Luku 7. Tässä se nyt sitten oli

Viimeinen kurssikerta oli muodoltaan hyvin vapaa. Saimme yksinkertaisen tehtävän: etsi aineistoa ja tuota kartta, jossa kuvataan vähintään kahta muuttujaa. Sopivan aineiston löytäminen ei ollutkaan aivan niin helppoa kuin olisi ensin luullut. Kaikki netistä löytyvä data ja tilastotieto kun ei ole GIS-tarkoituksiin sopivaa. Kuten Ilona Tuovinen blogissaan sanoi, netistä löytyvän datan määrän kanssa tulee eteen jo suorastaan runsaudenpula. Kun sopivat aineistot lopulta löytyivät, alkoi armoton siivous- ja muokkaustyö, jotta löydetty materiaali olisi QGIS:lle kelpaavaa ja kartantekoon soveltuvaa.

Itselläni aihe vaihtui lennosta useampaankin kertaan, ja lopulta päädyin tekemään kartan, jossa esitetään Suomen pellot sekä maatalousyritysten määrä kunnittain. (Kuva 1). Kartan legendaan eksyi maatalousrityksen sijaan sana tila, vaikka eiväthän kaikki maatalousyritykset suinkaan maatiloja ole. Kartalla punaisena näkyviä peltoja olen hieman ”suurentanut” alueiden reunojen paksuutta säätämällä jotta ne erottuisivat paremmin.

Kuva 1. Maatalousyritysten määrä kunnittain vuoden 2018 alussa (Tilastokeskus, StatFin) ja pellot (Suomen ympäristökeskus, CORINE maanpeite 2018).

Kartalla on nähtävissä jonkinasteinen korrelaatio peltojen sijainnin ja maatalousyritysten määrän välillä. Etelä- ja Länsi-Suomen runsaspeltoisilla alueilla on runsaasti kuntia, joissa maatalousyritysten määrä on korkea. Vastaavasti osissa Keski- ja Itä-Suomea sekä Kainuussa ja Pohjois-Suomessa niin peltopinta-ala kuin maatalousyritysten määräkin on hyvin alhainen.

Tuottamani kartta on hieman harhaanjohtava maatalousyritysten määrän suhteen, sillä kuntien pinta-ala vaikuttaa luonnollisesti maatalousyritysten määrään kunnan alueella. Tämän johdosta osa pienistä kunnista, joissa kyllä on pinta-alaansa nähden paljon maatalousyrityksiä, ovat kartalla vaaleita, kun taas suuret kunnat erottuvat vihreinä, vaikka niissä olisi pinta-alaan suhteutettuna vähemmän maatalousyrityksiä. Tästä huolimatta uskoisin karttani kuvaavan suhteellisen luotettavasti maatalouden jakautumista Suomessa.

Mitä tästä kurssista sitten jäi käteen? Ainakin turhautumista, kaiken paikkatietoon liittyvän kiroamista, QGIS:n surullisen koomista kaatuilua. Mutta myös onnistumisia, voitontunnetta ja mielenkiintoa. Mitä pidemmälle kurssilla mentiin, sitä mielenkiintoisemmaksi asiat kävivät. Varsinkin viimeiset kurssikerrat, joilla joutui ajattelemaan ja etsimään tietoa sekä aineistoa itse, olivat ainakin itselleni ne parhaat kurssikerrat. Samalla kylläkin myös turhauttavimmat. Vaikeuksien kautta voittoon kuvaa varmasti tätä kurssia kaikkein parhaiten.

Tässä se nyt sitten oli, seuraavia GIS-kursseja odotellessa. Jankon Betoni kiittää ja kuittaa, asia on kunnossa.

 

Lähteet:

Ilona Tuovisen blogi, kurssikerta 7. Luettu 28.2.2019. https://blogs.helsinki.fi/tuoilona/2019/02/25/viikko-7/

Suomen ympäristökeskus, CORINE maanpeite 2018. Ladattu 27.2.2019. https://www.syke.fi/fi-FI/Avoin_tieto/Paikkatietoaineistot

Tilastokeskus, StatFin, Aloittaneiden ja lopettaneiden yritysten lukumäärä vuodesta 2013- kunnittain ja toimialaluokituksen TOL2008 mukaisesti. Ladattu 27.2.2019. http://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__yri__aly/statfin_aly_pxt_001.px/?rxid=0d2881f6-a578-458c-a389-b163f872ea3d

Luku 6. Pakkasesta tulivuoreen

Kurssikerta lähti käyntiin ulkoilulla kirpeässä pakkassäässä. Kuljimme pareittain ympäri Kumpulan maita ja mantuja keräämässä Epicollect-sovelluksella tietoa julkisista tiloista. Kohmeisin sormin näppäilimme puhelimen näyttöä vastaten kysymyksiin esimerkiksi paikan viihtyisyydestä ja turvallisuudesta.

