Jennan blogi

Tällä kerralla sukelsimme rasteriaineistojen maailmaan. Teimme ruutukartan pääkaupunkiseudun väestömääristä 1 km x 1 km -ruutukoolla (kuva 1). Tämä saatiin aikaan luomalla ruudukko ja valitsemalla Select by location -toiminnolla sopivat kohteet, eli ne asutusta kuvaavat pisteet jotka osuivat ruudukon alueelle. Tässä oli monen monta välivaihetta ja aineistoa taidettiin karsiakin aika tavalla, mutta nämä yksityiskohdat ovat jo päässeet minulta unohtumaan.

Kuva 1. Pk-seudun väestömäärät ruutukartalla.

Kartasta näkee, että Helsingin alueella on kaksi ruutua, joissa asukasmäärä on vähintään 12164. Harvinta asutus on luonnollisestikin alueiden reunoilla, kauempana keskustasta.

Tein samasta aineistosta myös toisen ruututeemakartan, joka kuvaa ruotsinkielisiä pk-seudulla (kuva 2). Tämä kartta näyttää samansuuntaiselta kuin edellinen: eniten ruotsinkielisiä on siellä missä asutustakin on eniten.

Kuva 2. Pk-seudun ruotsinkieliset asukkaat ruutukartalla.

Mielestäni tekemäni ruutukartat ovat varsin selkeitä, mutta huomasin vasta jälkeenpäin, että niissä ei ilmene, ”milloin”. Eli vuosiluku olisi ollut hyvä niihin lisätä.

Ruututeemakartalla on hyväksyttävää esittää absoluuttisia arvoja, koska kaikki ruudut ovat täsmälleen samankokoisia, joten ruudut ovat keskenään vertailtavissa. Koropleettikarttaan verrattuna ruutukartta antaa tarkempaa tietoa ruutujen alueilta, mutta toisaalta se ei ole yhtä havainnollinen laajempia alueita tarkasteltaessa: ruudut eivät esim. kunnioita kuntarajoja. Pisteteemakarttaan verrattuna ruututeemakartta ei taas anna yhtä tarkkaa sijainnillista tietoa: pisteet voivat osoittaa hyvinkin tarkasti, missä jokin kohde on, mutta ruutu yleistää sen ruudun kokoiseksi. Sofia esitti blogissaan myös hyvän huomion siitä, että mitä suurempi ruutukoko, sitä kyseenalaisemmaksi tieto muuttuu.

Toinen tehtävä, jota teimme tunnilla, oli Pornaisten karttalehden korkeuskäyrät digitaalista korkeusmallia hyödyntäen. Tätä ennen täytyi liittää neljä korkeusmalli-aineistoa yhteen Build Virtual Raster -toiminnon avulla, sekä niistä tehdä rinnevarjostus Hillshade-analyysillä. Korkeuskäyrät toivat esiin mielenkiintoisia yksityiskohtia, kuten keidassuon. Toisaalta nämä digitaalisen korkeusmallin käyrät olivat niin yksityiskohtaisia, että ne eivät olleet kovin havainnollisia, vaan niitä tulisi pyöristää ja yleistää selkeämmän lopputuloksen saamiseksi.

Aloitimme myös digitoimaan teitä Pornaisten keskustan alueelle, mutta piirtotyökalun kanssa oli suurimmalla osalla ongelmia, eikä tämä tehtävä oikein edennyt. Kokeilin piirtämistä myös kotona, mutta edelleen kartalle ilmestyi violetti neliö, joka esti viivojen piirtämisen niihin kohtiin joihin olisin halunnut. Toivottavasti tämä asia ratkeaa ja pääsen jatkamaan tehtävää. Jotkut onnistuivat tekemään tämän tehtävän, olisi kiintoisaa kuulla miten onnistuitte!

Lähteet:

Salo, S. (2023). Kurssikerta 4. Sofia’s blog, blogisivusto. Viitattu 14.2.2023. https://blogs.helsinki.fi/sofisalo/

Moi taas!

Tällä kurssikerralla harjoittelimme mm. excel-taulukoiden liittämistä QGISiin, sekä aineistojen liittämistä toisiinsa Join-toiminnolla. Välivaiheita oli taas niin monta, että osa ehti minulta unohtua saman tien. Tällä kerralla keksin kuitenkin tehdä hieman omia muistiinpanoja vihkoon, mikä auttoi muistamista myöhemmin.

