Ohi on!

Kurssi oli erittäin turhauttava ja vaikea, mutta sen aikana tuli myös useaan otteeseen ihania onnistumisen tuntemuksia. On myös ihanaa huomata suuri ero kurssin alkupään kartoissa sekä viimeisimmissä kartoissa. Tämän kurssin pohjalta QGISsin perustoiminnot ovat hallussa, ja jatkossa voin panostaa esimerkiksi hyvän gisdatan löytämiseen.

Tämä blogi on valmis.

7. kurssikerta – Omatekoinen kartta

Viimeisellä kurssikerralla tehtäväksi tuli tehdä omatekoinen kartta itse valitusta aiheesta. Vaihtoehtoisia tapoja tehdä kartta oli kaksi, joista valitsin ensimmäisen; laadin kartan jossa esitän kahta eri muuttujaa, tai oikeastaan kahden eri muuttujan suhdetta.

Tunnilla etsin todella kauan sopivaa QGISsiin käyvää Suomen ulkopuolista aineistoa, mutta tämä tuotti paljon vaikeuksia, joten päädyin tekemään kartan asuntokuntien velka-asteesta Suomessa (Kuva 1). Tähän löytyi Tilastokeskuksesta sopivat aineistot, ja pohjana käytin jo aiemmilla kurssikerroilla käytettyä Suomen karttaa, jossa on kuntarajat.

Kartassa on laskettu asuntokuntien velka-asteen suuruus kunnittain siten, että jokaisen kunnan asuntokuntien (samassa asunnossa asuvat henkilöt muodostavat asuntokunnan) velat on jaettu asuntokuntien käytettävissä olevilla rahatuloilla. Muuttujat ovat siis aluksi olleet absoluuttisia lukuja, mutta laskin velan ja rahatulon suhteen prosenteiksi, jotta velallisuudesta Suomen kunnissa saisi realistisen näkymän.

Kuva 1. Asuntokuntien velka-aste kunnittain kuvattuna.

Ensivilkaisulla prosenttiluvut saattavat näyttää hätkähdyttävän suurilta ja siten niitä on vaikea uskoa. Asia kuitenkin on niin, että Suomessa asuntokunnilla on keskimäärin enemmän velkaa kuin käytettävissä olevia rahatuloja. Jos kaikki Suomen asuntokuntien velat lasketaan yhteen, luvuksi tulee 117 788 794 734€, eli ronskisti pyöristettynä 118 miljardia euroa. Asuntokuntien käytettävissä olevat rahatulot puolestaan ovat 104 247 515 994€, eli pyöristettynä 104 miljardia euroa. Täten koko Suomen asuntokuntien yhteenlaskettu velka-aste on 113%, eli jos vaikka kaikki suomalaiset maksaisivat nyt velkansa pois käytettävissä olevilla rahoillaan, veloista jäisi silti vielä 13% maksamatta.

Mielestäni on todella mielenkiintoista, että suuri velka-aste on keskittynyt isojen kaupunkien, kuten Helsingin, Turun, Tampereen, Oulun ja Jyväskylän ympärille, muttei juuri noihin kaupunkeihin. Myös Ahvenanmaan velka-aste näyttää todella korkealta. Juuri kahdessa Ahvenanmaan kunnassa, Jomalassa ja Lemlandissa velka-aste on kaikista korkein, Jomalassa jopa 200%. Velka-asteet ovat huomattavasti pienempiä Pohjois- ja Itä-Suomen harvempaan asutuilla alueilla, ja kaikista pienin se on Kemijärvessä (46%). Mistä Velka-asteiden näin selkeät erot tietyillä alueilla sitten johtuvat?

Asuntokuntien velat koostuvat pääasiassa asuntovelasta, jonkin verran on myös muita velkoja. Itse päättelisin velka-asteen olevan suuri isojen yliopistokaupunkien ympärillä sen vuoksi, että monet nuoret aikuiset muuttavat opiskelujen päätyttyä yliopistokaupungin lähellä oleviin kaupunkeihin aloittaen ”oikean aikuiselämän”. Samalla he ostavat oman kodin, johon joutuvat ottamaan asuntovelkaa. Velka-aste ei ole niin suuri itse yliopistokaupungeissa senkin vuoksi, että näissä kaupungeissa asuu paljon nuoria pääasiassa vuokralla, eikä vuokraan tarvitse ottaa lainaa (paitsi ehkä nopeasti pois maksettavan opintolainan).  Pohjois- ja Itä-Suomessa sekä kauempana suurista kaupungeista asuntovelkaa ei ole välttämätöntä ottaa, sillä asuntojen hinnat eivät ole kovin korkeita. Jos velkaa ottaa, se on pienempi ja nopeammin poismaksettava.

Päätelmäni todistuvat Tilastokeskuksen sivuilta, jossa kerrotaan velkaantumisasteen nousseen vuodesta 2000 vuoteen 2011 mennessä 68 prosentista 117 prosenttiin lähinnä juuri asuntovelkojen vuoksi. Sivuilla kerrotaan, että isojen kaupunkien kehyskuntiin muutetaan väljemmän asumisen toivossa. Myös lainojen keskikoon kasvu ja takaisinmaksuaikojen pidentyminen ovat Suomessa lisänneet velka-asteen suuruutta viimeisen 20 vuoden aikana (Euro&Talous 2015).

Sain kartan valmiiksi tunnilla, ja päätin että koitan vielä kotona tehdä toisen kartan jostakin Suomen ulkopuolisesta aiheesta. Nyt olen kuitenkin jo monta tuntia yrittänyt etsiä jotakin sopivaa aineistoa jostakin mielenkiintoisesta aiheesta, mutta tuloksetta. Etsimistä vaikeuttaa myös se, etten ole saanut päätettyä tiettyä maata tai aihetta, josta kartan tekisin. Karttapohjia maahan kuin maahan löytyy helposti, mutta aineiston etsinnän kanssa olen kohdannut todellisen ongelman, joten jätän asian nyt sikseen jotta mielenterveyteni säilyy kohtalaisessa kuosissa 😀 Tässä kohtaa tuntuu hieman (lue: erittäin paljon) luovuttajalta toisten hienoja karttoja katsellessa (esimerkiksi Nelli Junttilan, vau!), muttu tuntukoon. Seuraavien mahdollisten gis -kurssien kanssa olen varmasti täynnä uutta puhtia ja tarmoa.

