7. Datojen keräilyerä

Aika liitää ja minä en, joten nyt on seitsemännen eli viimeisen blogipostauksen aika. Tehtävänä oli jotakuinkin etsiä itseä kiinnostava teema ja visualisoida siitä läjä karttoja. Aineiston valitseminen olikin tässä tehtävässä hankalin osio. Valinnan vaikeuden takia hylkäsinkin kaksi ensimmäistä valitsemaani aineistoa, koska en saanut niistä aikaan ideoimaani esitystä. Tuskallisen valinnanvaikeuden ja oman päättämättömyyden jälkeen otin takapakkia monimutkaisemmista ja haastavammista aiheista. Surffasin itseni HSL:län sivuille ja toin sieltä QGIS:siin kasan aineistoja joita aloin perkaamaan ja samalla pohtimaan mitä niiden avulla voisi fiksusti esittää. (Aloittaessani tämän kirjoittamista ei minulla ollut pienintäkään hajua mitä karttoja tähän postaukseeen tulisi)

Tosiaan: latasin HSL:län sivuilta kasan aineistoja joiden pohjalta lähdin ideoimaan mitä niillä voisin esittää. Eli tein käytännössä päinvastoin kuten useimmiten tehdään eli ensin mietitään mitä halutaan esittää ja sitten vasta etsitään aineistot, kun taas itse latasin ensin aineistot ja mietin sitten. Hyödynsin myös aikaisempien kurssikertojen materiaaleja, kuten pääkaupunkiseudun väestötietokantaa, kuntarajoja sekä pienaluejakoa.

Kuva 1: Bussiliikenteen vuoromäärät, HSL:län liityntäpysäköinnit sekä väestö

Visuaaliksi syntyi ensimmäisenä ylläoleva tuotos (Kuva 1). Kartasta näkee milestäni hyvin väestön vaikutuksen bussiliikenteen vuoromääriin, niiden noudattaessa pitkälti tummemmalla sinisellä olevia piealueita. Vuoromääristä näkee myös suurimmat valtaväylät mihin bussiliikennettä suuntaa, kuten länsiväylän, Lahdentien suunnan sekä Vihdintien ja Tuusulanväylän suunnat. Poikittaisliikenne ei erotu erityisesti kartalta vaan päävaikutelma on bussilinjojen säteittäisyys pääkaupunkiseudulla.

HSL:län liityntäpysäköintipaikoista näkee tavoitteen saada ihmiset jättämään autonsa kauemmas keskustasta juuri juna- tai metroasemien lähelle, josta jatkaa julkisilla kulkuvälineillä eteenpäin. Eniten pysäköintitilaa on liikenteen solmukohdissa Leppävaarassa, Tikkurilassa, Itäkeskuksessa sekä yllättäen Kivistössä. Kivistö on toisaalta voimakkaasti kasvava alue, joten pysäköintitilaa on rakennettu tulevaisuutta silmälläpitäen.

Liityntäliikenteestä tuli mieleen myös polkupyöräpysäköinti. Siitäpä syntyi kätevästi toinen visuaali yhdessä autopaikkojen kanssa (Kuva 2).

Kuva 2: Polkupyörä- ja autopaikkojen määrä liityntäpyäsköinneissä

Visualisoinnista näkee myös polkupyöräliityntäpysäköintejä olevan muuallakin kuin ainoastaan siellä, missä autopaikkoja, sillä onhan polkupyöräpaikkoja helpompi sijoittaa rakennetulle alueelle kuin laajoja autopaikkoja. Varsinkin metroasemien lähistöllä kantakaupungissa on pyöräpaikkoja siellä missä autoille ei ole.

Ehkä kartoissa esitettävät teemat olivat hieman satunnaisia, mutta itse olen visualisointituloksiin melko tyytyväinen ja myös siihen, että keksin näistä aineistoista jotain (melko) järkevää. Fiilistelen siksi myös Vivin ajatuksia siitä, että olisiko pitänyt tehdä jotain monimutkaisempaa ja erikoisempaa, kun muutkin tekivät.

Tämä oli viimeinen, joten tsau!

Lähteet:

HSL. Avoin data. https://www.hsl.fi/avoindata (luettu 14 & 15.3.2018)

Tarkka, Vivi. It’s the final countdown.  https://blogs.helsinki.fi/vivitark/2018/03/09/its-the-final-countdown/ (Luettu 15.3.2018)

6. Maanvuoria ja tulijäristyksiä

Kurssikerta 6(66) ja kurssi lähenee jo loppuaan. Keskiviikkoaamun piristykseksi lähdimme rapeassa pakkasessa tällä kertaa itse keräämään aineistoa kurssikerran harjoitukseen. Tarkoituksena oli kerätä pistemäistä dataa Epicollect5 -sovelluksella lähiseudun julkisen tilan turvallisuudesta ja viihtyvyydestä. Noin tunnin reippaan ulkoilun jälkeen kokoonnuimme takaisin luokkaan ja toimme kerätyn aineiston QGIS:siin nähtäville. OpenStreetMap -pluginin avulla aineistosta pystyi visualisoimaan aihepiiriä kuvaavan kartan. Harjoituksen tarkoituksena oli kokeilla itse aineiston keruuta ja osoittaa kuinka helppoa se on esimerkiksi älypuhelimella olevan sovelluksen avulla.

Seuraavaksi aineiston keruuta kokeiltiin astumatta jalallakaan ulos luokasta, vaan hilluimme katunäkymässä Helsingin keskustan alueella Go2StreetView -lisäosan avulla. Tarkoituksena oli harjoituksenomaisesti kerätä tietoa kaupallisesta toiminnasta noin muutaman korttelin alueella kantakaupungissa, jonka jälkeen aineistolla harjoiteltiin interpolointia ja esitystapoja kartalla.

