Viimeisellä kurssikerralla tehtävänämme oli luoda kartta tai karttasarjoja valitsemistamme alueista ja ilmiöistä. Valitsin tarkasteluun USA:n ja sen osavaltiot. Ilmiöinä toimi lukutaidottomien määrä ja rikosten määrä osavaltioittain.

Löysin tiedon USA:n osavaltioittain lukutaitoisten määrästä ja alkuun etenin sillä. Näitä lopullisia karttoja tehdessäni huomasin kuitenkin, että olisi visuaalisesti selkeämpää vertailla ennemmin lukutaidottomien osuutta ja päädyin kääntämään osuudet niin päin.

Kuva 1. Lukutaidottomien osuus USA:n osavaltioittain.

Lukutaidottomia esiintyy etenkin maan eteläosien osavaltioissa. Eniten lukutaidottomia on New Mexicossa, Kaliforniassa ja Teksasissa.

Kuva 2. Rikosten määrä USA:n osavaltioissa.

Rikoksia maassa tapahtuu laajalti, eikä niiden määrässä ole erotettavissa yhtä aluetta. New Mexico on myös rikosten määrässä ensimmäisenä listalla. Tätä karttaa nyt tulkitessani huomaan, että luokkia olisi voinut olla enemmän, jottei tulos olisi ollut näin geneerinen. Tällaisenaan kartta lähinnä kuvaa Idahon osavaltiota, joka erottuu vaaleana edukseen tummien osavaltioiden keskeltä.

Alun perin tarkoituksenani oli tuoda pisteaineistoa lukutaidottomien rinnalle. Olisin halunnut esittää  rikosten määrää USA:ssa heatmappina, taustalla ollessa lukutaidottomien osuudet. Tämä käyttämäni rikosten aineisto ei toiminut heatmappina, sillä kullakin osavaltiolla oli vain yksi piste. Minun olisi pitänyt jollain tavalla saada rikosten määrä per osavaltio esitetyksi niin monella pisteellä kuin rikoksia oli, mutta tämä tuntui ylitsepääsemättömältä. Nyt jälkikäteen tätä miettiessäni luulen, että olisin saanut kurssikerta 4:n materiaaleista tähän apuja. Koen, että karttojen tarkastelu olisi ollut mielekkäämpää niin, mutta tällä mennään. Kompastuskiveksi koitui sellaisen pistemäisen aineiston löytäminen, jossa ensinäkin olisi ollut sijaintitiedot valmiina ja myös se, että aineisto olisi ollut sopivan kokoinen.

Pyörittelin myös ajatusta lukutaidottomista versus vuoden 2020 presidentinvaalien äänestystuloksista osavaltioittain. Tästä aineistoa kyllä löytyi, mutta sitä olisi pitänyt siivota hyvin rankalla kädellä, jotta sen olisi saanut oikeassa muodossa osavaltioaineiston rinnalle QGIS:siin.

Tehtävä oli hyvin opettavainen! Jäi hieman harmittamaan, että en esimerkiksi käyttänyt aineistoja Suomesta, joita olisi löytynyt huomattavasti helpommin. Tällöin aikaa ja jaksamista olisi ehkä löytynyt haastavimmillekin tehtäville.

Kurssikerta alkoi sillä, että jalkaannuimme maastoon arvioimaan valitsemiamme kohteita niiden turvallisuuden ja viihtyvyyden osalta. Havainnot kirjattiin Epicollect5-sovellukseen. Takaisin luokkaan päästyämme sijoitimme kohteet (pisteaineisto) kartalle ja visualisoimme ne sen mukaan, kuinka turvalliseksi mikäkin kohde koettiin. Tämä oli yllättävän yksinkertaista ja olin jopa hämmästynyt siitä, kuinka kätevästi tällaistakin asiaa voidaan visualisoida QGIS:sillä.

 

Itsenäisenä tehtävänämme oli luoda kolme erilaista karttaa, jotka kuvaavat erilaisia hasardeja ja niiden sijoittumista maapallolle. Yhden kartoista ehdin tehdä kurssikerralla ja se tuntui yksinkertaiselta, paikoin onnistuin toimenpiteisiin jopa ilman ohjeita!

