Category: Uncategorized

Alkutaistelut

Viimeiseen kurssikertaan  valmistautumisen koin varsin haastavana. Innostukseni taantui tunnin mittaisen väännön kanssa saada järkevän näköistä dataa Yhdysvaltojen census.gov sivuston kautta. Halusin saada osavaltiokohtaista tietoa köyhyyden tasoista, mutta taito ei riittänyt tiedon tuomiseksi QGissiin. Tämän jälkeen hain paitulin tietokannasta Suomen alueelta karttalehden pinnanmuotoineen, mutta datan metatietojen kanssa kikkailu kävi yllättäen haastavaksi. Jokainen kartalle ilmestynyt tunniste kuvaili kartan ominaisuuksia, kuten sähkölinjoja, teitä ja kallioita. Tiedot olivat numeroina, joita käänsin maastotietokannan pdf tiedostosta käsin. Turhautuneena päätin aloittaa vielä kerran uudestaan, aiheesta minkä koin aidosti kiinnostavana.

Työn pariin

Päädyin etsimään ohjeita netistä aikaisempien ongelmien seurauksena ja löysin mielenkiintoisen (ja monimutkaisen) ohjeen Kanadalaisen tietopankin datasta, jossa ohjattiin vaihe vaiheelta luomaan kartta vähemmistöjen muutoksesta vuosien 2011-2016 välillä. Ohjeita plärätessäni huomasinkin moninaisten vaiheiden olevani pitkälti samat mitä olimme kurssilla käyneet läpi. Tietokantojen tuominen ja yhdistely selitettiin David Mckien ohjeessa selkeästi ja auttoi minua muistelemaan aikaisemmin opittua. Aihe muutenkin on varsin mielenkiintoinen ja valitsin myös itselleni mieleisen Toronton, jossa olen päässyt turistina tuntemaan kulttuuriset erot kaupunginosien välillä.

Kartta kuvaa vähemmistöjen (visible minorities) lisääntymistä alueittain Torontossa vuosien 2011-2016 välillä. Visible minorities viittaa tässä kontekstissa ei-valkoihoisiin tai toisin sanoen “muut kuin alkuperäiskansa”. Vuonna 2016 Toronton väestöstä 51,5% oli muuta kuin alkuperäiskansaa.

Kuva 1: Toronton vähemmistön prosentuaalinen kehitys 2011-2016 välillä alueittain

Karttaa voi hyödyntää visualisoimaan alueiden kehitystä Torontossa. Tummat alueet kuvaavat vähemmistöjen kasvua alueen väestöön nähden, kun taas vaaleat alueet kertovat vähemmistön vähenemisestä alueelta. Dataan vaikuttaa vaikuttaa vähemmistön kasvun lisäksi myös alkuperäiskansan väestöllinen kasvu alueella. Tämä laimentaa lopputulemaa. Tämä ei siis kerro todellisia kasvumääriä alueittain, vaan prosentuaalista vaihteluväliä.

Kuva 2: Vähemmistön kasvu vuosien 2011-2016 välillä

Kuva kaksi visualisoi vähemmistön määrällistä kasvua vuosien välillä. Tämä ei itsessään toimi visualisoimaan muutosta, sillä kartan alueet ovat erikokoisia, eikä alueen väestö ole sama. Tällöin alueet eivät ole vertailukelpoisia keskenään; Pienväestön muutos näkyy kuvassa tummempana, kuin suuren väestön alueen muutos.

Kun karttoja tarkastelee yhdessä, voi samankaltaisuuksia havaita Esimerkiksi punaisella merkityt alueet karttakuvassa 2 näkyy myös ensimmäisessä kuvassa suhteellisen tummana.

Kurssista

Tämä kurssi auttoi minua oppimaan täysin uuden QGis sovelluksen perusteet. Opin monia käteviä työkaluja joita pystyn hyödyntämään varmasti tulevaisuudessa. Artun oppitunteja on ollut ilo seurata, koska virheiden kohtaaminen on tällöin harvinaista ja tällöinkin apua pyytämällä virhe on helppo selättää. Opittu asia kuitenkin jää mieleen vasta kotitöitä tehdessä. Monesti olen joutunut kertaamaan opittuja asioita kurssin word-tiedostoista ja oppinut tätä kautta uudestaan. Pidin kurssista ja toivottavasti lähiopetuksessa pääsee jälleen QGis:in pariin! 🙂

QGIS sovelluksena

En ole aikaisemmin käyttänyt yhtä monipuolista karttasovellusta, joten kirjoitan todellakin aloittelijan näkökulmasta. QGis on itselleni toiminut hyvin, kaatuiluja on tapahtunut vähän (nämäkin omasta virheestä) ja toiminnot ovat olleet loogisia omalle kohdalle. Tietojen tuominen ja yhdistely sovelluksessa on tuonut kuitenkin itselleni eniten päänvaivaa. Netistä ladattujen tiedostojen saaminen attribuuttitaulukkoon oikein on korostunut suurimpana ongelmana minulle.  QGissin parhaita ominaisuuksia on kartan visualisointi (symbology, diagrams, interpol) sekä viimeistely (legenda). Näihin meni runsaasti aikaa CorelDraw sovelluksen parissa.

