Geoinformatiikan menetelmät 1

Viimeisen kerran hei 🙂

Taas hieman itsenäisemmällä kurssikerralla oli tarkoitus tuottaa itse alusta alkaen kartta tai karttasarja. Valitsin tehtävävaihtoehdoista ensimmäisen, jossa tuli esittää tietoja vähintään kahdesta muuttujasta täysin vapaasti valittavan aineiston avulla. Itseäni kiinnostaa matkailumaantiede, joten halusin käsitellä jotain matkailuun liittyvää aineistoa. Aluksi suunnitelmani oli tarkastella lentokenttien määrää ja matkailuvirtoja EU-maittain, mutta en löytänyt dataa maihin tulevista matkailuvirroista mistään, tai sitten en vain osannut tulkita tilastotietoa oikein. Törmäsin siis samaan aineiston määrän ja muodon ongelmaan kuin Lotta (Mattila 2021). Päätin vaihtaa teemaa ja keskittyä toiseen matkustusmuotoon, eli junamatkailuun ja tarkastella rautateiden määrää sekä kuinka yleistä junalla matkustaminen on. Latasin Eurostat-sivustolta avoimista paikkatietokannoista karttapohjan ja tilastoja matkoista kulkuneuvoittain. Tiedot rautateistä puolestaan löysin Natural Earth Datan tietokannoista.

Ensimmäinen kartta (kartta 1) esittää EU-maiden rautateiden määriä kilometreinä pylväsdiagrammissa ja pinta-alat eri väreinä koropleettikartalla. Tarkoituksena on mahdollistaa lukijalle vertailu rautateiden määrän ja pinta-alojen välillä. Kartasta huomaa, että esimerkiksi Saksassa rautateitä on hyvinkin paljon vaikka esim. Ranska ja Espanja ovat pinta-aloiltaan suurempia. Kartta antaa jonkinlaisen kuvan siitä, kuinka tiheästi rautatiet on rakennettu. Pinta-alojen sijaan vaihtoehtoisesti rautateiden määrää olisi voinut verrata esimerkiksi asukaslukuihin tai väestöntiheyteen.

Kartta 1.

(Huomasin luettuani Amanda Salmeaman (2021) blogia, että olin tehnyt hyvin alkeellisen lipsahduksen maiden suhteen. Omalla kartallani näkyvät maat eivät kuulukaan kaikki EU:hun, vaan kartta sisältääkin myös Norjan ja Sveitsin, ja datan puuttumisen takia se ei sisällä tietoa EU-maista Kypros, Luxembourg, Malta ja tuolloin vielä Yhdistynyt Kuningaskunta.)

Toisessa kartassa yhdistin ensimmäisen kartan tietoa uuden muuttujan kanssa. Kartta 2 kuvaa rautateiden suhteellista määrää ja rautatiematkustamisen osuutta kaikista jollain kulkuneuvolla tehdyistä kotimaan matkoista vuonna 2016. Suhteutin rautateiden määrät pinta-aloihin, jotta jonkinlainen vertailu maiden välillä mahdollistuisi. Kartan mukaan rautateitä on rakennettu tiheitten keski-Euroopassa, mikä voisi selittyä korkealla väestöntiheydellä, tiheällä suurnopeusjuna (high-speed rail) verkostolla ja sillä että osa maista omaa vain lyhyitä tai olemattomia rannikkoviivoja, joten tarve rahdin ja ihmisten kuljettamiselle rautateiden kautta on suurempi.

Kartasta voi havaita jonkinlaista tendenssiä siinä, että mitä tiheämmin rautatiet kulkevat, sitä enemmän niitä käytetään matkustustarkoituksiin kotimaan sisällä. Kaikista kulkuneuvoilla kuljetuista matkoista reissut taittuvat eniten junalla keski-Euroopassa, etenkin Saksassa ja Sveitsissä. Johtuuko tämä rautateiden tiheydestä, raitioliikenteen alhaisemmasta hintatasosta tai ehkä ylipäätään keski-Eurooppalaiset suosivat ympäristöystävällisempiä kulkumuotoja? Ken tietää. Yllättävä havainto oli, että keski-Euroopan ulkopuolella Ruotsissa 24% kaikista kotimaanmatkoista taittuvat junalla, vaikka rautateitä esiintyy kansallisella tasolla paljon väljemmin kuin keski-Euroopassa. Saattaa olla, että vaikka rautateiden määrä kilometreinä per neliökilometri olisi pieni, rautatiet keskittyvät tiheimmin asutuille alueille, jolloin niitä käytetään aktiivisemmin. Huomionarvoista kuitenkin on, että aineisto kattaa vain 1-3 yön kestävät matkat, eli lyhyemmät päivittäiset matkat ja pidemmät kotimaanmatkat on poissuljettu. Rautateitä käytetään myös muihin kuin matkailutarkoituksiin, esim. rahdin kuljetukseen ja työ-ja koulumatkoihin, joten tendenssistä huolimatta rautateiden tiheys ei siis suoraan korreloi niiden matkailukäytön kanssa.

