla oikeasti perehtymään aineistoon ja ottamaan selvää esitettävän tiedon taustoista. Tehtävä aikana pääsin harjoittelemaan kohteiden esittämistä, valintaa ja nimeämistä, sekä kartan yleisilmeen luomista. Myös viewshed analyysi tuli tutummaksi.

Yhteenveto tällä viikolla opituista ja käsitellyistä asioista:
-metatiedot ja aineiston tunteminen
-yleistäminen, kohteiden valinta
-karttakohteiden luokittelu
-visualisointi
-group selection – karttatasojen ryhmittely
-select features by value – valintatyökalujen hyödyntäminen
-viewshed-analyysi
-build virtual raster -työkalu

Lopputerkut

Tämä kurssi on aiheuttanut paljon harmaita hiuksia, mutta tarjonnut sitäkin enemmän oppimisen ja oivaltamisen iloa, sekä uusia taitoja. Olen aina vähän karttanut tällaisia tietoteknistä osaamista vaativia tehtäviä, mutta kurssin myötä olen päässyt kehittymään paljon, ja jopa vähän innostunut paikkatiedosta ja karttojen tekemisestä! Itselleni myös etäopetus toimi paremmin kuin hyvin ja koin suurta hyötyä muun muassa siitä, että luentotallenteita oli mahdollista katsoa jälkikäteen ja kertailla asioita omalla ajalla. Myös blogiympäristön hyödyntäminen oli hauska erikoisuus, joka tuki omaa oppimistani. Blogeista sai vastauksia moniin ongelmiin ja oli muutenkin kivaa käydä katsomassa kanssakurssilaisten tekemiä hienoja karttoja ja hyviä analyysejä. Kaiken kaikkiaan mukavat 7 viikkoa QGIS:n ja paikkatiedon parissa! 😊

Lähteet:

Maanmittauslaitos. 2020. Maastotietokanta 1:10 000. Karttalehti V4142R.
<https://www.maanmittauslaitos.fi/kartat-ja-paikkatieto/asiantuntevalle-kayttajalle/tuotekuvaukset/maastotietokanta-0>

Maanmittauslaitos. 2008–2020. Korkeusmalli. Karttalehdet V4142H, V4142G, V4142E, V4142F.
<https://www.maanmittauslaitos.fi/kartat-ja-paikkatieto/asiantuntevalle-kayttajalle/tuotekuvaukset/korkeusmalli-2-m>

Maanmittauslaitos. 2018. Maanmittauslaitoksen maastotietokohteet. Viitattu: 5.3.2021.
<https://www.maanmittauslaitos.fi/sites/maanmittauslaitos.fi/files/attachments/2018/03/Maastotietokohteet_0.pdf>

Categories
Uncategorized

Viikko 6

Ulkoilua ja interpolointia

Tällä viikolla aloitimme kurssikerran ulkoilemalla ja keräämällä paikkatietoa puhelimeen asennetulla Epicollect5-sovelluksella. Ideana oli liikkua lähiympäristössä ja tallentaa eri paikkojen sijainnit, jonka jälkeen tuli vastata kysymyksiin koskien muun muassa kyseisen paikan viihtyvyyttä, turvallisuutta ja saavutettavuutta. Kun tiedot oli kerätty, tuotiin ne yhdeksi tietokannaksi, jota käsittelimme QGIS:sä. Tarkastelimme pisteitä erityisesti koetun turvallisuuden näkökulmasta. Tarkoituksena oli tehdä interpoloimalla kartta, joka havainnollistaisi turvallisiksi ja turvattomiksi koettuja alueita, sekä niiden välimaastoa. Olin aiemmalla maantieteen menetelmäkurssilla harjoitellut interpolointia käsin pisteiden avulla, mikä oli työläs prosessi. Oli siis hauska huomata, miten vaivattomasti saatiin aikaan interpoloitu kartta, kunhan vain osasi käyttää työkalua oikein. Alla näkyy kurssikerran aikaansaannos (kuva 1).

Kuva 1. Interpoloimalla toteutettu kartta perjantain kurssikertalaisten kokemasta turvallisuudesta lähialueillaan. Kartta perustuu pistehavaintoihin, joissa kyseisen paikan turvallisuutta on arvioitu skaalalla 1 (erittäin turvaton) – 5 (erittäin turvallinen).

Interpoloitu kartta on ihan havainnollistava, mutta täytyy muistaa, että havainnot kattavat vain pienen määrän alueita. Tämän vuoksi kartta ei todellisuudessa kerro kovinkaan paljon Helsingissä koetusta turvallisuudesta. Mikäli havaintoja olisi ollut suurempi määrä ja ne olisivat kattaneet useampia alueita, olisi interpoloinnilla voitu saada aikaan todella hieno ja havainnollistava karttaesitys. Halusin myös kokeilla kuvata perjantain kurssikertalaisten kokemaa turvallisuutta pistekartalla, jossa pisteiden väri kuvaa koettua turvallisuutta kyseisessä paikassa (kuva 2).

Kuva 2. Perjantain kurssikertalaisten koettu turvallisuus Helsingissä. Pisteet on kerätty kunkin kurssilaisen lähialueilta ja pisteiden väri kuvastaa pisteiden osoittamassa paikassa koettua turvallisuutta skaalalla 1 (todella turvaton) – 5 (todella turvallinen).

Pistekartta näytti ajatuksissani paremmalta, kuin mitä lopputulos todellisuudessa oli. Ongelmana oli se, että havaintoja oli kerätty melko laajalta alueelta, mutta eri puolilta Helsinkiä otetut havainnot olivat silti ns. ryppäissä. Tämän vuoksi pisteiden kokoa piti miettiä tarkkaan, jotta pisteet saataisiin erottumaan pienestä sumpusta, mutta samalla voitaisiin kuvata koko aluetta. Vaikka kuinka yritin säätää kokoa, jää silti osa pisteistä vierekkäisten pisteiden alle. Tämän lisäksi yhden kurssilaisen pisteet olivat pk-seudun ulkopuolella, enkä tämän vuoksi voinut ottaa niitä mukaan esitettävälle kartalle. Jos kartasta täytyisi jotain positiivista sanoa, niin kartan ulkoasu on selkeämpi ja visuaalisesti parempi, kuin ensimmäisessä, interpoloidussa kartassa. Halusin molempien karttojen legendan olevan kartta-alueen sisällä, mutta niin, että se peittäisi reunasta mahdollisimman pienen alueen. Katsellessani karttaa blogissa jäin kuitenkin pohtimaan, jäivätkö molempien karttojen legendoissa olevat tekstit kuitenkin turhan pieniksi ja onnistuuko niiden tarkastelu erilaisilla laitteilla.

Hasardeja

Tehtävänä oli tarkastella aineistoja eri hasardeista ja havainnollistaa niitä karttaesityksin. Ideana oli koota kolmen kartan sarja, jota voisi käyttää myös opetustarkoitukseen. Ensimmäinen kartta (kuva 3) esittää magnitudin 6–9,1 maanjäristyksiä vuosina 1940–2012. Kartasta voidaan havaita, että mitä voimakkaampia järistykset ovat, sitä harvemmin niitä esiintyy.

Kuva 3. Magnitudin 6 ja sitä voimakkaammat maanjäristykset vuosina 1940-2012. Lähde: NCEDC 2014.