Lähteet

Tutorial for mapping Census 2016 data in Qgis by census tracts. (2021) http://www.davidmckie.com/Tutorial%20for%20mapping%20Census%202016%20data%20in%20Qgis%20by%20census%20tracts_updated.pdf

https://www.census.gov/ (2021)

 

Kuudennes kurssikerta alkoi ulkoilun merkeissä. Tehtävänämme oli kerätä dataa Epicollect5-sovellukseen erilaisista ajanviettopaikoista, joista sijainnin lisäksi kertoisimme esimerkiksi alueen turvallisuuden tunteen.

Esitimme haetun datan interpoloimalla ne kartalle. Kartta muokkaantui visuaalisesti nätiksi yhdellä helppokäyttöisellä työkalulla. Tykkään erityisesti kartan visuaalisesta ulkonäöstä. Täytyy käyttää interpolointi-työkalua useamminkin!

Kuva 1: Kurssikerran tehtävän lopputulos.

Seuraavaksi loin kolme karttaa hasardeista. Tiedot keräsin erilaisista aineistoista kurssisivuilta. Ensimmäisenä teoksen loin karttakuvan vuoden 1900-2012 yli 5magnitudin maanjäristyksistä. Kuva 2: Yli viiden magnitudin maanjäristykset.

Maanjäristyksien sijainteja löytyy litosfäärilaattojen reunoilla. Kuvaa tarkastellessa näkee selviä janoja merien keskiselänteillä Atlantilla, sekä Tyynenmeren tulirenkaan kohdalla. Karttaa voi käyttää visualisointina maanjäristyksien ja litosfäärilaattojen yhteyden muodostamiseksi.

Kuva 3: Maapallolta löydetyt meteorikraaterit

Kuva 3 kuvastaa löydettyjen meteorikraatereiden sijainteja maapallolla. Meteorit putoavat sattumanvaraisesti, eikä mikään paikka ole toista todennäköisempi putoamispaikka. Karttakuvaa tarkastellessa, voimme kuitenkin havaita meteorikraatereiden yleistyvän esimerkiksi Euroopan, Yhdysvaltojen ja Intian alueella verrattuna Sademetsiin tai Venäjälle. Meteorikraaterin tunnistaminen on haastavampaa alueilla, joissa on asutuksen sijasta vaikeakulkuista maastoa tai tiheää metsää. Meteorikraatereiden löytäminen edellyttää harjaantunutta topografista silmää, sekä esimerkiksi rinnevarjostusta helpottamaan löytöjä. Lisäksi menneet jääkaudet ovat muokanneet maaperää napojen läheisyydessä, joka vaikeuttaa meteorikraatereiden löytämistä paikoittain.

Kuva 4: Kuolemia aiheuttaneet kilpi- ja kerrostulivuoret 2000-2020-luvulla

Kuva 4 visualisoi kilpi- ja kerrostulivuorien sijaintia suhteessa litosfäärilaattojen rajoihin.  Hawaijin kilpitulivuorta lukuunottamatta kaikki kuolemaa aiheuttaneet kilpi- ja kerrostulivuoret 2000-2020 luvulla ovat litosfäärilaattojen rajoilla. Hawaijin kilpitulivuori onkin varsin kiinnostava ilmiö. Kuuman pisteen päälle syntynyt Hawaiji ei ole litosfäärilaattojen rajalla, vaan laatan keskellä. Kyseinen tulivuoritoiminta ei selity laattatektoniikan mekanismilla, vaan magman nousemisesta vaipasta.