Kuvassa 1 kuvataan litosfäärilaattojen saumakohdat sekä vuoden 2010 jälkeen tapahtuneet yli 6.0 magnitudin maanjäristykset. Kartasta on selkeästi nähtävissä, että maanjäristyksiä tapahtuu pääosin juuri saumakohdissa.

Kuva 1. Maanjäristykset ja litosfäärilaatat

 

Seuraavaksi tarkastelin, onko litosfäärilaattojen saumakohdilla ja tulivuorilla  yhteyttä (kuva 2).

Kuva 2. Tulivuoret ja litosfäärilaatat

Tulivuoristakin suurin osa sijaitsee saumakohdissa, mutta niitä löytyy myös laattojen keskiosista. Tämä selittyy esimerkiksi Hawaijin suhteen kuumilla pisteillä.

 

Kolmannessa kartassa tutkin hyvin erilaista hasardia, meteoriittitörmäyksiä. Kuten kuvasta 3 on nähtävissä, ne eivät korreloi litosfäärilaattojen saumakohtien kanssa. Meteoriitit putoavat sattumanvaraisesti. Taistelin hetken tietokannan tuomisen kanssa, mutta avattuani sen notepadissa huomasin “reclat” ja “reclong” sarakkeet, jotka kertoivat x- ja y-koordinaateista, ja sain aineiston tuotua onnistuneesti.

Kuva 3. Meteoriitit ja litosfäärilaatat.

 

Kaiken kaikkiaan mielestäni kartat havainnollistavat hyvin sen, miten eri endogeeniset prosessit ja hasardit kulkevat ikään kuin käsi kädessä. Maan ulkopuolelta lähtöisin olevat hasardit eivät noudata mitään kaavaa, vaan ne tapahtuvat täysin sattumanvaraisesti.

 

Oli erilaista toimia maailmankartan kanssa, kuin esimerkiksi viimekertaisten pk-seudun karttojen kanssa.  Anna blogissaan sanoitti hyvin sen hämmennyksen, mitä tuli mittakaavaan ja pohjoisnuoleen. Joka ikinen kerta karttoja lukiessamme ja etenkin niitä tehdessämme on toitotettu näiden kahden tärkeydestä, mutta maailmankartalla ne eivät kuitenkaan ole edes niinkään oikeaa tietoa. Vieläkin yritän saada aivojani taipumaan tämän tosiasian ympärille.

Viimeisimmällä kurssikerralla koin onnistumisen kokemuksia, kun Arttu ei ohjeistanut itsenäisiä tehtäviä kädestä pitäen. Koin sen siis lopulta toimivaksi metodiksi, vaikkakin alkuun täysi omatoimisuus kauhistutti. Käytimme viime kerralla ensimmäistä kertaa bufferi-työkalua ja  tuntuu ymmärrettävältä sekä ehkä tähänastisista kaikista selkeimmältä.

Suurimmaksi ongelmakseni on kaikilla kurssikerroilla koitunut työn tallentaminen niin, että saisin sen vaivatta auki myös omalla koneellani. Ymmärsin viime kerralla, että minun tulee tallentaa uudet tietokannat erikseen ja sitten vasta koko projekti. Tämä auttoi hieman, mutta siltikin oma koneeni herjasi jonkun tiedoston puuttumisesta.

Kurssikerran jälkeen jäin vielä pohtimaan etenkin clip-työkalun käyttöä ja sen käyttötarkoituksia. Toista itsenäistä tehtävää tehdessäni pääsin kuitenkin sitä käyttämään ja ymmärrän sen toiminnasta nyt jo enemmän.

Puskurivyöhykkeillä voidaan esimerkiksi tarkistaa jonkin rakenteen välittömässä läheisyydessä sijaitsevat elementit. Esimerkiksi tilanteessa, jossa moottoritielle suunnitellaan lisäkaistaa, voidaan puskurivyöhykkeillä tarkistaa mitä elementtejä lisäkaistan alueella tällä hetkellä on. Puskurivyöhyke-työkalu on muutenkin tällaisissa uusien teiden suunnittelussa oiva työkalu.

