6. Pisteitä ja hasardeja

Kuudennella kurssikerralla harjoiteltiin muun muassa paikkatiedon keräämistä Epicollect5-sovelluksella ja sen tuomista QGIS:iin. Lisäksi interpoloitiin pisteitä Google Mapsia apuna käyttäen ja käsiteltiin erilaisia hasardiaineistoja Excelissä ennen niiden tuomista ohjelmistoon.

Kurssikerran alussa kiersimme ryhmissä Kumpulan lähimaastossa ja tallensimme EpiCollect5-sovelluksen kyselylomakkeeseen tietoa kymmenestä eri paikasta. Vastasimme kysymyksiin koskien muun muassa kohteen viihtyisyyttä, ihmismäärää ja turvallisuutta arvioiden niitä asteikolla 1-5. Yleisesti ottaen puistoissa ja muissa julkisissa tiloissa oli melko hiljaista, mihin vaikutti toki helmikuinen sää ja ajankohta myöhään iltapäivällä.

Kävelyretken jälkeen ryhmien saamat tiedot ladattiin yhteen tiedostoon, joka piti seuraavaksi tuoda omalle tietokoneelle ja QGIS:iin. Tietojen tuominen onnistui helposti Excelin kautta Add Delimited Text Layer -toiminnolla ja ohjelmisto tunnisti csv-muotoisen taulukon automaattisesti. Käytin taustakarttana Open Street Map:ia ja havaitsin, että kaikki pisteet näyttivät sijoittuneen suurin piirtein oikeille paikoilleen – muutamissa kohdissa oli kylläkin pientä parin metrin heittoa sijainneissa. Visualisoin pisteet turvallisuuden (1-5) mukaan ja laadin lopputuloksista kartan (kuva 1). Kuten kartasta näkyy, useimmissa pisteissä turvallisuus on koettu melko hyväksi; yhden pisteen tuloksia ei ole ollenkaan.

Kuva 1. Koettu turvallisuus (asteikolla 1-5) Kumpulan lähimaaston havaintopisteissä.

 

Myös seuraavassa tehtävässä käsiteltiin pisteitä – tällä kertaa ne piti luoda itse. Tehtävässä tarkasteltiin Helsingin ydinkeskustan kortteleita ja katukuvassa näkyvää kaupallisuutta. Loin siis uusia pisteitä noin 10 kappaletta ja arvioin kaupallisuutta (kauppojen julkisivut, mainokset yms.) asteikolla 1-5. Pisteet oli tarkoitus vielä interpoloida, mutta jostain syystä työkalu ei ainakaan meidän kurssiryhmämme jäsenillä toiminut. Työkalun käyttö tuli kuitenkin tutuksi, sillä testasin sitä aikaisemmin käytettyjen Epicollect5-pisteiden kanssa.

Kurssikerran loppupuolella haettiin hasardeihin ja luonnonilmiöihin (maanjäristykset, tulivuoret ja meteoriitit) liittyvää tietoa Excelin kautta QGIS:iin. Pikainen Excel-kertaus oli hyödyllinen, koska pilkkujen muuttaminen pisteiksi ja tekstin muotoileminen sarakkeiksi helpottivat tiedon saamista QGIS-kelpoiseen muotoon. Hain aluksi kaikki yli 6 Richterin maanjäristykset pistetiedostona ja toin ne ohjelmaan pohjakartan päälle näkyviin. Maanjäristysten määrä oli suuri, joten yksittäisten tietojen hahmottaminen oli vaikeaa. Sen sijaan pisteiden sijoittumisesta voi päätellä esimerkiksi litosfäärilaattojen sijainnit selvästi. Kuten kartasta (kuva 2) näkyy, suurin osa maanjäristyksistä on tapahtunut litosfäärilaattojen reuna-alueilla (kuva 3) ja etenkin Tyynenmeren tulirenkaan ympäristössä.

Kuva 2.  Yli 6 Richterin maanjäristykset vuosina 1980-2012.

 

Kuva 3. Litosfäärilaattojen reunat (lähde: https://www.worldatlas.com/articles/major-tectonic-plates-on-earth.html)

 

Kokeilin seuraavaksi suodattaa alle 8 Richterin maanjäristykset tietokannasta, jolloin näkyviin tulivat kaikista voimakkaimmat järistykset. Kartasta (kuva 4) näkee, että useimmat voimakkaat maanjäristykset ovat tapahtuneet laattojen törmäys- tai erkanemiskohdissa. Toisin kuin edellisestä kartasta, tästä erottaa myös yksittäiset järistykset.

