Datan hakeminen maastosta ja internetistä

Aamureippailu maastossa

Kuudes kurssikerta aloitettiin maastossa. Saimme tehtäväksi kerätä dataa noin kymmenestä valitsemastamme pisteestä kumpulan lähimaastosta puhelimeen ladattavaan aplikaatioon. Jokaisesta pisteestä vastattiin viiteen kysymykseen liittyen sen turvallisuuteen ja viihtyvyyteen. Mielestäni oli kiva konkretisoida kurssilla oppimia asioita ja päästä itse keräämään dataa, eikä vain latailemaan kurssin moodle alueelta eri tiedostoja ja tietokantoja. Tämän jälkeen kurssin opettaja Arttu muodosti keräämästämme datasta csv tiedoston, jonka veimme itse QGIS sovellukseen ja aloimme tutkimaan tuloksia. Aluksi veimme kaikki pisteet kartalle ohjelmassa ja interpoloimme ne turvallisuuden mukaan kartalle. Sain seuraavanlaisen tuotoksen kartasta:

Kartassa näkyy punaisena turvattomana koetut ja sinisellä turvallisena koetut alueet. Kartassa voidaan huomata, että kävelytiet ja polut ollaan koettu hyvin turvallisina toisin kuin suurien teiden läheisyydessä olo on ollut turvattomampi suuren liikenteen takia. 

Datan hakeminen internetistä

Seuraavaksi saimme tehtäväksemme hakea itse dataa netistä ilman, että kurssin opettaja tuo sitä meille saatavaksi. Pohjakarttana toimi koko maailmankartta, jonne lisäsimme pistemuotoista aineistoa csv muodossa erilaisista luonnonkatastrofeista. Teimme itsenäisesti karttoja loppu kurssikerran ja sain seuraavanlaiset tuotokset aikaiseksi: 

Kuva 1. Maailman tulivuoret ja maanjäristykset, joiden suuruus on ollu 8-9 magnitudia vuodesta 1900 lähtien. 

Kuva 2. Laskeutuneet meteoriitit ajanlaskun alusta vuoteen 2013 asti. 

Kuva 3. Maailman tulivuoret ja maanjäristykset, joiden suuruus on ollut 6-9 magnitudia vuodesta 1900 lähtien. 

Analyysiä

Tämän tyyppisiä karttoja pystyisi hyvin käyttämään opetusmateriaalina esimerkiksi peruskoulussa ja lukiossa luonnonmaantieteen opetuksessa. Niiden sijaintien konkretisointi ja esittäminen kartalla antaa paljon tietoa oppilaille maapallon rakenteesta ja mannerlaattojen sijainnista ja liikkeistä. Kuvasta 1 ja 3 voidaan havaita, että tulivuorten ja maanjäristysten sijainnit osuvat pitkälti samoille alueille mantereilla. Maanjäristysten sijainnit merellä näyttävät hyvin mannerlaattojen rajakohdat ja esimerkiksi alityöntövyöhykkeet ja alueet, joissa on suurempi riski kohdata tsunami. Lotta oli maininnut blogissaan, että mannerlaattojen rajojen lisääminen kartalle havainnollistaisi sitä entisestään. Tämän pointin huomioon ottamine selkeyttäisi karttaa entisestään ja auttaisi ymmärtämään maapallon kuoren toimintaa. Meteoriittien laskeutumispisteet (Kuva 2) esitettynä kartalla havainnollistaa, missä niiden riski on kaikista suurin. Amerikassa ja Väli-Amerikassa riski on huomattavasti suurempi kuin aivan maapallon pohjoisosissa kuten Grönlannissa tai Alaskassa.

Oma datan hakeminen internetistä oli mielestäni tarpeellinen taito varsinkin, kun olen valmistumassa aineenopettajaksi. Tulen varmasti hyödyntämään oppimaani taitoa myöhemmin työssäni nyt varsinkin kun opetus on käytännössä kokonaan digitaalista ja tapahtuu tietokoneiden välityksellä, eikä niinkään liitutaululla. 

