Maijan blogi

Seitsemännellä ja viimeisellä kurssikerralla meidän oli tarkoitus etsiä aineistoa, tuoda se qgissiin, ja esittää muuttujia kartalla. Pitkän aineistonmetsästysprosessin jälkeen löysin maakunta-aineistoa StataFin-palvelusta.  Löysin tiedot korkeakoulutetuista sekä vastasyntyneiden elinajanodotteen makunnittain ja sain jopa esitettyäkin kummankin muuttujan kartalla (kuva 1). Kartasta ei ehkä voi tehdä järkeviä yleistyksiä. Niissä maakunnissa joissa on paljon korkeasti koulutettuja on toki myös korkea alinajanodote, mutta myös jotkut “vaaleammat” maakunnat yllättävät korkealla elinajanodotteella. Ahvenanmaalla ja Pohjanmaalla on korkeimmat elinajanodotteet, ja tämä muuttuja pienenee jonkin verran itään päin mentäessä. Eniten korkeasti koulutettuja on tietysti Uudellamaalla, sekä niissä maakunnissa joissa on suuria kaupunkeja.

Haasteeksi tehtävässä muodostui se, että täytyi löytyä aineistot jotka on luokiteltu samalla tavalla, kuten esimerkiksi maakunnittain. Toinen haaste oli taulukkoaineiston tuominen itse ohjelmaan. Olen törmännyt tähän samaiseen ongelmaan aiemmillakin kursseilla, eli että qgis ei tunnista ääkkösiä kaikissa aineistoissa mikä taas johtaa ongelmiin attribuuttitaulukkoliitoksissa. Edellisen kerran kun kohtasin tämän ongelman, en löytänyt siihen ratkaisua, mutta nyt tallensin taulukon excelistä eri muodossa, ja ongelma oli ratkaistu! Yhdellä edellisistä kurssikerroista toinen ongelmani oli se, että diagrammeja tehdessä ohjelma ei löytänyt taulukosta suurinta arvoa, eikä diagrammit näin onnistuneet. Jännitin kovasti, että käykö tällä kerralla samalla tavalla, mutta diagrammeja tehdessä painoin “find” painiketta ja suurin arvo löytyi kuin löytyikin. Myös diagrammit siis onnistuivat hienosti tällä kertaa.

Jännitin tätä tehtävää etukäteen paljon, mutta jännitys oli selvästi turhaa, sillä seitsemän viikon harjoittelu kyllä maksoi takaisin tässä vaiheessa. Ennen tietyt ongelmakohdat joita nytkin kohtasin esimerkiksi attribuuttitaulukoiden “joineissa” tuottivat suurta tuskaa, mutta tänään ne ratkesivat käden käänteessä (no ei nyt ihan, mutta omalla pähkäilyllä joka tapauksessa). Kävin tarkastelemassa muiden kurssilaisten viimeisen kerran taidonnäytteitä ja silmiinpistävän hienoja karttoja oli esimerkiksi Sannalla ja Helmillä.

 

Lähteet:

https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/

Sanna Korven blogi: https://blogs.helsinki.fi/sakorpi/ (sivulla käyty 10.3.2021)

Helmi Lappalainen-Imbertin blogi: https://blogs.helsinki.fi/laphelmi/ (sivulla käyty 10.3.2021)

Kuudennen kurssikerran tehtäviä

Tällä kerralla pääsimmekin reippailemaan ulkomaailmaan, ja keräämään yhteistä aineistoa eri puolilta Helsinkiä Epicollect5-sovellusta käyttäen. Keräsimme pisteistä maastossa sijaintitietoa koordinaattien avulla, sekä ominaisuustietoja kirjoitimme itse sovellukseen. Pisteet interpoloitiin kartalle qgississa, ja tuloksia voitiin tarkastella värisävyjen avulla (kuva 1). Värisävyt kuvaavat kartalla koettua turvallisuuden tunnetta eri (vierailemillamme) alueilla Helsingissä.