Luokkaan palatessamme kerätyt kohteet muutettiin csv-tiedostoksi QGIS:ä varten. Muutamista kohteista puuttuivat sijaintitiedot kokonaan, ja tämä aiheuttikin sitten suuria ongelmia, kun aineistoa lähdettiin havainnollistamaan interpoloimalla. Interpolointi tarkoittaa lyhyesti ja ytimekkäästi uusien arvojen laskemista tunnettujen arvojen väliin, tietää Wikipedia. Tässä tapauksessa meidän keräämiemme pisteiden perusteella luotiin kartta, jossa painottuvat pisteiden tiheys sekä niiden esittämä arvo, esimerkiksi paikan vihtyisyys asteikolla 1-5.

Tai siis tällainen sen lopputuloksen olisi pitänyt olla. Me loimme näytölle tasaisen mustan ruudun, mikä sai jopa Artun hetkeksi hämmentymään. Lopulta syyksi keksittiin nuo muutamat pisteet, joissa ei ollut sijaintitietoa, ja jotka näin sekoittivat QGIS-raukan pään pahemman kerran. Nuo sijaintia vaille jääneet kohteet aineistosta poistamalla saatiin lopputulokseksi interpoloitu kartta, jolla esitettiin esimerkiksi kohteiden turvallisuutta. Kuten Emilia Ihalainen blogissaan kertoi, suurien teiden lähellä turvallisuus koettiin huonommaksi kuin asuinalueilla.

Kuva 1. Vuoden 1964 jälkeen purkautuneet tulivuoret. Klikkaa suuremmaksi!

Kurssikerran itsenäistehtävissä oli jälleen valinnan varaa. Tehtävänä oli hakea netistä aineisto, tuoda se muokkausten jälkeen QGIS:iin ja pyöräyttää muutama kartta sillä idealla, että karttoja voisi käyttää asian opetukseen. Päätin tehdä karttani tulivuorista. Aineisto löytyi helposti, mutta vaati kohtuullisen paljon muokkaamista Excelissä, ennen kuin aineisto oli valmis QGIS:ssä käytettäväksi. QGIS:n puolella homma olikin sitten vain vanhaa tuttua visualisointia. Tuloksena omalta osaltani aika basic mielikuvituksettomat kartat erityyppisten tulivuorien sijainnista maapallolla. Esityksestä olisi toki voinut tehdä näyttävän ja mielenkiintoisen, kuten Elina Huhtisella. Upean näköisiä karttoja maanjäristyksistä!

Kuva 2. Yli 3000-metriset tulivuoret. Klikkaa suuremmaksi!

Kuvassa 1 on opetustarkoitusta ajatellen kummallinen virhe. Siinä keskelle Ruotsia on merkattu vuoden 1964 jälkeen purkautunut tulivuori, ja vaikka ruotsalaiset monessa asiassa suomalaiset voittavatkin, eivät hekään sentään pääse kehuskelemaan tulivuorillaan. Attribuuttitalukossa kyseisen tulivuoren kohdalla lukee eräässä sarakkeessa Islanti, joten kyseessä on aineiston tuottajan moka. Kurssikerran ohjeissa mainittu aineisto on NOAA:n tuottama. God bless America.

Kuva 3. Vedenalaiset purkautuneet tulivuoret.

Opetustarkoitukseen karttani olisivat varmasti sopivan yksinkertaisia ja selkeitä, ja tähän pyrinkin karttoja tehdessä. Toisaalta kartat tarjoavat ehkä turhankin vähän tietoa esimerkiksi siitä, miksi juuri noissa paikoissa sijaitsee tulivuoria. Aiemmin haukkumani NOAA:n sivuilla on hienosti yhdistetty tulivuoret ja mannerlaatat. Tässä esityksessä näkyy selkeä yhteys laattojen rajojen ja tulivuorten sijainnin välillä. (Kuva 4).

Kuva 4. Tulivuoret ja mannerlaatat. NOAA, What is Tectonic Shift?

 

Lähteet:

Wikipedia, Interpolaatio. Luettu 26.2.2019. https://fi.wikipedia.org/wiki/Interpolaatio

Emilia Ihalaisen blogi, kurssikerta 6. Luettu 26.2.2019. https://blogs.helsinki.fi/ihem/2019/02/24/viikko-6-hasardit/

Elina Huhtisen blogi, kurssikerta 6. Luettu 26.2.2019. https://blogs.helsinki.fi/huhelina/2019/02/22/viikko-6-auringonpaistetta-ja-onnistumisen-tunteita/

National Oceanic and Atmospheric Administration (NOAA), What is Tectonic Shift? Luettu 26.2.2019. https://oceanservice.noaa.gov/facts/tectonics.html

 

Luku 5. Aivot käyttöön

Viides kerta kurssilla pyörähti käyntiin aiemmin digitoitujen Pornaisten teiden ja talojen käytöllä. Teistä laskettiin yhteispituus ja alueen pelloista pinta-ala. Pieniin päihimme kaadettiin jälleen tietoa uusista työkaluista ja toiminnoista.