Lähdeluettelo:

https://blogs.helsinki.fi/salotta/

https://earthquake.usgs.gov/earthquakes/search/

https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search

https://data.nasa.gov/Space-Science/Meteorite-Landings/gh4g-9sfh

Helsingin yliopsito, Geoinformatiikan menetelmät I, Arttu Paarlahti, 25.2.2022

 

 

Rasteriaineistoihin tutustuminen

Ensimmäinen tehtävä rasteriaineiston kanssa

Neljännellä kurssikerralla keskityttiin rasteriainieistoihin ja niiden käsittelyyn. Tällä kertaa kurssikerralle oltiin annettu rasterimuotoinen aineisto joka vietiin QGIS ohjelmaan, jossa sitä käsiteltiin monella eri tapaa. Päivän tavoitteena oli luoda ruututeemkartta pääkaupunkiseudun väestöstä. Kukin sai itse valita minkälaisen koropleettikartan haluaa tehdä alueesta ja itse päätin tutkia ulkomaan kansalaisten osuutta eri alueilla pääkaupunkiseudulla erikseen sekä suhteutettuna alueen väkilukuun. Ensimmäisessä kuvassa (Kuva 1) tutkin miten paljon yhdelle ruudulle osuu ulkomaankansalaisia ja kuvassa kaksi (Kuva 2) niiden suhteellista osuutta ruudun väestöön suhteutettuna.

Kuva 1. Ulkomaan kansailisten määrä yhdellä neliökilometrillä

Kuva 2. Ulkomaankansalaisten suhteutettu määrä väestöön yhdellä neliökilometrillä

Analyysiä

Kun kuvia vertaa keskenään niissä voidaan huomata selvä ero. Pelkkä ulkomaankansailsten määrä yhtä ruutua kohden eli neliökilometriä kohden ei vielä kerro mitään alueen väestörakenteesta, koska jollakin alueella saattaa asua   monta sataa ulkomaan kansalaista, joka näyttää ensimmäisessä kuvassa suurelta määrältä, mutta kun sen suhteuttaa alueen väkilukuun se kertoo todellisen suhteen heidän määrästä. Ruututeemakrtan tulkitseminen on hieman hankalampaa mielestäni kuin esierkiksi koropleettikartan tulkitseminen on. Olisin voinut selkeyttää karttaa hieman merkitsemällä kuntien rajat ja esimerkiksi suurimmat tiet näkyviin.

Yleisesti kun karttaa analysoi ja tulkitsee voidaan huomata, että ulkomaankansalaiset keskittyy hyvin pitkälti pääkaupunkiseudun pohjoisosiin Vantaan alueelle ja myös Espoon osiin kun heidän suus suhteutetaan väkilukuun. Oli hauska huomata, kun tutkin muiden kurssilaisten karttoja minkälaisia tuloksia he olivat saaneet kun oli valinnut eri muuttujan tarkasteltavaksi. Tarkastelin eniten Annin blogia ja hänen tekemäänsä karttaa ruotsinkielisten osuudesta suhteutettuna väkilukuun. Kartasta pystyi huomata, että ruotsinkielisten osuus painottuu hyvin paljon Espoon ja Sipoon alueelle. Valitsemalla eri muuttujia kartan ulkonäkö muuttuu siis todella paljon ja valitsemalla oikeat värit sen esteettisyyteen pystyy vaikuttamaan.

Lopuksi

Teimme vielä kurssikerral lopulla uudesta aineistosta hieman digitointia QGIS ohjelmalla. Piirsimme Pornaisten keskustan alueen kaikki niin snaotut päätiet sekä merkkasimme pisteillä kaikki alueen asutetut rakennukset. Tämä helpottaa ensi kurssikerran työtä, jonka aloitammekin ensi perjantaina.

Lähteet:

https://blogs.helsinki.fi/ableppa/

 

Kolmas kurssikerta ja erilaisten tietokantojen käsittely

Afrikan konfliktit ja timanttikaivokset

Kolmannen kurssikerran aikana opettelimme miten QGIS:n avulla erilaisia tietokantoja voi yhdistellä eri toimintojen avulla, jotta saataisiin tuotettua mahdollisimman paljon informaatiota antava kartta. Ensimmäinen harjoitus tehtiin yhdessä kurssin opettajan kanssa kädestä pitäen ja opettleimme miten ulkoista tietoa tuodaan toiseen tietokantaan ja miten tietokannan sisällä olevaa tietoa yhdistellään. Esimmäisen harjoituksen tuotoksena muodostin seuraavanlaisen kartan Afrikan mantereesta. (Kuva 1)