Kurssikerran toisessa osuudessa tarkoituksena oli tuoda tietokannoista aineistoa itse qgissiin, ja tehdä havainnollistavia karttaesityksiä muutamasta muuttujasta. Näitä karttoja tulisi voida käyttää opetusmielessä. Tein kolme karttaa, joista ensimmäisessä (kuva 2) näkyy 2000-luvulla tapahtuneet maanjäristykset kahteen suuruusluokkaan luokiteltuna. Toisessa kartassa (kuva 3) on samat maanjäristykset, sekä lisäyksenä tulivuoriaineisto. Kolmannessa kartassa (kuva 4) käytin meteoriitti-impaktit-tietokantaa, ja kartalla näkyy yli 1000 kg meteoriitti-impaktit.

 

 

Kaksi ensimmäistä karttaa ovat mielestäni hyvin onnistuneita, ja ovat visuaalisesti hyvin selkeitä. Järistykset on kuvattu punaisella, ja suurimmat niistä “räjähdys”-symbolilla. Tulivuoret kuvasin mustina kolmioina, ja kaikki symbolit tulevat näin esille kartalla. Koska kartat ovat hyvin selkeitä, niitä voisi käyttää nuorempienkin lasten opetuksen aineistona. Pohdin pitkään mittakaavan ja pohjoisnuolen osuutta kartalla, mutta päätin lopulta jättää ne pois, sillä mittakaava ei näyttänyt ollenkaan oikealta, ja pohjoisnuolikaan ei tietenkään ihan pohjoiseen siinä voinut osoittaa. Huomasin, että moni muukin oli pohtinut tätä samaa asiaa. Esimerkiksi Roosa Harmonen ja Ville Väisänen olivat analysoineet samaa asiaa omissa blogeissaan.

Kuvan 3 kartasta hahmottaa jo hyvin sen, että suurin osa järistyksistä sekä tulivuorista ovat litosfäärilaattojen saumakohdissa ja kartalta voi saada hyvän esikäsityksen siitä, missä nämä saumakohdat voisivat sijaita. Tähän opetustarkoitukseen voisi vielä käyttää esimerkiksi tätä USGS:n karttaa näistä saumakohdista. Tuossa kartassa Tyynenmeren tulirengas ei kuitenkaan saa niinsanotusti näkyvyyttä, joten tämän havainnollistamiseen voisi olla apua National Geographicin “ring of fire”-karttakuvasta.

Meteoriitti-impaktit kartasta ei ole paljoa sanottavaa. Ehkä jonkin pienemmän alueen tarkastelu olisi ollut tässä yhteydessä järkevämpää. Kun kokeilin kartan tekemistä suuremmalla määrällä havaintoja, sekä myös tällä yli 1000kg havainnoilla, johtopäätökseksi voisi vetää, että meteoriitti-impakteja on kaikilla mantereilla suunnilleen yhtä tiheästi. Pohjois-Amerikassa ehkä enemmän kuin muualla. Toisaalta johtuuko tämä mittauksesta, sillä trooppisten sademetsien kohdilla, ja esimerkiksi Etelämantereella ja Australian keskiosissa havaintoja ei ollut juurikaan. Johtuuko tämä siis vain siitä, että siellä ei ole ihmisiä tekemässä näitä havaintoja?

 

Lähteet:

https://www.usgs.gov/media/images/tectonic-plates-earth

https://www.nationalgeographic.org/article/plate-tectonics-ring-fire/?utm_source=BibblioRCM_Row

Roosa Harmosen blogi: https://blogs.helsinki.fi/harmoroo/ (sivulla käyty 2.3.2021)

Ville Väisäsen blogi: https://blogs.helsinki.fi/villvais/ (sivulla käyty 1.3.2021)

Viidennen kurssikerran tehtäviä

Viimeisimmältä kurssikerralta jäi oikeastaan vain yksi sana päähän: bufferointi. Kaikkien kurssikerran tehtävien jälkeen osaisin bufferoida jo unissaankin. Tämä oli varmasti kurssikerran tarkoituskin. Tehtävänä oli ratkaista useita tehtäviä käyttämällä toimintoja kuten “join attributes”, “select features by location” sekä tietysti bufferointia. Opimme myös lukemaan statistics-taulukkoa, josta löytyi vastauksia tehtäviin, kunhan sitä osasi oikein lukea.