Kokeilin hakea samalta ajalta vähintään magnitudin 3 ja sitä suurempia järistyksiä, mutta asettamani 100 000 kohteen raja ylittyi. Kokeilin seuraavaksi magnitudilla 4 ja sama juttu. Edes 200 000 kohteen raja ei riittänyt. Koska halusin tarkastella myös heikompia järistyksiä ja niiden sijaintia, enkä halunnut käsitellä liian isoa aineistoa, päätin tarkastella vähintään magnitudin 4 järistyksiä lyhyemmällä aikavälillä. Seuraavassa kartassa (kuva 4) on siis näkyvissä vuosina 2000–1012 tapahtuneet maanjäristykset, jotka olivat voimakkuudeltaan vähintään magnitudin 4 järistyksiä. Lisäksi kartta korostaa magnitudin 6 ja sitä voimakkaampia maanjäristyksiä.

Kuva 4. Vuosina 2000–2012 tapahtuneet, vähintään magnitudin 4 järistykset. Vähintään magnitudin 6 järistykset ovat korostettuina punaisella. Lähde: NCEDC 2014.

Kuten huomataan, erottuu kartasta edelliseen karttaan verrattuna paljon enemmän yhtenäisiä linjoja. Kartta tuo esiin myös pienempien maanjäristysten valtavan määrän. Mitatulla aikavälillä tapahtuneista (vähintään magnitudin 4) järistyksistä ainoastaan 1 % oli voimakkuudeltaan magnitudin 6 ja sitä voimakkaampia järistyksiä.

Kolmas tekemäni kartta (kuva 5) on vähän erilainen. Siinä näkyy havainnollistettuna tulivuoret ja havaitut tsunamit, joiden maksimaalinen aallonkorkeus on ollut vähintään 4 metriä.

Kuva 5. Tulivuoret ja tiedossa olevat tsunamit, joissa maksimiaallonkorkeus on ollut vähintään 4 metriä. Lähde: NOAA.

Mikäli karttoja käytettäisiin opetustarkoitukseen, olisi niiden avulla mahdollista esittää litosfäärilaattojen sijaintiin ja liikkeisiin liittyvää tietoa, sekä pohtia yhteyksiä tulivuorten sijaintiin ja maanjäristyksiin. Opetustilanteessa olisi hyvä tarkastella karttoja ja niiden sisältämää tietoa kiinnittäen huomiota erityisesti kartoilla esitettyjen kohteiden määrään, sijaintiin, magnitudilukuihin, sekä siihen, miltä ajanjaksolta tiedot on kerätty. Kysymykset liittyisivät esimerkiksi siihen, miksi toisen kartan esittämiä, reilun 12 vuoden aikana tapahtuneita järistyksiä näyttäisi olevan runsaasti enemmän, kuin ensimmäisessä kartassa olevia, reilun 70 vuoden aikana tapahtuneita järistyksiä. Kolmannen, tulivuoria ja tsunameja kuvaavan kartan, avulla voisi miettiä, onko näillä ja edellisillä kartoilla jotain yhteistä. Avuksi voitaisiin ottaa myös kartta, jossa olisi näkyvillä litosfäärilaattojen saumakohdat ja liikesuunnat (esimerkiksi tämän kaltainen kartta). Harjoitus sisältäisi asioiden oppimisen lisäksi hyvää kartanlukuharjoitusta, eri kartoilla näkyvän tiedon yhdistämistä ja omaa pohdintaa asioiden yhteyksistä.

P.S. Bongasin Sannan blogista erityisen hienosti ja kekseliäästi tehtyjä karttoja, joissa muun muassa maanjäristysten voimakkuuden esittämiseen oli yhdistetty tietoa suurkaupunkien väestöstä. Kannattaa käydä kurkkaamassa!

Lopputerkut

Tämä kurssikerta oli todella kiva ja aihe innostava! Harjoitus kehitti taitojani muokata ja tarkastella tietoa excelissä, sekä antoi uskallusta kokeilla jatkossa itsekin etsiä ja tuoda tietoa paikkatieto-ohjelmaan. Tämänkertaisten aineistojen tuonti QGIS:iin sujui ilman ongelmia, mutta uskon, että käyttämäni aineistot olivat helpoimmasta päästä ja pääsen kyllä tulevaisuudessa jumppaamaan myös haastavampien aineiston tuontiin liittyvien ongelmien kanssa. Huomasin myös sen, miten tärkeää on rajata asetuksissa aineisto sellaiseksi, että se pysyy kontrolloidun kokoisena, jotta esimerkiksi excel ja QGIS pystyvät pyörittämään sitä sujuvasti.

Lähteet

Korpi, S. 23.2.2021. Hasardit paikat. Viitattu: 3.3.2021.
< https://blogs.helsinki.fi/sakorpi/>

Mäkinen, A. Litosfäärilaatat -diaesitys.
< https://slideplayer.fi/slide/13576476/>

NCEDC. 2014. Historic ANSS Composite Catalog Search.
< https://ncedc.org/anss/catalog-search.html>

NOAA. Earthquakes.
< https://www.ngdc.noaa.gov/hazel/view/hazards/tsunami/event-data#>

NOAA. Tsunami events. <https://www.ngdc.noaa.gov/hazel/view/hazards/tsunami/event-search>

Categories
Uncategorized

Viikko 5

Tällä viikolla päästiinkin toden teolla ajattelemaan ja soveltamaan jo opittuja asioita. Aiemmilla kerroilla kaikki on näytetty kädestä pitäen ja minulle olikin syntynyt mielikuva, että QGIS osaamiseni oli ihan hyvällä tasolla. Noh, jo ensimmäisen tehtävän aikana putosin kuitenkin kovaa ja korkealta todellisuuteen ja tajusin, että tehtävät tulevat olemaan minulle todella haasteellisia. Tämänkertainen blogiteksti sisältää tehtyjen tehtävien vastauksia, omia oivalluksia, sekä vastaan tulleita haasteita.

Lentokentät ja taajamat

Kohtasin ongelmia jo heti Malmin lentokenttätehtävän alussa. Huomasin, että yrittäessäni luoda bufferivyöhykettä, näkyi etäisyys asteina, eikä metreinä, mikä luonnollisesti piti saada korjattua. Ratkaisun löytämiseksi täytyikin palata askel taaksepäin kohtaan, jossa luotiin kiitoratoja. Uutta shapefile layersiä luodessa oli muistettava valita projektin koordinaattijärjestelmän mukainen koordinaattijärjestelmä, jotta kaikki toimisi, niin kuin pitää. Tehtävää tehdessä pelattiin monien eri bufferitasojen, sekä valittuja kohteita sisältävien tasojen kanssa. Tasot tuppasivat menemään helposti sekaisin, joten jatkossa muistin kiinnittää erityistä huomiota tasojen nimeämiseen, mikä selkeytti tehtävien tekoa.

Laskiessani Malmin lentokentän käyttöönoton jälkeen rakennettujen talojen määrää, kokeilin monia eri valintatyökaluja, ennen kuin tajusin tallentaa 1 km säteellä olevat kohteet omaksi tasoksi, jolloin pystyin karsimaan taloja vuosiluvun mukaan Select by value -toiminnolla. Näin sain selville, että 1 km alueella olevista taloista lähes 94 % on rakennettu vuoden 1936 jälkeen, eli Malmin lentoasema kuuluu alueen vanhimpiin rakennelmiin. Statistics paneeli oli tässä tehtävässä todella kätevä apuväline, jota opin hyödyntämään melko näppärästi!