Tutkailimme tunnilla Afrikan konflikteja, timanttikaivoksia ja öljynporausalueita, sekä näiden välisiä yhteyksiä. Laadin tästä kartan (kuva 1). Kartasta näkee, että konflikteja esiintyy usein siellä, missä on myös timanttikaivoksia ja öljynporausalueita. Toisaalta aineistossa on niin vähän muuttujia, että näiden ilmiöiden monimutkaiset syy-seuraussuhteet jäävät varsin epäselviksi. Kuten Susanne hyvin kiteytti blogissaan, nämä ”havainnot ovat yleistyksiä aineistojen pohjalta tehdyistä havainnoista”. On paljon sellaista, mitä aineisto ei kata. Jos aineistossa olisi tarkempaa tietoa esim. öljyporausalueiden tuottavuudesta ja löytövuosista ja tätä verrattaisiin konfliktien alkamisvuosiin ja kestoihin, antaisi tämä jo huomattavasti tarkempaa tietoa ilmiöiden yhteyksistä.

Kuva 1. Afrikan konfliktit, timanttikaivokset ja öljyesiintymät.

Tekemäni kartta on muuten mielestäni selkeä, mutta tekisin siihen joitakin parannuksia näin ”jälkiviisaana”. Muuttaisin esim. timanttiesiintymiä esittävien pisteiden muotoa, jotta ne olisivat selvästi erilaisia konflikti-pisteiden muodosta. Legendassa on myös hieman harhaanjohtava sanavalinta ”öljyesiintymät”, kun oikeasti kyseessä on öljynporausalueet.

Koska opettelimme Join-toiminnon käyttöä tällä viikolla, palasin vielä viikon 1 tehtävään, ja nyt osasin myös silloin liian vaikeaksi osoittautuneen vaikeustason 2 tehtävän! Osasin siis liittää Finstatin csv-muotoisen taulukon QGISiin ja sain Join-toiminnolla liitettyä Kunnat-aineistoon muuttujia. Hurraa! Liittämisessä ilmeni kuitenkin ongelma: Kunta-tietokannassa oli ääkkösiä, liitettävässä tietokannassa niiden paikalla kysymysmerkkejä. Liittäessä nimen perusteella ohjelma ei siis tunnistanut näitä kysymysmerkki-ääkkösiä. Kokeilin tietokannan lisäämistä uudelleen niin, että vaihdoin encoding-kohdassa olevan ”kielen”. Jouduin etsimään aika kauan, ennen kuin löysin sopivan, joka oli 819. Kävin lisäämässä tästä hienosta saavutuksestani kuvan kurssikerran 1 alle.

Viikon itsenäinen tehtävä oli Suomen valuma-alueiden tulvaindeksien laskeminen ja kartan tekeminen. Tehtävässä tuli soveltaa opittuja asioita mm. Excel-taulukoiden liittämisestä, Join-toiminnoista ja QGISin laskutoiminnoista. Koin tehtävän muuten varsin helpoksi, mutta jäin jumiin loppuvaiheessa, kun kartalle piti lisätä tulvaindeksien lisäksi valuma-alueiden järvisyys histogrammeina. Selvisi, että ongelmana oli se, että järvisyys-muuttuja oli minulla text-muodossa, vaikka sen olisi pitänyt olla desimaali. Poistin lisäämäni järvisyys-tietokannan, muokkasin excel-tiedostossa järvisyys-sarakkeen number-muotoon, ja latasin sen uudelleen csv-tiedostona QGISiin. Tadaa! Nyt järvisyys oli oikeassa muodossa, ja histogrammien lisääminen onnistui. Tuloksena on kuvan 2 kartta.

Kuva 2. Suomen valuma-alueiden tulvaindeksit ja järvisyys histogrammina.

Päätin poistaa lopullisesta kartasta järvet ja joet, sillä ne tekivät lopputuloksesta hyvin sekavan näköisen. Mielestäni oleellinen tulee tässä kartassa esiin, vaikka järvisyys erottuukin vähän huonosti pienemmillä valuma-alueilla. Histogrammi ei myöskään kerro prosentin suuruutta. Toisaalta, prosenttien lisääminen olisi tehnyt kartasta ehkä paikoitellen hyvin sekavan näköisen. Kartasta kuitenkin näkee, että pienimmät tulvaindeksit ovat usein alueilla, joilla on paljon järviä.

Ensi kertaan!

Lähteet:

Rautamo, S. (2023). Kurssikerta 3. Susanne’s blog. Blogisivusto. https://blogs.helsinki.fi/rautamos/

Moikka kaikki!

