Viimeistä viedään

Buenos días!

Tässä sitä ollaan. Viimeinen kurssikerta takana ja viimeinen blogiteksti edessä. Tähän viimeiseen blogipostaukseen meidän piti itse tehdä jokin kartta tai karttoja itseä kiinnostavasta aiheesta. Tätä varten piti siis itse (sos) etsiä internetin syövereistä GIS -aineistoja, joiden pohjalta kartat sitten kokkailee. Tähän kului helposti pari tuntia, ainakin minulla. GIS-dataa oli saatavilla niiiiiin paljon, että eri aineistoja selaillessa iski oikea valinnanvaikeus; hakusanoilla “free gis data” sai eteensä varmastikin tuhansittain sivuja ja linkkejä, ja niiden takaa vielä lisää linkkejä. Huh. Löysin kuitenkin lopulta hyvää dataa erilaisista luonnonhasardeista maapallolla ja päätin paneutua niiden pariin. Tutkin eri aineistoja eri hasardityypeistä ja mielenkiintoni kiinnittyi kuivuuteen hasardina. Kuivuusdata on peräisin kolmenkymmenen vuoden keskiarvoista ja tilastoista.Tämän jälkeen mietin, minkä toisen statistiikan kanssa voisin esittää kuivuutta ja sen yleisyyttä, jotta se toisi ilmi esimerkiksi sen vaikutuksia ihmiselämään. Päätin visualisoida kuivuutta yhdessä väestöntiheyden kanssa, sillä näin saa hyvää kuvaa siitä, missä päin maailmaa asuu ihmisiä tiiviisti ja myös osviittaa siitä, missä päin maailmaa meitä on paljon, ja kuinka suureen osaan meistä kuivuus hasardina vaikuttaa. Tein myös toisen kartan, jossa kuvataan riskiä kuolla kuivuuteen ja sen aiheuttamiin seurauksiin.

Karttojen tueksi tein myös erillisen kartan, jossa väestöntiheyttä on kuvattu erikseen, sillä näissä muissa kartoissa ei visualisoinnin onnistumisen ja hyvältä näyttämisen takia ollut hyvä käyttää läpinäkyvyyttä kuivuuslayerissa, jolloin joillain alueilla väestöntiheys jää valitettavasti tämän rasterimuotoisen kuivuusaineiston alle. Tästä erillisestä väestöntiheyskartasta on kuitenkin helppo huomata, missä väestöntiheys on suurta ja verrata sitä kuivuuden esiintymiseen. Lisäksi kartoista on hyvä huomata, ettei kuivuusdata sisältänyt oikein järkeviä lukumuotoisia arvoja kuvaamaan kuivuutta, joten päädyin visualisoimaan niitä yksinkertaisesti tyylillä “mitä tummempi väri, sitä yleisempää on kuivuus/sitä suurempi riski kuolla”. Mielestäni tämä on kuitenkin erittäin helposti ymmärrettävä vaihtoehto ja se tuo hyvin esille kartan lukijalle tarpeellisen informaation.

Kartta kuivuuden yleisyydestä sekä väestöntiheydestä
Väestöntiheyskartta kuivuuskarttojen tulkinnan tueksi
Kartta riskistä kuolla kuivuuteen

Mitä tulkintoja kartoista on tehtävissä?

Ensinnäkin kuivuus maapallolla on luonnollisesti yleisintä päiväntasaajan ja kääntöpiirien alueilla. Suurinta ja yleisintä kuivuus on esimerkiksi Saharan eteläpuoleisessa Afrikassa, Arabian niemimaalla, osissa Meksikoa sekä Espanjan eteläosissa. Lähes koko Intia, aivan sen pohjoisosaa lukuunottamatta, on yleistä kuivuuden aluetta, ja siellä kuivuus ja kuumuus vaikuttaakin yli miljardin ihmisen elämään. Intia on lisäksi äärimmäisen tiheään asuttu maa, kuten väestöntiheyskartasta käy ilmi. Myös esimerkiksi Yhdysvaltain keskilännessä kuivuus on melko yleistä. Yksi mielenkiintoinen seikka väestöntiheyskartasta on Australian kohdalla, josta huomaa, miten harvaan asuttu maa Australia on. Asutus on keskittynyt melkeinpä kokonaan rannikoiden suuriin asutuskeskittymiin. Tähän on toki syynä valtavaa osaa Australiasta hallitseva autiomaa maan keskellä. Lisäksi väestöntiheyskartasta on hyvä muistaa se, ettei se kuvaa yksi yhteen suhteessa asukasmäärää, vaikka se siitä osviittaa antaakin, ainoastaan tiheyttä. Esimerkiksi joitain Afrikan valtioita katsellessa voi tulla kuva, että “eihän tuolla asu ketään”. Todellisuudessa näiden pinta-alat ovat erittäin suuria ja ihmiset ovat keskittyneet joihinkin suurempiin asutuskeskittymiin, joten maa saattaa näyttää “tyhjältä”.

