Category: Uncategorised

Blogini on nyt valmis arvioitavaksi.

Viimeisellä kurssikerralla päästiin toteuttamaan vapaavalintainen karttaprojekti – aineiston etsimisestä ja muokkaamisesta lähtien. Kurssikerta oli melko työläs, mutta samalla oli opettavaista tehdä kaikki vaiheet alusta alkaen itsenäisesti.

Selailin läpi useita sivustoja ja ongelmaksi muodostui alussa sopivan alueen ja tutkimuskohteen rajaaminen: aineistoa oli saatavilla valtavasti. Löysin hyvät pohja-aineistot Natural Earth Data –sivustolta (Natural Earth Data, 2019) ja avasin ne aluksi QGIS:iin. Sain kartalle näkyviin muun muassa valtiot rajoineen, valtameret, järvet, joet sekä suuret kaupungit.

Aineistoa näytti löytyvän kattavasti etenkin Yhdysvaltojen alueelta, joten rajasin sen tutkimusalueekseni. Rajasin siis kaikki avatut suuret tietokannat Clip-toiminnolla valtion rajoja käyttäen. Löysin samalta sivustolta myös osavaltioiden rajat, joten otin ne mukaan tarkasteluun nimineen. Taustakartan laatiminen oli kätevää, kun kaikki tärkeimmät pohja-aineistot löytyivät yhtenäisessä muodossa samalta sivustolta.

Päätin tarkastella aluksi USA:n kansallispuistoja ja muita suojeltuja alueita koskevaa aineistoa, joka löytyi aluemuotoisena Natural Earth Data:n sivuilta. Sain tämän tason aiempien tapaan melko kätevästi auki ohjelmistossa ja koordinaatistotkin näyttivät olevan kohdallaan (kaikissa aineistoissa sama WGS84 käytössä). Projektio kylläkin vääristi huomattavasti pohjoisia alueita ja etenkin Alaskan osavaltion pinta-alaa, mutta kaikkien tasojen muuntaminen ei tuntunut järkevältä. Laadin kartan kaikista USA:n kansallispuistoista (kuva 1) ja esitin Alaskan erikseen kartan vieressä. Kuten kartasta näkyy, USA:ssa on melko paljon pinta-alaltaan suuria kansallispuistoja: näistä suurimpia ja tunnetuimpia muun muassa Yellowstone, Death Valley, Grand Canyon ja Alaskan laajat pohjoiset alueet.

Kuva 1. Kansallispuistot Yhdysvalloissa, erikseen Alaskan osavaltio, jonka kokoa projektio vääristi.

 

Löysin myös vastaavanlaista aluemuotoista dataa urbaaneista kaupunkialueista ja rajasin sen tuttuun tapaan Clip-toiminnolla USA:n alueelle. Kuten tekemästäni kartasta (kuva 2) näkyy, USA:ssa on useita suuria urbaaneja alueita, joista etenkin rannikkoseudut erottuvat keskittyminä. Suuresta valtion kokoisesta kartasta oli vaikeaa erottaa yksittäisiä kaupunkialueita, joten esitin kaikista suurimmat asutuskeskittymät erikseen zoomattuina. Näitä alueita ovat itärannikon ”Bosh-Wash”-kaupunkiketju, länsirannikon Kalifornian ja San Franciscon alue sekä etelärannikko ja Floridan niemimaa. Myös pohjoisessa lähellä Kanadan rajaa Suurten Järvien alueella on useita kaupunki- ja teollisuuskeskittymiä. Kaikilla edellä mainituilla alueilla useat suuret kaupungit ovat niin sanotusti kasvaneet yhteen muodostaen yhtenäisiä metropolialueita.

Kuva 2. Urbaanit kaupunkialueet Yhdysvalloissa. Erillisinä kuvina kolme suurinta asutuskeskittymien aluetta.