Kuva 1. Konfliktien, timanttikaivosten ja öljyesiintymien sijainti Afrikan mantereella

Opin kurssikerran aikana esimerkiksi yhdistämään usein esiintyvän tiedon yhdeksi tietokannaksi QGIS:n avulla. Meille annettu aineisto oli todella tarkka aineisto Afrikan mantereesta, joissa jokaisen valition omat saaret olivat annettu yksittäisinä tietokantoina ja meidän piti yhdistellä ne yhdeksi suuremmaksi tietokannaksi, jotta kaikkea tietomäärää olisi helpompi käsitellä. Nämä kaikki erilliset kohteet pystyi yhdistämään keskenään jonkin yhteisen tekijän, esimerkiksi valtion nimen avulla.

Harjoituksessa halusimme myös tuottaa tietoa sijaintitiedon avulla. Kartassa (Kuav 1) voimme nähdä mihin valtioihin esimerkiksi konfliktit ja tikamanttikaivokset sijoittuvat, mutta emme tiedä niiden tarkkaa lukumäärää. Tämän takia pystyimme sijaintitiedon avulla muodostamaan tarkkaa tietoa, kuinka monta konfliktia ja timanttikaivosta missäkin valtiossa sijaitsee ja sen kautta tarkastelemaan onko niillä yheyttä keskenään. Tässä kuitenkin syntyy ongelma, koska haluamme tarkastella tapahtuuko konflikteja tasaisesti vuosien varrella vai onko jossakin valtiossa yhden vuoden aikana tapahtunut melkein kaikki valitossa syntyneet konfliktit. Tämän takia muodostimme uuden muuttujan, joka kertoo monenako vuonna altiossa on ollut konflikteja. Kuten Ronja Sonninen kertoo blogissaan: “Aivan mahdollistahan on, että jossakin valtiossa on vaikka muutaman vuoden aikana ollut paljon konflikteja ja jossakin toisessa valtiossa taas vuosikymmenen ajan tasaisesti; ensimmäiseksi mainitussa on saattanut olla hetkellinen epävakaustilanne, jälkimmäisessä epävakaat olot ovat puolestaan olleet jatkuvampia.”

Tulvaindeksit ja järvisyysprosentit

Seuraavassa harjoituksessa työskentelimme itsenäisesti taas Suomen valtion kartan parissa. Harjoituksen tarkoituksena oli muodostaa koropleettikartta, joka kuvaa tulvaindeksiä Suomen valtion alueella (Kuva 2). Kartan muodostaminen tuntui aluksi helpolta prosessilta, mutta loppupeleissä se vaati pieniä tietokantojen yhdistelemisiä ja laskukaavojen pyörittelyä QGIS:n avulla. Tulavindeksin lisäksi karttaan tuli vielä lisätä järvisyysprosentti diagrammeina. Tätä en saanut tehtyä omien taitojeni avulla, vaikka miten pitkään pyörittelin karttaa ja tiedostoja sekä yhdistelin eri tietokantoja. Lukiessani muiden kurssilaisten blogeja sain idean miten saisin lisättyä järvisyysprosentin omaan karttaani. Päätinkin kokeilla ensi kurssikerran aikana jos saisin sen onnistumaan. Tykkäsin todella paljon miten Eemil (https://blogs.helsinki.fi/sillanko/) oli tuonut omassa blogissaan esille kartan tekemisen eri vaiheet ja lopputuloksen, jonka hän oli saanut aikaan. Kartan ulkoasu on selkeä ja järvisyysprosentti kuvattu hienosti piirakkadiagrammeina. Moni muu oli esittänyt sen pylväsdiagrammina, joka on myös toinen hyvä vaihtoehto. Mielestäni kuitenkin Eemilin tekemä piirakkadiagrammi oli omaan silmään paljon selkeämpi.

Kuva 2. Valumaalueiden tulvaindeksiä kuvaava koropleettikartta

Tulvaindeksi lasketaan keskiylivirtaaman suhteena keskivirtaamaan (MHQ/MQ). Tällöin niin sanottu yleinen tulvaindeksi kuvaa sitä, kuinka moninkertainen tulvahuipun vesimäärä on keskimääräiseen joen keskivirtaamaan verrattuna. Suurin tulvaindeksi on Itämeren rannikkoalueilla Länsi- ja Etelä-Suomessa kartan (Kuva 2) mukaan.