Kartasta, joka kuvaa riskiä kuolla kuivuuden takia näkyy helposti, että suurin osa kuumuuteen kuolleista tulee Saharan eteläpuolisen Afrikan valtioista, jotka ovat köyhiä, matalan tulotason kehitysmaita. Näissä maissa terveydenhuolto on usein puutteellista ja elinolot huonot, joten kun kuivuus yhdistetään vielä tähän yhtälöön, riski kuolla kuivuuteen on suuri. Seuraavaksi suurin riski kuolla on Intiassa ja Kaakkois-Aasian valtioissa. Näilläkin alueilla riskiin vaikuttaa monet samat tekijät, kuin Saharan eteläpuolisen Afrikankin maissa, mutta riski on silti hieman pienempi, sillä näissä maissa elinolot ja kehitys ovat yleisesti kuitenkin hieman paremmat. Tästä kartasta käy hyvin ilmi, kuinka kehitys ja maan elinolot, sekä vauraus näkyvät kuolemanriskissä. Esimerkiksi Yhdysvalloissa riski kuolla kuumuuteen on maailman mittakaavassa käytännössä olematon. Tähän vaikuttaa juuri elinolot, terveydenhuoltojärjestelmä, vauraus ja infrastruktuuri, jotka ovat huipputasoa. Yleisesti ottaen riski kuolla kuumuuteen on suuri kehitysmaissa, ja pieni kehittyneissä, hyvän tulotason maissa. Tämä pätee muihinkin hasardeihin kuin kuivuuteen.

Tämä kurssi alkaa tämän postauksen jälkeen olla taputeltu. Muiden kurssilaisten, esimerkiksi Vivi Tarkan mielestäni upeasti toteutettua Nepalin maanjäristyksiä koskevaa karttaa ja siihen liittyvää postausta lukiessa tuli kuitenkin tunne, että olisin voinut valita viimeiseen postaukseen jonkin omaperäisemmän aineiston, mutta olen silti lopputulokseen tyytyväinen. Mutta. Olenko nyt el maestro QGIS:n kanssa? Noooo en aivan, mutta väittäisin, että oppia on kuitenkin tarttunut mukaan rutkasti! It has been a fun ride, (a bit frustrating as well at times) mutta nyt on aika sanoa heipat. Gracias, ciao!

PS.  Artulle tiedoksi, blogini on valmis.

PPS. Jätän tähän vielä suoranaisen QGIS-taideteoksen; samaisen väestöntiheyskartan, mutta singleband gray asetuksella, ilman sen suurempia selityksiä. Nauttikaa!

Lähteet:

Tarkka, Vivi: It’s the final countdown (09.3.2018) – VIVI (luettu 20.03.2018) https://blogs.helsinki.fi/vivitark/2018/03/09/its-the-final-countdown/

http://www.ldeo.columbia.edu/chrr/research/hotspots/coredata.html (käyty 19.03.2018)

Manner 3 – Riskien maailma -oppikirja

 

 

Olisiko teillä hetki aikaa puhua maanjäristyksistä ja tulivuorista?

Heissan igen!

Toiseksi viimeistä postausta viedään ja oikein järinällä. (Okei sori oli huono) Eli kuten otsikosta ja yours trulyn huumorista voi päätellä, tällä kertaa olen tuottanut karttoja maanjäristyksistä ja tulivuorista. Tämän kertainen tunti kuitenkin alkoi hieman eri tavalla kuin yleensä, sillä ensin suuntasimme tunnin mittaiselle happihyppelylle pienissä ryhmissä keräämään dataa. Suuntasimme oman ryhmäni kanssa Sörnäisiin keräämään eri paikoista sijaintidataa Epicollect5 -ohjelman avulla. Kerättyjä tietoja käytettiin myöhemmin tunnilla harjoituksen tekemiseen, mistä minulle ei valitettavsti jäänyt juuri käteen QGIS:n ihanan kaatumisen vuoksi… mutta ei se mitään, samoja metodeita käytettiin kuitenkin varsinaisen tehtävän tekemisessä, jolloin ne tulivat tutuiksi! Itseasiassa voisin väittää, että tämän kertaisen harjoituksen tekeminen oli henkilökohtaisesti helpoin ja mielenkiintoisin tähän mennessä tehdyistä harjoituksista. Karttojen teko oli hanskassa ja hanskatkin jopa tällä kertaa hyvässä tallessa!

Tehtävänä oli tehdä yhdestä kolmeen karttaa, joita voisi hyödyntää opetuskäytössä. Tein kaksi karttaa, joista toisessa on mukana myös tulivuoret eroteltuna kilpi- ja kerrostulivuoriin. Lisäksi kartoissa on hieman eri lähtöasteikolta alkavat magnitudit; toisessa kaikki 5,5 magnitudista ylöspäin, toisessa seitsemästä ylöspäin.

