Pilvin GIS-blogi

Huhhuh. Nyt on tulossa tämäkin kurssi päätökseen, on aika tehdä kurssin viimeiset kartat ja julkaista viimeinen blogipostaus. Olen tykännyt kovasti tästä blogin kirjoittelusta ja kokonaisuudessaan Geoinformatiikan menetelmät on ollut mukava kurssi. QGIS:n kanssa säätäminen on toisinaan ollut hermoja raastavaa, mutta pääasiassa loppujen lopuksi todella kivaa ja kiinnostavaa! 

Nyt kun viimeistä tehtävää varten sai itse valita mistä, miten ja minkälaisen kartan laatii, päätinkin tilaisuuden tullen ottaa omaa sydäntäni lähellä olevan aiheen eli linnut. Löysin BirdLife Suomen nettisivulta avoimen, kaikille ladattavissa olevan aineiston Suomen tärkeistä lintualueista eli FINIBA-alueista. BirdLifen mukaan “FINIBA-alueet ovat kansallisesti merkittäviä uhanalaisten, silmälläpidettävien ja kansainvälisen erityisvastuun lintulajien pesimis- tai kerääntymisalueita.” 

Aineiston sai kätevästi ladattua zip-tiedostona, josta löytyvän shapefilen toin QGIS:iin. Pohjakartaksi hain avoindata.fi-sivustolta Maanmittauslaitoksen tuottaman kartan Suomen maakuntajaosta. Vähän jouduin taas koordinaatistojen kanssa vääntämään, mutta ilman kummempia toimenpiteitä sain väsäiltyä alla olevan kartan (kuva 1), joka havainnollistaa FINIBA-alueiden sijoittumista. Kuten kartasta nähdään, suurimmat FINIBA-alueet löytyvät Lapin pohjoisosista, Vaasan tietämiltä sekä Saaristo-Suomesta. 

Kuva 1. Suomen tärkeät lintualueet eli FINIBA-alueet 

Toiseksi muuttujaksi tarkasteluun halusin ottaa luonnonsuojelualueet, jotka yhdistyvät mielessäni aika sulavasti uhanalaisten ja silmälläpidettävien lintujen pesimäalueisiin. Lähdin siis kaivelemaan netin tietomassojen syövereistä jonkinlaista aineistoa luonnonsuojelualueista, ja bongasin onnekseni aika äkkiä sellaisen, jälleen avoindata.fi-sivustolta. Nyt kun tarvittavat aineistot oli auki QGIS:ssä, aloin miettimään mitä ihmettä (jotakin järkevää) niistä saisin aikaiseksi. 

Halusin kovasti palautella mieleen parin kurssikerran takaa tutuksi tullutta bufferointia, mutten oikein keksinyt, miten saisin sen yhdistettyä FINIBA- ja luonnonsuojelualueisiin. Siispä vaan tuijottelin karttaa pähkäillen. Olisin halunnut tehdä jotakin edes vähän haastavaa ja käyttää mahdollisimman montaa työkalua, joita olin kurssin aikana harjoitellut. Mutta aivot vaan löivät tyhjää. 

Lopulta tein päätöksen hylätä luonnonsuojelualueet ja rajata alueeni pääkaupunkiseudulle. Suuntasin surffailemaan Helsinki Region Infoshare –sivustolle etsien pohjakarttaa sekä väestötietoja. Löysin kartan postinumeroalueittain sekä ruudukkomuodossa olevan aineiston väestöstä. Avasin kokonaan uuden QGIS-projektin, toin nämä kaksi aineistoa sekä FINIBA-alueet sisältävän aineiston sinne ja ryhdyin hommiin! 

Tavoitteenani oli selvittää, kuinka paljon ihmisiä asuu 1,5 km säteellä FINIBA-alueista. Lähdin liikenteeseen tekemällä FINIBA-alueiden ympärille bufferin, mikä sujui vaivattomasti. Sitten piti saada valittua väestötietokannasta ne kohteet, jotka sisältyivät laatimaani bufferiin. Muistinkin yhtäkkiä ristiinleikkaus-toiminnon olemassaolon ja operoituani sen kanssa sain luotua näppärästi niille uuden oman tasonsa. Nyt alkoi työ tuskallisen pitkän pähkäilyn jälkeen viimein edetä ja sormet sauhuten jatkoinkin innoissani työskentelyä. 

Loppuvaihe sujahti ohi mukavasti. Oikeastaan enää jäljellä oli kartan visualisointi miellyttävään ulkomuotoon sekä itse karttakuvan laatiminen. Koska FINIBA-alueet painottuivat pääkaupunkiseudun reunoille, tein kaksi karttaa: toisen koko pääkaupunkiseudusta (kuva 2) ja toisen tarkennetusti kohdasta, jossa oli eniten asukkaita 1,5 km etäisyydellä FINIBA-alueista (kuva 3). 