Hki-Vantaa tehtävä sujui aikalailla ilman suurempia ongelmia, mutta antoi hyvää harjoitusta statistics-paneelin ja valintatyökalujen käyttöön. Viimeisessä kohdassa Tikkurilan lentomelua havainnollistaessa meni hetki tajuta, mitä tehtävässä haettiin. Lopulta piirsin viivoittimen avulla 7 km viivan kiitoradan kaakkoispäätyyn ja tein sille 500 metrin bufferin, jolloin sain selville bufferin alueella asuvien ihmisten määrän. Asematehtävän c-kohdassa sain laskettua työikäisten määrän, joskin hieman eri reittiä, kuin tehtävänannossa ohjeistettiin. Sain tuloksen ehkä vähän vahingossa, kun laskin väestötietokannan ominaisuustietotaulukkoon työikäisten yhteismäärää. Tarkoituksena oli siis aluksi laskea kaikkien tietokannan työikäisten määrä, ja myöhemmin valita vain asemien bufferivyöhykkeellä asuvat. Ihmettelin aluksi tulosta (74 989), joka tuntui pieneltä työssäkäyvien määrältä alueen ihmismäärään nähden. Silloin tajusin, että laskuja tehdessäni minulla oli ilmeisesti ollut jo valittuna nämä bufferivyöhykkeillä asuvat ihmiset, jolloin saamani tulos alkoikin jo vaikuttaa realistisemmalta. Työssäkäyvien osuus oli siis noin 67 %. Tässä nähtiin taas, että on tärkeää tuntea aineisto, ja tarkastella tuloksia kriittisesti, sillä varsinkin näin aloittelijana saattaa helposti luulla tekevänsä asiat oikein, vaikka todellisuudessa mentäisiin metsään.

Kakkostehtävässä vastaan tuli yllättävä ongelma. Olin jo aiemmin statisticsia tarkastellessani huomannut ulkomaan kansalaisten määrän näyttävän oudolta. Minulle oli jäänyt jostain mieleen ominaisuustietotaulukossa esiintyvät 999999 arvot, joita tässä ulkomaan kansalaisten sarakkeessa oli monta sataa. En keksinyt muuta keinoa, kuin käydä naputtelemassa ne yksitellen pois. Tähänkin olisi varmasti olemassa jokin vaivattomampi konsti, mutta tällä kertaa mentiin näin. Alla vielä tehtävien 1 ja 2 vastauksia taulukkomuodossa.

Taulukko 1. Ensimmäisen ja toisen tehtävän vastauksia.

Noniin, eli mitä ensimmäiset tehtävät opettivat? Ainakin bufferointiin, statistics-paneelin hyödyntämiseen ja valintatyökalujen käyttöön sai lisää varmuutta ja lisäsin myös ymmärrystäni QGIS:n logiikasta toimia niin, kuin se tietyissä tilanteissa toimii. Bufferointia voisi hyödyntää tehtävänannon esimerkkien lisäksi monessa asiassa, ja se onkin yhdessä esimerkiksi väestötietokannan kanssa loistava työkalu vaikka palvelujen tarpeen kartoittamiseen ja uusien palveluiden sijainnin suunnittelemiseen. Esimerkiksi terveydenhoitopalveluiden sijaintitiedon avulla voitaisiin muodostaa niiden ympärille bufferit, ja tarkastella sitä, monenko eläkeikäisen ihmisen saavutettavissa ne ovat, ja onko olemassa alueita, joilla uusille terveydenhoitopalveluille voisi olla tarvetta. Lisäksi esimerkiksi yrittäjä voisi kilpailevien palveluntarjoajien sijainnin ja kohdeväestön tietojen avulla etsiä yritykselleen kannattavaa sijaintia, jossa sen tarjoamalle palvelulle olisi tarvetta ja jossa se olisi helposti kohderyhmän saavutettavissa. Eero toi blogissaan esiin hyvän pointin siitä, että saavutettavuutta ei tosielämässä voida mitata ainoastaan tietylle etäisyydelle asetettujen bufferivyöhykkeiden kautta, vaan siihen vaikuttavat muutkin tekijät, kuten liikenneväylät. Bufferointi on silti varsin kätevä analyysityökalu, jota haluaisin oppia hyödyntämään entistä sujuvammin.

Putkiremontit

Putkiremonttitehtävässä tarkasteltiin pk-seudulla vuosina 1965–1970 rakennettuja kerrostaloja (eli ns. putkiremonttitaloja), joissa putkiremontit ovat olleet tai tulevat olemaan lähivuosina ajankohtaisia. Pääsin tehtävässä aluksi ihan hyvin alkuun, kun kikkailin valintatyökalujen kanssa, joiden käyttöön oli jo aiempia tehtäviä tehdessä syntynyt pieni rutiini. Alla olevaan taulukkoon on listattu
saamiani vastauksia.

Taulukko 2. Putkiremonttitehtävän vastauksia.

Tämän jälkeen oli aika siirtyä tekemään laskutoimituksia ja koropleettikarttaa. Tehtävänä oli siis tehdä koropleettikartta, joka esittäisi putkiremonttikerrostalojen (eli vuosina 65-70 rakennettujen) suhteellisen määrän kullakin pienalueella. Olin selaillut muiden kurssilaisten blogeja, jossa Ville kertoi tehtävän suorittamiseen tarvittavan analyysin olevan count points in polygon. Tässä kohtaa tiesin, mitä piti tehdä, mutta en onnistunut laskemaan pisteitä. Pienen hermoromahduksen jälkeen QGIS meni kiinni ja pysyi kiinni pari päivää, jonka jälkeen palasin tehtävän pariin ja sain kuin sainkin väsättyä kartan valmiiksi. Ongelmia tuli toki vastaan, ja yksi niistä oli (ilmeisesti monillakin ilmennyt) invalid geometry error. Ville oli blogissaan vinkannut Annikan blogista, jossa tähänkin ongelmaan löytyi vastaus. Kiitos kurssikamut!

Tein siis yhden koropleettikartan, joka kuvaa putkiremonttitalojen suhteellista osuutta kaikista kerrostaloista pienalueilla (kuva 1), sekä toisen kartan, jossa näkyy kunkin alueen absoluuttinen putkiremonttitalojen määrä numeroina (kuva 2).

Kuva 1. Putkiremonttitalojen, eli vuosina 1965-1970 rakennettujen kerrostalojen, osuus kaikista kerrostaloista pääkaupunkiseudun pienalueilla. Putkiremonttitalojen sijainnit merkitty pisteillä. Valkoisella värillä on kuvattu ne pienalueet, joissa ei ollut kerrostaloja.
Kuva 2. Putkiremonttitalojen, eli vuosina 1965-1970 rakennettujen kerrostalojen, määrä pääkaupunkiseudun pienalueilla.

