Neljäs kurssikerta ja pää täynnä uutta tietoa. Tämä kurssikerta oli erilainen verrattuna aikaisempiin, sillä työstimme rasteriaineiston avulla ruutukarttoja.
Tunti lähti käyntiin ruudukkojen luomisella sekä siihen liittyvien pikkuseikkojen tarkistamisella. Kun ruudukko eli ”grid” oli valmis, sitä pystyttiin hyödyntämään esimerkiksi käyttämällä väestötietoja hyväksi. Katsoimme esimerkiksi asukkaiden absoluuttista määrää pääkaupunkiseudulla, joka näytti hyvin väestön jakautumisen alueella. Tästä en itse muistanut napata kuvaa, mutta Ulrika Ainasojan blogissa tästä on hyvä kuva.
Itsenäisessä harjoituksessa oli tarkoitus valita yksi muuttuja rasteriaineistosta, joka esitetään kartalla. Itse päädyin ruotsinkielisten osuuteen koko väestöstä. Helsingissä keskustan alueella esiintyy suuri määrä ruotsinkielisiä. Espoossa on kuitenkin jo huomattavasti enemmän suhteessa koko väestöön kuin Helsingissä. Pieni piste voidaan nähdä myös Kauniaisten kohdalla, jossa näyttää olevan hyvinkin paljon ruotsinkielistä väestöä. Vantaalla ruotsinkielisten määrä koko väestöstä näyttää hyvin alhaiselta verrattuna muihin kaupunkeihin.
Kuva 1. Ruotsinkielisten osuus pääkaupunkiseudun väestöstä.
Kurssikerralla tutuistuimme myös Pornaisten karttaan, johon oli tarkoitus lisätä korkeustiedot havainnollistaviksi korkeuskäyriksi. Tästäkään en saanut kuvia, joten käykää ihmeessä katsomassa Vilma Koljosen blogista tarkemmin näitä!
Lähteet:
Ainasoja, U. (2020). Rasteritietokantoja ja väestökarttoja. [Blogipostaus]. Luettu 11.2.2020. https://blogs.helsinki.fi/ulrikain/
Koljonen, V. (2020). Ruudut ja rasterit tutuiksi. [Blogipostaus]. Luettu 11.2.2020. https://blogs.helsinki.fi/vilmakol/
Vastoinkäymiset opettavat, eikö? Ja niin siinä kävi, että kampuksella neljän tunnin aherrus karttojen kanssa ei helpottanut kotona työmäärää, sillä koulun QGis on hieman vanhempi versio kuin koneellani oleva, joten tallentamiani tiedostoja ei voinut muokata kotona. Pienen hermoromahduksen jälkeen sain koottua itseni ja aloitin sekä Afrikka -kartan että tulvakartan alusta.
Tällä kurssikerralla tarkoituksena oli tutustua aineistoon, jossa oli esitetty Afrikassa sijaitsevia öljy- ja timanttiesiintymiä sekä maanosan sisällä esiintyneitä konflikteja vuosien varrella. Alkuperäinen tietokanta oli paljon erilaista tietoa sisältävä, joten siitä piti muokata yksinkertaisemmaksi ja omaan esitystapaan sopivaksi. Tässä muokkaamisessa käytettiin esim. Dissolve -työkalua, jolla saatiin aineistossa tietokantoja yhdisteltyä.
Kuvassa 1 on työni tulos. Kartalla näkyi alunperin suuri määrä yksittäisi konfikteja, jonka vuoksi päätiin yhdistää ne maittain, jolloin kartasta pystyy näkemään missä maissa konflikteja on ollut eniten vuosina 1947-2008. Timantti- ja öljyesiintymät päätin jättää sikseen, sillä minusta ne toimivat tuollaisenaan. Sinisellä kartassa näkyy internetinkäyttäjien määrä väestön määrästä vuonna 2019. Kahden maan, Djiboutin ja Komoroiden, kanssa tässä esiintyi hieman ongelmia datan kanssa, sillä internetinkäyttäjiä oli enemmän kuin asukkaita, jonka vuoksi päätin jättää ne kokonaan pois.
Kuva 1. Teemakartta Afrikasta. Koropleettikartassa näkyy internetinkäyttäjien määrä väestöstä vuonna 2019. Lisäksi kartassa on timantti- ja öljyesiintymät sekä konfliktit.