Tehtävää aloittaessani en tiennyt mitä tuloksia muuttujien visualisoimisesta syntyisi, joten havainnot herättivät paljon pohdintaa. Mielestäni tehtävä oli hyödyllinen, sillä sai tehdä kaiken alusta alkaen itse, ja samalla kerrata kurssilla opittuja asioita. Viimeisessä tehtävässä toin aineistoa QGIS:iin vektori- ja Delimited Text Layer-muodossa, käytin toimintoja Join, Sum line lenghts ja Add Geometry Attributes, kertasin diagrammien ja koropleettikartan tekoa ja muokkasin aineistoa Excelissä ja attribuuttitaulukossa. Tehtävä opetti etenkin, että aineiston esivalmistelut,  mm. käytettävän aineiston löytäminen, muokkaaminen QGIS:iin vietävään muotoon sekä datan karsiminen saattavat viedä hyvin paljon aikaa. Loppujen lopuksi en kokenut tehtävää erityisen haasteelliseksi, mutta aikaa vieväksi. Toivoisin tulevaisuudessa kehittyväni QGIS:n käytössä, oppivani lisää sen toiminnoista ja miten saada aikaiseksi kolmiulotteisempia ja näyttävämpiä lopputuloksia, joten aion ehdottomasti mahduttaa GIS menetelmät 2-kurssin syksyn kursseihini.

Tämä blogi hiljenee nyt (ainakin toistaiseksi), joten kiitos Artulle ja kiitos kurssikavereille hienoista julkaisuista. Hyvää kevättä!

Lähteet:

Amanda Salmeama 2021. Blogijulkaisu. https://blogs.helsinki.fi/salmeama/. (Viitattu: 8.3.2021.)

Lotta Mattila 2021. Blogijulkaisu.  https://blogs.helsinki.fi/lottmatt/. (Viitattu: 8.3.2021.)

Matkailudata. Number of trips by mode of transport (tour_dem_tttr). Eurostat. https://ec.europa.eu/eurostat/web/tourism/data/database.

Pohjakartta. Countries 2020. Eurostat. https://ec.europa.eu/eurostat/web/gisco/geodata/reference-data.

Rautatiet. Natural Earth Data. https://www.naturalearthdata.com/downloads/10m-cultural-vectors/.

Datan keräilyä ja hasardeja

Tämän viikon kurssikerta oli hieman edellisistä poikkeava, sillä valmiin aineiston käsittelyn sijaan lähdimme maastoon keräämään aineistoa EpiCollect5-sovelluksella. Vaikka sääolosuhteet eivät suosineet meitä tuona päivänä ja satoi alijäähtynyttä vettä, oli virkistävää suorittaa tehtävä ulkona ja päästä keräämään dataa itse. Viihtyvyyttä ja turvallisuutta koskeva data tuotiin tämän jälkeen QGIS:iin, jossa kokemukset paikkojen turvallisuudesta visualisoitiin Interpolointi-työkalulla. Mielestäni EpiCollect5:ttä voisi hyvinkin hyödyntää vaikka tulevassa maisterintutkielmassa, sillä sovellus vaikutti käyttäjäystävälliseltä ja mahdollistaa paikkatiedon keruun keneltä tahansa jolla on jonkinlainen älypuhelin käytössään.

Kurssikerran toisessa harjoituksessa tuli hakea aineistoa erilaisista hasardeista ja tuottaa kolmen kartan karttasarja joiden avulla tarkastella joidenkin hasardien ilmenevyyttä ja yhteyksiä ja joita voisi käyttää mantsan opetuksessa. Aineiston haku ja muokkaaminen oikeaan muotoon sujui hieman mutkien kautta. Maanjäristysaineisto oli siinä mielessä hankala, että varsinkin miedompia järistyksiä oli niin paljon, että hakutoiminto ei pystynyt näyttämään kaikkia tuloksia, mikä johtui myös siitä, että olin valinnut tarkasteluvuosiksi varsin pitkän aikavälin. Aineisto tuli kierrättää Excelin kautta, mikä aiheutti hankaluuksia aluksi sillä Excel tunnisti osan leveysasteista ja pituusasteista päivämäärinä, jolloin ne QGIS:n puolella näkyivät NULL-arvoina. Huomasin onneksi pienen kamppailun jälkeen harjoituskerran materiaaleissa olleen vinkin, jossa kehotettiin kierrättämään aineisto ensin Wordin kautta ja muuttaa siellä pisteet pilkuiksi ennen Exceliin tuomista ja pääsin tehtävässä eteenpäin.

