Viimeisen postauksen aika!

Loppuhuipentumana tehtävänämme oli tuottaa itse karttaesitys valitsemastaan aiheesta, mikä kuulosti erittäin innostavalta! Tuumaillessani ja pyöritellessäni viime kerralla tehdyillä maailmakartoilla sormeani, valitsin lopulta aiheekseni Ranskan ja päädyin itselleni tuttuun Nizzan alueeseen. Olin huomannut saman asian kuten myös Johanna datan hurjasta määrästä ja siitä kuinka vaikea sieltä oli myös kaivaa itselleni ne sopivat tietokannat. Aluksi aikomuksenani oli tehdä karttaesitys Ranskan luonnonvaroista tai jostakin ympäristön tilaan liittyvästä. Oma kielitaitoni tai kärsivällisyyteni ei kuitenkaan taittunut sopivaan aineistokokonaisuuden kasaamiseen vaan lopulliset kartat muodostuivat lähinnä materiaalista, minkä sisällön ymmärsin. 

Innostuin viheralueista kertovasta datasta. Olisi ollut houkuttelevaa katsoa, miten viheralueiden sijainti vaikuttaa asuntojen hintoihin, mutta tämäntyyppisen datan etsiminen ei oikein tuottanut tulosta. Päädyin sitten yhdistelemäään viheraluetietokantaan julkiseen liikenteeseen liittyviä tietokantoja. Tarkastelin miten kaupunkipyöräasemien ja julkisenliikenteen pysäkkien määrät eroavat viheralueittain. Tuotin viheralueiden saavutettavuustiedon luomalla 100 metrin puskurointivyöhykkeet.

Nizzan julkinen liikenne koostuu linja-auto- ja raitiovaunuliikenteestä. Kaupungissa on myös kaupunkipyöräverkosto. Julkinen liikenne Nizzan alueella on mielestäni mielenkiintoinen aihe, sillä uusia raitiovaunuyhteyksiä on rakenteilla lentokentälle ja siitä pohjoiseen Var-joen laaksoon.  Kartoista voi huomata, että julkisella liikenteellä (kuva 1) joidenkin keskusta-alueiden puistojen saavutettavuus on heikompi kuin kaupunkipyörillä kuten esimerkiksi vanhan kaupungin kupeessa sijaitsevan korkean linnakukkulan saavutettavuus. Puisto sijaitsee rannassa korkean kukkulan laella, jonka vieressä lepää tiheään rakennettu vanha kaupunki, jolloin julkisen liikenteen pysäkit jäävät kauas puistoalueesta. Julkisen liikenteen solmukohdat ovat keskusta-alueella ja sen pohjoisosassa kaukana kukkulan ympäristöstä, mikä voidaan huomata keskustaa halkovasta rannasta kaakkoon suuntautuvasta puistokaistaleesta, jonka saavutettavuus on puolestaan varsin hyvä. 

Toisen kartan pohjalta (kuva 2) voidaan huomata, että kaupunkipyöräasemaverkosto on erityisen hyvä Nizzan keskustassa (Promenaden itäreuna) sekä rantaviivan läheisyydessä. Keskusta-alueen ulkopuolisien viheralueiden ympäristössä julkisen liikenteen pysäkkien määrä on tasainen, kun kaupunkipyöräverkoston ulottuvuus jää vain keskusta-alueelle.

 

Kartoista tuli mielestäni visuaalisesti ihan kivoja. Värimaailma miellyttää omaa silmää ja on varsin harmoninen. Karttojen selkeyden puolesta ulkoasuun jäi ehkä hieman hiottavaa. Puistojen väriluokituksessa huonoimmin saavutettavien viheralueiden väri olisi voinut olla hieman kauempana meren väristä. Pienimpiä puistoja on myös hieman haasteellista erottaa karttaesityksistä, kuten myös kaikkia julkisen liikenteen pysäkeitä. Yksi iso ongelma on myös varmasti aluetta tuntemattomalle paikkojen hahmottaminen ilman yhtään paikan nimeä, jonka tajusin näin jälkikäteen kun tarkastelin lähemmin tuottamiani karttoja.

Kurssi alkaa olemaan takanpäin ja gis-luokan penkkiä kulutettu muutama tovi! Tästä sai kyllä hyvän briiffauksen QGIS:n pariin ja vaikka välillä hermot meinasi pettää ja pahasti niin karttojen kanssa hääräily oli kyllä tosi kivaa, varsinkin kun tajusi oppineensa ja osasi korjata jo aiempien kertojen virheitä. Näihin juttuihin on ehkä hyvä lopetella tämä kurssi!

 

Lähteet:

Johanna Mölsä, Kurssikerta 7, (luettu 24.3.2019) (https://blogs.helsinki.fi/johannmo/2019/03/15/kurssikerta-7-2/)

http://tramway.nice.fr/schema-des-transports/

https://www.data.gouv.fr/en/

http://opendata.nicecotedazur.org/site/

 

Kuudennella kerralla kokeilimme tuottaa itse aineistoja Epicollect5 -sovelluksella ja harjoittelimme interpoloimaan karttoja. Pääsimme seikkailemaan Kumpulan lähiympäristössä ja vähän pidemmälläkin keräämässä itse pisteaineistoa ympäristön ominaisuuksista, mikä oli kyllä varsin mukavaa vaihtelua ruudun tuijottamisen sijaan!

