Kuukausi: helmikuu 2018

Fiksuna tyttönä lähdin nauttimaan Rukatunturin lumisista maisemista juuri sen kurssikerran aikaan, kun annetut itsenäistyöt olivat kaikkein haastavimmat, ja niitä oli huomattavasti aiempaa enemmän. Tein siis kaikki kurssikerran työt sekä osan annetuista itsenäistöistä kaikki itsenäisesti. Tulipahan treenattua.

Tällä hetkellä koen hallitsevani QGIS:in perusominaisuudet melko hyvin. Joitain toimintoja, kuten Spatial Query tai Join attributes by location, tulee toisteltua joissain tehtävissä hyvinkin paljon – joskus tarvittua huomattavasti enemmän, kun QGIS ei suostu pyyntöjä ensimmäisellä eikä välttämättä viidennelläkään kerralla toteuttamaan. Olen alkanut myös ymmärtää, miksi joitain toimintoja tehdään, eli uskon pystyväni käyttämään tutuimpia toimintoja jatkossakin.

Kuitenkin, vaikka tietäisin tarkalleen miten ja miksi joitain työkaluja käytetään, koen silti olevani pulassa, kun näitä työkaluja täytyy soveltaa. Aikaisempien kurssikertojen yhteydessä koin pärjääväni hyvin, sillä yksityiskohtaiset ohjeet olivat saatavillani kohta kodalta. Jotkut tämän kurssikerran itsenäistehtävistä puolestaan aiheuttivat minulle suurta päänvaivaa, sillä en osannut soveltaa oikeita työkaluja ratkaistakseni ongelman.

 

Aluksi harjoittelin itsenäisesti kurssikerralla tehtyjä bufferointianalyyseja, jotka koin helpoiksi ja kivoiksi, jee. Voin siis uskoa osaavani käyttää  bufferointityökalua jatkossakin, sillä sen käyttö onnistui itsenäistehtävissäkin – ainakin lopulta, kun ystävieni Vivin ja Olivian avulla tajusin rastittaa ”Dissolve result” -ruudun, enkä enää saanut epämääräisen suuria asukasmääriä bufferialueille.

Itsenäistehtävissä tuntui olevan hieman epäselvyyttä siinä, pitikö tehtävät suorittaa käyttämällä Vantaan väestöaineistoa, vai koko pääkaupunkiseudun väestöaineistoa, jota oltiin käytetty aikaisemmilla kurssikerroilla. Itse toteutin tehtävät Vantaan väestöaineistoa käyttäen. Hätäännyin tietysti ensin vertaillessani omia tuloksiani Matin tuloksiin, kunnes huomasin hänen tuloksissaan olevan kouluikäisiä reilusti enemmän kuin minulla, joten hän oli käyttänyt koko pääkaupunkiseudun väestöä. Luultavasti näin oli tarkoituskin tehdä, sillä jotkut aineistoista olivat koko pääkaupunkiseudun laajuisia. Sain kuitenkin omasta mielestäni melko järkeviä tuloksia pelkän Vantaan alueelta, ja luulin suurimmaksi osaksi ymmärtäväni tekemääni, mikä tässä oletettavasti oli se pääasia.

Kaikkein eniten päänvaivaa tuotti tehtävässä 2 ulkomaalaisten osuuksien selvittämien eri alueilla. Yritin löytää vastauksia ”Spatial query” -toiminnolla sekä ”Join attributes by location” -toiminnolla, laskien eri vaiheissa eri prosenttiosuuksia, ja kokeillen muuttujia eri päin, mutta mikään ei toiminut. Paras tuntemani GIS-velho Eemil, sekä alansa osaava GIS-memeilijä Eveliina yrittivät minua parhaansa mukaan auttaa, emme yhdessäkään saaneet QGIS:iä toimimaan halutusti. Molemmat olivat saaneet näihin kysymyksiin vastaukset- joskin toisistaan poikkeavat – joten apu tuli luotettavista lähteistä. Kevensin aineistoja lähes mitättömiksi (attribuuttitaulussa oli tosiaan näkyvissä vain yksi sarake tietoa), muttei QGIS jaksanut niitä käsitellä. Siispä skippasin QGIS:in ansaitsemattomat kyynelet ja jatkoin seuraavaan tehtävään. ¯\_(ツ)_/¯