 

Kurssikerran alussa toimimme edellisellä kerralla aloitetun Pornaisten kartan kanssa. Yhdessä tekemämme tehtävät kävivät kohtuullisen näppärästi, eikä niistä jäänyt mitään hampaankoloon. Keskityin nyt nimenomaan sisäistämään miksi mitäkin tehtiin ja mihin mikäkin toiminto vaikutti.

Tämä tuntui kantavan hedelmää, sillä päästyämme itsenäisten tehtävien pariin, en ollut aivan hukassa. Avainasemassa itselläni näiden tehtävien kanssa, oli tajuta tallentaa tietokannoista yksittäistä tietoa omiksi tietokannoikseen. Tämän tein Hillan tapaan (Geoinformatiikan menetelmät 1 | Hilla Kontinen, kevät 2024 (helsinki.fi)) select features-työkalulla ja tallentamalla valitut kohteet omiksi tietokannoikseen.

Taajama-tehtävän tein vajaa viikko viime kurssikerran jälkeen ja huomasin epäonnekseni, että muistikuvat viime kerrasta olivat hieman hämärän peitossa.

Tehtävän ensimmäinen kohta sujui hyvin, mutta seuraavat olivatkin jo vaikeampia. Taajaman ulkopuolella asuvien kouluikäisten suhteen käytin invert selection-työkalua ja sain kaikki taajaman ulkopuolella asuvat valituiksi. Tallensin tämän omaksi tietokannakseen ja sain statistiikka-paneelista kouluikäisten lukumäärän. Vertailin tuloksiani Gaiuksen vastaaviin (Gaiuksen kurssiblogi (helsinki.fi)), mutta ne eivät olleet samat. Itse käytin kouluikäisinä ikävuosia 7-16, joten toivon että ero johtuu vain siitä. Kovin varma olo minulla ei ollut tekemisistäni tämän tehtävän parissa, joten tulokset voivat olla myös virheelliset.

En onnistunut laskemaan, kuinka monella alueella asuu ulkomaalaisia 10, 20 tai 30 prosenttia. Aloin ratkaisemaan tehtävää ensin laskemalla field calculatorissa ulkomaalaisten osuudet per rakennus. Seuraavaksi attribuuttitaulussa valitsin select features using an expression-työkalun ja asetin sinne hakuehdoksi ulkomaalaisten osuus yli 10%. Tallensin nämä omaksi tietokannakseen ja siinä oli 7104 rakennusta. Näistä taajamissa oli 6823 kappaletta. Kompastuskivekseni koitui lopulta se, etten osannut valita sellaisia taajamia, joissa olisi ulkomaalaisia yli 10 prosenttia. Uskon, että mikäli yrittäisin tehtävää esimerkiksi seuraavana päivänä se onnistuisi, mutta tällä kertaa loppui aika ja hermot ennen sitä.

 

 

 

 

Heikin (Heiggi’s blog (helsinki.fi)) tapaan tämä neljäs kurssikerta tuntui jo melko mukavalta. Heikki mainitsi tekstissään, että keskittyi oikeasti sisäistämään mitä milloinkin tehdään ja sitä pitäisi minunkin enemmän harjoittaa, sen sijaan että vain koneen lailla toistan mitä Arttu tekee.

Mutta sitten asiaan!

 

Kuva 1. Ruotsinkielisten määrä  pääkaupunkiseudulla.

Kuvan 1 ongelmana on se, että ruotsinkielisten määrää ei ole suhteutettu muun kieliseen väestöön. Kuvassa voitaisiin esittää yhtä hyvin väestön määrää, eikä näillä olisi minkäänlaista eroa.

Tämän vuoksi tein toisen kartan, jossa ruotsinkielisten määrä on suhteutettu muun kieliseen väestöön (kuva 2). Kuvasta erottaa ruotsinkielisten suuren määrän pääkaupunkiseudun länsi-, itä- ja eteläpuolella.