Yhteisen osion jälkeen alettiinkin valmistella kurssikerran varsinaista harjoitusta, eli kolmen erilaisen kartan tuottamista maapallon hasardeista. Tämä alkoi internetistä löydetyn datan muuntamisella oikeaan muotoon, jota QGIS osaisi ymmärtää. Tämä sisälsi mm. pisteiden muuttamista pilkuiksi ja aineiston järjestelemistä kunnon taulukoksi. Kun nämä valmistelut oli tehty, aineiston pystyy liipaisemaan siitä suoriltaan QGIS:siin ja homma etenee taas.

Tiivistettynä harjoituksen idea siis oli tuottaa kolme karttaa, joita voisi opettajana käyttää esimerkkinä oppitunnilla. Valitsin kartta-aineistoksi näihin karttoihin maanjäristykset sekä tulivuoret. Aineiston tuominen QGIS:siin oli suhteellisen helppoa ja aikaa kuluikin lähinnä esitystavan miettimiseen.

Kuva 1: Yli kuuden magnitudin maanjäristykset vuodesta 1970-‘

Ensimmäiseen karttaan visualisoin 6-7.9 ja 8-9.1 magnitudin maanjäristykset vuodesta 1970 eteenpäin. 6 magnitudin järistys luokitellaan voimakkaaksi ja 150km:n etäisyydellä tuhoa aiheuttavaksi. Vuosilukuvalinnan tein siksi, että kartalta erottuisi litosfäärilaattojen rajat mahdollisimman hyvin, sekä maanjäristysherkimmät vyöhykkeet olisivat selkeät.

Kuva 2: Kerrostulivuoret sekä litosfäärilaattojen rajat

Seuraavaan karttaan otin pelkät kerrostulivuoret näkyville ja edellisen kartan litosfäärilaattojen rajojen havainnollistamisesta intoutuneena päätin etsiä netistä karttaan myös oikeat rajat näkyville. Valmiita aineistoja löytyi aivan kiitettävä määrä, mutta osa niistä ei tuntunut toimivan ollenkaan, kun niitä yritti tuoda QGIS:siin. Lopulta Googlen kml- muotoinen aineisto toimi niin kuin pitääkin. Tuloksena oli kelpo kartta kerrostulivuorista sekä laattojen rajoista. Huomasin myös, että Vivi oli blogissaan samoilla linjoilla litosfäärilaattojen rajojen kuvaamisesta kartassa. Näemmä olimme löytäneet myös saman aineiston!

Kuva 3: Edellisten karttojen aineistot yhdistettynä samaan karttaan

Kolmas kartta on kahden edellisen yhdistelmä: siinä on näkyvillä maanjäristykset, kerrostulivuoret sekä litosfäärilaattojen rajat. Opetuksessa käytetettävyyden näkökulmasta lähdin esittämään karttoja ensin yksinkertaisesti erillään ja sitten kaikkea yhdessä. Täten kartoista voi nähdä hasardien riippuvuuksia sekä litosfäärilaattojen rajojen vaikutuksen niiden ilmenemiseen.

Kuvahaun tulos haulle tectonic plates and volcanoes
Kuva 4: Vertailukappale saman aihepiirin kartasta

Tämän kurssikerran tärkeintä antia oli interpolointi, taulukkoaineistojen muokkaaminen QGIS:sille kelvolliseen muotoon sekä aineiston kerääminen itse. Taas lisää taitoja siis karttuu.

Ei mulla muuta.

Tsau!

Lähteet:

USGS. Google Earth/KML Files. https://earthquake.usgs.gov/learn/kml.php (Luettu 23.2.2018)

Tarkka, Vivi. Vähän maanjäristyksiä ja pari tulivuorta. https://blogs.helsinki.fi/vivitark/2018/02/23/vahan-maanjaristyksia-ja-pari-tulivuorta/ (Luettu 26.2.2018)

Google kuvahaku. https://www.google.fi/search?q=tectonic+plates+and+volcanoes&source=lnms&tbm=isch&sa=X&ved=0ahUKEwiAopTP8sPZAhWDaVAKHUiTD-cQ_AUICigB&biw=1600&bih=769#imgrc=7qd41z3eOeeTSM: (Luettu 26.2.2018)

 

5. Viisi QGIS -tähtee

Viidennellä kurssikerralla ohjelmassa oli enemmän itsenäistä työskentelyä kuin aiemmilla kerroilla. Alussa kuitenkin käytiin yhdessä läpi edellisellä kurssikerralla aloitettua Pornaisen alueeseen liittyvää harjoitusta, jossa kokeiltiin erilaisia puskurianalyysejä.

Nyt työkalut on annettu, joten eikun työmaalle. Ahkeroin sen verran, että tein jopa kaikki kurssikerran harjoitukset (wau!). (Vastaukset ovat kuvassa 1)

Kuva 1: Vastaukset tehtäviin

Harjoitukset alkoivat tarkastelemalla Malmin lentokentän läheisyydessä asuvien ihmisten määrää ja Helsinki-Vantaan lentomelualueen asukkaita. Parit puskurianalyysit ja se oli siinä! Seuraavatkaan tehtävät eivät tarjonneet suuremmalti ongelmia, mutta viimeiset kolme tehtävää olivatkin jo hieman haastavampia. Niissä pääasiallisesti käytetyt työkalut olivat  “Spatial query”, “Select features by value” sekä “Count points in polygon”. Kaksi viimeistä tehtävää vaativat erityisesti ajatustyötä.

