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

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!

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/

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

Hei vain taas! :–)

Kolmannella kurssikerralla opettelimme taas uusia erilaisia pieniä ja suurempia kikkoja QGIS:n käyttöön. Opettelimme esimerkiksi, kuinka voimme liittää eri valtioiden irrallisia alueita, kuten saaria yhdeksi, kaikki valtion alueet kattavaksi kokonaisuudeksi. Opettelimme myös muotoilemaan Excel-muotoisia taulukkotietokantoja oikeanlaiseen muotoon ja liittämään näitä muutettuja tietokantoja toisiin taulukkotietokantoihin. Tämä tapahtuu ensin muuttamalla tiedosto Excelissä .csv-tiedostoksi, ja sitten liittämällä tämä uusi taulukkodata vanhaan karttapohjaan Join -toimintoa käyttämällä.

Ensimmäisessä tuntitehtävässä käsittelimme tietokantaa Afrikan mantereen valtioista. Alkuperäinen tietokanta sisälsi tiedot Afrikan mantereen konflikteista, öljykenttäesiintymistä sekä timanttikaivoksista, (Kuva 1). Liitimme tähän samaiseen tietokantaan toisen tietokannan, mikä sisälsi tietoa Afrikan mantereen internetin käyttäjistä, Facebook -käyttäjistä sekä väkilukuarvion vuodelta 2020. Tästä jälkimmäisestä, uuden laajemman tietokannan pohjalta luodusta kartasta minulla ei ole omaa versiotani. Jos sellaisen näkeminen kiinnostaa, suosittelen käymään vilkaisemassa Amanda Salmensuun blogista koropleettikarttakuvaa, joka näyttää meille prosentuaalisesti internetin käyttäjämäärän Afrikan mantereen maissa suhteessa maiden väkilukuun. Koropleettikarttaa, tai itse tietokantaa ja sen tietoja internetin käyttäjämääristä voidaan pitää eräänlaisena valtioiden kehityksen mittarina. Tottahan se on, että yleisesti kehittyneemmillä mailla on laajemmat internetin käyttäjämäärät.

Kuva 1. Karttakuva Afrikan mantereesta, missä näkyy alueella esiintyvät timanttikaivokset, öljykentät sekä alueella esiintyneet toisen maailmansodan jälkeiset konfliktit. Lähde: kurssin harjoitusdata.

Pohdimme tunnin aikana, että oliko kenties timanttikaivosten, öljykenttien sekä konfliktien välillä yhteyksiä. Selvää, varmaa yhteyttä niiden välille emme saaneet niiden välille vedettyä, mutta tulimme muistaakseni tulokseen, että niiden välillä oli mahdollisesti hieman korrelaatioita. Lisätietojen etsimisen avulla ja tarkemmalla analyysilla voisimme saada selkeämpiä tuloksia aiheesta, mutta saimme tunnin aikana ainakin maistiaisia siitä, millaista tutkimusta tämän tyyppisellä datalla pystyy tekemään, ja miten tätä dataa voitaisiin mahdollisesti kartalle visualisoida.

Kolmannen luentokerran kotitehtäväksi saimme tehdä koropleettikartan Suomen valuma-alueiden tulvaindekseistä. Kerkesimme aloittaa tehtävän tekemisen tunnin lopussa. Pääsin hyvälle alulle, mutten kerennyt sitä ihan kokonaan kuitenkaan tekemään lopputunnin aikana.

Tulvaindeksi-kartta väsättiin samalla periaatteella, kuin tuntitehtävätkin. Käytimme Join-toimintoa liittääksemme keskiylivirtaama-taulukon valuma-alueet -tietokantaan. Kaikki muutkin vaiheet sujuivat ongelmitta, kunnes tuli aika lisätä histogrammit koropleettikarttaan kuvaamaan kuntien järvisyysprosentteja. Luin muiden kurssikaverieni blogeista, kuinka myös heillä oli ollut ongelmaa saada luotua hyviä informatiivisia histogrammeja, tai heillä oli esiintynyt legendan laatimisen kanssa. Esimerkiksi Ville ja Sanna kamppailivat samojen asioiden kanssa.

Kuva 2. Yritykseni luoda pylväsdiagrammitaulukkoa Tulvaindeksi -koropleettikartan päälle. 