Tällä viikolla harjoittelimme aineistojen lisäämistä QGISiin rajapintojen kautta, sekä vertailimme pinta-aloja eri projektioissa ja visualisoimme niitä kartoiksi. Kurssikerran tehtävät olivat sinänsä helppoja, mutta sisälsivät monta välivaihetta, joten ohjeita kuunnellessa sai olla tarkkana. Minulla oli itsenäisesti kotona vaikeuksia aluksi muistaa, miten tunnilla opetellut asiat oikein tehtiinkään, mutta muutaman yrityksen ja erehdyksen jälkeen ne muistuivat mieleen.

Vertailin kolmea projektiota ETRS-TM35FIN-projektioon. Vertailussa on siis tarkasteltu, kuinka moninkertainen on projektion ilmoittama pinta-ala. Vertailuprojektioina käytin Mercatorin, Van der Grintenin ja Winkel tripel-projektioita. Kuvassa 1 vertailen Mercatoria TM35-projektioon. Kuvasta näkee, että vääristymät ovat suurimpia pohjoisessa.

Kuvassa 2 vertailukohteena on Van der Grintenin projektio. Olen käyttänyt samoja värejä ja samaa luokkamäärää kuin Mercatoriin verratessa, mikä ei ehkä ole se kaikkein havainnollisin tapa, sillä Van der Grintenin vääristymät ovat paljon pienempiä kuin Mercatorin. Tästä syystä kartat näyttävät hyvin samalta, vaikka todellisuudessa Van der Grintenin suurimmat vääristymät ovat pienempiä kuin Mercatorin pienimmät vääristymät.

Winkel tripel-projektion vääristymät ovat sitäkin pienempiä (kuva 3). Tämän vuoksi kokeilin erilaista karttaa: siinä on vain neljä luokkaa ja värit ovat sinisen sävyjä sen kuvaamiseen, että erot TM35-projektioon ovat hyvin pieniä.

Nämä kartat eivät siis ole kovin vertailukelpoisia keskenään, koska luokat ovat niin eri kokoisia. Yksistään ne antavat kuitenkin kuvaa siitä, miten projektio muuttaa pinta-alaa, ja miten ero kasvaa Suomen kohdalla etelästä pohjoiseen.

Mielenkiintoista oli lukea Kiian blogista sinusoidaalisesta projektiosta ja nähdä, miten kyseinen projektio vääristää pinta-aloja hyvin eri näköisesti kuin minun tutkimani projektiot (https://blogs.helsinki.fi/kiiakorp/). En ollutkaan tullut ajatelleeksi projektioita, jotka vääristävät vertikaalisessa suunnassa, joten Kiialle kiitos tästä mielenkiintoisesta esimerkistä.

Opin tällä viikolla paljon QGISin uusia toimintoja, etenkin aineistojen lisäämiseen ja uusien muuttujien tekemiseen liittyen. Tämä oli antoisa viikko, ja jos blogissani löytyi jotakin kiintoisaa niin mielelläni otan kommentteja ja kysymyksiä vastaan!

Lähteet:

Korpinen, K. (2023). Kurssikerta 2. Geoninformatiikan menetelmät 1 -blogi. Verkkosivusto. Viitattu 30.1.2023. https://blogs.helsinki.fi/kiiakorp/

Keskiviikkoaamun kurssikerta

Tällä viikolla keskiviikkoaamun kurssikerralla tutustuimme QGIS-ohjelman käyttöön ja visualisoimme paikkatietoaineistoa kartaksi. QGIS oli minulle ennestään hieman tuttu viime syksyn Geoinformatiikan perusteet-kurssilta, mutta runsaasti tuli uutta asiaa. QGIS vaikuttaa melko monimutkaiselta ohjelmalta: erilaisia toimintoja, paneeleja ja työkaluja on niin paljon, että minulla kestää varmasti kauan ennen kuin suuri osa niistä on hallussa. Kurssikerralla kuitenkin sai hyvät ja selkeät ohjeet perustoimintoihin, mikä lievensi hieman ohjelmaa kohtaan tuntemaani jännitystä.

Aineisto, jota kurssikerralla käsittelimme, oli HELCOM-maiden typpipäästöt. HELCOM-maat ovat Itämeren merellisen ympäristön suojelukomissiomaat. Koska päästöt oli tarkoitus visualisoida koropleettikartaksi, täytyi ensin laskea Statistics Panelin avulla suhteelliset osuudet HELCOM-maille. Koropleettikartalla kun ei saisi esittää absoluuttisia arvoja. Nämä suhteelliset osuudet esitettiin sitten kartalla (kuva 1).

Kuva 1. HELCOM-maiden suhteelliset osuudet Itämeren typpipäästöistä.

