kerttu's blog

Moi viimestä kertaa näin blogin välityksellä!

Tänään tunnilla piti luoda itse kartta oman haluaman aineiston pohjalta ja no siis, sehän ei nyt onnistunut ehkä ihan tehtävänannon mukaan, mutta sain kuitenkin tuotettua kaksi eri karttaa, jossa molemmissa on omat muuttujat.

Etsin avointa dataa useammastakin eri paikasta, mutta päädyin lopulta The Wordl Bank sivustoon, koska sieltä löytyi minusta mielenkiintoisia datoja maailmalta. Tarkoituksena oli ottaa kaksi eri dataa, jotka jollain tavalla korreloivat keskenään. Datoja ei kuitenkaan pystynyt esittämään samalla kartalla, joten siitä syystä kaksi erillistä karttaa.

Ensimmäisessä kartassa (kuva 1) on esitetty maapallon väestö valtioittain ja toisetta kartassa (kuva 2) on itsemurhat valtioittain 100 000 ihmistä kohden.

Valitsemani datan huonot puolet olivat ehdottomasti ne, että sieltä puuttui tietoa merkittävistä valtioista, jotka olisivat olleet hyvin tärkeitä karttojen vertailuun sekä niitä analysoidessa. Näitä valtiota, joista puuttui data on esim. Amerikka, Kiina, Australia ja Suomi.

Myös väestökartassa hankalaa oli rajata eri luokat väkilukujen mukaan, sillä valtioiden kansalaisten  lukumäärät vaihtelivat rajusti. Tästä johtuen tein kymmenen eri luokkaa kuvaamaan väestön määrää.

Kuva 1 Kartta maapallon väestö valtioittain.

Kuva 2 Kartta itsemurhista valtioittain 100 000 ihmistä kohden.

Tunnin tehtävä oli kuitenkin ihan mieluisa ja oli kiva haastaa kurssilla opittuja taitoja itsenäisessä työskentelyssä. Sain kuitenkin paljon apua vieruskaveriltani Tyyneltä. Oli myös kiva seurata vierestä, kun Tyyne sai lopputunnista kunnon onnistumisen karttojen parissa, joten tämä toi myös minulle hyvän mielen kurssin lopetukseen (Tyyne Turunen, 7. harjoituskerta).

QGIS:tä ei tullut minulle hyvä ystävä tämän kurssin aikana tai sen loputtuakaan, mutta silti ihan suht ok kurssi siihen nähden, että sain tarvottua tään läpite.

Kiitos ja näkemisiin!

 

Päivää (lue iltaa)!

Tänään tunti lähti hyvin käyntiin rapsakassa pakkaskelissä, kun kiertelimme kampuksen lähiympäristöä ja perehdyimme kaupunkisuunnitteluun. Oli mielenkiintoista havainnoida ympäristöä, jossa liikkuu kaupunkisuunnittelun näkökulmasta. Tunnilla kävimme yhdessä läpi keräämämme dataa ja teimme siitä kartan, jossa osoitimme alueiden turvallisuuden meidän kokemuksien mukaan (kuva 1).

Kuva 1 Kartta opiskelijoiden kokemusten perusteella turvallisuuden tunnusta erilaisissa kaupungin tiloissa/paikoissa. Mitä tummempi väri sitä turvallisemmaksi paikka koetaan.

Itsenäiset tehtävät tällä kertaa olivat kolmen eri kartan luominen opetuskäyttöön. Mahdollisuutena oli käyttää kolmea eri aineistoa, jotka olivat tulivuorenpurkaukset, meteoriitti löydöt/putoamiset sekä maanjäristykset maapallolla tietyllä aikavälillä aineistosta riippuen.

Ensimmäisenä loin maanjäristyskartan, jossa on esitetty voimakkuudeltaan yli 8 magnitudin maanjäristykset aikavälillä 2000-2010 maapallolla (kuva 2). Näin voimakkaat maanjäristykset ovat erittäin tuhoisia ja niiden vaikutusala voi olla hyvin laaja. Niitä esiintyy noin kerran vuodessa (Magnitudi, Wikipedia).

