There and back again – eli vektorista rasteriin ja takaisin

Pääkaupunkiseutu

Pääakaupunkiseudulla tarkoitetaan Espoon, Vantaan, Kauniaisten ja Helsingin kaupunkien muodostamaa aluetta. Lähde: https://fi.wikipedia.org/wiki/P%C3%A4%C3%A4kaupunkiseutu

Tänään siirryimme harjoittelemaan rasterimuotoisen aineiston tekemistä ja esittämistä. Rasteriaineistossa tieto ilmoitetaan tietyn kokoisina ruutuina eli pikseleinä, joista kullakin on tietyn muuttujan suhteen jokin arvo, josta ruudun värisävy kertoo. Yleensä rasteriaineiston pohjana on jokin pistemuotoinen aineisto. Lähdimme tekemään omia rasterikarttoja pääkaupunkiseudun neljän kaupungin tietojen pohjalta. Lähtöaineisto oli vektorimuotoista: pisteitä, viivoja, alueita (Kuva1).

Kuva 1. Lähtöaineistossa neljän pääkaupunkiseudun kaupungin asuinrakennuksista oli koottu pisteaineisto ja jokaisesta rakennuksesta eli pisteestä oli ilmoitettu tietoja asukkaista. Mm. ikä, sukupuoli, kansalaisuus, äidinkieli.

Aineistossa oli todella paljon dataa, ja pelkäsimme QGISin kaatuvan jo pelkästä ajatuksesta käsitellä tätä massiivista aineistomäärää. Ongelman ratkaisemiseksi päätimme rajata datan määrää ja piirsimme ensin ruudukon (1000 x 1000m), ja rajasimme aineiston vain ruutuihin, jotka sisälsivät asukasdataa (Vector–>spatial query) (Kuva2.)

Kuva 2. Asukasdataa sisältävien ruutujen rajaaminen uudeksi ruudukoksi (new selection).

Nyt meillä oli kerättynä vain ne ruudut, joihin ylipäätään oli osunut taloja tietoineen (ruudukko 1000m). Nyt saatoimme helpohkosti luoda uusia ruutuaineistoja haluamistamme asukkaita koskevista tiedoista liittämällä 1000 x 1000m kohderuudukkoon esim vektoriaineistoa ruotsinkielisten asukkaiden lukumäärästä rakennuksissa (Kuva 3).

Kuva 3. Ruotsinkielisten määrästä kertovan ruudukon luominen. Join attributes by location- toiminto laskee yhteen kullekin ruudulle osuvien asuinrakennusten ruotsinkieliset asukkaat. Tuloksena ruotsinkielisten lkm kussakin ruudussa.

Nyt kun ruotsinkielisten määrä per 1 km2 visualisoitiin karttatasolla asteikollisella väriskaalalla, saatiin rasterimuotoinen karttakuva ruotsinkielisten jakautumisesta pääkaupunkiseudulla (Kuva 4.)  Ruotsinkielisten kuumat pisteet näyttäisivät olevan Kauniaisissa ja Helsingissä. 

Kuva 4. Ruotsinkielisten lkm/km2 pääkaupunkiseudulla.

Tein vastaavan rasteriaineiston naisten prosenttiosuudesta sekä ulkokansalaisten määrästä kussakin 1 km2 ruudussa. Naisten osuuden visualisoimiseksi liitin uuteen ruudukkoon tiedot koko asukasmäärästä, sekä naisten määrästä kussakin rakennuksessa. Kun näiden kokonaismäärät oli saatu kullekin ruudulle summana, naisten osuus laskettiin luonnollisesti SUM (naiset) / SUM (asukkaat) * 100 % (Kuva 5).

Kuva 5. Helsingin, Espoon ja Vantaan alueilla on sekä ruutuja, joissa asukkaiden joukossa ei ole ollenkaan naisia että ruutuja, joissa kaikki asukkaat ovat naisia. Näyttäisi myös siltä, että Helsinki on lievästi muita naisvaltaisempi kaupunki tai ainakin siellä naisten alueellinen jakautuminen on tasaisempaa. Tulokseen toki vaikuttavat sekä asukastiheys että talojen osuminen ruuduille.

