Month: February 2022

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