Kuva 2. Pääkaupunkiseudun väestö 1,5 km säteellä FINIBA-alueista 

Kuva 3. Pääkaupunkiseudun väestö 1,5 km säteellä FINIBA-alueista

Lopputulokseen olen tyytyväinen, etenkin kun mietin kuinka kauan aikaa aineistojen etsimiseen ja niiden kanssa säätämiseen ja tuskailuun kului. Mittakaavan kanssa tuli tosin vastaan pieni probleema, kun en saanut sitä toimimaan kunnolla. 

Kun miettii kurssia taaksepäin, tuntuvat kurssin alussa vaikeiksi kokemani asiat nyt jo naurettavan helpolta. Mutta tästähän sen huomaa, että on oppinut jotain! Mitä tulee tähän viimeiseen kurssikertaan, hankalaksi osoittautui sopivan aineiston löytäminen ja vielä sen saatavuus oikeanlaisessa muodossa. Kun annetaan täysin vapaat kädet, on valtavasti mahdollisuuksia, jotka tuntuivat rajautuvan nimenomaan ilmaisen aineiston saatavuuteen. 

En ollut ainoa, jolla aineistojen hankkimiseen vierähti tovi jos useampi. Aleta Friman kirjoittaa blogissaan näin: “Pelkästään sopivan datan etsimiseen uhrautui useampi tunti, ja monen monta “haavetta” murskautui matkan varrella”. Samaistun tähän täysin. 

Nyt on kuitenkin kurssi kasassa! Ei muuta kun näkemiin tältä erää minun puolestani 😊 

 

Lähteet: 

Friman, A. (2022). Viikko 7: Luovuus valloilleen, Aletan GIS-blogi (luettu 10.3.2022). Saatavilla https://blogs.helsinki.fi/alfriman/ 

Pääkaupunkiseudun postinumeroalueet, Helsinki Region Infoshare (haettu 10.3.2022). Saatavilla https://hri.fi/data/fi/dataset/paakaupunkiseudun-postinumeroalueet 

Pääkaupunkiseudun väestötietoruudukko, Helsinki Region Infoshare (haettu 10.3.2022). Saatavilla https://hri.fi/data/fi/dataset/vaestotietoruudukko 

Suomen maakunnat 2021 vuoden 2018 maakuntakoodeilla, Maanmittauslaitos, Avoindata.fi
(haettu 10.3.2022). Saatavilla https://www.avoindata.fi/data/fi/dataset/suomen-maakunnat-2021-vuoden-2018-maakuntakoodeilla 

Suomen tärkeät lintualueet, BirdLife Suomi (haettu 10.3.2022). Saatavilla osoitteesta
https://www.birdlife.fi/suojelu/alueet/finiba/  

Kuudes kurssikerta starttasi mukavan reippaasti, kun lähdimme heti alkutunnista 45 minuutin virkistävälle kävelylle talviseen Kumpulaan. Ideana oli kerätä omaa aineistoa Epicollect5-nimisellä sovelluksella. Jokaisen piti tallentaa koordinaatit 10 eri paikasta ja vastata muutamaan valmiiksi sovelluksesta löytyvään kysymykseen, jotka liittyivät muun muassa turvallisuuden tunteeseen ja houkuttelevuuteen kussakin kohteessa. 

Lähdinkin muutaman kaverin kanssa kiertelemään kampuksen lähiympäristöön mielenkiintoisia paikkoja metsästäen. Pysähdyimme tehtävänannon mukaisesti 10 kohteessa, joista pari löytyi myös julkisista sisätiloista. Vehreät puistoympäristöt ja kampuksen välitön läheisyys (eli esimerkiksi Physicumin ulko-ovet) tuntuivat turvallisilta ja houkuttelevilta paikoilta, kun taas rämisevien työmaiden vieressä ja hämärissä alikuluissa turvallisuus ja houkuttelevuus olivat huomattavasti matalempia. 

Kun palasimme gis-luokkaan, tarkastelimme kaikkien ryhmäläisten keräämiä tuloksia. Tallennetut havaintopisteet näkyivät kartalla, joka ladattiin sitten omalle koneelle. Sen jälkeen päästiinkin jälleen QGIS:n pariin! 

QGIS:ssä harjoittelimme interpolointia kartalle merkityistä pisteistä. Punaiset alueet kuvaavat turvattomalta tuntuneita paikkoja, kun taas siniset turvalliselta tuntuneita kohtia. Kartalta on huomattavissa selkeästi punaisia keskittymiä. Niissä turvattomuuden tunne liittyy todennäköisesti vilkkaaseen liikenteeseen ja superliukkaaseen maahan, sillä kaikki jalkakäytävät olivat jäässä ja matkalla piti varoa kaatumasta. Jos sää olisi ollut erilainen, olisi voinut punaisia alueita olla vähemmän. Myös siniset keskittymät ovat selkeitä. 

Kuva 1. Interpoloitu alue havaintopisteistä, jossa punainen kuvaa turvatonta aluetta ja sininen turvallista 

 

Itsenäinen harjoitus liittyi hasardeihin. Tehtävä jäi kampuksella kesken ja kun kotona avasin QGIS:n, en tietenkään saanut avattua jo tekemääni karttaa maanjäristyksistä. Eli ei kun vaan alusta uudestaan. Ainakin tulee kerrattua ja kun joutuu toistamaan, oppii tehokkaammin. 