Koulupiirejä käsittelevä tehtävä oli viimeisestä tehtäväkolmikosta helpoin. Ensimmäinen tehtävä oli toki löytää Helsingin Yhtenäiskoulu kartalta, mutta loput tehtävästä olivat melko yksinkertaisia laskutoimituksia. Haasteita toi tietysti oikean ikäisten koululaisten valitseminen laskutoimituksiin.

Seuraava tehtävä käsitteli pääkaupunkiseudun taloja, joissa on uima-allas. Tehtävän alkuosassa meni hetki ajatuksia kootessa ja tarvittavia työkaluja miettiessä. Kun käsitin miten kannattaa lähteä etenemään, eteni työ melko joutuisasti laskutoimituksia suorittaen, mutta jumiin jäin viimeiseen kohtaan, jossa piti visualisoida kartta aineistosta. Pienen muistelun jälkeen totesin, että “Heureka!” tämähän on “count points in polygon” -työkalun tehtävä. No mutta sepä ei toiminutkaan ja luovuttamisen ollessa lähellä, vanhat kurssitehtävät pelastivat ja sain työkalun toimimaan. Laskin pisteet, tein uuden tason niistä ja siitä edelleen visualisoinnin. Tein aineistosta tehtävänannonmukaisen pylväsdiagrammin, mutta se oli mielestäni hyvin epäselvä ja numeroiden saamisessa näkyviin oli huomattavia ongelmia. En ollut karttaan ollenkaa tyytyväinen, vaan tein Eemilin tavoin kartasta koropleettikartan, joka asettui informatiivisesti huomattavasti paremmin kuin pylväsdiagrammit. Kartalta erottui kuitenkin uima-allaallisten talojen enemmistönä Länsi-Pakila, Lauttasaari, Munkkiniemi, Kulosaari ja Laajasalo. (Jälkeen päin myös huomasin Jannikan blogia lukiessani, että olin unohtanut kokonaan laskea saunoja käsittelevät luvut, joten sitäkin piti vielä viilata hieman jälkeenpäin, hups)

Kuva 2: Uima-altaiden määrät pienalueittain

Viimeistä tehtävää tein rinnakkain edellisen tehtävän kanssa kun se juuttui karttavaiheessa paikoilleen. Tämäkin tehtävä sujui melko nopeasti kun tajusi, mitä työkaluja tarvitsee. Käytin tässäkin “select features by value” -työkalua, jolla valitsin vuosina 1965-1970 rakennetut talot, joista tein taas uuden tason. Kun edellisen tehtävän myötä tajusin “count points in polygon” -työkalun toiminnan, eli putkiremontti-indeksin visualisointi tuottanut tässä ongelmia. Remontti-indeksi itsessään voi olla hieman vaikeasti ymmärrettävä käsite ja se vaatii selityksen ehdottomasti kuvatekstiin.

Kuva 3: Putkiremontti-indeksi pienalueittain (1965-1970 rakennettujen kerrostalojen osuus rakennuskannasta)

Kurssikerran tehtäväsarja oli mielestäni oivallinen, koska siinä pääsi soveltamaan opittuja taitoja ja miettimään oikeat työkalut, joilla tehtävän saa suoritettua. Oivaltamisen ilo on hienoin ilo mitä löytyy koko universumista! Vastauksia tarkistelin hieman jälkikäteen lukemalla muita blogeja (kuten Miran ja Eemilin) ja samankaltaisia vastauksia ja tuloksia näytti niissäkin olevan. En siis ihan ulapalla ollut.  Käytetyimmät työkalut olivat viimeisissä tehtävissä “Spatial query” ja “Select features by value” ja alkupään tehtävissä buffer -työkalu. Perustoiminnot alkavat mielestäni olla vähitellen hyvin hallussa, mutta aikaa menee miettiessä mitä työkaluja kussakin tehtävässä tarvitsee.

Seuraavaan kurssikertaan nro. 6(66)!

Tsau!

Lähteet:

Becker, Eemil. Homma rupee sujumaan. https://blogs.helsinki.fi/beemil/2018/02/19/homma-rupee-sujumaan/

Kylliäinen, Mira. Buffereita ja uima-altaita 12.2.2018. https://blogs.helsinki.fi/michemmi/2018/02/18/buffereita-ja-uima-altaita-12-2-2018/

Brofelt, Jannika. When you try your best but you don’t succeed. https://blogs.helsinki.fi/brofeltj/2018/02/22/when-you-try-your-best-but-you-dont-succeed/

 

 

4. “Itä-Aasiassa lukua 4 pidetään yleisesti onnettomuuden lukuna”

Moodlesta lävähti koneelle zippinä kurssikerran numero 4 aineistot (woah). Ensimmäinen puolikas keskiviikkoaamun “raikkaasta” oppituntipaketista tutkailtiin piste- ja ruutuaineistoja ja toinen puolikas rasteriaineistoja sekä niiden käsittelyä QGIS:sissä. Päivän teoreettisemman osion aiheena Herra Paarlahti luennoi piste- ja ruutuaineistoista yleistasolla. Tiivistettynä pisteaineistot ovat kaikkein tarkimpia paikkatietoaineistoja ja ne soveltuvat nimensä mukaisesti juuri pistemäisten kohteiden, esim. rakennusten, tietojen esittämiseen ja ne sisältävät usein huikean paljon erilaisia ominaisuustietoja. Tarkin tiedonkeräyskeino on laserkeilaus, jossa maastoa keilataan esim. lentokoneesta lasersäteillä, jotka tuottavat keilattavasta kohteesta 3D -mallin. 

