paavoket's blog

Seitsemännen kurssikerran pääpointti oli oikeastaan itsenäisesti käyttää niitä taitoja, joita kurssilla oli opittu oman karttatyön tekemiseen. Vaihtoehtoisia toteutustapoja oli kolme, joista päädyin valitsemaan ensimmäisen. Tutkittaviksi teemoiksi päätin valita maatilojen lukumäärän kunnittain suhteutettuna kunnan väestöntiheyteen. Pelkkien maatilojen lukumäärän tarkastelu kartalla ei toimi, sillä ainakin lähtökohtaisesti pinta-alaltaan suuremmissa kunnissa on enemmän tilaa myös maatiloille ja näin ollen enemmän maatiloja. Siksi jaoinkin tarkastelussani maatilojen määrän väestöntiheydellä. Kartta kuvaa siis korrelaatiota pienen väestöntiheyden ja maatilojen lukumäärän välillä.

Maatilojen ja puutarhayritysten lukumäärän löysin helposti Luonnonvarakeskuksen tilastotietokannasta (Luke, 2019). Tallensin datan, ja avasin tiedoston Excelillä. Suoritin tarvittavat muokkaukset ja yritin lisätä uuden tiedoston QGIS:sään. Tässä kohtaa tulikin ongelmia. Kaikki ääkköset olivat korvautuneet symboleilla, eikä tietokantojen yhdistäminen kunnan nimen perusteella olisi siksi onnistunut. Pienellä googlailulla löysin kuitenkin ratkaisun ongelmaan, kun vaihdoin “encoding” -kohtaan ISO-8859-1:n. Sain tehtyä tietokantaliitoksen, ja seuraavaksi laskin väestöntiheyden.

Väestöntiheyttä laskiessani käytin hyödyksi kunnat2015 -tiedostoa. Laskemalla kunkin kunnan pinta-alan väestön lukumäärän lisäksi, pystyin selvittämään väestöntiheyden. Tämän laskettuani visualisoin tulokset kartalle. Visualisointi onnistui muuten hyvin, mutta jostain syystä Sodankylä leikkautui kartasta pois. Ongelma oli ilmeisesti itselläni omasta koneestani johtuvaa, aivan kuten edellisen kurssikerran tehtävässäkin.

Itse tulokset olivat jotakuinkin odotettuja: pinta-alaltaan suuremmat kunnat olivat maatila-väestöntiheyssuhteeltaan  yleensä suuremmissa luokissa. Mielenkiinto keskittyykin tarkastelussa pinta-alaltaan samansuuruisiin kuntiin. Tällöin esimerkiksi Etelä-Pohjanmaa, Etelä-Savo sekä Kainuu nousevat esille. Kyseinen tarkastelu on ehkä enemmän eksperimentaalinen, sillä siinä on monta muuttujaa. Esimerkiksi peltopinta-alasta esitys ei kerro välttämättä paljon, sillä jos yhden kunnan alueella olisi vain muutama todella suuri yksittäinen tila, näyttäytyisi se kartalla vaalealla värillä. Useat pientilat taas kääntävät kelkan toiseen suuntaan. Näin maatilojen alueellinen rakenne vaikuttaa lopputulokseen. Alunperin kuitenkin ajattelin, että ainakin Etelä-Pohjanmaan luulisi nousevan esiin, mikä tapahtuikin. Ajattelin myös, että olisin voinut esittää tietoja pylväsdiagrammina, mutta kuten Nea Haukan toinen kartta osoittaa (Haukka, 2020), ei se koko kunnan aineistossa ole kovin helppoa.

Lopulta ei voi kuin kiittää Arttua kurssista, joka oli hyvin antoisa. Harvemminpa jaksaa ilman suurempia tuskailuja keskittyä ilta-aikaan mihinkään kouluun liittyväänkään. Nyt tunnit kuluivat sukkelaan.

Lähteet:

Haukka, Nea. 2020. Loppu hyvin, kaikki hyvin. https://blogs.helsinki.fi/nhaukka/

Luonnonvarakeskus. 2019. Maatalous- ja puutarhayritysten rakenne. http://statdb.luke.fi/PXWeb/pxweb/fi/LUKE/LUKE__02%20Maatalous__02%20Rakenne__02%20Maatalous-%20ja%20puutarhayritysten%20rakenne/?tablelist=true&rxid=001bc7da-70f4-47c4-a6c2-c9100d8b50db

Kurssikerta numero kuusi alkoi tutustumisella Epicollect5 -sovellukseen. Sovellus oli ennestään jo tuttu, sillä olin käyttänyt sitä Maantieteen didaktiikka -kurssilla. Hankimme sovellusten kysymysten avulla pistemäistä tietoa kumpulasta kurssikerran ryhmämme avulla. Kerättyämme datan latasimme sen verkosta koneelle, ja toteutimme interpoloinnin. Saatu kartta (Kuva 1) ilmentää värein sitä, missä kerättyjen pisteiden avulla lasketusti on turvallista.