 

Lähteet:

Euro&Talous. Kotitalouksien velka – kuinka paljon on liikaa? (21.5.2015). <https://www.eurojatalous.fi/fi/2015/2/kotitalouksien-velka–kuinka-paljon-on-liikaa/> Luettu 19.3.2018

Junttila, Nelli. 7. kurssikerta: Oman kartan laadinta (3.3.2018). <https://blogs.helsinki.fi/junelli/> Luettu 19.3.2018

Tilastokeskus. Asuntokuntien velat kunnittain 2002-2016, vuoden 2016 rahassa (2016). <http://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__tul__velk/statfin_velk_pxt_003.px/?rxid=d756e5e2-4513-4c2d-bba0-3dcae30b03c9> Luettu 19.3.2018

Tilastokeskus. Suomalaisten velkaantuminen on eurooppalaista keskitasoa (3.6.2013). <https://www.stat.fi/artikkelit/2013/art_2013-03-11_009.html?s=0> Luettu 19.3.2018

6. kurssikerta – Mielenkiintoista hasardidataa

Kuudennen kurssikerran aloitimme reippailemalla ulkona etsien jokseenkin mielenkiintoisia paikkoja, joista keräsimme paikkojen sijaintitiedot Epicollect5 -sovelluksella ja vastasimme turvallisuuteen ja viihtyvyyteen liittyviin kysymyksiin. Tämän jälkeen tutkimme QGISsissä kaikkien keräämiä pistemuotoisia tuloksia OpenStreetMapin päällä.

Tämän jälkeen tarkastelimme jonkin kaupunkialueen kaupallisuutta siten, että pisteytimme tietyn kohdan aina 1-5 välillä sen mukaan, kuinka kaupalliselta tämä kohde vaikutti. Apuna käytimme pluginia, joka sai aikaan Google StreerView -näkymän. Lopuksi vielä interpoloimme aineiston. Interpolointi on jonkin suureen tunnettujen arvojen välissä olevien arvojen laskemista (Astro.utu.fi). Lopputulokseksi saimme aineistoin, josta kävi ilmi kaupallisuuden vaihtelut esimerkiksi yhden korttelin sisällä.

Näiden alkuhommeleiden jälkeen siirryimme itsenäistehtävään, jota nyt kotona teen. Ensin koitin saada maanjäristysaineiston Excelin kautta QGISsiin, mutta jostain syystä se ei onnistunut. Aineisto näkyi vain yhtenä kasana kartalla. Tästä jo hermostuneena meinasin lopettaa koko touhun tältä päivältä, mutta huomasinkin toisen vaihtoehdon: notepadin! Ah, mikä helpotuksen aalto vyöryikään ylitseni kun aineisto vain liitettiin notepadiin, tallennetiin ja avattiin QGISsissä, jossa se oli täysin oikean näköinen.

Tein ensimmäiseksi kartan, josta käy ilmi kaikki yli 6 magnitudin maanjäristykset 20 viime vuoden aikana (Kuva 1). Tällä aikavälillä on tapahtunut ainoastaan seitsemän yli 8,3 magnitudin maanjäristystä, ja niistä neljä on tapahtunut Indonesiassa. Muutenkin kovimmat (yli 7,6 magnitudia) maanjäristykset ovat sijoittuneet lähes poikkeuksetta Tyynenmeren tulirenkaan ympärille. Näillä seuduilla tapahtuu paljon litosfäärilaattojen törmäystä toisiinsa, mikä aiheuttaa suuria ja tuhoisia maanjäristyksiä (Kuva 2). Kartasta voi huomata, että Pohjois-Amerikan länsipuolella ei ole kovin voimakkaita maanjäristyksiä, vaikka se kuuluukiin tulirenkaaseen; tämä johtuu laattojen sivuavasta, ei törmäävästä liikesuunnasta. Maanjäristykset yleisestikin noudattavat litosfäärilaattojen saumakohtia, kuten kartasta voi huomata. Nyrkkisääntö voisi olla, että kun laatat törmäävät, maanjäristykset voimistuvat.

Kuva 1. Maanjäristykset sijoittuvat litosfäärilaattojen saumakohtiin.
litosfaarilaatat-slide.png
Kuva 2. Litosfäärilaatat ja niiden liikesuunnat (Peda.net).

Ensimmäinen karttani on muuten havainnollistava, mutta voimakkaat maanjäristykset jäävät aika paljon ei-niin-voimakkaiden järistysten peittoon. Tämä vaikeuttaa kartan lukua huomattavasti. En yrityksistäni huolimatta osannut laittaa voimakkaampien järistysten kohtia pienempien päälle.

Jos tekisin kartan opetukseen, liittäisin siihen vielä kuvassa 2 näkyvät litosfäärilaattojen saumakohdat ja laattojen liikesuunnat. Tämä auttaisi ymmärtämään a) miksi tietyissä paikoissa järisee, ja b) miksi tietyissä paikoissa järisee voimakkaammin kuin toisissa. Näin karttojen erilaiset informatiivisuudet täyttäisivät toisiaan.

Toisen kartan tein purkautuneista tulivuorista ja yli 8 magnitudin maanjäristyksistä, jotka ovat tapahtuneet vuoden 1900 jälkeen (Kuva 3). Maanjäristysten ja tulivuortenpurkausten sijainnit noudattavat taas litosfäärilaattojen reunoja. Tulivuorten sijainnissa on kyllä jonkin verran poikkeamaa; niitä sijaitsee myös keskiosissa litosfäärilaattoja, kuten esimerkiksi Kanarian saarilla ja Hawaijilla. Nämä tulivuoret eivät olekaan syntyneet litosfäärilaattojen törmätessä tai erkaantuessa toisistaan, vaan ne ovat syntyneet pluumin päälle. Näitä kohtia kutsutaan myös kuumiksi pisteiksi (eng. hot spot). Vaipassa maankuoren alla on muuta ympäristöään lämpimämpää kiviainesta (magmaa), joka lämpimämpänä ja täten keveämpänä nousee ylöspäin vaipassa lopulta mennen maankuoren läpi ja synnyttäen tulivuoren. Usein tällaisen pluumin kohdalle maankuoreen syntyy peräkkäin useita tulivuoria, sillä maan vaippa ja täten pluumi pysyvät paikallaan litosfäärilaattojen liikkuessa. Karttaa zoomaamalla voi huomata, että Hawaijin kohdalla on kolme vuoden 1900 jälkeen purkautunutta tulivuorta vierekkäin.