Kuva 2 Kartta, jossa esitetty voimakkuudeltaan yli 8 magnitudia olevat maanjäristykset aikavälillä 2000-2010.

Kuvasta 2 voi tosiaan huomata, että näin voimakkaita maanjäristyksiä ei ole tapahtunut kovin usein kymmenen vuoden sisällä. Yhteensä tapauksia on ollut 14 kappaletta. Maanjäristykset ovat sijoittuneet suurimmaksi osaksi litosfäärilaattojen saumakohtiin, sillä näissä paikoissa seismisyys on suurinta.

Tämän jälkeen toisen kartan tein 2000 vuoden jälkeen löytyneistä/pudonneista meteoriiteistä (kuva 3). En muistanut katsoa attribuuttitaulokosta, kuinka paljon havaintoja oli yhteensä, mutta kuvan 3 perusteella niitä on useita satoja.

Kuva 3 Kartta meteoriitti löydöksistä/pudoksista 2000 vuoden jälkeen.

Viimeiseksi tein kaksi karttaa, toisen kuvaamaan pohjoisen pallonpuoliskon tulivuoria (kuva 4) ja vertailukohteeksi kartan eteläisen pallonpuoliskon tulivuorista (kuva 5). Yhteensä tulivuori havaintoja aineistossa oli 1605, niistä pohjoisella pallonpuoliskolla on 1075, kun taas eteläisellä pallonpuoliskolla tulivuoria on 529.

Idean näille kartoille sain kurssikaverin Joona Korhosen blogista, jossa hän oli vertaillut meteoriittien esiintymistä pohjoisella ja eteläisellä pallonpuoliskolla (Joona Korhonen, viikko 6).

Kuva 4 Kartta pohjoisen pallonpuoliskon tulivuorista.

Kuva 5 Kartta eteläisen pallonpuoliskon tulivuorista.

Tulivuorien korkeampi lukema pohjoisella pallonpuoliskolla voi olla monta syytä, mutta esim. litosfäärilaattojen rajakohdat sijaitsevat enimmäkseen pohjoisella pallonpuoliskolta, joten näillä alueilla on siis myös enemmän tulivuoritoimintaa.

Ensi kerralla vika tunti, palataan silloin asiaan!

Lähteet: https://fi.wikipedia.org/wiki/Magnitudi_(seismologia)

Moikka!

Tällä viikolla tunnilla perehdyttiin bufferointiin QGIS:ssä. Ensiksi tunnilla laskettiin viime viikolla kesken jääneen Pornaisten tietokannan teiden pituuksia, peltojen pinta-aloja. Tunnilla käytettiin myös clip toimintoa, joka helpottaa laskemisessa, sillä sen avulla pystytään leikata tietokantoja omien tarpeiden mukaan.

Tämän jälkeen kävimme puskuroimaan tietokantoja, sillä sen avulla pystymme tekemään puskurivyöhykkeitä, joiden avulla pystymme laskemaan tietoja tietyllä alueella. Esim. tässä tehtävässä laskimme 100 metrin läheisyydessä olevia asuinrakennuksia pääteistä.

Join attributes by location -toiminto oli myös suuressa roolissa tämän viikon tehtävissä. Sen avulla pystyimme tutkimaan bufferin sisälle jäänyttä tietoa.

Teimme tämän lisäksi kaksi muuta bufferia, jossa toisessa tutkimme kuinka monta taloa sijaitsee 500 metrin päässä terveyskeskuksesta. Kolmannen bufferin avulla tutkimme kuinka monta prosenttia keskuksen taloista on kauempana kuin yhden kilometrin etäisyydellä koulusta.

Tunnilla edettiin niin vauhdilla, joten en kerennyt siistimään karttoja ja ottamaan niitä talteen, joten minulla ei ole niistä kuvia lisätä tähän blogi tekstiin.

Tämän jälkeen rupesimme tekemään itsenäisiä tehtäviä ja pakko antaa shoutout sekä iso kiitos Luukakselle sekä Joonalle, sillä ilman heidän apua istuisin luultavasti vieläkin gis-luokassa ja pähkäilisin näitä tehtäviä.