Helpoin itsenäistehtävä oli omasta mielestäni tehtävä 3. Yhteistyö QGIS:n kanssa sujui vaivatta, ja suurin osa käytetyistä työkaluista oli jo aiemmista tehtävistä tuttuja. Jonkin verran tietysti piti myös ajatella, mitä työkalua kannattaa missäkin ongelmassa käyttää, mutta ei tästä sentään päänsärkyä tai kyyneliä seurannut.

 

Tiivistettynä siis:

Mitä luulen osaavani:

• Spatial Query
• Join attributes by location
  • Näiden eroa pitää tosin välillä kerrata
• Properties (styles ynnä muut helpot ja kivat)
  • Tosin tässäkin varmasti monia työkaluja, joita en ole vielä käyttänyt, ja joiden olemassaolosta en edes tiedä
• Vektori- ja rasteriaineistojen tuominen QGIS:iin
• Toggle editing
• Create a new shapefile layer
• Print composer
  • Mittakaavan, legendan ja pohjoisnuolen taiteilut sekä kartan muokkaaminen esitettävään muotoon hoituisivat vaikka unissaan
• Select features by expression
  • välillä hatarasti osaan ja muistan hyödyntää
• Statistics panel
• Datan keventäminen
  • Save as > save only selected features
  • Tämän oivalsin itseasiassa juuri tämän kurssikerran yhteydessä
    • Tuli hyvä mieli kun tajusin!

 

Missä olen toivoton:

• Plugins
  • Mitä?
• Raster toolbar
  • Mitä juttuja?
• Vector toolbar
  • Hei täällä on toi ”Join attributes by location”!
  • Kaikki muut: nope.
• Add delimited text layer
  • Pärjään jokseenkin, mutta harjoitusta tässä vielä vaaditaan
• Kaikki edellä mainitsemattomat QGIS:in työkalut

 

Mut hei suuntahan on kuulemma vaan ylöspäin!

Nähellään,

-Sadvarpu

 

Lähteet:

Becker, Eemil. Homma rupee sujumaan… (19.2.2018) https://blogs.helsinki.fi/beemil/2018/02/19/homma-rupee-sujumaan/ (Luettu 26.2.2018)

Halme, Olivia. Kurssikerta 5: Tyyntä ennen myrskyä (25.2.2018) https://blogs.helsinki.fi/halmeoli/2018/02/25/kurssikerta-5-tyynta-ennen-myrskya/ (Luettu 26.2.2018)

Moisala, Matti. 5. Viisi QGIS -tähtee (21.2.2018) https://blogs.helsinki.fi/moisalam/2018/02/21/5/ (Luettu 26.2.2018)

Sirola, Eveliina. Kurssikerta 5: Itsenäistymisen aika – kääk! (24.2.2018) https://blogs.helsinki.fi/evsirola/2018/02/24/kurssikerta-5-itsenaistymisen-aika-kaak/ (Luettu 26.2.2018)

Tarkka, Vivi. https://blogs.helsinki.fi/vivitark/ (Luettu 26.2.2018)

Ai kurssin puoliväli jo? Pitäskö tässä nyt kokea jotain osaavansa? No, meitsi on joka tapauksessa lost.

Neljännellä kurssikerralla teimme ruutukarttoja pääkaupunkiseudun väestöaineistoista, ja toimme ensimmäistä kertaa rasteriaineistoa QGISiin! Miten jännittävää! Tällä kerralla luulin tajuavani, ehkä jopa osaavani, kunnes tarkastelin karttojani jälkikäteen ja huomasin, että taas sitä mentiin vauhilla metsään. Toteutin karttani 250mx250m -kokoisilla ruuduilla, jonka totesin melko toimivaksi. Ruudut ovat hieman liian pieniä minun makuuni, mutta niistä välittyy tarkempaa informaatiota, kuin esim. 500mx500m -ruuduista. Karttojeni (kuvat 1 ja 2) luokittelut on karttaselitteissä merkity väärin. Yksikään luku ei saisi osua samaan luokkaan, mutta luvut ovat luultavasti pyöristyneet niin, että rajaluvut jakautuvat kahteen luokkaan. Sad. Olis pitäny huomata.

