Harmittaa, että viimeinen lähiopetuskerta jäi kokonaan välistä. Ensin alkuperäinen kerta peruttiin lakon takia ja korvaavan kerran mokasin itse menemällä päivistä sekaisin… Raahh. Onneksi QGIS:n käyttö alkaa olla jo melko hyvin hallussa ja viimeisen työn tekeminen suijui itsenäisestikkin. (Toivottavasti en vaan missannut mitään kriittistä tehtävän annossa…) Kaikkein haastavimmaksi osoittautui sopivien aineistojen löytyminen ja kuten Kia Kivisiltakin totesi, monessa paikassa data oli maksullista. En alussa oikein tiennyt mitä haluaisin tehdä ja netistä löytyvän aineiston määrä pisti pään pyörälle. Paljon aikaa kulkuihin pelkästään haahuillessa sivustolta toiselle. Ensimmäisenä ideana oli tehdä jotain pohjavesiin tai ympäristöpäästöihin liittyvää. Ajatuksena oli helpottaa hakua rajaamalla aihe Suomeen tai pohjoismaihin, mutta jostain syystä eteen ei sattunut sopivia aineistoja. Aloitin kuitenkin väkertämään jotain epämääräistä jäätikköaineistoa, joka kuitenkin lensi lopulta roskakoriin ja koko homma meni uusiksi ihan viimehetkillä.

 

Aiheeksi valikoitui siis maapallon vesivarannot. Kuvassa 1 näkyy koropleettikartassa makeanveden jakautuminen maapallolla. Tämä pitää sisällään pinta- sekä pohjavedet, jotka ovat ihmiskäyttöön järkevästi hyödynnettävissä. Kuvassa 2 näkyy puolestaan vedenkäytön kuormituksen jakautuminen, joka pitää sisällään maatalouden, teollisuuden sekä kunnallisen vedenkulutuksen. Punaisena näkyvä korkea kuormitus tarkoittaa, että alueella vettä kulutetaan huomattavasti enemmän, kuin sitä ehtii muodostua. Arvot on laskettu veden muodostumismäärästä suhteessa sen kulutukseen. Veden absoluuttinen kulutus (kuva 3) eroaa tästä jossain määrin ja asettuukin pikemminkin ihmispopulaation mukaan (kuva 4), kun taas kuormitus-kartassa esimerkiksi USA:ssa erottuu alueita, joilla on paljon maataloutta.

Ihmispopulaation jakautuminen ja vedenkäytön määrä luonnollisesti korreloivat monin paikoin keskenään. (Ainakin tuon datan ihmismäärien mukaan.. En löytänyt selityksiä attribute tablen muuttujille ja arvoin parhaalta vaikuttavan kohdan, enkä ole siis jakautumisesta aivan 100% varma. Se kuitenkin sopi melko hyvin muihin väestönjakautumiseen liittyviin karttoihin, joten oletan sen olevan ainakin oikean suuntainen.). Tämä pitää paikkansa etenkin Länsimaissa sekä Aasiassa. Afrikkaan se ei kuitenkaan päde, sillä absoluuttisesti mitattuna lähes koko Afrikassa vedenkulutus on suhteellisen pientä.

QGIS:n ja omien aineistojen kanssa työskentely oli tälläkertaa hirmu hauskaa (etenkin, kun QGIS ei kaatunut näitä työstäessäni kertaakaan!), ja harmittaa kun löysin lopullisen datan vasta deadlinen häämöttäessä päivien päässä. Olisin halunnut tehdä paljon muutakin ja tehdä hieman monimutkaisempiakin asioita. Oli kuitenkin mukava huomata miten vaivattomasti ohjelman käyttö sujui eikä apua tarvinnut estiä kuin ihan muutaman kerran. On kurssin aikana siis jotain ainakin opittu! Pitää myös yrittää leikkiä QGIS:n kanssa jatkossakin, ettei kaikki jää heti uudelleen unholaan.