Tarkastelin yli 6 magnitudin maanjäristyksiä viimeisen 50 vuoden ajalta eli vuosina 1972-2022. Niitä löytyi USGS:n tietokannasta runsain mitoin, hieman yli 7000. Latasin maanjäristyksistä CSV-tiedoston koneelleni ja avasin sen QGIS:ssä valmiin pohjakartan päälle. CSV-muotoisen aineiston tuominen oli aluksi hirveän hankalaa, mutta on alkanut nyt sujumaan hyvin, kun sitä on tässä useampaan kertaan tullut tehtyä! 

Kartan tekemiseen ei paljoa vaadittu, sen kun toin aineiston (jouduttuani säätämään aluksi koordinaatistojärjestelmän kanssa) ja maanjäristyksiä kuvaavat pisteet näkyivät jo kartalla oikeissa paikoissa. Muutin vain pisteet punaiseksi ja sain alla olevan kartan (kuva 2). 

Kuva 2. Yli 6 magnitudin maanjäristykset 

Kartasta (kuva 2) huomaa selkeästi maanjäristysten sijoittumisen litosfäärilaattojen rajakohtiin. Eniten järistyksiä näyttää olevan Kaakkois-Aasiassa sekä Etelä-Amerikan länsirannikolla. Kartalta ei kuitenkaan näe vielä, missä kaikista voimakkaimmat maanjäristykset ovat tapahtuneet. Halusinkin muokata vielä karttaa siten, että magnitudien jakauma on näkyvissä. Sain aikaiseksi alla olevan kartan (kuva 3).

Kuva 3. Yli 6 magnitudin maanjäristykset 

Tämä kartta (kuva 3) havainnollistaakin nyt hyvin sitä, kuinka paljon eri voimakkuuksisia maanjäristyksiä on ja minne ne sijoittuvat. Täytyy huomata, että luokittelussa ei ole kiinteitä välejä, vaan esimerkiksi alhaisin luokka on 6-6,1 magnitudia, kun taas korkein luokka on 7,4-9,1 magnitudia, jossa vaihteluväli on huomattavasti suurempi. Ottaessa luokkajaon huomioon ja tarkastellessa karttaa (kuva 3), voi havaita, että merkittävä enemmistö maanjäristyksistä on 6 ja 7 magnitudin välillä ja sitä voimakkaampia on itse asiassa aika vähän. 

Kuten jo mainitsin, maanjäristysten sijoittuminen maailmankartalle heijastelee aika selkeästi litosfäärilaattojen rajoja. Esimerkiksi Atlantin keskiselänteen näkee maanjäristyksien muodostamasta jonosta selvästi. Etsinkin käsiini litosfäärilaattoja kuvaavan kartan (kuva 4) ja yhtenevyys on odotetustikin ilmiselvää. 

Kuva 4. Litosfäärilaatat. Lähde: https://earthhow.com/7-major-tectonic-plates/ 

Päätin tehdä myös kartan vuoden tulivuorista, sillä ne kytkeytyvät luonnollisen sujuvasti maanjäristyksiin ja litosfäärilaattojen rajakohtiin. Rajasin tulivuoret vuonna 1964 tai sen jälkeen purkautuneisiin. Latasin aineiston NOAA:n nettisivuilta ja se tulikin TSV-muotoisena. Hetken jo ehdin miettiä että mitäköhän nyt, mutta tajusin melkein saman tien kyseessä olevan lähes sama asia kuin CSV. Tiedot on vain eroteltu välilyönneillä pilkkujen sijaan. Sainkin sen sitten tuotua helposti QGIS:iin ja tein alla olevan kartan (kuva 5). 

Kuva 5. Vuonna 1964 tai sen jälkeen purkautuneet tulivuoret 

Kuten näkyy, tulivuoret sijaitsevat pääosin samoilla alueilla kuin maanjäristykset. Ali Ylikoski ottaa hyvän huomion tulivuorten ja maanjäristysten sijaintiin liittyen omassa blogissaan: “Pienenä sivuhuomiona haluan mainita, että useimmissa tapauksissa kun maailmankartta esitetään tasomuotoisena, on kartta luontevaa jakaa Tyynen valtameren kohdalta. Tämä hyvin yleinen esitys sopii kuitenkin hieman heikosti juuri tähän käyttötarkoitukseen, sillä noin 75 % tulivuorista ja jopa 90 % maanjäristyksistä sijoittuu Tyynenmeren tulirenkaan alueelle (National Geographic Society, 2019), joka ikävästi jakautuu kartalla kahtia heikentäen täten hahmottamista.” 

Kun katselee tekemiäni karttoja, niin huomaa heti pisteiden painottuvan kartan reunoille ja nimenomaan Tyynenmeren tulirenkaan alueelle. Olisikin opetustarkoituksessa ehkä järkevämpää halkaista kartta esimerkiksi Afrikan kohdalta, jossa tulivuoria ja maanjäristyksiä on huomattavasti vähemmän. 

