4: Ruuduista rastereihin

Tämä keskiviikkoinen aamu laitettiin vauhtiin tuttuun tapaan teoriapläjäyksellä, jonka virkaa tällä kertaa toimittivat piste- ja ruutuaineistot: niiden haaliminen ja hyödyntäminen. Mukana oli paljon kertausta lukion mantsan tunneilta ja ekan periodin ”Johdatus geoinformatiikkaan” -kurssilta, mutta tulipa joukossa uusiakin yksityiskohtia aineistoihin liittyen.

Ruututeemakartta on siitä hyvä karttatyyppi, että sillä pystyy esittämään absoluuttisia arvoja ruudujen yhtäläisten kokojen ansiosta – aikaisemmilla kerroilla koropleettikarttojen kanssa taiteillessa esitetyt luvut on pitänyt esittää suhteutettuina, esimerkiksi prosentteina, koska tarkasteltavat alueet ovat olleet keskenään hyvinkin eri kokoisia. Toisaalta rasteriaineiston tarkkuus on riippuvainen tarkasteluetäisyydestä, toisin kuin vektoriaineistolla. Rasteriaineisto onkin vektorimuotoista aineistoa raskaampaa, koska se sisältää kaikki aluetta kuvaavat elementit samassa kuvassa.

Harjoitusosuudessa hypättiin tutkimaan pääkaupunkiseudusta koostuvaa tietokantaa, jolle operoitiinn mitä erinäisimpiä temppuja. Aluksi alueen päälle luotiin ruudukko grid-työkalulla, jonka jälkeen peliin tuotiin massiivinen pääkaupunkiseudun väestöstä kertova tietokanta, johon on merkitty jokainen pk-seudun rakennus (joita onkin kevyesti yli 94500 kappaletta) sekä esimerkiksi niiden väestötiedot. Ruudukko sovitettiin sopivan kokoiseksi ”Select by location” -työkalun avulla, ja ”Join attributes by location” -toiminnolla tuotiin itse dataa ruutuihin. Näin saatiin aikaiseksi ruutuesitys, joka kertoo ruotsinkielisten asukkaiden määrän 1km x 1km -kokoisilla alueilla ruuduttain (kuva 1). Kartta itsessään ei ole lainkaan informatiivinen, koska se ei sisällä legendaa eikä muitakaan tarpeellisia kartan elementtejä, mutta liitinpä sen nyt mukaan todistusaineistoksi harjoittelusta.

Kuva 1: Harjoittelua ruutuaineiston kanssa – ruotsinkielisten määrä 1 km x 1 km kokoisilla alueilla pääkaupunkiseudulla (vihreä/keltainen ruutu: enemmän ruotsinkielisiä asukkaita)

Teoria käytäntöön

Kotitehtävänä oli laatia toinen ruututeemakartta, jonka aiheeksi valitsin asukkaiden iän keskiarvon alueittain (kuva 2). Alkuun kuului luonnollisesti muutaman hetken verran sekoilua, mutta jälleen kerran yrityksen ja erehdyksen kautta, sekä huolellisen ohjeiden kertauksen jälkeen, toiminnot alkoivat iskostua syvemmälle takaraivoon. Ruudukon kooksi asetin tällä kertaa 1,5 kilometriä vaihtelun kunniaksi. ”Select by location” ja ”Join attributes by location” -toimintojen kanssa värkkäilyn jälkeinen lopputulos on nähtävillä alla. Luokkarajoiksi valitsin tällä kertaa  ”equal interval”, joka määritti luokkarajat mielestäni loogisiksi tasaluvuiksi.

Kuva 2: Pääkaupunkiseudun asukkaiden iän keskiarvo ruuduittain 1,5km x 1,5km alueilla (mukana vain ruudut, joissa oli asukasdataa)

Tein edelliselle kartalle kaveriksi toisen ruututeemakartan, joka kuvaa talojen rakentamisvuoden keskiarvoja (kuva 3) – tällä kertaa luokkarajojen arvoiksi valikoitui ”natural breaks”.