 

Lähteet:

Kivisilta, Kia. 7. kerran onni. https://blogs.helsinki.fi/kiakivis/2018/03/22/7-kerran-onni/

World Resources Institute. http://www.wri.org/resources/data-sets/aqueduct-global-maps-21-data

Natural Earth. http://www.naturalearthdata.com/downloads/

 

Oli tosi kiva aloittaa aamu kirpeässä talvisäässä, vaikka loppu metreillä pakkanen alkoikin purra poskipäitä ikävästi. Ulkoilun tarkoituksena ei ollut pelkkä Suomen talvesta nauttiminen, vaan harjoitella Epicollect5 -sovelluksen käyttöä ja merkata julkisten tilojen viihtyvyysarvioita. Ulkoilua vaativien kenttätöiden lisäksi testasimme kenttätöitä tietokoneen ruudun ääressä eli Google StreetView:n avulla kartoittaen kaupallisten tilojen määrää jonkin korttelin ympärillä.

 

Blogitehtävässä testasin kaikkien tarjottujen hasardien kartan tekoa, mutta valitsin lopulta tarkempaan tarkasteluun vain meteoriitit. Lähinnä siksi, että geologian opiskelijana maanjäristysten ja tulivuorten purkausten yhteys mannerlaattojen rajoihin ovat tulleet välillä liiankin tutuksi, kun taas meteoriitit (ja niiden putoamispaikat) ovat olleet harvemmin esillä. Esimerkiksi Nelli Juutila oli kuitenkin keksinyt lähestymistavaksi mm. merenalaisten tulivuorten merkitsemisen. Myös kartta, jossa maanjäristyksen voimakkuuden esittämien kartalla palloina oli mielestäni näppärä idea. Meteoriittien kohdalla ongelmaksi tosin tulikin se, miten asiaa lähestyisi. Meteoriittien tippuminen ei varsinaisesti seuraa mitään tiettyä kaavaa ja niitä voi tippua melkeinpä minne vain ja monet niistä päätyvät mereen. Mereen pudonneista kappaleista on luonnollisesti haastavaa pitää kirjaa, joten tässäkin aineistossa vaikuttaa olevan vain maalle pudonneita kappaleita tai niiden jälkiä. Päädyin vertailemaan erilaisten meteoriitti tyyppien määriä pistemäisinä havaintoina. Valitsin kolmeen eri karttaan esitettäväksi kivimeteoriitit, rautameteoriitit sekä pallasiitit. Rauta- ja kivimeteoriitit ovat meteoriittien pääluokkia, kun taas pallasiitti kuuluu kolmanteen pääluokkaan eli kivi-rauta-meteoriitteihin. Näistä kolmesta rautameteoriitit ovat selvästi yleisempiä, kun taas kivimeteoriitti sekä pallasiitit harvinaisempia.

 

 

Alunperin suunnitelmana oli esittää kaikki meteoriitit samalla kartalla, mutta kuvasta tuli mielestäni liian sekava, eikä eri meteoriittityyppien välisiä suhteita havainnut kunnolla.  Kiinnostavaa oli etenkin se, että pallasiitteja vaikuttaa pudonneen etenkin Pohjois-Amerikkaan, kun taas iso osa kivimeteoriiteista on löytynyt Euroopasta. Tähän voisi olla syynä esimerkiksi eroavaisuudet meteoriittityypin määrittelytavoissa. Myöhemmin mieleen tuli myös, että olisi voinut tehdä lisäksi kartan impaktikraatereista, jossa kraaterin koon olisi voinut visualisoida kartalle. Harmittaakin, ettei aikataulu enää antanut myöten tämän idean toteuttamiseen…

 

Lähteet:

Juutia, Nelli. 6. Kurssikerta: Pisteaineistoa, interpolointia ja tulivuoria. https://blogs.helsinki.fi/junelli/2018/02/26/6-kurssikerta-pisteaineistoa-interpolointia-ja-tulivuoria/

Viidennellä kerralla harjoiteltiin mm. bufferointia eli puskurointia. Bufferointi osoittautui varsin näppäräksi työvälineeksi selvittäessä tietyn alueen ominaisuuksia sekä aineiston rajaamisessa. Loppupuoli kurssikerrasta käytettiin itsenäisten tehtävien tekoon. Homma sujui suht sutjakkaasti, mutta eri melualueiden vaikutusalueiden rajaaminen vaati mietintää ja kestikin tovin ennekuin tajusin, miten pystyy valitsemaan vai yhden melualueen osista. Jonkin aikaa myös ihmettelin uskaltaako bufferia tehdessä distance -kohtaan kirjoittaa kylmän viileästi 0:n… Etenkin kun ohjelma on aikaisemmin ollut herkkä kaatuilemaan vääriä lukuarvoja syöttäessä (ja ihan muuten vaankin). Mutta kyllä uskalsi eikä QGIS edes jumahtanut.