 

Kerätyn pisteaineiston pohjalta harjoittelimme interpolointia ja teimme kartat paikoissa koetun turvallisuuden perusteella. Interpoloiminen on itsessään varsin nopea operaatio, kuten Edvin kertoi blogissaan. Lisäksi yritin itse interpoloida esityksen myös paikkojen oleskeluviihtyvyydestä, mutta interpolointi epäonnistui useasti (vaikka onnistuessaan se olisikin varsin vaivatonta), joten päädyin lopulta visualisoimaan vain kurssikerralla tehdyn harjoituksen (kuva 2.) 

Kurssikerran tehtävänä oli tuottaa kolme karttaa hasardeista opetusmateriaaliksi. Omat karttani tein maanjäristyksistä ja tulivuorista.

Tuotin ensiksi kartan sadan vuoden ajalla tapahtuneista suurista maanjäristyksistä, jotka ovat Richterin asteikolla yli 7.0 magnitudia (kuvat 3 ja 4). Halusin, että kartalla hahmottuvat alueet, joilla maanjäristysten haitat ovat suurimmat. Käytin lisäksi muita löytämiäni aineistoja mm. litosfäärilaatoista ja merialueista. Kartoista voi huomata suurimpien maanjäristysten sijaitsevan Tyynenmeren tulirenkaan alueella. Muokkasin valkoharmaasta esityksestä hieman värikkäämmän, joka toimii tässä yksinkertaisessa esityksessä mielestäni hyvin. Mikäli olisin tehnyt kartan useiden eri hasardien esiintyvyydestä, olisi neutraalimpi esitys voinut olla jopa toimivampi.

Toisessa kartassa (kuva 5) esitin vuoden 2012 yli 3.0 magnitudin maanjäristykset. Vertailukohteena ensimmäiseen karttaani, halusin tässä esittää, missä maanjäristysten esiintyvyys on korkea. Kartasta voi havaita Tyynenmeren tulirenkaan lisäksi muualla litosfäärilaattojen saumakohdissa tapahtuvan tektonisen aktiivisuuden, joka ei tule ilmi suurimpia maanjäristyksiä kuvaavasta karttaesityksestä.

Kolmannessa kartassa yhdistin suurimpia maanjäristyksiä kuvaavaan karttaan vielä tulivuoret. Kartalla on havaittavissa tulivuorten esiintymisen yhteys suuriin maanjäristyksiin litosfäärilaattojen aktiivisissa saumakohdissa.Kuva 6. Kartalla suurimmat maanjäristykset ja tulivuoret.

Karttojen opetusmateriaali mielessä pitäen yhdessä nämä kartat esittävät mielestäni hyvin maankuoren toimintaa ja siitä johtuvia maapallomme luonnonhasardeja. Kartoilta voi havaita pääpiirteisesti tektonisesta aktiivisuudesta pääteltävät litosfäärilaattojen saumakohdat sekä suurten maanjäristysten ja litosfäärilaattojen liikkeiden yhteyden maanpinnalla näkyviin tulivuoriin. Karttoja voisi käyttää myös joidenkin ihmismaantieteen teemojen opetuksessa. Opetustarkoituksessa oleellista on myös alueen nimistö, joten sen suhteen olisin voinut myös nimetä esim. merkittävimmät mannerlaatat, saumakohdat tai mantereet kartalle.

Koska hasardeita esittävät alueet ovat laajoja ja kartat näyttävät pääpiirteet  hasardien ilmenemisestä maailmanlaajuisesti, päädyin tekemään ekstrana vielä Kaakkois-Aasian alueesta täsmentävän kartan vuoden 2012 maanjäristyksistä ja liittää siihen vielä tulivuoret (kuva 7).

Kurssikerran tehtävät olivat tosi kivoja ja sitä mieltä oli ilmeisesti myös moni muukin! Aineistojen käsittely sujui kivasti, QGIS ei temppuillut pahemmin ja aihe oli kiinnostava.

 

Ensi viikolla onkin sitten viimeinen kurssikerta, huisia! Palaamisiin siis!

Riina

 

Lähteet:

Edvin Väänänen,  kurssikerta 6: hasardikarttoja (luettu 15.3.2019)(https://blogs.helsinki.fi/edvaanan/2019/02/28/kurssikerta-6-hasardikarttoja/)

 

Viidennellä kurssikerralla pääsimme bufferoimaan ja tekemään paikkatietoanalyysejä sekä kertailemaan aikaisempien kurssikertojen juttuja. Ja kuten ennalta oli arvattavissa, ei hermoromahdukset jääneet uupumaan näidenkään tehtävien osalta. Vahvat epäilykset omasta osaamistasosta nousivat useasti pintaan, kun perusjututkin tuntuivat olevan hieman hukassa. Asiaa ei toki helpottanut yhtään, että en ollut itse kurssikerralla paikalla, vaikka jälkikäteen sain kuitenkin kuulla, että pääpaino oli ratkaista tehtävät pääasiassa itsenäisesti. Toisaaltai tsenäisesti tehden oli pakko keskittyä omaan tekemiseen, mikä helpotti ymmärrystäni uusien työkalujen käytöstä. Kuten myös Nabila totesi blogissaan, tuntuvat QGIS:n työkalut toimintalogiikaltaan simppeleiltä, mutta kun itse alkaa tuottamaan karttoja vaatii se syvää keskittymistä. Varsinkin tällä kurssikerralla tämä tuli huomattua hyvin. Soveltamista tarvittiin. Yhdeksi ongelmaksi muodostuivat myös toimimattomat aineistot, jotka olivat kaataa tehtävien valmistumisen.