Kuva 3. Tulivuorenpurkaukset ja yli 8 magnitudin maanjäristykset, jotka ovat tapahtuneet vuoden 1900 jälkeen.

Lopuksi tutkin vielä meteoriittien putoamispaikkoja, ja se olikin aika mielenkiintoista. Kartan pohjalla ovat kaikki vuoden 1900 jälkeen maahan tipahtaneet meteoriitit, ja niiden päällä on saman vuoden jälkeen tipahtaneet yli 200kg ja yli 1000kg (!!!) painaneet meteoriitit (Kuva 4). Suurin tällä aikavälillä tipahtanut meteoriitti painoi 23 000kg, ja se tippui vuonna 1947 Venäjän kaakkoisosiin lähelle Kiinan rajaa.

Kartasta voi huomata, että suuremmat meteoriitit ovat suurimmaksi osaksi tippuneet pohjoiselle pallonpuoliskolle. Liekö syynä sattuma vai jokin muu? On myöskin kummaa, että meteoriitteja ei ole lainkaan tippunut meriin, ja ne ovat muutenkin tippuneet vain alueille, joissa on asutusta. Missä ovat Etelämantereen, Himalajan tai Amazonin meteoriitit? Olen varma, että niitä on yhtä lailla tippunut myös noille alueille, mutta kukaan ei vain ole ollut näkemässä tippumista, jolloin siitä ei ole merkintää. Lisäksi meteoriitteja ei ole löydetty jälkeenpäin, koska ne ovat joko uppoutuneet mereen, piiloutuneet kivikkoon tai hautautuneet kasvillisuuteen. Meteoriittihavaintoihin vaikuttaa myös se, kuinka nopeaa on meteoriitin rapautuminen ja täten sen säilyminen ja löydettävyys. Liisa Niemi kertoo blogissaan asiasta hyvin, ja hän on selvästi perehtynyt asiaan: ”–geologian tutkimuskeskuksen erikoistutkija Kari A. Kinnunen kertoo MTV:n uutisessa, että myös Suomen maastossa on vielä paljon löytämättömiä meteoriitteja, koska löytymistä vaikeuttaa kivimeteoriittien nopea rapautuminen, sekä soiden ja järvien suuri määrä.” Näyttää siis siltä, että mitä tiheimmin asuttu alue, sitä enemmän pudonneita meteoriitteja (tai oikeastaan havaintoja niistä).

Kuva 4. Vuoden 1900 jälkeen maahan tippuneet (ei sisällä aiemmin tippuneita ja nyt vasta löydettyjä) meteoriitit.

Jos karttaa haluaisi käyttää opetuksessa, suurimpien kaupunkien lisäyksellä ja periferioiden merkitsemisellä voisi asiaa selittää niinkuin sitä yllä olen pohtinut – meteoriitteja tippunee ympäri maailmaa, mutta niitä havainnoidaan ja löydetään vain siellä, missä ovat ihmisetkin.

Ps. Tykkäsin tästä harjoituksesta!

 

Lähteet:

Astro.utu.fi. Interpolointi. <http://www.astro.utu.fi/zubi/math/interpol.htm> Luettu 23.2.2018

Maanjäristystietokanta: Northern California Earthquake Data Center. ANSS Composite Catalog Search (2016).  <http://quake.geo.berkeley.edu/anss/catalog-search.html> Luettu 23.2.2018

Meteoriittitietokanta: Meteoritessize (15.2.2013). <https://fusiontables.google.com/DataSource?docid=1vHSvjNgCIl6kRhFXPHhvESnnYx_ShToJWtWdjm8#rows:id=1> Luettu 23.2.2108

Niemi, Liisa. 6. Kurssikerta: kaupallisuudesta ja luonnonhasardeista mittakaavavirheisiin (22.2.2018). <https://blogs.helsinki.fi/nliisa/> Luettu 23.2.2018

Peda.net. Maanjäristykset ja tulivuorenpurkaukset. <https://peda.net/oppimateriaalit/e-oppi/lukiot/oulainen/oulaisten-lukio/maantiede2/t1mmoo/ge-uusi-1f/mjt> Luettu 23.2.2018

Tulivuoritietokanta: Data.Gov. Global Volcano Locations Database (7.2.2017). <https://catalog.data.gov/dataset/global-volcano-locations-database> Luettu 23.2.2018

5. kurssikerta – Vaihtelevia tuntemuksia bufferoinnin lomassa

Viides kurssikerta sujui vaihtelevasti. Tunnin alussa jatkoimme vielä hetken Pornais -aineiston kimpussa, jonka jälkeen siirryimme tekemään itsenäisesti buffer -ominaisuuden käyttö tehtäviä. Alussa kaikki vaikutti mahdottomalta, mutta hetken säätämisen jälkeen jutut alkoivatkin luonnistumaan yllättävän hyvin! Ainakin hetkeksi, lopulta kaikki tuntui taas kovin vaikealta.

Koulussa aloin tekemään vierustoverini Reetan kanssa lentokenttätehtävää Mailmin ja Helsinki-Vantaan lentokentistä. Alussa sähelsimme eri tasojen kanssa ja kaikki tuntui hyvin vaikealta, mutta sitten aloimme oivaltamaan jutun juonta. Piirsimme Malmin kiitoratojen ääriviivat piirtotyökalulla, jonka jälkeen bufferoimme alueen 2km ja 1km säteillä. Tämän jälkeen tutkimme ”Spatial query”-toiminnolla kuinka paljon alueilla asuu ihmisiä. Kotona vielä hieman hioin suoritusta ja sain seuraavat tulokset: Malmin lentokentän melualueella 1km säteellä on 765 rakennusta, joissa asuu yhteensä 8840 ihmistä. 2km säteellä kiitoradoista on 4725 rakennusta, joissa asuu 57 578 ihmistä.

Tämän tehtävän jälkeen siirryimme Helsinki-Vantaan lentokentän kimppuun. Helsinki-Vantaan lentokentän kiitoradoista 2km säteellä on 2306 rakennusta, joissa asuu yhteensä 11 422 ihmistä. Näistä ihmisistä 29 eli 0,25% asuu pahimmalla melualueella; he asuvat sekä 65dB melualueella että äskön bufferoidulla alueella alle 2km päässä kentästä (Kuva 1). Vähintään 55dB melualueella (siis 55-65dB alueella) asuu 11  952 ihmistä.