Miltei käsikramppiin asti digitoituja taloja käytettiin bufferoinnissa a.k.a. puskuroinnissa, joka oli taas uusi ominaisuus tuosta QGIS:n ehtymättömästä varastosta. Puskurointi alkoikin heti alussa vaikuttaa todella käyttökelpoiselta kapistukselta, käyttö oli helppoa ja lopputuloksena tietoa halutun alueen sisään jäävien talojen määrästä. Puskurivyöhyköintiä voi varmasti hyödyntää todella monissa asioissa, itselleni tulee ensimmäisenä mieleen vaikkapa ruokakauppojen asiakas-/vaikutusalueiden tarkastelu luomalla bufferit kauppojen ympärille. Iina Rusanen luettelee blogissaan monia hyviä käyttökohteita buffereille, esimerkiksi palvelujen sijainnin optimointi, suojavyöhykkeiden luonti tai hotellien määrä kongressikeskuksen lähellä.

Alkuharjoittelun jälkeen olikin aika ruveta hommiin ihan itse. Juuri opitulla bufferi-työkalulla luotiin Malmin ja Helsinki-Vantaan lentokenttien ympärille puskurivyöhykkeet, joiden oli tarkoitus kuvata lentomelualueita. Näiltä alueilta laskettiin sitten esimerkiksi tietyn suuruiselle lentomelulle altistuvien määrä. Bufferointia käytettiin myös pääkaupunkiseudun asemien kanssa. Tämän jälkeen tutkittiin vielä taajamia. Helpon oloiset kysymykset vaativat kerta toisensa jälkeen monien eri työkalujen käyttöä, tietokantojen muokkaamista, laskemista, säätämistä ja niin edelleen. Kaikesta tästä tulokseksi saatiin kauniiden karttojen taikka muiden palkitsevien tulosten sijaan pelkkiä numeroita. (Kuva 1).

Kuva 1. Tulokset tehtävistä 1 ja 2. Kuvankaappaus Word-talukosta.

Viimeiseen tehtävään valitsin vaihtoehdoista teeman uima-altaat ja saunat. Tehtävä vaikutti simppeliltä mutta aiheuttikin harmaita hiuksia. Yritin tehdä tehtävää kotona läppärillä, mutta jostain syystä en saanut joitain toimintoja pelittämään. Liekkö syynä ollut QGIS:n eri versio läppärissä kuin yliopistolla, koska GIS-luokan koneella samat operaatiot toimivat juuri niinkuin pitääkin. Tästä tehtävästä sentään tulokseksi saatiin kartta, eikä pelkkiä numeroita. (Kuva 2).

Kuva 2. Uima-altaiden määrä pääkaupunkiseudun pienalueilla.

Tehtävänannossa kehotettiin lisäämään karttaan uima-altaiden määriä kuvaavat pylväät (Kuvassa 1 vihreällä), mutta omasta mielestäni pylväät vain sotkevat karttaa. Vaihtoehtoisesti numeroarvot olisi voinut jättää pois selkeyden vuoksi. Kuvassa 3 vielä vastauksia uima-allas -tehtävään. Uima-altaiden määrä on melko odotettu, mutta saunoja olisin luullut olevan enemmänkin kuin vain neljäsosassa taloista. Saunologia.fi -sivustolla esitetyn Tilastokeskuksen arvion mukaan koko Suomessa saunoja on peräti lähes 2 miljoonaa! Löylyä lissää.

Kuva 3. Uima-altaat ja saunat pääkaupunkiseudulla. Kuvankaappaus Word-talukosta.

Kuten Eemil Haapanen blogissaan totesi, oli tämä kurssikerta ylivoimaisesti opettavaisin ja hyödyllisin tähän mennessä. Tehtävien tekeminen vaati jo oikeasti ajattelua, kun joka vaiheeseen ei ollut valmista opastusta. Vaikka akuutti GIS-peräinen ahdistus pukkasi ajoittain päälle, oli näistä harjoituksista suurta hyötyä. Edelleen QGIS:n hallitsemiseksi tarvitaan harjoitusta, harjoitusta ja harjoitusta, mutta luulen, että nyt itselläni alkaa olla hallussa tärkeimmät perusominaisuudet. Vaikeinta QGIS:n käytössä minulle on ehkä se, että osaan valita oikean työkalun kuhunkin tehtävään. Lisäksi ne miljoonat pienet yksityiskohdat ja kikat, jotka vain yksinkertaisesti täytyy muistaa ja tietää, tuottavat vielä vaikeuksia.

Se, mihin kaikkeen QGIS kykenee riippuu tällä hetkellä varmasti eniten minusta itsestäni ja siitä, mitä kaikkea osaan ohjelmalla tehdä. Myös käytettävissä olevat aineistot ja niiden laatu sekä tyyppi vaikuttavat olennaisesti siihen, mitä QGIS:llä voi tehdä, kuten Sara Saastamoinen toteaa blogissaan. Toimivat ja tehtävään soveltuvat aineistot ovat elinehto sille, että QGIS:llä voi tehdä ylipäätään mitään. Kaikki operaatiot ja analyysit vaativat sen, että käytössä on materiaalia, jolla ongelman voi ratkaista.

