Featured post

GIM2 KK1 2022

Ja niin GIM2, kohtaamme jälleen ensimmäisen viikon viikkotehtävien parissa. Ehkä tänä vuonna GIM is possible, we will see.

Tehtävä 1.

Ensimmäinen kurssikerta meni ArcGis Pro -paikkatietosovellukseen tutustumisessa. Puuhailimme erilaisilla työkaluilla ja ominaisuuksilla, mitä ArcGis Pro:lla oli tarjota. Viikon ja koko kurssin ensimmäisenä tehtävänä meidän oli visualisoitava oma mieleinen karttaesitys annetuista aineistoista, jotka liittyivät alueen maankäyttöön. Alla valmis karttaesitys, johon on liitetty alle legenda (Kuva 1).

Kuva 1. Pohjois-Helsingin kaupunkialueen maankäyttötavat visualisoituna kartalle.

Pyrin tutustumaan ArcGis Pro:hon kovin perinpohjaisesti ensimmäistä tehtävää tehdessäni ja innostuin leikkimään etenkin visuaalisilla elementeillä. Valitsin karttaesitykseeni fontiksi Comic Sans -fontin vähän meeminä, mutta mielestäni se kyllä näyttää karttaesityksessä myös ihan mukavalta. Iso miinus minkä tosin nyt vasta huomasin raporttia kirjottaessani on se, että en tajunnut sitä, että Vihdintie ja Lahdenväylä -legendamerkinnät eivät vastaa omia värejään kartalla. Mutta siis, Vihdintie on nyt tämä turkoosi vasemmanpuolimmainen tie, kun taas Lahdenväylä on tämä keltainen idemmässä sijaitseva tie. Pahoittelut tästä mokasta, ensi kerralla paremmin.

Eteenpäin, tehtävä jatkuu vielä. Ensimmäisen valmiin karttavisualisoinnin jälkeen lähdimme samassa tehtävässä vielä tarkastelemaan tarkemmin Vihdintien ja Lahdenväylän alueiden metadataa. Loimme bufferit näiden teiden ympärille (kuva 2), tarkastelimme valmistuneita attribuuttitaulukkoja ja veimme tämän aluedatan Exceliin. Excelissä loin kaksi piirakkadiagrammia, (Taulukot 1 & 2, alla) mistä näitä alueiden välisiä tietoja on helppo vertailla keskenään.

Kuva 2. Bufferialueet Vihdintien & Lahdenväylän ympärillä.

Taulukko 1. Vihdintien maanpeitteet

Taulukko 2. Lahdenväylän maanpeitteet

Tehtävänannossa kysyttiin, että mitä eroavaisuuksia huomaan, jos vertailen näitä tiealueiden attribuuttitaulukkoja keskenään. Noh, vertaillaas nyt sitten näistä valmiista Exceltaulukoista. Maankäyttö näiden alueiden välillä on hieman erilaista. Toisessa taulukossa – Vihdintiellä, ei ole peltoja laskettuna mukaan ollenkaan, kun taas Lahdenväylän taulukossa on. Oletan että Vihdintien bufferalueella on peltoa, mutta kuitenkin alle puoli prosenttia, miksi se näkyy 0% taulukossa. Muut maankäyttötyypit esiintyvät molemmissa taulukoissa. Maankäyttötavat ovat kohtuullisen samanlaiset, mutta eroja löytyy hieman, esimerkiksi puustoalueita Vihdintien bufferalueesta on 37%, kun taas Lahdenväylällä määrä on muutaman prosentin pienempi, 34%.

Visuaalisesti nämä piirakkamallit olisivat voineet siten olla parempia, jos olisin tajunnut vaihtaa värit piirakkapohjalta vastaamaan värejä, millaisina nämä maankäyttötavat esiintyvät oikeasti. Myöskin olisi ollut järkevää luoda mallit niin, että molemmissa malleissa samantyyppinen maasto on saman värinen jolloin vertailu olisi helpompaa. No ainakin se lukee siinä vieressä nätisti.

Tehtävä 2.

Kurssikerran toisessa tehtävässä meidän tuli tutkia maankäyttötapoja Kumpulan, Käpylän sekä Toukolan kaupunginosien alueella.

Meidän piti ensin erottaa nämä kyseiset kaupunginosat isommasta aineistosta “Select by attributes”-toiminnolla. Tallensimme kyseisten valitsemamme kaupunginosien datan käyttämällä toimintoa “Export Features”. Tämän jälkeen pääsimme käyttämään tehtävän ehkä keskeisintä työkalua: Intersect – työkalua. Käytimme tässä Intersect – leikkaamisessa Export Features-työkalulla luomaamme tasoa, sekä valmista maanpeite – tasoa. Tämän pohjalta syntyneeseen aineistoon yhdistimme dataa ryhmiksi kahteen luokkaan, luontoon ja rakennettuun maankäyttöluokkaan, käyttämällä Calculate Field-toimintoa. Vesistöt, Matala kasvillisuus, Avokalliot tai Puusto-alueet menivät luonto-maankäyttöosuuden alle, kun taas loput maankäyttömuodoista laskettiin rakennetuksi ympäristöksi. Myös kategoria “Muu paljas maa”, laskettiin mukaan rakennettuun ympäristöön, mikä  voi vääristää tätä rakennetun ympäristön osuutta kartalla. Toki rakennetun ympäristön ympärillä voi olla ja onkin paljasta maata, mutta luulen, että myös iso osa tästä paljaasta maasta kuuluisi ennemminkin luonto-aiheisen maankäyttötavan alle. Paljas maa on niin epämääräinen käsite, paljas metsän reunalla oleva maa ja paljas, kaupungissa työmaan alla auki revitty maa menevät molemmat käsitteen alle. Alla kuva (kuva 3) valmiista maankäyttömuotokartasta Kumpulan, Käpylän sekä Toukolan alueilta. Mielestäni siitä tuli ihan kohtuullisen selkeä.

Kuva 3. Kumpulan, Käpylän ja Toukolan kaupunginosien maankäyttötavat.

Intersect – ja Clip-toiminnot ovat molemmat leikkaavia paikkatieto-ohjelmatyökaluja. Niiden erona toimii se, että Clip-toimintoa käyttäessä syntyy karttataso, joka säilyttää vain lähtölayerin attribuuttitiedot, kun Intersect-leikkaus sisältää molempien tai useampien lähtölayereiden attribuuttitietoja.

Teimme näistä edellämainittujen kaupunginosien maankäytöstä myös pylväsdiagrammit, missä näkyy tarkemmin prosentuaalisesti se, kuinka maankäyttömuodot jakaantuvat ko. alueilla. Prosenttiosuudet ovat pyöristettyjä tasaluvuiksi isoimman desimaalin mukaan.

Taulukko 3. Kumpulan, Toukolan ja Käpylän maankäyttötavat prosenttiosuuksina Excel-pylväsdiagrammissa.

 

GIM2 KK4

GIM2 KK4 – Sopivan telttapaikan haravointia

Käsittelimme viikolla 4. Corine Land Cover 2018 -ainestoa. Kyseinen aineisto on muodostettu lukuisten eri paikkatietoaineistojen pohjalta. Keskeisimpinä paikkatietoaineistopalikoina Corine Land Cover 2018:lle on toiminut Maanmittauslaitoksen Maastotietokanta, Liikenneviraston Digiroad, Digi- ja väestötietoviraston Väestötietojärjestelmä (Rakennus- ja huoneistorekisteri), Maaseutuviraston peltolohkot vallitsevan kasvin mukaan, EU/Copernicus-ohjelman Imperviousness2015-aineisto sekä CLC2012. Aineiston muodostamiseen on käytetty myös muun muassa satelliittikuvista saatuja maanpeitetietoja, laserkeilausaineistoja ja manuaalisesti digitoituja satelliittikuvien pohjalta tulkittuja maankäyttömuotoja. Lopputuloksena saatiin luotua valmis rasterimuotoinen aineisto, minkä spatiaalinen resoluutio on 20m x 20m.

