sainilan’s blog

Viimeinen luentokerta oli hyvin mielenkiintoinen siitä näkökulmasta, että koko luento tehtiin itsenäistä työtä. Itsenäisen työskentelyn jälkeen muodostui hyvä ajatus omasta kehittymisestä ja nykyhetken osaamisesta.

Sain luennolla tehtyä ensimmäisen kartan (kuva 1.1), jonka aiheeksi valitsin naisten ja miesten väliset tuloerot. Lopputuloksen saaminen ei suinkaan ollut ongelmatonta. Ensimmäisenä yritin saada taustakartan ja valitsemani datan yhteiseloon toistensa kanssa. Ongelmaksi osoittautui valitsemani rasterikartta, joten Artun vinkistä vaihdoin vektorikarttaan Natural Earth Datan-sivustosta. Datan kanssa oli ongelmia, sillä en saanut “delimited text” työkalua toimimaan. Tajusin seuraavaksi kuitenkin yrittää “join” työkalua, mutta jäin nopeasti jumiin täytettäviin kenttiin. Artun avulla pääsin siis taas eteenpäin 😀 Tässä vaiheessa jo sanottakoon, että minulle oli erittäin tärkeää olla paikan päällä perjantaina!

Haluan myös kuitenkin mainita sen, ettei itsenäinen työskentely ollut vain jumiutumista. Huomasin jo luennolla, että olen alkanut nopeutumaan ja oppimaan soveltamaan QGIS:in työkaluja. Osasin hienosti rajata valitsemani alueen taustakartalta “select features” työkalulla ja uusien tasojen luominen onnistui. Symbology kohdasta luokkavälien muokkaaminen oli myös luonnollista.

Minua hämäsi kartan 1.1 luokkavälien numerot, sillä laskin tuloerot prosentteina ja sain yli satanumeroisia lukuja? Laskin naisten tuloerot jaettuna miesten tuloeroilla, sillä Afrikassa miesten tulot ovat suurimmaksi osaksi suurempia. Laskemani prosentit kertovat, kuinka monen prosentin ero miehien tuloilla on naisiin verrattuna. Tajusin jälleen kerran Artun kanssa jutellessa, että yli sataprosenttiset luvut viittaavat siihen, että löytyy “poikkeus”. Esimerkiksi Burundissa naisilla on prosentuaalisesti suuremmat tulot kuin miehillä, joten prosenttiluku menee yli sadan. Tätä en jotenkin itse tajunnut prosentteja laskiessa. Hyvä muistaa jatkoa ajatellen!

 

Kuva 1.1 Tulerot sukupuolen mukaan (%) Vuonna 2022

Olisin halunnut tehdä kartan köyhyydestä Afrikassa, mutta huonon vertailukelpoisuuden takia jouduin valitettavasti luopumaan keräämästäni datasta. Afrikasta myös yleisesti löytyy huonosti dataa, sillä Afrikassa datan kerääminen ja datan ajantasaisuus eivät ole itsestäänselvyyksiä.

Päädyin lopulta esittämään vapaudesta Afrikan valtioissa (kuva 1.2). Asteikolla 0-100 pieni luku kuvaa huonosti toteutuvaa vapautta ja suuri luku päinvastoin. Vapauden mittaamisessa on valtiokohtaisesti otettu huomioon erilaisia yksilöiden vapauksia kuten mahdollisuutta äänestää ja yhdenvertaisuutta. Datan vertailukelpoisuutta voisi kritisoida siitä näkökulmasta, että vapautta on mitattu hieman eri näkökulmista. Mielestäni eri osa-alueiden mittaaminen on kuitenkin olennaista dataa ja kertoo hyvin valtion yleisestä vapaudesta.

Olen tyytyväisempi toiseen karttaani, sillä kokonaisuudessaan kartta on hieman selkeämpi. Tuon myös legendassa esille valtiot, joista ei löydy dataa. Löysin Elin Stråhlmannin blogikirjoituksesta “Vecka 7 -QGIS färdigheter på prov” visuaalisesti mallikkaita karttoja. Tykkäsin Elinin tavasta myös tuoda pienempi ja tietty alue (Uusimaa) lähemmäs kartanlukijaa.

