VIImeinen

Viimeiset sanat ja kartat

Vihdoin, kahden vuoden taipaleen jälkeen olen saavuttanut pisteen, jossa tämän kurssin loppu häämöttää. En tottapuhuen osaa edes sanoa, miksi tämä on jäänyt niin vaiheeseen, jostain syystä koko homma vain unohtui. Noh tässä esittelen karttoja, jotka sain alulle silloin parisen vuotta sitten ja nyt eilen viimeistelin.

Päätin käyttää kartoissa EU:n tarjoamaa dataa päästödataa, jonka käsittely osoittautui muistaakseni haasteelliseksi. Ongelmana taisi olla CSV:n käyttämä epätavallinen erotinmerkki. Datan kanssa oli muistaakseni myös muitakin ongelmia, koska muistan sen vieneen aikaa. Lisäksi yhdistin samaan dataan väkilukutiedot kustakin EU-maasta jonka avulla sain laskettya myös hiilidioksidipäästöt per kapita. Lopputuloksena syntyi sitten tällaiset varsin yksinkertaiset koropleettikartat, jotka paljastavat EU:n pahimmat päästelijät. Tein kartoista kaksi versiota joista toinen kertoo hiilidioksidin bruttopäästöt maittain ja toinen väestöön suhteutetut päästöt. Harkitsin molempien datojen sisällyttämistä yhteen karttaan, mutta ajattelin  kartan olevan selkeämpi näin kahtena esityksenä.

Bruttopäästökartassa korostuu lähinnä maat, joiden väkiluku on suuri, tosin Saksa erityisen voimakkaana.  Asukaslukuun suhteutettuna päästöt jakautuvat vastaavasti niin, että pohjoiset maat korostuvat. Huomattava poikkeus tässä on tosin Ruotsi, jonka asukaskohtaiset päästöt kuuluvat alimpaan luokkaan.

Tämän kurssin jälkeen on GIS-taitoni ovat toki kehittyneet ja ajattelin sisällyttää tämän blogin loppuun muutaman toisilla kursseilla tekemäni kartan. Ensimmäisenä esittelen Pythonilla koodatun, Leaflet-pohjakarttaa käyttävän interaktiivisen HTML-kartan, jonka tein Automating GIS processes -kurssilla. Karttaesityksessä voi valita kahdesta tasosta, joita tarkastella: viheralueen määrän tai asukasmäärän muutoksen kullakin Helsingin postinumeroalueella. Viheralueen määrä on laskettu GeoPandasin päällekkäisanalyyseillä ja käyttäen Helsingin kaupungin WFS-rajapinnasta löytyvällä datalla. Postinumeroalueet väestödatoineen on osa väestökeskuksen Paavo-tietokantaa ja on ladattu keskuksen WFS-rajapinnasta.

Kartta antaa myös tietoa tarkasteltavasta postinumeroalueesta viemällä hiiren sen päälle. Ilmestyvä pop-up kertoo viheralueen ja väestönmuutoksen määrän numeerisena. Tästä on myös nähtävissä alueen pääasiallinen maankäyttötyyppi, joka on myös laskettu päällekkäisanalyysillä.

Jos päädyt selailemaan karttaa, kannattaa huomioida, että pop-upit temppuilevat hieman. Vaihdettaessa tarkasteltavaa karttatasoa, lakkaavat ne välillä toimimasta, jolloin labels -karttataso on laitettava pois ja päälle, mikäli ne haluaa nähdä taas uudelleen.

Karttaa pääset selailemaan tästä linkistä: https://autogis-2020.github.io/final-assignment-onniporh/pop_growth_and_land_use_map.html

Alla myös näyttökaappaus kartasta.

Samaisella kurssilla käytimme myös Helsingin yliopiston tuottamaa matka-aikamatriisia ja loimme koodin, jolla sen aineistoa on helppo käsitellä. Selvitimme matka-aikoja eri sijainteihin, joista yksi oli Mall of Tripla. Innostuin visualisoimaan matka-ajoista tähän pisteeseen oheisen kartan QGIS:llä Pythonin ulkopuolella. Tämä matka-aikamatriisi on erittäin hyödyllinen työkalu, jonka avulla on helppo selvittää alueellista saavutettavuutta eri sijainteihin ympäri pääkaupunkiseutua. Matriisi on luotu YKR-ruudukkoon, joten sen yhdistäminen myös ruututietokannan aineistoihin on helppoa.