 

Halusin vielä lopuksi tarkastella joitakin USA:ssa esiintyviä luonnonhasardeja, joita alueella riittää monentyyppisiä. Selailtuani pitkään eri sivustoja, löysin varsin kattavan tietokannan maanjäristyksistä USA:ssa vuosina 1568 – 2004 (MapCruzin, 2019) eli lähes viidensadan vuoden ajalta. Alkuperäinen pistetietokanta näytti melko sekavalta aineiston laajuuden takia, eikä luokittelukaan onnistunut helposti. Päätin siis kokeilla heatmapin tekemistä tuodakseni selkeyttä aineistoon– kartalle tulivat näin näkyviin alueet, joilla pisteitä esiintyy eniten. Kuten aiemman kurssikerran maanjäristystehtävissä havaitsin, eniten maanjäristyksiä tapahtuu litosfäärilaattojen saumakohdissa. USA:n alueella korostuvat etenkin Kalifornian San Andreasin siirros länsirannikolla ja pohjoiset raja-alueet Alaskan suunnalla (kuva 3). Myös Havaijin tuliperäinen alue Atlantilla erottuu kartasta.

Kuva 3. Maanjäristykset Yhdysvalloissa vuosina 1568 – 2004 kuvattuna heatmapilla (oikeassa alakulmassa alkuperäinen pisteaineisto).

 

Viimeinen kurssikerta oli aiemmista poikkeava itsenäisen työskentelyn määrän vuoksi, mutta samalla oli hauskaa etsiä itseä kiinnostavia aineistoja ja luoda niin sanotusti pienistä palasista kooten uusia karttoja. Tarkastelualueeni oli mielestäni hyvä, koska USA:sta löytyi melko helposti luotettavaa aineistoa pitkältä aikaväliltä – jos aikaa olisi ollut, olisi ollut kiinnostavaa laatia kartat esimerkiksi hurrikaanien vaikutuksista ja talouden kehityksestä eri osavaltioissa (nämäkin aineistot löytyivät selailun ohessa). Katselin lopuksi muiden kurssilaisten laatimia karttoja, joita olikin hyvin monentyyppisiä. Esimerkiksi Katja Pulkkinen (Pulkkinen, 2019) oli tarkastellut monipuolisesti terveyteen liittyviä tilastoja Euroopassa. Myös Sanni Laaksonen oli tarkastellut USA:aa blogissaan (Laaksonen, 2019) mielenkiintoisesti kaivosten ja vesistöalueiden näkökulmasta.

 

Lainatut lähteet

Laaksonen, S. (6. maaliskuu 2019). kurssikerta 7. Noudettu osoitteesta https://blogs.helsinki.fi/sanlaaks/2019/03/03/kurssikerta-7/

MapCruzin. (6. maaliskuu 2019). Noudettu osoitteesta https://mapcruzin.com/natural-disaster-shapefiles/earthquakes-arcgis-shapefile-download.htm

Natural Earth Data. (6. maaliskuu 2019). Noudettu osoitteesta https://www.naturalearthdata.com/

Pulkkinen, K. (6. maaliskuu 2019). kurssikerta 7. Noudettu osoitteesta https://blogs.helsinki.fi/kzpulkki/2019/03/01/kurssikerta-7/

 

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

 

 

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

 

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

 

 

Kolmannella kurssikerralla käsiteltiin erityyppisiä tietokantoja.

Tarkasteltava Afrikka-aineisto oli hyvin yksityiskohtainen – jopa liiallisuuksiin saakka, joten sitä piti ”karsia” ennen seuraavia vaiheita. Dissolve-työkalulla onnistuin yhdistämään tietokannan alueet maiden mukaan – eli jokaista maata kohden jäi yksi sarake attribuuttitauluun. Vielä ennen varsinaisia tehtäviä oli tuotava taulukkomuotoinen tiedosto Excelistä QGIS:iin. Tämä tapahtui tallentamalla tiedosto ensin csv-muodossa ja tuomalla se ohjelmistoon Delimited text layer -tyyppisenä. Myös tietokantojen yhdistäminen edellisestä kerrasta tutulla Join-toiminnolla sujui kätevästi: Afrikka-tietokantaan liittyivät siis Excelistä tuodut tiedot muun muassa internetin ja sosiaalisen median käyttöön liittyen.