Esimerkkikuva maanjäristytietokannasta, joka on vapaasti saatavilla. Data on muutettu myöhemmin Excelillä oikeaan muotoon (CSV)
Kartta yli 5,5 magnitudin maanjäristyksistä vuodesta 2007 eteenpäin

Yllä olevaa karttaa voisi käyttää opetuskäytössä esimerkiksi havainnollistamaan, ensinnäkin kuinka valtavasti maapallolla tapahtuu maanjäristyksiä ja toisekseen, kuinka ne yleensä jakautuvat. Exceliin vietynä näitä yli 5,5 magnitudin järistyksiä oli 5281 rivin verran, eli paaaaljon.  Järistyksien esiintymisestä on myös karkeasti pääteltävissä, missä kohtaa mannerlaattojen saumat ovat, sillä järistykset syntyvät hyvin useasti mannerlaattojen saumakohdissa. Järistykset muodostavat kartalla visualisoituna ketjuja, mikä havainnollistaa juuri myös osaltaan mannerlaattojen saumakohtien sijaintia.

Kartalta pystyy myös huomaamaan, että pienempiä maanjäristyksiä esiintyy enemmän, kuin isompia maanjäristyksiä. Täytyy kuitenkin muistaa, että 5,5 magnitudin järistyskin on voimakas ja voi aiheuttaa tuhoa, esimerkiksi rikkoa rakennuksia ja rakenteita, varsinkin maissa, jossa infrastruktuuri ei ole järistykenkestävää. Näitä yli 5,5 Richterin järistyksiä tapahtuu vuosittain yli 500. (Lähde: Manner 3 – Riskien maailma) Eveliina Sirolan blogia lainatakseni, suurimmat maanjäristysalueet sijoittuvat Etelä-Amerikan ja Nazca-laatan törmäysvyöhykkeeseen, Intian-Australian laatan ja Arabian laatan törmätessä Euraasian laattaan sekä Tyynenmeren, Filippiinien ja Euraasian laatan törmäysvyöhykkeeseen. Erkanemissaumoissa on tapahtunut verrattaen vähemmän järistyksiä.

Kartta yli seitsemän magnitudin maanjäristyksistä vuodesta 2002 eteenpäin, sekä kilpi- ja kerrostulivuorista

Tältä kartalta pystyisi opetuskäytössä havainnollistamaan esimerkiksi Tyynenmeren tulirengasta, sekä toiseen karttaan verrattaessa sitä, miten tällä tulirenkaan alueella esiintyy selkeästi isoja maanjäristyksiä, eikä niitä liiemmin esiinny muualla, esimerkiksi Atlantin valtameren keskiselänteellä, jossa tapahtuu useita pienempiä järistyksiä. Tulivuorten sijainti on selvästi myös kytköksissä isompiin järistyksiin, jota kartta hyvin havainnollistaa.

Litosfäärilaattojen saumakohtia ja liikesuuntaa kuvaava kartta, tuotu netistä

Kuten Meri Suppula pohtii omassa blogissaan, opetuskäyttöiseen karttaan voisi lisätä vielä mannerlaattojen saumakohtia ja liikesuuntaa (kuten yllä) kuvaavan layerin. Tällöin kartta olisi vielä havainnollistavampi.

Tämä harjoitus oli erittäin mielenkiintoinen, yläpeukku allekirjoittaneelta! Lisäksi ainakin tämän harjoituksen kohdalla ohjelmat toimivat kuten niiden pitikin ja käyttäjäkin osasi tehdä karttoja ilman ongelmia. Wau?!

Lähteet:

Sirola, Eveliina: Kurssikerta 6: Pakkassäässä reippailua ja pedagogisia karttasarjoja (26.02.2018) – GIRL VS. GIS (luettu 20.03.2018) https://blogs.helsinki.fi/evsirola/2018/02/26/kurssikerta-6-pakkassaassa-reippailua-ja-pedagogisia-karttasarjoja/

Suppula, Meri: 6. kurssikerta – Mielenkiintoista hasardidataa (23.02.2018) – MERIN BLOGI (luettu 20.03.2018) https://blogs.helsinki.fi/merisupp/2018/02/23/6-kurssikerta-mielenkiintoista-hasardidataa/

https://www.google.fi/search?q=litosf%C3%A4%C3%A4rilaatat&source=lnms&tbm=isch&sa=X&ved=0ahUKEwifsICt_YfaAhWDyaYKHTTgCqoQ_AUICigB&biw=1280&bih=608#imgrc=eSTR_0re2Hs7fM:

Manner 3 – Riskien maailma-oppikirja

Lentomelua, asukkaita ja koululaisia

APUA!

Viides kurssikerta on käsillä, mikä tarkoittaa yhtä monen pelkäämää asiaa: itsenäistymistä QGIS-ohjelman käytössä ja ongelmanratkaisussa. (SOS) Tarkoituksena ei kuitenkaan ole tuottaa meille opiskelijoille pelkkiä harmaita aivosoluja ja hermoromahduksia (joita kieltämättä tuli tätä tehtävää tehdessä koettua), vaan opettaa ja totuttaa meitä itsenäiseen työskentelyyn, sekä omien tietojen ja taitojen soveltamiseen. Tällä kertaa oli olennaista erilaisten bufferointityökalujen käyttäminen osana työskentelyä, sekä esimerkiksi QGIS-ohjelman Spatial Query -työkalua, joiden avulla aineistosta pystyttiin poimimaan ja suodattamaan oikeita, tarvittavia tietoja. Mikä helv… bufferi ja Spatial Query?? Suomeksi sanottuna bufferi- eli puskurianalyysin avulla voidaan kartalla määrittää tietyn levyinen tai pituinen alue halutun attribuuttisarakkeen kohteille. Spatial Querylla puolestaan pystytään esimerkiksi poimimaan haluttuja kohteita joltain kohdelayerilta suhteessa johonkin toiseen layeriin.

