Bufferointia

Tällä kurssikerralla keskityimme analysoimaan valmiiksi annettua aineistoa luomatta karttaesitystä. Aineistoja yhdisteltiin ja rajattiin erilaisia ennestään tuttuja sekä ”uusia” työkaluja soveltaen. Puskurivyöhykkeiden käyttö oli yksi kurssikerran pääaiheita ja buffer-työkalua päästiinkin käyttämään monen tehtävän yhteydessä. Kuten Salmi blogissaan kertoo, puskurityökalu on monipuolinen ja monikäyttöinen työkalu (Salmi 2019). Puskurivyöhykkeiden käyttö mahdollistaa erilaisten ilmiöiden havainnollistamista sekä vaikutuslaajuuden arviointia, sillä sen avulla ja samalla muita aineistoja hyödyntämällä voidaan analysoida sekä arvioida esimerkiksi suunnitteilla olevan uuden kauppakeskuksen tai ruokakaupan todennäköisten asiakkaiden määrää tarkastelemalla tietyn etäisyyden säteeltä löytyvien ihmisten määrää.

QGIS on hyvin monipuolinen ohjelma erilaisine työkaluineen, josta löytyy apua monenmoisiin tehtäviin. Tällä hetkellä rajoittavin tekijä QGIS:n käytössä ovat omat puutteelliset taidot. Vaikka kurssilla ollaan käytetty monipuolisesti erilaisia työkaluja, löytyy QGIS:sta järjetön määrä työkaluja, joiden toiminnoista minulla ei ole mitään hajua. QGIS:n lataaminen omalle koneelle voisi olla hyvä idea, sillä kotona voisi sitten rauhassa tutustua paremmin QGIS:n erilaisiin työkaluihin.

Mutta sitten itsenäisiin tehtäviin! Ikävä kyllä QGIS kaatuili itselläni kurssikerran jälkeen monta kertaa, mikä hidasti tehtävien tekoa. Päätin jatkaa tehtävien parissa vasta seuraavalla viikolla ja yllätyksekseni tehtävien teko sujui pienen tauon jälkeen paljon paremmin ja sainkin jäljelle jääneen kolmannen tehtävän tehtyä ongelmitta (niin ainakin luulen). Pieni tauko teki terää, vaikka toisinkin olisi voinut käydä.  Itsenäisten tehtävien kanssa haasteita tuli lähinnä QGIS:n kaatuilun kanssa, mikä ikävästi aina keskeytti ajatuksia ja turhautti, sekä toisen tehtävän viimeisen osuuden kanssa, johon en saanut kovinkaan uskottavia tuloksia. Jonkin verran oli mielestäni tehtävänannossa tulkinnanvaraisia kohtia, kuten esimerkiksi se, että minkä ikäisiä ovat kouluikäiset. Googlen perusteella kouluikäiset ovat 7 – 16-vuotiaat ja sen mukaan tehtävän suoritinkin. Alla olevassa taulukossa näkyvät pääosa saamistani tuloksista (Taulukko 1).

Taulukko 1. Itsenäisten tehtävien vastaukset.

 

Lähteet:

Salmi, Julia 2019. Julian blogi. Osa5: bufferointia ja melusaastetta. <https://blogs.helsinki.fi/jhsalmi/> Luettu 20.2.2019.

Ruutuaineistoja

Neljännellä kurssikerralla teemana olivat ruutuaineistojen teko ja käsittely. Tykkään ruutuaineistojen lopputuloksen selkeästä ulkonäöstä ja luettavuudesta ja niiden teossa onkin tärkeää otta huomioon millaisin värein ruutuja esitetään, jotta luettavuus olisi parhain mahdollinen. On kuitenkin otettava myös huomioon, että ruutuaineisto voi olla harhaanjohtava muun muassa vähäistä hajontaa sisältää aineistoa esittäessä. Kuten Amanda Ojasalo blogissaan kertoo, ulkoasua tarkastelemalla vaaleimman ja tummimman ruudun välillä helposti oletetaan olevan suurikin ero, vaikka todellisuudessa ero näiden ruutujen välillä ei välttämättä ole kovinkaan suuri, jolloin ruutuaineistosta voidaan äkkiseltään tehdä virheellisiä johtopäätöksiä (Ojasalo, Amanda 2019).