Rasteriaineistossa näkyvät eri värit tarkoittavat maankäyttöluokkia. Esimerkiksi sininen väri kuvaa vesistöjä, mitkä ovat ehkä helpoin maankäyttöluokka erottaa ensimmäisenä kartalta. Pääsimmekin tarkastelemaan tarkemmin näitä maankäyttöluokkia Kevon kanjonin alueella. Meidän täytyi käyttää jotain menneiden viikkojen aineistoa Kevon kanjonin alueelta, jolla rajaisimme tarkastelualueen maankäyttöluokkien määrittämiseen Corine-aineistosta. Käytin itse flow_100k aineistoa alueen rajaamisen määrittämiseen.

Yhdistin selkeyden vuoksi kaikki harvapuustoiset-, havumetsä-, lehtimetsä-, sekä sekametsäalueet ja sisämaan kosteikkoalueet yksiksi kokonaisuuksiksi karttaesitykseen. Alla kuva valmiista karttaesityksestä (kuva 1).

Kuva 1. Maanpeitetyypit Kevon kanjonin alueella.

Alueella on paljon varvikkoa ja nummea, suurin osa maankäyttötyypeistä asettuu tämän kategorian alle. Tämä karttaesityksen yleisin maankäyttötyyppi selittyy pitkälti alueen pohjoisella sijainnilla ja karuilla kasvuolosuhteilla. Varvikot ovat tyypillistä luontomaisemaa tällaisilla leveyspiireillä. Alueella on myös kohtalaisen paljon lehtimetsää. Suurin osa lehtimetsästä asettuu Kevon kanjonin välittömään läheisyyteen ja oletan että suojaavan kanjonin ja lehtimetsän välillä on jonkinlainen kausaaliketju. Alueella esiintyy kohtalaisesti niukkakasvuista kangasmaata ja kalliomaata. Alueella on myös muita pienempiä maankäyttötyyppiesiintyä, kuten vesistöjä ja havumetsää. Kaikki muut maankäyttötyypit voi bongata yllä olevasta karttaesityksestä (kuva 1).

Seuraavassa tehtävässä ja varsinaisessa telttapaikan haravoinnissa eli soveltuvuusanalyysissä telttapaikan suhteen haravoimme sopivia pystytyspaikkoja teltalle. Telttapaikan pystyttämiseen tietylle alueelle viikkotehtävässä oli useita eri kriteereitä;

  1. Telttapaikan tulee sijaita alle 260 metrin korkeudella.
  2. Leiripaikan on sijaittava sellaisella sijainnilla, missä rinteen aukeamissuunta suuntautuu välille itä – etelä – länsi.
  3. Telttapaikan maanpeitteen täytyi olla jokin seuraavista; lehti-, seka-, tai havumetsä kivennäismaalla, tai lehti- tai sekametsä turvemaalla.
  4. Leiripaikan täytyi sijaita maksimissaan 200 m päässä vesiuomista.
  5. Rinteen jyrkkyys sai olla korkeintaan 10 astetta.

Lisäsimme joka kriteerin omana vaiheenaan ModelBuilderiin ja käytimme

Teimme omat työvaiheet jokaisen kriteerin suhteen ModelBuilderissa ja lisäsimme nämä osaksi tätä suurta mallia, minkä määränä viime kädessä oli määrittää meille sopivat telttapaikat Kevon kanjonin alueelta. Alla kuva valmiista ModelBuilderkompleksista (kuva 2). Siniset pallukat edustavat kukin omia kriteereitään telttapaikkojen suhteen ja näistä on johdettu vaadittuja laskutoimituksia telttapaikkojen määrittämiseen. Kaikki nämä arvot kiedottiin yhteen lopulta raster calculaattorilla, jotta kaikki kriteerit saataisiin tarkasteltaviksi lopulta samanaikaisesti karttaesitykseen. Lopulta nämä laskutoimitukset muutettiin raster to polygon -toiminnolla valmiiksi telttapaikoiksi karttaesitykseen. Alla kuva valmiista karttaesityksestä, missä potentiaaliset yöpymispaikat sijaitsevat (kuva 3).

Kuva 2. ModelBuilderkompleksi, mikä määrittää potentiaaliset telttapaikat.

Kuva 3. Potentiaaliset telttapaikat valmiissa karttaesityksessä.

 

Mikään yllämainittu kriteeri ei ota kantaa siihen, millainen maasto on, onko siellä esim. isoja kiviä tai kaatuneita puita. Voisiko biomassa-aineistoista johtaa jonkinlaisen kriteerin joka ottaisi huomioon kaatuneet puut tai kuolleen biomassan maastosta? Muita huomioon otettavia kriteereitä voisi olla latvuspeittävyys, jos haluaa että teltta sijaitsisi esim. vähän puun suojassa.

Mietin, että voisiko vastaavanlaisella mallilla, hieman mukaillen todistella esimerkiksi kanjonin ja lehtipuiden esiintymisen välistä korrelaatiota kausaatioketjuksi?

Mielestäni karttaesitys onnistui ainakin pääpiirteittäin hyvin, kaikki kriteerit täyttyvät ja potentiaaliset telttapaikat näiden kriteerien suhteen löytyivät. Toki joen alajuoksulla etelämpänä päähaarasta osa telttapaikoista näyttää hieman sijaitsevan joen uomassa. Suurin osa telttapaikoista kuitenkin on ok. Olisin voinut tehdä karttaesityksestä vielä hieman isomman niin sitä olisi helpompi tutkailla näin jälkikäteen.

GIM KK3

Viikko kolme, biomassan ja latvuspeittävyyden tarkistelua.

Viikon ensimmäisenä tehtävänä oli tarkastella metadatatiedostoa. Tämä kyseinen tiedosto paljasti meille tärkeitä tietoja aineistosta, kuten sen, miten aineisto on tuotettu, mikä on biomassa-aineiston spatiaalinen resoluutio ja myös sen mitä yksikköä tämä biomassa on.

Biomassa-aineiston spatiaalisesta resoluutiosta ja biomassan yksiköstä. Kyseessä on rasterimuotoinen aineisto, jonka resoluutio on 16m x 16 m. Tiedosto mainitsee, kuinka vuoden 2009 & 2011 tulokset olivat 20m x 20m hilassa, mutta vuodesta 2013 alkaen siirryttiin käyttämään 16m x 16m hilaa. Tulokset ovat ETRS-TM35FIN-koordinaattijärjestelmässä. Biomassan yksikkönä toimii 10 kg hehtaarilta, eli 10 kg / ha.

Aineisto on tuotettu maastonmittauksien, satelliittikuvien sekä ilmakuvien avulla. Apuna kartoitukseen käytettiin mm. Sentinel-2A MSI- sekä Sentinel 2B-MSI-keilaimia, sekä Landsat 8-satelliitin OLI-keilaimen kuvaa.

Dataan tutustumisen jälkeen kävimme sen kimppuun. Laskimme biomassaositteista männyn kokonaisbiomassan ja muunsimme sen yksiköksi tonnia/ha sen sijaan että se olisi edellä mainittu 10 kg/ha. Männyn biomassadatan yksikön muuttamisen lisäksi vaihdoimme kaikkien muidenkin puulajien yksiköiksi 1000 kg/ha.

Kuva 1. Kevon kanjonin alueen biomassat lajeittain.

Kun eri puunlajien latvuspeittävyyttä ja biomassaa vertaillaan keskenään, voidaan huomata, että latvuspeittävyyden puolesta eniten kartalta vie pinta-alaa lehtipuut. Sen kokonaismääräinen biomassa on tosin ”vain” n. 65,580 kg / ha. Onko lehtipuiden kartalla näkyvä latvuspeittävyys suuremman näköistä sen takia, että lehtipuiden lehdet peittävät paljon paremmin maastoa kuin pienet havunneulaset? Yksittäinen lehtipuu ylhäältä päin kuvattuna täyttää isomman tilan kartalla kuin yksittäinen havupuu, oli se nyt kuusi tai mänty ja täten sen latvuspeittävyys on suurempaa. Kenties.