Tehtäviä meillä oli yhteensä kolme kappaletta. Niihin liittyi esimerkiksi Malmin lentokentän sekä Helsinki-Vantaan kansainvälisen lentoaseman melualueiden ja niiden vaikutusalueilla asuvien asukkaiden tutkiminen, julkisen liikenteen pysäkkien sijoittumisen tutkiminen, sekä koululaisten määrän tutkiminen. Alla olevassa taulukossa on esitetty tehtäviin saadut vastaukset.

Taulukko tehtävien tuloksista

Asukkaita kahden kilometrin säteellä Malmin lentokentästä on lähes 57 000, ja kilometrin säteelläkin heitä on 8699, joten Malmin lentokentän melualueella asuu siis hyvin paljon ihmisiä. Helsinki-Vantaan lentoaseman alueella puolestaan kahden kilometrin säteellä asuu “vain” 10 223 asukasta, joka on toki vähemmän, mutta toisaalta taas Helsinki-Vantaa on Malmia vilkkaampi. Lisäksi sieltä lähtee ja sinne saapuu isompia, äänekkäämpiä lentokoneita. Väkiluku ja liikenne lentokentillä kasvavat, kun kaupungistuminen ja matkustelu kasvattavat suosiotaan, Tuuli Lahinin blogia lainatakseni. Hän siteeraa myös Tiede-lehden artikkelia seuraavasti: ”Melu määritellään jatkuvana äänenä, joka ei vaurioita kuuloa, mutta ärsyttää ja ottaa päähän.” Artikkelin mukaan melu voi aiheuttaa kuulovaikeuksia ja -sairauksia, sekä pahimmillaan kuoleman. Tutkimus meluhaitoista ja pyrkiminen niiden minimoimiseen on nyky-yhteiskunnassa erittäin tärkeää. Melua on pyritty vähentämään erilaisilla infrastruktuuriratkaisuilla, kuten meluvalleilla. Pahimmalla melualueella, eli 65 desibelin alueella asuu kuitenkin vain 324 asukasta, mikä on prosentuaalisesti vain kolme prosenttia lentoaseman alueen asukkaista. Vähintään 55 desibelin lentomelun alueella asuu yli 11 900 asukasta. Kun lentokentän uutta kiitorataa rakennettiin vuonna 2002, lentoliikenne käännettiin tilapäisesti kulkemaan Tikkurilan yli, eli kartalta katsottuna kaakosta luoteeseen. Mikäli lentoliikenne ohjattaisiin jälleen kulkemaan kyseistä poikkeusreittiä, sen meluvaikutusalueella asuisi 12 396 asukasta. Luvun sai selville piirtämällä kiitoradan jatkoksi kuusi ja puoli kilometriä pitkän apuviivan ja tallentamalla sen omaksi tietokannakseen. Tämän jälkeen se bufferoitiin 500 metrillä ja tälle luodulle bufferille eli puskurille suoritettiin Spatial Query, jolloin saatiin tarkasteltavaksi tieto siitä, montako asukasta kyseisen bufferin sisään jäi. Saadut tulokset kuitenkin vaihtelevat hieman riippuen siitä, mistä kohtaa ja kuinka tarkasti apuviivan on piirtänyt.

Havainnekuva Spatial Queryn tekemisestä bufferoinnin yhteydessä

Seuraavaksi tarkastelussa oli julkisen liikenteen asemat Vantaan karttalehden alueella. Enintään 500 metrin päässä asemista asuu 106 691 ihmistä, mikä on 21,8% tietokannan 490 173:sta asukkaasta. Taajamissa asuu yli 478 000 asukasta, jolloin taajamissa asuu 97,6% asukkaista. Taajamien ulkopuolella asuu 3727 kouluikäistä, mikä on 3,74% alueen kaikista kouluikäisistä. Ulkomaalaisten osuuksia koskevaa kohtaa en saanut jostain syystä millään laskettua, se on tässä kohtaa tunnustettava… (Paha minut perikööt)

Viimeiseksi valitsin koululaisia koskevan tehtävän. Koulunsa ensi vuonna Helsingin yhtenäiskoulussa aloittavia on 14. Yläasteikäisiä oppilaita kyseisen koulun on varauduttava opettamaan 62 kappaletta. Ala-asteikäisiä oppilaita on 92, ja näin ollen peruskouluikäisiä on koulupiirin alueen 1894 asukkaasta 8,13 prosenttia. Muunkielisiä on arviolta yhdeksän. Tämä luku perustuu siis siihen oletukseen, että muunkielisissä perheissä aikuisten ja lasten suhde on sama kuin edellisessä kohdassa laskettu. Luku ei siis ole tarkka, ainoastaan suuntaa antava.