Lähdettiin liikkeelle pääkaupunkiseudun asukkaista tietoa sisältävästä pisteaineistosta, josta valitsimme itseämme kiinnostavammat aineiston osat luoden uusi taso, jossa ei muuta tietoa ollut, jotta aineiston käsittely olisi QGIS-ohjelmalle kevyempää. Tarkastelualueenamme oli pääkaupunkiseutu. Ruutuaineiston tuottamiseksi laadittiin vector grid -työkalulla ruudukko, jonka yksittäisten ruutujen koko oli 1km x 1km. Ruudut tallennettiin yksittäisinä yksikköinä (outouteen grids as polygons), sillä meitä kiinnosti juuri se, että mitä informaatiota mikäkin ruutu sisältää. 

Spatial query -työkalulla poistettiin tekemästämme ruudukosta tietoa tieto sisältämättömät ruudut, jotta aineisto ei olisi turhan raskas ohjelmalle. Minulla ei ole aikaisemmin QGIS kaatunut, mutta tällä kurssikerralla kävi vähän huonompi tuuri, onneksi kuitenkin vielä tehtävän alkuvaiheessa, jolloin en pahasti jäänyt jälkeen. 

Kurssikerran varsinaisessa tehtävässä piti hyödyntää esimerkkitehtävässä oppimamme toimintoja ja tehdä ruututeemakartta, joka käsittelisi itseämme kiinnostavaa aihetta. Valitsin tutkimusalueeksi pääkaupunkiseudun ja saman ruutukoon kuin aiemmassa tehtävässä. Aiheeksi valikoitui +85-vuotiaiden osuus pääkaupunkiseudulla (Kuva 1.). Minua kiinnosti tietää missä päin pääkaupunkiseutua esiintyy vanhempaa ikäluokkaa ja ovatko iäkkäämmät ihmiset keskittyneet selkeästi tiettyyn alueeseen vai onko hajontaa paljonkin. 

Kuva 1. +85-vuotiaita pääkaupunkiseudulla.

Valmiin karttani pohjalta voidaan huomata +85-vuotiaita olevan pääkaupunkiseudulla hyvin vähän, mikä hieman ihmetyttää minua. Luulen, että saatoin tehdä jotain väärin karttaa laatiessa, mutta en keksinyt mitä. Olisin kuvitellut +85-vuotiaita olevan reilusti enemmän, kuin mitä tämä aineisto antaa ymmärtää. Tässäkin tapauksessa tummimmat ruudut sisältävät ainoastaan 5-6 +85-vuotiasta. Olenkohan epähuomiossa tehnyt jotain väärin… Pitää vielä kerran ottaa tää tehtävä uusintaan. Tämän tekemäni ruutukartan perusteella +85-vuotiaita on eniten Espoon Otaniemen sekä  Olarin ja Helsingin Katajanokan, Mäkelänrinteen, Malminkartanon sekä Myllypuron alueella. Olisin kaivannut näin jälkiviisaana karttaani selkeämmän pohjakartan, joka kuultaisi ruudukon läpi. Näin eri ruutujen tarkat sijainnit olisi helpommin havaittavissa. Nyt oli itsellänikin vaikeuksia hahmottaa, missä eri kaupunkien ja kaupunkiosien rajat menevät. Koropleettikartta voisi olla tässä tapauksessa pätevämpi, sillä jaottelu alueisiin helpottaisi kartan luettavuutta, ruudut, kun voivat sijaita myös kahden eri alueen rajalla ja itseäni kiinnostaisi nimenomaan eri kaupunkialueilla asuvien +85-vuotiaiden määrä. Toisaalta koropleettikartalla olisi syytä käyttää suhteellisia lukuarvoja, sillä se ottaa huomioon alueiden kokoeroja (Tilastokeskus 2019).