Lisäksi kuvaa 4 voidaan käyttää havainnollistamaan tulivuorityyppien vaarallisuutta ja kehittyvien- ja vauraiden maiden kuolleisuuseroja. Kartta ei kuitenkaan näytä kuolemien määriä, mikä vääristää kuolleisuuteen liittyvää kartta-analyysiä. Indonesiassa kuolleita on runsaasti enemmän kuin Islannissa. Mikä kertoo huonoista valmisteluista tulivuorenpurkauksien varalle. Indonesia on myös erittäin tiiviisti asutettu valtio, mikä selittää korkeaa kuolleisuutta. Suuri syy kuolleisuudelle onkin juuri asutuksen sijainti. Monet viljelijät asuvat lähellä tulivuoria rikkaan viljelymaan takia. Tämä johtaa useisiin kuolemiin purkauksen yllättäessä.

Litosfäärirajat sain Githubista Tapion blogivinkistä. Shapefile tiedoston tuominen oli helppoa. Suurimmaksi ongelmaksi oli NOAA:n tarjoaman TSV tiedoston muuntaminen QGissiin. Käytin tiedot Excelin kautta, ja muunsin tiedot CSV tiedostoiksi. Täten sain tiedot siirrettyä delimited text-hakutoiminnon kautta.

Näin jälkikäteen mietittynä kartan väritystä olisi voinut muuttaa, tai vähintään keltaista väriä kerrostulivuorissa tummentaa. Väri ei näy selkänä lukijalle.

Lähteet:

https://github.com/fraxen/tectonicplates

Turpeinen, T. (2021) https://blogs.helsinki.fi/tapiotur/

 

Viidennellä kurssikerralla kävimme taas uusien QGis:sin ominaisuuksien kimppuun. Näitä olivat mm. sum line lenght, clip, intersect ja buffer. Viikkotehtäviin kuului itselle hyvin kiinnostavat datat lentokentistä ja pääkaupunkiseudun infastruktuurista. Käyn seuraavaksi tehtävä kerrallaan tehtävien pohdintoja ja tuloksia.

Lentokentät

Kuvassa on Malmin lentokentän kiitoradat punaisella, 1km säde kiitoradoista vihreällä ja 2km säde oranssilla. Keltaisella merkityt pisteet ovat asuttuja rakennuksia 2km säteen alueella.

Kuva 1: Malmin lentokentän lähiympäristön asutus

Tarkastelin Malmin lentokentän kilometrin säteellä olevia rakennuksia ja niiden käyttöönottovuosia. Atribuutti-taulukosta kävi ilmi, että vanhin rakennus oli rakennettu vuonna 1800. Malmin lentokenttä valmistui vuonna 1936 ja tätä ennen rakennuksia kilometrin säteellä oli asutettuna 57. Vuoden 1936 jälkeen, kilometrin säteelle on rakennettu jopa 754 uutta rakennusta meluhaitasta huolimatta.

Tuloksia

Malmin lentokenttä
1km säteellä asuvat	9121
2km säteellä asuvat	58835
Helsinki-Vantaan lentokenttä
2km säteellä asuvat	12031
65dB melualueella	20
Juna- ja metroasemat
Asemista 500m päässä asuvat	111765
prosentteina	21,65 %
Saunat
Yhteensä PK:seudulla	21922
prosentteina	24 %
Uima-altaat
Uima-altaita sisältäviä rakennuksia	855
joista omakotitaloja	345
joista paritaloja	158
joista rivitaloja	113
joista kerrostaloja	181

Malmin kiitoradoilta 2km säteellä asuu 58835 asukasta 4954 taloudessa. 1km päässä kiitoradoista asuu  9121 asukasta 829 taloudessa. 1km päässä kiitoradoista asuu  9121 asukasta 829 taloudessa.

Näistä asukkaista 20 asukasta 8 taloudessa asuu pahimmalla melualueella. Tällöin vain 0,2% 1km päässä asuvista asuu 65dB melualueella. Vähintään 55dB alueella asuu 11923 asukasta 1780 taloudessa. Tämä siis pitää sisällään myös 60dB ja 65dB arvot.

Mikäli Helsinki-Vantaan kolmatta kiitorataa käytettäisiin, olisi 7km pitkän ja 1km leveän meluhaitan vaikutus 940 ihmisellä eli 255 taloudella.

2. Asemat 

Juna- ja metroasemien lähellä olevia asutuksia kartan alueella on 111765 asukasta 5396 rakennuksessa. Eli 21,65% prosenttia alueen asukkaista asuu alle 500 metrin päässä metro- tai juna-asemasta.

3. Uima-altaat

Tehtävänantoa lukiessani mielenkiinto aihetta kohtaan heräsi. Tuntui että Helsinkiläisenä voin jo melkein suoraan sanoa, missä uima-altaita on eniten. Kulosaari ja Westend tuli ensimmäisenä mieleen. Tehtävä alkoi statistics paneelia tulkitsemalla ja joined layerin tekemisellä.