Yleensä alueellista tietoa on järkevää tutkia suhteutettuna väkilukuun tai vastaavaan muuttujaan: tässä tapauksessa internetin käyttäjien suhteellista osuutta absoluuttisten lukujen sijaan. Prosentuaalisten osuuksien laskeminen onnistui Field Calculatorilla totuttuun tapaan, ja attribuuttitaulukkoon syntyi uusi sarake kuvaamaan internetin läpäisevyyttä (käyttäjien osuus valtion väestöstä). Visualisoin nämä tiedot kartalle (kuva 1) , josta näkyvät maakohtaiset erot. Yleisesti ottaen internetin läpäisevyys on melko hyvä valtion kehittyneisyyden mittari – se kertoo samalla myös yleisestä infrastruktuurista, sähköverkkojen laajuudesta ja taloudellisesta tilanteesta. Kartan perusteella suhteellisesti eniten internetin käyttäjiä on Keniassa, Libyassa, Malissa ja Marokossa.

Kuva 1. Internetin läpäisevyys Afrikan valtioissa vuonna 2018.

 

Kurssikerralla käsiteltiin myös muita Afrikkaan liittyviä tietokantoja, joita olivat konfliktit, öljykentät ja timanttikaivokset. Tavoitteena oli tarkastella ilmiöiden esiintymistä valtioiden sisällä, joten Count Points in Polygon -työkalu toimi tässä tarkoituksessa hyvin timanttien ja konfliktien kohdalla. Aluemuotoisten öljykenttien tietojen liittäminen puolestaan tapahtui Join Attributes by Location -työkalulla. Laadin tuloksena saaduista uusista tietokannoista kaksi karttaa: toisen konfliktien määristä eri valtioissa (kuva 2) ja toisen timanttien esiintymisestä (kuva 3). Oli mielenkiintoista myös pohtia annettujen tietojen perusteella, onko tapahtumien välillä mahdollista korrelaatiota – tapahtuuko esimerkiksi öljy- ja timanttialueilla paljon konflikteja tai korreloivatko luonnonvarojen löytyminen ja internetin yleistyminen ja elintason nousu keskenään.

Kuva  2. Afrikassa esiintyneet konfliktit maittain vuosina 1947 – 2008.

 

Kuva 3. Timanttikaivosten sijainti Afrikassa.

 

Tekemistäni kartoista löytyy muutamia kiinnostavia havaintoja. Ainakin muutamilla alueilla esimerkiksi Angolassa ja sen naapurivaltioissa on runsaasti sekä timanttikaivoksia että konflikteja – sen sijaan internetin läpäisevyys on alueilla pysynyt heikkona. Monissa Afrikan valtioissa kaivostoiminta on ulkomaisten yhtiöiden hallussa, eivätkä paikalliset välttämättä hyödy voitoista – tämä yhdessä aluekiistojen kanssa voi olla yksi konfliktien aiheuttaja. Ne alueet, joilla internetin läpäisevyys on korkea (Kenia, Libya, Mali yms.), on myös esiintynyt keskivertoa vähemmän konflikteja. Tämä näyttäisi tukevan oletusta, että internetin saavutettavuus korreloi korkeamman elintason ja sitä myöten kenties vakaamman yhteiskunnan kanssa.