Karttoja tehdessä painiskelin lähinnä visuaalisuuteen ja tiedon välittämiseen liittyvien kysymysten kanssa. Mietin pitkään, voinko käyttää otsikossa sanaa ”putkiremonttitalot” vai pitäisikö mukaan liittää talojen vuosiluvut. Päädyin kuitenkin siihen lopputulokseen, että otsikossa voidaan puhua putkiremonttitaloista, sillä kartan tarkoitushan on  kuvata juuri tätä ilmiötä. On kuitenkin tärkeää, että otsikon ollessa yksinkertainen, on kuvatekstin annettava tarkempaa tietoa siitä, mitä nyt todella on mitattu ja esitetty. Kartoista ensimmäinen koropleettikartta (kuva 1) miellyttää enemmän visuaalista silmääni, kuin putkiremonttien absoluuttista määrää kuvaava kartta (kuva 2). Se myös välittää melko hyvin tietoa siitä, missä putkiremppatalojen osuus on suurin, sekä havainnollistaa myös talojen sijaintia. Putkifirmana suuntaisin kuitenkin ennemmin jälkimmäisen kartan osoittamiin kohteisiin.

Jälkimmäisen kartan visuaalinen ilme jäi jokseenkin vajaaksi, mutta halusin tarkoituksella jättää taustan alueet yksivärisiksi, ja kokeilla esittää tietoa pelkästään numeroin (kokeilin myös esittää absoluuttisia lukumääriä esim. koropleettikarttana, sekä pylväsdiagrammeina). Kartta oli niin yksinkertainen, että se olisi voinut toimia myös pelkällä otsikolla, ilman kahta (hieman tökeröä) karttaselitettä. Molempien karttojen tarkastelua olisi helpottanut jonkinnäköinen paikannimistö, joka taas toisaalta olisi voinut tehdä niistä turhan epäselviä.

Karttoja tehdessä sain paljon harjoitusta visualisoinnista ja opin myös uusia tapoja esittää asioita. Esimerkiksi toiselle kartalle lisättyjä lukumääriä (labels) edelsi pitkä taistelu QGIS:n visualisointityökalujen kanssa. Tämän aikana tuli kokeiltua myös monia muita ominaisuuksia ja tapoja visualisoida tietoa numeroin, värein ja symbolein. Opin myös ensimmäistä kertaa lisäämään legendalle otsikon ja rivittämään sen (meni varmaan ekan viikon luennolla ohi). Aiemmin ns. otsikkona on toiminut ensimmäisen karttamerkin selite, kuten vaikka kartassa 1. Tehtävässä opin myös jo unohtuneen points in polygon -analyysin, sekä pääsin kertaamaan join-tietokantaliitoksia ja uuden tiedon laskemista sarakkeisiin.

Lopputerkut

Tähän kertaan mahtui monia hermojen menettämisiä, jes-fiiliksiä, sekä ennen kaikkea oppimista. Olin jopa ihan yllättynyt, miten paljon onnistumisen iloa tunsin, kun hoksasin jotain uutta, tai onnistuin kokeilemalla suorittamaan jonkun minulle haastavan toiminnon. Ensimmäistä kertaa oli pakko oikeasti miettiä, miksi tein asioita ja millä keinoilla annettuun tehtävänantoon pystyisi parhaiten vastaamaan. QGIS:n jotkut perustoiminnot alkavat jo sujua, mutta pieni epävarmuus on yhä läsnä lähes kaikessa, mitä teen. Tähän epävarmuuteen ei auta mikään muu, kuin harjoittelu ja asioiden toistaminen. Tekemällä oppii!!

Lähteet:

Innanen, A. 18.2.2021. Harjoitus 5: SOS, help, apua! Viitattu: 1.3.2021.<https://blogs.helsinki.fi/anninnan/2021/02/18/harjoitus-5-sos-help-apua-ja-uima-allas-ja-saunakarttoja-pk-seudulta/>

Turkki, E. 22.2.2021. Ongelmanratkaisua. Viitattu: 1.3.2021.
< https://blogs.helsinki.fi/turkkiee/>

Väisänen, V. 19.2.2021. Bufferointia ja putkiremontteja. Viitattu: 1.3.2021.
<https://blogs.helsinki.fi/villvais/2021/02/19/bufferointia-ja-putkiremontteja/>

Wikipedia. 2021. Helsinki-Malmin lentoasema. Viitattu: 27.2.2021.
< https://fi.wikipedia.org/wiki/Helsinki-Malmin_lentoasema>

Categories
Uncategorized

Viikko 4

Ruututietoa

Aloitimme kurssikerran tutustumalla ruutuaineiston tuottamiseen tehtävällä, jossa pääkaupunkiseudun asutustietoa sisältävää pistemuotoista aineistoa yhdistettiin itse muotoiltuun ruudukkoon. Pohjalla toimi pk-seudun pistetietokanta, joka sisälsi tietoa kaikista rakennuksista, joissa asuu vähintään yksi ihminen. Tietoa yhdistelemällä ja ominaisuustietotaulukkoa hieman supistamalla saatiin lopputuloksena ruututietoa, joka sisälsi tietoa ruudun alueella asuvan väestön kokonaismäärästä, sekä muun muassa ruotsinkielisten, muunkielisten ja ulkomaan kansalaisten määrästä.

Alla olevassa kartassa (kuva 1) näkyy kurssikerran aikaansaannos ruotsinkielisen väestön absoluuttisista määristä pääkaupunkiseudun alueella. Kartasta huomataan, että eniten ruotsinkielisiä on keskustan alueella ja sen läheisyydessä. Karttaa tarkastellessa täytyy kuitenkin muistaa, että näillä alueilla on myös tihein asutus. Mikäli tarkoituksena on välittää yksinkertaisesti tietoa siitä, millä alueilla ruotsinkielisiä on eniten, onnistuu kartta siinä melko hyvin. Koska kartasta ei ilmene mitään muuta väestötietoa (esimerkiksi asukastiheyttä tai kokonaisväestön määrää), ei kartan avulla onnistuta kuitenkaan tekemään suurempia johtopäätöksiä asiasta.

Kuva 1. Ruotsinkielisten asukkaiden määrä 1 km2 ruuduissa pääkaupunkiseudulla.

Tarkastelin myös ulkomaan kansalaisten suhteellista määrää, eli sitä, millä alueilla asuu eniten ulkomaan kansalaisia alueen kokonaisasukasmäärään nähden. Sain tämän tiedon laskutoimituksella: ulkomaan kansalaiset x 100 / asukkaiden kokonaismäärä. Alla olevasta kartasta (kuva 2) nähdään, että eniten ulkomaan kansalaisia suhteessa muuhun väestöön on etenkin Itä-Helsingissä, Leppävaara-Kannelmäki akselilla, Vantaan Koivukylän alueella, sekä yksittäisissä ruuduissa ympäri pääkaupunkiseutua. Helsingin keskustan alueella ja sen lähistöllä ulkomaan kansalaisten osuus on selvästi pienempi, kuin kauempana keskustasta. Kartan luettavuutta olisi ehdottomasti parantanut se, jos kartassa olisi ollut näkyvissä paikannimet, sekä vaikkapa suurimmat keskukset, valtatiet ja raidelinjat. Näin kartta olisi ollut jo itsessään havainnollisempi ja lisäksi sen avulla olisi pystynyt tekemään monipuolisempaa päättelyä väestön sijoittumiseen liittyen.

Kuva 2. Ulkomaan kansalaisten osuus (%) kokonaisväestöstä 1 km2 ruuduissa pääkaupunkiseudulla.