Harjoittelin bufferointia aikaisemmin valmistelemallani Pornaisten alueella ohjeiden perässä roikkuen (kuva 1) ja pääsinkin hyvin sisälle bufferointityökalujen käyttöön.  Seuraavana tehtävänä oli tutkia, kuinka moni asuu Malmin ja Helsinki-Vantaan lentokenttien läheisyydessä tai kiitoratojen melualueiden sisällä. Malmin lentokentän kanssa oli muutamia haasteita, mitkä johtuivat lähinnä projektioiden kanssa pelleilystä. Törmäsin samaan ongelmaan, josta kertoivat myös Joonatan ja Teemu blogeissaan. Viimeisimpänä meinasin jo unohtaa ensimmäisessä osiossa Helsinki-Vantaan lentokentästä tehtävät analyysit, mutta jo yrittäneenä seuraavan osion tehtäviä, tuntui Helsinki-Vantaan lentokentän melualueiden laskemiset mukavalta kertaukselta ja pikkupulmiinkin löysin loppuviimein ratkaisut! Ensimmäisen osion tulokset ovat taulukoissa 1 ja 2.

Taulukko 1. Malmin lentokentän bufferointiharjoituksessa saatuja tuloksia.

Malmin lentokenttä	Asukkaiden määrä alueella	Rakennusten määrä alueella
1 kilometrin säteellä  lentokentästä	9343	845
2 kilometrin säteellä lentokentästä	58906	4974
1 km säteellä lentokenttää uudemmat rakennukset	9153	790

Taulukko 2. Helsinki-Vantaan lentokenttä -harjoituksessa saadut tulokset.

Helsinki-Vantaan lentokenttä	Asukkaiden määrä alueella	Rakennusten määrä alueella
2 km säteellä	11524	2358
joista 65 dB melualueella	20	8
joista yli 55 dB melualueella	656	211
kokonaisuudessaan yli 55 dB melualueella	11923	1780
Tilapäinen Tikkurilan suunnasta tulevien lentojen aiheuttama 60dB melualue	1835	417

Seuraavana osiossa tehtävänä oli käyttää laajemmin QGIS:n työkaluja ja valita yksi kolmesta tehtävästä. Eniten minulle tuli ongelmia tässä vaiheessa, sillä en saanut kurssikerran väestötietokantaa toimimaan laisinkaan.  Koska kolmen päivän aherruksesta ja useamman avunantajan yrityksistä huolimatta kurssikerran väestöaineisto avautui QGIS:ssa täysin tyhjänä, päädyin lopulta tekemään vain tehtävän numero kolme (kuva 3), jossa pystyin hyödyntämään aikaisemman kurssikerran aineistoa. Tehtävää varten täytyi hieman kaivella aivonystyröiden lomasta valintatyökalujen käyttöä. Tehtävä oli loppujen lopuksi mukavan yksinkertainen ja järjesteli QGIS:n toimintalogiikkaa päässäni enemmän paikoilleen vitostehtäväyritysten aiheuttamien sotkujen jälkeen. Tulokset voi nähdä taulukosta 3. Oli mukavaa työskennellä aineiston parissa ja tarkastella koulupiirin aluetta. 

Taulukko 3. Harjoituksessa 3 saadut tulokset Helsingin yhtenäiskoulun koulupiirin alueelta.

Helsingin yhtenäiskoulussa seuraavana vuonna -aloittavat uudet oppilaat yhteensä (oppilasta)	29
-yläasteella opiskelevat oppilaat yhteensä (oppilasta)	63
-ala- ja yläasteella opiskelevat oppilaat yhteensä (oppilasta)	202
Helsingin yhtenäiskoulun koulupiirin -asukasmäärä yhteensä (asukasta)	2367
-ala- ja yläasteen oppilaiden osuus alueen asukasmäärästä (%)	8,53
-muunkielisiä yhteensä (asukasta)	176
-josta arvioitu kouluikäisten määrä edellisessä kohdassa lasketun prosenttiosuuden perusteella	15

Kurssikerran uutena juttuna tullut bufferointi ja puskurivyöhykkeet toimivat varsin monipuolisena työkaluna tarkasteltaessa alueita ja niiden vaikutusalueita, mikä oli kiva huomata! Puskurivyöhykkeiden avulla pystytään tutkimaan erinäisten alueiden tai kohteiden ympäristöä. Esimerkiksi kuinka suureen osaan väestöstä jokin haitta vaikuttaa, kuten juuri lentomelu tai kuinka paljon tietyntyyppistä väestöä asuu tiettyjen kohteiden ympärillä. Puskurivyöhykkeillää voi mielestäni tarkastella pistemäisten kohteiden lisäksi myös alueimaisia kohteita, jolloin voidaan esimerkiksi tutkia asuinympäristöjen viheralueiden ja rakennetun ympäristön runsautta. Samalla tavalla puskurivyöhykkeillä voidaan tarkastella myös vaikkapa vesistöjä ympäröivien maatalousympäristöjen runsautta.