Massadata (eng. Big Data) on ollut viime vuosina kuuma puheenaihe GIS-piireissä. Massadatalla tarkoitetaan yleisesti ottaen sen tyyppistä dataa, jonka ominaispiirteisiin kuuluu datan suuri määrä joka kasvaa jatkuvasti. Tällaista dataa on esimerkiksi sosiaalisen median postaukset tai puhelinoperaattoreiden tuottama data. Sen mahdollisuudet koskettavat lähes kaikkea maantieteellistä tutkimusta, mutta siihen sisältyy runsaasti virhelähteitä ja riskejä. Hyvin merkittävä virhelähde massadatassa on sen käyttäjäkunnan aiheuttamat tilastolliset vinoumat. Esimerkiksi Instagramin tuottamassa datassa on yliedustettuina nuoret ja nuoret aikuiset, kun taas vaikkapa urheilusovellusdatassa yliedustettuina ovat aktiiviurheilijat.

Suuri ongelma massadatassa on se, että sen sisältämä data on usein hyvin henkilökohtaista, joka aiheuttaa riskejä yksityisyydensuojaan. Yksittäisen henkilön tunnistaminen yleisestä massadatasta ei saa olla mahdollista ihan jo eettisistä syistä, mutta myös yksityisyydensuojalain määräämänä. Tämän takia massadata ei usein ole lainkaan avoinna vapaaseen käyttöön ja vapaasti käytettävissä oleva data on helposti niin suojattua, että sen käyttö liikkuuvuuden tutkimisessa voi olla haastavaa. Massadata on kuitenkin arvokas lähde suuremman mittakaavan tutkimuksissa ja tulevaisuudessa sen rooli monissa maantieteellisissä tutkimuksissa tulee varmasti kasvamaan.

Seuraava Advanced geoinformatics -kurssilla tekemäni kartta visualisoi hyvin yksinkertaisella tavalla Instagramin tarjoamaa massadataa. Kartassa on kuvattu kaikki Instagram-postaukset, joissa on käytetty tunnistetta #flowfestival. Huomattavaa on, miten suuri hajonta on näinkin spesifillä tunnisteella.

Tässäpä tulikin kaikenlaista muuta höpistyä myös, mutta vihdoin alkaa tämä vuosien prokrastinaatio olla päätöksessään. Paras tämän savotan lainaus löytyykin jo ensimmäisestä blogipostauksestani: ”Ajankäytön hallinta on myös sellainen asia, jonka suunnitteluun aion nähdä enemmän vaivaa ensi viikolla.” Heh. Kuinkas sitten kävikään.

Kiitos, anteeksi ja toivottavasti joku tästä oppii jotain.

Pahoitellen,
Onni Pörhölä

VI

Pisteitä & ulkoilua

No nyt menee kyllä hankalaksi tämä homma. Edellisen harjoituksen kanssa sentään oli jokin pohja, josta lähteä liikkeelle, mutta tämän kanssa olen täysin aineiston varassa. Kartat olen tehnyt jo valmiiksi, mutta nyt pitäisi muistella, mitä olen tehnyt. Viikon aiheena taisi olla pistemuotoisen datan visualisointi ja sen kerääminen epicollectilla.

Pisteet, yksinkertaisin vektorityyppinen geometria. Kyseessä on siis dataa, joka koostuu yhden pisteen sijaintitiedosta ja usein myös siihen liittyvästä attribuuttitiedosta. Yksinkertaista pistedataa on mahdollista hyödyntää monilla eri tavoilla pelkän pisteiden piirtämisen ulkopuolella. Pistedataa voi klusteroida tai interpoloida erilaisiksi visuaalisiksi esityksiksi.

Epicollect sovelluksen avulla olin ehtinyt jo ennen tätä kurssia keräämään dataa satelliittipaikannuksen menetelmät maantieteessä -kurssilla. Kyseessä on mobiilisovellus, jonka avulla on helppo tuottaa omaa pistemuotoista dataa kentällä metatietoineen. Metatiedoiksi on mahdollista liittää numero- ja tekstidatan lisäksi myös multimediaa kuvan, videon tai äänen muodossa. Tuotettua dataa on mahdollista tarkastella Epicollectin omassa interaktiivisessa kartassa tai GIS-ohjelmaan tuotuna.