Tulvaindeksikartassa laskutoimitukset ja Join -toiminnot olivat minusta helppoja, sillä olin jo aikaisemmilla kurssikerroilla tutustunut niihin. Siinä ei siis varsinaisesti ollut mitään ihmeellistä. En kuitenkaan meinannut millään saada järvisyyden pylväsdiagrammeja esiin kotona. Muutaman kyyneleen ja kahvikupposen saattelemana kartta kuitenkin valmistui alla näkyvään muotoonsa (kuva 1).
Tulvaindeksin sai laskemalla tietokannasta löytyvien keskiylivirtaaman ja keskialivirtaaman avulla (MHQ/MNQ). Tällä laskutoimituksella saadaan selville valuma-alueet, joilla tulvariski on suurin. Kuvasta 1 voi päätellä, että erityisesti Turun ja Helsingin alueilla tulvariski on suuri. Valuma-alueet, joissa järvisyysprosentti on suuri, omaavat paljon pienemmän tulvaindeksin, kun taas alueet, joissa järvisyysprosentti on pieni, ovat paljon riskialttiimpia tulville. Tämä johtuu siitä, että tulvien sattuessa vesi ei pääse osittain kerääntymään järviin. Turun ja Helsingin tulvaindeksin selittää taas valuma-alueen rakennettu ympäristö. Vesi ei imeyde asfalttiin kuten se imeytyisi paljaaseen maahan, jonka vuoksi kaupungit monissa tapauksissa edesauttavat tulvien syntymistä. Sama luonnonmaantieteellinen ilmiö on todettu Riina Hiltulan ja Venla Moision blogeissa, joten uskallan väittää sen todeksi.
Kuva 2. Tulvaindeksit sekä niihin liittyvät järvisyysprosentit Suomen kartalla.
No, tällä kerralla opin ainakin sen, että kertaus tosiaan on opintojen äiti. Voisin lyödä vetoa, että tällä kurssikerralla käytetyt QGis -toiminnot tulevat vielä kummittelemaan öisin uniini, mutta ainakin nyt osaan ne perinpohjin!
Lähteet:
Hiltula, R. (2020). Afrikan valtioita ja tulvaindeksin laskemista [Blogipostaus]. Luettu 3.2.2020. https://blogs.helsinki.fi/hiltular/
Moisio, V. (2020). Viikko 3 – Tietokantojen yhdistämistä ja laskutoimitusten tekemistä [Blogipostaus]. Luettu 3.2.2020. https://blogs.helsinki.fi/moivenla/
Toisella kurssikerrallamme saimme syventyä QGis:in ominaisuuksiin. Tarkoituksena oli edelleen hyödyntää tietokantojen attribuuttitietoja, hyödyntää niitä laskutoimituksissa ja visualisoida lopputulos. QGis:in käyttö tuntui tällä kertaa jo huomattavasti helpommalta ja jotkin asiat alkoivat tulemaan jopa rutiinin omaisesti. Kuitenkin projektioiden kanssa säätäminen tuntui haastavammalta kuin laskutoimitukset.
Kuvan 1 kartan tarkoituksena oli vertailla eri projektioita sekä vertailla niiden vaikutusta Suomen pinta-alaan. Tällä kertaa vertailussa olivat mercatori ja Suomen ETRS-TM35FIN. Pinta-alojen erot laskettiin vertailuprosentin avulla QGis:in laskimen avulla. Halusin lisätä myös toisenlaisen mahdollisuuden vertailuun, jonka laitoin tein kuvaan 2 näiden kahden projektioiden Suomen kartan, josta voi hahmottaa niiden selkeät erot. Kuva 1 kertoo tarkemmin, kuinka paljon alueet oikeasti eroavat pinta-aloiltaan.
Kuva 1. Mercator ja ETRS-TM35FIN projektioiden pinta-alojen vertailuprosentti kunnittain.Kuva 2. ETRS-TM35FIN ja Mercatorin projektioiden erot Suomen muodon kannalta.