 

Lähteet:

Iina Rusasen blogi, kurssikerta 5, Luettu 26.2.2019. https://blogs.helsinki.fi/iinarusa/2019/02/18/ongelmanratkaisua-ja-onnistumisia/

Saunologia.fi, Saunamyytinmurtajat: Montako saunaa Suomessa oikeasti on? Luettu 26.2.2019. https://saunologia.fi/saunamyytinmurtajat-montako-saunaa-suomessa-oikeasti-on/#gref

Eemil Haapasen blogi, kurssikerta 5, Luettu 26.2.2019. https://blogs.helsinki.fi/hceemil/2019/02/21/kurssikerta-5-buffereita-ja-putkiremontteja/

Sara Saastamoisen blogi, kurssikerta 5, Luettu 26.2.2019. https://blogs.helsinki.fi/saasara/2019/02/19/kurssikerta-5/

Luku 4. Ruudut ja rasterit

Viimeisimmästä kirjoituksesta onkin vierähtänyt jo hyvä tovi, mutta tässä sitä taas ollaan. Tällä välillä mm. vaihdoin farkut verkkarihousuun ja lähdin kotiseudulle Pohjois-Karjalaan juomaan kaljaa auringonnousuun, ja tällä saattoi olla vaikutusta tämänkin postauksen viivästymiseen.

Sitten asiaan. Neljännestä kurssikerrasta on jo sen verran aikaa, että täytyi ihan ottaa kirjallinen ohje avuksi ja muistella, että mitäs silloin tehtiinkään. Opettelimme ruudukon luomista QGIS:iin ja tutustuimme täysin uuteen työkaluun, Spatial Queryyn. Tämä osoittautuikin hyödylliseksi välineeksi, jolla voi helposti esimerkiksi suodattaa aineistoa sijainnin perusteella ja luoda uusia tietokantoja. Itsenäisesti piti luoda uusi ruudukko ja tehdä teemakartta. Itse valitsin tarkasteluun ruotsinkielisten määrän Helsingin niemellä ja lähialueilla. (Kuva 1). Ruudukon värit valitsin tietenkin sini-keltaiseen teemaan sopivaksi. Ruotsinkielisten määrän tarkastelu näytti olevan suosiossa, sillä esimerkiksi Johanna Mölsä ja Amelia Cardwell olivat valinneet saman aiheen. Heillä ruudukon koko on 1 km x 1 km, mikä tuo selkeyttä karttaan verrattuna omiin 100:n metrin ruutuihini.

Kuva 1. Ruotsinkielisten määrä 100 m x 100 m ruudukossa.

Omasta mielestäni teemakartta näyttää hieman epäonnistuneelta. Ruutujen koko, 100 metriä kanttiinsa, vaikuttaisi olevan aivan liian pieni, ja lopputulos näyttää sen takia hieman sekavalta. Ruutujen kokoa olisi pitänyt tekovaiheessa suurentaa paljon. Visuaalisesti kartta on aika epämiellyttävä. Kuvattava teemakin, ruotsinkielisten määrä absoluuttisina arvoina, on haasteellinen, koska arvot vaihtelevat todella paljon. Muutamissa ruuduissa, jotka on kartassa kuvattu keltaisella, asuu todella paljon ruotsinkielisiä, kun taas monissa ruuduissa ei ole ruotsinkielisiä lainkaan. Ruotsinkielisten suhteellisen osuuden esittäminen olisi varmasti ollut parempi vaihtoehto kuin absoluuttinen ruotsinkielisten määrä. Ruututeemakartta ei ylipäätään ole omasta mielestäni kovin hyvä ratkaisu minkään asian esittämiseen. Säännölliset ruudut tuntuvat hävittävän luonnolliset rannan muodot tai maastonmuodot ja vaikeuttavat kartan lukemista.

Kuva 2. Ruututeemakartta taustakartalla.

Taustakartan lisääminen ruututeemakartan pohjalle (Kuva 2) helpottaa kartan lukemista ja ymmärtämistä. Suurimmat ruotsinkielisten keskittymät näyttäisivät olevan Arabianrannassa ja Etelä-Helsingissä Ullanlinnan tienoilla. Myös Töölössä, Lauttasaaressa ja Munkkivuoressa näyttäisi olevan runsaasti ruotsinkielisiä. Syytä, miksi näillä alueilla on paljon ruotsinkielistä väestöä, en lähde edes arvailemaan. Ruotsinkielisten peruskoulujen sijainti näyttäisi vastaavan melko hyvin edellämainittuja alueita. (Pääkaupunkiseudun palvelukartta).