Kuva 1. Kuvakaappaus työvaiheesta: 29 ihmistä asuu sekä 65dB melualueella että alle 2km päässä kiitoradoista.

Nämä tiedot oli jo aika helppo selvittää Reetan kanssa, mutta viimeinen entistä melualuetta Tikkurilassa käsittelevä kohta oli vähän haasteellisempi, emmekä ehtineet tekemään sitä yhdessä. Hoidin homman loppuun kotona seuraavalla tavalla: mittasin ensin mittatyökalulla 7km pätkän ennen käytetyn kaakko-luode suuntaisen kiitoradan eteläpäästä, ja piirsin päälle piirtotyökalulla viivan. Tämän jälkeen lisäsin 7km mittaisen puskurivyöhykkeen niin, että se meni viivan molemmille sivuille 500m matkan. Näin sain selville ennen olleen 60dB melualueen laajuuden. Tämän jälkeen selvitin alueen asukkaat entiseen malliian ”Spatial query” -toiminnolla. Vastaukseksi sain, että melualue haittaisi 12 472 ihmistä, jos kiitorata olisi vielä nykyään toiminnassa.

Se niistä lentokentistä, nyt vuorossa asemat -tehtävä. Alueella olevien metro- ja juna-asemien välittömässä (alle 500m) läheisyydessä asuu yhteensä 106 691 ihmistä (Kuva 2). Koko alueella asuu yhteensä 490 173 ihmistä, joten asemien läheisyydessä asuu heistä 21,8%. Alle 500 metrin päässä asemalta asuvista ihmisistä 68,5% (73 108) on työikäisiä. Tämän selvitin siten, että ensin summasin yhteen 15-64 vuotiaat Vantaan väestöstä, jonka jälkeen laskin tekemääni bufferiin Vantaan väestötiedot ”Join attributes by location” -toiminnon avulla. Tulokset näkyivät uuden layerin tilastot ikkunassa, kun hain tietoja juuri tekemästäni keski-ikäiset -sarakkeesta.

Kuva 2. Kuvakaappauksessa näkyy Vantaan väestö, juna- ja metroasemat sekä 500m puskurivyöhyke niiden ympärillä. Näillä puskurivyöhykkeillä asuu yhteensä 106 691 ihmistä.

Tämän jälkeen oli Taajamat -tehtävän vuoro. Alueen taajamissa asuu yhteensä 414 337 ihmistä koko alueen 490 173 ihmisestä. Taajamissa asuu siis 84,5% kaikista alueen asukkaista. Kaikista alueen 54 979 kouluikäisestä (7-16-vuotiaat) 46 219 asuu taajamissa. Täten 15,9% eli 8760 kouluikäistä asuu taajamien ulkopuolella. Kouluikäisten määrän selvitin samalla tavalla, kuin työikäistenkin aiemmassa tehtävässä.

Jostakin syystä en onnistunut laskemaan ulkomaalaisten prosenttiosuuksia taajamissa, enkä enää myöhemmin jaksanut paneutua asiaan huolella. Myönnän nyt luovuttaneeni, yh.

Valitsin valinnaiseksi tehtäväksi uima-altaat ja saunat tehtävän, ja pähkäilin tehtävän kimpussa todella kauan, vaikka loppujen lopuksi se osoittautuikin aika helpoksi. En vain millään keksinyt, mitä toimintoja käyttäisin saadakseni tiedot selville, mutta Vivi Tarkan blogia lukemalla pääsin vähän jyvälle hommaan (tämä oli pelastus!). Käyttämällä ”select by expression” -työkalua sain selville, että pääkaupunkiseudulla on 855 uima-altaalla varustettua rakennusta, joissa asuu yhteensä 12 170 ihmistä. Tämän jälkeen selvitin rakennusten talotyypin ”select/filter features using from” -työkalulla, joka löytyi pks_vaki -tason attribuuttitaulusta. Filtteröin tiedoston niin, että UA kohdassa oli ”equal to 1” ja KATAKER kohdassa ”equal to…” ja aina talotyypin numero perässä. Sain vastaukseksi, että uima-altailla varustetuista taloista 345 on omakotitaloja, 181 kerrostaloja, 113 rivitaloja ja 158 paritaloja. Tämän jälkeen visualisoin kartan, josta selviää uima-altaiden sijainnit pääkaupunkiseudulla (Kuva 3). Uima-allasrikkain osa-alue on Lauttasaari. Uima-altaat keskittyvät selvästi enemmän Helsinkiin kuin muualle pääkaupunkiseudulle, ja Helsingissä ne sijaitsevat kantakaupungin liepeillä. Uima-altaiden määrästä kertovat numerot menivät vähän vinkkeliin, ja huomasin sen vasta saatuani kartan valmiiksi. Pikkuvikoja ;D. Muuten olen karttaan tyytyväinen (kartan ulkomuotoon sain taas idean Vivin blogista). Saunoja on 21 922 rakennuksessa, ja se on kaikista asutuista taloista pääkaupunkiseudulla 24,2%.

Kuva 3. Uima-altaiden määrä pääkaupunkiseudulla aluerajoja noudattaen.

Harjoitus oli minulle kaiken kaikkiaan aika haastava, ja mietin monessa kohtaa pääni puhki. Oli kuitenkin hienoa kovan miettimisen jälkeen oivaltaa, miten juttuja tehdään. Oivalsin harjoitusta tehdessä, että eri työkaluja käyttämällä voi saada aikaan samoja tuloksia. Aina ei siis tarvitse tehdä täsmälleen samalla tavalla kuin muut, ja silti saa oikean vastauksen. Buffer -työkalun käyttö tuli erittäin tutuksi harjoituksen aikana, ja sen käyttö sujuukin jo aika hyvin. Puskurivyöhykettä voi käyttää mm. silloin, kun haluaa selvittää kuinka monta ravintolaa on kilometrin sisällä siitä kohdasta, missä sattuu olemaan. Puskurivyöhykettä käyttämällä saa monipuolista ja käytännöllistä tietoa, joka helpottaa elämää. Tämän harjoituksen vuoksi rohkaistuin itse kokeilemaan eri toimintoja QGISsillä, ja aion näin tehdä jatkossakin.