Itsenäistehtävät 1

1. Lentokentät
   Malmi

Kuinka monta ihmistä asui Malmin lentokentän pahimmalla melualueella sen vielä toimiessa, jos mukaan lasketaan kaikki asukkaat 2 km säteellä kentästä?	n. 58 100 ihmistä
Entä 1 km säteellä asuvat?	n. 8 890 ihmistä

Helsinki-Vantaa

Kuinka prosenttia edellisen kohdan asukkaista asuu Helsinki-Vantaa lentokentän pahimmalla melualueella (65dB)?	0,17%, joka tarkoittaa noin 19 asukasta
Kuinka monta ihmistä asuu vähintään 55dB melualueella?	n. 11 900 ihmistä
Kuinka monen ihmisen elämää vähintään 60dB lentomelu haittaisi Tikkurilassa, mikäli saapuva liikenne käännettäisiin jälleen laskeutumaan poikkeuksellisesta suunnasta?	n. 13 200 asukasta

2. Asemat

Kuinka monta asukasta asuu kartan alueella alle 500m päässä lähimmästä juna-, tai metroasemasta?	n. 111 765 ihmistä
Kuinka monta prosenttia kaikista alueen asukkaista asuu alle 500m päässä asemasta?	n. 516 193 ihmistä

Yleistä pohdintaa kurssin etenemisestä

Koen, että ilman vieruskavereitten apua olisin tehtävien kanssa ihan pulassa. Monesti myös aiemmin edellisellä viikolla opetetut tehtävät helposti unohtuvat, jos itsenäiset tehtävät kerkeää tekemään heti tunnin jälkeen. Olen kuitenkin oppinut paljon kurssin aikana käyttämään QGIS:n perustoimintoja, joita toivon mukaan pystyn myös jatkossa hyödyntämään.

Tietojen soveltaminen oli asia, jonka koin aluksi todella haastavaksi. Tehtävien teko oli hyvin helppoa, kun ne sai tehdä suoraan ohjeen mukaisesti. Tietenkin. Kun taas piti poiketa ohjeesta tai itse osata löytää komentoja, tipuin heti kärryltä (Tyyne Turunen, kurssikerta 5). Pystyn samaistumaan täysin Tyynen pohdintoihin ja koen, että tunnilla opitun soveltaminen on kaikkein vaikeita kurssilla. Oma-aloitteisuus ja rohkeasti uuden kokeileminen varmasti auttaisi tässäkin asiassa, sillä sovelluksen pelkääminen on turhaa.

Mutta ensikertaan!

Moikka!

Tunnilla tehtiin yhdessä ruututeemakartta pääkaupunkiseudun väkiluvun jakautumisesta (kuva 1). Tehtävä vaikutti suhteellisen tutulta, sillä moni QGIS:in toiminnoista ovat alkaneet hahmottumaan tässä vaiheessa kurssia. Yritin kuitenkin tehdä kotona itse samanlaista ruututeemakarttaa, mutta käyttää jotakin eri tutkittavaa asiaa, kuten pääkaupunkiseudun yli 85 vuotiaiden asukkaiden määrää. Tämä ei kuitenkaan onnistunut ja en saanut valmista lopputulosta tähän blogiin. En tiedä mitä tapahtui tai missä vika oli, mutta en saanut näkyville näitä yli 85-vuotiaitten sijoittumista kartalle, vaan siinä näkyi ainoastaan valitut ruudut, muttei mitään uutta tullut näkyviin.

Tästä johtuen analysoin vaan tunnilla tehtyä väkiluku karttaa (kuva 1). Kuvasta 1 voidaan huomata, että suurin määrä väestöä pääkaupunkiseudulla asuu Helsingin alueella, sillä kartalla väkiluvun kasvamista on kuvattu tummemman vihreän sävyn kasvaessa.