Ruutuaineistot taas ovat hyvä tapa kerätä tietoa ilman valmista aluejakoa. Niiden huono puoli on yleensä aivan kipee hinta (esimerkkinä oli mm. Yhdyskuntarakenteenseurantajärjestelmä, n.9043€!). Aineistot ovat toisaalta myös valtavan suuria ja sisältävät paljon tietoa, joka on kerätty usein juuri pisteinä tallennettuun aineistoon. Tästä jatkettiinkin käytännön työhön likaamaan kätemme taas QGIS:sin kanssa.

Shapefileista paljastui tällä kertaa jännittävällä tavalla pääkaupunkiseudun kuntakartta, vesistöt sekä pisteaineisto, joka kuvaa jokaista asuinrakennusta pääkaupunkiseudulla (Kuva 1). Lisäksi pisteaineisto sisälsi valtavasti muuta tietoa rakennuksista sekä mm. niiden asukkaista. Aineisto oli suurin, mitä tähän mennessä olimme edes käsitelleet ja sääliksi kävi myös sitä kesätyöläistä, joka oli jokaisen rakennusta merkkaavan pisteen yksi kerrallaan naputellut karttaan 🙁

Kuva 1: Alkutilanne

Ensimmäistä tehtävää lähdettiin tekemään luomalla ensin kartalle 1km x 1km -kokoisen ruudukon, jonka kanssa samaan tietokantaaan yhdistimme pääkaupunkiseudun pistemuotoisen väestötietokannan. Tietokanta sisälsi tietoa mm. väestön iästä, kielestä sekä etnisestä taustasta. Karsimme myös ruuduista pois ne, joissa ei asu kettän, joten saimme hieman tiivistettyä aineistoa. Teimme ensimmäisen ruututeemakartan yhdessä, mutta sen jälkeen vuorossa oli itsenäisesti aineiston tutkimista ja mielesitensä teemojen valitseminen omaan karttaan.

Itse lähdin toteuttamaan omaa teemakarttaani tekemällä uuden 250m x 250m -kokoisen ruudukon. Tämä ruudukko osoittautui tarkemmaksi, mutta laajalla tarkastelulla hieman epäselväksi, joten päätin tehdä uuden ruudukon, joka olisi joko 400m x 400m tai 500m x 500m

MUTTA

Kotona jatkaessani karttojen työstämistä, QGIS päätti, että se ei löydäkkään “Spatial query” -plugaria. SOS, send help!

Netistä apua? > ei
QGIS :sin asetukset > noup
Käynnistä uudelleen > no-no-nordin
Yritä kiertää jotenkin muuten > ehei
Luovuta ja älä tee uutta karttaa > khyä

Pitäkööt siis QGIS tunkkinsa jos ei halua, että teen hieman isomman ruutukoon karttaani. Mennään siis 250m x 250m ruudukolla.

Seuraava kysymysmerkki oli minkä teeman tahtoisin karttaani ja nopeahkon (vaivalloisen) pohdinnan jälkeen päätin aiheekseni alle 18 -vuotiaiden määrän suhteutettuna kokonaisväestöön (Kuva 2).

Kuva 2: alle 18 -vuotiaiden osuus kokonaisväestöstä

 

 

Vaikka kartta on ehkä hieman vaikeaselkoinen, siitä näkee kuitenkin hyvin lapsiperheiden sijoittumisen pääkaupunkiseudulla. Tarkemmat kuvakaappaukset on otettu Helsingistä (kuva 3) ja Espoosta / Kauniaisista (kuva 4). Helsingin kantakaupungin alueella määrät ovat pääosin 0.1 – 20 % ja lapsiperheiden asutuksen keskittyessä lähiöihin lähellä Vantaan rajaa Pohjois- ja Itä-Helsingissä. Suuria alle 18 -vuotiaiden osuuksia on nähtävissä myös Östersundomissa, mikä johtuu lapsiperheiden suuresta määrästä omakotitaloalueilla. Lapsiperheiden sijoittumista Helsingin kaupungin sisällä määrittää varmaankin myös kiinteistöjen korkeat neliöhinnat kantakaupungissa, joten lapsiperheet sijoittuvat enemmän lähiöihin. 

Kuva 3: Tarkempi kuvakaappaus Helsingistä

Espoota tarkastellessa alle 18 -vuotiaiden määrät liikkuvat huomattavasti useammin 20-40 % kategoriassa. Siihen vaikuttaa todennäköisesti Espoon omakotitalo- / pientalovaltaisuus ja alhaisemmat kiinteistöjen hinnat. Trendi näyttäisikin olevat, että mitä kauemmas Helsingin keskustasta mennään, sitä enemmän alueella asuu alle 18 -vuotiaita.

 

Kuva 4: Tarkempi kuvakaappaus Espoosta ja Kauniaisista

Jännittävänä yksityiskohtana on ruudut, joissa alle 18-vuotiaiden osuus on 80 – 100 %. Tällaisia ruutuja oli kaksi kappaletta, joista toisen asukkaista kaikki eli kaksi ovat alle 18 ja toisessa yhdeksän yhdestätoista asukkaasta . Tämä oli kiinnostava tulos, joten tutkin niitä hieman tarkemmin ja selvisi, että molemmat sijaitsevat Espoon luoteisosassa harvakseltaan asutulla seudulla. Nopealla tutkimuksella ei selvinnyt mikä tämän selittäisi. Toisen kohdalla kyse voi olla vain suuresta perheestä, mutta toinen ruutu jonka asukkaista 100% on alaikäisiä on hieman omituinen. Harvaanasutuilla alueilla väestön vähäinen määrä aiheuttaa hieman vääristymiä aineistoon. Kahden aikuisen ja kahden alle 18 -vuotiaan perhe saa helposti ruutuun lukeman 50 %. Tuuli oli myös huomannut saman kartassaan, jossa esitti eläkeläisten (yli 65 -vuotiaiden) määrää suhteessa kokonaisväestöön.

