Month: January 2019

Kurssikerta 3 on nyt ohi. Päällimmäisenä tunteena tällä kertaa on turhautuminen. Heti kurssikerran alussa jäin pahasti jälkeen, sillä sain käyttööni rikkinäisen tietokoneen. Kurssikerran ensimmäiset 15 minuuttia kului koodien kirjoittamiseen, odottamiseen ja jännittämiseen siitä, kuinka saisin Artun ja muut opiskelijat kiinni tehtävänteossa. Yritin kasvavan turhautumiseni alta kuunnella ja seurata extra tarkasti ohjeita, mutta pieni paniikkini alkoi vähitellen kasvaa, kun koneeni ”please wait” teksti ei 15minuutin jälkeenkään poistunut…

Lopulta pääsin kirjautumaan koneelleni ja yllätyksekseni sain Artun ja muut opiskleijat kiinni aivan hetkessä. HUH!

Tämä kurssikerta tuntui sisältävän erittäin hyödyllistä informaatiota. Harjoittelimme kohteiden ryhmittämistä ja eri tietokantojen tuomista QGIS-ohjelmistoon. Harjoituksessa käytimme Afrikan mannerta ja sen valtioita. Lisäsimme kartalle myös tiedot timanttikaivoksista, öljylöydöksistä ja konflikteista. Tehtävään kuului myös analysointi omassa blogissa tietokantaan tallennettujen tietojen, kuten konfliktien tapahtumavuosien, timanttikaivosten ja öljykenttien löytämis- ja  kaivausten aloitusvuosien ja internetin käyttäjien lukumäärän, hyödyntämisestä. Näitä tietoja voidaan hyödyntää monella tavalla. Voidaan tehdä analyysejä kahden eri tilaston korrelaatiosta esimerkkinä internetin käyttäjien lukumäärä ja konfliktien lukumäärä tietyllä alueella. Toinen käyttötarkoitus voisi olla jonkin alueenkehityksen seuranta esimerkiksi konfliktien määrän muutosta tutkimalla.

Viimeinen tehtävä kurssikerralla oli tuottaa itse kartta Suomen järvisyydestä ja tulvaindeksistä valuma-alueilla (kuva 1). Järvisyys tarkoittaa järvien osuutta koko valuma-alueen pinta-alasta. Tulvaindeksin laskeminen onnistuu monella tavalla, mutta kyseisen  kartan teossa käytimme kaavaa MHQ/MNQ, eli jaettiin keskiylivirtaama keskialivirtaamalla. Kaavalla lasketaan tulvahuppujen ja kuivien kausien pienimpien arvojen keskiarvon suhde.

Suomessa tulvia esiintyy pääosin rannikkoalueilla etenkin Pohjanmaalla (Ympöristö.fi – Tulvien esiintyminen). Tekemältäni kartalta voidaankin havaita alueiden suuri tulvaindeksi. Suuren indeksin omaavat alueet ovat alavia, valuma-alueina pieniä, pinnanmuodoiltaan vain pientä vaihtelua omaavia eikä alueilla ole suuria järvialtaita. Tällöin vedellä ei ole mahdollisuutta virrata esimerkiksi mereen, vaan se tulvii joen reunojen yli pelloille. 

Toista indeksin ääripäätä pitää Keski- ja Itä-Suomi. Nämä pienen tulvaindeksin alueet ovat monien järvien alueita, jotka kuuluvat suuriin valuma-alueisiin, ovat korkeammallajoiden pinnanmuodot ovat vaihtelevampia. Vedellä on siis mahdollisuus virrata pois alueilta ja kasautua suuriin järvialtaisiin, jolloin tulvien syntyminen on vähäistä.

Järvisyyden ja tulvaindeksin välillä voidaan myös nähdä selkeä korrelaatio. Alueet, joiden järvisyys on suuri ovat pienen tulvaindeksin omaavia. Päinvastainen ilmiö on havaittavissa pienen järvisyyden ja suuren tulvaindeksin alueiden välillä. Tämä johtuu juurikin jo aikaisemmin mainitsemastani veden varastoitumisen mahdollisuudesta.

Anttoni Tumanoff on mielstäni blogissaan kuvannut erittäin onnistuneesti järvisyysprosenttia kaavion avulla. Mielestäni kaavio tukee ja helpottaa kartan lukemista huomattavasti. Jos vain aikaa riittää, saatan itsekin tehdä vastaavan kaavion blogiini.