Afrikan jälkeen siirryttiin melko erityyppiseen aineistoon: tulvaindekseihin ja järvisyyteen Suomessa. Tehtävän vaiheet olivat kuitenkin samat kuin aiemmin. Aluksi tuli lisätä tietokantoja ja sitten yhdistellä niiden tietoja valuma-alueet -tietokantaan. Tarkoituksena oli laskea eri jokien valuma-alueiden tulvaindeksejä, mikä tapahtuu jakamalla keskiylivirtaama (MHQ) keskialivirtaamalla (MNQ). Kasattuani kaikki vaaditut tiedot samaan taulukkoon, tapahtui tulvaindeksien laskeminen helposti uuteen sarakkeeseen. Samaan loppukarttaan tuli liittää myös valuma-alueiden järvisyysprosentit (taulukko tuotu Excelistä) joko pylväinä tai ympyrädiagrammeina. Laadin siis lopuksi kartan, josta käyvät ilmi sekä tulvaindeksit että järvisyys (kuva 4).

Kuva 4. Suomen jokien valuma-alueiden tulvaindeksit ja järvisyysprosentit.

 

Kuten yllä olevasta kartasta näkyy, tulvaindeksit ovat suurimmillaan Etelä-Suomessa ja Pohjanmaalla. Tämä ei ole sinänsä yllättävää ainakaan matalilla alueilla meren läheisyydessä, joissa on tyypillisesti tulvia etenkin keväisin. Sen sijaan pienin tulvariski on alueilla, joissa järvisyys on suuri (Keski-Suomi, Itä-Suomi). Tulvaindeksin ja järvisyyden välillä näyttää siis olevan selvä korrelaatio – kenties järvisillä alueilla maastonmuodot ja vesistöjen laajuus estävät tulvien syntymistä, kuten muun muassa Amelia Cardwell pohtii blogissaan (Cardwell, 2019). Lisäksi myös meren läheisyys saattaa vaikuttaa asiaan.

Kolmas kurssikerta oli hyvää harjoitusta etenkin erilaisten tietokantojen yhdistelyyn ja käsittelyyn liittyen – toisessa tehtävässä toimenpiteet alkoivat sujua jo rutiinilla. Jälkikäteen mietittynä Afrikka-tehtävässä olisi voinut tehdä vielä yhden kartan, jossa tarkastellaan öljyä ja konflikteja rinnakkain. Laura Ahola toteaa blogissaan (Ahola, 2019), että myös öljyn vaikutus alueiden talouteen olisi ollut kiinnostava tutkimuskohde. Yleensähän juuri suurilla öljylöydöksillä on nopea vaikutus valtioiden kehitykseen, mikä on nähtävissä esimerkiksi Lähi-Idässä. Valuma-aluetehtävän kartasta oli aavistuksen hankalaa saada selkeää – informaatiota tuntui olevan liikaa (pylväät yms.), mutta mielestäni lopputulos on kuitenkin ihan kohtuullisen ymmärrettävä.

 

Lainatut lähteet

Ahola, L. (31. tammikuu 2019). Hermot koetuksella. Noudettu osoitteesta https://blogs.helsinki.fi/lauahola/2019/01/31/hermot-koetuksella/

Cardwell, A. (31. tammikuu 2019). Viikko 3: Tulvaindeksejä, järvisyysprosentteja sekä pettyminen teemakarttaan. Noudettu osoitteesta https://blogs.helsinki.fi/amca/2019/01/30/viikko-3-valuma/

Toisella kurssikerralla perehdyttiin tarkemmin projektioihin ja niiden merkitykseen. Vaikka aiemmilla kursseilla onkin käyty erilaisia projektioita melko kattavasti läpi, yllättää niiden vaikutus karttoihin ja paikkatietokantoihin kerta toisensa jälkeen.

Tarkastelimme projektion merkitystä pinta-alojen ja pituuksien laskemisessa. Piirsin aluksi suomineidolle ”hatun” eli rajasin koilliskärjestä alueen pinta-alatyökalulla. Muutin projektiota lennosta ja tarkkailin, miten näkyvä pinta-ala muuttui. Piirsin Suomen päälle myös itä-länsi –suuntaisen mittausviivan noin Oulun korkeudelle ja vaihdoin edellisen kohdan tapaan projektioita lennossa kirjaten uudet tulokset Exceliin. Koostin näistä tuloksista taulukon (taulukko 1), josta näkyvät mittaustulokset useilla eri projektioilla.