Keskeisimmät työkalut ovat ehkäpä ”field calculator”, ”spatial query” ja ”join attributes by location”. Toki on paljon muitakin todella tärkeitä työkaluja, mutta näillä saa selvitettyä ja tehtyä jo aika paljon. ”Join attributes by location” -työkalun kanssa minulla on usein ongelmia, enkä saa sitä jotenkin toimimaan. Missähän lienee vika? Täten tasojen yhdistäminen on usein hieman haasteellista, vaikka koitankin tehdä sen monella eri tapaa. Spatial queryä puolestaan osaan käyttää aika sujuvasti nykyään. Minulle on vaikeaa tietää, mitä työkalua milloinkin olisi hyvä käyttää. Sen sijaan karttojen viimeistely (pohjoisnuoli, legenda, mittakaava, asettelu, värit…) sujuu aika mutkattomasti ja voin sanoa jopa nauttivani viimeistelystä ja visuaalisista jutuista. Monet asiat ohjelmassa tuntuvat silti vieläkin aika sekavilta, mutta ainakin tilanne on nyt parempi kuin alussa. hehe.

Alla vielä saamani tulokset listattuna (huomaa: missä ulkomaalaiset???).

 

Lähteet:

Tarkka, Vivi. Search attributes by expressions vai miten sen meni? (20.2.2018). <https://blogs.helsinki.fi/vivitark/> Luettu 21.2.2018

4. kurssikerta – Sähellystä ruutuaineistolla

Neljäs kurssikerta oli minun osaltani taantuma edellisistä kerroista, suorastaan täysi fiasko. Siitä lisää hetken kuluttua ;D

Lähtöaineistona käytimme pääkaupunkiseudun rakennuksista ja asukkaista kertovaa materiaalia. Tunnin pääpointti oli tehdä ruutuaineisto, joten sen tekemiseen siirryimme heti alussa. Rajasimme kartalta halutun ruutujen kattaman alueen, jonka jälkeen valitsimme ruutujen koot (tässä tapauksessa ne olivat 1000m x 1000m kokoisia). ”Spatial query” -toiminnolla valitsimme kartalle näkyväksi vain ne ruudut, joilla oli jotakin informaatiota. Tämän jälkeen tuotimme yhteisesti ruutuaineiston ruotsinkielisten määrästä pääkaupunkiseudulla. Tallensimme koko pääkaupunkiseudun kattavasta väestötietokannasta ruotsinkieliset erilliseksi tasoksi ja yhdistimme sen ruututietokannan kanssa. Sitten jäjellä oli vain tiedon muokkaaminen visuaalisesti miellyttäväksi ja selkeäksi.

Tämän pohjalta piti tuottaa oma ruutuaineistokartta jostakin muusta väestökategoriasta, kuten esimerkiksi yli 85-vuotiaista alueella. Tässä kohtaa ongelmani alkoivat, enkä käytännössä saanut mitään tunnilla aikaiseksi ennen kuin siirryimme jo seuraavaan tehtävään. Tämä tehtävä jäi siis minulle kotiin tehtäväksi, mikä näin jälkeenpäin katsottuna oli suuri virhe. Kotona aloitin oman ruutuaineistoni tekemisen, mikä tyssäsi melkein heti alkuunsa: en löytänyt ”spatial query” -toimintoa mistään. Koitin ladata toimintoa ”plugin repositoriosta”, mutta sitä ei ollut siellä (Kuva 1). Etsin netistä tietoa, mikä voisi olla ongelma, mutta mitään ei löytynyt. Ainoaksi vaitoehdoksi jäi oman aineiston tekeminen jo koulussa tehdylle 1000m x 1000m ruudukolle, vaikka olisin halunnut tehdä sen 250m x 250m ruudukolle. Yyyh nyyh.

Kuva 1. Todistuaineistoa surkeasta kohtalostani.

Tästä lannistuneena jatkoin kuitenkin ruutuaineiston tekoa isommilla ruuduilla. Päädyin valitsemaan aineistokseni ”muunkieliset” (Kuva 2). Kartasta voi huomata, että muunkieliset ovat painottuneet Helsingin, Etelä-Espoon ja Itä-Vantaan alueille. Pohjois-Espoossa ja Länsi-Vantaalla muunkielisiä on vain vähän, alle 97 per neliökilometri. Erityisen paljon muunkielisiä on Itä-Helsingissä. Tämä johtuu siitä, että Itä-Helsingissä on paljon kaupungin halpoja vuokra-asuntoja, joihin vieraskieliset usein joutuvat muuttamaan työttömyyden aiheuttaman heikon taloudellisen tilanteen vuoksi. Samalla kun yhä suurenevissa määrin työttömiä vieraskielisiä muuttaa alueelle, keskiluokkaiset suomalaiset haluavat muuttaa pois alueen lisääntyneen huono-osaisuuden takia. Näin alueelle on syntynyt oravanpyörä, jonka johdosta suuri osa asukkaista on vieraskielisiä. Näin on käynyt myös muilla pääkaupunkiseudun alueilla, jotka näkyvät tummanvihreällä kartassa.

Kuva 2. Muunkielisten määrä pääkaupunkiseudulla 1000m x 1000m ruuduilla varustetulla ruututeemakartalla kuvattuna.

En ole kovin tyytyväinen lopputulokseen. Kartta olisi huomattavasti informatiivisempi jos a) ruudut olisivat pienemmät, ja b) muunkielisten määrä olisi merkattu prosentteina suomenkielisistä. Kuten Senni Luoto blogissaan sanoi, absoluuttisilla määrillä ei ole mitään vertailupohjaa alueen koko asukasmäärään. Jos haluaa käyttää absoluuttisia määriä informatiivisesti, muunkielisten lukumäärän vieressä täytyisi siis olla suomenkielisten määrä, jotta vertailu olisi mahdollista. Tein kartan pelkillä absoluuttisilla arvoilla varustettuna yksinkertaisesti siitä syystä, että en enää jaksanut säätää QGISin kanssa saadakseni prosenttiarvot näkyviin. Hyvä minä! Ehkä koitan myöhemmin uudelleen. Visuaalisesti kartta on kuitenkin ihan onnistunut, ja se on myös helposti luettava.

Ruututeemakartan hyvä puoli on se, että sillä pystyy kuvaamaan aineistoa ilman jo valmiiksi määrättyjä rajoja. Kun esimerkiksi koropleettikartalla kuvaa jotakin ilmiötä, ilmiö sijoittuu hallinnollisten tai muiden ennalta määrättyjen rajojen mukaan. Tämän vuoksi ruututeemakartta on hyvä; se kertoo pelkästään sijainnin perusteella miten asiat ovat ruudun kohdalla.