Kurssikerran loppupuoli oli pyhitetty hasardien ilmentämiseen kartalla. Itse tutkin maanjäristyksiä eri aikaskaaloilla sekä voimakkuuksilla. Ensimmäisessä kartassa (Kuva 2) esitin yli 8 Richterin järistykset vuosilta 1980-2012. Järistysten määrä on hyvin hillitty, mutta onhan kyseessä kymmenkantainen logaritminen asteikko, jolloin ero toisen kartan (Kuva 3) yli kuuden Richterin järistyksiin samalla aikavälillä on huomattava. Kuuden ja kahdeksan Richterin järistysten välillä on käsittääkseni 100-kertainen ero.

Karttojen tekeminen ei ollut kovinkaan ongelmallista. Suurin haaste oli Excel-datan tuominen QGIS:sään, sillä ilman oikeita valintoja ei ohjelma osannut tunnistaa dataa. Hoksasin lopulta, että omassa datassani erottimena toimi puolipilkku, ja tämän jälkeen onnistuin siirtämään datan kartalle. Haasteeksi tuli kuitenkin huonot värivalinnat, mistä lisää pian. Parhaimmat naurut sain kuitenkin karttojen mittakaavoista…

Viimeiseksi tarkastelin yli viiden Richterin järistyksiä yhden vuoden aikana (Kuva 4). Tässä huomaa jo hyvin, kuinka paljon yleisempiä viiden Richterin järistykset ovat kuuden Richterin järistyksiin verrattuna. Tässä visualisointi onnistui kartoista parhaiten, värin ollessa sentään näkyvä. Suurella näytöllä QGIS:llä työstäessä kaksi ensimmäistä jäivät hyvin huonosti näkyviksi, sillä em. tilanteessa ne vielä näyttivät hyvin erottuvilta. Oppia tämäkin.

Jos miettii lisäparannuksia karttoihini, niin sellainen voisi olla mannerlaattojen rajojen näkyminen kartalla, aivan kuten Joonatan Reunasen blogissa (Reunanen, 2020). Se havainnollistaisi etenkin koulumaailmassa oppilaille sen, mikä yhteys järistyksillä ja mannerlaatoilla on.

Lähteet:

Reunanen, J. 2020. Mun päähän sattuu. https://blogs.helsinki.fi/reunajoo/

Kurssikerran numero viisi teema oli erityisesti oppia hyödyntämään bufferointityökalua tehokkaasti QGIS:ssä. Toki käytimme hyväksemme ja harjoittelimme edelleen jo aikaisemmin opittujen työkalujen käyttöä.

Kurssikerran aluksi harjoittelimme bufferointia ja analyysin tekemistä ensin edellisellä kurssikerralla tehdyn Pornaisten kartan kanssa johdetusti. Tämän jälkeen olikin aika siirtyä itsenäisten tehtävien pariin.

Käytännössä kaikissa tehtävissä hyödynnettiin bufferointia analyysejä tehdessä. Itse bufferointi ei sinänsä tuottanut ylimääräistä päänvaivaa, mutta sen sijaan muiden työkalujen käyttö ei tuntunut olevan erityisen tuoreessa muistissa. Näin ollen kotiin jäikin useampi tehtävä tehtäväksi. Haastavaa oli esimerkiksi se, miten QGIS:ssä saa ensimmäisessä tehtävässä valittua useampia polygoneja tarkasteluun. Tämä oli jo hieman noloa: “select features by” -toiminnolla tietysti. Myös ensimmäisen tehtävän laskeutumisen vaihtoehtoisen suunnan aiheuttaman melualueen laskemisessa oli teknisiä haasteita. Tai oikeastaan: tekniikka puuttui. Päädyin nimittäin mittaamaan viivan pituuden sormia apuna näytöllä käyttäen. Tulos nyt sentään oli edes sinne päin.