Männyn kokonaisbiomassa on kaikista suurin, n. 80,640 kg/ha ja se onkin täten vallitsevin puulaji alueella. Kaikista pienimmän kasvusiivun saa kuusi, minkä kokonaisbiomassa on n. 35,220 kg/ha. Syynä tälle voi olla se, että etenkin mänty ja kuusi taistelevat samoista kasvupaikoista ja mänty on ehtinyt levittäytyä alueelle ensin. Tästä en ole varma, mutta käsittääkseni mänty voi elää myös hieman vaativammissa olosuhteissa kuin kuusi, mikä voi olla osasyynä siihen miksi puulajien osuudet ovat menneet niin kuin ne kartalla osoittautuvat olevan. Omien, hyvin empiiristen mutuilujeni kautta muistelen esimerkiksi reissujani kun olen liikuskellut suoalueilla ja mielestäni suoalueilla ei oikein kasva kuusia, mutta mäntyjä soilla esiintyy kyllä. Kevon kanjoni ei kuitenkaan käsittääkseni ole suoaluetta, mutta käsivarren Lappiin sijoittuva railo omaa aika karut elinolosuhteet ja tällä on vaikutusta kuusen esiintymiseen alueella.

Seuraavaksi teimme pieniä etäisyysbufferileikkejä, jotta saisimme laskettua jokaisen puulajin omia tilastollisia tunnuslukuja taulukoihin. Alla kaksi kuvaa (2 & 3) välivaiheista, Euclidian distance -työkalusta, sekä reclassify -työkalusta, mitä käytimme apuna jotta pääsisimme eteenpäin taulukkojen teossa. Teimme bufferianalyysin jokaiselle puulajille, sekä siirsimme buffereiden avulla luomamme zonal statistics as tables -taulukot exceliin, missä muokkasimme nämä näteiksi ja enemmän informatiivisiksi. 

Kuvat 2 & 3, Euclidian distance -työkalun luoma bufferi vasemmalla. Saman pohjan reclassifikointioperaatio oikealla.

Taulukko 1. Lehtipuut. Taulukkojen luvut on pyöristetty toisen desimaalin mukaan.

Taulukko 2. Kuusipuut.

Taulukko 3. Männyt.

Taulukkojen yksiköt ovat samat; 1000 kg /ha, kuin ylemmissä kokonaisbiomassakartoissa. Taulukkojen mukaan mäntyä esiintyy selvästi eniten ja sen tunnusluvut ovat joka osiossa suuremmat kuin “kilpailijoillaan”. Kuusen tunnusluvut taas ovat häntäpäässä pienimpinä ja niitä on huomattavasti vähiten. Keskipaikkaa pitää lehtipuut.

Luulin taulukoita tehdessäni, että viimeisin luku kuvaa kokonaisbiomassaa. Kokonaisbiomassan tilalla luki SUM ja siitä tämä minun oletukseni lähti. Käsittääkseni näin ei kuitenkaan ole, mutta en viitsinyt enää alkaa rakentamaan uusia taulukoita tilalle, pahoittelut tästä. Toki en ole täysin varma onko tämä sitten väärinkään.

Seuraavaksi hieman latvuspeittävyydestä. Metadatatiedostoa tutkailemalla selviää, että latvuspeittävyyttä on arvioitu prosentuaalisesti ja nämä prosentit menevät välillä 0 – 99. Mieleeni muistuu kenttäkurssin oma vessapaperinhylsyn avulla tehty arviointi tietyn pisteen latvuspeittävyydestä. Kenties tähän on käytetty jotain hieman empiirisempää menetelmää, mutta käsittääkseni kyse on siis siitä, että latvuspeittävyys on arvioitu tietystä pisteestä latvuston alta. Latvuspeittävyys meinaa sitä, kuinka ison prosenttiosan puun latvusto peittää taivaasta tietyssä pisteessä. Alla luomani taulukot ja karttaesitys (kuva 4), mistä näkee lehtipuiden ja havupuiden välisen latvuspeittävyyden.

Millä korkeusvyöhykkeellä on suurin latvuspeittävyys? Onko lehtipuiden ja mäntyjen välillä eroa?
Muotoile tilastolliset tunnusluvut taulukoksi Excelissä ja liitä taulukko raporttiisi.
Voit halutessasi laskea saman myös kokonaisbiomassoille.

Taulukko 4. Lehtipuiden latvuspeittävyys.

Etäisyys uomasta, m MIN MAX Keskiarvo
0-200 0 51 15,13
200-300 0 49 8,08
300-400 0 42 6,63
400-500 0 20 7,5

Taulukko 5. Havupuiden latvuspeittävyys.

Etäisyys uomasta, m MIN MAX Keskiarvo
0-200 -1 50 8,02
200-300 -1 46 4,75
300-400 -1 47 5,4
400-500 0 20 7,14

Taulukoita tarkastellessa voi huomata, että suurin latvuspeittävyys osoittautuu olevan 0-200m päässä uomasta. Kaikista pienin latvuspeittävyys löytyy kauimmaisesta mitatusta luokasta, nimittäin 400-500m päässä uomasta. Jostain syystä havupuutaulukossa esiintyy -1 arvoja, esim. 0-200m kohdalla arvot vaihtelevat välillä -1 – 50. Vaihteluväli on kuitenkin suhteessa sama lehtipuutaulukon arvoihin, minkä vaihteluvälin kokonaissumma on myös 51 prosenttia. Molempien puulajien latvuspeittävyys on suunnilleen samanarvoista, kuten edellä mainitsin, 0-200m etäisyydellä uomasta on näiden eri lajien välinen latvuspeittävyys sama, 51%.  Kuitenkin 200-400m matkalla latvuspeittävyys vaihtelee muutaman prosentin verran, eli täysin samanlaista latvuspeittävyyttä lajeilla ei ole.

Koska latvuspeittävyys on suurinta kanjonin pohjalla tai sen välittömässä läheisyydessä, voimmeko kenties päätellä niin, että kanjoni tuo suojaa puille ja auttaa näitä kasvamaan?

Kuva 4. Karttaesitystä tehdessäni sain vain toisen legendan näkymään, tuon lehtipuiden legendan. Vaihteluväli molemmissa legendoissa oli kuitenkin sama, 51% joten uskon tuon yhden legendapalkin olevan tarpeeksi validi ja hyvä kuvaamaan kumpaakin karttaesitystä.

GIM2 Blogipostaus 2 KK2

 

Aloimme tekemään tällä viikolla rasterianalyysejä. Tällä viikolla työstimme vain yhtä projektia, minkä parissa meidän olisi tarkoitus häärätä seuraavat pari viikkoa.

Tuotuamme viikon aineiston ArcGIS Pro:hon tarkastelimme ensiksi tiedostojen metadataa. Testasimme esimerkiksi toimintoa, mitä aiemmin QGIS:ssä en ollut käyttänyt ja uskon että sitä ei QGIS:stä löydykään: Local Scene toimintoa. Tämä toiminto näyttää meille käsiteltävän kartta-alueen 3D-mallina, siistiä!

Metadataleikkien jälkeen rupesimme hommiin ja aloimme työstämään kurssikerran dataa. Aineistot olivat Utsjoen kunnan alueelta, Kevon luonnonpuistosta, vielä tarkemmin määriteltynä Kevon kanjonin alueelta.

Aluksi aloimme tarkastelemaan KevoDEM-karttatasoa. Meidän täyttyi selvittää tietyt määreet kurssikerran raporttia varten. Alla taulukko ko. vaatimuksista ja niiden vastauksista.