Ruudukoista siirryttiinkin sitten rastereihin. QGIS:iin ladattiin rasterimuotoinen korkeusmalli kahtena palana, jotka piti sitten yhdistää yhtenäiseksi. Tämä onnistui ohjeita kuuntelemalla hyvin, ja kahdesta erinäköisestä palasta tuli yksi yhtenäinen. Korkeusmallista saatiin tehtyä näppärästi rinnevalovarjostuskuva. Rinnevalovarjostus jatkojalostettiin sisältämään automaattisesti piirtyvät korkeuskäyrät. Automaattisista korkeuskäyristä tuli melkoista syheröä, kun tietokone piirtää ne jollekin maaston tasolle piittaamatta lainkaan yleistämisestä tai luettavuudesta. (Kuva 3). Tietokone on piirtänyt käyrät täydellisellä tarkkuudella, mistä harvoin on hyötyä, päinvastoin liian tarkat käyrät vaikeuttavat muotojen hahmottamista.

Kuva 3. Rinnevalovarjostus ja automaattiset korkeuskäyrät.

Maanmittauslaitoksen tekemät korkeuskäyrät ovat selkeämpiä ja maastonmuodot ja korkeussuhteet hahmottuvat hienosti. (Kuva 4). 60 metrin johtokäyrä on merkitty paksummalla viivalla ja 2,5 metrin apukäyrät 5 metrin käyrien apuna antavat enemmän tietoa kuin

Kuva 4. Maanmittauslaitoksen laatimat korkeuskäyrät.

tietokoneen piirtämät pelkät 5 m käyrät.

Kuvassa 5 näkyvät rinnakkain automaattiset käyrät ja MML:n käyrät. Vertailukuvassa korostuu automaattisten käyrien syheröisyys ja sekavuus.

 

 

Kuva 5. MML:n käyrien (musta) ja korkeusmallin pohjalta piirtyneiden käyrien (oranssi) vertailu.

Kurssikerran lopuksi verestettiin muistoja vanhasta kunnon Corel Draw:sta, kun piirtelimme Pornaisten alueelle teitä ja merkkailimme taloja. Seuraavalla kerralla näitä omin pikku kätösin digitoituja kohteita sitten käytettäisiin. Lopetimme kurssikerran siihen, kun Arttu guumoitteli meitä siitä, että seuraavalla kurssikerralla tarvitsisi käyttää jo omia aivoja olla virkeänä. Huhhuh. Voiko tällaista vaatia jo fukseilta???

 

Lähteet:

Johanna Mölsän blogi, Kurssikerta 4. Luettu 16.2.2019. https://blogs.helsinki.fi/johannmo/2019/02/10/kurssikerta-4/

Amelia Cardwellin blogi, Kurssikerta 4. Luettu 16.2.2019. https://blogs.helsinki.fi/amca/2019/02/08/viikko-4/

Pääkaupunkiseudun palvelukartta. Luettu 16.2.2019. https://palvelukartta.hel.fi/unit?category=service_node:1190,service_node:1188

 

Luku 3. Timantteja, tietokantaliitoksia ja tulvaindeksejä

Kolmannen kurssikerran alussa ei teoriaosuuksia nähty, vaan kissa nostettiin suoraan pöydälle ja käytiin QGIS:n kimppuun. Afrikan kartalla harjoiteltiin kohteiden yhdistämistä, valtioiden usealle eri riville hajaantuneet alueet yhdistettiin yhdeksi riviksi.

Opimme myös tuomaan Excel-muotoista tilastotietoa QGIS:iin paikkatiedoksi, mikä tuntui itsestäni todella hyödylliseltä harjoitukselta. QGIS:iin siis pystyy tuomaan melkein mitä tahansa taulukkotietoa, ja muuttamaan sen paikkatiedoksi. Toki tässä esim. valtioiden nimien pitää täsmätä, että homma toimii. Näissä tietokantaliitoksissa pitää olla tarkkana, että lopputuloksessa on jotain järkeä. Ilman yhteistä saraketta, vaikka juuri valtion nimeä, jää QGIS:n käyttäjälle luu käteen.

Tutkailimme Afrikan timanttiesiintymien, maaöljyn tuotannon ja konfliktien välistä yhteyttä. Näiden avulla opittiin, kuinka laskea esimerkiksi pistemuotoisen aineiston, timanttikaivosten määrä kussakin valtiossa. Harjoittelimme uusien tietokantojen luomista ja laskemista internetin ja Facebookin käyttöä koskevilla aineistoilla. Tässä oli selvä yhteys konfilkteihin: maissa joissa oli paljon konflikteja, ei internet tavoittanut kovinkaan suurta osaa väestöstä. Kuten Juho Kauppi blogissaan kertoi, internetin käyttöaste on hyvä keino tutkia valtioiden välisiä eroja infrastruktuurin kehittyneisyydessä.

Kurssikerran lopuksi aloitimme viikkotehtävän tekemistä, joka oli tällä kertaa tulvaindeksikartan, ja siihen yhdistetyn järvisyysdiagrammin laatiminen. (Kuva 1.)

Kuva 1. Suomen valuma-alueiden tulvaindeksi prosentteina ja järvisyys ympyrädiagrammeina.

Kartassa näkyvät Suomen valuma-alueet, joista osa tärkeimmistä on nimetty. Valuma-alueiden väri kuvaa alueen tulvaindeksiä prosentteina. Tulvaindeksi on laskettu jakamalla keskiylivirtaama keskialivirtaamalla. Eli toisin sanoen tulvaindeksi kuvaa keskimääräisen tulvan ja kuivan kauden suhdetta, joka Suomen kosteissa oloissa kallistuu vahvasti ylivirtaaman eli tulvan puolelle.