Lähteet:

https://blogs.helsinki.fi/sronja/

https://blogs.helsinki.fi/sillanko/

Toisen viikon harjoitukset

Pinta-alat ja pituudet eri karttaprojektioilla

Tällä viikolla käsittelimme eri karttaprojektioita ja esimerkiksi niiden vääristämiä pinta-aloja. Näiden lisäksi opettelimme mittaamaan etäisyyksiä ja alueiden kokoja kartalla QGis:n avulla ja pääsimme näin taas hieman paremmin kärryille kaikista ohjelman mahdollisuuksista. Ensimmäisessä harjoituksessa mittasimme pituuden ja pinta-alan vääristymistä valitsemillamme projektioilla. TM35FIN on yleisin Suomessa käytetty karttaprojektio, koska se vääristää kaikista vähiten eri mittoja, kun mitataan Suomen valtion alueella. Kokosin saamani tulokset taulukkoon (Taulukko 1). Valitsimme pituuden ja alueen mielivaltaisesti kartalta ja vertasimme niitä keskenään eri projektioissa. Taulukosta voidaan huomata, että suurimman vääristymän aiheuttaa Winkel II -karttaprojektio, kun taas pienimmän Wagner VII -projektio.  Aiheesta tietämätön ihminen ei välttämättä tule edes ajatelleeksi, kuinka paljon erilaiset karttaprojektiot aiheuttaa vääristymiä, jos niitä ei osaa käyttää oikein ja oikeassa tilanteessa. pelkohan kertoi omassa blogissaan ajatuksen siitä, että lukio-opetusta kannattaisi laajentaa käsittelemään myös erilaisia karttaprojektioita ja esimerkiksi kartoitusmenetelmiä. Tämä olisi minunkin mielestä varteenotettava ajatus ja tähän pitäisi kiinnittää enemmän huomiota.

TM35FIN ROBINSON WINKEL II WAGNER VII
Pinta-ala (km2) 2808,8 4024,8 4030,2 2820
Pituus (km) 136,6 240,1 193,7 209,3

Taulukko 1. Valitun alueen pinta-ala (km2) ja etäisyys (km) vertailussa eri projektioiden välillä.

Pinta-alojen vääristymät eri projektioilla verrattuna Suomessa käytettyyn TM35FIN projektioon

Tässä tehtävässä tarkastelimme taas valitsemiamme projektioita ja sitä, kuinka ne vääristävät Suomen kuntien pinta-aloja verrattuna TM35FIN projektioon. Muodostimme jo annetuista arvoista uuden arvon, jossa verrataan kahden eri projektion pinta-ala vääristymää. Sain uuden muuttujan laskemalla monin kertainen valitsemani projektion pinta-ala on verrattuna TM35FIN projektioon. Näiden laskettujen arvojen avulla muodostin kartan, jossa eri väri kuvaa vääristymän suuruutta. Vertasin ensimmäisenä Robinson (Kuva 1), Winkel tripel (Kuva 2) ja Mercator (Kuva 3) projektioita TM35FIN projektioon. Kaikissa voidaan huomata, että vääristymä kasvaa mentäessä etelästä pohjoiseen päin.

Kuva 1. Robinson projektion muodostama pinta-alavääristymä kunnittain verrattuna TM35FIN projektioon 

Kuva 2. Winkel tripel projektion muodostama pinta-alavääristymä kunnittain verrattuna TM35FIN projektioon

Kuva 3. Mercator projektion muodostama pinta-alavääristymä kunnittain verrattuna TM35FIN projektioon 

Winkel tripel (Kuva 2) ja Robinson (Kuva 1) projektioiden välillä ei ole huomattavaa eroa kun taas Mercator projektio (Kuva 3) eroaa huomattavasti muista. Siinä suurin pinta-alan vääristymä on jopa kahdeksankertainen verrattuna TM35FIN projektioon. Mercatorin projektio on oikeakulmainen, jonka takia sitä käytetään esimerkiksi navigoinnissa hyödyksi. Lukiessani Ronjan (https://blogs.helsinki.fi/sronja/) blogia, huomasin, että hän oli valinnut Cassinin projektion itselleen vertailuun. Siinä vääristymä kasvaa luoteesta kaakkoon päin, eli eri tavalla kuin minun valitsemissani projektioissa. Kuitenkaan vääristymät eivät ole suuruudeltaan yhtään sen huomattavimpia kuin esimerkiksi Winkel Tripel projektiossa. 