Epicollectin lomakenäkymä
Epicollectin lomakenäkymä

Kurssikerralla keräsimme muistaakseni jonkinlaista dataa ehkäpä puiston penkeistä? En tarkkaanottaen muista. Sen sijaan kerron tässä blogissa myös vaihtoehdosta Epicollectille.

Avoimen lähdekoodin QGIS-project on tuottanut myös oman versionsa tästä, joka mahdollistaa myös erimuotoisten geometrioiden  tuottamisen omaan sijaintidataan pohjautuen. Tämän sovelluksen ehdoton etu on se, että se tarjoaa monia edistyneempiä digitointimahdollisuuksia suoraan puhelimessa. Tämä muodostaa suuriman eron Epicollectiin, joka on se, että pisteiden lisääminen on mahdollista myös huomioimatta GPS-paikannus. Pisteiden, viivojen ja polygonien paikkaa sekä muotoa on tätä myötä mahdollista muokata myös suoraan puhelinsovelluksessa.

QFieldin etuna on myös se, että sovelluksessa muokataan samaa työtiedostoa, jota voi työstää myös tietokoneen työpöytäohjelmalla. Verrattuna Epicollectiin kyseessä on pari kertaluokkaa monimutkaisempi sovellus ja sen käyttöönotto on varsin monimutkaista. Ensin tiedosto on alustettava työpöytäohjelmassa, jonka jälkeen tiedosto on siirrettävä puhelimeen omaan kansioonsa. Kun kenttätyöt on tehty, voi tiedoston siirtää takaisin tietokoneelle, jossa kerättyjä aineistoja voi käsitellä edelleen. QFieldiä on mahdollista käyttää myös netin kautta toimivalla reaaliaikaisella päivityksellä ja usean samanaikaisen käyttäjän kanssa, mutta tähän toiminnallisuuteen en ole ehtinyt vielä tutustua.

QFieldin perusnäkymä
Pisteen lisääminen
QFieldin tasonäkymä

 

 

 

 

 

 

 

 

Viikon tehtävänä oli myös demonstroida eri tekniikoita pistedatan visualisointiin. Tehtävänä oli luoda kartta joko maanjäristyksistä tai tulivuorista, jota olisi mahdollista käyttää opetuksessa. Tein alunperin kaksi vuotta sitten kartan, jossa esitin maanjäristysten lisäksi tulivuoret ja laattarajat, mutta nyt sitä uudelleen tarkasteltuani päätin tehdä uuden. Uudessa kartassa päätin kuvata ainoastaan vuonna 2020 tapahtuneet maanjäristykset ja luoda suuntaa antavan lämpökarttatason, joka puhtaan visuaalisesti kertoo suurimmat riskialueet pohjautuen maanjäristysten määrään ja voimakkuuksiin. Visuaalisesti uusi kartta on kyllä mielestäni paljon miellyttävämpi, mutta vanha kartta saattoi olla jopa hieman informatiivisempi. Vanha kartta löytyy myös tuosta alempaa.

Maanjäristysten voimakkuudella painotettu Lämpökarttataso kuvaa maanjäristysriskiltään suurimpia alueita. Muut, yli 4,5 magnitudin maanjäristykset, on merkitty karttaan pienillä pisteillä.
Alkuperäinen, vuonna 2019 tehty kartta.

 

 

V

Bufffffff yms.

Tällä viikolla harjoittelimme buffereiden kanssa työskentelyä ja erilaisten  overlay-analyysien tekoa. Tutustuimme useisiin uusiin vektori-analyysityökaluihin, kuten line lengthiin ja bufferiin. Ennen harjoitusta bufferit olivat minulle jo tuttuja, mutta tämän kautta opin entistä edistyneempiä bufferianalyysitekniikoita.

Ohessa on kurssikerralla tehtyjä analyysejä Malmin lentokentän ympäristön asukasmääristä ja taloista. Taulukossa mainittu melualue on muodostettu yhden ja kahden kilometrin säteen buffereilla, joiden alle jääneiden rakennusten asukasmäärät merkattu taulukkoon. Asukasmäärät saatiin Helsingin kaupungin pistemuotoisesta aineistosta, joka oli tarjottuna kurssikerran aineistopaketissa.