”Mitä kauemmaksi keskustasta siirrytään, vähenee väkimääräkin. Poikkeuksena tästä voidaan huomata Espoossa Matinkylä ja Leppävaara, Vantaalla Tikkurila ja Martinlaakso, sekä Itäkeskus ja Vuosaari Helsingissä. Nämä paikat sijaitsevat Helsingin kantakaupungista hyvien kulkuyhteyksien (juna tai metro) ulottuvissa”, analysoi oivallisesti Tyyne Turunen blogissaan. (Tyyne Turunen, 4. harjoituskerta)

Kuva 1 Ruutukartta pääkaupunkiseudun väkiluvun jakautumisesta alueelle.

Tunnilla aloimme myös toista tehtävää, jossa käsittelimme rasteriaineistoa, joka sisälsi korkeustietoja. Näiden tietojen pohjalta kartalle luotiin vinovarjovarjostettu korkeusmalli, joka kuvaa alueen korkeusvaihteluita. Tämä kyseinen kartta jäi kesken ja tätä jatketaan luultavasti ensikerralla sitten lisää.

Toivottavasti saan apua ongelmaani ruututeemakartan teossa ja pystyn päivittämään blogia sitten.

Kiitti moi!

Moro!

Kolmannella kurssikerralla opettelimme muokkaamaan valmista tietokantaa sekä lisäämään sinne uutta tietoa sekä yhdistämään tietokantoja. Teimme aluksi tätä Afrikka kartta-aineistolle, jossa tutkimme konfliktien määrää valtioittain.

Sen jälkeen vuorossa oli itsenäinen tehtävä, jossa luotiin koropleettinenteemakartta Suomen valuma-alueista, tulvaindeksistä sekä järvisyysprosentista (kuva 1). Tarkoituksena oli tarkastella vesistöjen valuma-alueita sekä tulvaherkkyyttä.

Ensiksi laskettiin tulvaindeksi jakamalla keskiylivirtaama keskialivirtaamalla. Tämä tieto liitettiin valuma-alue tietokantaan. Sen jälkeen tähän tietokantaan liitettiin toisesta aineistosta alueen järvisyysprosentti. Järvisyysprosentti tuotiin teemakartalle esille pylväsdiagrammi muodossa. Näin ollen samaan teemakarttaan saatiin yhdistettyä kaikki haluamamme tieto.

Kuva 1 Koropleettinenteemakartta tulvaherkkyydestä sekä järvisyysprosentista.

Kuvasta 1 voidaan tulkita, että mitä tummempi sävyinen vihreä alueella on, niin sitä tulvaherkempi alue on. Järvisyysprosentti pylväät taas kertovat sen, että mitä korkeampi pylväs on, niin sitä enemmän alueella on järviä. Kuvasta 1 huomaa, että tulvaherkillä alueilla järvisyysprosentti on suhteellisen pieni sekä päin vastoin, järvisyysprosentin ollessa suuri tulvaherkkyys on suhteessa pienempi alueella.

Tulvaherkkyys painottuu Länsi-Suomeen, kun taas järvisyys painottuu Itä-/Keski-Suomeen (Järvi-Suomen maisema-alueeseen). Tulvaherkkyydellä ja järvisyydellä ei näytä kartan (kuva 1) mukaan olevan suoranaista yhteyttä toisiinsa. Pohdin kuitenkin sitä, että johtuuko tulvien vähäisyys järvisillä alueilla siitä, että vedellä on paikka mihin virrata, joten tulvia ei pääse kertymään alueelle, jossa on paljon järviä.

”Kaikkein korkein tulvaindeksi on Aurajoen valuma-alueella Suomen lounaisrannikolla. Näiden alueiden tulvaherkkyyttä saattaa selittää alueiden mataluus merenpinnasta. Etenkin Länsi-Suomen rannikkoalue on pinnanmuodoiltaan tasaista ja alavaa”, kirjoittaa Joona Korhonen oivaltavasti blogissaan. (Joona Korhonen, Viikko 3)

Koen, että karttani (kuva 1) on suhteellisen selkeä ja väreiltään tasainen. Ainoastaan värien samankaltaisuus voi vaikeuttaa sen helposti tulkitsemista, sillä jos ei kunnolla erota värisävyjen eroja.