Kartan visuaalisuuteen olen myös melko tyytyväinen. Mielestäni kartta on helppolukuinen ja harmooninen. Osa järvisyysprosentteja kuvaavista pylväistä jää kuitenkin hieman huomaamattomiin etenkin Etelä-Suomessa. Saatan vielä tehdä kaavion kartan tueksi, kuten jo aikaisemmin mainitsinkin, jotta kartasta tulisi vielä helppolukuisempi.

Kohteiden ryhmittäminen ja tietokannan tuominen QGIS-ohjelmistoon on varmasti erittäin hyödyllistä myös tulevia projekteja ajatellen. Aluksi tämä tuntui minusta hieman haastavalta, mutta kun harjoittelimme itsenäisesti sujui se yllättävän helposti useista ohjelmiston kaatumisista huolimatta.

Tämä kurssikerta opetti minulle erittäin paljon hyödyllistä tietoa. Tietojen yhditäminen, tietokantojen tuominen, kärsivällisyys ja tallentamisen tärkeys olivat päivän suuret teemat. QGIS-ohjelmisto kaatui noin 5 kertaa, enkä tietenkään ollut muistanut tallentaa kertaakaan…  ”Kertaus on opintojen äiti”-mentaliteetilla jatkoin sisukkaasti kartan parissa ja huomasin, kuinka jokaisen kaatumisen jälkeen työnteko nopeutui huomattavasti. Työvaihe, joka vei aluksi vartin sujui lopulta jo parissa hassussa minuutissa!

 

 

Lähteet:

Anttoni Tumanoff – Tietokantaliitoksia ynnä muuta, luettu 30.1.2019,  https://blogs.helsinki.fi/gis-1-anttoni/

Ympäristö.fi – Tulvien esiintyminen, luettu 30.1.2019 https://www.ymparisto.fi/fi-FI/Vesi/Tulviin_varautuminen/Olenko_tulvariskialueella/Tulvien_esiintyminen?f=Lapin_ELYkeskus&f=Lapin_ELYkeskus

 

Toinen viikko QGIS:n parissa potkaistiin käyntiin projektiovalinnan tärkeyden tarkastelun avulla. Aivan kurssikerran alussa tutustuimme datan lähteisiin. Nämä asiat olivat minulle ennen Artun selityksiä aivan täyttä hepreaa. Nyt minulla on ainakin pieni tieto WMS, WMTS, WCS ja WFS lyhenteiden tarkoituksista.

Alkubrieffin jälkeen pääsimme jälleen kerran hyvien ohjeiden saattelemina tekemään yhdessä harjoituksia. Vertailimme eri projektioiden aiheuttamia eroja pinta-aloissa. Harjoittelimme muunmuassa tietokantojen muokkaamista, eri laskutoimintoja tulosten saamikseksi sekä erilaisia valintatyökalujen käyttöä.

Tuloksena harjoituksille syntyi tällä kertaa  visuaalinen esitys pinta-alojen prosentuaalisista vääristymistä Mercatorin- ja Lambertin projektioiden välillä kooropleettikarttan muodossa (Kuva 1). Kuten kartasta voidaan huomata, vääristymäprosentti on valtava ja se kasvaa pohjoisnapaa kohden mentäessä. Sama tapahtuu myös eteläisellä pallonpuoliskolla. 

Toinen kartta olikin jo sitten tarkoitus pyrkiä tekemään ilman Artun auttavaa kättä. Yllätyksekseni työskentely QGIS:n kanssa kartan tekemisen parissa sujui jälleen kerran ongelmitta.

Valitsin toiseksi Lambertin projektion vertailukohteeksi Eckertin 1 projektion. En ollut aikaisemmin tutustunut tähän karttaprojektioon ja yllätyksekseni kartta oli timantin mallinen. Leveyspiirit on kuvattu vaakasuorina viivoina, joiden pituus lyhenee napoja kohti mentäessä. Kartan keskipisteen kautta kulkeva pituuspiiri on pystysuorassa. Wikipedian mukaan tämä jana on puolet kartalla esitetystä päiväntasaajan pituudesta. Muut pituuspiirit ovat suoria janoja, jotka taittuvat eri kulmissa. Kulma pienenee mentäessä kauemmas kesipisteestä, aiheuttaen kartalle sen timantinmuotoisen ulkomuodon.