Tämä on taas näitä töitä, joissa harhauduin täysin sivuraiteille lisätehtävän extralisäbonusvapaaehtoisosion kanssa. Päätimme Amanda Ojasalon kanssa, että kaiken tämän vaivan ja hauskan aineiston kanssa painimisen jälkeen tuntuisi tuhlaukselta jättää harjoitus pelkkiin tylsiin numeroihin. Näinpä itsekin  päädyin tekemään visualisoinnin Malmin lentokentän suunnittelualueesta. Latasimme Amandan ansiokkaasti löytämän aluerajauksen Helsingin kaupungin sivuilta, jonka pohjalta saimme rajauksen kartalle. Aineisto oli pelkkä yksinkertainen rasterimuotoinen kuva ja sen käyttäminen vaati georeferoinnin. Onnistuimme tekemään tämän QGISsiin ladattavan pluginin avulla, jota oli yllättävän helppo käyttää netistä löytyneen selkeän ohjeistuksen avulla.

Yllä on nähtävissä lopullinen kartta, josta mielestäni kehkeytyi visuaalisesti varsin miellyttävä.

 

Tässä tulevaisuuden Onni kertomassa vuodelta 2020. Ei kannata odottaa tältä vuodelta ihmeitä. Niin tämän blogin voisin myös kirjoittaa valmiiksi. Tuossa yllä on nähtävissä putkiremontti-indeksikarttani, jonka tein viikkoharjoituksen viimeistä tehtävää varten. Näin puolitoista vuotta myöhemmin tuo näyttää edelleen varsin hyvältä ja selkeältä. Muistelun perusteella tuon tekeminen ei aiheuttanut sen suurempia haasteita.

Bufferianalyysi on yksi geoinformaatikan asiantuntujan perustyökalupakin osista. Tuossa harjoituksessa käytiin läpi yhtä yleisimistä tavoista hyödyntää buffereita, erinäisten toimintojen sijoittumista määritetyille vyöhykkeille. Ylläolevassa kuvassa on Advanced GIS -kurssille lopputyönäni tekemä analyysi käyttäen HSY:n raja-arvoja laskennallisille liikenteen saastevyöhykkeille, liikenteen määriin perustuen. Lopputyötä varten kehitetty malli hyödyntää sekä mitattua liikenteen meludataa, että laskennallisia saastevyöhykebuffereita. Ohessa on nähtävissä myös ArcMapilla luotu malli, jolla lopputulokseen päästiin.

IV

Ruutuja ja digitointia

Neljäs kerta toden sanoo. Tällä viikolla teimme ruutumatriisikarttoja ja pääsimme kastamaan varpaamme digitoinnin kylmään ja loputtoman syvään mereen. Viikon harjoitukset alkoivat tuttuun tapaan lataamalla raaka-aineiston moodlesta. Tällä kertaa paketti olikin melkoisen mittavan kokoinen. Kansiosta löytyi koko pääkaupunkiseudun väestön data ja asuinpaikat rakennuskohtaisesti. Tämän pohjalta oli ensin tavoitteena saada aikaiseksi ruutumatriisi pääkaupunkiseudun alueelta, jossa olisi visualisoituna ruotsinkielisten prosentuaalinen osuus jokaisella neliökilometrillä.

Kartan luominen oli muutamaa mutkaa lukuun ottamatta kohtuullisen vaivatonta. Prosessin muisteleminen tällä tavalla muutama viikko jälkikäteen on kuitenkin varsin vaikeaa ja prokrastinoinnin riskit tulivat käytännön kautta tutuiksi. Yrittäessäni viedä karttoja kuvamuodossa QGIS:stä pois huomasin suuren osan datasta puuttuvan. Tarkemmin sanottuna datasta oli jäljellä vain pieni murto-osa. Tässä vaiheessa epätoivo valtasi sisimpäni ja motivaationi rippeet kaikkosivat horisonttiin. Heikosta hetkestäni yli päästyäni tartuin tuumasta toimeen ja tein kartan alusta lähtien uusiksi. Kertaus on opintojen hoivakoti: tällä kertaa kartan tuottaminen kävi käden käänteessä. Kuin pilkatakseen, QGIS päätti löytää ehjän datan sen jälkeen kun olin saanut kaiken valmiiksi. Kun kokeilin vanhoja shapefilejä uudelleen, kaikki data olikin mystisesti palannut. Noh, kuten vanha sanonta sanoo, ”kertaus on opintojen leposija”.