Kartasta on vaikea vetää mitään suoria johtopäätöksiä tai yleistyksiä. Pienen tulvaindeksin alueita ovat niin lukuisat pienet valuma-alueetkin kuin myös esimerkiksi valtava Vuoksen vesistö. Suuria tulvaindeksejä on niin Lapissa kuin Pohjanmaalla ja Itä-Suomessakin.

Alueiden järvisyys, jota esitän kartalla ympyrädiagrammeilla. vaihtelee myös paljon. Itse en ainakaan löytänyt QGIS:stä työkalua, jolla järvisyysprosentin, eli järvien osuuden pinta-alasta saisi näkyville diagrammiin. Joka tapauksessa Saimaan alueen kattavassa Vuoksen vesistössä järvisyys on lähes 20%, todella paljon. Silti järvisyyskään ei tunnu selittävän tulvaindeksiä, sillä kaikkein järvisimmässä Vuoksen vesistössä tulvaindeksi on yksi pienimmistä. Ota nyt tästä sitten selvää. Pitäisi varmaan kysyä Miskalta, että saisi homman haltuun.

Ympäristöhallinnon verkkopalvelu kertoo, että valuma-alueen maastonmuodot ja maankäyttö vaikuttavat siihen, miten tulvia muodostuu. Näillä on varmasti vaikutusta myös tulvaindeksiin, esimerkiksi monet Pohjanmaan joista tulvivat herkästi alueen tasaisuuden vuoksi.

 

Lähteet:

Juho Kaupin blogi, Kurssikerta 3. Luettu 31.1.2019. https://blogs.helsinki.fi/juhokaup/2019/01/30/viikko-numero-kolme/

Ympäristöhallinnon verkkopalvelu. Luettu 30.1.2019. https://www.ymparisto.fi/fi-FI/Vesi/Tulviin_varautuminen/Olenko_tulvariskialueella/Tulvien_esiintyminen.

Luku 2. QGIS, tuo ikuinen mysteeri

Toinen kurssikerta käynnistyi tietoiskulla erilaisista GIS-datan lähteistä ja tyypeistä. Opimme, että saatavilla olevaa aineistoa on valtava määrä monilta eri tuottajilta, ja että aineistoja ladataan omaan käyttöön niin kutsuttujen rajapintojen kautta. Saaga Laapotti kuvaili blogissaan monia erilaisten rajapintojen lyhenteitä. Tuo käsite rajapinta jäi itselleni hieman hämäräksi, joten otin avuksi tutun ja turvallisen Wikipedian. Selvisi, että tämä mystinen rajapinta tarkoittaa sitä, että eri ohjelmat vaihtavat tietoja eli ”keskustelevat” keskenään. QGIS:ssä esimerkiksi rasteri- ja vektoriaineistoille on omat rajapinnat, joiden kautta ohjelmaan saa ladattua dataa.

Sitten olikin aika sukeltaa taas QGIS:n pimeisiin syövereihin. Uusien työkalujen ja valikkojen opettelusta jäi käteen lähinnä hämmennys, kun omalla koneellani mittaustyökalulla piirretyt alueet ja viivat hävisivät ruudulta, kun niitä yritti tarkastella jälkikäteen. Tähän ei Arttukaan tiennyt ratkaisua, joten asia täytyi hyväksyä QGIS:n keinona koetella käyttäjän kärsivällisyyttä. On tämä ohjelma yksi iloinen veijari.

Päivän pääasiana olivat erilaiset projektiot ja niiden vaikutus tuotettuihin karttoihin. Vertailimme eri projektioiden aiheuttamia vääristymiä pinta-alassa ja pituuksissa. Tästä tehtiin Excel-taulukkokin, jonka itse tietenkin jätin tallentamatta. Projektioita vertaillessa kävi selväksi, että vääristymät voivat olla aika huikeitakin tiettyjä projektioita käytettäessä. Esimerkiksi pohjoisten alueiden kokoa voimakkaasti suurentava Mercatorin projektio vääristi Pohjois-Lapissa pinta-alaa monikertaiseksi verrattuna Suomessa yleisesti käytettyyn ETRS89/TM35FIN -projektioon.

Karttaharjoituksissa yhdistettiin rajapintojen käyttö ja projektioiden vääristymien havainnollistaminen. QGIS:iin ladattiin WFS-vektorirajapinnan avulla kuntatilastot vuodelta 2015 ja laskettiin kuntien pinta-alat. Tämän jälkeen vaihdettiin projektiota ja laskettiin uuden projektion mukaiset, vääristyneet pinta-alat. Uusia pinta-aloja verrattiin ETRS89/TM35FIN-projektion ”oikeisiin” pinta-aloihin ja laskettiin prosentuaalinen vääristymä.