Näiden kirjoitusten saattelemana kohti tulevaa viikkoa.

Kiitos ja näkemiin!

Heips!

Ja taas sitä mennään uuden harjoituksen kanssa. Toisella harjoituskerralla QGIS-sovellus oli jo paremmin muistissa ja sen käyttö oli helpompaa edellisen viikon jälkeen. Haasteita kuitenkin yhä tuli ja niiden kanssa sai ihan hyvän tovin temppuilla, mutta kuitenkin vaikeuksien kautta voittoon ja itse asiaan.

Tarkoituksena oli vertailla eri projektiota ja tutkia niitten luomia vääristymiä kartalle. Maapalloa on siis mahdoton kuvata tasopinnalle noudattaen kaikkea näitä kolmea suhdetta: oikeapintaisuutta, oikeapituisuutta sekä oikeakulmaisuuta. Aloitimme työnteon jo tunnilla ja loimme yhdessä kartan Mercator projektiota käyttäen (kuva 1). Mercator projektio kuuluu lieriöprojektiohin ja se on oikeakulmainen projektio.

Vertailun kohteena käytimme TM35FIN -projektiota, joka kuvastaa Suomea mahdollisimman sopusuhtaisesti ja siinä vääristymät ovat minimaaliset. ”TM35 tarkoittaa ’Transverse Mercator’, jossa Mercator projektio on projisoitu poikittaisen lieriön mukaisesti eikä pystyssä olevan. Lieriön “kosketuspinta” pallolla on noin Suomen keskikohdalla. Tällöin pitkulainen Suomi saadaan sopusuhtaisemmaksi”, kirjoittaa Sofia Salonen blogi tekstissään.

Tämän jälkeen tein saman homman eli vertasin eri projektiota TM35FIN -projektioon ja tutkin oliko huomattavissa mitä vääristymiä. Käytin Plate Carree projektiota (kuva 2) sekä Robinssonin projektiota (kuva 3). Plate Carree projektio on tasavälinen lieriöprojektio ja siinä etäisyydet päiväntasaajalta on kuvattu oikein (Wikipedia, Tasavälinen lieriöprojektio, 2022). Robinsonin projektio ei ole oikeapintainen, -pituinen tai -kulmainen, vaan siinä on tarkoituksena luoda mahdollisimman vähän vääristymiä missään suhteessa niin, että kartta näyttää mahdollisimman hyvälle (Wikipedia, Karttaprojektio, 2020).

 

Kuva 1 Kuntakartta, jossa kuvataan TM35FIN- ja Mercator projektion välisiä vääristymä eroja.

 

Kuva 2 Kuntakartta, jossa kuvataan TM35FIN- ja Plate Carree projektion välisiä vääristymä eroja.

Kuva 3 Kuntakartta, jossa kuvataan TM35FIN- ja Robinsonin projektion välisiä vääristymä eroja.

Kaikista kartoista (kuva 1, 2, 3) voi selvästi huomata, että vääristymä erot kasvavat kun siirrytään kohti Suomen pohjois osia. Kaikkein pienin vääristymäkerroin on Robinsonin projektiossa, jonka voi huomata legendassa olevien arvojen minimaalisista eroista (kuva 3). Mercator projektiossa taas vääristymäkerroin on selvästi korkeampi (kuva 1). Plate Carree projektion vääristymät eivät ole mitenkään hirmu merkittävät, mutta eroja on kuitenkin arvojen välillä (kuva 2).

Tämän jälkeen mittasin Suomen pohjois-osista alueen ja vertailin sen pinta-ala muutoksia eri projektiota käyttäen (kuva 4). Tein saman vertailun myös itä-länsi suhteessa olevalle matkalle, jonka arvojen muutoksia vertailin myös eri projektioden avulla (kuva 5). Otin nämä tulokset ylös ja tein niistä taulukon exceliin, jotta tuloksia pystyisi mahdollisimman hyvin vertailemaan keskenään (kuva 6).

Kuva 4 Alue, jonka pinta-ala tuloksia vertailin projektiota vaihdellen.

Kuva 5 Matka, jonka pituus vaihteluiden tuloksia vertailin eri projektiota käyttäen.