Harjoituksessa oli määrä tehdä myös omavalintainen ruutumatriisikartta jostakin muusta aiheesta ja alueesta. Väestötietokannasta löytyi asuinrakennuskohtaiset käyttöönnottovuodet, joiden pohjalta päätin tehdä kartan Kallion ja sen lähialueen asuinrakennusten keskimääräistä ikää kuvaavan karttaesityksen. Tämänkin kohdalla kartan kohtalo vaikutti olevan lähes sama kuin aiemman karttaesityksen kanssa. Joskin tällä kertaa lopullinen visualisointini oli kadonnut Z-aseman syövereihin. Tähän kohtaan voisin lainata tunnettua sutkautusta: ”kertaus on opintojen oheistuote”. Tämän kartan kanssa ongelma oli kuitenkin nopeasti ratkaistavissa. Muistelin olleeni muutenkin tyytymätön ensimmäisen kerran aikaansaannoksiini. Lopullinen kartta oli aiempaan tuotokseen verrattuna varsin esteettinen, mutta nyt karttaa tässä blogissa toisen ruutumatriisikartan rinnalla katsoessani huomaan värimaailman olevan ehkäpä liiankin tummanpuhuva.

Viimeisenä tutustamaan digitointiin QGIS:n työkalujen avulla. Aineistossa oli valmiina vektoriaineistona aluerajaus, jonka määrittämältä alueelta oli määrä digitoida päätiet ja talot. Teiden digitointi oli hauska ja suoraviivainen prosessi, jonka suorittamiseen ei mennyt pitkäänkään. Talojen digitointi vastaavasti otti kyllä aikansa. Homma oli varsin monotonista ja paikkatiedon ylijumala oli pidettävä rauhallisena tallentamalla tuotos koko ajan. Alla olevassa kuvassa on nähtävissä digitoinnin tuotos. Tämän perusteella ei varsinaisesti kannata vielä lähteä suunnistamaan, mutta siitä on nähtävissä jo alueen yleiskuvaa. Tällä tosin muodostettiin vasta pohjaa seuraavan viikon harjoitukseen.

Raaka esitys peruskartan pohjalta digitoidusta datasta. Tummanpunaiset pisteet merkitsevät yksittäisiä asuinrakennuksia. Oranssit viivat ovat teitä ja punainen nelikulmio on digitoitavan alueen rajaus.

Huh, tämä harjoitus olikin varsinainen maratoni. Ei mitenkään ylitsepääsemättömän vaikea, mutta blogin kirjoitus ja muu viimeistelytyö jäi roikkumaan pahasti. Kaikesta huolimatta tässä tämä nyt sitten on. Jees jees.

III

Yhdistelyä ja konflikteja.

Tällä kertaa  käsittelimme mielenkiintoista dataa Afrikan maiden erilaisista parametreistä ja Suomen valuma-alueista. Harjoitukset aloitettiin käsittelemällä Afrikan datapaketteja. Ensimmäisessä tehtävässä oli tarkoitus tutkia dataa timanteista, öljyesiitntymistä ja konflikteista. GIS-analyysien avulla oli tarkoitus etsiä korrelaatiota eri aineistojen väliltä. Ensimmäinen kuva on luomani visualisointi tarjotuista aineistoista. Päätin esittää  kartalla öljyesiintymät, timantit ja konfliktit. Öljykentät oli tarjottu kurssiaineistoissa  aluemuotoisena shape-tiedostona.

Lopullisesta kartasta on hieman vaikea löytää erityisen vahvaa korrelaatiota; öljyesiintymien, timanttikaivosten ja konfliktien määrän välillä ei näyttäisi olevan kovinkaan suurta riippuvuutta. Esimerkiksi Etelä-Afrikala, jolla on huomattava määrä timanttikaivoksia, on kohtuullisen rauhallinen lähihistoria, ainakin tilastoitujen konfliktien määrän perusteella. Samoin Libya, jolla on hyvin laajat öljyesiintymät vaikuttaa ainakin kartan perusteella hyvinkin rauhalliselta. Mutta tarkemmin dataa tarkasteltaessa on mahdollista löytää ehkäpä pieniä yhdistäviä tekijöitä.