Toisen kartan tekeminen oli huomattavasti helpompi tehdä! Uskon itsenäisen työskentelyn vaikuttaneen merkittävästi työvaiheiden muistamiseen. Aikaisemmin luennoilla on ensimmäiseen tehtävään saanut paljon apua ja tekeminen on pitkälti ollut seuraamista. Viimeisellä kerralla sai ensimmäisenä pinnistellä itse, ja jos jumiutui, niin apua löytyi.

Kuva 1.2 Vapaus Afrikan valtioissa (asteikolla 0-100) Vuonna 2022

Kiitän vielä paljon menneestä kurssista! Olen kehittynyt kurssin aikana huimasti ja apua on löytynyt joka suunnasta. Toisten blogikirjoitukset ovat olleet myös suurena tukena ja antaneet mielenkiintoisia lähestymistapoja QGIS:in käyttöön.

Kiitos <3

Lisäys (8.3.) Kuvassa 1.1 olisi voinut luokkavälien värit vaihtaa toistepäin. Tummat alueet olisivat kuvanneet suurempaa tuloeroa ja vaaleat alueet pienempää tuloeroa.

Lähteet:

Welcome – openAFRICA (africaopendata.org)

Stråhlmann E. (6.3.2022) “Vecka 7 -QGIS färdigheter på prov” [blogikirjoitus]

Luento

Viime luennon alussa oli kiva päästä suorittamaan jotain konkreettista. Kävimme kävelemässä Kumpula-Arabia alueella ja alueilta kerättiin dataan. Datan sisältöön vaikutimme itse kuvailemalla muun muassa ympäristön esteettisyyttä ja viihtyisyyttä. Lopuksi data siirrettiin QGIS:iin ja interpoloitiin.

Itsenäiset tehtävät

Näkisin itseni sellaisena opettajana, joka panostaa erityisesti visuaalisen materiaalin käyttöön. Tämän takia olikin hyvin mielenkiintoista päästä itse tuottamaan materiaalia, jota kenties voisi käyttää opetuksessa.

Ensimmäisenä tietty olisi hyvin ensisijaista opettaa ja käydä läpi, miksi tietynlaisia ilmiöitä tapahtuu. Valitsemani maanjäristykset ja tulivuoret kiteytyvät kummatkin laattatektoniikkaan. Löysin hyvän tiivistelmän laattojen liikkeistä (kuva 1.1). Tiivistelmän avulla laattatektoniikka on mahdollista sijoittaa kartalle. Tästä linkistä löytyy lisää tietoa laattatektoniikasta ja muita hyviä materiaaleja opetuskäyttöön.

Kuva 1.1 Laattatektoniikka

Muistan vieläkin luennolla innostukseni karttojen teosta. Ajattelin, että kuinka siistiä saada omat kädenjäljet esille ja ensimmäisen kartan (kuva 2.1) lopputulos vei minut muistelemaan peruskoulun mantsan tunteja. Mietinkin, että “wow täähän on melkeen kuin ne kartat mun oppikirjoissa”.

Ensimmäinen kartta (kuva 2.2) kuvaa tulivuoren purkauksia vuoden 1964 jälkeen. Niin kuin aiemmassa kappaleessa kuvailen onnistumisen tunteita, kartasta tuli oikein miellyttävä. Kiitos myös vierustoverilleni Rebekkalle, sillä häneltä tajusin käyttää tulivuorien symboolina punaisia kolmioita. Tykkäsin myös Tatun blogissa “Ei uskoisi, että teen sijaisuuksia kouluihin-Kartatx3” tavasta esittää tulivuoret kartalla. Tatun kartassa visuaalinen tulkinta on hieman erilainen, sillä tulivuorten painottumista on helpompi erottaa.

Kuva 1.2 Viime vuosikymmenien aikana purkautuneet tulivuoret

Viimeisenä tein kartan maanjäristyksistä magnitudien mukaan (kuva 1.3). Magnitudiasteikkona käytetään Richterin asteikkoa. Minun oli aluksi vaikea päättää, että tekisinkö eri magnitudien maanjäristyksistä erillisen kartan. Päädyin kuitenkin liittämään kaksi erilaista dataa yhteen karttaan.