Kuva 3: Pääkaupunkiseudun talojen rakentamisvuoden keskiarvo ruuduittain 1,5km x 1,5km alueilla (mukana vain ruudut, joissa oli rakennusdataa)

Karttojen analysointia: sisältö

Kuten kuvasta 2 voi huomata, eniten pääkaupunkiseudulla on asukkaina 34-46 -vuotiaita henkilöitä. Tämä selittyy luonnollisesti pääkaupunkiseudun väestönjakaumalla (kuva 4). Erityisesti nuorempi väestö on asuttanut Helsingin keskusta-aluetta, mikä selittyy luultavasti nuoren väen halulla asua palveluita lähellä, tai ainakin hyvien liikenneyhteyksien varrella. Toisaalta asuntojen hinnat ovat tyypillisesti sitä kalliimpia, mitä lähempänä keskustaa ollaan. Opiskelija-asuntoja on erityisesti kampusten läheisyydessä, mikä osaltaan laskee iän keskiarvoa esimerkiksi Aalto-yliopiston lähettyvillä Otaniemessä.

Yllätyin siitä, että ruutuja, joissa asukkaiden keski-ikä on 22-34v, on vain pari hassua kappaletta. Toisaalta myös keski-iältään 70-82-vuotiaiden ruutuja on vain muutama, liekö näillä alueilla isoja vanhainkoteja ja kosolti muita vanhoille ihmisille tarkoitettuja asumisratkaisuja? Ruutujen koko on 1,5km x 1,5km, mikä vaikuttaa asiaan; tämän kokoiselle alueelle mahtuu paljon eri-ikäisiä asukkaita, joten enemmistönä toimivat 34-58-vuotiaat haukkaavat leijonasosan ruuduista itselleen. Ruutukoko voisi siis olla pienempi tarkempaa tarkastelua varten. Myös Annika on tutkinut pääkaupunkiseudun asukkaiden keski-ikää ruutukoolla 500m x 500m, mikä tarjoaakin havainnollistavampaa ja yksityiskohtaisempaa tietoa asutuksen jakautumisesta. Blogista löytyykin erittäin kattavaa pohdintaa ruututeemakartoista ylipäätään!

Talojen rakentamisvuoden valitsin toiseksi teemakartaksi, koska halusin vertailla, onko talojen ja niiden asukkaiden iällä mitään korrelaatiota. Vanhimpia taloja on Helsingin ydinkeskustassa, jossa sijaitseekin useita komean historian omaavia, jopa 1800-luvulta peräisin olevia kivitaloja, esimerkiksi Esplanadin arvokkaalla asuinalueella. Uudempia taloja taas sijaitsee paljon muun muassa Itä-Helsingin ja Vantaan alueella. Pääpiirteittäin rakennusten ja asukkaiden ikäluokat eivät juurikaan vastaa toisiaan, mitä arvelinkin: mieltymys uusiin, modernia tyyliä edustaviin taloihin ei katso ikää, niin kuin ei myöskään tykästyminen historian havinaa huokuviin asuinrakennuksiin. Lompakon paksuus sen sijaan määrää eniten ihmisten asumismuotoja ja -paikkoja – erityisesti kalliista asunnoistaan tunnetulla pääkaupunkiseudulla.

Kuva 4. Pääkaupunkiseudun kaupunkien ikäjakauma vuonna 2020, Tilastokeskus (StatFin)

Karttojen analysointia: ulkoasu

Valitsin kummankin teemakartan värisävyksi vihreän, mikä yhtenäistää karttojen sanomaa. Sekä asukkaissa että rakennuksissa käytin vaaleanvihreää väriä kuvaamaan nuorta ikää, ja tummempi väri kuvaa vanhempaa ikää. Kuten sanottua, ruutukoko voisi olla kummassakin kartassa pienempi, mikä havainnollistaisi esitettyjä muutujia vielä tehokkaammin. Nykyiselläänkin kartat kuitenkin mielestäni ilmaisevat pääpiirteittäin sen, mitä niiden pitääkin.

Asukkaiden iän keskiarvoa kuvaavan kartan “nuorin” arvo tosin sulautuu hyvin vaaleana turhan tehokkaasti taustaan, mitä olisin voinut fiksata. Jätin karttoihin näkyväksi joet ja järvet, jotka tuovat karttoihin vähän variaatiota – joet tosin näkyvät kartalla vain mustina viivoina, eikä legendassa ole niistä halaistua sanaakaan. Kaupunkien rajat auttaisivat hahmottamaan pääkaupunkiseutua paremmin, ja tärkeimmän nimistön lisääminen parantaisi muutenkin luettavuutta. Sannan blogi muistutti OpenStreetMapin hyödyntämisestä taustakarttana, jonka pluginin (QuickMapServices) olen itsekin ladannut – pitää vain vastaavaisuudessa muistaa käyttää sitä!