2. itsenäistehtävässä ongelmia tuotti etenkin taajama-alueiden valitseminen. En onnistunut mitenkään saamaan kaikkia kohteita valittua ja luotua niistä bufferia. QGIS kaatui melkein aina kun yritti bufferoida tai luoda alueesta spatial queryn. Myös latausajat oli välillä naurettavan pitkiä (parhaimmillaan bufferoinnissa kesti yli 20 minuuttia…). Tuon päivän uutiset tulikin luettua hyvin tarkkaan, kun odotteli latausten valmistumista. Useammalla eri koneella ja lukemattomien yritysten jälkeen sain kuitenkin edes taajaman kaikkien asukkaiden määrän ylös ja laskettua ainakin tällä rajauksella taajamassa asuvien määräksi 57,9% koko väestöstä. Loppujen taajama-tehtävien kanssa en löytänyt enää yhteistä säveltä QGISn kanssa.

 

Malmin lentokenttä
Asukkaat 2km säteellä	57029
Asukkaat 1km säteellä	8711
Helsinki-Vantaan lentokenttä
Asukkaat 2km säteellä	11317
Joista 65db alueella (%)	0,25
Asukkaita väh. 55 dB alueella	11822
Asukkaita poikkeusreitillä	12406
Asemat
Asukkaita alle 500m lähimmästä asemasta	106631
Kaikista asukkaita alle 500m lähimmästä asemasta (%)	21
Työikäisistä alle 500m päässä lähimmästä asemasta	73108
Taajamat
Asukkaita taajamissa (%)	58
Kouluikäiset taajaman ulkopuolella	(kokonaisuudessaan : 676)
Ulkomaalaisten osuus
Koulut
Uusia oppilaita seuraavana vuonna	14
Yläasteikäisiä seuraavana vuonna	62
Kouluikäisten osuus asukkaista (%)	10
Muunkielisiä kouluikäisiä alueella
Uima-altaat
Uima-altaita pääkaupunkiseudulla	885
Asukkaita taloissa, joissa uima-allas	12170
Omakotitaloja	345
Kerrostaloja	181
Rivitaloja	113
Saunoja pääkaupunkiseudulla	21922
Saunallisia asuntoja (%)	24
Eniten uima-altaita	Lauttasaaressa; 53

Taulukko 1. Tehtävien vastauksia.

 

Muut tehtävät menivät sitten (suurimmaksi osaksi) tosi näppärästi ja on ollut kiva huomata, miten pystyy käyttämään ohjelmaa helpommin. Nyt pystyy jo itse soveltamaan oppimaansa ja ongelmia saa ratkottua vähintään hetken mietinnän jälkeen. Etenkin valitsemis-työkalujen käyttö alkaa sujua näpsästi ja huomaa ajattelevansa milläs näistä tekniikoista saisi helpoiten selvitettyä vastauksen. Perus aineiston tuomiset ja properties -ikkunan käyttö sujuu jo leikiten, vaikka esimerkiksi vector -valikon työkalujen käytössä pitää välillä vilkaista vanhoista ohjeista vinkkejä muistin virkistämiseksi. Kaiken kaikkiaan koen pystyväni käyttämään QGISiä suhteellisen hyvin ja käyttö alkaa tuntua jo tutulta. Tosin en meinannut millään tajuta tämän kerran tehtävissä, miten saan rajattua tietyn talotyypin kaikista asunnoista (”Omakotitalo = 11, mmmikä oli?!), kunnes tajusin kurkata niinkin ilmiselvään paikkaan, kun open attributeen, ja ahaa! nämähän ovat tietty numerokoodattu! Uima-allas -karttaan (kuva 1) olen aika tyytyväinen, mutta numeroinnit ovat osasta rannikon alueista hyppineet ”hieman” vinoon… Osassa uima-altaiden määrät ovatkin luettavissa hieman meren puolelta. Jätin lopullisesta kartasta pylväät pois, vaikka ne ensin teinkin. Kartta tuntui niiden kanssa liian täydeltä ja mielestäni väritys antaa riittävän hyvän kuvan uima-altaiden määrästä kullakin alueella. Koulu -tehtävässä omat lukuarvoni heittelevät muutamalla sinne tänne verrattuna esimerkiksi Matti Moisalan saamiin lukuihin.