Kuva 4.  Yli 8 Richterin maanjäristykset vuosina 1980-2012. 

 

Halusin tarkastella vielä tulivuorien sijoittumista, joten latasin hieman samantyyppisen tulivuoritietokannan. Vertailin vielä tulivuorien sijainteja maanjäristyskarttoihin ja etenkin yli 6 Richterin järistysten kartta näytti hyvin samanlaiselta tulivuorikartan kanssa (kuva 5). Tämä on ymmärrettävää, koska tulivuoria syntyy juuri laattojen saumakohtiin – useimmiten erkanemiskohtiin kilpitulivuoria ja törmäyskohtiin kerrostulivuoria. Olisi ollut kiinnostavaa luokitella havaintoja vielä tarkemmin tyypin mukaan: millä alueilla esiintyy minkäkin tyyppisiä tulivuoria. Esimerkiksi Nestori Grönholmin blogista (Grönholm, 2019) löytyi karttoja, joissa tulivuoria oli luokiteltu vielä purkautumisajankohdan ja vedenalaisen sijainnin mukaan.

Kuva 5. Yli 8 Richterin maanjäristykset ja tulivuorien sijainnit samalla kartalla.

 

Tehtävässä tuli pohtia karttojen soveltuvuutta opetuskäyttöön. Vaikka tekemäni kartat ovat melko pelkistettyjä, voisi niistä olla apua esimerkiksi litosfäärilaattojen rajoja ja niiden läheisyydessä tapahtuvia ilmiöitä (maanjäristykset, tulivuorenpurkaukset) tarkasteltaessa.

Lainatut lähteet:

Grönholm, N. (27. helmikuu 2019). Luku 6. Pakkasesta tulivuoreen. Noudettu osoitteesta https://blogs.helsinki.fi/nestorig/2019/02/26/luku-6/

World Atlas. (27. helmikuu 2019). Noudettu osoitteesta https://www.worldatlas.com/articles/major-tectonic-plates-on-earth.html

 

 

5. Ongelmanratkaisua

Viides kurssikerta oli mielestäni huomattavasti aiempia haastavampi, ja tehtävissä pääsi pohtimaan ratkaisuja monenlaisiin ongelmiin. Tutuiksi tulivat etenkin bufferivyöhykkeet, erilaiset valintatyökalut sekä tietokantaliitokset.

Ensimmäisessä tehtävässä tutustuttiin Clip-työkaluun, jolla leikattiin alueen pellot Pornaisten kunnan rajauksen mukaan. Peltojen pinta-alan sai kätevästi selville Statistics-paneelista. Seuraavassa vaiheessa hyödynnettiin viime viikolla luotuja vektoritasoja rakennuksista ja teistä Pornaisten alueella. Tavoitteena oli selvittää suurten teiden lähistöllä asuvien ihmisten määrä (rakennuksiin arvottu satunnainen asukasmäärä 0-5). Teiden ympärille laskettiin 100m bufferivyöhyke ja selvitettiin sen jälkeen Spatial Queryn ja Statistics-paneelin avulla vyöhykkeen sisään jäävien ihmisten määrä. Kokeilin puskureiden luomista vielä valmiiksi annettujen koulu- ja terveysasematasojen kanssa, ja kokosin kaikki tulokset samaan taulukkoon (taulukko 1).

 

Taulukko 1. Vastaukset kaikkiin kurssikerran tehtäviin.

peltojen pinta-ala (ha) 569,25
asukkaiden lkm alle 100km teistä 339
talojen lkm alle 100m teistä 138
asukkaita alle 500m terveyskeskuksesta % 30 %
asukkailla alle 1km kouluun % 65 %
asukkailla yli 1km kouluun % 35 %
asukkaita Malmin kentän 2km melualueella 57 242
asukkaita Malmin kentän 1km melualueella 8720
1km vyöhykkeen taloista rakennettu kentän käyttöönoton (1936) jälkeen 698
edellä mainituissa taloissa asukkaita 8527
asukkaita Helsinki-Vantaan 2km melualueella 10 488
asukkaita Helsinki-Vantaan 65dB melualueella 27
asukkaita Helsinki-Vantaan vähintään 55dB melualueella 11 913
asukkaita kiitoradan jatkon (7km) 500m meluvyöhykkeellä 11 185
asukkaita alle 500m päässä asemista 265 201
asukkaita alle 500m päässä asemista % 25 %
työikäisiä asukkaita (15-64v) alle 500m päässä asemista asuvista % 71 %
työikäisiä asukkaita (15-64v) alle 500m päässä asemista 188 583
asukkaita taajamissa 933 893
kouluikäisiä yhteensä alueella 103 385
alueen asukkaista asuu taajamissa % 87 %
kouluikäisiä (7-16v) taajamien ulkopuolella 11 212
edellä mainittujen osuus kaikista kouluikäisistä % 11 %
kuinka monella alueella (taajamat) ulkomaalaisten osuus yli 10% 65
kuinka monella alueella (taajamat) ulkomaalaisten osuus yli 20% 22
kuinka monella alueella (taajamat) ulkomaalaisten osuus yli 30% 14
asuinrakennuksia Helsingissä rakennettu vuosina 1965–1970 5068
edellä mainituista kerrostaloja 921
kerrostaloasukkaat, joiden elämää putkiremontit ovat haitanneet/haittaavat lähivuosina 35 919
remontoitavien asuntojen määrä kerrostaloissa 29 141