En kuitenkaan malttanut jättää tätä ainoaksi kartaksi toisella kurssikerralla, vaan hyödynsin kotona jaettua aineistoa. Tarkoituksena oli tehdä kartta, josta kävisi helposti ilmi, kuinka suuri osa kuntien pinta-aloista kuuluu Natura 2000- suojelualuisiin. Natura 2000 on Euroopan unionin laatima suojeluohjelma, jonka tarkoituksena on pysäyttää luonnon monimuotoisuuden vähentyminen.
Olen tyytyväinen kartan lopputulokseen, vaikka tekemisessä oli hieman ongelmia. Ensinnäkin aluksi tuntui vaikealta määrittää millaisen jaottelun legendaan haluan. Lapissa on selkeästi enemmän suhteellisesti Natura 2000- alueita, joka nosti ylintä luokkaa huimasti, kun taas Etelä-Suomessa alueet ovat huomattavasti pienempiä, jolloin luokkien välit ovat suuret. Omaa silmääni tämä lopullinen kartta miellytti eniten sekä antaa selkeän kuvan todellisuudesta.
Kurssilaisista myös Carita Aapro-Koski sekä Heini Mäkelä olivat käyttäneet Natura -aineistoa hyödykseen. Kaikilla meillä on hyvin samantyyliset kartat, joka helpottaa minua, sillä nyt tiedän, että taidan olla oikeilla jäljillä!
Lähteet:
Aapro-Koski, C (2020). Kurssikerta 2. Luettu 27.1.2020 https://blogs.helsinki.fi/aacarita/
Mäkelä, H (2020). Kurssikerta 2. Luettu 27.1.2020 https://blogs.helsinki.fi/mcheini/
Ensimmäisellä kurssikerralla tutustuimme QGis-ohjelmistoon. Aloitimme kurssin muistelemalla paikkatietoon liittyviä perusseikkoja, jonka jälkeen siirryimme tutkimaan itse ohjelmistoa. Kun olimme tutkineet mitä kaikkea ohjelmisto pitää sisällään, aloitimme jo pian ensimmäisen harjoituksen, jonka avulla saimme ensikosketuksen QGis:in ihmeelliseen maailmaan.
Mielestäni QGis-ohjelmisto on suhteellisen looginen ja helppo käyttää, joten suurempia ongelmia ei ilmennyt. Valmiiden tietokantojen tuominen ja niiden attribuuttitietojen visualisointi tulee varmasti jatkossa olemaan suuri apu. Hyvä esimerkki tällaisesta visualisoimisesta löytyy kuvasta 1, joka on ensimmäinen kurssilla itse tehty tuotos valmiista tietokannasta.
Kuva 1. Koropleettikartalla yli 65-vuotiaiden suhteellinen määrä kunnittain.
Pohjois-Karjalassa sijaitseva Ilomantsi näkyy kartalla (kuva 1) niiden kuntien joukkoon, joissa yli 65-vuotiaiden määrä on suurimmillaan. Suuri yli 65-vuotiaiden määrä kunnan asukkaista kertoo jo siitä, että kunnassa tulee jatkossa olemaan ongelmia huoltosuhteessa. Kunnan taloudellinen huoltosuhde oli vuonna 2017 jo hyvin korkea – 227, kun taas läheisen kunnan Joensuun taloudellinen huoltosuhde oli samana vuonna 155 (Tilastokeskus, 2019).
Kartalta erottuu selkeästi Suomen yliopistokaupungit ja niiden lähialueet. Näissä kunnissa tapahtuu vuosittain nuorten opiskelijoiden edestakaisin muuttoa, joka säilyttää heidän ikäisiensä osuuden kunnissa suurena. Näitä alueita kartalla ovat Turku, Tampere, Helsinki, Jyväskylä, Joensuu ja Oulu.
Myös muiden kurssilaisten blogeista löytyy väestöön liittyviä karttoja, jotka liippaavat läheltä omaa karttaani. Esimerkiksi Mikko Kangasmaan blogista löytyy kartta eläkeläisten määrästä suhteutettuna kunnan asukkaisiin. Tämän lisäksi Tomi Kiviluoman blogista löytyy kartta, jossa tarkastellaan Suomen kuntien nettomuuttoa. Kartasta näkee hyvin, että kunnat joissa on suhteessa paljon yli 65-vuotiaita, myös nettomuutto on miinuksella.