Tämä kartta (kuva 2) kuvaa Eckertin 1 projektion ja Lambertin projektioiden välillä syntyvää pinta-alavääristymää prosentuaalisesti. Kuten voidaan kartalta havaita, samoin kuin kuvassa 1, vääristymä kasvaa Pohjoiseen mentäessä. Vääristymien suuruus on kuitenkin huomattavasti pienempi kuin Mercatorin ja Lambertin projektion vertailussa.

Laskin mielenkiinnostani kuinka moni kertaisia projektioiden ääriarvot ovat toisiinsa verrattuna. Erot ovat valtavia! Mercatorin projektion suurimmat vääristymät (730%) ovat yli 14,5 kertaa suuremmat kuin Eckertin 1 projektion suurimmat arvot(50,1%) . Pienimpien vääristymien välinen ero on huimat 22,8 kertainen (Mercator 297% ja Eckert 1 13%). Yleisesti ottaen muihinkin projektioihin verrattuna Mercatorin projektion vääristymät ovat moninkertaisia.

Tämä tehtävä opetti minulle, kuinka tärkeää projektion valinta todellisuudessa on. Kuten Elina ja Julia blogeissaan mainitsevat, on projektion valinnassa oltava erittäin huolellinen. Projektio on valittava tarkoin esitettävään informaatioon sopivaksi.

Mielestäni tällä viikolla onnistuin karttojen teossa erinomaisesti. Kartat miellyttävät omaa silmääni, ainakin enemmän kuin viime viikon ensimmäinen kartta… hyi! Mielestäni kartta on myös hyvin selkeä ja helppolukuinen. Ainoa asia, joka häiritsee omaa silmääni, on karttojen välinen pieni kokoero. Olenkohan vähän liian tarkka…

Hyvillä mielin voin taas jatkaa kohti seuravaa kurssikertaa QGIS:n parissa! 🙂

 

Lähteet:

Wikipedia, Eckertin projektio, luettu 25.1.2019  https://fi.wikipedia.org/wiki/Eckertin_projektio

Julia Salmi – Osa 2: Projektiovalintojen pohdintaa, luettu 25.1.2019 https://blogs.helsinki.fi/jhsalmi/

Elina Huhtinen – Viikko 2-projektion vaikutus karttaan, luettu 25.1.2019 https://blogs.helsinki.fi/huhelina/

Noniin, nyt on ensimmäinen Geoinfromatiikan menetelmät 1 kurssikerta takana. Hyppäsimme heti kättelyssä paikkatiedon syövereihin käymällä läpi paikkatiedon perusteita sekä tutustumalla ainakin minulle aivan uuteen paikkatieto-ohjelmistoon QGISiin.  

Oletin QGis-ohjelmiston olevan haasteellinen, sillä olen kuullut kauhutarinoita muunmuasssa ohjelmiston kaatumisesta ja jäätymisestä. Onnekseni näin ei kuitenkaan käynyt ja sain alustavasti erittäin hyvän kuvan ohjelmiston toimivuudesta ja käytöstä ylipäänsä. Tietenkin uuden ohjelmiston käyttö on aluksi haastavaa, mutta käytyämme yhdessä läpi tarvittavat toiminnot, sujui käyttö vaivattomasti. Lukiessani toisten kurssilaisten blogeja heidän ajatuksistaan, hämmästyinkin kuinka moni kertoi ohjelmiston aiheuttaneen heille harmaita hiuksia.

QGIS-ohjelmiston harjoittelun tuloksena syntyi ensimmäinen kyseisellä ohjelmistolla tekemäni kartta (kuva 1). Se kuvaa Itämeren typpipitoisuuteen vaikuttavia valtioita. Kyseiset valtiot on luokiteltu prosentuaalisten päästöjen mukaan viiteen eri luokkaan käyttämällä eri oranssin sävyjä. Sävy tummenee päästöjen kasvaessa. Täten voidaan kartasta havaita Puolan olevan prosentuaalisesti suurin Itämeren suuriin typpipäästöjen osuuksiin vaikuttava valtio. Pienimmäksi päästöjen nousuun vaikuttavaksi voidaan havaita Viro.

Suuri typpipitoisuus rehevöittää vesistöjä lisäämättä ravinteiden määrää. Tästä seuraa muunmuassa leväkasvien lisääntyminen, monien eliölajien vaarantuminen ja merenpohjan happikato. Syitä suureen typpipitoisuuteen ovat muunmuassa jätevesien puuttellinen puhdistus, suuri väestömäärä, teollisuus, metsätalous ja maatalous. Näiden lisäksi WWF listaa sivullaan 1/4 veden typpipäästöistä tulevan ilmasta esimerkiksi meri- ja ilmaliikenteen kautta.