Kävin jälkeenpäin tutkiskelemassa myös muiden kurssilaisten aikaansaannoksia, ja huomasinkin, että samasta aineistosta oli saatu aikaiseksi todella mielenkiintoisia karttoja. Mieleen jäivät muun muassa Sannan rakennusten käyttöönottovuosien mediaaneja kuvaava kartta, Ronin vanhimpia kiinteistöjä esittävä kartta, sekä Annikan hienosti visualisoidut, muunkielisten osuutta ja asukkaiden keski-ikää esittävät kartat.

Rastereita ja oman tietokannan luontia

Kurssikerran toisella puoliskolla harjoiteltiin erilaisen rasteritiedon yhdistämistä, rasteriaineistoille soveltuvien työkalujen käyttöä, sekä rasterianalyysejä. Aineistona käytettiin muun muassa Pornaisten seudun peruskarttalehteä, sekä korkeusmalliaineistoa. Aluksi neljä rasterimuotoista korkeusaineistoa yhdistettiin yhdeksi virtual raster -työkalun avulla. Virtuaalirasterin tarkkuutta valitessa oli kolme vaihtoehtoa; highest, lowest ja average. Käytimme harjoituksessa averagea, mutta esimerkiksi korkeinta resoluutiota käyttämällä olisi kartasta saanut erityisen tarkan. Teimme myös rasterimuotoiselle maanpinnan korkeuseroja kuvailevalle aineistolle hillshade-analyysin, jonka lopputuloksena syntyi rinnevarjostuskartta. Hillshade-karttatason läpinäkyvyyttä ja asetuksia säätämällä saatiin näkyviin myös alla oleva peruskarttalehti, jolloin pinnanmuotoja pystyi tarkastelemaan yhdessä karttakohteiden kanssa. Alla olevassa kuvassa (kuva 3) on näkyvissä, kuinka virtual-taso muuttui hillshade-analyysin seurauksena. Karttalehteen lisättiin myös vektorimuotoiset korkeuskäyrät contour-työkalun avulla. Korkeuskäyrät olivat ehkä turhankin yksityiskohtaisia ja niitä ei sellaisenaan olisi kannattanut esimerkiksi maastokartassa käyttää. Yleistetympiä korkeuskäyriä olisi ollut mahdollista saada valitsemalla virtuaalirasterin tarkkuudeksi alhaisin mahdollinen.

Kuva 3. Vasemmalla virtual-taso ja oikealla hillshade-analyysin tuloksena syntynyt rinnevarjostus-taso.

Olin itse aika hämmästynyt, miten paljon rasterimuotoista karttaa pystyikään muokkaamaan ohjelman avulla ja miten paljon erilaisia työkaluja ja analyysejä tähän löytyi. Kurssikerralla yhdessä tehtyjen analyysien lisäksi kokeilin tehdä myös viewshed-analyysiä, jonka tarkoituksena oli käsittääkseni näyttää ne alueet halutulta etäisyydeltä, jotka kartalle asetetusta pisteestä tietyllä katselukorkeudella näkyisivät. Analyysin tekeminen kuitenkin kaatoi koko QGIS:sin, mikä tosin saattoi johtua myös analyysiin asettamistani valinnoista, joita naputtelin tietämättä tarkkaan, mitä olin tekemässä.

Lopuksi loimme Pornaisten rasterimuotoisen peruskartan pohjalta itse kaksi vektoritietokantaa, johon tallensimme määritellyn alueen tiet viivamuotoisina kohteina ja asutusrakennukset pisteinä. Kohteet piirrettiin manuaalisesti kartalle ja sitten tallennettiin omiksi tietokannoikseen, joita tultaisiin hyödyntämään seuraavalla viikolla. Ajattelin aluksi varsinkin rakennusten merkitsemisen olevan todella työlästä ja aikaa vievää, mutta loppujen lopuksi naputtelu sujuikin melko nopeasti.

Lopputerkut

Tällä viikolla käsiteltiin monipuolisesti erilaisia aineistoja ja opittiin monenlaisen tiedon käsittelyä, sekä uusien työkalujen ja analyysimenetelmien käyttöä QGIS:sä. Odotan jännityksellä ensi viikkoa, sillä meidän käskettiin valmistautua henkisesti rankkaan kurssikertaan.  Olen samaan aikaan kuitenkin innoissani, sillä itsenäinen tekeminen ja ajattelutyö on paras tapa sisäistää asioita, oppia soveltamaan jo opittua tietoa, sekä hahmottaa kokonaisuuksia.

Lähteet:

Innanen, A. 11.2.2021. Harjoitus 4: Väestöteemakartta ruutuaineistosta. Viitattu 1.3.2021.<https://blogs.helsinki.fi/anninnan/2021/02/11/harjoitus-4-vaestoteemakartta-ruutuaineistosta/>

Korpi, S. 15.2.2021. Oma ruutuaineisto (vk4). Viitattu 1.3.2021.<https://blogs.helsinki.fi/sakorpi/>

Kurvi, R. 12.2.2021. Neljäs kurssikerta 12.2.2021. Viitattu 1.3.2021.<https://blogs.helsinki.fi/ronikurv/>

Categories
Uncategorized

Viikko 3

Kurssikerralla pyöriteltiin tietokantoja ja harjoiteltiin muun muassa tietokantaliitosten tekemistä. Lisäksi käytiin läpi erillisten karttakohteiden yhdistämistä erilaisilla menetelmillä. Harjoitusten lopputuloksena syntyi kartta (kuva 1), joka esittää Afrikan valtioiden konflikteja, sekä timantti- ja öljyesiintymiä. Kartta havainnollistaa punaisen eri sävyillä sitä, kuinka monen eri vuoden aikana kussakin valtiossa on ollut konflikteja. Mitä tummemman punainen alue on, sitä pitkäkestoisempaa valtion epävakaus on ollut. Luonnonvaraesiintymien sijainteja tarkastelemalla voidaan pohtia sitä, millainen on niiden yhteys valtion mahdolliseen pitkittyneeseen epävakaustilanteeseen.

Kuva 1. Afrikan valtioiden timantti- ja öljyesiintymät, sekä eri vuosina tapahtuneet konfliktit.

Käytössä olleen aineiston avulla voitaisiin tehdä monia mielenkiintoisia karttaesityksiä ja johtopäätöksiä. Yksi kiinnostava tutkimuskohde voisi olla se, onko pitkittyneiden konfliktien esiintymisellä mitään yhteyttä valtion internetin käyttäjämäärään (väkilukuun suhteutettuna). Internetin käyttö viestii kuitenkin jonkin asteisesta kehityksestä, joten olisikin mielenkiintoista nähdä, ovatko runsaslukuiset tai pitkään jatkuneet konfliktit vaikuttaneet tähän kehitykseen. Samaa tietoa voisi pyöritellä myös toisin päin ja tehdä päättelyä siitä, onko luonnonvararikkaista maista konflikteja vähemmän niissä maissa, joissa tekninen kehitys on edistyneempää.

Yksi kurssikerrallakin mainittu analyysi voisi olla bufferianalyysi eli vyöhykeanalyysi, jolla konfliktin säde -tiedon avulla muodostetaan vyöhyke konfliktikohteiden ympärille. Tällöin olisi mahdollista nähdä, mitkä alueet jäisivät vyöhykkeiden sisälle ja konfliktien vaikutusten laajuus tulisi näin ollen paremmin ilmi. Olisi myös mahdollista havainnollistaa esimerkiksi esiintymien löytämisvuosien ja perustamisvuosien perusteella sitä, kuinka nopeasti löytöhetkestä kaivokset ovat aloittaneet toimintansa. Näitä tietoja voisi myös verrata alueella sattuneiden konfliktien ajankohtaan ja pohtia, onko näillä selkeää yhteyttä.