 

Lähteet: 

7 Major Tectonic Plates: The World’s Largest Plate Tectonics, Earth How (2022). Luettu
3.3.2022. Saatavilla https://earthhow.com/7-major-tectonic-plates/ 

Ylikoski, A. (2022). Kurssikerta 6: Sään ääri-ilmiöitä ja maanjäristyksiä, Alin geoinformatiikkablogi (luettu 3.3.2022). Saatavilla https://blogs.helsinki.fi/alingeoinformatiikka/ 

Viidennellä kurssikerralla jatkoimme Pornaisten kartan parissa, johon viime kerralla digitoimme teitä sekä rakennuksia. Alkuun harjoittelimme bufferointi-työkalun käyttöä ja laskimme sen avulla koulusta ja terveyskeskuksesta tietyn matkan päässä asuvien talojen ja asukkaiden lukumääriä. Onnistuin muuten tekemään kaiken kuten kuuluukin, mutta jostain mysteerisestä syystä laskelmani näyttivät olevan kaksinkertaisia opettajan ja muiden opiskelijoiden tuloksiin verrattuna. 

Alla olevassa kuvassa (kuva 1) näkyy bufferoimani alueet. Vaaleanpunainen ympyränmuotoinen bufferi on tehty 500 m säteelle terveyskeskuksesta, ja vaaleansininen bufferi puolestaan on tehty 1 km säteelle koulusta. Punaiset pisteet esittävät taloja. Select Features By Location -työkalulla valittiin sitten haluttavat rakennukset, eli ensin terveyskeskuksen ympärillä olevan bufferin sisällä olevat kohteet ja seuraavaksi koulun ympärillä olevan bufferin ulkopuolella olevat talot. Sen jälkeen tilastoja pystyi tarkastelemaan Statistics-paneelista. 

Kuva 1. Pornaisten kartalle tekemäni bufferit 

Tämä Pornaisiin liittyvä harjoitus oli kuitenkin vaan lämmittelyä, koska seuraavaksi päästiin omatoimisesti työskentelemään muun muassa lenttokenttiin liittyvien tehtävien parissa. Ensimmäisen tehtävän tarkoituksena oli bufferoida Malmin ja Helsinki-Vantaa-lentokenttien ympäriltä melualueita ja edellisen harjoituksen tapaan laskeskella niiden sisällä asuvien ihmisten lukumääriä. Samoilla työkaluilla operoitiin myös Vantaan juna- ja metroasemien kanssa. Tehtävät sujuivat suhteellisen mutkattomasti. 

Tein lentokenttätehtävän heti samana päivänä kurssikerran kanssa, mutta muut itsenäiset harjoitukset jäivät myöhemmälle. Tehdessäni kotona asemiin liittyvää tehtävää nyt lähes pari viikkoa myöhemmin huomasin, että bufferointityökalun käyttö sujui hienosti. Olen ehdottomasti kehittynyt QGIS:n käytössä, sillä nykyään perustoimintojen tekeminen tuntuu paljon helpommalta kuin aluksi! 

Kuva 2. Vantaan asemien ympärille tehdyt bufferit

Yllä olevassa kuvassa (kuva 2) näkyy työvaihetta metro- ja juna-asemiin liittyvästä tehtävästä. Saamani tulokset kaikista tehtävän 1 tuloksista löytyy puolestaan alla olevasta taulukosta (taulukko 1). Toisessa tehtävässä tarkasteltiin pääkaupunkiseudun taajama-alueita ja jatkettiin bufferointia niiden parissa. 

Taulukko 1. Lentokentät, asemat ja taajamat  

QGIS alkaa tämän kurssin myötä olemaan luonnollisesti tutumpi ja tutumpi joka kurssikerran jälkeen. Jotkut alkuun vaikealta tuntuvat toiminnot sujuvat nyt jo automaattisen helposti ilman sen kummempia miettimättä. Hallitsen sellaiset työkalut parhaiten, joita on tullut eniten harjoiteltua. Tällaisia ovat esimerkiksi bufferointi, Join attributes by location, Field calculator, valintatyökalut sekä visuaaliseen esitystapaan liittyvät työkalut. Näiden kanssa on tullut väännettyä jo aika paljon, joten niiden käyttö on alkanut sujua hienosti. 

Field calculatorilla saa luotua attribuuttitaulukkoon uusia sarakkeita eli laskeskeltua uutta tietoa jo valmiina olevan datan pohjalta. Bufferoinnilla saa rajattua alueita tietyn välimatkan päähän jostakin kohteesta, kuten tiestä tai jostakin yksittäisestä rakennuksesta. Bufferoinnin avulla pystyy kätevästi tarkastelemaan luotujen puskurivyöhykkeiden sisä- tai ulkopuolelle rajautuvan alueen tietoja, kuten asukkaita. 