Korkeusmallin projisoitu koordinaattijärjestelmä EUREF-FIN TM35FIN
Korkeusmallin yksiköt vaaka- ja korkeussuunnassa Metrejä 1m x 1m
Korkeusmallin spatiaalinen resoluutio 2m x 2m
Mikä on alueen koko? 36 km², sqKm

Taulukko 1. Korkeusmalliin liittyvän tarkastelun pohjalta rakennettu taulukko.

Taulukkodatan etsimisen jälkeen loimme Hillshade-toiminnolla KevoDEM-karttapohjasta vinovalovarjosteen, mihin lisäsimme myös korkeuskäyrät Countour -toiminnolla. Alla kuvat 1 & 2, missä Hillshade esiintyy ilman korkeuskäyriä, sekä korkeuskäyrien kanssa.

Kuva 1. Hillshade -kartta-alusta yksikseen.

Kuva 2. Hillshade -alusta yhdessä korkeuskäyrien kanssa, mitkä on luotu Contour -työkalulla.

Hillshade-toiminto antaa kuvan miltä maanmuodot näyttäisivät pelkästään korkeutta ja muotoja taivaalta katsellessa. Mäkien huippuja ei kuitenkaan erota pelkästä hillshadesta vaan korkeuskäyrät auttavat hahmottamaan vielä tarkemmin alueen todellisen muodon.

Seuraavaksi pääsimme käyttämään Slope-työkalua. Johdimme korkeusmallin pohjalta Slope -tason, mikä kertoo meille tarkasteltavan alueen jyrkkyydestä. Vaihteluväli kartan pisteiden jyrkkyydessä oli 0 – 79 astetta. Mitä tummempi väri on, sitä jyrkempi rinne on. Valkoinen väri meinaa nollaa astetta, eli sitä että maanpinta on aivan tasainen. Pienin kartalla esitettävä jyrkkyyskulma on 1.72 astetta. Kartan jyrkimmät kohdat ovat luontaisesti kanjonin reunoilla, kanjonin molemmilla puolin. Alla (kuva 3) datapaneeli, mistä löysin tämän luvun, jyrkkyys yhtä suuri tai pienempi kuin 1,72 astetta. Toki kanjonin pohjalla ja muualla kartta-alustalla on tasaisia kohtia, minkä jyrkkyys voi olla jopa nolla, mutta koska ne eivät ole mäkiä, niitä ei mielestäni lasketa mukaan vertailuun. Jyrkin kohta löytyi sekä metadataa syvemmin tutkailemalla, että Image information työkalulla ja se oli tosiaan sen 79 astetta.

Kuva 3. Slope -työkalun luoman pohjan datapaneeli.

Kuva 3. Slope -työkalun luoman pohjan datapaneeli.

Kuva 4. Slope -karttapohja, jonka päällä valuma-aluevanoja.

Teimme myös toisen korkeusmallijohdannaisen, Aspect -tason, mikä kuvaa alarinteen ilmansuuntaa, sitä suuntaa minne päin rinne vie. (Kuva 5).

Kuva 5. Aspect -työkalun luoma kartta, mikä kuvaa rinteiden laskeutumissuuntia. Itsekseen siitä ei saa vielä paljon irti, mutta sitä voi vertailla esimerkiksi Hillshade -karttapohjaan muuttamalla alustaa läpinäkyvämmäksi, jolloin siitä saa enemmän irti. Arvoluokka -paneeli olisi ollut hyvin käytännöllinen liitettävä tähän tueksi.

 

Korkeusmallien johdannaisten parissa puuhaamisen jälkeen pyhitimme jälkimmäisen osan GIS-sessiostamme hydrologiseen mallinnukseen ja etenkin valuma-alueiden tarkasteluun. Ensiksi määritimme virtaussuunnat Flow direction-työkalulla (kuva 6). Tämän jälkeen täytimme kartta-alueen kuopat (kuva 7) Sinks-työkalua käyttäen. Sitten loimme virtaussuunnat korjatuille korkeusmalleille Flow direction-työkalulla. Tämän jälkeen määritimme valuma-alueet Basins-työkalulla, muuttaen rasterimuotoisen lähtöaineiston vektorimuotoiseksi ja visualisoiden tuotoksen kartalla. Tämän jälkeen tarkastelimme vielä lopuksi potentiaalisten uomien potentiaalisia esiintymispaikkoja Flow accumulation, sekä Reclassify työkaluilla. Mitä suurempi Flow accumulation arvo pikselillä on, sitä todennäköisemmin kyseinen pikseli sijaitsee uomassa. Reclassify-toiminto taas rajaa sitä, kuinka herkästi nämä uomat esiintyvät valuma-aluekartassa. Käytin Reclassify-työkalussa kolmea eri arvoa potentiaalisten uomien etsimiseen, <2000, <10 000 sekä <100 000. Alla kuvat 8, 9 & 10, visualisoivat potentiaalisia uomia arvojen ollessa edellä mainitut.

Kuva 6. Flow direction -työkalun luoma kartta-alusta.

Kuva 7. Kevon kanjonin alueen kuopat visualisoituna kartalle.

Kuvat 8, 9 & 10. Uomat 2k, uomat 10k sekä uomat 100k.

Karttapohjia vertaillessa huomaa, että mitä pienempi arvo on, sitä herkemmin uomia tietenkin löytyy. Ongelmallista siinä on se, että jos arvo on liian pieni, niin työkalun luomat potentiaaliset uomat eivät vastaa enää todellisuutta. Kun uomia tarkastelee suhteessa hillshade -pohjaan, mikä näyttää alueen maanmuodot, eivät esimerkiksi uomat 2k -pohjan kaikki valuma-alueet noudata sen suuremmin maanmuotoja, vaan vettä valuu vähän kaikkialle. Ongelmallista on myös se, että kaikki uomat näkyvät samanarvoisina, ja jotkut hyvin pienet saumat missä vettä voi virrata näkyvät uomat 2k -alustassa yhtä merkittävinä kuin tämä suuri kanjoni, mikä on keskeisin uoma missä vedet virtaavat. Totuudenmukaisin käyttämäni valuma-alue -arvo oli kenties 10k. Se noudatti kanjonin maanmuotoja, mutta näytti myös hieman muita valuma-alueita, minne vesi valuu kanjonista, kun uomat 100k -alusta lähinnä mukaili vain kanjonin jyrkimpiä reuna-alueita. Toki, jokin arvo 10 000 – 100 000 välillä olisi voinut olla vielä parempi.

 

Tarkastelimme viikkotehtävässä alueen valuma-alueita, alla valuma-alueet visualisoituna kahdelle karttapohjalle mustalla värillä. Kuvassa 11. alueen valuma-alueiden rajat esiintyvät yhdessä sinisellä värillä näkyvien potentiaalisten jokiuomien kanssa, reclassifyarvon ollessa 10 000. Kartalla 12. valuma-alueet esiintyvät vain hillshade -työkalun päällä.

Kuvat 11. & 12. Valuma-alueen rajat esitettynä vaaleanpunaisella taustalla yhdessä potentiaalisten jokiuomien kanssa & Valuma-alueen rajat esitettynä Hillshade -karttapohjalla.

Osa valuma-alueiden rajoista on vahvasti vääristyneitä, mikä voi johtua siitä, että rasteriaineistoa muutetaan vektoriaineistoksi. Vastaavatko nämä neliön muotoiset vääristymät pikseleitä kartalla?

Kuva 13. Zoomattu vääristymä, mikä esiintyy valuma-aluevisualisoinnin eteläisessä alalaidassa.

GIM2 KK1

Kas niin uusi giskurssi, uudet kujeet, ja uusi GIS-sovellus!