En saanut itse luotua pylväsdiagrammeja, jossa arvot olisivat muuttuneet lukuunottamatta kolmea palkkia, joten päätin yrittää samaa mitä Ville oli tehnyt, tehdä pylväistä ympyrädiagrammeja, mutta sekään ei näyttänyt onnistuvan. Ympyrädiagrammiosiossa kaikki muut, paitsi kolme järvisyysprosenttia kuvaavaa palloa olivat hävinneet. Sain kaikkiin valuma-alueisiin omat pallonsa esiin, jos laitoin kooksi ”fixed size”, mutta kaikki muut paitsi kartalla näkyvät kolme palloa olivat tyhjiä. Tarkastellessani attribuuttitaulukkoa, löysin oikeat arvot sieltä, joiden kaiken järjen mukaan pitäisi muodostaa järvisyysprosentteja kuvaavia taulukoita. Muiden kanssaopiskelijoiden valmiisiin karttaselitteiden legendoihin verraten löysin omasta attribuuttitaulukosta järvisyys% korkeimpana arvona myös 19,8% järvisyysprosentin ja muutenkin taulukko näytti siltä, että sen pitäisi toimia, ei tyhjiä NULL-kenttiä missään tai mitään muutakaan vastaavaa. Tappelin tämän histogrammiasian kanssa reilut puolitoista tuntia yrittäen kaikenlaisia kikkoja, yritin muuttaa arvoja kokoa muokkaavilla työkaluilla, yritin ladata järvisyys%-aineiston uusiksi ja muuttaa sen aineistotyyppiä, enkä keksi mistä asia kiikastaa, joten esitän vaan ruman epätäydellisen lopputulokseni tässä viimeisenä alhaalla, kuvassa 3.

Kuva 3. Lopullinen, epäonnistunut tuotokseni järvisyysprosentista. Kartalla näkyy vain ne kolme arvoa, jotka muokkaantuivat arvoja muuttaessani. Järvisyys% kohtaan unohdin muuttaa otsikon siistimmäksi, pahoittelut siitä.

Vastatakseni vielä tehtävänannon viimeiseen kysymykseen, siihen että onko minussa synnynnäisen luonnonmaantieteilijän vikaa, voin todeta, että eipä taida olla ainakaan tämän edellisen tehtävän perusteella. ☹ No, pää pystyyn ja uusia vastoinkäymisiä kohti, ehkä ensi viikolla päivä paistaa kirkkaammin viikkotehtävien parissa touhutessani!

Lähteet:

Harjoitusdata,

https://blogs.helsinki.fi/smjantun/, Viitattu 9.2.2021

https://blogs.helsinki.fi/salmeama/, Viitattu 9.2.2021

https://blogs.helsinki.fi/villvais/, viitattu 9.2.2021

Hei taas

Toinen luento oli suurilta osin opitun asian toistoa. Kävimme läpi asioita mitä kävimme läpi jo ensimmäisellä kurssikerralla. Muistan oppineeni tunnilta pieniä hyödyllisiä kikkoja, kuten sen, että miten saan tarkennettua takaisin karttapohjaani, jos sen mahdollisesti hukkaan. Se tapahtuu klikkaamalla hiiren oikeaa painiketta ja valitsemalla kohdan “Zoom to layer”. 🙂

Minun mielestäni uuden ohjelman tai minkä vaan vastaavan monimutkaisen asian opettelussa tällainen kertaava lähestymistapa toisen tunnin aikana on oikein hyvä. Perusasiat juurtuvat mieleen, kun niitä kerrataan, eikä kukaan tipu kärryiltä. Toisen kerran myötä ohjelman käyttö alkaakin tuntua luontevammalta, eikä sen käyttö ole samanlaista haahuilua kuin ensimmäisen kurssikerran- ja viikkotehtävän aikana. Toisaalta muutamat asiat olivat hieman hämärän peitossa ja jouduin niitä kaivelemaan muistini perukoilta tai opettelemaan itse uusiksi viikkotehtäviä tehdessäni. Antti Paakkarin ajatuksiin yhtyen, koska luentokertoja on vain kerran viikossa, ei luentojen puolesta synny sellaista toistoa, joka mahdollistaisi täysin vedenpitävän ohjelman käytön. Tokihan QGIS:n käyttöä voisi harjoitella myös itsenäisesti, mutta se ei tunnu mielestäni kovin mielekkäältä.