Vaikka QGIS avautuu itselleni vielä melko teoreettisesta näkökulmasta, on esimerkiksi bufferoinnista varmasti joissain tilanteissa aivan konkreettista hyötyä arkipäivän kysymyksiin liittyen. Emilia Oinas kirjoittaa tästä oivaltavasti blogissaan näin: “Puskurianalyysillä voitaisiin myös tarkastella tietyn alueen asukkaiden eli mahdollisen asiakaskunnan ominaisuuksia, jos suunniteltaisiin uuden yrityksen, esimerkiksi ravintolan perustamista tiettyyn paikkaan.” 

QGIS:ssä on valtavasti kaikenlaisia työkaluja ja toimintoja, joten ohjelman kanssa on vielä paaaaljon opittavaa. Pikkuhiljaa kuitenkin hyvä tulee. Huomaan, että usein ongelmaksi koituu se, että ongelmaa ratkaistessani alan testailemaan erilaisia vaihtoehtoja ja heti onnistuessani saamaan halutun tuloksen, unohdan totaalisesti miten olin päätynyt oikeaan ratkaisuun. Myös lähiopetussessioiden jälkeen pyyhkiytyy lähes aina mielestä, mitä toimintoja olikaan tehty matkan varrella. Pitäisi varmaan kirjoittaa tarkat step by step ohjeet ja lukea niitä sitten kotona silloin kun kaipaan apua tehtäviin… 

 

Lähteet: 

Oinas, E. (2022). Viides kerta, Emilian GIS-blogi (luettu 28.2.2022). Saatavilla https://blogs.helsinki.fi/elmoinas/ 

Neljännellä kurssikerralla keskityimme rasteriaineistoihin, muun muassa niiden tuomiseen ja yhdistelyyn. Lopputunnista palasimmekin viime periodin TEMmin aikana hyvin jo tutuksi tulleen digitoinnin pariin, sekä operoimme Pornaisten kunnan korkeuskäyrien ja rinnevarjostuksen kanssa. 

Ihan ensiksi kuitenkin harjoittelimme ruututeemakartan tekoa pääkaupunkiseudusta. Aineisto, jonka pohjalta kartta laadittiin, sisälsi valtavasti kaikenlaista informaatiota. Attribuuttitaulukosta löytyi jokainen yksittäinen asuintalo, kunkin rakennuksen asukasluku sekä monenlaista muuta enemmän tai vähemmän mielenkiintoista tietoa. Tehtävänä oli valita jokin muuttuja ja visualisoida sen jakaumaa kartalla ruututeemakartan muodossa. Päädyin tekemään oman karttani muunkielisten, eli muuta kieltä kuin suomea tai ruotsia äidinkielenään puhuvien, ihmisten lukumäärästä (kuva 1). 

Kuva 1. Muunkielisten lukumäärä pääkaupunkiseudulla 

Kartalta on ilmiselvästi huomattavissa, missä päin pääkaupunkiseutua muunkielisiä on lukumäärällisesti eniten, mutta se ei ota huomioon kaikkien asukkaiden yhteenlaskettua määrää. Eli kartan välittämä mielikuva saattaa olla tietystä vinkkelistä harhaanjohtava. Nyt kun jälkikäteen pohdiskelee asiaa, oli kannattanut ehdottomasti laskea muunkielisten prosenttiosuus väestöstä. Kyseessä olisi vieläpä ollut hyvin simppeli laskutoimitus. Sillä tavoin olisi pystynyt vertailemaan prosenttiosuuden ja absoluuttisen arvon välittämiä eroavaisuuksia. 

Eri puolin pääkaupunkiseutua on todennäköisesti erinäisiä syitä, jotka selittävät miksi milläkin alueella asuu tietyn verran muunkielisiä. Sara Virtanen analysoi ja pohtii muunkielisten sijoittumista omassa blogissaan seuraavasti: “…suurin osa muun kielisestä väestöstä keskittyy suurin piirtein pääkaupunkiseudun eteläisiin osiin. Esim. Helsingin koillis-/itäosiin keskittyy paljon muun kielisiä, joka on todennäköisesti lähiöiden ja maahanmuuttajien taloudellisen tilanteen johdosta muodostunut näin. Näin absoluuttisin arvoin huomataan, kuinka paljon muun kielistä väestöä määrällisesti on myös Helsingin eteläisessä ja keskisissä osissa, joka voisi selittyä mm. korkeakoulujen ja työperäisen maahanmuuton takia mahdollisesti.” 

 

Seuraavaksi siirryimme puuhastelemaan rasteriaineistojen kanssa. Niiden tuominen QGIS:iin onnistui yhtä iisisti kuin vektoriaineistojen, mutta koordinaattijärjestelmien säätäminen aiheutti pienen probleeman. Rasterit katosivat nimittäin yhtäkkiä näkyvistä, kun koordinaatistot eivät sopineet yhteen. Ongelma oli kuitenkin helppo ratkaista, kun tajusin mistä on kyse! 

Rasterien päälle läväytettiin peruskartta Pornaisten kunnasta. Sen päälle oli tarkoitus luoda korkeuskäyrät, ensin tarkasteltuani alueen maastoa rinnevarjostuksen avulla. Alta löytyy kuva aikaansaamistani korkeuskäyristä (kuva 2). 