Vaikka ruututeemakartalla usein esitetään absoluuttisia arvoja, en toisaalta näe miksei sillä voisi esittää muitakin arvoja. Mielestäni ruutukartta toimi valitsemassani teemassa aivan mainiosti, mutta se saattoi myös johtua siitä, että ruutukoko oli suhteellisen pieni, joten tuloksetkin olivat melko tarkkoja. Ruututeemakartta on siitä hyvä, että ruutukokoa pystyy säätämään tarpeen mukaan sopivaksi ja samankokoisten ruutujen takia sillä pystyy esittämään absoluuttisia arvoja. (Tilastokoulu, Ruutukartta). Kiitos Eve, että löysin tieni tilastokoulun sivuille!

Koropleettikartta sopii taas suhteellisten arvojen esittämiseen, koska alueiden kokoeroilla ei ole merkitystä. Kartan esitys voi myös vääristyä, koska suurelle alueelle sijoittuu myös useimmiten enemmän kuvattavaa ilmiötä, kuin pinta-alaltaan pienelle alueelle. Lisäksi arvot ovat keskiarvo koko alueelta, eikä siitä näe alueiden sisäisiä vaihteluja. (Tilastokoulu, Koropleettikartta).

QGIS on joka kerta tähän mennessä taistellut jotenkin vastaan, yrittäessäni tehdä karttoja, muuten kaikki sujuu mainiosti!

Pysytään tutkalla, tsau!

Lähteet:

Lahin, Tuuli. Kerta 1: Vastoinkäymisiä, mutta ei voittoja. https://blogs.helsinki.fi/lahintuu/2018/02/07/kerta-1-vastoinkaymisia-mutta-ei-voittoja/ (Luettu 9.2.2018)

Sirola, Eveliina. Neljäs kerta toden sanoo. https://blogs.helsinki.fi/evsirola/2018/02/07/neljas-kerta-toden-sanoo/ (Luettu 9.2.2018)

Tilastokoulu: Ruutukartta. http://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_teemak&lesson_id=4&subject_id=3&page_type=sisalto (Luettu 9.2.2018)

Tilastokoulu: Koropleettikartta. http://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_teemak&lesson_id=4&subject_id=2&page_type=sisalto (Luettu 9.2.2018)

Otsikko: Wikipedia. 4 (luku). https://fi.wikipedia.org/wiki/4_(luku) (Luettu 9.2.2018)

3. I bless the rains down in Africaaa… ja tulvii Pohjanmaa

Kolmas kurssikerta toden sanoo jne.

Terävästi klo 8:15 aloitetun kurssikerran epistolana tiivistetysti oli erilaisten tietokantojen liittäminen toisiinsa ja niiden avulla tuotettava uusi tieto. Vaihteluna edeltävien kurssikertojen Suomen karttaan oli tarkasteltavan alueen vaihtuminen Afrikkaan. Mukavaa vaihtelua ja Toton Africa soimaan!

Aineiston käsittely aloitettiin Hra Paarlahden ohjauksessa  pelkästä Afrikan valtioiden kartasta, jonka attribuuttitaulua “hieman” yksinkertaistettiin yhdistämällä kunkin valtion alueet yhdeksi. Tämän jälkeen lähdettiin tuomaan lisää aineistoa muista tietokannoista, kuten excelistä, josta opeteltiin taulukon muuntaminen QGIS:sille käypään muotoon. Tarkastelimme mm. Afrikan internetin käytön muutosta vuosina 2000-2017 ja suoritimme muutaman laskutoimituksenkin aineistolla lämpimiksemme. Aineistosta voi nähdä hyvin, millaisen loikan Afrikka on ottanut internetin käytössä vuosien 2000 ja 2017 välillä. Erot toisaalta ovat myös valtioiden välillä hyvin suuret: Eritreassa internettiä käyttää hieman yli prosentti, kun taas Keniassa luku on lähes 90%. Globalisaatio ja teknologian kehitys ovat mahdollistaneet kehittyvien maiden asukkaille netin käytön yhä lisääntyvissä määrin. Se toivottavasti myös mahdollistaa Afrikan maiden kilpailun globalisoituneessa maailmassa.

Seuraavana todo -listalla oli kolmen muun aineiston lisääminen tietokantaan. Timanttikaivoksia, konflikteja sekä öljykenttiä esittävät aineistot tuotiin omina tietokantoina ensin projektiin, josta niiden sisältö liitettiin samaan tietokantaan, missä oli jo edellämainitut Afrikan valtiot sekä netinkäyttö. Kaikki aineistot samassa tietokannassa -> yksinkertaista ja kaunista!

Harjoituksessa sivuttiin myös, mitä näiden aineistojen pohjalta voisi päätellä. Konfliktien määrästä ja ajankohdasta, sekä öljy- ja timanttilöydöistä alueilla voisi tehdä jos jonkinlaisia päätelmiä. Toisaalta konfliktien ja luonnonvarojen esiintymiseen samalla alueella ei voi vetää varmaa viivaa, sillä ne voivat toki olla kytköksissä toisiinsa, mutta eivät välttämättä. Kiinnostava aihe kuitenkin!