Käsittelimme tunnilla myös hieman uusia juttuja, kuten rajapintatyökalujen käyttöä ja rajapinta-aineistojen lisäämistä omiin QGIS-ohjelmistoihimme. Tarkastelimme ja vertailimme myös erilaisia projektioita ja sitä, kuinka paljon käytettävä projektio voi vääristää kartan pinta-alaa tai muita mittasuhteita. Tästä projektioiden aiheuttamasta vääristymisestä meille oli puhuttu hieman jo aikaisemmillakin kursseilla ja olin siitä tietoinen jo muutenkin entuudestaan. Oli kuitenkin ihan mielenkiintoista nähdä konkreettisesti se, kuinka paljon erilaiset projektiot mittasuhteita vääristävät.

Tein kurssikerralla kaksi erillistä valmista karttaa, jossa vertasin eri projektioiden aiheuttamaa vääristymää suhteessa TM35-karttaprojektion Suomeen. Teimme yhdessä vääristymää visualisoivan kartan Mercatorin projektiosta, ja omatoimisesti tein yhden kartan Van Grintenin projektiosta. Kun menin etsimään tallentamiani projektioita blogitekstiini, käynnistäessäni tallentamani tiedoston QGIS:ssä, oli koropleettityyppiset luokitteluerot hävinneet kartoista, enkä saanut niitä takaisin karttaesitykseen, mutta jostain syystä ne olivat jääneet Layers-valikkoon ja legendaan esille. Attribuuttitaulukossa en tietoja kyseisistä Layereista kuitenkaan saanut auki, ja jos koitin muokata karttaesitystä, hävisivät nekin numerot ja luokat, jotka Layers-valikkoon olivat jääneet. Alla (kuva 1.) ETRS-TM35FIN projektio, missä vertaillaan pinta-alojen vääristymää Van Grittenin projektion suhteen. Mercatorin projektiota en saanut pelastettua, ainoa jäljellä oleva tieto kyseisestä projektiosta oli Layers-valikossa sijaitseva added geom info -sarake, josta näin miten lukuarvot jakautuisivat kartalla, jos ne saisin siihen asetettua. (kuva 2).

Kuva 1.  Tunnilla tehty koropleettikarttaesitys Van Grintenin projektiosta josta jäljellä vain lähinnä legenda.

Kuva 2. Mercatorin ja ETRS-TM35FIN väliset kokoerot Layers-valikossa.

En viitsinyt aloittaa tuntitehtävien tekemistä alusta, vaan annoin niiden olla, ja päätin keskittyä omatoimisiin kotitehtäviini. Teimme tämän viikon itsenäisissä harjoituksissamme samantyylisiä tehtäviä kuin kurssikerran tunnilla. Ensimmäisenä tehtävänämme oli laatia taulukko viidestä eri projektiosta ja tutkia sitä, kuinka pahasti kokoerot ja välimatkat vääristyvät niiden välillä, kun niitä vertaillaan toisiinsa. ETRS-TM35FIN toimi projektiona, johon muita projektioita vertailtiin. Muut käyttämäni projektiot olivat Mercatorin, Van der Grintenin, Millerin ja Robinsonin projektiot. Alla kuva taulukosta.

Kuva 3. Taulukko, jossa vertailen eri projektioiden vääristymiä pinta-alan ja etäisyyden suhteen.

Taulukon pinta-alaa kuvaava alue (km^2) oli hatun muotoinen alue aivan pohjoisimmasta Lapista. Välimatkaa kuvaava (km) matka ulottui Vaasasta suorana linjana Suomen itärajalle. Havainnollistavia kuvia en muistanut ottaa.

Valitsin epähuomiossa aika ”isoja”, paljon vääristäviä projektioita. Etenkin Mercatorin, Van Grintenin ja Millerin projektioissa pinta-aloissa oli huomattava ero, 345 – 742%. Millerin sylinteriprojektio on muunnelma Mercatorin projektion pohjalta, mutta se ei ole kuitenkaan oikeakulmainen vaan ns. kompromissiprojektio. Siinä pinta-alat eivät kuitenkaan vääristy napa-alueilta yhtä paljon kuin Mercatorissa. Ainoa projektio, mikä ei vääristänyt niin pahasti alueen pinta-alaa oli Robinsonin kompromissiprojektio, mutta siinäkin pinta-alan muutos oli hyvin huomattava, n. 43%. Sekään ei vastaa täysin oikein oikeassa elämässä esiintyviä etäisyyksiä, mutta siinä on pyritty vähentämään kaikkia kartassa esiintyviä vääristymiä mahdollisimman pieneksi. Olisin vaihtanut osan projektioista, mutta olin kadottanut jo suomineidon ”myssyn”, mitattavan pinta-alan, joten en viitsinyt aloittaa koko hommaa alusta ja menin maaliin asti massiivisesti väärentyneillä projektioilla.