Kuvasta näkee, että Puola on suurin typpipäästöjen lähde, ja Viro sen sijaan pienin. Puolan suuri osuus oli sinänsä yllättävää, että myös Saksalla on paljon rantaviivaa Itämerelle ja se on suunnilleen Puolan kokoinen maa, mutta sen typpipäästöt ovat huomattavasti pienemmät. Tästä tulee mieleen, että Saksalla on ehkä käytössä vähäpäästöisempiä maatalousmenetelmiä kuin Puolalla.  Toisaalta Saksalla on rantaviivaa myös Pohjanmerelle päin, mikä saattaa vaikuttaa tulokseen.

Mielestäni tuottamani kartta on varsin selkeä, mutta joitakin pieniä parannuksia olisi tehtävissä. Olin esimerkiksi unohtanut pistemäiset typpipäästöhavainnot kartalle, niin että ne päätyivät lopputulokseen. Kartta olisi ehkä selkeämpi ilman niitä. Myös esim. mittakaavaa siirtäisin hieman alemmas ja vasemmalle, nyt se jäi hieman hassuun paikkaan.

Itsenäinen tehtävä

Itsenäisessä tehtävässä tuli liittää Suomen kunnat-kartta QGISiin ja visualisoida kuntatason dataa kartalle. Tarjolla oli eri vaikeustasoja, ja kunnianhimoisesti päätin kokeilla vaikeustaso 2:sta. Onnistuinkin löytämään ja lataamaan csv-muotoista kuntatason dataa Statfin-tietokannasta. En kuitenkaan monesta yrityksestä huolimatta osannut liittää sitä QGISiin. Ohjelma herjasi, että ”invalid data source”. Tämä oli erittäin turhauttavaa, sillä olisi ollut todella mielenkiintoista lisätä kunta-aineistoon lisää kiinnostavia muuttujia. Päädyin lopulta vaikeustaso 1:seen. Valitsin alle 15-vuotiaiden osuus -muuttujan. Kuvan 2 kartassa on esitettynä siis alle 15-vuotiaiden prosenttiosuus Suomen kuntien asukkaista.

Kuva 2. Alle 15-vuotiaiden osuus Suomen kuntien asukkaista prosentteina.

Kuvasta näkee, että eniten alle 15-vuotiaita lapsia näyttäisi olevan joissakin Pohjois-Pohjanmaan kunnissa sekä yhdessä Keski-Suomen kunnassa. Vähiten lapsia sen sijaan on monissa Itä-Suomen kunnassa. Voisi ajatella, että sellaiset kunnat houkuttavat lapsiperheitä, joissa on omakotitaloalueita ja ”maaseutumaista” rauhaa ja tilaa, mutta myös suhteellisen hyvin palveluja tarjolla. Jotkin Itä-Suomen harvaanasutut, vähäisempien palveluiden kunnat eivät täytä näitä kriteerejä, mikä näkyy ehkä kartalla siten, että idässä on selvästi vähemmän lapsia kuin lännessä. Lukiessani Joonan blogia (GIS menetelmät blogi – Joona Korhonen (helsinki.fi)) tajusin myös Pohjanmaan osuuksiin liittyvän alueen lestadiolaisuuden. Oli kiinnostavaa nähdä, miten Joona oli tutkaillut samaa muuttujaa ja tuonut esille asioita, joita itse en tehtävän tekohetkellä ollut tullut ajatelleeksi.

Tämä kartta on varsin selkeä, mutta nyt sitä katsoessani tulee mieleen, että kartan ja legendan olisi voinut rajata samalla tavoin kuin kuvan 1 kartassa. Muuten olen lopputulokseen tyytyväinen, ja odotan innolla että pääsen tekemään lisää karttoja.

Lisäys viikolla 3:

Nyt osaan liittää csv-taulukoita QGISiin! 😀 Opin sen viikolla 3. Tähän halusin siis lisätä vielä teemakartan Suomen työttömyydestä v. 2021 (kuva 3). Se oli yksi niistä muuttujista, jotka olisin halunnut lisätä kuntatietokantaan viikolla 1, mutta en vielä silloin osannut.

Kuva 3. Työttömyys Suomessa kunnittain 2021. (Lähde: Tilastokeskus)

Oi tätä oppimisen iloa!

Ensi kertaan!

 

Lähteet:

HELCOM (2022). About us. Verkkosivu. Viitattu 22.1.2023. https://helcom.fi/about-us/

Korhonen, J. (2023). Viikko 1. GIS menetelmät blogi. GIS menetelmät blogi – Joona Korhonen (helsinki.fi)

Tilastokeskus (2021). Statfin-tietokanta, 115b: Väestö alueen, pääasiallisen toiminnan, sukupuolen, iän ja vuoden mukaan, 1987-2021

 

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!