Afrikasta siirryttiin tunnin loppupuolella taas takaisin kylmään pohjolaan ja työn alle saimme kurssikerran itsenäisen harjoituksen, jossa aiheena oli soveltaa Afrikan kanssa tehdyssä harjoituksessa opittuja taitoja. Tehtävänä oli luoda kartta Suomen vesistöjen valuma-alueiden tulvaherkkyysindeksikartta sekä järvisyysprosentit valuma-alueittain diagrammeina. Helppo hommahan tämä! Tulvaindeksit laskin keskialivirtaaman ja keskiylivirtaaman avulla ja visualisoin varmoin ottein ne karttaan. Vaihe nro. 1 siis tehty!

Työ eteni sukkelasti, mutta yrittäessäni mennä sieltä mistä aita on matalin, meninkin sieltä mistä sattuu eniten. Tein ensin iloisen huolettomasti järvisyysprosentit sisältävälle excel-taulukolle tutun muunnoksen, jotta QGIS tunnistaisi sen. Liitin aineiston samaan tietokantaan muiden kanssa ja visualisoin diagrammit kartalle näkyviin. Nopealla tarkastelulla kaikki oli hyvin, mutta “NULL” -arvot attribuuttitaulussa vaivasivat. Kartalla tehty tarkistus paljasti, että joitenkin valuma-alueiden järvisyysprosentteja kuvaavia diagrammeja ei ilmestynyt kartalle ollenkaan. (huokaus)

Ongelmaksi paljastui nopealla Hercule Poirot -tyyppisellä salapoliisityöllä valuma-alueiden nimissä olevat ä-kirjaimet. Tämä taas ratkesi pienellä manuaalisella työllä ja lopulta kaikki järvisyysprosentitkin sain kartalle.

Kuva 1: Tulvaindeksi ja järvisyysprosentti valuma-alueittain

Kartalta näkee, että tulvasherkimmät alueet sijaitsevat pääosin rannikolla ja suurien jokien varsilla. Pohjanmaa ja Suomenlahden rannikko ovat hyvin alavia seutuja, mikä edesauttaa myös tulvien syntyä. Tulvaherkkyyden ja järvisyyden välillä voi hahmottaa myös selvän eron, sillä tulvaherkimmät alueet ovat järvisyysprosentiltaan pieniä. Syy on yksinkertainen: järvet eivät tulvi, joet tulvivat (fiksusti päätelty Matti!). Pohjimmiltaan syy on se, että järvisillä alueilla sade- ja sulamisvedet valuvat järviin sekä imeytyvät metsämaahan, kun taas esimerkiksi Pohjanmaalla vedet ohjautuvat helpommin jokiin, valuma-alueiden koon ollessa myös huomattavasti pienempi. Eve kirjoitti mielestäni hyvin mielestäni valuma-alueiden eroista ja sieltä itsekin hieman aihetta opiskelin.

Kartan luettavuus kärsii hieman aineiston määrästä johtuen, eikä järvisyysprosenttia pysty pylväiden avulla juurikaan arvioimaan, kuten Vivikin huomasi omasta kartastaan. Ehkä ympyrädiagrammi olisi ollut parempi diili järvisyyden esittämisessä, kuten Roope oli omassa kartassaan tehnyt. Ympyrädiagrammin etu olisi prosenttiosuuksien helpompi arviointi, mutta esitystapa kartalla on ehkä hieman sekavampi diagrammien koon takia.

Yhteenvetona harjoituksesta voisin sanoa, että QGIS:n käyttö alkaa jo taipumaan melko hyvin tehtävään kuin tehtävään. Kuitenkin tuntuu, että jokaisessa itsenäisessä tehtävässä tulee vastaan joku ongelma, jonka selättämiseen menee aina ylimääräistä aikaa. Se on toisaalta hyvä, että joutuu haastamaan hieman itseään ja etsimään vaihtoehtoisia toteutusratkaisuja.

Tsau!

Kirjoittaja näki edellisenä yönä unta lomailusta Tyynenmeren saarella

Lähteet:

Sirola, Eveliina. Kurssikerta 3: Afrikan valtioita, internetinkäyttöä ja tulvaindeksejä. https://blogs.helsinki.fi/evsirola/2018/01/31/kolmas-kurssikerta-afrikan-valtioita-ja-tulvaindekseja/ (Luettu 1.2.2018)

Tarkka, Vivi. Haloo! Tulvariski! https://blogs.helsinki.fi/vivitark/2018/01/31/haloo-tulvariski/ (Luettu 2.2.2018)

Heinonen, Roope. Kolmas kerta toden sanoo. https://blogs.helsinki.fi/hcroope/2018/01/29/29-01-2018/ (Luettu 2.2.2018)

2. Lambert 1 – Mercator 0

Tuulen ja tuiverruksen läpi talsittuani kouluun GIS-labra tuntui lämpimältä keitaalta kylmässä maailmassa, joten mikäs sen parempi motivaattori taas syventyä QGIS:sin pettämättömiin ominaisuuksiin ja samaistua attribuuttitauluun (?).  (Pakollinen johdanto, asiaan!)

Toisen kurssikerran aluksi napattiin heti kiinni käytännön työn syrjästä ja hypättiin suoraan jatkamaan QGIS:sin ominaisuuksien ja työkalujen läpikäyntiä. Käsittelyyn Mr. Paarlahti otti erilaisia valintatyökaluja joita löytyikin jonkinlainen läjä eri tarkoituksiin. Niiden käyttötarkoituksia harjoiteltiin hieman yksissätuumin ja karkeasti niitä oli kahdenlaisia: työkaluja joilla voi valita kohteita suoraan kertalta sekä työkaluja joilla voi valita kohteita niiden ominaisuuksien perusteella.  Jo ensimmäisen luennon perusteella perinteeksi syntynyt luentomainen pläjäys käsitteli erilaisia datan lähteitä. Takkiin tarttui (tai ainakin olisi pitänyt) valikoima erilaisia datatyyppejä sekä tieto, että ilmainen data on yleensä näissä hommissa parempi kuin maksullinen!