Tehtävä 1
Asukkaat HE-M 2km säteellä	56945
Asukkaat HE-M 1km säteellä	8711
HEL-V 2km säteellä	10035
pahimmalla alueella	0,27 %
väh 55db alueella	6,10 %
laskeutumissuunnanvaihtoalue	11631
Asemat
500m päässä asemista	106693
% osuus kaikista asukkaista	1,77 %
työikäisten pros. osuus	68,50 %
Taajamat
asukkaita taajamissa	478371
kouluikäiset (7-16)	2,60 %
ulkom. Osuus yli 10%	41
ulkom. Osuus yli 20%	11
ulkom. Osuus yli 30%	6
Uima-altaat ja saunat
uima-altaan sisältävät rak.	855
asukkaita UA-taloissa	12170
rakennustyypeittäin asukkaita	345, 158, 113, 181
saunoja asutuissa taloissa %	24,20 %

Yleisesti ottaen tulokset olivat jokseenkin yhteneväiset (ehkä oikein?) muiden blogien tulosten, kuten Miina Suutarin kanssa (Suutari, 2020). Mahdollinen pieni heitto saattaa johtua esimerkiksi siitä, että omalla koneellani tehtäviä tehdessäni QGIS ei ole aivan samanlainen kuin yliopistolla. Tästä luulen myös johtuneen sinänsä varsin mielenkiintoisen ongelman, joka tuli eteeni viimeistä harjoitusta tehdessäni. Harjoituksessa piti nimittäin tehdä kartta uima-allas rikkaista alueista. Vektoritiedostossa oli kuitenkin jotain häikkää, tai sitten koneeni QGIS ei avannut tiedostoa kunnolla, sillä ohjelma valitti virheestä tiedostossa. Hetken asiaa ihmeteltyäni löydin työkalun (“check validity” -muistaakseni), joka etsi vektoritiedostosta virheet  (Kuva 1). Ja niitähän löytyi. Kuvassa 2 on zoomattuna kohta, missä ongelma näkyy. Polygonissa on jotakin häikkää, sillä se menee toisen polygonin päälle pienenä suikaleena. Ongelmaa en osannut itse ratkaista, vaikka yritinkin googlailla vektoritiedoston hoitotoimenpiteitä. Näin ollen yksi tehtävän osa jäi tällä kertaa tekemättä, vaikkakin itse tehtävä olisi ollut sinänsä varsin helppo. Kaikilla ei ilmeisesti kuitenkaan ollut ongelmia tiedoston kanssa, esimerkiksi Heini Mäkelä oli onnistuneesti toteuttanut tehtävän (Mäkelä, 2020).

Lähteet:

Suutari, M. 2020. Kerta 5 – buffereita ja analyysejä. https://blogs.helsinki.fi/smiina/2020/02/18/kerta-5-buffereita-ja-analyyseja/.

Mäkelä, H. 2020. Bufferointi ja kohteiden valinta. https://blogs.helsinki.fi/mcheini/2020/02/20/bufferointi-ja-kohteiden-valinta/

Neljännellä kurssikerralla tuotimme kaksi karttaa. joista ensimmäinen (Kuva 1) kuvasi pääkaupunkiseudun asukasmäärää ruudukkona. Ruudukon luominen QGIS:ssä oli helppo tehtävä, ainakin ohjatusti. Viilasimme ruudukkoamme vielä siten, että saimme poistettua karttalehdeltä ruudut, joiden alueella ei sijainnut dataa. Kartan tekemiseen kuitenkin kuului myös attribuuttidatan yhdistäminen “join attributes by location” -komennolla. Jokin tässä hässäkässä meni pahasti pieleen, sillä eteen tuli “python error”, ja homma piti aloittaa alusta. Tällä kertaa kuitenkin suurensimme ruutukoon kaksinkertaiseksi (250–>500m), jolloin datan käsittelyssä ei mennyt koko loppuiltaa.  Lopulta sain kartan valmiiksi.

Vuorossa oli oman kartan valmistaminen (Kuva 2) samaan tyyliin, kuin luentokerralla harjoiteltiin. Itse ajattelin tarkastella yli 65 vuotiaiden osuuksia pääkaupunkiseudulla. Tätä varten loin kyseisen sarakkeen atribuuttitaulukossa. Lisäsin myös tiestön kartalle helpottaakseni hieman aluiden tunnistamista. Vinkin tähän sain Vilma Koljosen blogista (Koljonen, 2020). Olikin mielenkiintoista miettiä, miksi esimerkiksi Helsingin Louhela ja Espoon Soukka houkuttelivat vanhempaa väestöä. Isovanhempaninkin sattumalta asuivat juuri soukassa. Karttaan olisi voinut ehkä vielä lisätä paikannimet, niin tunnistamisessa ei tarvitsisi nojautua niin vahvasti omaan tietämykseen.