Tehtävien teon jälkeen jäi fiilis, että jonkintasoinen yhteisymmärrys on syntynyt jo QGIS:n kanssa ja esimerkiksi alueiden valitseminen ja bufferointi sujuu varsin mallikaasti! Projektioiden kanssa pätevät lainalaisuudet pääsevät välillä unohtumaan karttatasoja ja projekteja tallennettaessa, mutta tulevat varmasti syöpymään vielä syvemmälle mieleeni seuraavien kurssikertojen yhteydessä. Ruututietokantojen kanssa voisin tarvita vielä harjoitusta tai jonkinlaista muistin virkistystä! Koska tehtäviä 4 tai 5 en saanut tehtyä väestötietokannan ongelmallisuuden takia, haluaisin päästä vielä harjoittelemaan myös näiden tehtävien parissa.

 

Tällaista tällä kertaa, ensi viikkoon!

Riina

 

Lähteet:

Nabila nur, viides kurssikerta (luettu 13.3.2019)(https://blogs.helsinki.fi/nabila/2019/02/23/viides-kurssikerta/)

 

Joonatan Huhdanpää, viikko 5 (luettu 13.3.2019)(https://blogs.helsinki.fi/joonatah/2019/02/21/viikko-5/)

 

Teemu Lindén, viikko 5 (luettu 13.3.2019)(https://blogs.helsinki.fi/lindetee/2019/02/20/viikko-5/)

 

Kolmannella kurssikerralla syvennyimme tietokantoihin ja siihen, miten ulkopuolista tietoa lisätään attribuuttitaulukoihin ja miten sitä muutetaan ja siirretään niiden välillä.

Kurssikerralla pääsimme kunnolla vauhtiin ja useiden virheellisten kokeilujen ja QGIS:n kaatuilun vuoksi tuli toistettua toimenpiteet moneen kertaan. Kurssikerralla syntyi kartta (kuva 1) Afrikan öljykenttien, timanttikaivosten ja konfliktien esiintyvyydestä. Laskin oma-aloitteiseti myös konfliktien määrän suhteutettuna väestömäärään, mutta tein koropleettikartan lopulta vain absoluuttisesta konfliktien määrästä, sillä en kyennyt selvittelemään esityksessä tarpeellista yksikköä. Tietokantoihin oli tallennettu monia eri  luonnonvaroja ja konflikteja koskevia muuttujia, joiden perusteella olisi mahdollista tehdä useita erilaisia esityksiä näihin liittyen.

Kartasta voidaan tehdä havaintoja konfliktien runsaan esiintyvyyden ja luonnonvarojen välisestä yhteydestä. Mikäli halutaan selvittää tarkemmin luonnonvarojen  esiintyvyyden vaikutusta konfliktien syntyyn, tulisi tarkastella tietokantoihin tallennettujien muuttujien ajoittumista. Eniten silmiini pisti Libyan vähäisten konfliktien määrä suhteessa runsaisiin öljyvaroihin, mihin myös Amanda kiinnitti huomiota blogissaan. Kartta kuitenkin vääristää tuloksia, sillä Libyan tilanne on todellisuudessa ollut ajoittain varsin kaoottinen.

Tietokantoihin tallennetuista muuttujista kuten konfliktien esiintyvyyden ja luonnonvarojen hyödyntämisen ajoittumisesta pystytään tarkastelemaan näiden välisiä yhteyksiä ja syy-seuraussuhteita.  Konfliktien ajoittumisesta ja internetkäyttäjien määrästä eri vuosina voidaan tutkia konfliktien vaikutusta alueen kehittymiseen vertailemalla konfliktien ajankohtaa ja internetkäyttäjien määrän muuttumista. Öljykenttien ja timanttikaivosten tuottavuusluokittelun avulla voidaan tutkia jonkin verran luonnonvarojen esiintyvyyden lisäksi myös alueen kehitystasoa.

…

Seuraavassa harjoituksessa jatkoimme tietokantojen kanssa työskentelyä. Kurssikerralla tehtyjen toistomäärien vuoksi olisin toivonut voivani kertoa kuinka helposti sainkaan seuraavan harjoituksen tehtyä, mutta valitettavasti joudun toteamaan, että kärsivällisyyttäni koeteltiin ja paljon. Maanantai-iltana mieleeni kerkesivät nousta mielikuvat kiinnittymisestäni gis-luokan uumeniin  ties kuinka moneksi päiväksi. Onnekseni raivonpartaalla käyvä aivotoimintani  ei antanut silmieni sulkeutua ja olin (verrattuna aikaisempaan ajankäyttööni, minkä kanssa paransin jo viime viikolla) ennätysajassa valmis karttojen kanssa ja ulkona QGIS:n hellästä huomasta. Parhaimmaksi tavaksi olen totenut tehdä kartat mahdollisimman pian valmiiksi yksi kerrallaan, minkä jälkeen vasta viimeisenä, kun olen vielä kerran tarkistanut, että jokainen kartta on valmis, päättänyt avata tämän blogisivun. Tänne olen huomannut voivani jumiutua niin pitkäksi ajanjaksoksi mitä maanantainen minä ei osaisi ikinä edes kuvitella. Ja kyllä, tehtävien teko ei ole edennyt aikaisemmin, (etenkään ensimmäisellä viikolla,) aivan ihanteellisessa järjestyksessä, minkä olen kyllä myös huomannut itse penkissä kulutettuina tunteina ja kahvilaskurin kasvavana viivaröykkiönä.