Maanjäristys kartalla punaisena palleroina ovat max 7:än ja keltaiset pallerot max 3:en magnitudin maanjäristyksiä. Ajankohdaksi laitoin 1990-luvulta nykypäivään. Mielestäni kartalla hahmottuvat hyvin maanjäristykset magnitudien mukaan ja maanjäristyksien sijoittuminen. Perfektionisti minä olisi vielä viilannut lisää ulkomuotoa, sillä legendataulukkoon jää hieman ylimääräistä tilaa ja otsikko on mielestäni liian keskellä. Tällä kertaa pystyin kuitenkin sanomaan itselleni, että kyseiset seikat eivät ole niinkään olennaisia.

Kuva 1.3 Maanjäristykset vuoden 1990 jälkeen (magnitudin mukaan)

Toivottavasti täälläkin puolella käy lukijoita <3 Itse olen ainakin saanut paljon, kun olen käynyt välillä ihastelemassa muiden teoksia ja lukemassa mielenkiintoisia pohdintoja.

Heippa!

Lähde:

Jentze T. 27.2.2023 “Ei uskoisi, että teen sijaisuuksia kouluihin-Kartatx3” [blogikirjoitus]

Tykkäsin paljon viime luentokerrasta. Bufffereiden luominen oli mielenkiintoista ja pääosin helppoa (kuva 1.1). Luennolla Helsinki-Vantaan tehtävässä kuitenkin ilmeni ongelmia, sillä bufferiin ilmestyi rako  (valitettavasti en ottanut kuvaa).  Vika bufferissa myös teki sen, että Helsinki-Vantaan tehtävät jäivät kesken ja kotiin tehtäväksi.

Kuva 1.1 Malmin lentokenttä ja bufferivyöhykkeen sisälle jäävät asukkaat

Taulukko 1.1

Tehtävä 1 Malmi
Kuinka monta ihmistä asui Malmin lentokentän pahimmalla melualueella sen vielä toimiessa, jos mukaan lasketaan kaikki asukkaat 2 km säteellä kentästä?	59737
Entä 1 km säteellä asuvat?	8 900

Itsenäinen työskentely 

Kun vihdoin ja viimein kotona työskentelminen jatkui, ei muistista tuntunut löytyvän luentokerran oppeja. Ei siinä mitään 😀 Vietin kaksi tuntia pelkästään GQIS:iä tuijottamalla ja kokeilemalla erilaisia työkaluja. Lopulta mieli alkoi aktivoitumaan ja erilaisia työkaluja löytyi oikeissa vaiheissa. Eteneminen oli kuitenkin erittäin hidasta uuden tehtävän alkaessa.

Helsinki-Vantaa tehtävän kanssa kamppailin kovasti  lukumäärien löytämisen kanssa. En myöskään ole varma siitä, että oliko erilaisten melutasojen luonnista hyötyä. Kuin loin uuden “shapefile layerin” , attribuuttitaulukosta ei löytynyt kyseisen melualueen dataa. Sain osuudet kuten kysymyksen kaksi (65dB) laskettua silmämääräisesti. Muut osuudet löytyivät ensin valitsemalla halutun alueen ja rajaamalla valitun alueen asukkaat “select by location” työkalulla. Tämän jälkeen lukumäärät löytyivät “statistical summarysta” etsimällä kohdasta “Vantaa_vaesto_point” ja rajaamalla”selcted features” .  Saaneen myös mainita, että alussa ihmettelin suuresti ihmeellisiä lukuja “statistical summarysta”. Olin unohtanut kokonaan “selected featuren” ruksittamisen…. Mutta tämä vähintäänkin tuotti helpotuksen ja ahaa-elämyksen. 

 

Kuva 1.2 Helsinki-Vantaan lentokentän 60dB melualue ja melualueen sisälle jäävät asukkaat

Taulukko 1.2

Tehtävä 1 Helsinki-Vantaa
Tutki kuinka monta asukasta asuu Helsinki-Vantaan lentokentän välittömässä läheisyydessä, etäisyys kiitoratoihin linnuntietä alle 2 km.	Yhteensä 11741 asukasta
Tutki kuinka monta prosenttia edellisen kohdan asukkaista asuu Helsinki-Vantaa lentokentän pahimmalla melualueella (65dB)?	Yhteensä 6 asukasta ja asukkaiden osuus prosentteina on 0,05 %. 6/11741*100=0,05%
Kuinka monta ihmistä asuu vähintään 55dB melualueella?	Vähintään 9303 asukasta.
Kuinka monen ihmisen elämää vähintään 60dB lentomelu haittaisi Tikkurilassa, mikäli saapuva liikenne käännettäisiin jälleen laskeutumaan poikkeuksellisesta suunnasta?	Vähintään 2317 asukasta.