 

Tämä on toinen gis-kurssini. En ole ennen ArcGis Pro – sovellusta, sillä viime GIM-kurssilla meillä oli käytössä QGIS. Näin ensikosketukseltaan tuntuu, että pidän ArcGis Prosta enemmän kuin QGIS:stä. Se tuntuu selkeämmältä ja jotenkin miellyttää visuaalisesti silmää enemmän. Toisaalta tähän voi vaikuttaa monet asiat, kuten kokemus jo jostain GIS-ohjelmistosta, jonka vuoksi nyt pitkän ajan jälkeen GIS:n uudelleen aloittaminen tuntuu helpommalta ja selkeämmältä, sekä se, että nyt teen tehtäviä paikan päällä lähiryhmässä, missä voin kysyä apua opettajilta tai kurssikavereilta pieniin ongelmiin mitkä hidastivat tehtävien tekemistä etäryhmissä!

 

Ensimmäinen tehtävä: Maanpeitetyypit visualisoituna kartalle

Ihan ensiksi harjoittelimme yksinkertaisten työkalujen ja ArcGis Pro – ominaisuuksien käyttöä. Toimme aineistoa sovellukseen ja väsäsimme itsellemme visuaalisesti miellyttävän kartan Helsingin seudusta, muokaten esimerkiksi aineistojen värejä ja viivojen kokoa. Kartta sisältää erilaisia maanpeite- ja maankäyttötyyppejä. Alla kuva (Kuva 1) valmiista kartasta.

Kuva 1. GIM2 kurssin ensimmäinen valmis kartta.

Tämän jälkeen teimme bufferit kartassa näkyvien Vihdintien ja Lahdenväylän ympärille. Leikkasimme nämä tekemämme bufferit sen jälkeen Clip-toimintoa käyttäen. Ikävä kyllä näistä bufferituotoksista en tajunnut ottaa kuvaa, mutta alla on molempien teiden bufferialueiden pohjalta rakennetut ympyrädiagrammit, missä maanpeitetyyppien osuus alueella näkyy prosentteina (Kuvat 2 ja 3). Rakensin taulukot viemällä bufferialueiden attribuuttitaulukot Exceliin csv-tiedostoina ja siellä muokkasin taulukot visuaalisesti miellyttävän näköisiksi piirakkadiagrammeiksi.

Kuva 2. Lahdenväylän bufferialueen maanpeitteiden prosenttiosuudet 250m säteellä. 

Kuva 3. Vihdintien bufferialueen maanpeitteiden prosenttiosuudet 250m säteellä.

 

Kurssikerran toisessa tehtävässä meidän tuli tutkia maankäyttötapoja Kumpulan, Käpylän sekä Toukolan kaupunginosien alueella. Meidän piti ensin erottaa nämä kyseiset kaupunginosat isommasta aineistosta “Select by attributes”-toiminnolla. Tallensimme kyseisten valitsemamme kaupunginosien datan käyttämällä toimintoa “Export Features”. Tämän jälkeen pääsimme käyttämään tehtävän ehkä keskeisintä työkalua: Intersect – työkalua. Käytimme tässä Intersect – leikkaamisessa Export Features-työkalulla luomaamme tasoa, sekä valmista maanpeite – tasoa. Tämän pohjalta syntyneeseen aineistoon yhdistimme dataa ryhmiksi kahteen luokkaan, luontoon ja rakennettuun maankäyttöluokkaan, käyttämällä Calculate Field-toimintoa. Vesistöt, Matala kasvillisuus, Avokalliot tai Puusto-alueet menivät luonto-maankäyttöosuuden alle, kun taas loput maankäyttömuodoista laskettiin rakennetuksi ympäristöksi. Myös kategoria “Muu paljas maa”, laskettiin mukaan rakennettuun ympäristöön, mikä  voi vääristää tätä rakennetun ympäristön osuutta kartalla. Toki rakennetun ympäristön ympärillä voi olla ja onkin paljasta maata, mutta luulen, että myös iso osa tästä paljaasta maasta kuuluisi ennemminkin luonto-aiheisen maankäyttötavan alle. Paljas maa on niin epämääräinen käsite, paljas metsän reunalla oleva maa ja paljas, kaupungissa työmaan alla auki revitty maa menevät molemmat käsitteen alle. Alla kuva (kuva 4) valmiista maankäyttömuotokartasta Kumpulan, Käpylän sekä Toukolan alueilta.

Kuva 4. Kumpulan, Käpylän ja Toukolan maankäyttötavat

Intersect – ja Clip-toiminnot ovat molemmat leikkaavia paikkatieto-ohjelmatyökaluja. Niiden erona toimii se, että Clip-toimintoa käyttäessä syntyy karttataso, joka säilyttää vain lähtölayerin attribuuttitiedot, kun Intersect-leikkaus sisältää molempien tai useampien lähtölayereiden attribuuttitietoja.

Teimme näistä edellämainittujen kaupunginosien maankäytöstä myös pylväsdiagrammit, missä näkyy tarkemmin prosentuaalisesti se, kuinka maankäyttömuodot jakaantuvat ko. alueilla. Prosenttiosuudet ovat pyöristettyjä tasaluvuiksi isoimman desimaalin mukaan.

Kuva 5. Kumpulan, Toukolan ja Käpylän maankäyttötavat prosenttiosuuksina Excel-pylväsdiagrammissa.

GIS – menetelmät kurssikerta 7.

Hei taas kaikki!

Kas niin. Viimeinen kurssikerta, tämän viimeisen blogipostauksen kirjoittamisessa kestikin tovi. Pohdin ja pähkäilin aineistojen parissa useita tunteja. Meinasin ensin lähteä tekemään karttaesitystä Amerikasta, sitten eksyinkin Kanadan kaupunkialueiden pariin Ronin blogista innostuneena. Koitin lähteä rakentamaan informatiivista karttaesitystä Vancouverista, mutta yritykseni Vancouverin tutkimisen parissa ei oikein ottanut tuulta alleen.

Lueskelin lisää kurssikaverieni blogeja ja hain inspistä viimeiseen blogipostaukseeni. Lopulta päädyinkin ihan kotimaan asioiden kanssa pähkäilemiseen. Käytin pohjakarttana ensimmäisen tai toisen kurssikerran(?) Suomen karttaa johon etsin lisättäväksi tietoa tilastokeskuksen maksuttomista tilastotietokannoista. Tämä pohjakartta on käsittääkseni saatu Paitulista.

Alla kuva (Kuva 1) kauniin rusehtavasta kartastani. Päätin tutkia, korreloiko kuntien väliset väkilukujen nettomuutokset keskenään Suomen kuntien keskivertoasukasta kohti määräytyvän BKT:n kanssa. Tulipas todella vaikea ja huono lause. Siis nuo tummat luvut merkitsevät kartalla sitä, että kuinka suuri prosenttiosuus kunnan keskivertoasukkaan BKT on suomen keskiarvosta. Keskiarvo kaikille Suomen ihmisille on siis 100. Sitä alempana olevat luvut merkitsevät sitä, että alueella tienataan vähemmän kuin Suomessa keskimäärin ja vice versa, isompi luku kuin 100 meinaa keskivertoa suurempia tuloja per asukas verrattuna koko maan keskiarvoon. Kartalla näkyvät kirkkaan vihreän ja kirkkaan punaisen väliset sävyt selittyvät helposti kartan legendasta, mitä punaisempaa alueella on, sitä enemmän alueelta muuttaa pois ihmisiä lukumäärällisesti, mitä vihreämpää, sitä enemmän alueelle muuttaa ihmisiä.

Alla olevassa kartassa näkyvät vain ne kaupungit, joista sain tiedon revittyä. Monet kunnat olivat liitettynä yhteen tai alueisiin, esimerkiksi “kehäkainuuksi”. Näitä en siis saanut helposti liitettyä, ainakaan näillä omaamillani GIS-taidoilla alkuperäiseen tietokantaan. Siispä monet kunnat ja kaupungit puuttuvat tältä karttaesitykseltäni. Toisaalta ehkä hyvä niin, nyt karttaa voi havainnoida ja se ei vaikuta ihan liian ruuhkaisalta, ainakaan omiin silmiini.