Tässä excel-taulukko tekemieni tehtävien vastauksista:

Haastavinta erityisesti ensimmäisissä tehtävissä oli itse tehtävän aloittaminen. Tuntui haastavalta, ja jopa vähän pelottavalta alkaa itse painelemaan eri toiminnoista ja mahdollisesti sotkea kaikki mitä oli aikaan saanut. Kun toistoja kuitenkin kertyi useita, alkoi homma yhtäkkiä sujumaan paljon paremmin. Monissa tehtävissä oli kyllä mietittävää ja pohdittavaa, mutta esimerkiksi “Join attributes by location (summary)” -toiminnon käyttäminen sujui viimeisissä tehtävissä jo todella nopeasti ilman sen suurempia kummasteluita. Lempityökaluksi nousi kuitenkin ehdottomasti bufferointi sen helppokäyttöisyyden ja hyödyllisyyden vuoksi. Huomasin, että myös Lotta  sekä Sanna olivat blogeissaan ylistäneet bufferoinnin hyötyjä.

Tämä kurssikerta oli itselleni ehdottomasti opettavaisin ja antoisin tähän mennessä. On aina yhtä mukavaa huomata, että on sisäistänyt asioita ja pystyy jopa soveltamaan ja hyödyntämään näitä uusia taitoja haastavimmissakin tehtävissä.

 

Lähteet:

Kurssimateriaali

Lotta Mattilan blogi: https://blogs.helsinki.fi/lottmatt/ (sivulla käyty 24.2.2021)

Sanna Juntusen blogi: https://blogs.helsinki.fi/smjantun/ (sivulla käyty 25.2.2021)

Oppimistavoitteet

Neljännellä kurssikerralla tarkoituksena oli harjoitella ruudukon tekemistä ja hyödyntämistä vektorikartta-aineiston päällä. Opettelimme miten ruudukko ylipäätään luodaan, ja miten sitä voidaan “karsia” ja jättää vain olennaiset ruudut kartalle, jotta ohjelman käyttö olisi nopeaa ja sujuvaa. Jos ruudukko on kooltaan suuri, ja ominaisuustietoa on paljon, voi ohjelma jopa jumittua. Tämän takia on tärkeää osata rajata layereistä vain tarvitsemamme tiedot, jotta laskutoimitukset nopeutuvat ja keventyvät. Kurssikerralla tuotettiin 1km x 1km “ruutukartta” ruotsinkielisten määrästä eri alueilla pääkaupunkiseudulla (kuva 1).

 

 Opitun soveltamista

“Koti”tehtävänä oli tarkoitus soveltaa juuri opittua, ja tehdä samantapainen ruutukartta, mutta eri muuttujilla. Valitsin muuttujaksi muunkielisten lukumäärän pääkaupunkiseudulla. Koetin ensin tehdä 250m x 250m kokoista ruudukkoa, mutta koko ohjelma kaatui tämän seurauksena. Seuraavaksi yritin puolen kilometrin ruuduilla. mutta tämänkään lataus ei onnistunut. Lukiessani Annika Innasen blogia, huomasin, että hänelläkään 250m x 250m ruudukon luominen ei ollut onnistunut. Päätin siis käyttää myös kurssikerralla käyttämääni 1km x 1km ruutuaineistoa. Tämän ohjelma prosessoikin hyvin.

Alun haasteiden jälkeen, eteen tuli vielä suurempi haaste. Laskin muunkielisten osuuden kaikista asukkaista käyttämällä “field calculator”-toimintoa. Ohjelma ei kuitenkaan jostain syystä saanut laskettua kaikkiin ruutuihin arvoja. Itseasiassa hyvin suuri osa ruuduista jäi tyhjäksi, kun havainnollistin tuloksia kartalla. En keksinyt tälle syytä, sillä absoluuttisia lukuja esittäessä kaikki valitut ruudut saivat jonkin arvon. Ajattelin, että muunkielisten määrää olisi kuitenkin hyvä esittää prosenttiosuuksina absoluuttisten lukujen sijaan (kuva 2).