Niin ja sitten tämä koulutehtävä. Koulutehtävää tehdessä kone päätti useamman kerran jumittaa. Jouduin useamman kerran avaamaan aineistot uudelleen. Tämän päästyäni ylin, suurin ja eniten aikaavievä kysymys todellakin oli sellainen, että “mistä aloitan ja mitä minun pitää rajata”. Pitkän pohdinnan jälkeen kuuntelin omaa vaistoani ja kokeilin “clip” työkalua, jonka avulla sain leikattua Yhtenäiskoulun koulupiirin muista koulupiireistä. Tämän jälkeen tekeminen nopeutui ja lukumäärät löytyivät. Tuntui siltä, kuin loppuosan tehtävien teossa olisi toistanut samaa kaavaa ja “select by location” uudelleen käyttöä.

Jäin kuitenkin pohtimaan tekemiäni ikävalintoja kuten Erika Lindblom blogikirjoituksessa “5.kurssikerta”. Erika tuo esille sen, että koulun aloitttaessa kaikki yksilöt eivät täsmää yhtä ikää. Ala-aste aloitetaan yleisesti 7-vuotiaana, sillä suurin osa on kerennyt täyttämään 7-vuotta, mutta ei kaikki. Minua jäi myös häiritsemään kysymyksien muoto “ensi vuonna aloittavat”, sillä en ollut varma oliko kysymyshetkellä edellisen vuoden talvi vai syksyä edeltävä kevät. Päätin tulkita syksyä edeltäväksi kevääksi, jolloin valitsin esimerkiksi 7-vuotiaat. Jos kyseessä olisi ollut edellisen vuoden talvi, olisin valinnut 6-vuotiaat, sillä kukaan ei olisi vielä täyttänyt 7-vuotta. Toivottavasti en aiheuttanut hämmennystä tällä, sillä jouduin itsekin pohtimaan omaa tulkintaani.

Taulukko 1.3

Tehtävä 3 Koulut
Kuinka paljon Helsingin Yhtenäiskouluun on tulossa uusia koulutiensä aloittavia oppilaita aineiston keruuhetkestä seuraavana vuonna, sen omasta koulupiiristä?	Yhteensä 14 uutta oppilasta. (7v)
Kuinka suurta määrää yläasteikäisiä oppilaita Helsingin yhtenäiskoulun pitää varautua opettamaan seuraavana vuonna (oma koulupiiri)?	Yhteensä 63 yläasteikäistä oppilasta. (13v,14v,15v)
Kuinka suuren osuuden koulupiirin alueella asuvista asukkaista muodostavat kouluikäiset lapset ja nuoret (ala-aste ja ylä-aste)	Yhteensä 1894 asukasta Yhteensä 159 kouluikäistä lasta ja nuorta   159/1894*100=8,4%   Kouluikäisten lasten ja nuorten osuus kaikista koulupiirin asukkaista on 8,4%.
Kuinka monta muunkielistä kouluikäistä alueella asuu, jos oletetaan että muunkielisissä perheissä lasten ja aikuisten suhde on sama kuin edellisessä kohdassa laskettu? Luku on vain arvio, ei siis tarkka lukumäärä.	110 muunkielistä   110*0,084=9,24   Koulupiirin alueella asuu noin yhdeksän muunkielistä kouluikäistä.

Pohdintoja omasta kehittymisestä

GGIS taidoissani on selvästi tapahtunut positiivista kehitystä.  En kuitenkaan sanoisi, että minusta löytyisi luonnonlahjakkuutta geoinformatiikkaa kohtaan. Kehittymiseni kannalta tärkeää ovat olleet oma kärsivällisyys(kaikista koetuksista huolimatta) ja itsenäiseen työskentelyyn pyrkiminen (vaikka toki haluan/pyydän apua ).

QGIS:in käyttö periodin aikana on tullut koko ajan lähemmäksi itseäni. On ihanaa huomata, kuinka osaan jo automaattisesti muokata aineistoja esimerkiksi “symbology” kohdasta. Olen myös vihdoin päässyt eroon “takaisin-napin” ikävöinnistä 😀 Tämän kyseisen työkalun puuttuminen toi useamman kerran ahdistusta, sillä “millä muullakaan” pystyisin poistamaan omat tuherrukset. QGIS on opettanut minulle sen, että “takaisin-napin” lisäksi on muitakin keinoja.