Kuva 6 Taulukko eri projektioden välisistä eroista pinta-alaa ja matkaa tutkittaessa.

On tärkeää muistaa, miten paljon eri projektiot vaikuttaa siihen, mitä tuloksia saadaan. Mitään tulosta ei voida pitää täysin totuutena, sillä niissä on aina mahdollisuus erilaisiin vääristymiin ja virheisiin.

Näiden ajatuksien saattelemana tulevaan harjoituskertaan, moro!

Lähteet:

Wikipedia: https://fi.wikipedia.org/wiki/Tasav%C3%A4linen_lieri%C3%B6projektio

Wikipedia:
https://fi.wikipedia.org/wiki/Karttaprojektio

Moro moro!

Ensimmäisellä kurssikerralla tehtiin kaksi eri harjoitusta, joissa muisteltiin/opeteltiin QGIS-sovelluksen käyttöä. Kyseinen sovellus on minulle hieman tuttu, sillä sitä käytettiin jo aiemmin syksyllä MAA-104 Johdatus geoinformatiikkaan maantieteessä -kurssilla.

Ensimmäisessä harjoituksessa tutkittiin, mitkä maat päästävät typpeä Itämereen ja luotiin tälle tilastotiedolle kuvaava kartta (kuva 1). Harjoitus tehtiin opettaja johtoisesti, joten apua oli helppo kysyä haasteen tultaessa, joko opettajalta tai vieruskaverilta.

Mukavinta tehtävässä oli minusta visuaalinen puoli, jossa pääsi vaikuttamaan kartan ulkonäköön. Muokkasin sitä vielä jälkeenpäin, että se olisi mahdollisimman selkeä ja toisi haluamani asiat esille.

Kartassa eri harmaan sävyillä on kuvattu valtioita sen mukaan, miten paljon ne tuottavat typpipäästöjä prosentuaalisesti. Luokittelutapana on käytetty luonnollisia välejä. Taustavärinä olen käyttänyt vaalean vihreää väriä niille maille, mitkä eivät osallistuneet tähän kyseiseen tutkimukseen, sillä eivät sijaitse Itämeren rannikolla.

Sinisellä värillä on kuvattu vesistö alueet eli tässä tapauksessa järvet ja Itämeri. Tummempi sinisen sävy Itämeressä kuvaa sen syvyysvaihteluita.

Kuva 1 Kartta kuvaa valtiota, jotka aiheuttavat Itämereen typpi päästöjä.

Kartasta (kuva 1) voidaan siis päätellä, että Puola tuottaa merkittävän määrän typpipäästöjä Itämereen. Venäjä sekä Ruotsi erottuvat myös hyvin kartasta korkeilla typpi päästöillä. Kartasta näkee, että Virolla on kaikkein pienimmät typpipäästöt.

Toinen harjoituskerran tehtävä oli tehdä Suomen kuntakarttaan koropleettinen kartta valitusta tietokannasta, jonka sai itse päättää. Valitsin aineistosta alle 15 vuotiaiden %-osuuden koko kunnan väestöstä, josta tein kartan (kuva 2).

Kuvassa 2 eri sinisen sävyillä on kuvattu kunnan alle 15-vuotiaiden %-osuutta. Mitä tummempi sinisen sävy, niin sitä enemmän kunnassa asuu 15-vuotiaita.

Kuvasta 2 voidaan huomata, että eniten alle 15-vuotiaita on länsirannikon kunnissa. Tämä voi kertoa esim. alueen lestadiolaisväestön määrästä, joissa yleensä lapsien määrä perheessä on suuri (Tyyne Turunen, 1. harjoitukerran blogiteksti). Itä-Suomessa taas on huomattavasti vähemmän alle 15-vuotiaita.

Kartta (kuva 2) on helposti luettava, sillä legendassa on tiivistetty kartan tiedot, joten lukijan ei tarvitse tietää aineistoa ennestään.

Kuva 2 Koropleettinen kartta alle 15-vuotiaiden %-osuus koko kunnan väestöstä.

Moro moro!