Toisessa kotitehtävässä meidän täytyi vertailla sitä, kuinka muut karttaprojektiot vääristyvät suhteessa Lambertin projektioon. Valitsin Lambertiin vertailtaviksi projektioiksi Mercatorin projektion, sekä Van Grintenin projektion. Halusin antaa uuden yrityksen Van Grintenille ja verrata sitä, kuinka lukuarvot eroavat tunnilla tekemäni TM35FIN-projektion pohjalta luodun koropleettikartan kanssa. Kuten tehtävänannossa mainittiin, karttaprojektiot ovat hyvin samankaltaisia ja oletettavissa olikin että täten legendojen arvot muistuttavat hyvin paljon toisiaan. Ainoa ero koko arvojen määrässä oli se, että ETRS-TM35FIN – projektiossa suurimmat vääristymät venyivät 0,01, eli noin prosenttiyksikön verran enemmän.

Kuva 4. Mercatorin projektion pinta-alojen vääristymät suhteessa Lambertin projektioon.

Kuva 5. Van Grintenin projektion pinta-alojen vääristymät suhteessa Lambertin projektioon.

Luin Lotan blogista (Puodinketo 2021), kuinka muillakin opiskelijoilla oli ollut hieman ongelmia tiedostojen katoamisessa. Toivon, että vastaisuudessa QGIS:iä käyttäessämme vältymme tällaiselta ja pohdin, että kenties kyse on vain siitä, että koska olemme uusia ohjelman käyttäjiä, olemme voineet tehdä huolimattomuusvirheitä ja unohtaa esimerkiksi tallentaa tiedostoja tai tehneet tallentamisen väärin. Ainakin toivon että tällaisesta oli kyse. No, loppu hyvin kaikki hyvin, blogiteksti on viimein julkaistu. Palataan GIS:n pariin ensi viikolla.

Lähteet: Paakkari, A. (2021) Viikko 2. Toinen luento ja harjoitukset.

Viitattu 5.2.2021

Puodinketo, L. (2021) 2. Kurssikerta: Toimintojen kertausta

Viitattu 5.2.2021

<https://blogs.helsinki.fi/lottapuo/>

<https://blogs.helsinki.fi/anttipaa/>

Hei 🙂

Tutustuimme ensimmäisellä kurssikerralla QGIS-paikkatieto-ohjelmistoon ja sen käyttämiseen. Olin kuullut puhuttavan QGIS:stä jo aikaisemmilla kursseilla, mutta en ollut päässyt käyttämään kyseistä ohjelmaa aikaisemmin. Opettajamme Arttu Paarlahti opasti meitä opiskelijoita hyvin yksityiskohtaisesti, kuin kädestä pitäen ensi alkuun ohjelman käytössä. Opastaminen oli hyvin selkeää ja antoi meille hyvät ensieväät QGIS:n käyttöön.

Ensimmäinen kurssikerta sujui oikein mallikkaasti. Saimme luennon aikana kyhättyä koropleettikartan, joka kuvaa Itämerta ympäröivien valtioiden typpipäästöjä. Tutustuimme samalla karttaa tehdessämme QGIS:n monipuoliseen työkaluvalikoimaan ja niiden käyttämiseen. Ohjelma tuntui ensiksi silmäillessäni sitä hieman kompleksiselta. Tunnin edetessä ja paikkatieto-ohjelmaa käyttäessäni huomasin kuitenkin, että ohjelma on hyvin looginen. QGIS:n käyttö on vielä vähän hidasta ja vaikeaa, mutta sen käyttö muuttuu varmasti luontevammaksi ohjelmaa enemmän käyttäessäni.