Noh, analysoidaan nyt tätä karttaesitystä. Äkkiä ainakin arvioiden, vaikuttaa siltä, että nettomuuton lisääntyminen kunnallisesti ei korreloi keskivertoa korkeamman BKT:n mukana. Esimerkiksi Oulu on selvä muuttovoittoalue, se hohkaa vihreimpänä pisteenä koko Pohjois-Suomen alueella. Kuitenkin monet Etelä- ja Keski-Suomen kunnat, missä tapahtuu selvää muuttotappiota, nauttivat suuremmasta keskimääräisestä BKT-luvusta. Voidaan siis ainakin nopealla analysoinnilla sanoa, että nämä kaksi tekijää eivät korreloi keskenään.

Kuva 1. Infograafinen karttaesitys kuntien välisestä nettomuutosta ja kaupunkien/kuntien BKT:stä suomen keskiverto-BKT:hen nähden. Lähde: StatFin – tilastotietokanta.

Kartasta tuli loppujen lopuksi ihan kelvollinen. Minulla oli suurimmat ongelmat aineistojen löytämisessä ja karsimisessa. Tämä oli oikeastaan suurimpia syitä sille, miksi päädyin tekemään kartan tilastokeskuksen aineistoista. Kun etsin tietoa Yhdysvalloista tai Kanadasta, tuntui vaikealta löytää mitään helppoja tietokantoja mitä voisi vertailla johonkin muuhun ilmiöön. Luin Pinjan blogista, kuinka hän oli tutkinut tupakoinnin ja koulutustason välistä yhteyttä, sekä yhteyttä myös tupakoinnin ja ihmisten keskivertotulojen välillä. En löytänyt oikein mitään vastaavanlaisia ilmiöitä, kuten Pinja oli tupakoinnin löytänyt ja vertaillut sitten tupakoinnin korreloimista muihin ilmiöihin. Tuntui, että aineistot johon ajauduin olivat tosi spesifejä tai monimutkaisia ja niiden vertaileminen muihin ilmiöihin olisi ollut hankalaa. Tilastokeskuksen aineistoista tiesin sen, että niitä osaan käyttää. Niissäkin kuitenkin oli se ongelma, että oli vaikeaa löytää kaksi ilmiötä, mitä kuvataan kunnallisesti ja mitä voitaisiin vertailla keskenään. No, lopulta sain kuitenkin kaksi ihan ehkä kelvollisesti vertailtavaa ilmiötä samalle karttaesitykselle. Vaikka nämä kaksi vertailtavaa asiaa eivät korreloineetkaan, olen tyytyväinen siihen, että onnistuin luomaan visuaalisesti suhteellisen informatiivisen ja toimivan kartan. 

Vaikka nyt tämä viimeinen blogipostaukseni jäi roikkumaan aika pitkäksi aikaa, olen ollut tyytyväinen tähän kurssiin, kurssin opetukseen ja siihen, että olen oppinut kuitenkin aika paljon erilaisia juttuja QGIS:n ja ylipäätään paikkatietosovellusten käytöstä. Kurssi tuntui paikka paikoin todella raskaalta ja raastavalta, mutta toisaalta kurssilla tapahtuneet onnistumiset, vaikeuksien kautta valmiiksi saadut blogipostaukset tuntuivat näiden vaikeuksien takia entistä makeammilta.

Kiitos kurssista Arttu!

Lähteet:

Pohjakartta – Paituli/Kurssikansio 1 tai 2.

Ronin blogi:

<https://blogs.helsinki.fi/ronikurv/> Luettu 7.4.2021

Pinjan blogi:

<https://blogs.helsinki.fi/pinhagg/> Luettu 9.4.2021

https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__kan__altp/statfin_altp_pxt_12bc.px/table/tableViewLayout1/ – BKT-tilastot

https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__vrm__muutl/statfin_muutl_pxt_11a2.px/ – Kuntien nettomuutto – tilastot

GIS menetelmät kurssikerta 6.

Kuudennen kurssikerran aloitus poikkesi hieman edellisistä kurssikerroista. Pääsimme itse konkreettisesti keräämään dataa ja sijaintitietoa ympäristöstämme. Meidän täytyi etsiä omien lähialueidemme kohteita ja arvioida niiden viihtyvyyttä ja turvallisuutta asteikolla yhdestä viiteen, yhden kuvatessa aluetta negatiivisesti ja viiden hyvin positiivisesti. Epicollect5-sovellus, jolla nämä tiedot keräsimme, antoi kohteille sijaintitiedot koordinaattien mukaan. Saimme myös lisätä kartoitetuista kohteista kuvia niin halutessamme. Tällainen oman muokattavan raa’an aineiston kerääminen tuntui ihan mielekkäältä. Pikku aamureippailu herätti myös huonosti hyvin nukutun yön jälkeen. : )

Keräsimme kaikkien tuntikerran opiskelijoiden keräämän datan yhteen kartalle, ja katselimme, kuinka laajalle alueelle nämä esittämämme pisteet jakautuivat. Tämän jälkeen, keräämämme datan ja paikkatiedon pohjalta interpoloimme kartan, millä kuvasimme Helsingin seudun koettua turvallisuutta kurssilaisten mielipiteisiin nojautuen. Alla on kuvankaappaus interpoloidusta kartasta. Kartta kuvaa aluetta Helsingin kantakaupungin pohjoispuolella.

Kuva 1. Turvallisuutta kuvaavien numeroarvojen perusteella interpoloitu karttaesitys. Sininen väri kartalla viittaa siihen, että alue koetaan turvalliseksi ja punainen taas kertoo siitä, että alue koetaan uhkaavana.

Maailmalla tapahtuu päivittäin satoja maanjäristyksiä. Suurin osa näistä maanjäristyksistä on kuitenkin voimakkuudeltaan alle kahden magnitudin maanjäristyksiä. Mitä ylemmäs Richterin asteikkoa mennään, sitä voimakkaammaksi järistyksen voima nousee ja sitä harvemmin niitä esiintyy. Richterin asteikko on logaritminen. Yhden numeron nousu magnitudiasteikolla meinaa sitä, että järistys on kymmenen kertaa voimakkaampi. Täten siis esimerkiksi 7 magnitudin maanjäristyksissä maa järisee kymmenen kertaa vahvemmin kuin 6 magnitudin maanjäristyksissä.

Maanjäristyksiä tapahtuu mannerlaattojen liikkumisen seurauksena. Kun mannerlaatat hankautuvat toisiaan vasten, ne voivat jäädä jumiin. Tämän seurauksena syntyy painetta. Paine kasvaa ja kasvaa siihen asti, että maa-aines antaa periksi ja lopulta murtuu. Tämä pakkautunut energia purkautuu maanjäristyksenä. Maanjäristyksiä esiintyy etenkin mannerlaattojen saumakohdissa. Laattojen sisäiset maanjäristykset selittyvät esimerkiksi laatan sisäisen paineen vaihteluina, eivätkä laattojen sisäiset maanjäristykset ole niin voimakkaita kuin mannerlaattojen reunavyöhykkeillä.  Tyynenmeren tulirengas on aluetta, jossa esiintyy todella paljon maanjäristyksiä, noin 90% kaikista maailman maanjäristyksistä tapahtuu Tyynenmeren tulirenkaan alueella. Maanjäristyksiä voi tapahtua laattatektoniikan lisäksi esimerkiksi myös vulkaanisen toiminnan kautta.