Mutta sitten itse asiaan eli harjoitukseen, jossa tehtävänä oli tehdä tulvaindeksistä koropleettikartta ja esittää valuma-alueiden järvisyys diagrammeina. Tehtävä koetteli hermojani, mutta sinnikkäästi plarasin tehtäväohjeistusta ja QGIS:n välilehteä edestakaisin, jolloin attribuuttitaulukko alkoi saamaan oikeita lukuja ja kartta näyttämään kartalta. Laskemani tulvaindeksi (kuva 2) kuvaa keskimääräisen ylivirtaaman ja keskimäräisen alivirtaaman välistä suhdetta. Laskin attribuuttitaulukkoon myös vaihtoehtoisen tulvaindeksin, joka kuvaa keksimääräisen ylivirtaaman suhdetta joen keskimääräiseen virtaamaan. 

Valuma-alueiden järvisyyden laskin itse toteuttaen haastavampaa versiota tehtävästä. Parhaimman vitsin QGIS heitti kun eräiden alueiden järvisyysprosentti oli moninkertainen itse alueen pinta-alaan verrattuna. Tämäkin homma ratkesi erilaisten kokeilujen kautta ja selvensi myös tietokantojen luomisessa tarvittavien työkalujen käyttöä.

Tällä erää QGIS ei tehnyt poikkeusta kaatuiluillaan, lähinnä ehkä niiden entistäkin suurempana määränä. Hermoni riekaloituminen ei tässä vaiheessa kuitenkaan ollut vielä kovinkaan lähellä, vaikka reunalla käytiinkin. Samojen vaiheiden toistaminen oli tullut harvinaisen tutuksi, enkä vetänyt hernettä kovinkaan syvälle nenääni attribuuttitaulukoiden tyhjenemisestä tai QGIS:n muista tutuiksi tulleista temppuiluistaan. Mutta minä, viittä vaille valmiina, jo toinen jalka kohti puista ulko-ovea osoittaen, meinasin menettää totaalisesti viimeisetkin toimivat hermosoluni diagrammeihin. Tai pikemminkin niiden olemattomuuteen, sillä kartalla ei näykynt yhden ainutta nelikulmaista palkkia. Lopulta Saagan henkisen tuen, useiden kokeilujen ja vielä useampien ristiaskelten saattelemana omalle kartalleni nousivat myös  nämä uljaat järvisyyspylväät. Olin valmis poistumaan luokasta kärsivällisyyskykyni loppuunkulutettuna, mutta varsin tyytyväisenä.

Opin Amandan avustuksella tallentamaan väriskaalan ja hyödynsin tässä kartassa samaa tyyliä kuin kurssikerralla tehdyssä esityksessä. Tummimmat värit kuvaavat suurimpia tulvariskialueita mielestäni varsin osuvasti ja tummareunaisista järvisyyspylväistä pystyy hahmottamaan sekä järvien määrän valuma-alueella että valuma-alueet. Ainoana miinuksena pidän tässä kartassa sitä, että sisävesialueet ja meri ovat keskenään erivärisiä. Kartta on mielestäni varsin harmoninen värimaailmaltaan ja pystyy myös esittämään oleelliset asiat.

Kartasta pystyy arvioimaan alueen järvisyyden ja tulvaindeksin välistä yhteyttä. Tulvaindeksi on suurin alueilla, joilla on hyvin vähän järviä. Tämänkaltaiset alueet sijaitsevat kartalla rannikkoalueilla ja ovat valuma-alueen kooltaan pieniä. Suurilla valuma-alueilla on erittäin runsaasti järvialtaita, jotka keräävät vettä ja toimivat siten laskujokien virtaamaa säätelevinä tekijöinä. Laskujokien keskivirtaama on pääasiassa suurilla valuma-alueilla korkeampi, jossa virtaaman muutoksiin tarvitaan huomattavasti suurempi vesimäärä kuin pienillä rannikoiden valuma-alueilla. Näillä alueilla, joilla järvisyysprosentti on pieni, pienetkin heilahdukset vesimäärässä näkyvät virtaaman muutoksina. Nämä muutokset altistavat tulville ja tulos näkyy myös tulvaindeksissä keskivirtaamien ylimmän ja alimman luvun suurena erona. Kartasta voi päätellä  myös tulvaherkkyyden olevan suurempi esim Pohjanmaalla, joka onkin varsin alavaa aluetta ja järvisyysprosentti olematon. Kuten Amelia kertoo blogissaan, alue onkin tunnettu alkukevään runsaista tulvistaan.