Laadin karttasarjan joka esittää tsunamien ja eri magnitudien maanjäristysten ilmenemistä vuosina 1980-2012. Voilà:

Kartat näyttävät, että tsunamit esiintyvät litosfäärilauttojen saumakohdissa kuten maanjäristyksetkin. Tsunamit kehittyvät yleisimmin juuri maanjäristysten seurauksena (Wei-Haas 2018). Viimeisestä kartasta voisi päätellä, että myös pienemmät, neljän magnitudin maanjäristykset ovat yhteydessä tsunamien syntyyn, mutta US Geological Survey:n mukaan alle 6,5 magnitudin järistykset aiheuttavat harvoin tsunameita, mutta yli 7,6 magnitudin järistykset voivat aiheuttaa suurtakin tuhoa. Tarkasteltuani aineistoa tarkemmin huomasin, että lievät maanjäristykset ja niiden lähellä tapahtuneet tsunamit eivät olleet yhteydessä toisiinsa, eli lievät maanjäristykset eivät välttämättä selitä alueella tapahtuneita tsunameita, vaan niitä voivat selittää muut tekijät kuten korkeamman magnitudin järistykset, joiden epikeskus saattaa sijaita pitkälläkin tsunamin tapahtumapaikasta, tulivuorenpurkaukset, maanvyöryämät tai jäätikön osan irtoaminen (Wei-Haas 2018). Lopputuloksesta tuli mielestäni selkeä, mutta etenkin kolmannessa kartassa aineiston tuomisessa oli mennyt jotain pieleen, sillä null-arvojen takia osa 4 magnitudin järistyksistä seuraa tarkasti nollameridiaanin ja päiväntasaajan rajoja. Ilari oli myös havainnollistanut tsunamien esiintyvyyttä Tyynenmeren alueella käyttäen Globe Builder-pluginia (Leino 2021), ja täytyykin hehkuttaa kuinka näyttäviä hänen kartoistaan tuli. Pitää itsekin testata kyseistä pluginia!

Hasardiaineiston avulla voisi myös opettaa litosfäärilaattojen sijainneista ja kuinka niiden saumakohdat ovat yhteydessä esimerkiksi tulivuorten sijainteihin ja seismisiin hasardeihin. Sillä tulivuorten aktiivisuus vaikuttaa maanjäristysten ohella myös tsunamien syntyyn, tulivuorten ja tsunamien yhteyttä voisi myös havainnollistaa kuten oheisella kartalla, jossa näkyvät myös mannerlaattojen saumat. Myös tulivuorten ja maanjäristysten yhteyksistä voisi opettaa esimerkiksi seuraavanlaisella kartalla, jossa näkyy maanjäristysten tuhoisuusasteet eri väreillä. Jaana esitti hyvän ehdotuksen interpoloinnin hyödyntämisestä opetuksessa (Aaltonen 2021)-sen avulla voisi esittää vaikka suurempien magnitudien maanjäristykset tummemmilla väreillä ja lievemmät vaaleammilla. Karttoja voisi käyttää myös hasardien seurausten havainnollistamiseen, kuten ihmisuhrien määrän tai kuten Liisa Ahokas (2021) blogissaan ehdotti, myös aineellisten vahinkojen havainnollistamiseen. Nämä tekijät kertovat kuinka merkittäviä tapahtumia hasardit ovat ihmiskunnalle olleet.

Lähteet:

Aaltonen, Jaana 2021. Blogijulkaisu. https://blogs.helsinki.fi/aajaana/. (Viitattu: 2.3.2021).

Ahokas, Liisa 2021. Blogijulkaisu. https://blogs.helsinki.fi/ahokliis/. (Viitattu: 2.3.2021).

Leino, Ilari 2021. Blogijulkaisu. https://blogs.helsinki.fi/ilarilei/.

US Geological Survey s.a. What is it about an earthquake that causes a tsunami? https://www.usgs.gov/faqs/what-it-about-earthquake-causes-a-tsunami?qt-news_science_products=0#qt-news_science_products. (Viitattu: 1.3.2021).

Wei-Haas, Maya 2018. Why Indonesia’s ’volcano tsunami’ gave little to no warning. https://www.nationalgeographic.com/science/article/indonesia-volcano-tsunami-surprise-explained-anak-krakatau. (Viitattu: 2.3.2021).

 

Hei taas!

Tällä viikolla saimme ohjat omiin käsiimme, kun luennolla pääsimme lyhyen johdannon jälkeen ratkomaan tehtäviä itsenäisesti. Tehtävät sisälsivät enimmäkseen kohteiden laskemista polygonien tai puskurivyöhykkeiden avulla, joiden suorittamiseksi piti myös kerrata aiemmin opittua.

Puskurivyöhykkeen käyttäminen olikin yksi kurssikerran uusista asioista, ja ne tuntuivat aika selkeiltä. Bufferia voidaan käyttää kohteiden tai kohteiden sisältämien ominaisuuksien laskemiseen tietyn alueen sisällä. Puskurivyöhykeanalyysia käytetään varmasti kaupunkisuunnittelussa, kun halutaan selvittää parasta mahdollista sijaintia esim. kauppakeskukselle, terveysasemalle tai koululle ja kun yritykset haluavat selvittää kuinka hyvin vaikka myymälä saavuttaa toivotun asiakaskunnan. Analyysityökalun ohella bufferia voisi myös käyttää visualisointityökaluna, esim. näyttämään miten pitkälle jokin konflikti on ulottunut tai miten laajalle alueelle tulivuorenpurkauksen aiheuttama tuhka on levinnyt.