Kuva 1. Mercatorin projektion vääristymä pinta-aloissa ETRS89 / TM35FIN -projektion mukaisella kartalla

Ensimmäisessä kartassa (Kuva 1) havainnollistan Mercatorin projektion aiheuttamaa vääristymää Suomessa yleiseen ETRS89 / TM35FIN-projektioon verrattuna. Kuten jo aiemmin mittaustyökalulla saadut tulokset kertoivat, vääristymä on aika huikea. Aivan eteläisimmässä Suomessakin Mercatorin projektio suurentaa pinta-aloja vähintään 200% ja Suomi-neidon päälaella vääristymä on jo 7-8 -kertainen. Kartta näyttää vääristymän kasvun liikuttaessa etelästä pohjoiseen.

Kuva 2. MaO ry:n logo.

Mercatorin projektion osalta tulokset ja tuotettu kartta vastasivat odotuksia oikein hyvin. Odotettavissa oli, että Mercator suurentaa pohjoisia alueita kohtuuttoman paljon. Sen sijaan toiseksi vertailtavaksi projektioksi valitsemani Mollweide tuotti hieman kummallisen lopputuloksen. (Kuva 4).

Kuva 3. Mollweiden projektion mukainen maailmankartta.

 

Valitsin Mollweiden projektion vertailuun, koska kyseinen projektio komeilee rakkaan MaO:n logossa ainakin oman käsitykseni mukaan. (Kuvat 2 ja 3).

Kuva 4. Mollweiden projektion vääristymä pinta-aloissa ETRS89 / TM35FIN -projektion mukaisella kartalla
Kuva 5. Suomi Mollweiden projektiossa

Kun laskin kuntien pinta-alat Mollweiden projektiossa ja vertasin niitä sitten ETRS89/TM-35FIN-projektioon, näytti vääristymä olevan vain joitakin prosentin kymmenyksiä. Kaiken lisäksi kartalle siirrettynä vääristymä ei noudata mitään tasaista pohjoinen-etelä tai itä-länsi -suuntaista kasvua. Sen sijaan vääristymä näyttäisi olevan pienin keskellä Suomea ja kasvavan itään ja länteen päin liikuttaessa. Tämä jäi minulle mysteeriksi, kuinka se on mahdollista.

Toisaalta, kun katsoo Suomen ”asentoa” Mollweiden projektiossa (Kuva 5) ja pituuspiirien kulkua, on laskemani vääristymä ehkä mahdollinen. Yksi projektion pituuspiireistä näyttäisi nimittäin kulkevan juuri Suomen keskeltä, mikä mahdollistaisi tuon kummallisen vääristymän. Epäilen silti omaa laskuvirhettä tai muuta kämmiä vielä vahvasti.

Mollweiden projektiota ihmetellessäni otin taas avuksi Wikipedian. Selvisi, että Mollweide on oikeapintainen projektio, eli se näyttää alueiden pinta-alat jotakuinkin oikein. Tämä selittää, miksi Suomen kuntien pinta-alojen vääristymät ovat vain prosentin kymmenyksiä. Ehkä en olekkaan kämmäillyt!

 

Lähteet:

Saaga Laapotin blogi, Kurssikerta 2. Luettu 29.1.2019. https://blogs.helsinki.fi/saagalaa/2019/01/25/mika-projektio/

https://fi.wikipedia.org/wiki/Ohjelmointirajapinta. Luettu 28.1.2019.

https://en.wikipedia.org/wiki/Mollweide_projection. Luettu 28.1.2019.

Kuva 2. MaO ry:n logo. https://blogs.helsinki.fi/johannesnyman/files/2013/01/MAONLOGO_pienempi.png

Kuva 3. Mollweiden projektion mukainen maailmankartta. https://en.wikipedia.org/wiki/Mollweide_projection#/media/File:Mollweide_projection_SW.jpg

Luku 1. Kurssi alkaa, ilmassa on suuren urheilujuhlan tuntua

Ennen ennen ensimmäistä kurssikertaa edessäni oli heti visainen pulma. Jättäisinkö nelituntisen kurssikerran jo yhden tunnin jälkeen, ja lähtisin edustamaan MaO:n kirkkaanoranssia väriä futsal-peliin? En vaivannut asialla päätäni liikaa vaan lähdin tietenkin pelaamaan, ja kuin lapsi vailla huolen häivää uskoin oppivani tarvittavan helposti itsenäisestikin. Tämä oli tietenkin virhe.

Futsal-pelistä tuloksena oli 7-1 voitto, mikä vahvisti ajatustani siitä, että oli hyvä idea jättää 3/4 kurssikerrasta väliin. Ehdin takaisin tunnille juuri kun se oli loppumassa ja kysyin Artulta, olisiko parempi tulla korvaamaan kurssikerta toisen päivän ryhmässä. Arttu valoi minuun uskoa, että selvittäisin kyllä harjoitukset itsenäisestikin. Paikalla ollessani ensimmäisen tunnin aikana kerrattiin paikkatiedon perusjuttuja. Loppuajan muut olivat käyttäneet QGIS-ohjelmaan tutustumiseen, ja tämä olisi minullakin nyt itse opiskeltavana.