 

Lähteet:

Luoto, Senni. Kurssikerta 4; Ruudukoita ja vieraskielisten jakautumisen tarkastelua PK-seudulla (7.2.2018). <https://blogs.helsinki.fi/luotosen/> Luettu 10.2.2018

3. kurssikerta – Konflikteja ja virtaamia

Kolmannella kurssikerralla harjoitusten pääpointti oli tietokantojen yhdistelemisessä ja uuden tiedon luomisessa. Aloitimme hommat Afrikan valtiot -tietokannalla, ja ideana oli liittää tähän valmiiseen teitokantaan uutta tietoa muun muassa internetkäyttäytymisestä, konflikteista ja timattilöydöksistä Afrikassa. Ensin muokkasimme alkuperäisen Afrikan valtioita kuvaavan tietokannan mahdollisimman yksinkertaiseen muotoon, jonka jälkeen muutimme muut tiedot QGISsiin sopiviksi ja liitimme ne Join-toiminnolla valmiina olevaan tietokantaan. Lisäsimme tähän tietokantaan myös itse tuotettua tietoa; laskimme mm. Facebookin käyttäjien osuuden koko väestöstä. Nämä vaiheet sujuivat helposti, jos vain keskittyi opettajan ohjeisiin.

Tein kotona valmiiksi kartan Afrikassa olevista öljy- ja timattiesiintymistä sekä vuosina 1947-2008 tapahtuneista konflikteista (Kuva 1). Kartasta voi huomata, että lähes kaikki öljyesiintymät ovat sijoittuneet Pohjois-Afrikkaan, mutta jonkin verran niitä on myös Afrikan vasemmassa kainalossa sekä Saharan alapuolella. Näillä seuduilla ei näy olevan timanttikaivoksia, mutta konflikteja esiintyy jonkin verran öljyesiintymien lähellä.  Timantteja esiintyy kaikkialla Saharan eteläpuolisessa Afrikassa, ja konflikteja vähän siellä sun täällä, pääasiassa kuitenkin keski-Afrikassa. Karttaa tarkastellessa herää kysymys, onko öljyn ja timanttien esiintymisellä jokin yhteys konfliktien syntyyn.

Luulen, että jossain maissa yhteys löytyy, mutta toisissa taas ei. Karttaa katsomalla voi nähdä, että konflikteja on paljon myös sellaisilla alueilla, joissa ei ole lainkaan timatteja tai öljyä. Kuitenkin esimerkiksi Sierra Leonen ja Liberian suunnalla näyttää olevan paljon konflikteja sekä timantteja. Vaikka spatiaalisesti nämä tekijät sijoittuvat samalle alueelle, se ei automaattisesti tarkoita sitä, että niiden välillä olisi yhteys. Kuten jo muutaman blogissa näkynyt Sini Virtasen sitaatti sanoo: ”–korrelaatio ei tarkoita kausaatiota – pelkkä alueellinen yhteys luonnonvarojen ja konfliktien välillä ei välttämättä tarkoita, että konfliktit johtuisivat luonnonvaroista.” Virtasen mukaan asia voisi selvitä vertaamalla kofliktien puhkeamisen ajallista yhteyttä luonnonvaraesiintymien löytämiseen – ja näinhän se onkin.

Kuva 1. Öljy- ja timanttiesiintymät sekä konfliktit kuvattuna Afrikan kartalla.

Afrikan tietokantojen tutkimisen jälkeen siirryimme tutkimaan Suomen valuma-alueita. Valuma-alueiden, ylivirtaaman ja alivirtaaman pohjalta laadimme tulvaindeksikartan Suomesta (Kuva 2). Tulvaindeksi kuvastaa virtaaman vaihtelua, ja se ottaa mukaan sekä tulvat (=ylivirtaama) että kuivat kaudet (=alivirtaama). Tässä tapauksessa tulvaindeksi kertoo, kuinka moninkertainen virtaaman huippu on verrattuna kaikkein kuivimpaan aikaan. Karttaa tutkimalla voimme huomata, että tulvaindeksi on erityisen korkea tasaisella rannikkoseuduilla Lounais- ja Etelä-Suomessa sekä Pohjanmaalla. Näillä samoilla alueilla kartassa ilmenevä järvisyysprosentti on melko pieni, mikä vaikuttaa olevan yksi syy tulvimiseen. Luulen suuren tulvien määrän siis johtuvan lähinnä kahdesta eri syystä: maanpinnan tasaisuudesta ja järvien vähyydestä. Varsinkin Pohjanmaa on erittäin tasaista aluetta, ja tämä aiheuttaa tulvia varsinkin kevättalvella lumien sulaessa; sulavesi ei tasaisuuden vuoksi pääse virtaamaan jokiin. Tämä päätelmä todistuu katsomalla Lapin matalaa tulvaindeksiä: Lapissa on keväällä sulavaa lunta tuplasti enemmän kuin Pohjanmaalla, mutta sulaessaan vesi virtaa nopeasti jokiin ja muihin syvänteisiin maaston korkeusvaihteluiden vuoksi.

Toinen syy tulvimiseen näyttää olevan järvien vähyys. Kaikki rankkasateiden vesi tai keväisin sulanut lumi ei mahdu lähistöllä oleviin jokiin ja täten tulvii. Jos lähistöllä olisi järviä, joet kuljettaisivat sulaveden nopeasti niihin. Ilmiön voi huomata Järvi-Suomessa, sillä siellä järviä on vaikka muille jakaa, ja tulvaindeksi on erittäin pieni. Järvisyys ja tulvaindeksi siis näyttävät korreloivan vahvasti; siellä missä tolpat ovat matalat on tulvaindeksi korkealla ja toisinpäin. Poikkeuksen tähän tosin tekee Lappi, mutta syy sen vähäiseen tulvimiseen selvisikin jo.

Kuva 2. Tulvaindeksi ja järvisyys Suomessa.