Jäikö allekirjoittaneelle käteen muutakin kuin harmaita aivosoluja ja hermoromahduksia. Kyllä jäi! QGIS on ohjelmana jälleen hieman tutumpi ja sen eri työkalujen käyttötarkoitukset alkavat myös olla muistissa. Parantamisen varaa on kuitenkin vielä. Iso kiitos Eemil Beckerille, jolta sain kullanarvoisia neuvoja tehtävien tekoon! Kiitos ja kuittaus!

Lähteet:

Lahin, Tuuli: Kerta 5: Itsenäistehtävät ovat liikaa QGIS:lle – GISLOVE (luettu 14.03.2018) https://blogs.helsinki.fi/lahintuu/2018/02/19/kerta-5-itsenaistehtavat-ovat-liikaa-qgislle/

 

 

 

Pensionäärejä (kömpelöllä)kartalla

Hej!

Taas mennään blogikirjoituksen parissa. Olemme päässeet järjestyksessään neljänteen kurssikertaan, ja tämänkertaisen tunnin aiheena oli rasteriaineistot, ruutukartan tekeminen, sekä lopputunnista sivusimme hieman ilmakuvia ja esimerkiksi rinnevarjostusta ja karttatulkintaa. Tämänkertaisen blogijulkaisun pääasiallinen sisältö liittyy kuitenkin tunnilla tekemäämme ruutukarttaan.

Saimme materiaaliksemme aineiston, johon oli merkattu valtavia määriä tietoa  pistemuodossa. Yksi piste edusti yhtä asuinrakennusta, joten kartalla näkyi siis jokainen pääkaupunkiseudun asuinrakennus. Lisäksi näihin pisteisiin oli merkitty suuri määrä muuta atribuuttitetoa, kuten tietoa asukkaiden määrästä kyseisessä asuinrakennuksessa, sekä esimerkiksi heidän äidinkielensä. Arttu myös huomautti, että maailmanlaajuisessa kaavassa Suomen ja muiden Pohjoismaiden väestörekisterit ovat aivan poikkeuksellisia; oikeastaan missään muussa maassa ei ole saatavilla näin tarkkoja ja yksityiskohtaisia aineistoja. Meidän piti valita aineistosta jokin mielenkiintoinen vaihtoehto ja visualisoida sitä kartalla. Sitä ennen teimme harjoituskartan, jossa visualisoimme ruotsinkielisten ihmisten asettumista pääkaupunkiseudulla 1000m x 1000m ruutukoossa. Oman karttani päätin tehdä eläkeläisten sijoittumisesta pääkaupunkiseudulle. Seuraavaksi näette syyn itsekriittiseen otsikkooni..

Kartta eläkeläisten sijoittumisesta pääkaupunkiseudulla

Valitsin visualisoitavaksi yli 60-vuotiaat pääkaupunkiseudulla. Eläkkeellä toki voi olla nuorempiakin, mutta pääasiassa eläkkeelle jäädään noin 63-vuotiaina, joten katsoin tämän olevan hyvä ikähaarukka. Kartan ruutukooksi valitsin    500 x 500 metrin ruudut. Laskin yhteen aineiston tiedot yli 60-vuotiaiden määrästä aina 85-vuotta täyttäneiden aineistoon asti. Tämän jälkeen visualisoin saatuja tuloksia koropleettikartan muodossa. Tuloksena oli oikein hyvännäköinen ja selkeä kartta, johon olin todella tyytyväinen. Mutta. Tajusin, että olin visualisoinut kartalla eläkeläisten sijoittumista absoluuttisilla arvoilla, mikä on periaatteessa ihan sallittavaa, mutta siinä on yksi vika. Karttaa luettaessa huomaa, että eläkeläisiä on paljon esimerkiksi Helsingin keskustassa, mutta niin on ihmisiä ylipäätäänkin. Kartta siis on hieman kömpelö, sillä sen visualisointi olisi pitänyt toteuttaa suhteellisilla arvoilla. Ruutukoko olisi myös voinut olla pienempikin, näin olisin saanut aikaa vielä tarkemman kartan. (Perk…..#!?&@%!!!) Karttaa on tästä virheestä huolimatta erittäin helppo tulkita,  joka onkin yksi tällaisen kartan eduista. Siinä on kuitenkin myös omat huonot puolensa. Lainatakseni Eemil Beckeriä, vaikka ruudut ovatkin saman kokoisia, otannan suuruus tutkittavaan ilmiöön saattaa vaihdella todella paljon.

Tästä kurssikerrasta vyölle karttui (once again) uutta ja arvokasta kokemusta QGIS:n käyttöön, sekä myös opetus siitä, että pitää olla tarkkana, miten kartalla visualisoi jotain tietoa.

Lähteet:

Becker, Eemil: Ruutuja (08.02.2018) – EEMILIN BLOGI (luettu 08.02.2018) https://blogs.helsinki.fi/beemil/2018/02/08/kurssikerta-4/

 

It rains down in Africa but it floods in Finland

Hellurei!