Kuva 2. Maaston korkeuserot Pornaisten kunnan alueella 

Lopuksi vielä valmistelimme aineistoa seuraavaa kurssikertaa varten. Tässä kohtaa pääsinkin taas vaihtelun vuoksi digitoimaan, eli klikkailemaan robottimaisesti taloja esittäviä pisteitä ja teitä kuvaavia viivoja Pornaisten pohjakartan päälle. Digitointi oli taas kerran ihan rentouttavaa hommaa, mutta täytyy sanoa, että pitkän opetussession viimeisillä minuuteilla ei enää ihan jokainen talo osunut täysin millilleen kohdalleen. 

 

Kuva 3. Pornaisten asuinrakennukset ja merkittävimmät tiet digitoituna pohjakartan päälle 

 

Lähteet: 

Virtanen, S. (2022). 4. viikko: Rruutuja, rrastereita ja digitointia, Sara Virtanen. (luettu 15.2.2022) Saatavilla https://blogs.helsinki.fi/virsara/ 

Kolmannella kurssikerralla työskentelimme erilaisten tietokantojen parissa. Harjoittelimme muun muassa Excel-taulukoiden tuomista QGIS:iin sekä Excelistä tuodun taulukkodatan yhdistämistä muihin tietokantoihin. Tunnilla oli tarkoitus tuottaa Afrikasta kartta, joka havainnollistaa öljynporausalueiden, timanttikaivosten ja konfliktien sijoittumista ympäri maanosaa. 

Aluksi opettelimme siistimään attribuuttitaulukkoa yhdistelemällä sen sisältämiä kohteita, jotta tietokannasta saataisi selkeämpi ja tiiviimpi. Alun perin taulukossa jokainen saari oli merkitty omalle rivilleen, minkä takia kohteita oli valtava määrä. Kun sain liitettyä saaret valtioille, joille ne kuuluvat, näytti attribuuttitaulukko huomattavasti paremmalta ja sen tietoja oli helpompi tarkastella ja operoida. Sitten päästiin itse harjoitukseen, jossa laskeskeltiin ja yhdisteltiin tietokantoja. Tehtävä sujui suhteellisen mutkattomasti ja lopputulos (kuva 1) näyttää mielestäni aika hyvältä ja selkeältä. 

Kuva 1. Öljynporausalueet, timanttikaivokset ja konfliktit Afrikassa

Kartasta voidaan havaita yhteyksiä timanttikaivosten ja konfliktien välillä, etenkin Afrikan “kainalon”, Saharan eteläosan sekä Afrikan keskiosan alueella sijaitsevissa valtioissa. Öljyn ja konfliktien välillä voidaan huomata yhteys puolestaan Pohjois-Afrikassa. Pelkän kartan perusteella voitaisi siis periaatteessa todeta timanttikaivosten ja öljyn määrän olevan suorassa yhteydessä konfliktien syntymiseen. Näin ei kuitenkaan mitä todennäköisimmin ole. 

Eevi Raappana kirjoittaa aiheeseen liittyen omassa blogissaan näin: “Karttoja analysoidessa täytyy kuitenkin muistaa, että kartalla näkyvien tietojen välillä ei välttämättä ole syy-seuraussuhdetta ja että konfliktien määrään voi vaikuttaa myös moni muu asia” (Raappana, 2022). Tällaisia muita tekijöitä voisi olla esimerkiksi luonnonkatastrofit ja kuivuus, uskonto, politiikka sekä yleinen eriarvoisuus. Timanttikaivoksilla ja öljyllä on kuitenkin varmasti oma osuutensa epävakauteen, ovathan ne todella haluttua tavaraa. 

Haluan myös jakaa Sanni Tiaisen ottaman mielenkiintoisen, ajallisen näkökulman: “Jos esimerkiksi tarkastellaan konfliktien tapahtumavuosia ja verrataan niitä timanttikaivosten perustamisvuoteen, voidaan tutkia, kuinka paljon timanttikaivosten perustaminen alueelle on lisännyt konflikteja” (Tiainen, 2022). 

 

Kotona pääsin vääntämään vähän lisää QGIS:n kanssa, kun tehtävänä oli tehdä Suomen tulvaindeksiä ja järvisyyttä kuvaava kartta. Tehtävässä jatkettiin tunnilta tuttujen työkalujen parissa. Harjoitus onnistuikin yllättävän sujuvasti, kun oppimani asiat olivat vielä tarkasti muistissa. Ongelmia tuli vasta sitten vastaan, kun järvisyysprosenttia esittävät pylväät eivät aluksi suostuneet näkymään kartalla. 

Uppouduin niin syvälle QGIS:in ja tietokantojen pyörteisiin, että melkein jäi sisäistämättä, mitä tässä tehtävässä nyt sitten käytännössä piti saavuttaa ja mitä siinä oikein tehtiin. Tuomas Hartikainen avaa tehtävän ohjeistuksessa ja tietokannoissa vilisseet käsitteet hyvin ymmärrettävästi blogissaan seuraavasti: “Tulvaindeksillä tarkoitetaan keskiylivirtaaman ja keskialivirtaaman välistä suhdetta. Keskiylivirtaama on joen uoman poikkileikkauksen läpi kulkevan vesimäärän ylimpien mitattujen arvojen keskiarvo, ja keskialivirtaama vastaavasti pienimpien mitattujen arvojen keskiarvo.” 