 

Lähteet:

Ojasalo, Amanda 2019. Amandan GIS blogi. Ruutuja. Luettu 12.2.2019.

Tilastokeskus 2019. Tilastokoulu. Tilastoteemakartta. Koropleettikartta. Luettu 12.2.2019.

Datalähteiden hyödyntäminen ja tietojen yhdistäminen QGIS:ssa

Tällä kurssikerralla käytiin läpi, miten erilaisista tietokannoista olevaa ominaisuustietoa voidaan hyödyntää ja yhdistää QGIS-ohjelmassa. Esimerkkitehtävässä käytettiin pohjana Afrikan karttaa, johon yhdistettiin eri tietokannoista peräisin olevaa tietoa Afrikassa esiintyvistä konflikteista, timanttikaivoksista sekä öljykentistä. Näitä tietoja yhdistelemällä ja analysoimalla oli mahdollista arvioida, miten eri lukemat korreloivat keskenään ja millä tavalla ne vaikuttavat alueen luonteeseen. Kuten Saaga blogissaan mainitsee, eri vuosien tietoja hyödyntämällä voidaan myös seurata jonkin alueen kehitystä (Laapotti, 2019).

Mitä enemmän kurssilla käydään erilaisia toimintoja ja datan hyödyntämismahdollisuuksia sitä vaikeammaksi eri toimintojen muistaminen muuttuu. Pitää myös myöntää, että tässä vaiheessa minulla on edelleen välillä vähän epäselvää, missä muodossa mitäkin pitää tallentaa ja miksi. Monesti kurssikerralla myös menee helposti joidenkin asioiden merkitykset ohi, kun yrittää vaan pysyä mukana tehtävän suorittamisessa. Esimerkkitehtävää tehdessä tipahtaa herkästi kärryiltä, jos jokin toiminto ei jostain syystä heti toimi tai jos jonkin menee itsellä epähuomiossa pieleen. Tästä syystä olisi tärkeää tehdä aktiivisemmin lisätehtäviä heti tunnin jälkeen, jolloin toiminnot ovat vielä tuoreessa muistissa ja samalla pohtia niiden merkityksiä ja käyttötarkoituksia.

Esimerkkitehtävän jälkeen tuli varsinaisen tehtävän aika. Varsinaisen tehtävän tarkoituksena oli tehdä tulvaindeksikartta Suomesta, jossa esitetään eri tietokannoista peräisin olevia tietoja hyödyntämällä ja yhdistelemällä myös eri alueiden järvisyysprosenttitietoja (Kuva 1).  Kuvaa 1 tutkimalla voidaan huomata tulvaherkkyyden korostuvan alueilla, joissa järvisyysprosentti on matala. Tulvaherkkyyttä esiintyy voimakkaimmin länsi- ja etelärannikkoalueilla, jossa järvisyysprosentti on hyvin matala ja jokia esiintyy runsaasti, jolloin ne herkästi tulvivat yli etenkin keväisin lumien sulaessa. Suurempien kaupunkien, kuten esimerkiksi Helsingin, seuduilla tulvaherkkyyttä lisännee huonosti absorboiva ihmisen toimesta muokattu maaperä. Suomessa tulvat ovat kuitenkin vähäisiä Keski-Eurooppaan verrattuna (Ympäristö.fi, 2013).

Kuva 1. Eri alueiden tulvaherkkyys ja järvisyysprosentit Suomessa.

 

Lähteet:

Laapotti, Saaga 2019. Kovaa hermojen koettelua. <https://blogs.helsinki.fi/saagalaa/>. Luettu 3.2.2019.

Ympäristö.fi 2013. Tulvien esiintyminen. <https://www.ymparisto.fi/fi-FI/Vesi/Tulviin_varautuminen/Olenko_tulvariskialueella/Tulvien_esiintyminen?f=Lapin_ELYkeskus&f=Lapin_ELYkeskus>. Luettu 5.2.2019.