Uusi viikko uudet kujeet. Tämän viikon kurssikerran aiheena oli käytännössä erilaisten aineistojen yhdistäminen ja supistaminen. Esimerkkikarttana teimme kartan Afrikasta, jossa oli tilastoja muun muassa konflikteista, timanttikaivoksista ja öljyesiintymistä. (Konfliktit ovat ikäviä juttuja, kuuntele väliin piristykseksi maailman paras biisi, joka sattumalta kertoo Afrikasta! https://www.youtube.com/watch?v=FTQbiNvZqaY) Kartan attribuuttitiedoissa oli aluksi todella paljon ylimääräistä tai turhan tarkkaa tietoa, jota opettelimme yhdistelemään ja karsimaan. Karsinnan ja yhdistelyn jälkeen näistä tiedoista oli pääteltävissä esimerkiksi, että konflikteja on syntynyt enemmän alueille, joiden läheisyydessä on timanttikaivoksia tai öljyesiintymiä. Hra. Paarlahti pyysi meitä pohtimaan blogeissamme, mitä muuta karttaan tallennetuilla tiedoilla voisi tehdä. Muita tietoja on esimerkiksi internetkäyttäjien lukumäärä eri vuosina ja öljykenttien tuottavuusluokittelu. Yksi mielenkiintoinen tarkastelun alle mahdollisesti otetettava ilmiö voisi olla, onko internetkäyttäjien määrä noussut jossain maassa, jos alueen läheisyydessä oleva öljykenttä on tuottanut hyvin, eli ovatko maan asukkaatkin päässeet nauttimaan öljyrikkauksista (hieman epätodennäköistä tosin…) ja onko esimerkiksi juuri heidän internetyhteytynsä parantuneet niiden myötä tai onko niitä tullut lisää.  Afrikan internetkäytön tarkastelulla on myös muita merkittäviä puolia. Kuten Eveliina Sirola blogissaan (https://blogs.helsinki.fi/evsirola/) erittäin hyvin huomauttaa, heikko internetyhteys Afrikassa vaikeuttaa esimerkiksi koulutukseen, terveydenhuoltoon, maanviljelykseen ja metsänhoitoon suunniteltujen sovellusten käyttöä, ja lisäksi heikkolaatuiset yhteydet estävät paikallisen talouden kehittymistä. Afrikan kartta, kuten sanottua, oli kuitenkin vain harjoitusta, joka valmisti meitä tekemään tämän viikon varsinaista karttaa, joka kuvaa valuma-alueita ja järvisyysprosenttia Suomessa.

Kartta valuma-alueista ja järvisyydestä Suomessa

Kartassa on merkittynä eri väreillä eri valuma-alueiden tulvaherkkyyksiä. Mitä isompi tulvaindeksi, sitä herkempiä alueet ovat tulvimaan. Kartasta näkee helposti, että suurimman tulvaindeksin omaavat valuma-alueet sijoittuvat pääosin alaville alueille Pohjanmaalle ja Etelä-Suomeen. Roope Heinosen blogia lainatakseni tulvaherkkiä alueita pääsee tarkastelemaan tarkemmin osoitteessa http://paikkatieto.ymparisto.fi/tulvakartat/Html5Viewer_2_7/?locale=fi-FI. Järvisyysprosenttia kuvaavat puolestaan vihreät pylväät. Niistä näkee myös helposti, missä osissa Suomea on suhteessa eniten järviä. Luonnollisesti pisimmät pylväät, eli eniten järviä, löytyy Suomen keskiosista, Järvisuomesta (yllättävää, eikö vain!? Jo nimestä on pääteltävissä paljon). Itse kartan teko sujui yllättävänkin mallikaasti, tästä kiitokset menevät suoraan Hra. Paarlahdelle, jonka “Vinkkejä” -Word-tiedostosta oli suuri apu. Siitä oli helppo kohta kohdalta seurata ohjeistusta kyseisen kartan tekoon.

Mitä jäi käteen? Jälleen kerran kullanarvoista kokemusta QGIS -ohjelman käyttöön, sekä uusia onnistumisen (miettikää, onnistumisen!!) elämyksiä. Joten, hasta la vista!

Lähteet:

Sirola, Eveliina: Kurssikerta 3: Afrikan valtioita, Internetinkäyttöä ja tulvaindeksejä (31.01.2018) – GIRL VS. GIS (luettu 02.02.2018) https://blogs.helsinki.fi/evsirola/2018/01/31/kolmas-kurssikerta-afrikan-valtioita-ja-tulvaindekseja/

Heinonen, Roope: 29-01-2018 | Kolmas kerta toden sanoo (29.01.2018) – ROOPEN SELVIYTYMISTARINA (luettu 02.02.2018) https://blogs.helsinki.fi/hcroope/2018/01/29/29-01-2018/

Kirjoittaja nautti blogia kirjoittaessaan kanasalaatista, sekä pirullisen hyvästä musiikista.

Projektiosta toiseen

Howdy again!