Olen aika ylpeä ylläolevasta tulvaindeksi- ja järvisyyskartasta. Se on ensimmäinen tekemäni kartta, johon olen täysin tyytyväinen. Värit ovat selkeät ja hyvin toisistaan erottuvat, koropleettikartta onnistui hyvin ja pylväätkin pikku puurtamisen jälkeen. Jotkut kanssaopiskelijat mainitsivat, että pylväitä on hieman hankala lukea, ja olen samaa mieltä heidän kanssaan. Pylväitä katsomalla kykenee ainoastaan vertaamaan niiden välisiä suhteellisia suuruuksia. Ehkä olisi ollut parempi, jos olisin tehny piirakkadiagrammit järven ja maan osuudesta kuten jotkut tekivät, sillä tämä selkeyttäisi kartan lukua. Vielä selkeämpi olisi järvisyyden kertominen pelkillä numeroilla. Olen silti tyytyväinen karttaan ja muutenkin viimeisen kurssikertaan. Hommathan alkaa lutviutua!

 

Lähteet:

Virtanen, Sini. Veritimantteja ja valuma-alueita (30.1.2018). <https://blogs.helsinki.fi/7k110738/> Luettu 2.2.2018

2. kurssikerta – Karttaprojektion suuri vaikutus

Toisella kurssikerralla syvennyimme QGISsiin hieman entistä paremmin. Ensin  mittasimme saman pinta-alan ja saman pituuden montaa eri projektiota käyttäen ja merkkasimme tulokset Excel-taulukkoon (Kuva 1). Mittauksista voi huomata, että muut projektiot antoivat lähes samat mittaustulokset, mutta Mercatorin projektiota käytettäessä koko ja pituus suurenivat todella paljon. Tämä johtuu Mercatorin projektion vääristymästä, joka suurenee navoille päin mentäessä.

Kuva 1. Eri koordinaattijärjestelmillä tehtyjä mittauksia samoista kohteista: pinta-alamittaus Suomi-neidon päälaesta ja Länsi-Itä sunnassa Suomen leveimmän kohdan pituus.

Tunnin pääpointti oli kuitenkin laskea kahden eri projektion välinen muutos kuntien pinta-aloissa. Ensin muodostettiin kartta jollakin hyvin Suomessa toimivalla projektiolla (tässä tapauksessa Lambertin projektiolla) ja laskettiin kuntien pinta-alat laskukomennolla. Tämän jälkeen muodostettiin toisella huonommin Suomessa toimivalla projektiolla (Mercatorin projektiolla) toinen kartta, josta laskettiin myös kuntien pinta-alat. Näiden pinta-alajen suhde toisiinsa laskettiin ja hieman karttaa muokkaamalla saatiin aikaiseksi karttanäkymä pinta-alojen väärentymien voimakkuuksista (Kuva 2).

Kartasta käy ilmi, että vaaleimmalla väritettyjen kuntien pinta-alat Etelä-Suomessa ovat vääristyneet alkuperäisestä koosta 297-351% suuremmiksi Mercatorin projektia käytettäessä. Pohjois-Suomessa vastaava vääristymä on jopa 676-730% suurempi Lambertin projektioon verrattuna. Mercator on yleisesti maailmakartoissa käytetty projektio, ja se ei sovellu pienten, varsinkaan pohjoisten alueiden kuvaamiseen, koska sen vääristävä vaikutus on niin suuri varsinkin navoille päin mentäessä. Mercatorin projektio on ainoastaan oikeakulmainen, joten pituudet ja pinta-alat kartassa ovat vääristyneet.

Kuva 2. Suomi Mercatorin projektiolla näytettynä. Kartan väritys kuvaa prosentteina, kuinka paljon Mercatorin projektio on suurentanut kuntien pinta-aloja Suomessa hyvin toimivaan Lambertin projektioon nähden.

Odotin jo tunnilta lähtiessäni pelolla tulevaa, sillä kotitehtäväksi oli tullut muodostaa samanlainen kartta, mutta eri projektiota käyttäen. Onnekseni se ei kuitenkaan ollut kovin vaikeaa. Tein kaiken samalla tavalla kuin tunnillakin, mutta vaihdoin jälkimmäiseksi projektioksi Robinsonin maailmankarttaprojektion, koska Suomen kartta näytti niin erilaiselta tätä projektiota käyttäessä. Lopussa selvisi ettei valinta ollut ehkä kaikista paras, sillä Robinsonin projektion ja Mercatorin projektion tulokset näyttävät lähes samalta kartalla, vaikka ovatkin ihan eri suuruusluokkaa.

Robinsonin projektiossa pinta-alojen välinen vääristymä verrattuna Lambertin projektioon ei ollut läheskään niin suuri kuin Lambertin ja Mercatorin projektioiden välinen vääristymä (Kuva 3). Etelä-Suomessa Robinsonin projektio suurentaa pinta-aloja vain 15,7-17,4%. Pohjois-Suomea kohti vääristymä kasvaa, ja siellä se on 27,6-29,3%. Vaikka Robinsonin projektiokin on maailmankarttojen kuvaamiseen tarkoitettu, sen vääristävyys ei ole niin suuri kuin Mercatorin. Tämä johtuu siitä, että Robinsonin projektio on kompromissi kolmesta ominaisuudesta, joita ei kaikkia kaksiulotteiseen karttaan saada kerralla oikeiksi (oikeapintaisuus, -pituisuus ja – kulmaisuus).

Kuva 3. Robinsonin projektion suurentuma prosentteina Lambertin projektioon verrattuna. Mitä tummempi alue, sitä suurempi vääristymä.

Jo kerrasta oppineena tajusin seurata koko tunnin tarkkaavaisesti opettajan ohjeita, joten kartan teko sujui jotakuinkin jouhevasti. Jätin kartat niitä esittävien projektioiden malliin, mutta näin jälkeenpäin ajateltuna olisin voinut vaihtaa näkymät normaaleiksi, jolloin koulussa ja kotona tehneeni kartan erojen vertailu olisi huomattavasti helpompaa. Karttojen värisävyt ovat ehkä hieman liian lähellä toisiaan, mutta jos tarkkaan katsoo, erottaa värin vaihtumisen. Esimerkiksi Eveliina Sirolan karttojen väritys on huomattavasti selkeämpi varsinkin kuvassa 1. Koulussa tehtyyn karttaan legendan nimi jäi osaamattomuuttani vääräksi, mutta kotona homma jo hoitui. Muuten kartat ovat ihan onnistuneita.

Tämän viikon tehtävä ei enää tuntunut niin haastavalta kuin viime viikon, jee! Ehkä alan pikkuhiljaa sisäistämään näitä juttuja!