 

Yhteisen alkuharjoituksen jälkeen siirryin itsenäistehtävään, jossa tarkasteltiin Malmin ja Helsinki-Vantaan lentokenttien melualueita hyödyntäen aiemmin opittuja taitoja. Aiemmin opituilla piirtämistyökaluilla laadin aluksi uudet tasot lentokenttien kiitoradoista – näiden tasojen ympärille oli tarkoitus laskea vyöhykkeet (kuva 1). Kirjasin aiemmin luotuun taulukkoon melualueiden sisällä sijaitsevien rakennusten ja asukkaiden määrät. Hieman yllättävää oli, että pahimmilla melualueillakin asuu jonkin verran ihmisiä: esimerkiksi Malmia ympäröivällä 2km melualueella asuu 57 242 asukasta ja Helsinki-Vantaan vastaavalla vyöhykkeellä 10 488. Lentokenttätehtävässä haluttiin myös tutkia, miten mahdollinen kiitoradan jatko ja vähintään 60dB lentomelu vaikuttaisivat Tikkurilan alueella. Piirsin siis kiitoradalle 6,5km jatkeen ja laadin sille bufferin: laskujeni mukaan 11 185 asukasta jäisi tämän 60dB meluvyöhykkeen sisäpuolelle.

Kuva 1. Kuvakaappaus Helsinki-Vantaan bufferoinnista ja kiitoradoista.

 

Vastaavalla tekniikalla laskin myös Helsingin ja Vantaan rautatie – ja metroasemien 500m buffereita ja selvitin, kuinka paljon asukkaita asuu näiden sisällä. Työikäisistä (15-64v) asukkaista peräti 71% asuu alle 500m päässä lähimmästä asemasta. Asemien sijainnit ovat siis tarkkaan harkittuja. Seuraavaksi tuli selvittää kouluikäisten (7-16v) määrä taajamien ulkopuolella. Laskin kouluikäiset uuteen sarakkeeseen, kuten aiemmin työikäiset, ja sain Spatial Querya käyttäen selville, että vain 11% kouluikäisistä asuu taajamien ulkopuolella.

Myös ulkomaalaistaustaisten määrien selvittäminen sujui melko helposti valitsemalla Select By Expression -työkalulla taajamat, joissa prosenttiosuudet ylittivät tehtävänannon rajat (10%, 20% ja 30%). Kaiken kaikkiaan ulkomaalaisten osuus on harvassa taajamassa kovin suuri – vain 14:ssa yli kolmanneksen.

Viimeisenä tehtävänä selvitin putkiremonttien sijoittumista pääkaupunkiseudulla. Parhaillaan putkiremontit ovat ajankohtaisimmillaan vuosina 1965-1970 rakennetuissa taloissa. Hyödynsin aiemminkin käyttämiäni valintatyökaluja – esimerkiksi Select Features By Value -toimi hyvin tietyllä aikavälillä rakennettujen talojen selvittämiseen. Kaikista aikavälillä rakennetuista taloista noin viidennes on kerrostaloasuntoja. Kaiken kaikkiaan putkiremontit ovat lähivuosina vaikuttaneet noin 30 000:n kerrostaloasukkaan elämään pääkaupunkiseudulla. Seuraavina vuosina tulevat remontti-ikään myös 80-luvulla rakennetut talot, joten asunnoista peräti 40% (Yle.fi, 2019) on lähivuosina putkiremontin kohteena.

Yritin vielä laatia kartan putkiremontti-indekseistä eli remontoitavien asuntojen suhteellisia osuuksia eri alueilla – en kuitenkaan saanut Join Attributes By Location – tai Count Points in Polygon -toimintoja toimimaan. Tyydyin siis laatimaan kartan, jossa näkyvät vuosina 1965-1970 rakennetut kerrostalot pisteinä (kuva 2). Katselin muiden blogeja samaan tehtävään liittyen, ja esimerkiksi Iida Ahava oli tehnyt blogissaan (Ahava, 2019) hyvin havainnollistavan kartan putkiremonteista.