Läpi periodin haastavaa on aina ollut soveltaminen. Luennoilla on helppo seurata, mutta entä sitten työskenteleminen omilla aivoilla? Tähänkin olen huomannut sen, että ei muu auta kuin vain kokeilla. Soveltamisen hankaluus hidastuttaa tekemistä, mutta tärkeintä on aina huomata, kuinka lopulta asiat loksahtaa paikoilleen. Jos nyt konkreettisesti mainitaan joitain vaikeita työkaluja, niin ehdottomasti uusien tasojen luominen itse (niin että hyödyn siitä) ja “join” työkalu (en muista aina miten täytetään). Olen myös ottanut uudeksi tavaksi kirjoittaa niin luennoilla kuin kotona vihkoon haasteista ja oivalluksista. Näin pyrin ehkäisemään kompastumista samoihin ongelmiin.

Lähde:

Lindblom E. (20.2.2023) Kurssikerta 5. [blogikirjoitus]

 

On taas aika kirjoitella viikon harjoituksista. Todetakseni myös heti tähän alkuun, ettei tavoitteeni  blogin kirjoituksesta (luennolta 3) toteutunut 🙁 Ilokseni sain flunssan, joka veti itseni sängyn pohjalle. Positiivista on kuitenkin se, että itsenäinen työ onnistui ja harjoitukset on saatu kasaan. Jeeee!

Ensimmäisenä ruutukartat (kuvat 1,2) , joista pyrin tekemään erilaiset. Lopulta kuitenkin kartoista tuli melko samannäköisiä, kuntarajoja ja legendaa lukuun ottamatta. Mielestäni oli kuitenkin visuaalisuuden kannalta parempi laittaa kuntarajalle väri (kuva 1), sillä ruudukot tulevat paremmin esille. Toisessa kartassa (kuva 2) taas muokkasin itse luokkavälejä, jotka mielestäni jättivät selkeän jaon. Itse tykästyin suuriin ruutuihin, mutta olisi ollut myös varmaan hyvä kokeilla pienempiä ruutuja kuten Rebekka Ylätalon blogikirjoituksessa “Viikko 4”. Parempana puolena pienemmissä ruudukoissa olisi se, että ruudukot “sulautuisivat joukkoon”.

Moodleen ladatut videot olivat suurena apuna karttojen tekoon! QGIS:in työkaluista oli nopeampi löytää ja muokata, kun pystyi tekemään videon tahtiin. Työvaiheet jäivät myös aika hyvin mieleen. Ensin tuotiin data ja vektori kohdasta luotiin ruudukko. Seuraavaksi karsittiin tyhjät ruudut “select by location” työkalulla ja ylimääräiset sarakkeet “join attributes by location työkalulla”. Viimeisenä ruudukolle luotiin tietylle muuttujalle luokkavälit.

Kuva 1) Ruotsinkielisten määrä Pääkaupunkiseudulla

Kartassa (Kuva 1) erottuvat hyvin ruotsinkielisten asukkaiden jako. Ruotsinkielisten joukko painottuu ennen kaikkea Helsingin keskustaan, mutta myös Espoon rannikkoalueille. Toisessa kartassa (Kuva 2) pystyy huomaamaan, kuinka eri tavalla muunkielisten painottuminen eroaa ruotsinkielisistä. Kumpikaan kartoista ei kuitenkaan anna sen syvällisempää informaatiota. Kartat niin sanotusti antavat vain “kokonaiskuvan”. Paikannimistön puuttuminen saattaa myös vaikeuttaa kartan lukua.

Kuva 2) Muunkieliset asukkaat Pääkaupunkiseudulla

Viimeisen harjoituksen (Kuva 3) koin oikein rentouttavaksi. Oli mukava hieman piirrellä teitä, lisätä korkeuskäyriä ja analysoida rinnevarjostuksia. Tällä kertaa ainoa kompastuskivi oli “New Shapefile layerin” löytäminen 😀 Ei siinä mitään… Saipahan sitä aikaa kulumaan hieman GQIS työkalua etsimällä. Mielestäni sain kartasta oikein hienon ja visuaalisesti hyvän.