Kurssikerran harjoitukset olivat mielestäni sisällöltään erittäin kiinnostavia, mutta tehtäviltään hieman haasteellisempia edellisiin viikkoihin verrattuna tai ainakin vaativat astetta pitkäjänteisempää otetta. Haastavampi tehtävän suoritustapa toi varmuutta QGIS:n käyttöön, mistä on toivottavasti hyötyä myös jatkossa!

Ensi kertaan,

Riina

 

Lähteet:

Amanda Ojasalo, Tietokantaliitokset (luettu 6.2.2019)

Tietokantaliitokset

 

Amelia Cardwell, Viikko 3: Tulvaindeksejä, järvisyysprosentteja sekä pettyminen teemakarttaan (luettu 6.2.2019)

Viikko 3: Tulvaindeksejä, järvisyysprosentteja sekä pettyminen teemakarttaan

 

 

Toisella kurssikerralla syvennyimme eri projektioihin ja niiden vaikutuksiin kartan tekemisessä. Vertailimme etäisyyksiä ja pinta-aloja Suomen kartalla eri projektioilla ja tulokset näkyvät taulukossa 1. Mercatorin projektiossa voidaan havaita Suomen kaltaisella pohjoisella alueella etäisyyksien vääristyvän runsaasti, mutta muiden projektioiden välillä ei ole läheskään yhtä merkittävää eroa. Vertaillessa tuli huomattua, että joidenkin projektioiden, kuten Mercatorin projektion, toimivuus ei ollut ehkä sitä parasta laatuaan Suomen alueella. Harjoitus konkretisoi hyvin projektioiden väliset eroavaisuudet ja selvensi projektion valinnan tarpeellisuutta.

Taulukko 1. Projektioiden vertailua pituuden ja pinta-alojen mittauksella.

Projektio	Matkan pituus kartalla	Pinta-ala kartalla
ETRS-TM35FIN	506,648 km	2 354,500 km²
Lambertin projektio	507,259 km	2 372,605 km²
Robinsonin projektio	740,197 km	3 297,692 km²
Mecatorin projektio	1 116,617 km	18 869,473 km²

Vertailimme projektioiden eroja myös kartalla ja tässä vaiheessa hermojani koeteltiin jo astetta enemmän kuin ensimmäisellä kurssikerralla. Aluksi olin jopa niin tyytyväinen kurssin alkuosion tuotoksiin, että vakuuttuneena kokojen vertailujen onnistumisesta, lähdin seuraavien tehtävien pariin kuin soitellen sotaan. Attribuuttitaulukoissa laskemisessa tämä ylimalkainen asenteeni kostautui ja sain täysin väärät luvut sarakkeeseen. Aikaisempaa postausta kirjoittaessani ihmettelin suuresti muiden kokemia suuria hermoromahduksia. (Epä)onnekseni näidenkään kirjoitusten taustat eivät jääneet tippaakaan epäselviksi QGIS:n kanssa tapellessani. Viimeistekin toivon rippeet alkoivat valua norona gis-luokan muovilattialle samaa tahtia kuin sarakkeen luvut kääntyivät lähemmäksi ukkini viikottaista lottoriviä kuin järkeviä prosenttilukuja. QGIS heitti vielä yhden kapulan rattaisiin irtisanomalla itsensä toimistaan. Ei siinä, kun sain QGIS:n auki, oikeat numerot sarakkeeseen ja laskut laskettua alkoi itseänikin jo huvittaa tämä tilanteen totaalinen eskaloituminen.  Ongelman takanahan ei toki ollut kuin yhden nollan puuttuminen jakolaskua suoritettaessa…

Attribuuttitaulukon nöyryytyksestä toivuttuani ja päänsisäisen tilanteeni rauhoituttua pystyin keskittymään luomukseni loppuun saattamiseen ja perehtymään eri projektioiden esittämiseen kartalla. Vertailin Mercatorin ja Lambertin projektioiden eroja kartalla (kuva 1). Siinä voidaan havaita konkreettisesti jo edellisissä harjoituksissa todettu oikeakulmaiselle projektiolle tyypillinen vääristymän kasvaminen lähempänä napoja. Ja eroa on paljon, Lapin pohjoisimmissa kunnissa jopa yli 700%.

 Vertailin myös Robinsonin projektion eroa Lambertin projektioon (kuva 2). Robinsonin projektiossa vääristymät on pyritty saamaan mahdollisimman pieniksi, eikä projektio ole oikeakulmainen tai oikeapintainen. Robinsonin projektiossa pinta-alan vääristymät kasvavat kauemapana Suomen kaakkoisnurkasta.

Jokin tiedon murunen jäi kuitenkin kurssikerralta uupumaan, sillä toistoista huolimatta täräytti QGIS pinta-alasarakkeeseen samat numerot muutamaan kertaan ja täytyi uuden projektiovertailukartan teko aloittaa alusta. En viitsinyt harjoittaa tätä epäpätevää taktiikkaani kolmatta kertaa, joten tällä erää vertailu Mercatorin ja Robinsonin projektioiden välillä jäi omalta osaltani esittelemättä. Näiden projektioiden vääristymä on samantyyppinen kuin Mercatorin ja Lambertin projektion kohdalla, mitä Julia havainnollisti hyvin blogissaan tekemällään kartalla. Lamppu varmaan syttyy itselleni näiden tietokantojen kanssa leikkimisen suhteen sitten aikanaan, toivottavasti. 