Toisessa itsenäisharjoituksessa oli tarkoitus tuottaa valuma-alueista indeksi, joka kertoo sen tulvaherkkyydestä ja kuvata samalla kartalla alueiden järvisyyttä. Järvisyyden kuvaamisen päätin tehdä palkkien avulla. Tämän kartan tuottaminen oli aluksi lähinnä pelkkää vastoinkäymistä, koska yritin tehdä karttaa ohjeissa mainitulla vaikeammalla metodilla. Jostain syystä QGIS päätti kaatua koko ajan, kun yritin yksinkertaista tietokantaliitosta. Tästä lamaantuneena lähdin kotiin. Muutaman päivän päästä uusin silmin ja kahvikupillisen tarjoamin voimin sain aikaiseksi oheisen kartan, jopa haastavamman reitin kautta. Lopullisesta kartasta tuli mielestäni varsin miellyttävä, mutta ulkonäöltään hieman virastokarttaa muistuttava. Tässä vaiheessa olen jo luopunut alkukurssin yhtenäisestä väriteemasta ja kartat alkavat olla kirjavia kuin keväinen kukkaketo.

Lopullisessa kartassa on nähtävissä jopa selkeä korrelaatio järvisyyden ja tulvaindeksin välillä. ”Nämä kaksi asiaa näyttävät selkeästi liittyvän toisiinsa”, kuten Alex Naumanen blogissaan kirjoittaa. ”Järvisyysprosentti on nimittäin suurimmillaan niillä valuma-alueilla, joissa on pienimmät tulvaindeksiarvot. Ja taas alueilla, joilla on pienempi järvisyysprosentti, on tulvaindeksiarvot suuremmat.” Tämä on nähtävissä myös omalla kartallani.

Viikon harjoituksista jäi hyvät fiilikset ja kartat lutviutuivat sujuvasti. Afrikan kartoista tuli kohtuullisen esteettiset, mutta näin jälkikäteen katsoen niiden väritystä olisi voinut miettiä hieman tarkemminkin. Nyt katse kohti ensi viikkoa ja uusia seikkailuja (huh olipas juustonen lause).

II

Projektiot, aina yhtä hämmentäviä.

Tällä viikolla pääsimme sukeltamaan projektioiden sekavaan maailmaan.  Projektioiden kanssa palloittelu lennossa oli mielenkiinteista vaikkakin sekavaa. Oli jännä huomata, miten erilaiset projektiot vaikuttavat niinkin radikaalisti pinta-aloihin. Vaikka olinkin tietoinen, miten viheliäinen Mercatorin projektio on alueiden esittämisessä, pinta-alavääristymien valtava skaala tuli  minulle silti yllätyksenä.

Ensimmäisenä  vertailin projektioita käyttäen Qgis:n mittaustyökalua. Projektioiden vertailua varten piirsin pinta-alan mittaustyökalulla nelikulmion muotoisen alueen Suomen Lapin pohjoiseen osaan ja viivan jotakuinkin Suomen leveimmän kohdan läpi. Valitsin vertailukohteiksi Van der Griten -projektion, tasavälisen Eurooppaan asetetun karttaprojektion, WGS84:n globaalin projektion ja Mercatorin projektion. Pohjana vertailussa käytin Suomessa yleisesti hyödynnettyä ETRS-TM projektion 35. Suomen kaistaa, jota tuttavallisemmin kutsutaan ETRS-TM35FIN:ksi.

Nelikulmion ja viivan pituuksia eri projektoilla pylväsdiagrammissa esitettynä.

Näitä mittailuja on listattu tekemääni pylväsdiagrammiin, jonka säätämiseen käytin taas vaihteeksi aivan liikaa aikaa. Excelin käyttölogiikasta voisin avautua enemmänkin, mutta jätän tämän nyt siihen, että diagrammien personalisointivaihtoehdot ovat erittäin rajoittuneita ja niiden sijoittelu Excelin käyttöliittymään on aivan turhan sekavaa.  Yritin alun perin tehdä diagrammista sellaisen, että joka toinen pylväs esittäisi nelikulmion alaa ja joka toinen viivan pituutta. Mutta tällaista en mitenkään saanut aikaiseksi. Sen sijasta päädyin oheisenlaiseen diagrammiin, jossa pylväät kasvavat vastakkaisilta puolilta ja noudattavat omaa skaalaansa. Selvyyden vuoksi skaalat ja pylväät ovat värjätty omiaan vastaavilla väreillä. Lisäsin myös jokaiselle pylväälle lukuarvot, koska eri mittojen absoluuttinen tuntui minusta turhan vaikealta pelkästään kuvan perusteella.  Lopputulokseen olen kaikista vastoinkäymisistä huolimatta tyytyväinen. Diagrammista on helppo huomata, miten valtavan paljon suurempia kaikki etäisyydet ovat Mercatorin projektiossa: verrattuna ETRS-TM35FIN:iin Mercatorin projisoima pinta-ala on lähes kymmenkertainen ja Keski-Suomen läpi piirretyn viivan pituus yli kaksinkertainen.