Kuva 2. Ruotsinkielisten osuus (%) suhteutettuna muun kieliseen väestöön.

 

Kurssikerran jälkipuoliskolla taiteilimme ensimmäistä kertaa rasteriaineistojen parissa. Tietokannat ja layerit ensinäkin näyttivät hyvin erilaisilta ja myös ne oli nimetty melko kryptisesti. Yksi layereista näytti enemmänkin röntgenkuvalta, mutta lopulta alta paljastui Pornaisten kaupunki.

Kuva 3. Pornainen, sen tiet ja talot.

Tässä tehtävässä tarkoituksenamme oli merkata kartalle Pornaisiin vievät ja sieltä lähtevät tiet, sekä rajatun alueen sisällä olevat talot (kuva 3). Ranteen pienet lihakset taas muistuttelivat itsestään, kun pääsi näpyttelemään näitä kartalle. Alkuun hieman vertasin tätä prosessia Coreliin ja siellä tekemiimme digitointitöihin, mutta sitten ymmärsin että tässä kohtaa luomme paikkatietoa. Vaikka pisteet ja viivat on tehty kartalle käsin, ne on asetettu juuri niille sijoilleen siksi, että siinä todellakin on talo tai tie, sekä myös koordinaatit. Näistä loimme uusia tietokantoja.

Kuva 4. Pornaisten alueen kartta korkeuskäyrillä.

Kotitehtävä korkeuskäyristä tuntui vaikealta, enkä ihan ymmärtänyt miten se olisi pitänyt tehdä. Kuvassa 4 esitetään korkeuskäyrät, jotka uskoakseni sain kartalle viiden metrin välein. Tehtävää tehdessäni latasin Paitulista saman alueen karttalehdet ja tiedoston saatuani tajusin, että nämä mainitsemani kryptiset layereiden nimet olivat tosiaan karttalehtien nimiä. Jotain siis jäi tästäkin käteen, vaikka muuten olo tämän suhteen oli epävarma. 

Huomiselle, eli viidennelle kurssikerralle täytyy kuulemma varautua pitkin hermoin ja terävin aivonystyröin, joten jännityksellä odotan mitä luvassa. Sitä kohti siis 🙂

Kurssikerralla aineistona toimi Afrikka. Aineisto tuli kuitenkin valmistella ennen sen käyttöä ja se tarkoitti valtiotietojen yhdistämistä niin, että jäljelle jäi kukin valtio vain kerran. Alkutekijöissään rivejä oli yli 700 ja yhdistämisen jälkeen reilu 50, joten hyvin kannattava toimenpide.

Seuraavaksi aineistoon lisättiin excel-muotoinen taulukko, joka olikin minulle ihan uusi toiminto. Tämä kävi  kivuttomasti, vaikkakin tässä kohtaa en ihan ymmärtänyt miksi mitäkin rukseja ruksittiin ja mitä olisi seurannut jos näin ei oltaisi tehty. (Jälkeenpäin luin harkkaohjeita ja siellä näitä oltiin avattu tarkemmin.) Tämä aineisto kattoi ennusteet kunkin valtion suhteen niiden väestömäärästä sekä internetin ja Facebookin käyttäjistä.

Lisäsimme aineistoon vielä kolme eri vektoriaineistoa. Näissä kuvattiin timanttikaivosten ja öljykenttien esiintymät, sekä Afrikassa tapahtuneet konfliktit. Nämä on esitetty alla kuvassa 1.

 

Kuva 1. Afrikka – öljykentät, timanttikaivokset ja konfliktit kartalla.

Kuvasta on tulkittavissa, että konflikteja on tapahtunut eniten mantereen keskiosassa. Konfliktien ja timanttikaivosten välillä on havaittavissa hienoista yhteneväisyyttä.