Taulukko 1. Eri projektioiden pituuksien ja pinta-alojen vertailua.

 

Useilla yleisimmällä Suomessa käytetyillä projektioilla (ETRS-TM35FIN, ETRS-LAEA, vanhempi KKJ) tulokset olivat melko samanlaisia. Pahamaineisella Mercatorin Sphere-projektiolla tulokset muuttuivat puolestaan täysin – mitä pohjoisempia alueita tarkastellaan, sitä suurempi vääristymä on. Sen sijaan pohjoisessa arktisilla alueilla käytetyllä WGS 84 Arctic Polar Stereographic – projektiolla vääristymät kasvoivat etelään mennessä.

Laadin näistä pinta-alavääristymistä kaksi karttaa, joista käyvät ilmi pinta-alojen suhteelliset erot. Tätä varten tuli ensin yhdistää tietoa kahdesta eri tietokannasta Join-toiminnolla, joka toimi melko sujuvasti. Myös prosenttilaskun (kuinka monta % suurempi kuin…) tulokset näyttivät olevan oikeaa suuruusluokkaa. Kuten edellä taulukkoa laatiessa havaitsin, Sphere Mercatorin pinta-alavääristymät kasvavat asteittain pohjoiseen mennessä (kuva 1).

Kuva 1. Sphere Mercatorin aiheuttamat pinta-alavääristymät verrattuna ETRS-TM35FIN-projektioon.

 

WGS 84 Arctic Polar Stereographic -projektion virheet pinta-aloissa ovat sen sijaan suurimmillaan eteläisessä Suomessa (kuva 2). Löysin muiden kurssilaisten blogeista lisää mielenkiintoisia vertailuja – esimerkiksi Emma Sinisalo oli tarkastellut blogissaan (Sinisalo, 2019) Lambertin ja Bonnen projektioita. Pinta-alavääristymät olivat suurimmillaan koillisessa Suomessa, mutta vääristymät eivät kasvaneet ”asteittain”, kuten itseni tarkastelemissa projektioissa, mikä oli mielenkiintoista.

Kuva 2. Pinta-alojen erot WGS 84 Arctic Polar Stereographic -projektion ja ETRS-TM35FIN:n välillä.

 

Projektioiden merkitys on suuri etenkin, jos tarkastellaan pinta-alaan suhteutettuja muuttujia. Yleisimpiä tällaisia muuttujia ovat esimerkiksi väestöntiheys ja eri ikäryhmien osuudet alueilla. Kurssikerran toisena tehtävänä olikin testata, miten projektion vaihtaminen vaikuttaa pinta-alojen suhteellisiin osuuksiin vääristävästi. Valitsin tarkasteltavaksi Natura 2000-alueet, jotka olivat alun perin ilmoitettu absoluuttisina lukuina. Suomessa Natura 2000-alueiden verkosto kattaa viisi miljoonaa hehtaaria, josta maa-alueita on kolme neljäsosaa ja vesialueita yksi neljäsosa (Ympäristöministeriö, 2019).

Tein tietokantaliitoksen yhdistämällä Natura-alueiden pinta-alat kuntien tietoihin ja laskin sitten suhteelliset osuudet käyttäen aluksi yleisintä ETRS-TM35FIN-projektiota. Laadin tuloksista vielä kartan (kuva 3), josta käyvät ilmi Natura-alueiden osuudet kuntien pinta-alasta. Alueita on selkeästi eniten pohjoisessa Lapissa – suurimmillaan noin 10 prosenttia koko kunnan pinta-alasta.