 

Lähteet:

Sirola, Eveliina. Kurssikerta 2: Edistymistä ja onnistumisen tunteita (26.1.2018). <https://blogs.helsinki.fi/evsirola/> Luettu 19.3.2018

1. kurssikerta – QGIS-ohjelman perusteet

Ensimmäisellä Geoinformatiikan menetelmät 1 -kurssikerralla tutustuimme QGIS -ohjelman käyttöön. En ole aiemmin käyttänyt ohjelmaa, joten kaikki tuntui sekavalta ja vaikealta. Eri työvaiheiden kuvaileminen on minulle haastavaa, sillä en oikein itsekään ymmärtänyt niitä, mutta Maiju Karhun ensimmäisessä blogitekstissä vaiheet on selitetty erinomaisesti.

Teimme ohjelmalla opettajajohtoisesti kartan Itämeren alueen valtioiden typpipäästöistä, jotka vaikuttavat itse Itämereen (Kuva 1). Kaikki nämä Itämeren ympärysvaltiot (Suomi, Ruotsi, Tanska, Saksa, Puola, Viro, Latvia, Liettua ja Venäjä) kuuluvat HELCOM (Baltic Marine Environment Protection Commission, toiselta nimeltään myös Helsinki Commission) järjestöön (Helcom 2016). HELCOMiin kuuluu myös Euroopan Unioni, mutta sen jäsenvaltioiden päästöt eivät ole oleellisia Itämeren kannalta. HELCOM on siis järjestö, joka vastaa Itämeren ympäristön suojelemisesta.

Kuva 1. Itämeren ympärysmaiden Itämereen vaikuttavat typpipäästöt. Kartassa kuvattuna myös Itämeren syvyyskäyrät, järvet ja muiden valtioiden rajat.

Kuten kartasta näkyy, selvästi suurin typenpäästäjä on Puola. Toiseksi suurimmat päästöt tulevat Ruotsista ja Venäjältä. Vähiten typpipäästöjä puolestaan tuottaa Viro. Typpipäästöt koostuvat suurimmaksi osaksi (70-90%) maataloudesta, mutta jonkin verran päästöjä tulee myös luonnollisista taustatekijöistä, hajanaisesta asumuksesta, myrskyvesistä ja ilmakehän typestä (Helcom 2011). Kuitenkin esimerkiksi Venäjällä on paljon metsää, kosteikkoja ja järviä, joista voi vapautua yllättävän paljonkin typpeä. Typpipäästöjen alkuperä siis vaihtelee maittain. Suurin osa typen päästöistä on kuitenkin ihmisen aiheuttamaa.

En ole kovin tyytyväinen karttaan, sillä siinä on muutama oleellinen puutos. Ensinnäkin, kartassa on kolme kohdetta kuvattu vaaleansinisellä, ja värit ovat sävyltään hieman liian lähellä toisiaan, mikä vaikeuttaa kartan lukua. Toinen häiritsevä juttu on legenda; admin_intro ei ole mikään oikea selite, vaan tässä olisi voinut lukea esimerkiksi typpipäästöt tai jotain muuta vastaavaa.  Karttaselitteet olisi myös voinut suomentaa ja suureet lisätä. Ehkä jatkossa onnistun paremmin, kun ohjelma käy tutummaksi, sillä nyt vain seurasin ymmälläni opettajan ohjeita.

Tämän koulussa tehtävän kartan jälkeen oli edessä vielä toisen kartan teko. Vaikeusasteita tehtävän tekoon oli kolme, mutta hetken aikaa keskitason tehtävän kanssa kamppailtuani päätin suosiolla tehdä koropleettikartan helpointa reittiä pitkin (helpoimmassakin vaihtoehdossa oli kylliksi haastetta minulle). Lopputuloksena syntyi Suomen kuntien työttömyydestä kertova kartta (Kuva 2). Mielestäni kartta onnistui hyvin, se on yksinkertainen ja selkeä.

Kuva 2. Työttömien prosenttiosuus 15-74-vuotiaasta työvoimasta kunnittain

Kartassa kerrotaan työttömien prosenttiosuus saman ikäisestä eli 15-74-vuotiaasta työvoimasta vuonna 2015. Kartasta käy ilmi, että työttömyyttä esiintyy eniten Lapin käsivarressa ja Koillis-Suomessa. Vähiten sitä on Ahvenanmaalla ja Pohjanmaalla, mutta myös Uudellamaalla työttömyyttä on vain vähän. Suurinta työttömyys on Sallassa (22,6%) ja pienintä se on Ahvenanmaan kunnassa Lumparlandissa (1,7%).

On vaikea pohtia syitä, miksi toisaalla on paljon työttömyyttä ja toisaalla taas ei. Luulen kuitenkin, että suuri työttömyys Itä- ja Koillis-Suomessa sekä käsivarren Lapissa johtuu harvasta asutuksesta. Kun asutus on harvaa, ei ole paljoa palveluitakaan, jotka nykypäivänä tuottavat suuren osan maan työpaikoista. Mielenkiintoista myös on, miksi muuten aika korkealla työttömyydellä varustetussa Lapissa Kittilän kunnassa onkin vain 5.9-10.1% työvoimasta työttömänä. Tämä johtunee Kittilässä sijaitsevista laskettelukohteista, joihin tarvitaan runsaasti työvoimaa varsinkin talvikaudella.

Vastaavasti palveluiden ja täten työpaikkojen paljous Uudellamaalla on ainakin osittain syynä matalaan työttömyysasteeseen. Uudellamaalla ja etenkin Ahvenanmaalla on myös turismia, joka synnyttää työpaikkoja. Pohjanmaalla vähäisen työttömyyden osasyynä saattaa olla runsas maatalouden harjoittaminen.

Nyt ensimmäisen kurssikerran jälkeen on QGIS -ohjelman perusteet jotenkuten hallussa, joten tästä on hyvä jatkaa eteenpäin.

 

Lähteet:

Karhu, Maiju. Kurssikerta 1 (17.1.2018). <blogs.helsinki.fi/maikarhu>  Luettu 18.1.2018

Helcom <www.helcom.fi/about-us> Luettu 18.1.2018

Helcom (2011). Fifth Baltic Sea Pollution Load Compilation (PLC-5).<www.helcom.fi/Lists/Publications/BSEP128.pdf> Luettu 18.1.2018