Eli siis mitä suurempi keskiylivirtaaman ja keskialivirtaaman vaihteluväli, sitä suurempi tulvaindeksi. Mitä suurempi tulvaindeksi, sitä suurempi tulvariski. Näyttäisi myös kartan (kuva 2) perusteella siltä, että korkea järvisyysprosentti on yhteydessä matalaan tulvaindeksiin ja päinvastoin. 

Kuva 2. Valuma-alueiden tulvaindeksit ja järvisyys 

 

Lähteet: 

Hartikainen, T. (2022). 3. Kurssikerta, Maa-gis-ta menoa (luettu 14.2.2022). Saatavilla https://blogs.helsinki.fi/tuomhart/ 

Raappana, E. (2022). Kolmas kurssikerta: tietokannat, Eevin GIS-blogi (luettu 14.2.2022). Saatavilla https://blogs.helsinki.fi/eeviraap/ 

Tiainen, S. (2022). MAA-202 Geoinformatiikan menetelmät, viikko 3, Sanni Tiainen (luettu 14.2.2022). Saatavilla https://blogs.helsinki.fi/santiain/?lang=en 

Toisella kurssikerralla jatkoimme tuttuun tapaan QGIS:in kanssa työskentelyä, tällä kertaa erilaisten projektioiden parissa. Aluksi tarkastelimme Robinsonin ja Mercatorin projektioita. Mittasin Pohjois-Lapin läpi kulkevan suoran reitin, jonka pituudeksi tuli Suomessa käytössä olevassa ETRS TM35FIN -koordinaattijärjestelmässä noin 125 kilometriä. Robinsonin projektiolla täsmälleen sama reitti olikin yhtäkkiä 220 km ja Mercatoriin vaihdettuani noin 360 km. 

Vääristymät olivat siis huomattavan suuria, myös mittaamieni pinta-alojen kohdalla. Erot johtuvat siitä, että maapallon kolmiulotteista pintaa on mahdoton kuvata täydellisesti tasopinnalla. Tämän takia projektiot vääristävät väkisin alueiden välimatkoja, pinta-aloja tai muotoja. 

Seuraavaksi tehtävänä oli vertailla muutamaa omavalintaista koordinaattijärjestelmää ETRS TM35FIN –koordinaatistoon ja visualisoida niiden pinta-alojen prosentuaaliset vääristymät kartalla. Parin epäonnistuneen yrityksen ja pienen vääntämisen jälkeen sain havainnollistettua neljän eri koordinaatiston aiheuttamat vääristymät.

Ennen kuin siirryn omiin karttoihini ja niiden vääristymien tarkasteluun, haluan kuitenkin ottaa esille Salla Kärkkäisen omassa blogissaan tekemän huomion projektioiden vertailuun liittyen. Kärkkäinen kirjoittaa osuvasti: “…on hyvin huomionarvoista muistaa, että vääristymät on kuvattu juurikin TM35-projektiossa, mikä mielestäni vaikuttaa vääristymän visuaaliseen tulkintaan. Jos tulkinta olisi tehty toisin päin, eli TM35-projektion virhe olisi laskettu muiden projektioiden päälle, korostuisi siinä juuri TM35-projektion heikkous.” 

Ensimmäisenä otin käsittelyyn Winkel Tripel –projektion, josta sain tuotettua alla olevan kartan (kuva 1). Kuten huomataan, vinoutumat ovat sitä suurempia mitä pohjoisempaan mennään. Vähiten pinta-ala siis vääristyy Etelä-Suomessa ja eniten Lapin pohjoisosassa. Esitin aineiston ohjeiden mukaan kahdeksassa luokassa, mikä oli tässä tapauksessa erittäin toimiva ratkaisu. 

Kuva 1. Winkel Tripel –projektion pinta-alan vääristymät prosentteina ETRS TM35FIN –koordinaatistoon verrattuna

Seuraavaksi tarkastelin Bonnen projektiota. Kuten valmiista kartasta (kuva 2) huomaa, pinta-ala kieroutuu nyt eri suunnassa kuin äsken. Vääristymät suurenevat mitä keskemmälle Suomea mennään. Pienimmät vääristymät ovat Ahvenanmaalla sekä Pohjanmaan, Satakunnan ja Varsinais-Suomen maakuntien alueella. Päädyin käyttämään tässä vain viittä luokkaa kartan selkeyden ja miellyttävän ulkoasun vuoksi. 

Kuva 2. Bonne-projektion pinta-alan vääristymät prosentteina ETRS TM35FIN –koordinaatistoon verrattuna

Viimeisenä tutkailin Wagner VII –projektiota, jonka vääristymät näyttivät jakautuvan melko kummallisesti. Tarkistinkin uudestaan tehneeni kaikki toiminnot oikein QGIS:llä ja kyllä, pinta-alat vääristyvät alla olevan kartan (kuva 3) mukaisesti. Tähänkin otin mukaan vain viisi luokkaa, sillä kartta näytti näin selkeämmältä kuin kahdeksalla luokalla.