Seuraavassa harjoituksessa vertailin väestöntiheyttä Mercatorin ja Lambertin projektioilla. Näiden karttojen teosta jäi hyvä fiilis, koska sen suurempia ongelmia ei tullut enää vastaan! Tämä tehtävä konkretisoi projektion aiheuttaman vääristymän muuttujan esittämisessä. Molemmat kartat esittävät väestötiheimpien alueiden sijainnit, vaikkakin Mercatorin projektio (kuva 4) vääristää tuloksia enemmän pohjoisissa kunnissa. Suurimpana riskinä kun käytetään eri projektioita on se, että muuttujien arvot, tässä tilanteessa absoluuttiset väestöntiheyden lukuarvot, vaihtelevat suuresti.

Näin jälkikäteen hoksasin myös, että valitsemani väestöntiheysluokat eivät osoittautuneet kuitenkaan kaikkein pätevimmiksi, sillä Lambertin projektiossa (kuva 3) kasvukeskittymiä ei erota juuri niitä ympäröivistä alueista. Toisaalta samat luokat mahdollistavat projektioiden välisen vertailun. Puolensa siis tässäkin, vaikka Lambertin projektio voisi odotetusti esittää realistisempaa väestöntiheystilannetta. 

Tehtävien myötä projektioiden erot ja niiden valinnan tärkeys selvenivät kartan teossa. Sini totesi blogissaan projektioiden välisten erojen konkretisoituneen harjoitusten myötä ja voin kompata häntä hyvin asiassa! Attribuuttitaulukoiden kanssa työskentely aiheutti eniten harmaita hiuksia eri projektioiden kanssa näprätessä. Uskon kyllä, että  näiden laskutoimitusten salat tulevat kyllä selkenemään toiston ja rutiinien myötä. 

 

Ensi kertaan, Riina

Lähteet:

Sini-Maaria Ahtinen, QGIS ja hermoromahduksen ensiaskeleet (luettu 26.3.2019)(https://blogs.helsinki.fi/ahtisini/2019/01/22/kurssikerta-2/)

 

Geoinformatiikan menetelmät 1 -kurssi starttasi käyntiin viime viikolla. En olisi uskonut, että tulen yliopistoaikana tekemään tuttavuutta blogien kanssa ennenkuin kuulin, että kurssin suoritusmuotona toimii jonkinlaista rimakauhua herättävä blogin pitäminen. Tällä viikolla tomu on päässyt laskeutumaan ensimmäisen neljän tunnin session jäljiltä ja pystyn jo luomaan mukavampaa suhdetta tähän ihokarvani pystyyn nostattaneeseen kurssin julkiseen suoritustapaan ja paneutumaan tarkemmin kurssikerran tehtäviin. 

Ensimmäisellä kurssikerralla pääsimme suoraan asiaan: tutustumaan QGIS-paikkatieto-ohjelmaan. Uusi ohjelma oli minulle ennestään tuntematon ja tiesin, että “opeteltavaa tulisi olemaan paljon”, kuten myös Lotta Lehtola blogissaan kertoi. Lähdin matkaan avoimin mielin, eikä minulla juuri ollut ennakko-odotuksia kyseisestä ohjelmasta. Ensimmäisellä kurssikerralla minulle kuitenkin selvisi, että ohjelma on monipuolinen niin hyvässä kuin pahassa. Alussa uuden opettelu vie aikaa, mutta syvemmän tutustumisen myötä ohjelma alkaa toivottavasti tuntua enemmän omalta ja kaikkien ohjelman tarjoamien mahdollisuuksien hyödyntäminen alkaa helpottua.

Ohjelman käytöstä sai nopeasti otteen alkuohjeistuksen myötä. Perusominaisuudet selkiytyivät kun aloimme työstämään tehtävää Itämeren typpipäästöistä. Ohjelman eri toiminnot olivat ensi alkuun suhteellisen simppelit kun kuunteli ohjeita ja teki karttaa niiden mukana. Kun keskittyminen välillä herpaantui, oli kartan teon seuraavien vaiheiden tekeminen harvinaisen monimutkaista ja turhauttavaa. Näistä hetkellisistä hermoraunioitumisista huolimatta antoi QGIS itsestään varsin oivallisen ensivaikutelman. Mitä nyt kohtaamistamme näin päiviä myöhemmin pystyn muistelemaan.

Tällä viikolla ohjelman pariin palaaminen omin avuin tuotti alkuhankaluuksia,  jonka päättelin johtuvan joko liian ahkeran opiskelun tuottamasta työmuistin kuormittumisesta tai QGIS:n ihmeellisen maailman toiminnan hämärtymisestä viikonlopun aikana. Ylitsepääsemättömät ongelmani QGIS:n parissa osoittautuivat kuitenkin suhteellisen nopeiksi ratkaista, vaikkei näiden  yksinkertaisten aivopierujen selvittely jäänyt vain kertaan tai kahteen viikon aikana. Ohjelmat salat selvenivät useiden toistojen kautta ja peruselementit attribuuttitaulukoista ja karttojen luomisesta alkoivat vihdoin hahmottua.