Kuva 3) Harjoitus Pornaisten alueelta

Seuraavaan kertaan siis!

Lähde:

Ylätalo R. Viikko 4 [blogikirjoitus] 14.2.2023

Aloin juuri pohtimaan, että olisi varmaan parasta oppia kirjoittamaan blogia heti luennon jälkeen. Olen huomannut, että luennolla tehdyt asiat ja vaiheet alkavat jo viikonlopun jälkeen hämärtymään. Kenties huomisen luennon jälkeen uusi yritys. 😀

Viime luennolla siis käytimme karttapohjana Afrikan maanosaa (Kuva 1). Vaiheita oli lukuisia, joita nyt kaivankin mieleni syövereistä. Ensimmäisenä siirsimme kuitenkin datan QGISiin niin kuin aina ennenkin. Tällä kertaa kuitenkin uutta oli kohteiden yhdistäminen, sillä Afrikan maanosan attribuuttitaulukkoon haluttiin vain valtiot näkyviin. Attribuuttitaulukkoon saatiin valtiot koostettua “dissolve” työkalulla. Myös uusi tärkeä oppi luennolta oli datan tuonti excelistä (csv muodossa) ja  “join” työkalu, jolla tietokantoja liitettiin valitsemaan layeriin. Lopuksi käytettiin “join attributes by location (summary)”, jotta voitiin tarkastella esimerkiksi valtiokohtaisesti öljykenttiä. Paljon siis kaikkea….

 

Kuva 1) Luennolla tehty harjoitus ja esiintymät Afrikassa

Koska en enää pääse tarkastelemaan kyseistä työtä (kuva 1), attribuuttitaulukon tietoja on hieman hankala analysoida (ajankohtien ja lukumäärien näkökulmasta). Muistan kuitenkin luennolta sen, että konfliktien voitiin nähdä olevan yhteydessä valtioiden timanttikaivoksiin. Oli myös tapauksia, joissa esiintyi vain konflikteja tai timanttikaivoksia.

Kuva 2) Itsenäinen harjoitus ja tulvaherkkyys

Viimeisenä vielä itsenäinen harjoitus (Kuva 2). Itsenäisessä harjoituksessa havainnollistettiin Suomen kartalla tulvaherkkyyttä ja alueiden järvisyyttä. Sain kartan melko vaivattomasti tehtyä. Ainoa kompastuskivi oli “join” työkalu, jossa aluksi valitsin vääriä kohteita “join field” ja “join target” kenttiin. Kartan lopputulos miellytti minua. Tajusin kuitenkin Iina Kiikerin blogitekstiä “Tietokantoja ja lisää tietokantoja!” lukiessa, kuinka olen kokonaan jättänyt sivuun luokkavälien muokkaamisen. Iinan mukaan hänen kartalla luokkajaot olivat liian pieniä ja punaisen sijaan olisi hän käyttänyt mieluummin sinistä. Omassa kartassani luokkavälejä olisi voinut muokata niin, että ensimmäisessä palkissa ei olisi ollut niin suurta jakaumaa kuin (1-67). Näin valkoinen väri ei olisi haitannut. Nyt kuitenkin jotkin tärkeät tulvaherkät kohteet jäävät pois näkyvistä.

Kokonaisuudessaan kartta kuitenkin mielestäni esittää hyvin tulvaherkät alueet. Tulvaherkkyyttä on erityisesti Länsi-Suomen rannikolla, jossa järvisyysprosentti on pieni ja topografia tasaista. Järvisyysprosentti on taas suurta esimerkiksi Itä- ja Keski-Suomessa. Näillä alueilla päinvastoin tulvaherkkyys on pientä, sillä vesistöt pääsevät valumaan ympäröiviin järviin.

Kiva jos oot eksynyt lukemaan mun tekstejä! Heippa <3

Lähteet:

iinakiik’s blog (helsinki.fi)

En itse päässyt osallistumaan toiselle luennolle. Ajatus luennolta poissaolemisesta toi jo päänvaivaa. Turvauduin kuitenkin jo alusta lähtien siihen, että apua löytyy (jos sitä vain viitsii/haluaa etsiä). Näin kiitän jälleen kerran suuresta avusta Annalta (Liljefors) ja Siniltä (Koskela).