Aineistoista olisi voinut vielä selvittää, onko timanttikaivosten löytämisvuosien ympärillä tapahtunut merkittäviä muutoksia konfliktien määrässä, sekä myös näkyykö kaivausten ja öljyn porausvuosien (luonnonvarat – rikkauksia) sekä internetkäyttäjien lukumäärän välillä yhteyttä. Mikin blogissa (Mikin blogi – Geoinformatiikan menetelmät 1 (helsinki.fi)) oli hienoa kerrontaa Afrikan valtioiden historiasta ja niiden siirtomaa-ajoista, ja siitä kuinka sen aikaiset riistotoimenpiteet ovat vaikuttaneet Afrikan valtioiden kehitykseen ja kehittämiseen.

 

Itsenäistä tehtävää pääsin aloittamaan jo kurssikerralla ja tehtävänä oli tehdä teemakartta Suomen valuma-alueiden tulvaindekseistä.

Kuva 2. Tulvaindeksi valuma-alueittain.

Tässä tehtävässä pääsi hyödyntämään aikaisemmin opittuja taitoja ja toimintoja, ja se kävi (alkushokin) jälkeen yllättävän helposti. Tulvaindeksi on laskettu keskiylivirtaama jaettuna keskialivirtaamalla. Kuten kuvasta näkyy, tulvaindeksi on suurimmillaan Suomen länsiosissa (etenkin Pohjanmaalla) sekä Lounais- ja Etelä-Suomessa. Pohjois-, Itä-, ja Keski-Suomea luonnehtii matala tulvaindeksi.

Kuva 3. Tulvaindeksi ja järvisyys valuma-alueittain.

Kuvassa 3 kuvataan tulvaindeksin lisäksi myös valuma-alueiden järvisyysastetta. Mitä korkeampi oranssi palkki on, sitä suurempi on järvisyyden osuus. Kuvasta on havaittavissa, että korkea järvisyysosuus korreloi usein matalan tulvaindeksin kanssa. Järvisyysosuudet sain lisättyä kartalle ihan puhtaasti tuurilla, sillä tähän ei ollut ohjeita. Tässä kohtaa ohjelma oli kuitenkin suht yksioikoinen, joten tällainen maallikkokin selvisi tehtävästä.

Kaiken kaikkiaan minusta alkoi jo tuntua, että pääsen pikkuhiljaa käsiksi QGISsin sielun syövereihin ja alan ymmärtää sen toimintalogiikkaa. Mielenkiinnolla eteenpäin 🙂

-Sini

Toinen kurssikerta tuntui pääosin jo helpommalta. Vaikka opettelimmekin minulle uusia toimintoja, QGISsissä surffailu ja selailu kävi helpommin, ja silmä osasi hakeutua oikeisiin paikkoihin. QGISsin valintatyökaluja olin kyllä jo kokeillut viime viikon tehtävien yhteydessä, mutta nyt oli tarpeellista nähdä mihin niitä todellisuudessa voidaan käyttää.

Kävimme kurssikerralla läpi eri projektioiden vaikutusta mitattaviin asioihin, kuten pituuteen ja pinta-alaan. Alla olevassa taulukossa on esitetty saman matkan pituus ja saman alan pinta-ala eri projektioissa.

Taulukko 1. Saman matkan ja alan mitat eri projektioissa.

 

Seuraavaksi visualisoimme pinta-alojen eroja eri projektioissa suhteessa TM35FIN projektioon. Alla olevat kartat kuvaavat eroja väreittäin. Punaisella värillä kuvataan suurinta eroa ja sinisellä pienintä.

Kuva 1. Mercator vs. TM35FIN pinta-alakerroin.

Kuva 2. Robinson vs. TM35FIN pinta-alakerroin.

 

Kuten molemmista kartoista huomaa, erot kasvavat pohjoiseen päin mentäessä. Mercator-vertailussa erot ovat suuria, jopa kahdeksankertaisia. Robinsonin suhteen erot pienenevät, mutta siinäkin punainen (eli suurimmat erot) luokka kattaa suurimman osan. Tarkoituksenani oli tehdä vielä yksi vertailu, mutta yrityksistä huolimatta oli tämä prosessi viikon aikana jo unohtunut. Samasta ongelmasta luin Sannan blogista (saarinsa’s blog (helsinki.fi)). Kertausta siis tarvitaan!