Tämän kurssikerran raamatunluku kuitenkin käsitteli käytännössä eri projektioiden merkitystä mittauksiin sekä pinta-aloihin (hattujakin piirreltiin Suomi-neidon päähän). Taisteluparina oli hyvien puolella Lambertin projektio ja pimeällä puolella Mercatorin projektio. Mercator hävis, sori! Mercatorin ja Lambertin projektioiden prosentuaalisista pinta-ala eroista visualisoitiin kartta, joka näyttää oivallisesti, kuinka Suomen kuntakartalla (Kuva 1) Mercatorin vääristymä kasvaa pohjoista kohti mentäessä, tehden kartasta kauniin vyöhykkeisen (kyllähän se Mercatorin projektiolla tehty kartta näyttää oikeesti hölmöltä, myöntäkää). Roope avasi mielestäni suorastaan oivallisesti projektioiden eroja tiiviillä tietopläjäyksellä. Tärkein opetus kuitenkin oli, että ole tarkkana millä projektiolla teet laskutoimitukset ja missä projektiossa aineisto on tallennettu.

Kuva 1: Pinta-alojen vääristymä projektioiden välillä

Harjoituksissa oli tällä kurssikerralla hyvin valinnanvaraa. Lähdin kunnianhimoisesti tietenkin sen vaikeamman tehtävän kimppuun eli natura-alueiden prosentuaalisen eron projektioiden välillä kunnittain (en tiedä osasinko ilmaista oikein, ehkä te tajuutte!). Kun Arttu vielä tarjosi Natura-alue -aineiston tien piti olla selvä ja 120 km/h rajoituksen! No eipä ollut ei: ohjeista päätellen tietokantaliitoksen piti olla huutoa vaille läpihuudettu juttu. Ohjeita noudatin, mutta eipä tietokannat liittyneet. Taas tuli huijattu olo Matille. Etsinnöistä huolimatta syytä epäonnistumiselle ei löytynyt ja Unicafen lounastarjonta kävi liian houkuttavaksi, joten ei auttanut muu kuin liputtaa itsensä ulos tilanteesta. Helpompien tehtävien kimppuun siis!

Kokeilin myös Mercatorin ja Lambertin projektioiden vaikutusta väentiheyden esittämisessä. Se ei tuottanut näkyviä tuloksia ainakaan kartalla (tiedä siitä teinkö oikein edes koko tehtävää). Hylkäykseen nekin visualisoinnit.

Päädyin lopulta vertailemaan jotakin satunnaista projektiota Lambertin projektioon. Valitsin tässä tapauksessa Azimuthal equidistant -projektion, joka on näemmä oikeakeskipituinen projektio ja nimestäkin voi jo päätellä projektion keskipisteen olevan päiväntasaaja. Laskin pinta-alat reippahalla otteella kuten Mercatorin ja Lambertin projektioiden eroja visualisoidessa.

Kuva 2: Azimuthal equidistant -projektion vääristymät verrattuna Lambertin projektioon

Lopputulos visualisoinnille oli taas kauniin vyöhykkeinen kartta (Kuva 2), jossa vääristymät kulkevat vyöhykkeinä lounas-koillinen -suuntaisesti. Vääristymät eivät olleet kovinkaan suuria projektioiden välillä: maksimissaan 24,30 %. Huhut kertovat, että Varpu on saanut Gauss-Laborde Reunion -projektiolla samankaltaisia tuloksia, check it out!  Oli myös hyvä huomata kuinka QGIS:sin käyttö kokoajan muuttuu sujuvammaksi, MUTTA ainut asia mihin en ole tyytyväinen visualisoinnissa on itse Suomen kartan ulkoasu. QGIS lopetti yhteistyöhalukkuutensa kun yritin lopullista karttaa vääntää näkymään Lambertin projektiossa. Kaiken järjen mukaan homman olisi pitänyt onnistua (?) mutta ei. Veikkaan kuitenkin, että syy on omassa käyttäjävirheessä. Motivaation ja kahvin loputtua samanaikaisesti, tein toimitusjohtajatason ratkaisun ja päädyin hieman rotatoimaan karttaa oikeaan suuntaan sen ollessa vinossa Azimuthalin ansiosta. Näyttää hieman hassulta mutta ajaa asiansa ja idea selviää.

Itsensä haastaminen on mukavaa, taas jälleen opettavaiset tehtävät ja taidot karttuu!

Tsau!