Keräsin alla olevaan karttaan (kuva 2) 1900 – luvun alusta 2021 luvun maaliskuuhun tapahtuneet maanjäristykset joiden voimakkuus Richterin asteikolla vastaa lukua 6 tai enemmän. Yli kuuden magnitudin järistyksiä tapahtuu noin 100 per vuosi. Kuuden magnitudin järistykset voivat aiheuttaa jo paljon tuhoa, varsinkin jos alue on hyvin tiheästi asuttua. Suurin osa kartalla näkyvistä maanjäristyksistä on voimakkuudeltaan 6 – 7 magnitudin järistyksiä. Tämä on loogista, sillä nämä 6 – 7 magnitudin järistykset ovat pienimpiä kartalla esitettyjä arvoja ja mitä isommaksi magnitudi kasvaa, sitä harvinaisemmaksi järistykset käyvät. Käännettynä siis on ilmiselvää, että yleisimpiä järistyksiä on kartalla kaikkein eniten.

Kuva 2. Yli kuuden magnitudin maanjäristykset v. 1900 – 2021 (lähde USGS).

Kuva 3. Tyynenmeren tulirengas, Tyyntä valtamerta ympäröivä vulkaanisesti aktiivinen ja maanjäristysherkkä alue. (Lähde: Wikipedia, Tyynenmeren tulirengas)

Todella voimakkaat maanjäristykset ovat harvinaisia, mutta mahdollisia. Kaikista suurin mitattu maanjäristys tapahtui vuonna 1960 Chilessä. Järistyksellä on useampia nimiä, The Great Chilean Earthquake tai ihan vain 1960 Valvidia earthquake. Kyseinen maanjäristys vastasi lukemaa 9.5 magnitudia Richterin asteikolla. Järistys kesti 10 minuutin ajan ja se synnytti useita tsunameja. Nämä tsunamit ulottuivat sekä Chilen naapurivaltioihin, että valtameren toiselle puolelle Japanin rannikolle asti. Kyseisessä maanjäristyksessä kuoli yli 1600 ihmistä, haavoittui yli 3000 ja jopa kaksi miljoonaa ihmistä jäi kodittomaksi. On arvioitu, että tuhot vastaisivat nykypäivän rahassa 4,8 miljardia euroa.

Kuva 4. Valdivia 1960 maanjäristys/The great Chilean earthquake, voimakkain koskaan mitattu maanjäristys maapallolla. (Lähde USGS)

Tyynenmeren tulirenkaan ympärillä tapahtuu muutakin kuin pelkkiä maanjäristyksiä. Myös myös suurin osa maailman tulivuorista sijoittuu tyynenmeren tulirenkaan alueelle. Noin 75% kaikista maailman aktiivisista tulivuorista sijaitsee alueella. Muita maailman paikkoja, missä tulivuoria esiintyy ovat kuumat pisteet. Nämä ovat alueita, joissa esiintyy vulkaanista toimintaa mikä ei selity laattatektoniikan kautta. Kuuman kohdan alla sijaitsee pluumi, mikä syöksee magmaa maan pinnalle. Meressä esiintyvät kuumat kohdat synnyttävät saarijonoja, esim. Havaiji on syntynyt kuuman kohdan päälle.

Halusin viimeisellä kurssikerran kartallani visualisoida sitä, miten paljon kerrostulivuoria on suhteessa kilpitulivuoriin ja nähdä konkreettisesti näiden sijainnit kartalla. Erittelin tulivuorityypit eri väreillä ja olen ihan tyytyväinen kartan visuaaliseen lopputulokseen! Kuvasta voidaan havaita juurikin, että suurin keskittymä tulivuorista sijoittuu Tyynenmeren tulirenkaan ympärille. Kilpitulivuoria esiintyy etenkin kuumien pisteiden päällä, mutta niitä on myös alityöntövyöhykkeillä.

Kuva 5. Kerros- ja kilpitulivuorten sijainteja maapallolla. (Lähde NOAA)

Kiitokset Tapiolle mannerlaattavinkistä! Tapio kertoi blogissaan meille siitä kuinka hän lisäsi kartoilleen mannerlaatat avustamaan ja tehostamaan havainnointia. Jos haluat tietää kuinka mannerlaatat saadaan näkyviin, käy lukemassa Tapion blogista pikku tipsit!

En itse  ensimmäiseen karttaani tajunnut lisätä mannerlaattoja, mikä olisi kyllä toiminut tosi hyvin aiheen ja esittämäni tekstin kanssa. Ajattelin kuitenkin että koska ne ovat alemmissa kartoissa, voi näiden perusteella verrata mannerlaattojen sijaintia ylempään karttaan. Myös järistysten sijainti kertoo siitä missä mannerlaatat esiintyvät, vaikkeivat ne visuaalisesti olekaan osa ensimmäistä kurssikerran karttaani.

Kiitos ja ensikertaan!

 

 

Lähteet:

Tapio Turpeisen blogi, <https://blogs.helsinki.fi/tapiotur/>, viitattu 16.3.2021

https://www.nationalgeographic.org/thisday/may22/valdivia-earthquake-strikes-chile/, vierailtu 11.3.2021

Wikipedia, tyynenmeren tulirengas, vierailtu 11.3.2021

GIS menetelmät kurssikerta 5.

Hei vain!

Viidennellä geoinformatiikan menetelmät – kurssikerralla testasimme oppimiamme taitoja QGIS:n parissa. Kurssikerran alkupuoliskolla teimme ensimmäisen tuntitehtävän yhdessä, mutta lopputunnista ja kotitehtävissä pääsimme käyttämään omia aivojamme ja näyttämään sen, mitä me oikeasti QGIS:llä osaamme tehdä.

Taulukoiden parissa työskenteleminen sujui aika hyvin. Mitä nyt pieniä ajoittaisia ongelmia oikeiden työkalujen valinnassa ja siitä johtuvaa turhautumista. Kuten opettajamme Paarlahti sanoikin jollain luennolla meille opiskelijoille, QGIS:n käytön opettelu vaatii pientä tuskien taivalta. Ja tottahan se on, oppiakseen jotain kunnolla, pitää sen eteen nähdä vaivaa.

Ensimmäinen isompi pulma minulle tuli itsenäisiä tehtäviä tehdessäni vastaan uima-allastehtävässä. Kun koitin yhdistää pks_vaki.shp ja a_pks_pie.shp tietokantoja yhdeksi ilmaistakseni uima-altaiden määrää kartalla, puski QGIS minulle error-viestiä. Tähän ongelmaan oli kuitenkin löytänyt ratkaisun Ilari Leino, joka kertoo tarkemmin blogissaan siitä, kuinka kyseinen error-viesti kierretään ja prosessi saadaan vietyä loppuun asti.

Toisen QGIS:n työkalut ovat tulleet tutuimmaksi kuin toiset. Select by location – työkalu on ollut käytössä varmaan kaikista eniten. Työkalujen käyttö on vähän tönkköä, haparoivaa ja jouduin muutamaan otteeseen tehtävien teon avuksi selailemaan tuntitallenteista, että mitä työkalua tulisi käyttää milloinkin. Yritin ensin liittää uima-allas tehtävässä tietokantoja join-toiminnolla, mitä en saanut toimimaan. Tähän löysin ratkaisun kurssikaverieni blogeista, missä puhuttiin Join Attributes by location (summary) – työkalusta/toiminnosta, mitä muistan käyttäneeni, mutta kyseiset muistikuvat ovat vähän hataria. No, nyt viidennen kurssikerran tehtävien myötä on tullut sen käyttöäkin harjoiteltua vähän lisää.

QGIS:n kanssa tekeminen muuttuu kokoajan varmemmaksi, mutta samaistun hyvin vahvasti Iiriksen mielipiteeseen QGIS:lla työskentelystä. Hän toteaa blogissaan kuinka QGIS:n käyttö ei ole vielä intuitiivista ja vaatii vielä harjoitusta, jotta käyttö alkaa sujua moitteettomammin. Samaistuessani tähän, minusta kuitenkin tuntuu, että vaikein osuus QGIS:n käytön opettelussa alkaa olla jo takana päin!