Lopuksi

Tällä viikolla opin yhä enemmän eri projektioista ja käytännössä niiden käytöstä. Opin myös ymmärtämään niiden mittasuhteita ja niiden oikeaoppisesta käytöstä yhä enemmän. Samalla kun opin sisällöllistä asiaa minun silmä alkaa pikkuhiljaa harjaantumaan karttojen lukemisessa ja tulkinnassa. Uskon, että kurssin edetessä opin huomaamaan kartoista yhä enemmän pieniäkin yksityiskohtia ja muodostamaan niitä itsekin QGis ohjelman avulla.

Lähteet:

pelkohan

https://fi.wikipedia.org/wiki/Robinsonin_projektio

https://blogs.helsinki.fi/sronja/

 

 

 

Ensikosketus QGis ohjelman käyttöön

Itämeren typpipäästöt

Ensimmäisen kurssikerran tehtävänä oli tutustua yleisesti QGis -ohjelmaan ja sen eri ulottuvuuksiin ja mahdollisuuksiin. Ensimmäisenä tehtävänä teimme Itämeren alueen typpipäästöihin liittyvän tehtävän. Latasimme koneillemme SHP tiedoston, jossa kaikki tarvitsemamme tieto ja data aiheesta oli ja aloimme muokkaamaan sitä QGis:n avulla mahdollisimman selkeäksi ja hyvin ymmärrettäväksi. Tehtävässä sommittelimme ja muokkasimme kartan ulkonäköä miellyttävämmäksi ja teimme uusia laskuja ja arvoja jo olemassa olevien arvojen avulla. Näin saimme laskettua paljon mikäkin Itämeren rannikkovaltioista päästää eniten typpipäästöjä mereen suhteellisesti. Harjoituksen aikana sai hyvän ensikosketuksen QGis:n maailmaan ja kartan muokkailu ja rakentaminen oli hyvin koukuttavaa ja mielenkiintoista. Ohessa kuva tuottamastani kartasta (Kuva 1). Muodostamastani kartasta voidaan huomata, että Suomen typpipäästöt eivät ole lainkaan niin suuret kuin esimerkiksi Ruotsin tai Venäjän. 

Kuva 1. Itämeren alueen valtioiden typpipäästöosuudet vuodelta 2016 HELCOM aineiston pohjalta (Arttu Paarlahti 2022)

Koropleettikartan muodostaminen

Toisena tehtävänä teimme itsenäisesti annetun aineiston pohjalta koropleettikartan Suomen kunnista ja niiden väkiluvusta. Kartasta voidaan huomata, että Suomen väestö on painottunut suurilta osin valtion etelä- sekä keskiosiin. Aivan pohjoisessa Suomineidon pään ja käden alueella asutusta ei ole paljoa. Tämä voi johtua esimerkiksi pitkistä välimatkoista ja palveluiden heikosta saamisesta alueella. Etelä- ja keski-Suomen lisäksi myös oulussa asuu paljon Suomen väestöstä. Oulussa on hyvät palvelut ja esimerkiksi yliopisto, joka vetää paljon opiskelijoita puoleensa. Suomen väkiluku on kasvanut vuoden 2015 jälkeen noin 62000 (Tilastokeskus 2022), jonka takia väestön jakautuminen nykyaikeisemmasta väestötideosta voisi olla tarkempi kuvaamaan tämän hetkistä tilannetta. Harjoituksen aikana oppi lisää QGIS ohjelman käytöstä ja minkälaisia karttoja sillä voi muodostaa nopeastikin kun vain tietää mitä komentoja ja nappuloita painaa. 

Kuva 2. Koropleettikartta Suomen kuntien väkiluvusta vuonna 2015

Yhteenveto

Tämän ensimmäisen kurssikerran aikana opin paljon QGis ohjelman käytöstä ja sen mahdollisuuksista. Odotan innolla mitä seuraavan kurssikerran aikana tulemme tekemään ja tämä oli mielestäni loistava aloitus uudelle Geoinformatiikan menetelmät I kurssille. 

Lähteet: 
Paarlahti A. 2022, kurssimateriaali Geoinformatiikan menetelmät I

Tilastokeskus, Stat.fi, Tiedot noudettu 6.2.2022