Toisen luennon harjoitukset kattoivat muun muassa projektiovääristymien esittämistä ja muihin työkaluihin tutustumista. Kun mietin jälkeenpäin, projektiokarttojen tekeminen oli mielestäni loogista ja mukavaa. Suurin tuska oli aluksi ymmärtää erilaiset vaiheet kartan teossa. Muita vaikeita vaiheita olivat oikeassa kohdassa projektion vaihtaminen sekä “add  geometry attributes”  lisääminen laskuja varten.

Olennaista oppimisen kannalta oli rutiini. En tiedä olisiko minulle jäänyt niin vahvana karttojen teko muistiin, jos en olisi menettänyt ensimmäisiä karttojani. Jotkin tasot olivat “tilapäisiä” ja tämän takia menetin tehdyt työt. Oli myös hauska lukea samanlaisia tuntemuksia Heli Tuomisen blogista Helin blogi – Geoinformatiikan menetelmät (helsinki.fi). Heli myös itse sanoi kertauksen ja mutkien olevan loppujen lopuksi positiivinen asia negatiivisen sijaan.

Kuva 1) TM35-FIN ja Mercatorin vääristymäkertoimet

Projektioiden vääristymiä oli hieman omalta osaltani vaikea analysoida. Jäin pohtimaan vääristymäkertoimien numeroita. Onko kyseessä prosenttiosuuksia? Tästä minun ehdottomasti pitää vielä ottaa lisää selvää.

Kaikesta huolimatta projektiokartoilla (kuva 1,2)  on havaittavissa eroja. Mercatorin projektio vääristää enemmän kuin Winkel Tripelin projektio suhteutettuna TM35-FIN koordinaattijärjestelmään. Winkel Tripel projektio vääristää enemmän pohjoissuunnassa kuin Mercator. Huom! Mercator vääristää suuremmin Pohjois-Suomessa, mutta Winkel Tripelillä vääristymät painottuvat enemmän Pohjois-Suomeen. Winkel Tripelin pienemmät vääristymät johtuvat siitä, että projektiossa on pyritty minimoimaan kaikki kolme (pinta-ala, suunta, etäisyys) vääristymää. Mercatorissa vääristymät kasvavat mitä kauemmas päiväntasaajalta mennään.

Kuva 2) TM35-FIN ja Winkel Tripelin vääristymäkertoimet

Maakuntien sijoittaminen kunta kartalle oli mielekästä puuhaa. Aluksi oli hieman hankaluuksia “select features by expression” kanssa. Hetken pähkäilyn jälkeen tarvittavat tiedot löytyivät ja maakunnat värjääntyivät kuntakartalle. En itse saanut maakuntien päälle lisättyä tekstiä, joten legendaan tuli tyytyä.

Kuva 3) Muutama maakunta esitettyinä kuntakartalla

Hienosti sain avun kanssa ja itsenäisesti tutustuttua lisää QGIS:in syövereihin. Siitä olen hyvin iloinen. QGIS tuntuu jo paljon tutummalle ja turhautumisen tunteet eivät nouse heti ensimmäisenä QGISiä avatessa. 🙂

Lisäys(6.2.2023)

Vääristymäkertoimet eivät ole prosenttiosuuksia 🙂  Vääristymäkertoimet kertovat sen, kuinka monin kertaiset projektioiden väliset erot ovat!

Lähteet:

Tuomi H. “Kurssikerta & harjoitus 2” blogikirjoitus 29.1.2023

Helin blogi – Geoinformatiikan menetelmät (helsinki.fi)

Vihdoin ja viimein ensimmäinen kotona tehtävä harjoitus suoritettu. Valehtelisin, jos sanoisin harjoituksen olleen helppo. Todetakseen vielä, että valitsemani tehtävän vaikeustaso oli “helpoin” eli 1 vaikeustaso…

Minulle varmaan tuottivat ongelmia ennen kaikkea omat möröt pään sisässä. Hermostun helposti uusien asioiden kanssa ja alan tekemään hätiköityjä valintoja. Huomasinkin jossain vaiheessa yrittäväni tehdä karttaa ilman ohjeita, ja näin luonnollisesti jäin jumiin. Lopulta kuitenkin ymmärsin vihdoin alkamaan katsoa ohjeita, jotka loppujen lopuksi auttoivat paljon. Vaikka välillä katsoinkin silmät pyöreinä, että “mikä ihmeen styles layer”. Sain myös vinkkejä ja apua whatsappin välityksellä, josta olen erittäin kiitollinen.