Artun tekemät ohjeet QGIS:n käyttöön olivat erinomaiset, ja alkuhaparoinnin jälkeen ohjelman perustoiminnot tuntuivat löytyvän helposti. Kun QGIS ja minä olimme kohteliaasti esittäytyneet toisillemme, oli aika ruveta tekemään ensimmäistä karttaharjoitusta. Tässähän sitten mentiinkin alussa metsään, kun QGIS ja minä emme tuntuneet löytävän yhteistä säveltä. Ohjeita sai kahlata moneen kertaan läpi: milloin olin väärässä valikossa sohlaamassa ja milloin jokin pieni yksityiskohta oli unohtunut. Kuten Joonatan Huhdanpää blogissaan totesi, käyttöliittymä vaikutti aika monimutkaiselta. Älkää ymmärtäkö väärin, ohjeissa ei ollut mitään vikaa, vika oli (kuten yleensäkin) käyttäjässä. Tässä vaiheessa mieleen hiipi ajatus siitä, olisikos kuitenkin kannattanut olla tunnilla mukana… Teemu Lindén kuvaili blogissaan QGIS:ä tekniseksi ja toiminnoiltaan monipuoliseksi ohjelmaksi, mitä se todellakin on.

En kuitenkaan suostunut jättämään yksinäistä korpivaellustani QGIS:n erämaassa kesken, vaikka vaihtoehtona olisi edelleen ollut mennä seuraavan päivän kurssikerralle. Ajatus aamuluennosta söi miestä niin, että päätin hammasta purren ja tarkkaan valikoitujen voimasanojen turvin yrittää vielä kotona läppärillä uudestaan.

Kuinka ollakaan, kotona ohjeiden tarkkaakin tarkempi seuraaminen ja QGIS:n sielunelämään tutustuminen toivat mukanaan onnistumisen. Tuloksena on mielestäni ihan kelvollinen tuotos Itämeren rantavaltioiden typpipäästöosuuksista. (Kuva 1). Jälkikäteen ainakin järvien väriä olisi voinut muuttaa, sininen erottuu tummien värien alueella huonosti.

Kuva 1. Itämeren rantavaltioiden typpipäästöosuudet

Typpipäästökartan teossa suurin osa ajasta meni sopivan väriskaalan valitsemiseen, jos yleistä QGIS:n kanssa tuskailua ja opettelua ei lasketa. Kartasta esiin nousee Puolan suuri osuus päästöistä. Luokittelu oli hieman vaikeaa, koska esim. Puolan osuus Itämeren typpipäästöistä on noin 31%, vaikka sen luokka kattaa 15-31%. Päästöosuudet vaihtelivat Viron noin 3%:sta Puolan yli 30:een, ja lopputuloksena kartassa on luokkia lähes yhtä paljon kuin valtioita.

Kuten Alex Naumanen kertoi blogissaan, ”Puolan päästöt johtuvat teollisuudesta, maanviljelystä sekä puutteellisisita puhdistamoista.”

Toisena karttana tein koropleettikartan alkutuotannon osuudesta työpaikoista 2015. (Kuva 2). Kartan tekeminen oli hyvin yksinkertaista verrattuna typpipäästökarttaan. Alkutuotannon osuudet jakautuvat melko sirpaleisesti ympäri Suomea. Suurempien kaupunkien läheisyydessä alkutuotannon osuus työpaikoista näyttäisi olevan pääsääntöisesti matala, kuten voi olettaakin. Länsirannikon ja Pohjanmaan alueella alkutuotannon suurta osuutta selittää varmastikin maanviljelys, Itä-Suomessa ja Kainuussa metsätalous. Lapissa usean kunnan alkutuotannon työpaikat ovat alle 10%, mikä johtuu luultavasti matkailualan lukuisista työpaikoista.

Kuva 2. Alkutuotannon osuus työpaikoista kunnittain vuonna 2015

Yhteenvetona voisi todeta, että QGIS:n käyttö on vielä melkoista tervanjuontia. Ohjelman monimutkaisuus ja jumiminen turhauttavat. Eiköhän se kuitenkin tästä vielä iloksi muutu, kun kurssi etenee ja ohjelmaa oppii vähitellen ymmärtämään. Siis leuka rintaan ja kohti uusia pettymyksiä.

 

Lähteet:

Joonatan Huhdanpään blogi, Kurssikerta 1. Luettu 24.1.2019. https://blogs.helsinki.fi/joonatah/2019/01/22/viikko-1-tutustuminen-qgis-ohjelmaan-ja-ensimmaiset-kartat/

Teemu Lindénin blogi, Kurssikerta 1. Luettu 29.1.2019. https://blogs.helsinki.fi/lindetee/2019/01/22/viikko-1-ensimmaiset-qgis-harjoitukset/

Alex Naumasen blogi, Kurssikerta 1. Luettu 23.1.2019. https://blogs.helsinki.fi/alexnaum/2019/01/14/hello-world/