Tehtävä

Tämänkertaisessa tehtävässä oli tarkoituksena visualisoida Suomen järvisyyttä, sekä valuma-alueiden tulvariskiä. Tehtävässä pääsin harjoittelemaan käytännössä juuri opittuja asioita tietokantaliitoksista ja visualisoimaan karttaa uusilla tavoilla. Sain onnistuneesti tehtyä tietokantaliitokset, mutta järvisyysprosenttitaulukkoa tuodessani ä:t ja ö:t muuttuivat kysymysmerkeiksi. Onnekseni apu löytyi nopeasti muiden kurssilaisten blogeja selaamalla, sillä Aino oli kohdannut samanlaisia ongelmia ja avasi ratkaisua niihin blogissaan (muuta encoding-kohta > system).

Valmiissa kartassa (kuva 2) tulvaindeksi on esitetty koropleettikarttana ja järvisyysprosentit pylväinä. Karttaa tulkitessani tajusin, että vaikka järvisyysprosentti ja tulvaindeksi olivat minulle jokseenkin tuttuja käsitteitä, en tiennyt niiden tarkkoja määritelmiä. Googletin järvisyysprosentin tarkan määritelmän ja selvisi, että sillä tarkoitetaan kunkin valuma-alueen järvien yhteispinta-alan prosenttiosuutta valuma-alueen kokonaispinta-alasta (vesi.fi). Tulvaindeksi selitettiin kurssikerran aineistoissa, ja ymmärsin sen tarkoittavan ns. alueen tulva-alttiutta, joka saadaan jakamalla keskiylivirtaama keskialivirtaamalla. Karttaa katsoessa on havaittavissa selvää yhteyttä järvisyysprosentin, sekä tulvaindeksien välillä. Niillä alueilla, joissa järvisyysprosentti on korkea, on myös tulvaindeksi keskimääräisesti matalampi. Ne alueet, joissa järviä on vähän, ovat taas kartan perusteella tulva-alttiimpia.

Kuva 2: Suomen valuma-alueiden tulvaindeksit ja järvisyysprosentit.

Lopputerkut

Tämän viikon aihe ja tehtävä olivat minulle melko haasteellisia, mutta koen myös oppineeni paljon uutta ja hyödyllistä. Tällä kerralla myös kanssakurssilaisten blogeista saadut vinkit ja apu olivat korvaamattomia!

Lähteet:

Schulz, A. 3.2.2021. Kolmas luento ja sen kotitehtävät. Viitattu: 8.2.2021.
< https://blogs.helsinki.fi/scsc/>

Vesi.fi. Järvisyysprosentti. Viitattu: 9.2.2021.
< https://www.vesi.fi/sanasto/jarvisyysprosentti/>

 

Categories
Uncategorized

Viikko 2

Toisen viikon pääteemana olivat projektiot ja niiden vääristymien mittaaminen. Kurssikerralla tutustuttiin mittaustyökaluihin, joiden avulla oli mahdollista mitata haluttu etäisyys ja pinta-ala valitulla projektiolla. Mittaustyökalun avulla sai näkyviin pituudet ja pinta-alat niin ellipsoidin pinnalla (maanpinnan kaarevuus huomioitu) kuin tason pinnalla. Liikkeelle lähdettiin tekemällä mittauksia ETRS89-TM35FIN -projektiolla, joka kuvaa Suomea melko todenmukaisena. Valitsin kolmiomaisen mitattavan alueen ja itä-länsisuuntaisen mittausviivan Pohjois-Suomesta. Mitatut tulokset ellipsoidin pinnalla sekä tasolla näkyvät alla olevassa taulukossa (taulukko 1).

Taulukko 1. ETRS89-TM35FIN -projektiolla mitattu pituus/pinta-ala tasolla ja ellipsoidilla.

Kuten taulukosta huomataan, vastasi tasolla mitattu pituus melkein täysin pituutta maan kaarevalla pinnalla. Pinta-alassa oli hieman eroa tason ja ellipsoidin välillä, mutta erot olivat varsin maltillisia.

Seuraavaksi vertailin viiden muun projektion lukuja TM35-projektion lukuihin ja käytin tason mittoja. Tulokset on esitetty alla olevassa taulukossa (taulukko 2) ja niissä näkyy kunkin projektion mittaustulokset, pituuden ja pinta-alan erotukset, ero prosentteina, sekä suhde.

Taulukko 2. Eri projektioiden pituudet ja pinta-alat verrattuna TM35:n vastaaviin. Prosentuaalinen ero tarkoittaa sitä, kuinka monta prosenttia kullakin projektiolla mitattu pituus tai pinta-ala on suurempi/pienempi, kuin TM35:llä mitatut. Suhdeluku kertoo, monenko kertaisia eri projektioiden luvut ovat verrattuna TM35:een.

Taulukon perusteella voidaan todeta, että kaikki näistä projektioista vääristävät todellisuutta enemmän tai vähemmän. Maan pallomuodon projisoinnissa tasolle on se ongelma, että niin pinta-alaa, pituuksia, kuin kulmia ei voida kuvata oikein, vaan on tehtävä valintoja sen perusteella, millaisiin käyttötarkoituksiin karttaa tehdään. Taulukossa ensimmäisenä näkyvä Robinsonin projektio on maailmankartoissakin yleisesti käytetty projektio, jonka tarkoitus on olla ns. kompromissi edellä mainittujen ominaisuuksien välillä. Vaikka projektion on tarkoitus esittää alueet mahdollisimman todenmukaisina, aiheuttaa se silti vääristymiä etenkin lähellä napoja, esittäen siellä olevat alueet todellista suurempina (Wikipedia 2017). Taulukostakin voidaan huomata, että esimerkiksi mitattu pinta-ala näyttäytyy Robinsonin projektiolla noin 40 % suurempana, ja pituus noin 66 % suurempana, kuin TM35-projektiolla.

Eniten vääristymiä aiheuttaa Mercatorin projektio, joka on oikeakulmainen lieriöprojektio, jota käytetään mm. navigoinnissa (Wikipedia 2020). Projektio on tunnettu siitä, että se vääristää sitä enemmän, mitä kauemmaksi kohti napoja päiväntasaajasta liikutaan. Näinpä muun muassa Suomi vääristyy etenkin pohjoisosistaan ja näyttää kartalla todellisuutta suuremmalta. Taulukon mukaan Mercatorin projektiolla mitattu pinta-ala on yli 700 % suurempi, kuin TM35:llä mitattu pinta-ala. Tämän vuoksi Mercatorin projektiolla toteutettu maailmankartta vääristää todella paljon katsojan mielikuvaa alueista ja niiden välisistä suhteista.

Vääristymien visualisointia Suomen kartalla

Alla olevilla kartoilla kolmen valitun projektion (Mercator, Van der Grinten ja Aitoff) vääristymiä on visualisoitu Suomen kartolla kunnittain ja vertailukohteena on edelleen ETRS89-TM35FIN -projektio. Kartat esittävät sitä, kuinka moninkertaisia kunkin projektion pinta-alat ovat verrattuna TM35:n pinta-aloihin.