Valitsin koropleettikarttaan (kuva 1) 15-16-vuotiaiden prosenttiosuuden kuntien väestöstä. Yritin erityisesti kiinnittää huomioita eri prosenttiosuuksien väreihin. Visuaalisuus vaikuttaa voimakkaasti lukijaan. Jäin silti kuitenkin pohtimaan, että erottuvatko värit tarpeeksi hyvin.

Suomen kartalla mielestäni erottuvat hyvin ne alueet, joissa on muuttotappioita. Tämä johtuu siitä, että 15-16-vuotiaiden osuus kunnan väestöstä heijastaa paljon kuntien tilanteesta. Mitä vähemmän kunnan alueella on 15-64-vuotiaita sitä enemmän kunnan alueella on yli 64-vuotiaita. Tällaisia muuttotappioalueita on havaittavissa esimerkiksi Itä-Suomessa Lieksan ja Ilomantsin kunnissa. Päinvastoin 15-64-vuotiaiden täyttämiä alueita löytyy Pääkaupunkiseudulta sekä esimerkiksi Oulun kunnasta. Olin kaikista yllättynein Lapin 15-64-vuotiaiden osuuksista. Suurimassa osassa Lapin kunnissa 15-64-vuotiaiden osuus on yli 40 prosenttia.

Kuva 1) 15-64-vuotiaiden osuus (%) kuntien asukasluvusta (2021)

 

Viime viikolla jatkoime QGIS-ohjelmiston parissa. GQIS oli päässyt vieraantumaan, joten ongelmakohtia tuli vastaan. Onneksi sain nopeasti apua vierustoverilta Rebekkalta.QGIS:in avulla teimme viime luennolla koropleettikartan.

Koropleettikartan eri vaiheet nostivat monia erilaisia tunnetiloja. Karttaan aineistojen hakeminen ja käsitteleminen toimivat näppärästi ohjeistusta seuraten. Ilokseni päästessäni viimein kartan legendaan, jokin meni jumiin koneessa ja jouduin aloittamaan kaiken alusta. Vähintäänkin huomasin, että ohjeet sekä eri vaiheet olivat jäänet hienosti mieleen. Muistan myös hermostuneeni, kun kuulin luennolla tehtävän laskuja. Taisin ihan turhaan synnyttää omia kauhuskenaarioita, sillä typpipäästöjen prosenttiosuudet oli helppo laskea ohjelmiston avulla. Mieltä rentouttavaa oli valita erilaisia värejä karttaan ja lisätä symboleita. Mielenrauha ei kuitenkaan säilynyt pitkään, kun kärsivällisyyttä koettelivat legendan ja kartan reunustaminen ”rectangle” työkalulla. Toisin sanoen vaati vielä hieman aikaa tuon ohjelmiston kanssa ystävystyminen…

Koropleettikartassa (kuva 1) nousevat esille HELCOM-maat ja suojeltava Itämeri. HELCOM on Itämeren merellisen ympäristön suojelukomissio. Tumman siniset viivat ovat syvyyskäyriä. Punaisen vaalein väri kuvaa vähäisen typpipäästöjen maita ja tummimman punainen päinvastoin. Jälkeenpäin ajateltuna olisi kenties ollut selkeämpää pitää “nollan typpipäästön” maat eri värisinä kuin “ei-HELCOM” maat. Nyt ne sekoittuvat yhteen.

Jäin myös pohtimaan Puolan suuria typpipäästöjä suhteessa muihin maihin. Onko tosiaan niin, että maatalouden harjoittaminen Puolassa vaikuttaa näin suurelta osin Itämereen. Lucas lähestyy blogissaan hyvin samankaltaisesta näkökulmasta kirjoittaen “Kartta on selkeä esitys Itämeren tilanteesta, muttei välitä vastauksia kysymykseen ”miksi?” lukijalle, jolle aihe ja alue ovat tuntemattomia (eli minulle)”.

Kuva 1) HELCOMiin kuuluvat maat ja merialue(Itämeri)
Valtioiden typpipäästöt ovat prosenttiosuuksia (%).

Lähteet:
Yoni.L (23.1.2023).Viikko 1: Try, try again [blogikirjoitus]

Viikko 1: Try, try again

<3