Bongasin Ilarin  blogista lukuisia tuhannen taalan vinkkejä karttojen ulkoasujen hiomiseen, kuten “pikimustien kohteiden muuttaminen harmaan sävyisiksi” (esim. alueiden rajat). Nämä havainnot korvan taakse laittaen on hyvä jatkaa!

Katse kohti Pornaisia

Kurssikerran toisella puoliskolla perehdyttiin rasteriaineiston käsittelyyn, ja tässä Pornaisten alueen peruskartta toimi testinukkena. Aluksi rasteriaineistot yhdistettiin virtual raster -toiminnon avulla sekä niiden projektiot vaihdettiin tuttuun ja turvalliseen TM35:een. Näin rasteriaineistot saatiin mukavan kompaktisti taustakartan alle nättiin muotoon. Seuraavaksi aineistolle lisättiin korkeuskäyrät, mikä hoituu Raster –> Contours-napin takaa, ja (hieman liioiteltu) rinnevarjostus, mikä puolestaan onnistuu rasterianalyysi-toiminnon alta (kuva 5). Lisäsin korkeuskäyrät ja rinnevarjostuksen itse kurssikerrankin aikana, mutta koska ne olivat scratch layereita, niin projektia uudestaan aukaistaessa ne olivat kadonneet kuin tuhka tuuleen. Alla olevat elementit lisäsin siis uudestaan, ja vastedes muistan toivon mukaan tallentaa tilapäiset layerit koneen muistille heti. Kuvassa 6 on Maanmittauslaitoksen maastokartta Pornaisten alueesta.

Kuva 5. Pornaisten alueen rinnevarjostusta ja korkeuskäyrät viiden metrin välein
Kuva 6. Maanmittauslaitoksen maastokartta Pornaisten alueesta (paikkatietoikkuna)

Pornaisten alue rajattiin, ja viime periodilta Temmistä tuttu kliksuttelu sai luvan alkaa, kun alueen rakennukset ja isoimmat tiet piirrettiin manuaalisesti, eli digitoitiin, uudelle shapefile-layerille (kuva 7). Aluksi homma sai aikaan vietnamilaisen flashbackin kaltaisia tuntemuksia, mutta A. Paarlahden tyyni neuvo suhtautua työhön ”meditatiivisella otteella” rauhoitti kohonneen verenpaineen ja karanneen sykkeen normaalilukemiin. Hommasta tulikin valmista verrattain nopeasti – urakan jälkeen tallensin heti teiden ja rakennusten scratch layerit pysyviksi layereiksi, koska ajatus bittiavaruuteen katoavista työn hedelmistä ei tuntunut lainkaan houkuttelevalta.

Kuva 7. Pornaisten alueelle manuaalisesti digitoidut tiet ja rakennukset, joita hyödynnetään ensi kurssikerralla

Tällä kurssikerralla tuli siis uutta asiaa laidasta laitaan. Kertaus kuitenkin on tässäkin tapauksessa opintojen äiti, vaikka samojen asioiden toisto tuntuukin aika ajoin turhauttavalta. Tehokkainta ja mieleenpainuvinta oppimisprosessia kuitenkin tapahtuu sen kuuluisan kantapään kautta. Ensi kerrasta lupailtiinkin Paarlahden toimesta tähän asti haastavinta ja oma-aloitteisinta – vajaa viikko tässä on kuitenkin aikaa jäähdytellä ja antaa juuri treenattujen asioiden hautua.

 

Lähteet

Innanen, A. Harjoitus 4: Väestöteemakartta ruutuaineistosta. Luettu 11.2.2021. <https://blogs.helsinki.fi/anninnan/2021/02/11/harjoitus-4-vaestoteemakartta-ruutuaineistosta/>

Jantunen, S. Ruutuleikkejä. Luettu 11.2.2021. <https://blogs.helsinki.fi/smjantun/2021/02/11/ruutuleikkeja/>

Kuntien avainluvut muuttujina Alue 2020, Tiedot ja Vuosi. Tilastokeskus, StatFin, Väestö. Haettu 11.2.2021 <http://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/>

Leino, I. Kolmas kurssikerta. Luettu 11.2.2021. <https://blogs.helsinki.fi/ilarilei/2021/02/08/kolmas-kurssikerta/>

Maastokarttarasteri 1:50 000, Pornainen. Maanmittauslaitos, Helsinki 2007. ( <kartta.paikkatietoikkuna.fi> )

4 Replies to “4: Ruuduista rastereihin”

Leave a Reply

Your email address will not be published.