Kartassa (kuva 1) on kuvattu yli 65-vuotiaiden – tai yksinkertaistettuna eläkeläisten – sijoittumista pääkaupunkiseudun alueelle absoluuttisina arvoina. Kartasta voidaan huomata, että kaikkein eniten eläkeläisiä asuu Helsingin keskustan lähellä ja pääteiden varsilla. Tämä kuitenkin on aivan itsestäänselvyys, sillä pääkaupunkiseudun väestökeskittymät ovat jokaisessa ikäluokassa näillä alueilla. Suhteutettuna data voisi olla kuvaavampaa – jos sen tekisi oikein (ks. kuva 2).

Eveliina Sirola on kartassaan kuvannut yli 60-vuotiaiden absoluuttisia määriä pääkaupunkiseudulla. Hänen kartassaan eläkeikäisiä näyttää olevan huomattavasti enemmän kuin minun kartassani, mutta luokittelut ovat meillä huomattavan erisuuruiset. Onhan hänen kartassaan huomioitu myös 60-64-vuotiaiden ikäluokka, jolloin tarkasteltava aineisto on paljon suurempi. Hänen kartassaan ruutukokokin on suurempi kuin omani, 500mx500m, joten jokseenkin erot saattavat johtua myös siitä.

 

Tässä teille malliksi huono kartta. Kuvassa 2 esitetty kartta poikkeaa ensimmäisestä kartasta huomattavasti, sillä kartalla on eläkeikäisten määrä suhteutettu muuhun väestöön, mutta laskutoimitus on tainnut mennä  pieleen. Arvot esiintyvät prosenttilukuina, mutta on hyvin epätodennäköistä, että näin laajoilla alueilla asuisi eläkeikäisiä 83-100%. En tiedä, mikä laskussa tai visualisoinnissa meni väärin, mutta ei tämä kartta jokatapauksessa totuuksia sanele.

Marisa Nurmisen kartta samaisesta aiheesta eroaa omasta suhteellisesta kartastani radikaalisti. Hänen kartassaan eläkeikäisten osuus koko väestössä on lähes joka ruudussa erittäin pieni verrattuna minun huolestuttavan huoltosuhteen karttaani. Marisan ruutukoko on suurempi, mikä tietysti vaikuttaa kartan visuaaliseen ilmeeseen, mutta näin suuret eivät erot missään tapauksessa voi olla. Marisan kanssa yritimme yhdessä asiaa pohtia, emmekä päässeet selvyyteen karttojemme eroavaisuuksien syistä.

Absoluuttisen aineiston esittäminen on omasta mielestäni epäpätevä keino esittää informaatiota kartalla – ainakaan tällaisella väestöaineistolla –  oli se sitten ruutukartta tai jokin muu. Kuvassa 1 eläkeikäiset näyttävät keskittyneet erityisesti kantakaupunkiin, ja pääkaupunkiseudun reuna-alueet näyttävät kartalla ns. epäsuosituilta asuinalueilta vanhuksille. Tosiasiassa tämä ei kerro mitään tarkasteltavan väestönosan keskittymisestä, vaan siitä, että joillain alueilla asuu enemmän ihmisiä kuin toisaalla, ja sen mukaan myös eläkeikäisiä.

Vertaillessa Marisan karttaa omaani huomaan, etteivät suhteellisetkaan arvot ole kovin informatiivisia ruutukartalla. Koropleettikartalla rajatut alueet väestökartoissa ovat yleensä hallinnollisia alueita, jolloin suhteelliset arvot kertovat luotettavaa ja selkeästi luettavaa tietoa alueiden väestörakenteista. Luettavuudeltaankin koropleettikartta on minusta ruutukarttaa parempi, sillä aluekokonaisuudet ovat paremmin hahmotettavissa. Ruutukartan ruutujen täytyy olla melko pieniä, jotta informaatioarvo säilyy tarpeeksi kattavana, mutta mitä piempiä ruutuja käytetään, sitä vaikeammaksi luettavuus käy.