Tähän mennessä opituista ja kurssikerralla käytetyistä toiminnoista Join attributes by location (summary) on mielestäni todella hyödyllinen työkalu ja sitä on tullut käytettyä monesti kurssin aikana. Jos tietokantaliitos ei ole mahdollinen yhteisen sarakkeen avulla, kohteet voi yhdistää sijainnin perusteella, joko valmiin polygonin tai itse tuotetun bufferialueen avulla. Koen aika selkeäksi myös miten tuottaa uusia kohteita kartalle, miten käyttää valintapaneelin työkalujaa, joilla valita kohteita sijainnin, arvojen tai säteen perusteella sekä miten esittää tietoa koropleettikartalla ja ruudukkokartalla, ja lisätä niihin vielä erilaisia diagrammeja. Muistanko kuitenkaan näitä taitoja viikkojen päästä jää nähtäväksi.

Taulukko 1: Itsenäisten tehtävien vastaukset

Taulukko 1 näyttää vastaukseni itsenäisiin tehtäviin. Huomasin tutkittuani muiden blogeja, että esimerkiksi Ida Adlerin (2021) tai Liisa Ahokkaan (2021) taulukoihin verrattuna omat lukemani eroavat osittain paljonkin, mikä pisti miettimään erojen syitä. Ehkä erot johtuvat siitä onko bufferointivaiheessa valinnut, että alueet saavat tavallaan ”liueta” toisiinsa jotta samoja kohteita ei valita moneen kertaan, tai siitä miten on Join attributes by location-toimintoa käyttäessä valinnut alueen sisälle napattavat kohteet. Itsekin sain eri vastauksia samaan kysymykseen riippuen käytetystä työkalusta, mikä aiheutti hämmennystä ja joka edelleen on mysteeri. Tämä osoittaa, että vastaukset ovat käyttäjästä ja toimintatavasta riippuvaisia, eli käyttäjän taidot ja valittu ongelman lähestymistapa ehkä rajoittavat, tai ainakin vaikuttavat lopputulokseen. Jos muita rajoitteita miettii, tämän viikon (vk 6) luento osoitti, että oman koneen käyttöjärjestelmä ainakin vaikuttaa siihen, miten näppärästi aineistoja voi ladata netistä QGIS:iin siirrettävään muotoon.

Kuva 1: Uima-altaiden määrä

Itsenäistehtävän kolmannessa osassa valitsin uima-altaisiin ja saunoihin liittyvän tehtävän. Kartta (kuva 1) osoittaa, että uima-allasrikkain pienalue on Lauttasaari, jossa on yhteensä 53 uima-allasta. Uima-altaalliset asunnot näyttävät sijoittuvan Helsingin reunamille ja etenkin rannikkoalueille, mikä selittyy mahdollisesti sillä että merelliset asuinalueet ovat hintatasoltaan kalliimpia ja asukkaiden tulotasot korkeampia, mikä luo parempia lähtökohtia arjen luksukseen.

Summa summarum voisin sanoa, että olen yllättynyt, kuinka paljon kurssi on jo tähän mennessä opettanut siihen nähden että määrällisen aineiston analysointi ja käsittely oli hyvin hepreaa itselleni ennen tätä kurssia. Edelleen ongelmien edessä tarvitsen kuitenkin apua proffalta tai vähintäänkin Googlelta. Kertauksen avulla toivon että saatuja perustaitoja saa vielä hiottua.

GIS menetelmät 2 kurssia odotellessa!

Lähteet:

Ida Adler (2021). Blogiteksti. https://blogs.helsinki.fi/adlerida/.  (Viitattu 23.2.2021)

Liisa Ahokas (2021). Blogiteksti. https://blogs.helsinki.fi/ahokliis/. (Viitattu: 23.2.2021.)

 

Ruutuja…Vai ei sittenkään?

Tällä viikolla aloitimme siitä, miten tuottaa ruudukko ja sen avulla kerätä ja esittää tietoa kohteista. Kurssikerran ensimmäisestä osiosta jäi etenkin mieleen, että kannattaa karsia ja rajata aineistoa niin hyvin kuin mahdollista nopeuden ja ohjelman jumittumisen riskin vältön kannalta. Kun vaikka yhdistettiin kohteita ruutuihin Join attributes by location-toiminnolla, karsittiin sarakkeiden määrää tulevassa tietokannassa. Erilaisten alkuvalmistelujen jälkeen siirryttiin tiedon esittämiseen –>

Kuva 1: Muunkielisten määrä

Kartassa 1 nähdään muunkielisten (muun kuin suomen ja ruotsinkielisten) määrä absoluuttisina arvoina ruuduittain. Valitsin karttaan myös esitettäväksi suuralueiden rajat sekä kuntarajat, sillä mielestäni ne helpottavat ruutujen sijaintien hahmottamista. Kartasta päätellen muunkielisiä asuu eniten kunnista Helsingissä ja monikielisiä keskittymiä löytyy monin päin pääkaupunkiseutua, esim. Rekolassa, Myyrmäessä, Matinkylässä ja Mellunkylässä. Tarkalleen miksi muunkieliset ovat hajautuneet näin riippuu varmasti monesta tekijästä, mm. työmarkkinoiden sijoittumisesta, koulujen sijainnista, asuntojen hintatasosta? Luettuani Alexander Engelhardtin blogia, sain tietää, että professori Venla Berneliuksen vetämällä kurssilla kerrottiin tämän johtuvan ainakin asuntojen suhteellisen kohtuullisesta hintatasosta.