Toisessa harjoituksessa oli tarkoitus vertailla erilaisten karttaesitysten pinta-alojen vääristymää karttaesitysten muodossa. Näissä kartoissa näkyy kuntien pinta-alojen muutoksia eri projektioiden välillä. Vertailtavina projektioina toimi ohjeissa annettu Mercatorin sphere-muotoinen globaali projektio ja Gall-Petersin projektio. Vertailun pohjana käytettiin Lambertin projektion Suomen kaistaa, jonka projisoimat pinta-alat ovat hyvin lähellä todellisuutta.

Ensimmäisessä kartassa on huomattavissa, miten äärimmäisiä pinta-alavääristymät ovat mercatorin projektiossa pohjoisilla leveyksillä. Suurimmat vääristymät pohjoisessa ovat yli 700 prosentin luokkaa. Tästä syystä Mercatorin globaali projektio on oikeastaan täysin hyödytön kuvaamaan Suomen aluetta ja ilmiöitä. Ja tarkemmin ajateltuna kyllä mitä tahanasa aluita. Mercatorin projektio on suorakulmaisen luonteensa vuoksi hyödyllinen lähinnä vain merenkulussa. Toinen kartta on ulkoiselta olemukseltaa hyvin ensimmäisen kaltainen, mutta sen  vääristymät ovat huomattavasti pienempiä. Tehtävänantona oli vertailla omavalintaista projektiota samaiseen Lambertin projektioon. Sattuman kaupalla vertailtavaksi projektioksi valikoitui Gall-Petersin oikea pinta-alainen projektio. Vaikka projetkio markkinoi itseään niin, että sen pinta-alat olisivat oikeita, vääristyvät pinta-alat silti yllättävän paljon vääristyneitä. Tästä olin hämmentynyt, enkä keksi syytä, mistä  nämä vääristymät voisivat johtua. Motivaatiostani ei kuitenkaan löytynyt ylijäämää asian selvittämiseen.

Mercatorin ja Lambertin Suomeen optimoidun projektion väliset pinta-alojen eroavaisuudet prosentteina.

Gall-Petersin ja Lambertin Suomeen optimoidun projektion väliset pinta-alojen eroavaisuudet prosentteina.

Kolmannessa karttaesityksessä visualisoin sitä, miten väestöntiheys vääristyy Mercatorin projektiossa. Kartassa on merkitty väestöntiheyksien muutos Mercatorin ja Lambert in projektioiden välillä. Tämä kartta oli helppo ja sain sen tehtyä suhteellisen vaivattomasti. Suurin kärsimyksen lähde oli kuitenkin itse tämän blogin kirjoittaminen. Tämä tuntui ikuisuusprojektilta ja luovuuteni tuntui olevan kokonaan mennyttä. Täytyy vain toivoa, että seuraavan päivityksen kirjoittaminen sujuu paremmin.

 

I

Niin se taas alkaa.

Painiminen QGIS:n kanssa. Jonkinlaisella sairaan masokistisella tavalla nautin GIS-hommista, vaikka turhautumista riittääkin. QGIS:n käyttäminen ei minulle varsinaisesti ole uutta; olen käynyt aikaisempien opintojeni aikana geologialla muutamia kursseja paikkatietoon liittyen. Toisaalta kyllä perusteiden kertaaminen on tervetullutta, etenkin kun usein tulee huomattua, miten on onnistunut unohtamaan aivan perustavanlaatuisia juttuja. Uutena aspektina tässä kurssissa on kuitenkin tämän blogin kirjoittaminen. Tämän periodin pöhinän määrä on minulle ennen kokematonta: samaan aikaan bloggausta ja koodausta! Olen varma, että periodin päätteeksi löydän itseni Tiedekulmasta pöhisemästä start-up -yrittäjien seasta.