Kuva 3. Wagner VII –projektion pinta-alan vääristymät prosentteina ETRS TM35FIN –koordinaatistoon verrattuna

 

Lähteet:

Kärkkäinen, S. (2022). Viikko 2: Kuntien avainlukuja ja gissiä, Sallan blogi (luettu 31.1.2022). Saatavilla https://blogs.helsinki.fi/karkkais/

Geoinformatiikan menetelmät -kurssi lähti tehokkaasti käyntiin viime tiistaina, onneksemme lähiopetuksena paikan päällä Kumpulassa. Ensimmäisellä opetuskerralla tutustuimme QGIS-ohjelman käyttöön. Olin käyttänyt ohjelmaa jo kerran aikaisemmin, Johdatus geoinformatiikkaan –kurssilla, mutta silloin sen käyttö tuntui tuskaisen vaikealta ja monimutkaiselta. Tällä kertaa kuitenkin saimme selkeät, helposti seurattavat ohjeet QGIS:n käyttöön ja kartan laatiminen olikin yllättävän mukavaa ja sujuvaa! 

Tehtävänä oli siis luoda QGIS:llä oma koropleettikartta typpipäästöistä Itämerellä. Kartta laadittiin valmiin karttapohjan sekä tilastojen perusteella. Karttaa tehdessäni opin muun muassa hallitsemaan ainakin jollain tasolla QGIS:n yleisimpiä, tärkeitä työkaluja sekä tuomaan ja viemään aineistoja. Omaan valmiiseen karttaani (kuva 1) olen tyytyväinen, sen visuaalinen ilme on mielestäni onnistunut. Jälkikäteen olisin tosin pohtinut uudestaan järvien väriä, sillä lopputulos näyttää tällä hetkellä melko puuroiselta. 

Kuva 1. HELCOM-merialueen typpipäästöt valtioittain

Kartasta pistää silmään suurimpana saastuttajana Puola, joka ainoana HELCOM-merialuetta ympäröivistä valtioista kuuluu typen päästöjen osuudessa luokkaan 13,3-33,7 %. Nea Tiainen mainitsee omassa blogissaan, että Puolan typpipäästöistä 50% on peräisin maataloudesta. Maatalous onkin metsätalouden ohella merkittävin, Itämeren rehevöitymistä aiheuttavien, typpipäästöjen lähde (WWF). 

 

Toisessa harjoituksessa, joka tehtiin kotona, oli tarkoituksena tuottaa Suomen kuntiin liittyvistä tiedoista koropleettikartta omavalintaisen muuttujan perusteella. Valitsin muuttujaksi 0-14-vuotiaiden osuuden väestöstä prosentteina. Käytännössä harjoitus oli aika simppeli. Valittu muuttuja piti visualisoida oman maun mukaan valmiille karttapohjalle, jonka onnistuin tuomaan QGIS:iin ilman ongelmia. Koropleettikartan tekeminen sujui kotona melko vaivattomasti, sillä kartan tekemiseen käytin työkaluja, joihin olimme jo yhdessä tutustuneet lähiopetuksessa. Valmis tuotokseni on näkyvissä alla (kuva 2).

Kuva 2. 0-14-vuotiaiden prosenttiosuus väestöstä vuonna 2015

Lopputulos havainnollistaa hyvin väestön ikärakenteen jakautumista Suomessa. Kuten kartasta nähdään, 0-14-vuotiaita on prosentuaalisesti eniten pääkaupunkiseudun, Turun ja Tampereen läheisyydessä sekä Pohjois-Pohjanmaalla. Itä-Suomessa ja Lapin pohjoisosissa puolestaan 0-14-vuotiaiden prosenttiosuus on alhainen. Ilmiöön löytyy mitä todennäköisimmin selitys siitä, että monet nuoret aikuiset muuttavat pois syrjäseuduilta suuriin asutuskeskuksiin usein korkeakouluopintojen tai töiden perässä (Lappalainen, 2017).

 

Lähteet:

Lappalainen, O. (2017). Miksi ja miten tutkia nuorten muuttoliikettä? sosiologi. (Luettu 26.1.2022). Saatavilla https://www.sosiologi.fi/?p=628

Tiainen, N. (2022). Tapaamme jälleen, QGIS. Blogissa: Melkein GIS-guru siis itsekkin. (Luettu 24.1.2022). Saatavilla https://blogs.helsinki.fi/tiainea/ 

Itämeren rehevöityminen, WWF. (luettu 24.1.2022). Saatavilla https://wwf.fi/alueet/itameri/rehevoityminen/?gclid=Cj0KCQiAubmPBhCyARIsAJWNpiPkxjkaY9CNUh-JbrSIYL9oc6EYbfbUEk0sKV9akPbDarCDf9IFyS0aAo16EALw_wcB#rehevoitymisen-seuraukset 

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