 

Lähteet:

Moisala, Matti. 5. Viisi QGIS -tähtee. https://blogs.helsinki.fi/moisalam/2018/02/21/5/

Minun toisella varsinaisella kurssikerralla siirryttiin ruudukkojen sekä rasterien ihmeelliseen maailmaan, tuntien eri puoliskoilla kuitenkin. Ensimmäisessä tehtävässä luotiin absoluuttisista arvoista ruudukko, josta näkyy pääkaupunkiseudun asukkaiden määrä (harjoitustehtävässä ruotsinkielisten määrästä). Asiat sujuivat varsin mallikkaasti alkutunnin ja sain mielestäni aikaan varsin edustavan teemakartan. Mutta kun oli aika alkaa itse toteuttamaan pienemmällä ruutukoolla olevaa teemakarttaa, alkoi QGIS kiukuttelemaan, eikä jaksanut pysyä pystyssä edes ruutujen luomisen verran. Kokeilin kaikkea 400x400m ruudukosta ylöspäin, mutta aina vain QGIS kaatui. Onneksi sain kotikoneella toimituksen toimimaan ja kuvassa 1 näkyy luomukseni 18-29 vuotiaiden jakautumisesta pitkin pääkaupunkiseutua. Nuoret aikuiset näyttävät kartan mukaan keskittyneen etenkin Helsingin kantakaupunkiin. Mira Kylliäinen teki kartan opiskelijoiden määrästä, joka muistuttaa kovasti omaa karttaani, vaikka ikäjakauma taitaa hieman erota. Hän huomasi oppilaitosten sijainnin näkyvän kartalla selvästi opiskelijoiden keskittymänä, mikä käykin hyvin järkeen. Myös junaradan ja metron varrella näkyy asuvan paljon nuoria aikuisia.

 

 

Kotikoneella ruutujen koko onnistui pienemmilläkin arvoilla ja lopullisessa versiossa ruudut taitavat olla 300x300m. Koin hieman ongelmalliseksi lukuarvojen asettamisen legendaan, sillä absoluuttiset arvot veivät (yllätys yllätys) todella paljon tilaa eikä ole missään mielessä mielekästä esittää 1800 eri värilaatikkoa kartan vieressä. En ainakaan karttaa kotona tehdessä keksinyt, miten arvot olisi saanut automaattisesti jaettua, joten tein sen lopulta käsin. Lopputuloksena on lähinnä värien vaihtumisen mukaan jaetut arvorajat, joka ei välttämättä olleet kaikkein paras vaihtoehto… Absoluuttisten arvojen etu onkin lähinnä visuaalisessa ilmeessä, kun saadaan tarkkaa tietoa ihmisten asuinpaikoista, mutta legendaa tehdessä ne olivat varsinainen riesa. Ongelmaan löytyy varmasti järkevämpikin ratkaisu, mutten sitä tähän hätään tajunnut tai löytänyt. Ruutukartta on mielestäni erittäin käyttökelpoinen tämän tyyppisen informaation esittämisessä. Siitä käy helposti selväksi, mille alueelle tietyt ryhmät ovat asettuneet asumaan ja asia selviää yhdellä vilkaisulla. Tällaisten karttojen avulla pystyy seuraamaan, millaisille alueille tai esimerkiksi liikenneyhteyksien varrelle tietyt ryhmät asettuvat asumaan tai millaisille palveluille alueilla voisi olla kysyntää. Esimerkiksi lapsiperheiden ja nuorten sinkkujen elämäntapa voivat erota toisistaan huomattavasti.

 

Tuntien toisella puoliskolla siirryttiin rasteriaineistojen pariin. QGIS toimi taas kiltisti ja yhteistyö sujui varsin mallikkaasti. Rasteriaineistojen käsittely tuntui aluksi oudolta, kun oli ehtinyt jo tottua vektori-puolen toimintoihin ja etenkin Propeties-ikkunassa meni pasmat hetkeksi sekaisin, kun näkymä erosi totutusta. Muuten vaihtelu oli ihan hauskaa ja jossain määrin kotoisaa, kun aineiston kanssa työskentely muistutti jonkin verran valokuvien käsittelyä Photoshopilla, joka on edellisissä opinnoissa tullut tutuksi. Lopuksi siirryimme erilaisten kohteiden merkitsemiseen kartalle eli piirrettiin Pornaisten keskustan alueen tiet ja merkittiin talojen paikat. Homma oli mukavan mutkatonta noin luennon loppupuolelle.