Alhaalla (kuva 1.) koropleettikarttani Itämeren ympäröivän alueen typpipäästöistä. Väriskaala menee niin, että mitä tummemman punainen alue on, sitä enemmän typpipäästöjä alueella on. Kartta vaikuttaa mielestäni selkeältä ja olen yleisesti tyytyväinen sen lopputulokseen. Toisaalta jos jotain kritiikkiä pitää keksiä, kuten Sanna Jantunen mainitsee blogissaan, eivät syvyyskäyrät tuo hirveästi mitään lisäarvoa karttaan, varsinkaan koska niistä ei käy ilmi absoluuttiset syvyysarvot mitenkään. Olisin myös voinut vaihtaa Viron väriä hieman punaisemmaksi, sillä nyt kartassa näkyvän valkoisen Viron voi mieltää jotenkin irrelevantiksi, vaikka alueella kuitenkin esiintyy typpipäästöjä.

Kuva 1. Kartta Itämerta ympäröivien valtioiden typpipäästöistä.

Toisessa, kotona itse omin avuin tehtävässä tehtävässä meillä oli varaa valita, että minkä annetuista kotitehtävistä teemme. Päätin yrittää ensin tehtävää 2. Etsin netistä csv – tiedoston kuntien verotuloista euroina / asukas vuodelta 2015 Sotkanetin sivuilta. Hetken, aika pitkän sellaisen ajan tapeltuani aineiston kanssa päätinkin antaa olla, nöyrtyä ja tehdä helpomman tehtävän. Tuleepahan kertausta, joka on opintojen äiti! Onhan se hyvä juttu, jos saan ohjelman perusominaisuudet omaksuttua syvästi mieleeni. Alla kuva luomastani koropleettikartasta.

Kuva 2. Muita kuin suomea tai ruotsia puhuvien ihmisten osuus Suomessa prosentuaalisesti.

Valitsin koropleettikartalleni tutkailtavaksi aiheeksi muiden kuin suomen- ja ruotsinkielisten osuuden prosentteina. Kartalta voidaan havaita, että etenkin suurimmat kaupungit sisältävät runsaasti eri kieliä puhuvaa väestöä. Kartan kaupunkialueista erottuu eritoten pääkaupunkiseutu, joka on Suomen etnisesti monimuotoisinta aluetta. Alueella asuukin noin puolet koko maan ulkomaalaistaustaisesta väestöstä. Muualta muuttaneet osaavat tietenkin siis puhua jotain muuta kieltä kuin Suomea. Myös keskikokoiset ja pienemmät kaupungit erottuvat kartalta, kuten esimerkiksi Kajaani ja Savonlinna. Osuudet eri kielten puhujissa näissä kunnissa ovat kuitenkin pieniä. Pienissä kunnissa väestö puhuu pääosin joko suomen-, tai ruotsin kieltä. Kartalta paistaa myös etenkin silmään ihan pohjoisimman lapin suuret prosenttiosuudet eri kielen puhujien määrässä. Tässä väestöryhmässä on kyse tietenkin saamelaisista. Martta Huttunen oli kirjoittanut mielenkiintoisasti saamenkielisen väestön sijoittumisesta Suomessa omassa blogissaan (Huttunen 2012). Kuten Marttakin blogissaan kertoo, painottuu suuri osa saamen kielen puhujista Lappiin, ja etenkin aivan pohjoisimpaan osaan Lappia. Jos pieni saamelaistietoisku kiinnostaa, suosittelen lukemaan hänen blogipostauksensa.

Olen ihan tyytyväinen tehtäväni lopputulokseen, mutta hieman epävarma siitä, että teinkö kaiken oikein, sillä esimerkiksi Kristiinankaupunki hohtaa yhtä punaisena alueena kuin pääkaupunkiseutu vieraiden kielten puhujien määrässä. Voi olla, että alueella asuu paljon ulkomaalaistaustaista väkeä, mutta pelkään että ruotsinkielisten osuus sekoittui jotenkin vieraiden kielien puhujien määrään. Toisaalta jos näin olisi, pitäisi Pohjanmaan eri kieltä puhuvien ihmisten prosenttiosuuksien olla huomattavasti korkeampia. 

Tässä pieni osuus ajatuksistani ja työskentelystäni kurssin ensimmäisten tehtävien parissa. Saa nähdä mitä kaikkea tämä GIS-kurssi tuo tullessaan!

Viittaukset:

Jantunen S, (2021) Perusasioiden äärellä, <https://blogs.helsinki.fi/smjantun/>

Huttunen M, (2021) Harjoitus 1. (Linkki alla).

Harjoitus 1: Koropleettikartan tekoa