Koljonen, V. 2020. Geoinformatiikan menetelmät 1. https://blogs.helsinki.fi/vilmakol/

Kolmannella kurssikerralla harjoittelimme muun muassa karttakohteiden yhdistelemistä helpommin käsiteltäväksi aineistoksi, tiedon käsittelemistä ja tuomista QGIS:ään Excelistä sekä tämän tiedon yhdistämistä jo valmiina oleviin tietokantoihin.

Kurssikerta alkoi sillä, että harjoittelimme edellä esitettyjä toimintoja Afrikan valtioiden tietokannalla. Aluksi en ymmärtänyt varsinkaan sitä, mitä teimme “Select features by value” ja “Merge selected features” -toiminnoilla. Jälkeenpäin ymmärsin, että kyse oli jokaisen valtion pienten osien, kuten saarten ja mannerosien yhdistämistä yhden ID:n alle. Näin tietokannan tietojen käsittely valtioiden välillä tulee helpommaksi.

Excelistä tiedon tuominen ja yhdistäminen valmiiseen tietokantaan sen sijaan oli simppeli toimi. Ainoa haaste oli muokata nimet, joiden perusteella yhdistäminen tapahtui, samoiksi. Jos kyseessä olisi huomattavasti suurempi tietokanta, manuaalista työtä olisi runsaasti. Tällöin helpottaisi, jos tietokantoja pystyisi vertailemaan uudessa ikkunassa ennen varsinaista liittämistä, ja silmäillen tarkastaa, tarvitseeko korjauksia tehdä. Afrikka-harjoituksen lopuksi opettelimme vielä sijaintiperustaisen tiedon (pistemäinen paikkatieto) laskemista polygoneista.

Kuva 1. Valuma-alueiden tulvaherkkyys ja järvisyys Suomessa.

Varsinainen työ kurssikerralla oli tuottaa teemakartta Suomen valuma-alueiden tulvaherkkyydestä (Kuva 1). Työssä käytettiin samoja välineitä, mitä kurssikerran aluksi harjoiteltiinkin. Teemakartan tekeminen onnistui itseltäni melko vaivatta, ja sain teemakartan melko nopeasti valmiiksi tulvaherkkyyden osalta. Järvisyyden lisääminen histogrammina olikin haastavampi tehtävä, mutta katsottuani Youtube-videon aiheesta, löytyi ratkaisu senkin tekemiseen. Pylväitä piti kaventaa varsin paljon, ettei ne peittäisi alleen tulvaherkkyys-dataa. 

Oli mielenkiintoista verrata tuottamaani karttaa esimerkiksi Eliaksen  (Hirvikoski, 2020) karttaan, jossa oli oli vähemmän luokkarajoja kuin omassani. Näin ollen Eliaksen kartassa lappi näyttäytyi kokonaisvaltaisemmin tulvaherkkänä alueena, kun itselläni näin oli vain aivan pohjoisen Lapin tapauksessa.

Lähteet:

Haldar, A. 2018. QGIS HISTOGRAM. https://www.youtube.com/watch?v=ou-1spfv2M0. Viitattu 6.2. 2020.

Hirvikoski, Elias. 2020. Kolmas. https://blogs.helsinki.fi/eliashir/2020/01/28/kolmas/

Toinen kurssikerta jatkoi syventymistä QGIS:sän ominaisuuksiin. Alkuun harjoittelimme alueiden valitsemista kartalta sekä tietojen hakua tietokannoista. Jälkimmäisen soveltaminen jatkossa ei itseltä ehkä heti onnistuisi, mutta ohjeita seuraten sain kyllä tuotua dataa palvelimelta. Tämän jälkeen harjoittelimme erilaisten laskennallisten kaavojen käyttöä ohjelmassa, kun laskimme eri projektioiden pinta-alojen suhteellisuutta. Oma kokemus tilasto-ohjelmista ehkä auttoi hieman, sillä attribuuttitaulussa matemaattisten lausekkeiden pyörittely onnistui itseltä varsin ongelmitta.

Haastetta toisaalta tarjosi eri projektioiden välillä vaihtaminen, kun en aivan hallinnut tiedostojen tallentamista ja avaamista eri projektioissa. Samaa haastetta oli minun lisäksi kuitenkin muillakin (Vikman, 2020). Välillä myös onnistuin hävittämään laskettua dataa attribuuttitaulukon sarakkeista vaihtaessani projektiosta toiseen. Sanoisin, että osa on omaa kömpelyyttä, ja osa myös QGIS:sän kankeutta. Sain kuitenkin laskettua kahden projektion välisen suhteellisen eron (Kuva 1). Tallennusongelmien myötä onnistuin hävittämään tiedot siitä, mitkä projektiot olin vertailuun valinnut, mutta muistelisin niiden olleen jotkin Mercatorin ja Lambertin projektioista.