 

Lähteet:

Kylläinen, Mira. Ruutukarttaa & opiskelijoiden sijainteja 5.2. . https://blogs.helsinki.fi/michemmi/2018/02/14/89/

Tullut hieman yllätyksenä miten vaikealta tämä tekstin tuottaminen tuntuu.. Itse harjoitustyöt tuli tehtyä jo ajat sitten, mutta kirjoittaminen laahaa pahasti perässä. Varsinkin kun jäi nuo ensimmäiset kerrat tavallaan rästitöiksi heti alkuun… Bloginkin järjestys taitaa mennä vähän hassuksi kun ensimmäinen kirjoitus on kolmannelta kurssikerralta. 😀

Ensimmäisen kerran tehtävät sujui suht. nopeasti, kun kolmannen kerran tehtäviä tehdessä tuli selattua valmiiksi samoja materiaaleja läpi. Opin kuitenkin paljon uutta, kuten koordinaattijärjestelmän muuttamisen ja Browserin käyttöä. Myös työkalujen kertaamien teki hirmu hyvää ja löytyi niistäkin uusia asioita.

Typpipäästökarttaa (kuva 1) tehdessä tuli tapeltua valtioiden nimien sijoittamisen kanssa. Ne osuivat automaattisesti ja itsepintaisesti juuri typen päästölähteen merkin päälle, joka häiritsi suuresti. Moni näyttää jättäneen typpipäästö-kartasta juuri nuo valtion nimet sekä mm. vesistöt kokonaan pois, jolloin lopputulos on huomattavasti yksinkertaistetumpi. Näin olivat tehneet mm. Eemil Becker ja Matti Hästbacka. Yksinkertaistetumpi kartta on toisaalta selkeämpi, vaikka itse päädyin pitämään nimet lopullisessa versiossakin. Yksinkertaisempien karttojen rinnalla omani tuntuu hieman levottomalta ja ainakin Itämeren korkeuskäyrät olisi voinut jättää pois. Kartan varsinainen käyttötarkoitus kuitenkin mielestäni määrittelee sen, millainen tieto on tarpeellista. Jos tarkoituksena on antaa yleinen katsaus alueen päästölähteistä, yksinkertaistettu kartta on monesti parempi valinta. Joskus voi olla parempi tarjota yksityiskohtaisempaa tietoa esim. vesistöistä, joita pitkin päästöt kulkevat Itämereen. Huomasin muiden blogeja selatessani myös, että omassa kartassani typpipäästöjen arvot ovat hieman erilaiset kuin muilla. Onkohan jäänyt jokin työvaihe välistä vai tullut tehtyä jokin muu virhe… Omassa kartassa häiritsee myös, että ”väliarvot” (jotka näkyisi oranssina ja kellertävänä) ovat jääneet pois karttakuvasta ja Puola näkyy ainoana ei-vihreänä valtiona. Arvot olisikin voinut esittää pelkillä vihreän sävyillä, vaikka ajatuksena oli esittää vihreänä valiot, joiden päästöt ovat pienempiä ja punaisena kaikkein korkeimmat päästöt. Lopputulos on kuitenkin ihan ok vaikka joitain asioita voisikin muuttaa. Matti Hästbacka kertoo mielestäni blogissaan hyvin ja sopivan tiivistetysti typen vaikutuksista vesiekosysteemien toimintaan ja pääsääntöisistä päästölähteistä. Oli myös hyvä huomio, että mm. Venäjä ja Saksa laskevat jätevesiään Itämeren lisäksi muihinkin meriin, joka muuttaa niiden kokonaispäästöjen määrää verrattuna tämän kartan arvoihin. Myös asenteet, vedenpuhdistusteknologia sekä asukasmäärät vaikuttavat päästöjen määriin.

Kuva 2 esittää Suomen väestön jakautumista kunnittain. Pääpiirteittäin kartta vaikuttaa ainakin suuntaa antavasti oikealta. Luokitteluväli kuitenkin on aika suuri ja heittelevä. Etenkin tiheämmin asutut kunnat olisi voinut jakaa vielä useampaan luokkaan. Nyt kartan mukaan esimeriksi Uudenmaa ei erotu väkimäärältään verrattuna muihin isompiin kuntiin. Uudenmaan todellinen väkiluku on todellisuudessa kuitenkin huomattavasti suurempi kuin minkään muun kunnan, mikä ei kartasta käy ilmi.