Mercator

Alla oleva kartta (kuva 1) esittää vääristymien suuruutta Mercatorin projektiolla kunnittain. Luokkien lukumääräksi on valittu kahdeksan, jotta vääristymiä saataisiin kuvattua mahdollisimman tarkasti eri puolilla Suomea. Kartalta voidaan havaita, että vääristymä kasvaa kohti pohjoista mennessä ja pinta-alat ovat suurimmillaan yli 8-kertaisia TM35:een verrattuna.

Kuva 1. Mercatorin projektiolla mitattujen pinta-alojen suhde TM35-projektiolla mitattuihin pinta-aloihin kunnittain. Kartta kertoo, kuinka moninkertaisia Mercatorin pinta-alat ovat verrattuna TM35 pinta-aloihin.

Van der Grinten

Van der Grintenin projektion suhde TM35:en on kuvattu alla (kuva 2). Koska muuttujan vaihteluväli on pienempi kuin edellisessä esimerkissä, valitsin esittämiseen kuusi luokkaa. Halusin myös kokeilla erilaista väriskaalaa ja päädyin valitsemaan punaisen eri sävyt, sillä ne havainnollistavat hyvin negatiivissävytteistä ilmiötä.

Kuva 2. Van der Grintenin projektiolla mitattujen pinta-alojen suhde TM35-projektiolla mitattuihin pinta-aloihin.

Aitoff

Aitoffin projektiolla mitattujen pinta-alojen vääristymät vaihtelivat verrattain vähän ja siksi esittämiseen on valittu neljä luokkaa. Kartasta (kuva 3) huomataan, että vääristymien muutos on samansuuntainen, kuin kahdessa edellisessä, mutta pienempi. Vertailun vuoksi kartassa käytettiin samaa QGIS:in automaattista väriskaalaa, kuin Van der Grintenin projektiossa. Aitoffin tapauksessa erot ovat kaiken kaikkiaan pieniä, joten valittu väriskaala antaa mielestäni turhan dramaattisen vaikutelman. Kartalla näkyvän pienimmän ja suurimman arvon erotus on kuitenkin vain 0,093.

Kuva 3. Aitoffin projektiolla mitattujen pinta-alojen suhde TM35-projektiolla mitattuihin pinta-aloihin.

Yhteenveto

Havainnollistavien taulukoiden ja karttaesitysten pohjalta voidaan todeta, että kaikki projektiot vääristävät todellisuutta. Kaikki kolme karttaesityksiin valittua projektiota vääristävät ilmiötä samaan suuntaan, näyttäen alueet sitä suurempina, mitä pohjoisempaan liikutaan. Erot vääristymien suuruudessa vaihtelivat kuitenkin todella paljon eri projektioiden välillä, joten karttoja täytyy tulkita tarkkaan. Esimerkiksi pelkkien värien perusteella ei voida tehdä vahvoja johtopäätöksiä, kuten Van der Grintenin ja Aitoffin karttaesitykset osoittivat. Pelkkiä värejä katsomalla voisi helposti ymmärtää Aitoffin projektion vääristävän alueita Van der Grinteniä enemmän, vaikka todellisuudessa asia on toisin päin. Värisävyjen valinnan kanssa tuleekin jatkossa olla entistä tarkempi.

Projektioista Mercator vääristää napoja kohti mennessä alueiden kokoa todella paljon, jolloin esimerkiksi koko maailmaa kuvaavat kartat luovat harhaanjohtavia käsityksiä alueista ja ilmiöistä. Tämän vuoksi projektion käyttöä esimerkiksi opetustarkoitukseen käytetyissä maailmankartoissa, tai jotakin ilmiötä kuvaavissa teemakartoissa tulisi välttää tai toteuttaa suurella harkinnalla. Tapio Turpeisen blogissa oli hyvää pohdintaa muun muassa harhaanjohtavien projektioiden ongelmallisuudesta, kannattaa käydä lukaisemassa!

Lopputerkut

Itse oppimisprosessi oli tällä viikolla enemmän aikaa vievä, kuin ensimmäisellä viikolla ja QGIS osoitti ensimmäistä kertaa luonnettaan pienten toimintaoikkujen muodossa. Muuten tehtävää oli mielekästä tehdä ja sain hyvää harjoitusta QGIS:in käytöstä. Opin myös perusteita rajapintojen kautta ladattavista aineistoista ja muutamia uusia toimintoja. QGIS:in tasosysteemin hahmottamiseen ja hallintaan täytyy kuitenkin käyttää vielä aikaa.

Lähteet:

Turpeinen, T. 28.1.2021. Kurssikerta 2: Projektioita ja Pohjois-karjalaa. Viitattu: 1.2.2021.
<https://blogs.helsinki.fi/tapiotur/2021/01/28/kurssikerta-2-27-1-pohjois-karjalaa-ja-projektioita/>

Wikipedia. 2017. Robinsonin projektio. Viitattu: 31.1.2021.
< https://fi.wikipedia.org/wiki/Robinsonin_projektio>

Wikipedia. 2020. Mercatorin projektio. Viitattu: 1.2.2021.
< https://fi.wikipedia.org/wiki/Mercatorin_projektio>

 

Categories
Uncategorized

Viikko 1

Tulin kurssille ilman suurempia ennakko-odotuksia, mutta jo ensimmäisellä kerralla tajusin, että kurssi tulee suurella todennäköisyydellä tarjoamaan minulle haastetta. En ole koskaan ollut mikään näppärin tapaus tietokoneiden ja ohjelmistojen käyttäjänä, joten toivon oppivani kurssilla paljon uutta geoinformatiikan maailmasta, sekä saavani käytännön kokemusta kurssilla käytettävästä QGIS-ohjelmistosta.

Harjoitustehtävä

Pienien aineiston lataamiseen liittyvien alkuvaikeuksien jälkeen pääsin harjoittelemaan QGIS:in käyttöä harjoitustehtävän muodossa. Avuksi piti ottaa luentotallenne, joka olikin melko kätevä, sillä sen pystyi stoppaamaan haluamassaan kohdassa. QGIS sisältää todella paljon erilaisia toimintoja ja ominaisuuksia, joten sen sujuvaan hallintaan tarvitaan runsaasti harjoitusta ja toistoja. Hyvä puoli ohjelmistossa on kuitenkin se, että kun sen hallitsee, tarjoaa se todella monipuolisia mahdollisuuksia tiedon analysointiin ja esittämiseen.

Harjoitustehtävän pohjana käytettiin HELCOMin data- ja karttapalvelun  aineistoja, jotka sisälsivät muun muassa tietoa Itämeren alueen valtioista ja niiden typpipäästöistä. Kun aineistot oli ladattu, harjoittelin niiden visualisointia ja samalla tutustuin QGIS:in toimintoihin. Harjoituksessa laskettiin myös uutta tietoa ominaisuustietotaulukkoon käyttäen jo olemassa olevaa tietoa. Tämän pohjalta saatiin taulukkoon uusi sarake, joka ilmoitti valtioiden osuudet typen kokonaispäästöistä. Tämä tieto on myös visualisoitu kartaksi (kuva 1).

Kuva 1 Typen päästöjen osuus (%) kokonaispäästöistä valtioittain.

Pidin erityisesti työkaluista, joilla karttaa ja legendaa pystyi muokkaamaan esitettävään muotoon. Omatekemään karttaan vaihtaisin vielä pohjoisnuolen, sillä karttaan valittu nuoli näytti muokkaushetkenä hienolta, mutta valmiissa kartassa se ei toiminutkaan yhtä hyvin.