Geoinformatiikan menetelmät I -kurssi on edennyt nyt toiselle viikolle, joka tarkoittaa uutta blogipostausta. Tämän viikon tunnilla aiheenamme oli erilaiset karttaprojektiot ja kuinka ne vääristävät pinta-aloja, kulmia tai etäisyyksiä. Tarkemmin paneuduimme juurikin pinta-alavääristymiin. Ensimmäiseksi vertailimme Lambertin- ja Mercatorin projektioita. Mercator on tunnettu siitä, kuinka se vääristää pinta-aloja varsinkin maapallon etelä- ja pohjoisosista. Esimerkiksi Mercatorin projektiolla esitettynä Grönlanti näyttää Afrikan mantereen kokoiselta. Todellisuudessa Grönlanti mahtuu sen sisään moninkertaisesti. Jos haluat vertailla itse miten Mercatorin projektio vääristää pinta-aloja, on siihen olemassa oma sivustonsa. The True Size Of… -sivusto tarjoaa siihen hyvän mahdollisuuden, suosittelen vierailemaan kyseisellä sivustolla! Teimme myös itse karttoja, joissa näkyy, kuinka eri projektiot vääristävät pinta-aloja Suomessa. Yksi kartoista on juurikin vertailu Lambertin- ja Mercatorin projektion välillä. Toisessa vertailen Lambertin projektioita NSIDC EASE-Grid global projektioon. (Kunnon nimihirviö, eikös??)

Koropleettikartta Mercatorin projektion aiheuttamista pinta-alavääristymistä

Molemmat kartat on muutettu vielä uudelleen Lambertin projektioon, jotta niissä näkyvät erot ovat mahdollisimman yksinkertaisesti tulkittavissa. Kyseisissä kartoissa on siis kuvattu prosentuaalisesti pinta-alavääristymiä Mercator ja NSIDC EASE-Grid global projektioiden ja Lambertin projektion välillä. Mercator-Lambert vertailukartasta (yllä) näkee hyvin, kuinka vääristymät suurenevat pohjoiseen mentäessä, aivan odotetusti, sillä niin Mercatorin projektio juuri toimii. Vääristymien suuruus puolestaan tuli minulle hieman yllätyksenä, sillä en odottanut suurimpien vääristymien Suomen kohdalla olevan 564-724 prosenttia, mikä on tooooodella paljon. Kuten Varpu Savolainen blogissaan mielestäni hyvin mainitsi, pinta-alat ovat rautalangasta vääntämällä Mercatorin projektiossa Suomen pohjoisimmilla alueilla n. 5-7 kertaa suurempia kuin Lambertin projektiossa. Etelä-Suomessakin vääristymät ovat 295- ja 342 prosentin välillä. Luokkarajat kulkevat selkeästi ja nätisti pohjois-eteläsuunnassa. Tämä ei kuitenkaan ollut tapaus tuon nimihirviö -projektion kohdalla, kuten tulette näkemään.

Koropleettikartta NSIDC EASE-Grid globalin aiheuttamista pinta-alavääristymistä

Erot ovat tässä NSIDC EASE-Grid global projektiossa hyvin pieniä verrattuna Lambertin projektioon. Mutta. Ne ovat jakautuneet aivan miten sattuu. (???) Epäilin jo hetken, että olenko tehnyt jonkun virheen tehdessäni tätä karttaa, mutta olin sitä ennen tehnyt niitä eri projektioilla ainakin neljä, joten luotin siihen, että olen osannut tehdä kartan oikein. (Sen verran mekaanista ja täysin samanlaista niiden tekeminen oli, että kyllä tätä viidettä karttaa tehdessä eri työvaiheet olivat jo mieleen iskostuneet.) Kartassa erot ovat pienimmillään vain 0,360-0,520 prosenttia, ja suurimmillaankin vain 0,710-0,920 prosenttia. Se mikä on outoa, on näiden luokkarajojen sijoittuminen kartalla; vaikka tässäkin projektiossa liikutaan jossain määrin pohjois-eteläsuunnassa pinta-alavääristymien suuruuksien suhteen, on kartalla siellä sun täällä tummempia ja vaaleampia alueita. Esimerkiksi aivan pohjoisimmassa Lapissa on täysin vaalea kohta, vaikka sen ympäristö on tummaa. Yritin etsiä syitä tähän outoon ilmiöön, mutta melko tuloksetta. Sen sijaan sain selville, että kyseinen projektion on kehittänyt National Snow and Ice Data Center,  Boulderissa, Coloradossa USA:ssa. Se on digitaalinen karttaprojektio, joka perustuu palloprojisointiin, jossa on käytetty maapallon sädettä, eli 6371.228 kilometriä. Toki kartan väriskaalaa katsomalla erot näyttävät paljon radikaalimmilta, mutta todellisuudessa erot ovat alle yhden prosentin luokkaa, eli hyvin, hyvin pieniä.

Mitä siis jäi käteen? Noh, rutkasti uutta kokemusta QGIS -ohjelman käytön kanssa, joka on todella hyödyllistä. Tajusin, että alan ehkä (huom. ehkä) pikkuhiljaa oppia käyttämään ohjelmaa itsenäisesti. Ainakin näiden karttojen teko onnistui mainiosti. Varotaan nyt kuitenkin, ettei mopo keuli rotkoon.

Ensi kertaan, adiós!

 

Lähteet: Savolainen, Varpu: Projektiovertailua (24.01.2018) – SADVARPU AND THE BATTLE OF GIS  (luettu 25.01.2018) https://blogs.helsinki.fi/sadvarpu/2018/01/24/projektiovertailua/

EASE-Grid: A Versatile Set of Equal-Area Projections and Grids (luettu 25.01.2018) http://nsidc.org/data/ease/ease_grid.html#intro

 

Q(GIS)ue the Benny Hill!