Kuva 3. Natura-alueiden osuus Suomen kuntien pinta-aloista (ETRS-TM35FIN)

 

Tehtävänä oli vertailla pinta-alojen vääristymistä projektion vaihtuessa, joten vaihdoin seuraavaksi Sphere Mercatoriin, joka vääristi aiemmin etenkin pohjoisia pinta-aloja. Laadin näistä tuloksista vastaavan kartan (kuva 4), josta näkyvät niin ikään Natura-alueiden osuudet. Kartta näyttää silmämääräisesti samalta: suurimmat alueet ovat Pohjois-Suomessa. Tarkemmin katsottuna legenda näyttää kuitenkin hyvin erilaiselta ja pinta-alaprosentit ovat huomattavasti pienempiä – suurinkin arvo on vain 1,4% aiempaan 10% verrattuna. Sphere Mercator suurentaa pohjoisia alueita valtavasti, jolloin myös Natura-alueiden suhteellinen osuus jää pienemmäksi.

Kuva 4. Natura-alueiden osuus kuntien pinta-aloista, projektiona Sphere Mercator

 

Kaikista kurssikerran tehtävistä jäi ainakin mieleen, ettei projektion valinta ole yhdentekevää. Jatkossa aionkin tarkistaa aina työskentelyn aluksi, että projektio on kyseiseen alueeseen ja tarkasteltaviin muuttujiin sopiva.

 

Lainatut lähteet

Sinisalo, E. (28. tammikuu 2019). Databasdjungeln och kartprojektioner. Noudettu osoitteesta https://blogs.helsinki.fi/sinisale/2019/01/25/databasorientering/

Ympäristöministeriö. (28. tammikuu 2019). Noudettu osoitteesta http://www.ym.fi/fi-FI/Luonto/Luonnon_monimuotoisuus/Luonnonsuojelualueet/Naturaalueet

Tämä blogi toimii Geoinformatiikan menetelmät 1 -kurssiblogina.

Kurssin ensimmäisellä viikolla tutustuttiin QGIS-paikkatieto-ohjelmistoon, joka perustuu avoimeen lähdekoodiin. QGIS sisältää kattavasti erilaisia työkaluja datan käsittelyyn ja visualisoimiseen, minkä lisäksi ohjelmistosta on mahdollista muokata hyvinkin ”oman näköinen” erilaisilla plugineilla eli lisäosilla.

Aluksi oli hyödyllistä käydä läpi ohjelmiston yleisimmät työkalut – olen käyttänyt QGIS:ia hieman aiemminkin, mutta pikakertaus oli pitkän tauon jälkeen tarpeen. Etenkin Field Calculatorin toiminta ja tietokantojen käsittely kaipaavat paljon toistokertoja ennen niiden käytön hallitsemista.

Aineistona kurssikerralla toimivat HELCOM-merialueen typpipäästöjä kuvaavat vektoritasot (muun muassa maakohtaiset kokonaistyppipäästöt, järvet ja merien syvyyskäyrät). Suhteellinen päästömäärä kuvaa yleensä maiden välisiä eroja paremmin kuin absoluuttiset määrät, joten attribuuttitauluun lisättiin kokonaan uusi sarake prosentuaalisille osuuksille ennen aineiston lopullista tarkastelua.

Lopputuloksena oli tarkoitus laatia mahdollisimman selkeä visualisointi typpipäästöistä Itämerellä. Kartan värimaailmat, sommittelu ja legendan sekä mittakaavan rakentaminen Print Composerissa ovat ainakin minulle joka kerta omanlaisensa haaste. Lopputuloksena syntyi siis kartta (kuva 1), johon olen jälkikäteen katsottuna ihan kohtuullisen tyytyväinen.

Kuva 1. Kartta typen maakohtaisista päästöistä Itämerellä.