Koska prosenttiosuuksien esittäminen kartalla ei onnistunut toivotulla tavalla, liitän tähän myös absoluuttisilla luvuilla tehdyn tuotoksen (kuva 3). Lukiessani Annika Innasen blogia, huomasin, että myös hän oli tehnyt kartan muunkielisten prosenttiosuuksista. Kun vertailen hänen tuotostaan, ja omaani absoluuttisilla lukuarvoilla tehtyä havainnollistusta, voidaan tehdä joitakin samoja johtopäätöksiä. Esimerkiksi Itä-Helsinki näkyy kummassakin versiossa huomattavasti tummempana, eli siellä asuu enemmän muunkielisiä. Absoluuttisten arvojen kartassa kuitenkin aivan keskusta ja Etelä-Helsinki näyttäytyvät suhteellisen tummina, mutta Annikan kartasta näkyy, että muunkielisiä on tällä alueella kuitenkin suhteellisen vähän. Tässä tulee ilmi se, että kannattaako havainnollistaessa käyttää absoluuttisia arvoja vai suhdelukuja. Muuttujan valinta riippuu tietysti käyttötarkoituksesta, mutta tässä kohtaa suhdeluvut ovat ehkä järkevämpiä.

 

Lähteet:

Kurssimateriaali

Annika Innasen blogi: https://blogs.helsinki.fi/anninnan/ (sivulla käyty 15.2.2021)

Kolmannen kurssikerran tavoitteet

Tällä kertaa harjoittelimme tietokantojen, sekä attribuuttitaulukoiden tietojen yhdistelyä. Käytimme erilaisia yhdistelytoimintoja, joiden avulla pystyttiin siistimään ja selventämään laajoja tietokantoja, ja ominaisuustaulukoiden sekavia sarakkeita. Yhdistelytoimintojen avulla pystyttiin analysoimaan esimerkiksi Afrikan eri valtioiden konfliktien ja timanttikaivosten yhteyksiä pidemmälle.

Itsenäisenä tehtävänä tällä kurssikerralla oli harjoitella ja kerrata attribuuttitaulukoiden tietojen yhdistelyä, sekä tehdä laskutoimituksia ja esittää tulokset kartalla sekä koropleettimuodossa, että diagrammeina. Tarkoituksena oli laskea Suomen alueille tulvaindeksit, sekä järvisyysprosentit (kuva 1).

Kuva 1.

Kuten kartastani huomaa, tulvaindeksit näkyvät selkeästi ja ovat tulkittavissa, kun taas järvisyyttä kuvaavat pylväsdiagrammit eivät onnistuneet usean yrityksen jälkeenkään ollenkaan. Tulkintaa varten kävin vierailemassa Lotan blogissa jossa kartta oli oikein onnistuneen näköinen. Karttaa tarkastelemalla, voidaan nähdä tulvariskin olevan suurin Etelä-Suomessa ja Pohjanmaalla. Rannikkoalueilla jokia on paljon, ja siksi siellä myös tulvii enemmän. Järvisyysprosenttia tarkastelemalla voi huomata, että suurimmalla osalla alueista järvisyys ja tulviminen korreloivat negatiivisesti. Joet tulvivat helposti, kun taas järvisillä alueilla vesi päätyy usein järviin, jotka eivät juurikaan tulvi.

Haasteet ja oivallukset

Järvisyyttä esittävien diagrammien saaminen näkymään kartalla, ja sitten niiden muokkaaminen tuotti itselleni erityisen paljon haasteita. Pitkän tutkailun jälkeen luulen kuitenkin keksineeni syyn sille, miksi pylväsdiagrammit eivät näytä oikeilta. Attribuuttitaulukossani järvisyyslukuja ei saanut suuruusjärjestykseen, eli suurimmat arvot olivat aina jossain keskivaiheilla. Tästä syystä diagrammeja tehtäessä, ohjelma ei saanut haettua suurimpia arvoja, mikä sitten näyttäytyi kyseisellä tavalla. Vieraillessani Iiriksen blogissa huomasin hänelläkin olleen samanlainen ongelma arvojen kanssa.