Kartan ruuduissa käytin kokoa 1km x 1km. Kokeilin tiedon esittämistä myös pienemmillä ruuduilla (kartta 2), mutta lopputuloksesta tuli jollain tavalla hieman sekavamman oloinen ruutujen pienen koon vuoksi. Katsottuani muiden karttoja huomasin kuitenkin, että vielä pienemmät ruudut (250m x 250m) peittävät vähemmän aluerajoja ja rannikkoviivaa ja näyttävätkin yllättävän hyviltä! Koropleettikarttaan verraten ruutukartalla pystyy esittämään yksityiskohtaisempaa tietoa, sillä ruutukoon voi helposti itse määrittää ja näin ollen myös päättää miten pieneltä alueelta tietoa kerätään tai tuotetaan. Valmista aluejakoa ei siis tarvita. Veikkaan, että ruutuaineistolla on myös helpompi jättää kokonaan sellaiset alueet pois, jotka eivät sisällä yhtään kohteita (esim. asuintaloja).

 

Kuva: Alle 6-vuotiaiden määrä

Tehtävä pisti miettimään, mitä hyötyjä ja haittoja arvojen esittämisessä absoluuttisina arvoina on. Esimerkiksi muunkielisten määrää esittävän kartan haittapuoli on, ettei lukija pysty hahmottamaan johtuuko suurempi määrä muunkielisiä siitä, että alueella asuu ylipäätään enemmän ihmisiä, vai siitä että alue on ns. ”kansainvälisempi” suhteessa muihin alueisiin. Muunkielisten määrä seuraa siis kartassa aika lailla väestöntiheyden kanssa samaa kuviota. Toisaalta absoluuttiset arvot ovat prosentuaalisia arvoja kätevämpiä, sillä prosentuaaliset arvot voivat antaa vääränlaisen kuvan määrästä. Esimerkiksi yhdessä ruudussa monikielisten osuus oli 100 %, mutta ruudun osoittamalla alueella asuikin vain yksi ainoa henkilö. Joka tapauksessa luulen, että osuuksien esittäminen määrien sijaan mahdollistaisi paremman vertailun alueiden välillä.

Harjoituskerran toisessa osiossa harjoiteltiin miten luoda korkeuskäyrämalli rasteriaineistosta, sekä miten tuottaa itse aineistoa kartalle. Pohjana käytimme rasterimuotoista karttalehteä Pornaisista, johon aloimme lisäämään tietoa puuttuvista kohteista, esim. korkeuskäyrät, tiet, asuinrakennukset ja vesistöt. Jos karttaa verrataan Paitulista ladattuun samaa aluetta esittävään Maanmittauslaitoksen peruskarttaan, on niiden välillä paljon samankaltaisuuksia, mutta Erkki Järvinen olikin hyvin huomannut, että korkeuskäyrämallin pohjalta tehdyssä kartassa käyrät ovat tarkempia, kun taas peruskartassa ne yleistävät jonkin verran. Kartat eroavat myös siinä, että peruskartassa korkeuserojen esittämisessä käytetään 5 metrin välisten käyrien lisäksi 2,5 metrin välisiä apukäyriä, jotka nimensä mukaisesti auttavat hahmottamaan korkeuserot paremmin.

Lähteet:

Alexander Engelhardt 2021. Blogijulkaisu. https://blogs.helsinki.fi/alwengel/. (Viitattu: 16.2.2021.)

Erkki Järvinen 2021. Blogijulkaisu. https://blogs.helsinki.fi/erkkijar/. (Viitattu: 16.2.2021.)

Heippa bloggaajat!

Viikon 3 harjoituskerralla tutustuttiin siihen, miten yhdistää kohteita taulukossa ja toiseen tietokantaan myös muilla tavoin kuin tietokantaliitoksella, eli kun taulukoissa ei ole yhteistä saraketta samoilla arvoilla. Aineistona käytimme tietoja Afrikan valtioiden öljykentistä, timanttikaivoksista ja konflikteista. Harjoituksen myötä monet uudet toiminnot tulivat tutuiksi, esimerkiksi miten laskea pisteet tai polygonit määrätyn alueen sisällä. Jos tiedot erilaisista ominaisuuksista saa oikealla tavalla siirrettyä yhteen ja samaan taulukkoon, on niitten vertailu ja yhteyksien löytäminen huomattavasti helpompaa.