Ruutukartat not my fave.

 

Lukemisiin,

-Varpu

 

Lähteet:

Nurminen, Marisa. Kurssikerta 4: Ruutuja ja virheitä (8.2.2018) https://blogs.helsinki.fi/marisa/2018/02/08/kurssikerta-4/ (Luettu 9.2.2018)

Sirola, Eveliina. Neljäs kerta toden sanoo (7.2.2018)  https://blogs.helsinki.fi/evsirola/2018/02/07/neljas-kerta-toden-sanoo/ (Luettu 9.2.2018)

Kolmas kertaa toden sanoo, vai mitä? Kovasti kyllä toivon, että tämän kurssin suhteen asia ei ole näin. Kolmannella kurssikerralla nimittäin esiintyi eräs ennalta-arvaamaton massailmiö. Katastrofin laatu oli niin vakava, että edes Hra Paarlahti ei onnistunut tilannetta pelastamaan. Afrikan manner oli menetetty, eikä sitä saatu palautettua. Viisi epäonnekasta ryhmämme jäsentä, itseni mukaan lukien, tunsi olonsa musertuneeksi, eikä mitään ollut enää tehtävissä. Kaikki mitä Afrikasta oli jäljellä, olivat timanttikaivokset, öljyesiintymät ja konfliktit sekä satunnaisia onnekkaita internetin käyttäjiä.

Katsaus tilanteeseen ennen traagisia sattumia:

Alkuperäisenä aineistona oli kartta Afrikasta, jonka tietokantaan oli liitetty valtioiden nimet ja valtioiden rajat. Tietokannassa oli kuitenkin kohteita turhan monta, ja halusimme yhdistää kohteita tietokantaa yksinkertaistaaksemme. Halusimme saada liitettyä tietokantaan muutakin informaatiota, kuten dataa internetin käyttäjistä, sekä mainitut öljykentät, timanttikaivokset sekä konfliktit. Toimme tietoa mm. Excelistä, ja koska Excel ja QGIS eivät kyenneet löytämään välilleen yhteistä kieltä, oli Excelin muututtava .csv muotoon. Tässä huomaamme jälleen QGISin lapsellisia piirteitä: QGIS ei suostu antamaan periksi mielipiteissään, joten muiden täytyy tehdä kompromisseja. Kuitenkin, seuraavat vaiheet olivat ilmeisesti QGISin sietokyvylle liikaa.

Liittämisvaiheissa QGIS päätti kiukutella muutamaankin otteeseen, mutta olin päättänyt pitää pinnani. Sain muutaman kerran toistaa jo kerran tekemiäni muutoksia tietokantoihin, sillä QGIS kaatui, ja näköjään polvet meni niin naarmuille, ettei se pystynyt enää jatkamaan muutosten kanssa. No, kertaus on opintojen äiti, ja minähän reippaana tyttönä tein kaiken uudestaan! Lopulta monia liitoksia tehtyäni, ja kartan näyttäessä miltei valmiilta kokonaisuudelta konflikteineen ja facebook-käyttäjineen, QGIS kompastui taas, ja murskasi samalla suutuspäissään Afrikan pohjakartan, seurauksia ajattelematta. Yritin vielä löytää sen ehjänä tallennetuista tiedostoistani, mutta sitä ei pystytty enää palauttamaan. Tunsin oloni murheen murtamaksi, mutta lohdukseni en ollut ainoa QGISin kaltoinkohtelema henkilö.

Afrikan kohtalo oli moniportaisen prosessin seuraus, enkä suoraansanottuna pysynyt perässä tapahtumien nopean kulun vuoksi. On siis vaikea sanoa, miksi tilanteessa lopulta kävi niin kuin kävi, ja mitä kaikkea tuhon taustalla oli vaikuttamassa.