Kirjoittaja kuunteli levyllisen  Eevil Stöötä ja joi pannullisen kahvia kirjoittaessaan tätä postausta

 

Lähteet:

Savolainen, Varpu. Projektiovertailua. https://blogs.helsinki.fi/sadvarpu/2018/01/24/projektiovertailua/ (luettu 25.1.2018)

Heinonen, Roope. Vääristynyt todellisuus. https://blogs.helsinki.fi/hcroope/2018/01/25/22-01-2018/ (luettu 28.1.2018)

proj4.org. Azimuthal Equidistant. http://proj4.org/projections/aeqd.html (luettu 25.1.2017)

Wikipedia. Oikeakeskipituinen tasoprojektio. https://fi.wikipedia.org/wiki/Oikeakeskipituinen_tasoprojektio. (luettu 25.1.2018)

1. QGIS, mikä olet?

Kurssin aloitus tapahtui sopivan aktiiviseen vuorokaudenaikaan eli klo 8:15. Arttu Paarlahden johdatuksella aloimme syventyä paikkatiedon mielenkiintoiseen maailmaan kertaamalla ensin hieman perusasioita paikkatiedosta. Rasterit, vektorit, viivat, pisteet… helppo homma siis! Yleisluontoisen kertaavan osion jälkeen aiheena olikin tutustuminen QGIS -ohjelmistoon, josta käytiin yhdessä läpi kaikki tavalliset ja käytetyimmät työkalut sekä ominaisuudet. Käytännössä ohjelman käyttöä opeteltiin harjoitusaineiston kanssa, josta saatiinkin aikaiseksi ihan oikean kartan näköinen tuotos, jossa näkyy itämerta ympäröivien maiden tuottama typpikuormitus itämereen.

Kuva 1: Itämeren maiden osuus typpipäästöistä

Kartasta näkee lähes suoraan Itämeren ympäristön suurimman saastuttajan, joka tässä tapauksessa paljastuu olevan Puola. Seuraavaksi pahimmat Itämeren kuormittajat ovat Ruotsi, Venäjä ja Latvia. Suurin osa Itämeren typpikuormituksesta on peräisin maataloudesta. Maakohtaisesti maatalouden typpikuormitukseen todennäköisesti vaikuttaa myös viljelytavat sekä lainsäädäntö. Luokkarajat ovat mielestäni aivan kohdillaan lukuunottamatta outoa ensimmäistä luokkaa “3.2-3.2” (??). Pieneen mieleeni (mutta suureen päähäni) ei myöskään juolahtanut ollenkaan edes tarkistaa mitä kartassa merkitty “HELCOM -merialue” tarkoittaa, mutta onneksi Suppulan Meri sivisti bloginsa välityksellä minuakin, joten tiedänpä nyt senkin! (tsekkaile HELCOM-setit Merin blogista jos et tiedä sinäkään!)

Tunnilla käydyt asiat eivät tuntuneet ainakaan mielestäni mahdottomilta osata, kunhan jaksoi keskittyä käytävään aiheeseen. Askel askeleelta ohjelma kävi yhä enemmän järkeen ja käyttö alkoi tuntua kokoajan luontevammalta. Opitut taidot laitettiin kuitenkin testiin, kun pääsi itsenäisesti tehtävän harjoituksen kimppuun kotona. Vaikeuksia oli hieman muistaa kaikki tunnilla käydyt asiat ja aikaa kuluikin jonkin verran sekoilemiseen käyttöliittymän seassa ja ominaisuuksia muistellen ja etsien. Muutaman sekavan yrityksen jälkeen tuotos alkoi näyttää siltä miltä pitääkin eli itsevalitusta aineistosta tehdyltä teemakartalta.  Valitsin teemaksi karttaani ruotsinkielisten naisten prosenttiosuuden Suomen kunnissa. Testasin teeman esittämistä sekä lukumääränä, että prosenttiosuutena naisväestöstä, päätyen lopulta jälkimmäiseen vaihtoehtoon. Laskin prosenttiosuudet naisten kokonaismäärästä samalla laskumenetelmällä, kuin ensimmäisen harjoituksen Itämeren typpipäästöjen prosenttiosuudet.  Päänvaivaa tuotti hieman aineiston suodattaminen ja esitystapa, missä ei olisi turhia nollan prosentin kuntia, mutta siitäkin (mielestäni) selvisin kunnialla ja esitystavan pitäisi olla oikein.

Harmaita, tai suorastaan valkoisia hiuksia tuotti luokkarajojen määrittely. Se olikin pääsyynä myös lukumäärällisen esitystavan hylkäämiseen, koska en ollut tyytyväinen miltä esitystapa näytti. Mielestäni oivallisten luokkarajojen eli luonnollisten luokkarajojen, löytymisen jälkeen loppu olikin mielestäni suhteellisen helppoa kauraa.

Kuva 2: Ruotsinkielisten naisten osuus Suomen kunnissa

Kartta näyttää hyvin pitkälti siltä, miltä sen ajattelinkin näyttävän. Ruotsinkielise naiset keskittyvät pääasiassa Pohjanmaalla Vaasan seudulle, Ahvenanmaalle sekä Uudenmaan rannikolle. Uskon, että samat alueet korostuvatkin jos tarkasteltaisiin kaikkien ruotsinkielisten tai pelkästään ruotsinkielisten miesten määrää Suomessa. Kartasta kuitenkin näkee, että valtaosassa Suomen kunnista on kuitenkin jonkinverran ruotsinkielistä väestöä (0.1%-4%). Halusin, että luokkarajoista näkyy myös tämä huomio. Kainuun seudulla useassa kunnassa kuitenkin tilastot näyttivät, että ruotsinkielistä naisväestöä ei ole ollenkaan.  Kartan esittämä informaatio on kuitenkin suhteellisen yksinkertainen ja siitä saa kattavan kuvan jo nopealla vilkaisulla.

Todennäköisesti seuraavien karttojen teko sujuu hieman jouhevammin, kokemuksen ja taitojen karttuessa QGIS:sin parissa.

 

Ens kertaan, tsau!

Blogin kirjoittaja heitti kesällä 2017 yhden festivaalikeikan

Lähteet:

Suppula, Meri. QGIS-ohjelman perusteet (1. kurssikerta) https://blogs.helsinki.fi/merisupp/2018/01/18/1-kurssikerta/ (22.1.2018)