Afrikka-tiedostojen luvuista voisi etsiä monenlaisia suhteita, esimerkiksi öljykenttien ja timanttikaivosten löydösten ja käyttöönoton yhteyksiä konflikteihin. Konfliktien sädettä käyttämällä voisi esimerkiksi tarkastella sijoittuvatko timanttikaivokset ja öljykentät konfliktialueille, tai tutkia pienempien/paikallisten ja laajempien/ylikansallisten konfliktien määrää. En usko, että tuloksista löytyisi kausaalisia yhteyksiä, eli että muuttujat (esim. öljykenttien määrä ja konfliktit), vaikuttaisivat suoraan toisiinsa, mutta sieltä voisi löytyä korrelaatioita. Luonnonresurssit näyttävät olevan monien konfliktien osasyitä, mutta kuten kurssimateriaaleista löytyvä ja Etelä-Sudanin konfliktista kertova raportti osoittaa, konflikteihin voivat vaikuttaa myös esim. etniset suhteet ja traumaattiset historialliset tapahtumat (Arensen & Breidlid 2014). Euroopan maiden harjoittaman kolonialistinen valta Afrikassa päättyi monessa maassa vasta 1900-luvulla, minkä takia olisi kiinnostavaa tutkia myös miten vaikka konfliktit ovat muuttuneet itsenäistymisprosessien myötä, tai miten esimerkiksi nykypäivän lisääntyneet ulkomaiset investoinnit Afrikassa vaikuttavat luonnonvarojen käyttöön, tuottavuuteen ja konflikteihin.

Afrikan valtioiden ominaisuuksien tarkastelun jälkeen siirryimme Suomen valuma-alueiden tulvaindeksien pariin. Itsenäisen harjoitustyön tavoitteena oli luoda koropleettikartta, jossa näkyy tulvaindeksi (keskiylivirtaama/keskialivirtaama) sekä järvisyysprosentti diagrammissa. Harjoituksessa tuli käyttää Join toimintoa ja tuoda Excelistä tiedosto tietokantaliitosta varten. Tehtävä sujui aika näppärästi kunnes tuli siirtyä diagrammin tekoon. Pähkäilin jonkin aikaa ympyrädiagrammin kanssa kunnes tajusin etsiä diagrammien käyttötutoriaaleja netistä. Tämän videon avulla pääsin hyvin liikkeelle: https://www.youtube.com/watch?v=1-tahbxfHGM ja lopputuloksen näätte kuvasta 1. On hyödyllistä osata visualisoida dataa myös muilla tavoin kuin väreillä ja ”kerroksittain” diagrammien avulla.

Kuva 1: Tulvaindeksi ja järvisyysprosentti

Kartasta voidaan päätellä, että tulva-indeksi, eli tulvien riski, on suurin Länsi-ja Etelä-Suomen rannikkoalueilla, joissa puolestaan järvisyysprosentti on pienempi. Oma veikkaukseni on, että järvet toimivat sula- ja sadevesien keruualtaina, mikä vähentää maaperän ja jokien kuormitusta ja näin ollen tulvien määrää. Rannikoilla toki myös sademäärät ovat suuremmat, talvet leudommat ja mahdolliset lumet sulavat nopeammin keväällä. Sanna Korpi (2021) avasi blogissaan mielestäni kattavasti mahdollisia syitä näille alueellisille eroille liittyen mm. jokien kokoon, sademäärään ja topografiaan.

Tämän jälkeen päätin kokeilla myös haastavampaa tehtävää, jossa tuli itse laskea valuma-alueiden pinta-ala ja järvien pinta-alat Join attribute by location-toimintoa käyttäen (kuva 2). Törmäsin samaan ongelmaan kuin Sanna Jantunen (2021); koko Laatokka lukeutuu Jänisjoen valuma-alueelle, joten järvisyysprosentti on lähes 500% alueen koosta. En osannut säädellä toimintoa niin että Laatokka olisi jäänyt Jänisjoen valuma-alueen ulkopuolelle, joten poistin järvisyysprosentin kokonaan ettei pylvästä syntyisi. Myös tulvaindeksi uuteen karttaan muuttui siten, että se laskettiin keskivirtaaman ja keskiylivirtaaman välisenä erona, ja siksi arvot ovat pienemmät kuin edellisessä kartassa. Kahdesta taideteoksestani suosin ensimmäistä, sillä ympyrät havainnollistavat selkeämmin alueiden välisiä eroja.

Kuva 2: Yleinen tulvaindeksi ja järvisyysprosentti

Lähteet:

Arensen, Michael J., Breidlid, Ingrid Marie 2014. “Anyone who can carry a gun can go”. Prio Paper. Peace Research Institute Oslo.

Sanna Jantunen (2021). Blogi. https://blogs.helsinki.fi/smjantun/. (Viitattu: 8.2.2021.)

Sanna Korpi (2021). Blogi. https://blogs.helsinki.fi/sakorpi/. (Viitattu: 8.2.2021)

 

 

Hejssan!

Tällä viikolla harjoittelimme QGIS-ohjelmistossa kohteiden valintaa, eri tapoja ladata aineistoa ohjelmistoon ja miten havaita karttaprojektioiden vääristymiä ja niiden vaikutuksia ominaisuuksiin kartalla.