Hola!

Syynä tähän mukahauskaan ja suht halpaan otsikkoon on se, että ensimmäisiä itsenäisiä askeleita QGIS -ohjelman käytössä voisi kuvailla osaltani juuri sillä biisillä… Mutta siitä lisää myöhemmin! Ensimmäisen Geoinformatiikan menetelmät I -kurssin tunnin aloitimme Arttu Paarlahden johdolla GIS:n peruskäsitteiden ja konseptien kertauksella. Kun vektorit, rasterit, viivat ja pisteet oli otettu loman jälkeen uudelleen haltuun, pääsimme tutustumaan QGIS -ohjelman käyttöön. Alkuun kaikki olikin melko helppoa (lähinnä koska Arttu ohjeisti meille kohta kohdalta, että mitä pitää tehdä) ja sain kuin sainkin aikaan jopa ihka ensimmäisen QGIS -karttani!

Kartta Itämeren alueen typpipäästöistä maattain

Ensimmäinen karttani, nyt kun sitä katson, olisi voinut olla siistimpikin, mutta se tyydyttää QGIS ensikertalaisen silmäni. Kyseessä on Itämeren alueen typpikartta, josta melko nopealta vilkaisulta käy ilmi, että suurin typenpäästäjä alueella on Puola. Puolasta seuraavat maat ovat Ruotsi ja Venäjä. Suomen päästöt ovat samaa tasoa Latvian kanssa. Kartalla olevat syvyyskäyrät (eli depth contours) olisi saanut erottumaan hieman paremmin, jos olisin käyttänyt niissä jotain erottuvampaa väriskaalaa, tai jos olisin tehnyt merestä hieman eri sävyisen. Kartan väriskaala on mielestäni muuten onnistunut, sillä maat erottuvat hyvin päästöprosenttiensa kanssa. Outoa on se, että päästöprosentit alkavat luvusta 3,20. (?) Tästä huomiosta kunnia kuuluu Matti Moisalalle, jonka blogia lukiessani (käykää tekin lukemassa, hyvää settiä löytyy osoitteesta https://blogs.helsinki.fi/moisalam/ !) tulin tähän seikkaan huomioni kiinnittäneeksi.

Mutta miksi Benny Hill?

Noh, tähän löytyy vastaus, kun ensimmäistä kertaa tein täysin itsenäisesti kotona karttaa QGIS -ohjelmalla. Se oli nimittäin melkoista räpellystä. Ohjeita luin noin 146564 kertaa, mutta silti kartan teko ei vain millään meinannut onnistua. Ensimmäiseksi yritin tehdä kartan ruotsinkielisten miesten osuuksista kussakin kunnassa, mutta aivokapasiteettini ei sinä maanantai-iltana riittänyt visualisoimaan absoluuttisia määriä prosenttiosuuksina. Tässä kohtaa on pakko tunnustaa, että menin kiroamaan tilannetta WhatsApissa ja sain vinkin, että valitse aineisto, jossa luvut on merkitty valmiiksi prosentteina. Menin siis sieltä, mistä aita oli maanantaisilmillä katsottuna matalin. No shame! Mitä tästä opimme? Aina kannattaa kiroilla ja manata tilannetta kavereille, kun jokin ei onnistu! Aineisto, minkä valitsin, kuvasi työttömien osuutta Suomessa kunnittain.

Kartta Suomen kuntien työttömyssprosenteista

Kartasta tuli tällä kertaa erittäin selkeä ja siitä näkee helposti, missä kaikkialla työttömyysprosentti on suurin. Itse prosentteja olisi voinut muokata siten, ettei mukana ole niin montaa ylimääräistä desimaalia. Nyt nollia on joka ikisen prosentin perässä turhaan neljä kappaletta. Se seikka pääsi monen tunnin räpellyksen jälkeen allekirjoittaneen sormien läpi, hups. Työttömyys painottuu selkeästi Vaara-Suomeen ja Pohjois-Suomeen/Lappiin. Työttömyyttä selittää osaltaan muuttoliikkeet pois näiltä alueilta, jolloin alueelta häviää työikäisten työntekijöiden lähdön myötä palveluja, eli työpaikkoja. Tämä työikäinen väestö muuttaa suurempiin asutus- ja palvelukeskittymiin, joissa työpaikkoja on heille enemmän tarjolla. Työttömyyttä esiintyy paljon pienillä ja syrjäisillä seuduilla, joissa palveluja on vain vähän. Vivi Tarkka oli selvittänyt blogissaan (suosittelen myös vierailemaan Vivin blogissa!  https://blogs.helsinki.fi/vivitark/ ) tilastoja kunnittain, joista selvisi, että suurin työttömyysprosentti on Sallan kunnassa, jossa se on 22,6%. Vastaavasti pienein työttömyysprosentti oli Lumparlandin kunnassa Ahvenanmaalla, prosentin ollessa vain 1,7%.

Kiitos seurasta, ensi kertaan!