Tietokantoihin voisi liittää lisätietoa mm. internetin käyttäjien määristä tai timanttikaivosten sekä öljykenttien löytämisvuosista ja tuottavuusluokitteluista, ja tehdä johtopäätöksiä konfliktien laajuuteen ja ajankohtaan nähden.  Arvokkaat luonnonvaraesiintymät Afrikan valtioiden kaltaisten kehittyvien maiden alueilla ovat niin lähialueiden, kuin länsimaidenkin ahneen silmän alla. Niinpä voisi kuvitella, että konfliktien esiintymisajankohta seuraa monissa tapauksissa uusien esiintymien löytymisajankohtia. Mitä enemmän kaivos tai öljykenttä tuottaa, sitä suuremmat joukot tahtovat siitä osansa, ja konfliktin ainekset ovat kasassa. Harvoin tietyn valtion alueelta löydetty öljy tuottaa voittoja alueen väestölle, vaan päinvastoin tuotot päätyvät valtion rikkaimman väestönosan sekä ulkomaisten pitkäkyntisten hellään huomaan.

Kuten Saku Ruuskanen blogitekstissään It rains down in Africa but it floods in Finland (propsit tästä otsikosta, naurahdin) pohtii, voisi valtion alueella hyvin tuottava öljykenttä olla pohjana internet-yhteyksien kehittymiselle. Hän on kuitenkin sitä mieltä, että valtion väestön osuus öljykentän hulppeisiin antimiin on melko epätodennäköinen, ja tässä voin sanoa olevani samalla kannalla. Valtion internet-yhteyksien kehittyminen hyödyttäisi kuitenkin myös hallinnollisia elimiä, ja koko valtion taloudellista kehitystä, joten öljykenttien tuloja on voitu hyvinkin käyttää tällaiseen kehitykseen.

 

Suuren menetyksen jälkeen siirryin lopulta elämässäni eteenpäin, ja aloin tarkastella vielä olemassa olevan Suomen valuma-alueita. Saimme muutaman eri aineiston, joita meidän tuli kurssikerran teeman mukaan yhdistellä. Laskimme uutta tietoa ystävämme helmitaulun avulla, ja lopulta useiden hermostumisten ja QGISin ennalta-arvattavien kiukunpuuskien jälkeen, kartasta muodostui valmis kokonaisuus.

Valuma-aluekartassa (kuva 2) on visualisoituna koropleettikartalle eri valuma-alueiden tulvaindeksit, tummimmalla vihreällä näkyvät kaikkein tulvaherkimmät alueet. Järvisyysprosentti on visualisoitu kartalle vuoleteilla pylväillä. Kartalta voikin huomata, että tulvaindeksi on suuri siellä, missä järvisyys on vähäistä. Nämä muuttujat ovat siis keskenään kääntäen verrannollisia, kuten Eemin Becker blogissaan mainitsee. Hän visualisoi havaintojaan myös tekemällään kaaviolla, jossa arvot muodostavat kaarevan linjan. Suuren järvisyyden alueilla, eli pääasiassa Järvi-Suomessa, ovat pinnanmuodot vaihtelevampia kuin läntisessä Suomessa. Suuriin järvialtaisiin pystyy varastoitumaan huomattavasti enemmän sulavesiä kuin pieniin jokiuomiin. Pohjanmaan tasaisten pinnanmuotojen vuoksi jokiuomista tulviva vesi pääsee levittäytymään laajoille alueille.

 

Joo, nää on näitä. Vois joskus kirjottaa ehkä lyhyen ja ytimekkään postauksen. As if.

-Sadvarpu

ps. RIP Africa, you will be missed.

pps. Jäämme odottamaan QGISin virallista anteeksipyyntöä.

 

Lähteet:

Becker, Eemil. Harjoituskerta 3: Lisää soveltamista   (1.2.2018) https://blogs.helsinki.fi/beemil/2018/02/01/harjoituskerta-3-lisaa-soveltamista/ (Luettu 1.2.2018)

Ruuskanen, Saku. It rains down in Africa but it floods in Finland. (2.2.2018) https://blogs.helsinki.fi/ruusaku/2018/02/02/it-rains-down-in-africa-but-it-floods-in-finland/#comment-2 (Luettu 2.2.2018)