Kuva 2. Vuosina 1965-1970 rakennetut pääkaupunkiseudun kerrostalot kartalla.

 

Kurssikerralla riitti pohdittavaa ja samalla tuli kerrattua useita erilaisia työkaluja ja työvaiheita. Varsinkin useimmissa harjoituksissa käytetyt Spatial Query, Statistics-paneeli, Field Calculator ja kaikki valintatyökalut lausekkeineen alkoivat sujua rutiinilla. Myös buffereiden luominen sujui kätevästi. Ainoastaan jotkin tietokantaliitokset (Join Attributes By Location yms.) tuottivat ongelmia. Pidin siitä, että kurssikerralla pääsi testaamaan tämänhetkistä osaamistaan ja hiomaan ongelmanratkaisukykyjä – vaikka se veikin välillä hieman aikaa osittain QGIS:n hitaiden prosessointien (etenkin työikäisten ja kouluikäisten päivitykset attribuuttitauluun) takia. Koen kuitenkin osaavani niin kutsutut perustoiminnot kohtalaisen hyvin tämän viikon jälkeen.

 

Lainatut lähteet:

Ahava, I. (26. helmikuu 2019). Viides kerta toden sanoo. Noudettu osoitteesta https://blogs.helsinki.fi/iidahava/2019/02/21/puskuria-bufferin-puskuriin-ja-joitain-spatiaalisia-queryja-kylkeen/

Yle.fi. (26. helmikuu 2019). Noudettu osoitteesta https://yle.fi/uutiset/3-9513792

 

4. Ruuduista rastereihin

Neljännellä kurssikerralla harjoitukset sisälsivät sekä ruututietokantojen että rastereiden tarkasteltua ja muokkaamista.

Ensimmäinen tehtävä aloitettiin luomalla ruututietokanta pääkaupunkiseudun alueelle. Tähän käytettiin Vector Grid -työkalua, jolla luotiin aluksi 1000m x 1000m kokoinen ruudukko valitsemalla manuaalisesti ruudukon rajaama alue kartalta.

Varsinainen tarkasteltava data löytyi pks_vaki -nimisestä varsin suuresta tietokannasta, joka sisälsi erilaista väestötietoa pääkaupunkiseudun asukkaista. Kurssikerralla tutuksi tulleen Spatial Query -työkalun avulla pystyi valitsemaan alueen (tässä tapauksessa ruudut) sisään jäävät pisteet (väestötietokanta). QGIS vaikutti olevan kaatumaisillaan työkalun toimiessa, mutta hetken odottelun jälkeen pisteet tulivat valituiksi. Nämä uudet pisteet tallennettiin omaksi tietokannakseen, jolloin turha alueen ulkopuolinen aineisto karsiutui pois.

Seuraavaksi pisteaineiston tiedot tuli liittää osaksi ruututietokantaa. Prosessoitavan tiedon suuren määrän vuoksi tallensin vain halutut sarakkeet omaksi tietokannakseen (esimerkiksi tiedot ruotsinkielisten ja kaikkien asukkaiden lukumääristä), minkä jälkeen yhdistäminen tapahtui Join Attributes by Location -työkalulla sujuvasti. Nyt oli mahdollista tarkastella yksittäisten ruutujen sisään jääviä väestötietoja. Visualisointivaiheessa jouduin vielä karsimaan joitakin alueen ulkopuolelle jääviä aineistoa vääristäviä pisteitä (muun muassa keskelle merta jääviä väestökeskittymiä).

Kokeilin vielä toistaa edellä mainitut työvaiheet itsenäisesti ja tein kaksi erikokoista ruudukkoa (500m ja 250m ruutukoolla) verratakseni niiden eroja ja selkeyttä tiedon välittämisessä. Käytin molemmissa kartoissa absoluuttisia lukumääriä, vaikka yleensä väkiluvut on tapana ilmaista suhteellisesti prosentteina. Tässä tapauksessa ruudut olivat kuitenkin samankokoisia, joten lukumäärien tarkastelu niiden sisällä ajoi mielestäni saman asian. Ensimmäisenä tekemäni 500m x 500m kartta ruotsinkielisten osuuksista (kuva 1) oli mielestäni huomattavasti havainnollisempi kuin suurempi aluksi laadittu ruutukartta – joskin ruuduista on vaikeaa saada yhtä visuaalisesti miellyttäviä kuin tarkemmista aluemuotoisista aineistoista.