Kuva 1. Lambertin ja Mercatorin projektioiden suhteellinen ero pinta-alassa (kuinka paljon toinen on suurempi).

Ongelmat tallennusteknisten asioiden kanssa kulminoituivat tiistai-iltaan, kun jatkaessani kurssilla kesken jäänyttä työtä asukastiheyksien suhteellisista eroista eri projektioiden välillä huomasin, että työni ovat päätyneet johonkin bittiavaruuden mustista aukoista. Niinpä tein kaiken alusta. Vertasin Lambertin (GDA94) ja Mercatorin (TM-35FIN) projektioiden vaikutusta asukastiheyteen. Pyörittely onnistui varsin mukavasti, ja sain kartat tehtyä (Kuva 2. Asukastiheys laskettuna Lambertin projektiolla; Kuva 3.  Asukastiheys laskettuna Mercatorin projektiolla).

                                       

Kuva 2. Asukastiheys (GDA94).           Kuva 3. Asukastiheys (TM-35FIN).

Kartat ovat muuten kohtalaisen onnistuneet, mutta itse olisin toivonut voivani tehdä legendassa näkyvistä luokkajaoista yhtenevät kahden kartan välillä. Tämä siksi, että suhteellisten erojen ollessa kahden eri projektion välillä, näyttäytyvät kartat lähes identtisiltä, vaikka absoluuttiset erot ovatkin suuria. Tämä tekee vertailusta hankalaa, mihin oli kiinnittänyt huomiota myös Venla Moisio blogissaan (Moisio, 2020). Pyörittelin erilaisia mahdollisuuksia, mutten löytänyt mahdollisuutta “kopioida” toisen legendan arvoja kartalle. Ehkä tämä täytyisi tehdä siis käsin.

Lähteet:

Vikman, J. 2020. Palvelinosoitteita ja projektioita. https://blogs.helsinki.fi/jagvikma/2020/01/24/palvelinosoitteita-ja-projektioita/

Moisio, V. 2020. Viikko 2 – Totuttelua tietokantojen käyttöön sekä eri projektioiden vaikutusten vertailua. https://blogs.helsinki.fi/moivenla/

 

Tämä kurssikerta oli erityisesti tutustumista QGIS -ohjelmistoon. Kävimme läpi peruasioita ohjelmalla työskentelystä, kuten vektorimuotoisten karttatasojen tuomista ja käsittelyä QGIS:ssä. QGIS oli itselleni jo jokseenkin tuttu työkalu, mutta edellisestä kerrasta oli kuitenkin ehtinyt vierähtää jo tovi.

Typpipäästöt maittain. Kuva 1.

Kurssikerran anti tähtäsi oman teemakartan (kuva 1) tuottamiseen. Tätä varten oli ymmärrettävä esimerkiksi, kuinka aineiston muuttujia voidaan luokitella tilastollisesti eri luokkiin ja esittää tämä tieto kartalla. Tätä luokittelua teimme kurssikerralla ohjatusti aineiston kanssa, joka sisälsi dataa typen maakohtaisista päästöistä. Koska prosentuaalinen eli suhteellinen esitystapa typen päästöistä oli huomattavasti informatiivisempi, teimme oman sarakkeen informaatiotaulukkoon, jossa oli jo tiedot typen nettomääristä maittain. Tämä osuus oli itselleni aivan uutta, ja vaatiikin kertaamista myöhemmin itsenäisesti. 

Väestö kunnittain. Kuva 2.

Lopulta kurssikerran oppien pohjalta valmistin itse teemakartan (kuva 1), johon olin luokitellut Suomen kuntien asukasluvut siten, että tummimman punaisella olivat asukasluvultaan suurimmat-, ja valkoisella pienimmät kunnat. Esitystapa oli muuten onnistunut ja erityisesti kartta visuaalisesti helppolukuinen, mutta jälkeenpäin ajatellen olisin voinut itse luokitella väkiluvut järkevimpiin tasalukuihin.  Nyt esitystapa oli vain yksi QGIS:sän automaattisista luokitteluista, ja siten hieman kömpelö. Pääkaupunkiseutu ei erotu edukseen asukaskeskittymänä, vaan esim. Oulu varastaa huomion. Esimerkiksi Annika Luoman (Luoma 2020) kartan visuaalinen ilme ruotsinkielisistä kunnista on varmasti lähempänä totuutta kuin omani. Luokkarajoja olisi siis todella voinut miettiä, mutta virheistähän sitä oppii.

Kirjallisuus: Luoma, Annika. 2020. https://blogs.helsinki.fi/luomanni/