 

Lähteet:

Becker, Eemil. Ensimmäinen kurssikerta. https://blogs.helsinki.fi/beemil/2018/01/26/ensimmainen-kurssikerta/

Hästbacka, Matti. Round I. https://blogs.helsinki.fi/madhastb/2018/02/05/round-i/

Tämän kerran harjoituksissa minulla oli jotenkin tosi paljon ongelmia ja aikaa kului luvattoman paljon. QGIS kiukutteli oikein urakalla ja hermot olivat monesti koetuksella. Monessa kohtaa huomasin myös, että asiat olisivat olleet paljon yksinkertaisempia, jos olisi ollut paikan päällä seuraamassa luentoa. Valintatyökalujen käyttö sujui vielä ihan hyvin ja sain mitattua Satakunnan pinta-alan ja Suomen leveyden Vaasasta itään eri projektioissa ongelmitta, mutta sen jälkeen QGIS ei suostunut enää yhteistyöhön. Edes ohjelman tai koneen uudelleen avaaminen ei auttanut, vaan ongelmat toistuivat ja jatkuivat samanlaisina seuraavanakin päivänä. Liekö tiedostoista rikkoutunut jotain latausvaiheessa vai mitä kummaa… Kiukuttelu ilmeni suurimmaksi osaksi jatkuvana kaatuiluna ja tallennettujen projektien aukeamisena pelkkänä valkoisena sivuna. Monesti homman joutui aloittamaan alusta, vaikka tallennus-nappia olisikin painamassa vähän väliä. Sain onneksi ohjelmasta edes jotain ulos todisteeksi siitä, että olen yrittänyt tehdä tehtäviä. Osa ongelmista oli onneksi myös omia virheitä. Esimerkiksi yritin pitkään kirjoittaa pinta-ala -lausekkeen väärää merkkiä $ -merkin sijaan.

 

Tuntuu ainakin siltä, että tehtäviä uudelleen ja uudelleen tehdessä sain kuitenkin hyvän kuvan siitä, miten projektio vaikuttaa karttaan ja sen luotettavuuteen. Osa asioista oli jo tuttuja, mutta harjoituksista sai hyvän kuvan etenkin siitä, miten ne vaikuttavat pinta-aloihin ja pituuksien vääristymiseen pienemmälläkin mittakaavalla. Tätä ei ole aikaisemmin tullut juurikaan mietittyä, vaan on aina keskittynyt enemmänkin siihen, miten maat ja valtiot esimerkiksi Mercatorin projektiolla vääristyvät. Muiden opiskelijoiden blogeja tutkiessa löytyi hyvin vääristymiä kuvaavia kuvia esimerkiksi Roope Heinosen ja Kari Hartikaisen blogikirjoituksista. Mielenkiinnosta kokeilin miten samojen projektioiden eri ”versiot” (world vs. sphere) erosivat toisistaan. Erot Suomen leveydessä eivät olleet Mercator Sphere:n ja World:in välillä kuin pari kilometriä, mutta käyttötarkoituksesta riippuen voi tuokin virhe olla merkittävä. Suurin ero eri projektioissa oli World Mercatorin ja Lambertin välillä (Satakunnan PA 35 152,082 km² vs 7 969,619 km² ja Suomen leveys 1 138,074 km vs 521,669 km), tällainen vääristymä vaikuttaa jo suuresti mittasuhteisiin.

Projektio		PA	Pituus Vaasasta itään
Sphere Mercator	EPSG:53004	35 127,164 km²	1 136,814 km
World Mercator	EPSG:54004	35 152,082 km²	1 138,074 km
ETRS89/ETRS-LAEA	EPSG:3035	7 969,619 km²	521,669 km
Sphere Robinson	EPSG:53030	9 727,690 km²	746,306 km
Sphere Eckert I	EPSG:53015	9 353,585 km²	679,546 km
ETRS89/ETRS-TM35FIN	EPSG:3067	7 969,619 km²	521,669 km

Taulukko 1.