Kartan ulkonäköön en ole lainkaan tyytyväinen. Karttaa katsoesssa silmiin osuu ensimmäisenä karmea musta massiivista tuhkapilveä muistuttava rykelmä alueita, etenkin Suomen ja Ruotsin päällä. Ne ovat järviä. Kiireessä en huomannut unohtaneeni vaihtaa järvien väriä sinisiksi ja siksi karttaani koristaa nyt tämä hirvitys… hupsista. Kartan värien valinnassakin koen  epäonnistuneeni, sillä Viro ja Euroopan maat, jotka eivät vaikuta Itämeren typpipitoisuuteen, ovat liian samanvärisiä ja voivat helposti antaa tietämättömälle lukijalle väärää informaatiota.

Värityksen lisäksi legendan typpipitoisuuden prosentiaalisen osuuden havainnollistava luokitteluskaala on hyvin epätasainen. Tätä olisin voinut vielä muuttaa esimerkiksi merkkaamalla luvut puolikkaan prosentin tarkkuudella.

Väriseikoista huolimatta onnistui kartta mielestäni kuitenkin ensimmäiseksi QGIS-ohjelmistolla tehdyksi kartaksi melko hyvin. Mielestäni se on selkeä ja helppolukuinen vasemman reunan legendan avulla.

Otin kartanteon pääasiassa ohjelmistonkäytön oppimisen kannalta ja ensi kerralla osaan olla huolellisempi ja tuottaa kartan paremmin. Kuten Iina Rusanen blogissaan kirjoittaa: ”Aloittelijatason virheiden teko lienee kuitenkin sallittua vielä harjoitusvaiheen kartoissa, ja virheistä on tarkoitus oppia.”

Huh, nyt on ensimmäinen postaus kirjoitettu!

Palataan ensi viikolla!  🙂

 

 

 

Psst!

Tulevaisuuden Saaga täällä terve. Koska olin niin tyytymätön ensimmäiseen karttaan Itämeren typpipitoisuuksiin vaikuttavista valtoista, päätin tehdä kartan kokonaan uudestaan (kuva 2). Muutin kartan värityksen mielekkäämmäksi, legendan sijantia ja sisältöä. Nyt Viron väri ei myöskään sekaannu muihin Euroopan maihin, jotka eivät vaikuta Itämeren typpipitoisuuksiin. Muistin myös vaihtaa järvien värit, jes!! Kartan uudelleentekeminen sujui erittäin nopeasti ja vaivattomasti. Samalla sain hyvää kertausta kurssikerralla opituista asioista.

Kuvassa 3 on kuvattu kartalla Suomen kuntien työttömyysprosentti vuodelta 2015. Kartalta voidaan havaita etenkin länsirannikon vähäinen työttömyys. Pääkaupunkiseudullakaan ei juurikaan ole työttömyyttä. Eniten työttömyyttä esiintyy käsivarressa, Pohjois- sekä Itä-Suomessa. Pohjois-Suomen kunnista Sodankylä, Kittilä ja Muonio ovat vähiten työttömiä verrattuna muuhun Lappiin. Syy tähän voi olla esimerkiksi suuri turismi. Muihin suuriin kaupunkeihin verrattuna Oulun työttömyysprosentti on yllättävän suuri.

 

Lähteet:

Alex Naumanen – Ekat faceplantit, luettu 21.1.2019  https://blogs.helsinki.fi/alexnaum/

Elina Huhtinen – Viikko 1 – QGIS ja siihen perehtyminen, luettu 21.1.2019 https://blogs.helsinki.fi/huhelina/

Ida Lehtonen – Blogi 1 -QGIS:n käytön harjoittelua, luettu 21.1.2019 https://blogs.helsinki.fi/lida/

Iina Rusanen – QGIS tutuksi, luettu 21.1.2019  https://blogs.helsinki.fi/iinarusa/

WWF – Itämeren rehevöityminen, luettu 21.1.2019 https://wwf.fi/alueet/itameri/rehevoityminen/

 

Muokattu 24.1.2019, lisätty uusi kartta Itämeren typpipitoisuuksista (kuva 2) ja kirjoitettu analyysi kyseisestä kartasta. Lisätty myös kartta Suomen kuntien työttömyysprosenteista vuodelta 2015 (kuva 3) sekä analyysi kartan sisällöstä.

Muokattu 3.3.2019, muutettu tekstin asettelua.