 

Kartan värimaailma on mielestäni melko neutraali, eikä mikään varsinaisesti ”hyppää silmään”. Sivun sommitteluun en ole täysin tyytyväinen; ehkä kartta olisi toiminut paremmin pystysuuntaan aseteltuna. Legenda, mittakaava, maiden nimet ja pohjoisnuoli onnistuivat pienen säätämisen jälkeen hyvin. Kartan ulkoasun lisäksi on kiinnostavaa tarkastella sen välittämää tietoa typen päästöistä. Etenkin Puola nousee esiin suhteellisesti suurimpana saastuttajana, mikä ei sinänsä ole yllätys maan maatalousvaltaisuuden takia. Iina Rusanen huomauttaa blogissaan (Rusanen, 2019), että syynä voi olla myös Puolan suuri väkiluku ja pitkään jatkuneet ympäristöongelmat. Suomi näyttää selviävän melko kunniallisesti vertailusta – naapurimaista ainoastaan Viro ja Norja päästävät suhteellisesti vähemmän typpeä Itämereen.

Itämeren kokonaistilanne on jo pitkään herättänyt huolestusta, johtuen muun muassa voimakkaasta rehevöitymisestä. Itämeri on sinänsä poikkeuksellinen merialue, että sen vesi on vähäsuolaista murtovettä, syvyys keskivertoa huomattavasti matalampi ja alueen laivaliikenne hyvin vilkasta. Maatalouden, teollisuuden ja liikenteen aiheuttamia päästöjä on pyritty hillitsemään useilla eri suojeluohjelmilla ja lainsäädännön keinoin (Itämerihaaste, 2019).

Itämeri-tehtävän jälkeen oli vielä vapaamuotoisempi tehtävä, jossa tuli tarkastella Suomen eri kuntien tilastoja ja visualisoida niiden pohjalta mielenkiintoinen kartta/karttoja. Avasin kuntien vektoriaineiston, josta löytyi todella kattavasti erilaisia tilastoja. Päätin tarkastella vielä lähemmin eläkeläisten ja vuokralla asuvien suhteellisia lukumääriä eri kunnissa, koska alueiden väliset erot tulivat näillä muuttujilla hyvin ilmi.

Kuten kuvasta 2 näkyy, eläkeläisten prosentuaaliset osuudet ovat selkeästi suurimmat itäisessä ja osittain myös keskisessä Suomessa. Mielenkiintoista oli myös vertailla eläkeläisten ja työttömien määriä eri kunnissa. Saaga Laapotin blogista (Laapotti, 2019) löytyi kartta, josta kävi ilmi, että työttömiä esiintyy eniten samoilla alueilla kuin eläkeläisiäkin – toisin sanoen itäisessä Suomessa. Ilmiöön vaikuttanee ainakin kyseisten kuntien muuttotappio ja nuoremman työikäisen väestön muuttaminen eteläiseen ja läntiseen Suomeen töiden tai koulutuksen perässä.

Kuva 2. Eläkeläisten osuus kuntien väestöstä Suomessa.

 

Tarkastelin myös vuokralaisten suhteellista määrää eri kunnissa (kuva 3). Kartasta erottuvat hyvin selvästi suuret kaupungit, kuten pääkaupunkiseudun kunnat, Turku, Tampere, Jyväskylä, Kuopio, Joensuu, Oulu ja Rovaniemi. Tämä on odotettavissa, koska suurten kaupunkien asuntojen koot ovat keskimäärin pienempiä ja asuinkustannukset suurempia – toisin sanoen, mitä suurempi kaupunki, sitä enemmän vuokralla asuvia kärjistetysti on.

Kuva 3. Vuokralaisten osuus Suomen kuntien väestöstä.

 

Lainatut lähteet

Itämerihaaste. (27. tammikuu 2019). Noudettu osoitteesta http://www.itamerihaaste.net/tietoa_meista/itameren_tila/itameren_tilaan_vaikuttavat_tekijat

Laapotti, S. (27. tammikuu 2019). Hyppy QGIS:in syövereihin. Noudettu osoitteesta https://blogs.helsinki.fi/saagalaa/

Rusanen, I. (27. tammikuu 2019). QGIS tutuksi. Noudettu osoitteesta https://blogs.helsinki.fi/iinarusa/

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