Ongelmaksi kuitenkin syntyi error viesti, joka tuli “join attributes by location (summary)” työkalulla. Monien blogien lukemisen jälkeen huomasin, etten ollut yksin ongelman kanssa. Ilarin blogista löysin onnekseni ratkaisun ongelmaan, josta virhearviot oli otettava pois asetuksista. Tällöin sain tehtyä joined layerin uima-altaiden sijainneista kartalla.

Muistini petti pahimman kerran, kun karttaa piti alkaa visualisoimaan, enkä saanut värigradienttia kuvaamaan haluamaani tietoa. Alkoi taas blogien selailu ja lopulta löysin ratkaisun Lotan blogitekstistä. “Count points in polygon” -työkalulla sain näppärästi kartalle liukuvan värigradientin uima-altaiden määrästä. (kuva 2)

Kuva 2: Uima-altaalliset rakennuksen Pääkaupunkiseudulla pienalueittain.

Rakennuksia, jossa on uima-altaita PK seudulla on 855. Niissä asuu 12170 ihmistä.  Karttakuva 2 näyttää sijainnit näille rakennuksille pienalueittain. Käytin havainnollistamisessa ympyrän paksuutta korostamaan eroja. Numerot alueiden sisällä kuvaa uima-allas rakennusten määrää.

Yhteenveto

Tämän viikon tehtävät kestivät selvästi pidempään aikaisempiin viikkoihin verrattuna. Harjoitin muistiani tekemällä viikon harjoitustyön päivää ennen seuraavaa harjoituskertaa, mikä ei helpota asioiden muistamista. Koin ajoittain turhautuneisuutta omalle kohdalleni, kun varattuani kahdeksan tuntia aikaa QGis työlleni, aika lipsuikin käsistä muihin töihin (tai häiriötekijöihin.) Joka tapauksessa, olen tyytyväinen että sain viikon työt tehtyä oikeaoppisesti ja olen tyytyväinen oppimaani.

Kotitoimiston avautumiset

Suurimpana oman oppimisen edistäjänä on kiinnostus oppiaihetta kohtaan. Tiedonkäsittely on varsin tärkeä taito omaksua ja koenkin olevani osittain nopea oppimaan tietokoneiden ja niiden sovelluksien käyttöä ja soveltamista. Merkittävänä ongelmana kuitenkin koen koronan vaikutukset vireystilaani koulutehtäviä tehdessä. Toistuvat yksilötehtävät ja kotona työskenteleminen on raskasta pitkällä aikavälillä ja se syö motivaatiota muuten kiinnostavissa oppiaineissa. Häiriötekijät ja itsekurin lipsuminen luo kotonani varsin epänautinnollisen opiskelukokemuksen. Toivottavasti syksyllä päästään kampukselle normaaliin opiskeluun.

Lähteet

Leino, I. (2021) Viides kurssikerta https://blogs.helsinki.fi/ilarilei/

Mattila, L. (2021) Itsenäiset tehtävät: Tunteiden vuoristorata https://blogs.helsinki.fi/lottmatt/

Neljännellä kurssikerralla kävimme läpi tilastojen liittämistä ruutuaineistoon, korkeuserojen visualisointia rinnevarjostuksella, sekä rasteriaineistojen luomista QGIS ohjelmassa. Eli paljon uutta ja jännittävää!

Latasimme Pääkaupunkiseudun tilastoja, joita opettelimme käsittelemään QGIS-sovelluksessa ruutuaineistona. Ruutuaineisto tuntui näppärältä tavalta löytää keino havainnollistaa dataa kartalla. Kurssikerran esimerkin lisäksi tein itse valitusta teemasta havainnollistavan kartan (kuva 1). Kurssikerralla kävi ilmi, että vanhin asutettu rakennus pääkaupunkiseudulla on vuodelta 1750. Päätin tehdä kiinteistöiän tilaston mukaan ruutuaineiston, joka näyttää ruudun vanhimman asutetun kiinteistön valmistusvuoden. Kuva havainnollistaa, missä vanhimmat asutetun kiinteistöt sijaitsevat pääkaupunkiseudulla.

Tein kyseisen kuvan valitsemalla alueen asuntovuoden minimiarvon. Tällöin vaikka alueella olisi enimmäkseen 2000-luvun asuntoja, näyttäisi tilasto kartalla vain vanhimman yksittäisen asunnon iän. Tämä pitää tiedostaa karttaa tulkittaessa, että kyseessä ei ole asuntojen valmistusvuoden keskiarvo, vaan minimi. Informatiivisuuden lisäämiseksi kartalle olisi hyvä ilmoittaa kiinteisöjen valmistusvuoden keskiarvo vuosittain. Tämä auttaisi lukijaa ymmärtämään, että kartta ei nykyisessä muodossaan kerro alueen kiinteistöjen keski-iästä mitään.