Ohjelman käytössä yllätyin erittäin positiivisesti kartan ulkoasun luomisen helppoudesta, mikä tuntui täydelliseltä utopialta sen jälkeen, kun oli tottunut Tiedon esittäminen maantieteessä -kurssilla käyttämään Corel Draw-ohjelmaa ja asettelemaan jokaisen sanan omalle kohdalleen. Toisaalta kun kartta alkoi olla teknisesti valmis, pääsin innostumaan kartan sommittelusta ja värimaailman hiomisesta. Tämän takia karttojen tekemiseen tuskin kului  yhtään sen vähempää aikaa  kuin viime periodin kurssillakaan. 

Kurssikerralla tehty kartta kuvaa Itämeren alueen typpipäästöjä, mikä on aiheena varsin ajankohtainen ja mielenkiintoinen. Kartasta pystyy päättelemään Itämeren alueen valtioiden päästämien typpipäästöjen prosenttiosuuden. Kartalla painottuvat Puolan ja Venäjän suuret päästöt  verrattuna vähäiseen rantaviivaan. Runsaat typpipäästöt kertovat Itämeren suuresta ravinnekuormasta, mikä puolestaan lisää alueen rehevöitymistä ja vaikuttaa ekosysteemien toimintaan monin tavoin. Tyypillisiä typpipäästöjen aiheuttajia ovat eloperäisen aineksen päätyminen mereen jokien virtaaman mukana mm. heikosti puhdistetusta jätevedestä, maatalouden lannoitteista ja teollisuuden päästöistä. Typen päästöihin vaikuttaa reippaasti myös ilmasta laskeutuva hajakuormitus, jota kasvattavat mm. liikenne ja maatalous. 

Kartan värimaailma on mielestäni selkeä ja yhtenevä, muttei kuitenkaan täysin sellainen mistä itse pidän. Valtiot erottuvat paremmin kartasta ja tumman punainen kuvaa suurimpia päästöjä. Halusin, että tekstit sulautuvat värimaailmaan ja tein niistä tumman harmaat. Ensimmäinen versio kartastani ei ollut yhtä selkeä ja legendan sommittelu oli haasteellista.

Kiinnitin huomioni typpipäästöluokkien epäsuuruiseen jakautumiseen, kuten tekivät myös Oulan Inkeröinen ja Vilma Kaukavuori blogikirjoituksissaan. Typpipäästöluokat voisivat olla rajattuna eri tavalla, sillä esimerkiksi suurimmassa luokassa vaihtelu on laaja välillä 13.3% ja 33.7%, mikä ei anna kovinkaan täsmällistä informaatiota. Samassa päästöluokassa olevista valtioista ei pysty myöskään päättelemään valtioiden eroja tai typpipäästöjen absoluuttisia arvoja, mikä voisi olla mielenkiintoista tietää.

Ensimmäisessä harjoituksessa päätin tyytyä tasoon yksi ja lähinnä varmistaa, että perusjutut alkaisivat olemaan hallussa. Esitin kartassani (kuva 2) kesämökkien määrää alueittain ja halusin, että erot näkyvät myös pienimpien mökkikuntien välillä. Pienimmän luokan kokohaarukaksi otin tuhat mökkiä. Kartasta voi huomata suurimpien kesämökkikuntien sijoittuvan tyypillisesti suurten järvien reunamille sekä rannikolle. Pohjanmaan alavat alueet erottuvat kartalla vähäisellä mökkimäärällään. Koska kartta kuvaa absoluuttisia arvoja, ei esitys ole välttämättä yhtä vertailukelpoinen täysin eri kokoluokkia edustavien kuntien välillä toisin kuin jos kartalla esitettäisiin mökkien määrä suhteessa kunnan pinta-alaan.

Tehtävässä ongelmia ei tullut vastaan enää montakaan ja kartta valmistuikin ensimmäistä nopeammassa tahdissa. Eniten haasteita aiheutti tällä kertaa  kartan, legendan ja mittakaavan sommittelu. 

Karttojen tekemisen lomassa innostuin muokkaamaan myös blogin ulkoasua. Siinä hyödynsin CorelDraw-ohjelmaa ja onnistuin lisäämään otsikot kuvana blogiin ja kirjoitukseen. Tekstin tasaamisen sain apua Onni Pörhölältä. Hairahduin hetkeksi myös koskemaan blogin koodiin, mutta koodausyritykseni eivät kantaneet kovinkaan pitkälle, vaikka MOOC-kurssilaisista kovin inspiroituneena luulinkin olevani kykenevä puuhailemaan ulkoasun kanssa. Muutamia harha-askelia myöhemmin tajusin onneksi palata jo takaisin tutummaksi tulleen QGIS:n pariin. 

Tehtäviä oli kiva tehdä ja ne avasivat sopivasti QGIS:n maailmaa, johon en ollut aikaisemmin tutustunut. Opeteltavaa varmasti vielä riittää.

 

Ensi kertaan,

Riina