Erilaiset karttaprojektiot esittävät maanpinnan muodon aina enemmän tai vähemmän vääristetyssä muodossa. Kurssikerralla pääsimmekin testailemaan projektioiden vaikutusta pinta-aloihin ja etäisyyksiin kartalla. Taulukko 1 esittää Suomineidon päähän piirretyn alueen pinta-alan ja Suomen läpi länsi-itä suunnassa vedetyn viivan pituuden eri projektioissa, sekä ellipsoidin että tason (Cartesian) pinnalla. Lisäksi taulukko esittää projektioiden absoluuttista ja prosentuaalista eroa usein Suomen kuvaamisessa käytettyyn ETRS89/TM35FIN projektioon. Taulukosta voidaan päätellä, että Lambertin oikeapintainen projektio muistuttaa eniten TM35-projektiota, sillä pinta-alat ja etäisyydet ovat varsin samanlaiset. Erot TM35-projektioon ovat taas suurimmat Mercatorin projektiossa, joka venyttää Suomen pinta-aloja ja etäisyyksiä.

Toisessa tehtävässä puolestaan visualisoitiin projektioiden välisiä eroja. Vertasin ETRS89/TM35-FIN projektiota Mercatorin sekä Sphere Miller projektioon. Kartat 1 ja 2 näyttävät, että Mercatorin projektio näistä kahdesta selkeästi väärentää pinta-aloja enemmän verraten TM35-projektioon. Voidaan havaita riippumatta projektiosta, että mitä pohjoisempi kohta kartalla esiintyy, sitä enemmän pinta-ala poikkeaa todellisesta pinta-alasta. Vääristymä on tyypillinen Mercatorin ja Sphere Millerin kaltaisille lieriöprojektioille, joissa leveyspiirien etäisyys toisistaan kasvaa etelä-ja pohjoissuunnassa ja minkä vuoksi projektio ns. venyttää alueita korkeilla leveyspiireillä (Britannica s.a.).

Kartta 1: TM35 ja Mercator projektioiden pinta-ala vertailu

Kartta 2: TM35 ja Sphere Miller projektioiden pinta-ala vertailu

Seuraavaksi tehtävänä oli suhteuttaa jokin muuttuja kahden eri projektion pinta-aloihin. Etsin kuumeisesti rajapinnoilta aineistoja, jotka sisältäisivät pinta-alaan suhteutettavia muuttujia, ja yritin käyttää niitä tietokannassa, mutta yritykset tyssäsivät yrittäessäni tuoda esim. Excel-muotoista aineistoa QGIS:n tai kokeillessani tietokantaliitoksia. Tietokantaliitokset kahden tietokannan välillä saivat aina jonkin osan datasta häviämään kyberavaruuteen. Lopulta päädyin väestöntiheyden visualisointiin.

Kuvat 3 ja 4 esittävät Suomen väestöntiheyttä Lambertin ja Mercatorin projektioiden pinta-aloilla. Mercatorin projektiossa luvut ovat pienemmät, sillä pinta-alat ovat suuremmat, joten väestöntiheys näyttäytyy väljemmältä kuin Lambertin projektiossa. Lotta Puodinketo (2021) oli havainnut saman tarkastellessaan yli 65-vuotiaiden määrää samoja projektioita käyttäen. Mielestäni kartoista tuli oikein kivan näköiset, ja vertailu niiden välillä luonnistuu helposti kun luvuilla on sama asteikko. Karttojen informatiivisuuden parantamiseksi niihin voisi lisätä vielä olennaisen aika-ja paikkatiedon, eli missä ja milloin?

Kuva 3: Väestöntiheys Mercator-projektion pinta-aloilla

Kuva 4: Väestöntiheys Lambert-projektion pinta-aloilla

Mielestäni tämä viikko oli edellistä työläämpi, mutta samalla toistojen avulla QGIS tuntuu nyt paljon tutummalta ympäristöltä. Tärkein oppi kurssikerralta on, että on tärkeää suhtautua kriittisesti projektioihin, tutkia vääristymiä ja ehkä ottaa selvää myös mihin tarkoitukseen projektiot alun perin on kehitetty. Alexander Engelhardt (2021) kiteytti projektioiden vaikutuksen mielestäni hyvin blogissaan; ne eivät vaikuta vain visuaalisuuteen, mutta myös laskelmiin, analyysiin ja loppupäätelmiin.

Lähteet:

Alexander Engelhardtin blogi. 2021. https://blogs.helsinki.fi/alwengel/. Viitattu: 2.2.2021

Britannica s.a. Mercator projection. https://www.britannica.com/science/Mercator-projection. (Viitattu: 1.2.2021).

Lotta Puodinkedon blogi. 2021. https://blogs.helsinki.fi/lottapuo/. Viitattu: 2.2.2021

Geoinformatiikan menetelmät 1-kurssin ensimmäisellä harjoituskerralla sukellettiin QGIS:in maailmaan tutustumalla ohjelmiston perustoimintoihin ja työkaluihin. Uuden tiedon lisäksi konkreettisena tuotoksena ensimmäiseltä viikolta syntyi kaksi käsillä olevasta datasta tuotettua koropleettikarttaa, joita analysoin tässä julkaisussa.