Kuva 1: PK-seudun vanhimman asutun kiinteistön valmistusvuosi

Seuraavaksi teimme Pornaisten lähialueella rasteriaineiston tulkintaa rinnevarjostuksen ja pinnanmuotojen avulla. Lisäksi opettelimme kartan valmistelua oikealle projektiolle. Oikean projektin valitseminen aina, kun luodaan tai yhdistellään karttoja on varsin yksinkertainen prosessi, mikä voi unohtuessaan vääristää lopputulemaa hurjasti. Siksi koin erityisen tärkeäksi kirjoittaa sen muistiksi blogiin.

Pornaisten keskuksesta aloitimme merkitsemään päätiestöä ja asuintaloja kartalle. Tämä muistutti mieleen aikaisemman “tiedon esittäminen maantieteessä” kurssin, jossa digitoimme karttaa samalla tekniikalla (tosin silloin käytössä oli CorelDRAW-sovellus). Hiiren klikkailu ei tuottanut turhautumista, kuten Helmikin totesi, piirtäminen sujui todella kätevästi vanhojen tietojen pohjalta. Koin sen rauhoittavana ja tässä skaalassa varsin nopealta toimeenpiteeltä.

Kuva 2: Pornaisen asuintalot  peruskartalla

 

Lähteet:

Lappalainen-Imbert, H (2021) Kerta 4- Ruudukoita ja tiedon tuottamista piirtämällä. https://blogs.helsinki.fi/laphelmi/

 

Oppitunnilla

Toisella harjoituskerralla jatkoimme QGIS:in käyttöä. Kertasimme läpi aikaisemmin opittuja asioita, sekä harjoittelimme uusien tilastotietojen kuvaamista kartalla. Tällä kertaa vertailimme eri karttaprojektion tarkkuuksia Suomen kartalla. Vaiheittain läpikäyminen oppitunnilla on paras tapa tutustuttaa uusiin toimintoihin, jonka jälkeen itsenäisten karttatöiden tekeminen muistuttaa nopeasti mieleen vastaopitut asiat. Itsenäinen tekeminen on heti työläämpää vasta opitun jälkeen, mutta helpottaa asian muistamista myöhemmällä ajalla. QGissin käyttö on myös helpottunut nyt kun otin käyttöön toisen näytön, Kuten Anttikin blogissaan totesi, tuplanäyttö helpottaa oppimista huomattavasti.

Harjoitus

Vertasin karttaprojektioiden eroja kuvaamalla tietyn alueen pinta-alaa ja pituutta eri projektioilla ja merkitsin prosentuaaliset kokoerot verrattuna ETRS89 TM35-projektioon. Alla olevaan taulukkoon merkityt tulokset näyttävät kuinka tärkeää on valita oikea projektio alueita kuvattaessa. Esimerkiksi Mercatorin projektio kuvasi valitsemani alueen pinta-alaa jopa 460% suurempana.

Karttakuva
Kartat kuvassa 1. kuvastaa Winkel Tripelin, sekä Mercatorin projektion kokovaihtelua verrattuna ETRS89 TM35 karttaprojektioon. Vertailimme kuntien kokoeroja ja huomasimme, kuinka suuri kunnan kokovaihtelu on pitkän Suomen alueella. Kuvan 1 kartat on kuvattu TM35-muodossa. Väripalettien valitseminen ja oikean sävyn mallaaminen legendaan järkeväksi kokonaisuudeksi antoi minulle ns. “vapaat kädet” luoda mahdollisimman näyttävä kartta. 

(kuva 1: Winkel Tripel (vas.) ja Mercatorin (oik.) koko verrattuna TM35 pinta-alaan)

Kuvia tarkastellessa huomaa kuinka paljon Suomen pituus vaikuttaa vääristymiin. Varsinkin Mercatorin projektion vertailussa (oikealla) yli seitsemän kertainen pinta-alan vääristymä on todella suurta. Kuvaparia tarkastellessa huomaan, kuinka Mercatorin varsinainen vääristymä ei poikkea Winkel Tripelin värisävyistä tarpeeksi, että sen radikaalin kokoeron huomaisi väripaletista. Vasta Legendaa tarkastellessa huomaa suuren vertailueron.

Lähteet

https://blogs.helsinki.fi/anttipaa/ (Luettu 1.2.2021)