En töiden takia ennättänyt ensimmäiselle kurssikerralle, minkä vuoksi olin harjoitusta aloittaessa aivan ulalla. Viikkoaikatauluni olivat muutenkin aivan sekaisin ja elämäni tarkoitus alkoi olla hukassa. En tiennyt mistä aloittaa, mitä tehdä ja miksi. Ensimmäisessä tehtävässä oli kuitenkin tarkoituksena saada aikaiseksi koropleettikartta, joka kertoo Itämeren valtioiden typpipäästöistä. Sen sainkin tehtyä kohtuullisen nopeasti ja suurin osa ajasta upposikin kartan värimaailman päättämiseen. Jätin kartan selitteestä pois syvyyskäyrien selitykset, koska ne olivat mielestäni kartan informaatiosisällön kannalta irrelevanttia dataa. Karttaa tehdessä ihmettelin, miksi kartassa oli tarkoitus käyttää Itämeren merialueen tarkkaa vektoriaineistoa, kun maa-alueen datakaan ei ollut niin tarkkaa. Eikö saman asian olisi ajanut vain maa-alue -tason alle sijoitettu yhden värinen neliön muotoinen taso? Tätä metodia käytin tehdessäni tämän blogin taustakuvan, jonka tekemisen harharetkistä kerron lisää hieman myöhemmin. Lisäksi tämän tarkan merialuedatan käyttäminen teki aineiston käsittelystä läppärilläni, joka on muutenkin parhaat päivänsä nähnyt, täydellisen mahdotonta.

Kurssilla aikaan saamani typpipäästökartta.

Kartan valmistumisen jälkeen edistymiseni tyssäsi kuin homeiseen tiiliseinään: päätin luoda tämän blogin. Alusta oli minulle täysin vieras ja sen käyttäminen tuntui aluksi erittäin kryptiseltä. Pian kuitenkin löysin muokkausmahdollisuuksien pohjattomalta tuntuvan kaivon. Amanda Ojasalon oppien avulla löysin  mahdollisuuden muokata myös HTML-koodia, jolla tekstin sai tasattua molemmilta reunoilta. Kaivon pohja löytyi kuitenkin lopulta ja huomasin ulkoasun mukauttamisen rajoittuneen vahvasti vain teemoihin. Taustakuvaa oli kuitenkin mahdollista muuttaa ja sen tekemiseen käytinkin sitten reippaasti aikaa. Tein taustakuvan kurssimateriaaleissa tarjottua Pohjois-Euroopan .shp-tiedostoa käyttäen. Latasin tiedoston QGIS-ohjelmaan ja digitoin tämän muodon taustalle yksinkertaisen neliön muotoisen tason. Värjäsin molemmat tasot mieleisen värisiksi ja vein saadun kuvan PNG-muodossa. Tämän jälkeen sain vuosisadan idean ja päätin asettaa blogin taustaksi mökillä kuvaamani videopätkän juhannuksen myrskystä, mutta videon laaduksi kelpasi vain peruna. Lisäksi Adobe Premiere -ohjelmani, jota käytin sen muokkaamiseen, kaatuili koko ajan. Näiden vastoinkäymisien myötä löysin elämälleni tarkoituksen murusen ja hylkäsin videoidean.

Tämän huikean tehokkaasti käytetyn ajan jälkeen päätin seuraavana päivänä aloittaa painimisen viikon toisen ja samalla viimeisen tehtävän parissa. Aloitin tehtävän ehkäpä hieman ylimielisenä ja kuvittelin pystyväni tekemään tehtävän kolmannen vaikeustason. Rajapinnan kautta sainkin toimimaan kuntakarttapohjan, mutta haluamaani dataa korkeakoulutettujen prosenttiosuuksista kunnittain en mitenkään saanut liitettyä vektoritason attribuutteihin. Muutaman tunnin tämän kanssa painittuani, päätin rohkeasti luovuttaa ja tein kartan kurssilla tarjotun aineiston perusteella. Tällä tavoin homma kävikin vähän liiankin helposti, minkä vuoksi pyrin lievittämään pettymystäni lisäämällä karttaan myös naapurimaiden maa-alueet haaleina siluetteina.

Korkeakoulutettujen osuus kunnittain Suomessa.

Loppujen lopuksi sain kartoista mielestäni kohtuullisen esteettiset. Tehtävät olivat pääosin vanhan kertausta, mutta kuten toisesta tehtävästä huomasin, oli perusasiat kuitenkin aika huolella hukassa. Ajankäytön hallinta on myös sellainen asia, jonka suunnitteluun aion nähdä enemmän vaivaa ensi viikolla. Kaikesta huolimatta ensimmäisen harjoituskerran tehtävistä jäi hyvä fiilis.