Kuva 6. Ulkokansalaiset ovat kartan perusteella varsin keskittyneet tietyille alueille. Toisaalta kun tarkastelee kuvaa 4. ruotsinkieliset ovat vielä keskittyneempiä. Ulkokansalaisia on eniten Helsingissä, mutta keskittymiä löytyy myös Espoosta ja Vantaalta.

Näin olimme luoneet vektoriaineistoista rasteriaineistoa. Harjoitus oli mielestäni hyödyllinen, sillä se auttoi ymmärtämään rasteri- ja vektoriaineiston keskinäistä yhteyttä ja rasteriaineiston visualisointia. Olisin vielä voinut tehdä toisella ruutukoolla vastaavat kartat ja tarkastellut pikselikoon vaikutusta visualisointiin. Ainakin Marita Selin on kaatuilutuskasta huolimatta saanut visualisoitua eläkeläisten määrän kahdella eri ruutukoolla. Ruutukoon suureneminen ainakin pienentää selvästi aineiston hajontaa, selkeyttää ja yksinkertaistaa karttaa. Luonnollisesti pienentämällä ruutukokoa löytyy enemmän sellaisia ruutuja, joilla ei ole eläkeläisiä.

Eveliina Sirola on kirjoittanut blogissaan ruutuaineiston ja pisteaineiston ominaisuuksista. Pisteainesto on kätevä visualisoitaessa kohteita, joilla on tarkka sijainti. Ruutuaineisto puolestaan sopii hyvin alueellisen tiedon esittämiseen.

Seuraavaksi avasimme QGISiin rasteriaineistoa, jossa neljä eri kerrosta sisälsivät maastoa koskevia tietoja. Nämä liitettiin yhteen Merge-toiminnolla (Kuva 7.), josta QGIS juuri ja juuri hieman ontuen selvisi. Tässä ehkä tuli ilmi se, miten paljon dataa rasteriaineisto sisältää verrattuna vektorimuotoiseen aineistoon.

Kuva 7. Rasteriaineistojen yhteenliittäminen

Yhteenliitoksen tuloksena saadulla rasteriaineistolla harjoittelimme rinnevalovarjostuksen visualisointia (Raster–>Analysis–>DEM–>Hillshade). QGIS osasi tehtä sen varsin vaivattomasti ja korkeuskäyrätkin sai näkyviin mukavasti.

Sitten takaisin vektoreihin. Lisäsimme rasteriaineiston yhteyteen kartan Pornaisista ja aloimme luomaan omia vektoriaineistoja karttatason päälle lisäämällä uusia shapefileja. Tarkoitus oli saada paikoilleen kaikki asuinrakennukset ja päätiet (Kuva 8). QGIS ei piirtämisen osalta ole ehkä yhtä evolvoitunut ohjelma kuin corel draw, mutta vaikutti kuitenkin toimivan tässä tehtävässä melko moitteettomasti. (Eikä edes kaatunut…)

Kuva 8. Pornaisten asuintalot ja päätiet.

“Tosi vähän, eli tosi paljon” – Arttu Paarlahti 5.2.2018, kurssikerta 4.

Lähteet:

Marita Selin (2018). Väestödata laittaa QGIS:n polvilleen eli neljäs kurssikerta. Blogikirjoitus 5.2.2018. <https://blogs.helsinki.fi/selkala/2018/02/05/vaestodata-laittaa-qgisn-polvilleen-eli-neljas-kurssikerta/>

Eveliina Sirola (2018). Neljäs kerta toden sanoo. Blogikirjoitus 7.2.2018. <https://blogs.helsinki.fi/evsirola/2018/02/07/neljas-kerta-toden-sanoo/>

 

Leave a Reply

Your email address will not be published. Required fields are marked *