Kaikista haasteista huolimatta, koen kehittyneeni Qgissin käytössä huomattavasti. Erityisesti huomaan, että olen alkanut oppimaan tunnistamaan ja ratkaisemaan ongelmia myös itsenäisesti. Olen myös tyytyväinen, että tietokantojen yhdistelytoiminnot jäivät minulle hyvin mieleen tästä kerrasta.

 

Lähteet:

Kurssimateriaali

Lotta Puodinkedon blogi: https://blogs.helsinki.fi/lottapuo/ (sivulla käyty 8.2.2021)

Iiris Turusen blogi: https://blogs.helsinki.fi/iiristur/ (sivulla käyty 8.2.2021)

Toisen kurssikerran tavoitteet

Toisella luennolla käytiin läpi erilaisia aineistoja, ja niiden tuottajia. Keskityimme muunmuassa rajapintojen kautta haettaviin aineistoihin. Esimerkiksi rasteriaineistoille on olemassa WMS-palvelut, ja vektoriaineistoille taas WFS-palvelut. Sen lisäksi aiheena oli INSPIRE-direktiivi, ja sen positiiviset vaikutukset erilaisten aineistojen saatavuuteen. Zoom-luennolla visualisoimme eri projektioiden ja koordinaattijärjestelmien vaikutuksia muunmuassa pinta-aloihin kunnittain.

 

Tarkastelussa projektioiden luomat vääristymät

Tarkoituksena tällä kurssikerralla oli siis vertailla, kuinka todenmukaisesti eri projektiot esittävät Suomen eri alueiden pinta-alat. Vertasin ensiksi Suomea hyvin esittävää TM35FIN-projektiota Sphere Mercatorin projektioon (kuva 1). Ymmärsin vasta myöhemmin, että olin laskenut erot prosentteina, mutta en ollut kirjoittanut tätä legendaan. Luvut ovat siis prosenttilukuja. Sen lisäksi karttaa on hankala tulkita, sillä olen todennäköisesti laskenut arvot väärin päin. Mercatorin projektiohan tunnetusti vääristää suurentaen alueita mitä lähemmäksi napoja mennään. Karttaa voisi ehkä tulkita jos arvojen edessä olisi miinusmerkit?

Kuva 1.

Seuraavaksi vertasin TM35FIN-projektiota Sphere Robinsonin projektioon. Tässä kohtaa opin kaikista edellisistä virheistäni, ja sain paremmin tulkittavan lopputuloksen. Tällä kertaa käytin suhdelukuja, ja ymmärsin käyttää esittämisessä tätä TM35FIN-projektiota verrattavan projektion sijaan. Tässä kartassa myös suhdeluvut pitävät paikkaansa. Robinsonin projektion pinta-ala vääristymät eivät ole yhtä suuria, kuin Mercatorin projektiossa, mutta vääristymä kasvaa silti napaa lähestyessä. Mercatorin projektio on oikeakulmainen, eli se vääristää mittasuhteita ja pinta-aloja, mutta säilyttää alueiden muodot oikeina. Robinsonin projektion vääristymät ovat hieman pienempiä sen takia, että se pyrkii jonkinlaiseen kompromissiin näiden muuttujien välillä.

Kuva 2.

Haasteet ja oivallukset

Haasteeksi näissä tehtävissä minulle muodostui matematiikka, ja kriittinen ajattelu laskutoimitusten tuloksista. Lisäksi Qgissin käytössä huomasin saman ongelman, mikä myös Kasperilla oli. En saanut toista karttaa tehdessä poistettua tuota ”added geom info” tekstiä, mutta kirjoitin siihen tilalle “suhdeluvut”. Qgissin käyttö on itsessään alkanut kuitenkin luonnistumaan paljon paremmin. Useiden toistojen ja kertaamisen ansiosta, huomaan alkaneeni onnistumaan ei pelkästään luennoilla käydyissä asioissa, mutta myös kokonaan uusissa tehtävissä aivan itsenäisesti omalla päättelykyvyllä.

 

Lähteet:

Kurssimateriaali

Kasper Mickosin blogi: https://blogs.helsinki.fi/kmickos/ (Sivulla käyty 1.2.2021)

https://fi.wikipedia.org/wiki/Robinsonin_projektio