Kartta (kuva 1) visualisoi Itämeren maiden osuuksia alueen typpipäästöistä. Mielestäni kartan laatiminen sujui aika kivuttomasti ohjeita seuraamalla, vaikka muiden kuin HELCOM-maiden häviäminen kartalta luokitteluperusteiden asettamisen jälkeen aiheuttikin aluksi päänvaivaa. Lopputuloksena syntynyttä karttaa voisi parantaa teknisesti ja visuaalisesti monella tapaa. Roosa Harmosen (2021) ja monien muidenkin tekemien karttojen tapaan omaani olisi voinut lisätä legendaan merkinnän muista kuin HELCOM-maista. Järvien visualisointi puolestaan vie huomiota kuvattavasta ilmiöstä eikä kartasta myöskään käy ilmi, että mustat epämääräiset läiskät edustavat juuri järviä. Lisäksi typpipäästöosuudet olisi voitu luokitella pienempiin ryhmiin, mikä olisi havainnollistanut paremmin maiden välisiä eroja. Esimerkiksi Suomen typpipäästöosuus luokittuu nyt samaan kategoriaan Viron kanssa, vaikka ero maiden päästöosuuksissa ovat suuret (4,8%). Kaiken kaikkiaan kartta on mielestäni kuitenkin kelpo, sillä se havainnollistaa oleellisen tiedon ja on helppolukuinen myös lukijalle, joka ei tunne HELCOM-merialuetta entuudestaan.

Kuva 1: HELCOM-merialueen typpipäästöosuudet maittain.

Viikkotehtävää varten valitsin tehtävävaihtoehdoista näin alkuun helpoimman ennen kuin lähden kokeilemaan haastavampia tehtäviä. Alla näkyvä kartta (kuva 2) visualisoi väestönmuutosta kunnissa vuonna 2014. Muokkasin aineistoon uuden muuttujan, joka indikoi väestönmuutosta. Uuden muuttujan arvot sain laskutoimituksella väestön kokonaismuutos/(väkiluku – väestön kokonaismuutos)*100. En ole täysin varma laskutavan oikeellisuudesta ja siitä, käytinkö oikeita muuttujia laskutoimituksessa, sillä en löytänyt ominaisuustaulukosta tarkempaa tietoa muuttujien, eli sarakkeiden, nimistä ja mittayksiköistä. Joka tapauksessa, tuloksena saadut prosenttiluvut näyttävät järkeen käyviltä.

Kuva 2: Väestönmuutos Suomen kunnissa vuonna 2014 (%)

Kartasta voidaan päätellä, että Suomen väestönkasvu on keskittynyt enimmäkseen Etelä-ja Länsi-Suomeen, Ahvenanmaalle ja suurempiin kaupunkeihin, kun taas väestö näyttää olevan laskussa monissa Itä-ja Keski-Suomen kunnissa. Kartan dominoivasta kellertävästä sävystä voisi helposti päätellä, että Suomen väkiluku olisi laskusuunnassa. Jos lukija tuntee Suomen väestönjakauman, hän pystyy kartasta havaitsemaan, että väestö kasvaa väkiluvultaan suurimmissa kunnissa etelässä ja lännessä, mikä tuottaa kansallisella tasolla väestönkasvua (vaikka varsin hidasta ja hidastuvaa sellaista). Kunnat, joissa väestö kasvoi vuonna 2014, näyttäytyvät kartalla vihreän eri sävyinä ja väkiluvultaan hupenevat kunnat muina väreinä, mikä tekee mielestäni kartasta helposti luettavan. Tulokset eivät niinkään yllättäneet, sillä Suomen suurimmat kaupungit sijaitsevat etelä-ja länsirannikolla, minne ihmiset muuttavat muun muassa opinto-ja työmahdollisuuksien perässä.

Ensimmäisestä kurssikerrasta ja harjoituksesta jäi päällimmäisenä positiivinen fiilis ja väittäisin osaavani perusteet siinä, miten tuoda, muokata ja esittää tietoa QGIS:llä. Pari asiaa, jotka olisivat olleet relevantteja tehtävien suorittamisen kannalta ja jotka jäivät vielä mietityttämään ovat;

Miten saada ohjelmistossa lisää tietoa aineiston muuttujista?                   Miten muokata tulostekarttaa vielä sen viennin jälkeen?

Jatkolta odotan saavani enemmän varmuutta tekemiseen ja oppivani käyttämään myös rasterimuotoista dataa ja visualisoimaan ja käsittelemään monimutkaisempaa ja monitasoisempaa dataa. Koska lähtötasoni paikkatietojärjestelmien käytössä oli lähes olematon ja numeerisia aineistoja ei ole tullut pahemmin käytettyä aiemmissa opinnoissa, tuo kurssi uusia taitoja joita mahdollisesti hyödyntää maisteritutkielman teossa ja myöhemmin työelämässä. Käytännönläheisyys tuo myös kaivattua vaihtelevuutta muiden teoreettisempien opintojen ohelle.

Lähteet:

Roosa Harmonen (2021), https://blogs.helsinki.fi/harmoroo/.