Kuva 1. Ruotsinkielisten määrä pääkaupunkiseudulla 500m x 500m ruutukokoa käyttäen.

 

Kokeilin myös pienempää 250m x 250m ruutukokoa, mutta tässä vaiheessa QGIS:n tehot eivät meinanneet riittää ruutujen luomiseen ja ohjelmisto kaatui ainakin kolmesti. Lopulta sain ruudut luotua ja tietokannat yhdistettyä ja loin vielä yhden kartan (kuva 2). Mielestäni 250m ruutukoolla tehdystä kartasta erottaa vielä paremmin alueiden ääriviivat ja se on selkeästi tarkin kurssikerralla laatimistani kartoista. Siitä erottaa, että ruotsinkieliset ovat keskittyneet pääkaupunkiseudulla pääosin ydinkeskustan alueelle sekä rannikoille (Espoo, Lauttasaari, Itä-Helsinki). Myös Kauniaisen kohdalla on ympyrämäinen keskittymä ruotsinkielisiä.

Kuva 2. Ruotsinkielisten määrä pääkaupunkiseudulla 250m x 250m ruutukokoa käyttäen.

 

Jälkikäteen katselin myös muiden kurssilaisten laatimia karttoja, ja esimerkiksi Eemil Haapanen oli tehnyt blogissaan (Haapanen, 2019) mielenkiintoisen kartan, jossa vertaili useita eri ruutukokoja vierekkäin käyttäen aineistona eläkeläisten määriä.

Ruututietokannoista siirryttiin käsittelemään ensimmäistä kertaa tällä kurssilla rasterimuotoisia aineistoja. Tarkasteltavana alueena oli Pornaisten kunnan alue, josta oli käytössä useita rasteriaineistoja. Pohjana käytettävä korkeusmallirasteriaineisto oli neljässä eri osassa, joten ne tuli aluksi yhdistää yhtenäiseksi tiedostoksi luomalla niin kutsuttu virtuaalirasteri. Tässä vaiheessa QGIS jäi jumiin melko pitkäksi aikaa ja koordinaattien kanssa oli hieman ongelmia – sain kuitenkin rasterit yhdistettyä pienen säätämisen jälkeen.

Luotua virtuaalirasteria visualisoitiin lisäämällä sen päälle muun muassa korkeuskäyrät (contours) ja rinnevalovarjostus (hillshade). Näin alueen korkeuserot tulivat hyvin esiin; etenkin säädettyäni vielä varjostuksen voimakkuutta ja kontrastia. Lisäsin aineistojen alle vielä peruskarttalehden, josta näkyivät esimerkiksi paikannimet ja tiet paremmin. Vertasin äskettäin luotua korkeusmallia ja -käyriä myös Maanmittauslaitoksen peruskarttalehteen (Maanmittauslaitos, 2019) ja totesin niiden vastaavan melko hyvin toisiaan.

Kurssikerran viimeisenä tehtävänä harjoiteltiin vielä digitoimista luomalla uudet vektorimuotoiset tasot Pornaisen alueen suurimmista teistä sekä asuinrakennuksista. Useiden kohteiden lisääminen onnistui helposti luomalla väliaikainen taso (Temporary Scratch Layer), johon pisteet tallentuivat. Manuaalinen pisteiden klikkailu oli melko puuduttavaa hommaa, joskin on hyvä tottua myös siihen, ettei aina ole valmiita aineistoja saatavilla ja ne pitää luoda itse. Kyseisiä uusia tasoja tarvitaan vielä seuraavalla kurssikerralla, joten tallensin ne lopuksi varsinaisiksi tasoiksi.

Kurssikerta oli hyvää harjoitusta ruututietokannan käsittelyyn sekä tutustumista rastereiden perusominaisuuksiin. Uudet hyödylliset työkalut, kuten Spatial Query ja Join Attributes by Location tulivat hyvin tutuiksi, ja QGIS:in perustoiminnot (tietokantaliitokset, visualisointi yms.) alkoivat sujua jo rutiinilla.

 

Lainatut lähteet

Haapanen, E. (18. helmikuu 2019). Kurssikerta 4 – Asukastietokantoja ja korkeuskäyriä. Noudettu osoitteesta https://blogs.helsinki.fi/hceemil/2019/02/14/kurssikerta-4-asukastietokantoja-ja-korkeuskayria/

Maanmittauslaitos. (18. helmikuu 2019). Tiedostopalvelu (peruskarttalehti L4322L). Noudettu osoitteesta https://tiedostopalvelu.maanmittauslaitos.fi/tp/kartta