Huomisella kurssikerralla keskityn siihen, että kirjaan mieleeni tulevia ajatuksia heti ylös. Tämä kuusi päivää kurssikerran jälkeen blogikirjoituksen tekeminen ei sovi minulle, sillä koen aineiston ja tekemisteni sanoittamisen hankalaksi ja ehkä muistikuvieni jopa hieman väärentyneiksi. Päällimmäisenä tunteena on edelleen halu oppia, sillä QGIS ohjelmana on kuitenkin niin monikäyttöinen ja sen osaamista usein myös (maantieteen) työpaikoilla edellytetään.

Seuraavaan kertaan!

-Sini

 

Kurssikerran ensimmäisellä luennolla alkujohdantojen jälkeen käytiin QGISsin kimppuun. Aineistona toimi Itämeren typpipäästöt, joista oli tarkoitus visualisoida typpipäästöjen määrää kuvaava kartta. Olen käyttänyt QGISsiä aiemminkin, tosin jo muutama vuosi sitten, joten ohjelman opettelu alkoi käytännössä ihan alusta. Tämä vaati herpaantumattoman huomioni, jottei mikään vaihe jäänyt välistä ja jotta työtä pystyi jatkamaan samanaikaisesti ohjeiden kanssa. Usko sanoitti blogissaan (Viikko 1 — QGIS tutuksi – Uskollinen GIS-blogi (helsinki.fi)) hyvin tätä epätoivon tunnetta, kun jokainen klikkaus täytyi tapahtua opettajan kanssa samaan aikaan, muuten oli hukassa.

Kuva 1. Typpipäästöt Itämeressä.

Jonkinlaisen kartan sain kun sainkin aikaiseksi. Kartasta erottaa, että suurimmat typpipäästöt ovat peräisin Puolasta. Jälkeenpäin tätä karttaa katsoessani, olisin voinut lisätä vielä maiden nimet, jotta tulkinta olisi mahdollisimman yksiselitteistä.

Kotitehtävässä minua hämmensi, kun layereitä oli vain yksi, enkä millään keksinyt miten pääsen visualisoimaan väkiluku-muuttujaa kaiken muun tiedon seasta. Ensimmäisellä yrittämällä epäonnistuin, kun en päässyt ajatuksesta että minun täytyy erottaa väkiluku-muuttuja omaksi tasokseen. Kurssikaverini neuvoista oppineena lopulta toisella yrittämällä löysin oikeat välineet. Täytynee ensi kerralla luottaa siihen, ettei minulta odoteta täysin uusien toimintojen käyttämistä, vaan todennäköisesti tehtävä onnistuu kurssikerralla saatujen ohjeiden mukaisesti.

Kuva 2. Suomen kuntien väkiluvut vuonna 2021.

Pyörittelin hetken aikaa eri vaihtoehtoja luokitteluille, kunnes kvantiilien mukaan jaetut luokat tuntuivat selkeimmiltä. En ole kuitenkaan täysin tyytyväinen luokkien jaotteluun. Isoin luokka käsittää kaikki kunnat, joissa väkiluku on ollut enemmän kuin 19000, ja tämä on mielestäni liian suuri vaihteluväli. Kun vaihteluväli on näin suuri, kuuluu esimerkiksi Rovaniemi ja Helsinki samaan luokkaan, vaikka todellisuudessa näiden väkiluvun erotus on lähes 600 000 ihmistä. Tätä en kuitenkaan osannut muuttaa, jääpähän jotain opeteltavaa seuraavallekin kerralle. Kartasta erottaa kuitenkin väestön keskittymisen maan eteläosaan, joka onkin Suomen väestön sijoittumisen keskeinen ominaisuus. Kartasta erottaa myös selkeästi esimerkiksi käsivarren alueen vähäisine asukkaineen, joka maantieteellisine oloineen ei ole suotuisin asutukselle. Itse tuloste olisi saanut olla suurempi, sillä nyt kuntien rajat eivät erotu toisistaan tarvittavan hyvin. No, kuten sanottu, jääpähän sekin opeteltavaksi. 🙂