 

Kuvassa 1 näkyy Mercatorin ja Lambertin projektioiden välinen ero prosentteina. Ero suurenee huomattavasti mitä pohjoisemmas liikutaan ja Mercatorin projektiolla Suomi näyttääkin pitkittäin aika tasapaksulta verrattuna Lambertin projektioon. Suurimmillaan vääristymä onkin yli 40% kunnan koosta Lambertin projektiolla. Tässäkin kartassa olisi ollut hyvä lisätä legendaan muutama lukuarvolaatikko enemmän, jolloin vääristymien vaihettuminen olisi näkynyt paremmin, etenkin pohjoisempana. QGIS:ssa sitä jossain vaiheessa vaihdoinkin, mutten tiedä miksi luovuin siitä versiosta.

 

Lähteet:

Heinonen, Roope. Vääristynyt todellisuus. https://blogs.helsinki.fi/hcroope/2018/01/25/22-01-2018/

Hartikainen, Kari. Projektioita ja vääristymiä: toisen opitunnin antia QGisin seurassa. https://blogs.helsinki.fi/hartkari/2018/02/04/projektioita-ja-vaaristymia-toisen-oppitunnin-antia-qgisin-seurassa/

Aloitin kurssin pari viikkoa myöhässä, joten kolmannen kurssikerran  alku meni suurimmaksi osaksi ohjelman käytön uudelleen opettelussa ja toimintojen muistelussa. QGIS on tuttu jo aikaisemmilta kursseilta, mutta vuodessa ehtii kummasti unohtumaan asia jos toinenkin.  Ensimmäinen tehtävä menikin suurelta osin ohi, mutta onneksi ohjeet ovat selkeitä ja QGIS asennettavissa omalle koneelle, niin kotona testailukin onnistuu. Pikkuhiljaa tunnin edetessä alkoi ohjelmiston käyttö muistua mieleen ja aloin päästä kärryille siitä mitä tapahtuu. Kuten Olivia Halmekin 1. kurssikerrastaan kertoo, oli opettajan perässä pysyminen aluksi haastavaa ja itsellenikin on kovin tuttu tuo oman ruudun vertaaminen opettajan ruutuun tuttu tekniikka.

Kuvassa 1 näkyy päivän kotitehtävä eli Suomen valuma-alueiden tulvaindeksit sekä järvisyys prosentteina. Tulvaindeksi saatiin laskemalla alueen keskiylivirtaaman ja keskialivirtaaman keskiarvojen välinen suhde. joka kertoo virtaaman vaihteluista. Tämä MHQ/MNQ -indeksi kertoo virtaaman vaihtelusta ja sen avulla saadaan selville virtaaman huipun ja kuivimman ajan ero. Tulvaherkkyys ja valuma-alueen järvisyys vaikuttaa olevan yhteys ja järvisillä alueilla tulvaherkkyys on pienempi kuin vähäjärvisillä alueilla. Tähän vaikuttaa järvien tulvia tasaava vaikutus sekä alueen korkeuserot. Etenkin tasaisilla alueilla, joissa on vähän järviä, voi tulvavedet nousta yli äyräiden melko helposti.

Ongelmia minulle tuotti tietokantojen yhdistämisessä oikeiden nimikkeiden saaminen. Myös pylväsdiagrammit tuottivat päänvaivaa, kun en meinannut millään saada niitä näkyviin enkä järkevän näköisiksi. Muutaman kerran pitikin turvautua googlen apuun, jotta sai asiat toimimaan. Seuraava haaste oli tulosteen tekeminen. Tässä vaiheessa tajusin onneksi tarkastella aikaisempien luentojen materiaaleja, joista löytyi kuin löytyikin apua ongelmaan ja sain aikaiseksi kuvatiedoston melkoisen sukkelaan.

Karttojen tekemien oli hauskaa, vaikkei ongelmatonta ollutkaan. Vasta jälkeen päin kuitenkin huomasin, että kotitehtävän kartasta oli mittakaavaan jäänyt virhe, eikä se alakaan nollasta ja selitteen järvisyysprosentti-kohdastakin oli tippunut prosenttimerkki kyydistä.. Näköjään innokkuudenpuuskassa jäi oikoluku tekemättä. Karttaan olen muuten suht tyytyväinen, mutta tulvaindeksin eri arvojen värityksen sävyeroja olisi voinut säätää selkeämmäksi. Myös histogrammin palkit voisivat olla hitusen kapeampia.

 

 

Lähteet:

Halme, Olivia. 1. Kurssikerta: Räpiköintiä QGis-meressä (19.1.2018).  https://blogs.helsinki.fi/halmeoli/2018/01/19/1-kurssikerta-rapikointia-qgis-meressa/ (luettu 1.2.2018).

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!