Alla taulukot ja kuva viidennen kurssikerran tehtävistä. Uima-allastehtävän palkit olisin voinut ilmaista vielä ehkä hieman selvemmin, mutta ne onnistuivat ainakin paremmin tällä kertaa, jos verrataan parin viikon takaiseen tulvaindeksitehtävään. Kartta on myös vähän liian zoomattu sisään, mutta tein tämän valinnan siksi, että kartan pylväät erottuisivat paremmin. Numerot kartalla kertovat uima-altaiden lukumäärästä.

Näihin kuviin ja tunnelmiin!

Malmin lentoasema
Asukkaita 1km säteellä 9156
Asukkaita 2km säteellä 58967
Helsinki-Vantaanlentoasema
Asukkaita 2km säteellä 11794
Asukkaita 65 db:n alueella yhteensä 303
65 db:n asukkaat suhteessa 2km sis. asuviin  2,57%
55db:n alueella asuvia 11923
asukkaat, joita poikkeuslentoreitti häiritsee 13274
Asemat
Asukkaat, joilla 500m tai alle matkaa asemille 111765
Näiden osuus kaikista alueen asukkaista: 21,65% 21,65%
Työikäisten osuus >500m päässä asemista asuvista 67,10%
Taajamat
Taajamassa asuvien %-osuus  96,20%
kouluikäiset jotka eivät asu taajamissa lkm 2267
Näiden osuus koko alueen koululaismäärästä %  3,87%

 

Uima-altaat
Monta rakennusta pk-seudulla, missä uima-allas 855
Asukkaita uima-altaan omaavissa taloissa 12170
Omakotitaloja, joissa uima-allas 345
Paritaloja, joissa uima-allas 158
Rivitaloja, joissa uima-allas 113
Kerrostaloja, joissa uima-allas 181
Talojen lkm, mistä löytyy sauna 21922
Saunallisten talojen %-osuus pk-seudun taloista 24,16%

Kuva 1. Uima-altaiden lukumäärät pääkaupunkiseudulla visualisoituna kartalle.

 

Viittaukset:

Ilarin blogi, viitattu 7.3.2021

https://blogs.helsinki.fi/ilarilei/

Iiriksen blogi, viitattu 7.3.2021

https://blogs.helsinki.fi/iiristur/

GIS 4. Kurssikerta

Moi kaikki 😀

Kas niin, palaamme jälleen QGIS:n pariin. Tällä kurssikerralla opettelimme käyttämään QGIS:ssä ensimmäistä kertaa rasteriaineistoja. Kävimme ensin tunnin alussa teoriapläjäyksen piste- ja ruututietoaineistoista, joiden parissa puuhasimme alkuosan neljännestä kurssikerrasta. Lopputunnista pääsimme rasteriaineistojen kimppuun, ja teimme itseämme edesauttavaa työtä seuraavaa kurssikertaa varten.

Ensimmäisessä tuntitehtävässä tutkailimme ruotsinkielisten osuutta pääkaupunkiseudulla vuonna 2015. Rasteriaineistosta voi havaita, kuinka suurin osa ruotsinkielisistä ihmisistä painottuu Helsingin kantakaupungin alueelle, etenkin lähelle keskustaa. Nyt kun tuntitehtävää jälkikäteen tarkastelee, olisi ollut hyvä lisätä valmiiseen tuotokseen alueiden hallintorajat. Tämä olisi helpottanut tarkastelua. Muuten kartta on kyllä ihan hyvä.

Kuva 1. KK4:n tuntitehtävä 1. Ruotsinkielisten osuus pääkaupunkiseudulla ilmaistuna 1 km x 1 km ruudukolla.

 

Kuten edellä vähän jo mainitsin, varsinaisen kurssikerran lopussa puuhasimme rasteriaineistojen parissa. Opettelimme lisäilemään rasteriaineistoja QGIS:iin ja puuhasimme niiden parissa. Loimme rinnevalovarjostuksia ja muokkasimme rasteriaineistoa lisäämällä siihen erilaisia kohteita. Neljännen tuntikerran lopetimme seesteiseen klikkailemiseen Pornaisten alueella. Meidän täytyi piirtää aineistoon uudet tiet pohjakartan päälle, ja merkitä asuinrakennukset aluskartan pohjalta seuraavaa kurssikertaa varten. Viimeiset parikymmentä minuuttia tunnista menivätkin tätä tehdessä. Tämä oli mukavan rauhallinen tunnin lopetus. Aivoton klikkaileminen semi-intensiivisen tunnin jälkeen on kivaa.

Huomasin, että Amanda Salmensuu oli suurentanut omassa tehtävässään taloja ilmaisevia pisteitä ja teitä, sekä muuttanut teiden väriä, jotta lopputulos olisi visuaalisesti tyydyttävämpi. Tämä oli mielestäni todella hyvä idea, minkä itsekin häikäilemättömästi implementoin omaan Pornaisten rasterikarttaani.

Kuva 2. Valmis Pornainen KK5:tä varten. (aesthetic)

Seuraavaksi kotitehtävien pariin. Kotitehtävänä meidän piti tehdä toinen ruutuaineistokartta. Rakensin oman uuden taulukkoni 500m x 500m ruudukosta. Tarkasteltavana väestöryhmänä toimi muut kuin suomen- tai ruotsinkieliset pääkaupunkiseudun asukkaat. Valitsin pienemmän ruutukoon kuin tuntitehtävässä. Näin valitsemani muuttuja erottuu kartalta vielä tarkemmin alueellisesti kuin aikaisemmin tekemässäni taulukossa.

Kuva 3. Muunkielisten osuus pääkaupunkiseudun asukkaista lukumäärinä ilmaistuna 500m x 500m ruudukolla.

Tehtävän tekemiseen mahtui aluksi vaikka mitä kommervenkkeja. Tein tehtävää ensin puoliksi ulkomuistista muistellen, puoliksi ohjeita seuraten ja myös osittain itse pähkäilemällä. Tämä sitten kostautui. Kun rupesin karsimaan aineistoa, jotta laskeminen olisi koneelle keveämpää, poistin pks_vaki -tietokannan tietoja attribuuttitaulukosta, enkä export-vaiheessa. Sitten tallensin vielä epähuomiossa tämän möhläyksen. Tämä johti siihen, että yritin aloittaa kartan tekoa varmaan nelisen kertaa alusta, ja sain aina tähtitieteellisiä lukuja vastaukseksi.  Lopulta kuitenkin tajusin, mistä asia kiikasti, latasin pks_vaki – aineiston uudelleen, rakensin karttani uudelleen, ja pääsin voittajana maaliin.

Valmiista aineistosta voi havaita, että muunkieliset ihmiset ovat klusteroituneet väkirikkaille alueille, sekä etenkin Espoon keskustaan sekä Itä-Helsinkiin. Nämä ovat asioita mitä itse nopeasti karttaa tulkitessani havaitsin. Huomasin, että Ville Väisäsellä oli tutkailtavana sama aineisto kuin minulla ja hän oli tehnyt havainnon myös siitä, että muunkieliset ihmiset keskittyvät edellä mainittujen alueiden lisäksi raideyhteyksien äärelle. Oikein hieno havainto Ville! 🙂

Tähän blogini loppuun haluan antaa myös Ilarille shoutoutin, hänen blogistaan löytyy oikein pohtivaa, tutkailevaa sekä laadukasta, informatiivista settiä, mutta myös hauskaa hc meemeilyä. Kannattaa kattoo nopee. 🙂 Tulipa vaikeasti muotoiltu lause. Sori siiit. 

Nähää ens viikol 😀

Lähteet:

Ville Väisäsen blogi, <https://blogs.helsinki.fi/villvais/>, Viitattu 19.2.2021

Ilari Leinon blogi, <https://blogs.helsinki.fi/ilarilei/>, Viitattu 19.2.2021

Amanda Salmensuun blogi, <https://blogs.helsinki.fi/salmeama/>, Viitattu 19.2.2021