Karttaa näin jälkeenpäin tarkastellessa myös värivalintoihin olisi voinut kiinnittää hieman enemmän huomiota. Karttaan valittiin vain ne valtiot, joilla mitattuja typen päästöjä oli enemmän kuin 0 ja ne esitetään väriskaalalla haaleanpinkki-oranssi-viininpunainen. Valtiot, jotka eivät olleet valittuna, mutta jotka näkyvät mukana valmiissa karttaesityksessä, näkyvät vihreällä.  Mielestäni kartalta pitäisi vielä selkeämmin olla havaittavissa ne valtiot, joilla typen päästöjä ylipäätänsä oli. Ei-valittujen valtioiden esittäminen vihreän sijaan vaalealla sävyllä ja valittujen valtioiden esittäminen erilaisella punaisen skaalalla olisi tehnyt kartan esittämän ilmiön helpommin hahmotettavaksi.

Kartassa häiritsevää on myös alueella näkyvät mustien pisteiden rykelmät. Mustia pisteitä ei selitetä esimerkiksi legendassa, joten lukijan on todella vaikeaa ymmärtää, mitä ne ovat. Lisäksi ne tekevät kartasta suttuisen näköisen ja vievät huomiota pois kartan tärkeimmästä tiedosta, eli typen päästöjen osuuksista.

Tehtävä ja pientä analyysiä

Tehtävässä oli kolme vaikeusastetta ja valitsin näin alkuun suosiolla helpoimman vaihtoehdon. Siinä avasin QGIS:ssä Suomen kunta-aineiston ja harjoittelin erilaisia toimintoja. Onnistuin luomaan kaksi koropleettikarttaa, jotka esittävät muunkielisen väestön määrää kunnissa (kuva 2) ja muunkielisen väestön osuutta kunnan kokonaisväestöstä (kuva 3).

Ensimmäinen näistä (kuva 2) esittää absoluuttisia lukuarvoja, jolloin kartalla korostuu etenkin pääkaupunkiseutu, sekä yksittäisiä kuntia muualta Suomesta. Pääkaupunkiseudun voimakas erottuminen johtuu tässä tapauksessa etenkin siitä, että siellä myös väkiluku on suurin ja näin ollen mukaan mahtuu myös runsaasti muunkielistä väestöä. On myös huomioitavaa, että luokkien sisälläkin vaihtelu voi olla suurta. Suurimmassa luokassa, johon Helsinkikin kuuluu, vaihteluväli on       26 011 – 68 323. Teoriassa siis kaksi kuntaa, joiden välinen ero muunkielisissä voi olla jopa 30 000, voisivat kuulua samaan luokkaan. QGIS:n luokittelussa outoa on myös se, että seuraavan luokan alin raja-arvo on aina sama, kuin edellisen luokan ylin raja-arvo.

Kuva 2. Muunkielisen väestön määrä kunnittain vuonna 2015.

Toisessa kartassa (kuva 3) muunkielisten osuus on suhteutettu kunnan kokonaisväestöön. Tämä kartta näyttää varsin erilaiselta, kuin edellinen. Koska kartassa ei ole kuntien nimiä, on yksittäisten kuntien hahmottaminen ilman apukarttaa hieman ongelmallista. Kuitenkin suurpiirteisesti katsottuna muunkielisten osuus näyttää olevan korkea etenkin Pääkaupunkiseudulla, Turun saaristossa, Vaasan seudulla, sekä Lapissa. Erityisesti Pohjois-Lappi, joka kuului edellisessä kartassa pienimpään suuruusluokkaan, erottuu tällä kartalla voimakkaasti. Martta Huttunen esitti blogissaan kartan saamenkielisen väestön osuuksista, jossa näkyi selvää painottumista Lappiin. Tämä selittäisi muunkielisten suuria osuuksia pohjoisessa Lapissa myös omalla kartallani.

Kuva 3 Muunkielisen väestön osuus (%) kunnan kokonaisväestöstä vuonna 2015.

Muunkielisten osuus suhteessa kunnan väestöön, ja erityisesti Lappia koskeva saamenkielisten osuus sai kuitenkin aikaan myös hämmennystä. Ensinnäkään minulle ei ollut aluksi aivan selvää, tarkoitetaanko muunkielisillä samaa, kuin vieraskielisillä. Tilastokeskuksen määritelmän mukaan vieraskielisiksi lasketaan ne, joiden kieli on jokin muu, kuin Suomi, Ruotsi tai Saame (Tilastokeskus 2019). Aineiston ominaisuustietotaulukon tiedot olivat kuitenkin mielestäni ristiriidassa tämän kanssa. Otetaan esimerkiksi Enontekiö, jossa ominaisuustietotaulukon mukaan muunkielisten osuus oli 10,77%, eli kunta kuului näin ollen toiseksi korkeimpaan suuruusluokkaan. Kunnan väkiluvusta (1876 asukasta) muunkielisiä oli absoluuttiselta lukuarvoltaan taulukon mukaan vain 19 ja saamenkielisiä 198. Hämmentävää tässä oli se, etteivät saamenkieliset (198) näy muunkielisten kokonaismäärässä (19), mutta muunkielisten osuutta (10,77 %) laskiessa ne on ilmeisesti kuitenkin laskettu mukaan.

Lopputerkut

Opin viikon aikana QGIS:in perusteita, mutta ohjelmiston toimintojen sujuva käyttäminen ja logiikan ymmärtäminen on vielä hyvinkin hakusessa. Itse tehtävässä absoluuttisia ja suhteellisia lukuarvoja esittävien karttojen tarkastelussa huomattiin, kuinka erilaista mielikuvaa ne välittävät, vaikka kartoilla näkyvä tieto on johdettu samasta lähteestä. Huomio kiinnittyi myös luokkajakoihin ja niiden merkitykseen tiedon välittämisen kannalta. QGIS:in luokittelun ominaisuuksiin ja mahdollisuuksiin täytyykin tutustua jatkossa vielä paremmin.

Jäin myös miettimään sitä, kuinka tärkeää alkuperäisen aineiston tunteminen ja ymmärtäminen karttaa tehdessä on. Tässä tapauksessa käytössä oli vain ominaisuustietotaulukon lyhenteet, joiden perusteella oli pääteltävä, mitä kukin tieto tarkoittaa. En löytänyt alkuperäistä aineistoa, josta olisi ehkä voinut saada lisätietoa kustakin indikaattorista. Tehtävässä korostuikin kartan tekijän vastuu aineiston perusteellisesta tuntemisesta ja siitä, ettei hän valinnoillaan (tahallisilla tai tahattomilla) johda lukijaa harhaan.

Odotan innolla seuraavia haasteita ja toivon mukaan lisääntyvää ymmärrystäni QGIS:in, sekä paikkatietoaineistojen käytöstä!

Lähteet:

Huttunen, M. 22.1.2021. Harjoitus 1. Viitattu: 26.1.2021.<https://blogs.helsinki.fi/humartta/2021/01/22/harjoitus-1/>

Tilastokeskus. 2020. Vieraskieliset. Viitattu: 26.1.2021.
<https://www.stat.fi/tup/maahanmuutto/maahanmuuttajat-vaestossa/vieraskieliset.html>