THIS IS GIS

Viimeiseen kurssikertaan tuli valmistautua etsimällä netistä tietoa, jota voisi käyttää omien karttojen laadintaan. Meillä oli käytännössä täysin vapaat kädet itseä kiinnostavan aineiston esittämiseen, ja tämän kurssikerran vaikeimmaksi etapiksi muodostuikin sopivan aineiston löytäminen. Seikkailin pitkään loputtomassa vektorien ja taulukoiden maailmassa vailla päämäärää. Varsinaista kurssikertaa edeltävänä iltana päätin määrätietoisesti valita jonkin aineiston, ja sellainen löytyikin sitten nopeasti Maailmanpankin sivuilta. Ensin vastaani tuli taulukko valtioiden hiilidioksidipäästöistä, ja pohdin, mitä voisin kuvata sen kanssa. Samalta sivustolta löysin taulukon valtioiden kaupungistumisasteesta, ja mietin, näkyisikö näiden kahden asian yhteys kartalla. Päätin rajata tutkimukseni Etelä-Amerikkaan.

Aloitin kopioimalla taulukot Exceliin, jossa muokkasin niitä hyvän tovin. Seuraavaksi latasin QGIS:iin taulukon csv-tiedostona sekä karttapohjan. Kartassa olivat kaikki maailman valtiot, joten muutin projektiota saadakseni Etelä-Amerikan kaiken keskelle. Taulukon liittäminen karttaan onnistui Joins-toiminnolla pieneksi yllätyksekseni täysin vaivattomasti, joten sain hetkessä päästöt ja kaupungistumisasteen visualisoitua valtioittain koropleettikartalla. Halusin karttaani kuitenkin jotain hieman enemmän, joten hain netistä maailman kaupunkien vektorimuotoisen tiedoston, jonka avasin ohjelmistoon. Tarkoituksenani oli sijoittaa kartalle kaupungeista vain suurimmat, joten suodatin attrubuuttitaulukosta yli miljoonan asukkaan kaupungit. Valitsin sitten “invert selection” ja poistin nyt valittuna olleet kaikki miljoonakaupunkeja pienemmät kohteet.

 Kartoistani voi havaita yhteyden kaupungissa asuvan väestön osuuden ja hiilidioksipäästöjen välillä, eli pääasiassa mitä kaupungistuneempi valtio on, sitä suuremmat sen päästöt henkeä kohden ovat. Mielestäni kahta karttaa on kohtuullisen helppoa verrata, vaikka niissä käytetyt värit eivät ole samat. Havaitsin kuitenkin karttoja vertaillessani, että vertailtavia kohteita eli valtioita tulisi olla enemmän, jotta yhteyden voisi havaita helpommin. Etelä-Amerikkaa kuvatessani jouduin nostamaan luokkamäärän kuuteen selkeyttääkseni eroavaisuuksia valtioiden välillä. Päätin toistaa tehtävän Euroopan ja Keski-Aasian valtioilla, joita on enemmän kuin valtioita Etelä-Amerikassa. 

Eroopan kohdalla tuloksissa ei näy kovin selkeää yhteyttä, vaikka nyt luokat erottuvatkin paremmin suuremmalla aluemäärällä. Korkea kaupungistumisaste ei itsessään tarkoita suuria päästöjä. Jos suuret kaupungit onnistutaan rakentamaan tiiviiksi ja toimivaksi, ei päästöjä synny yhtä paljon liikenteestä. Myös ilmasto, uusiutuviin energialähteisiin satsaaminen sekä elinkeinorakenne vaikuttavat päästömääriin. Kaupungit ja toisaalta niiden ulkopuoliset alueet eivät ole identtisiä missään päin maailmaa, joten vertailu ei ole ongelmatonta.

Omasta mielestäni viimeisen kurssikerran vapaavalintainen tehtävä oli innostava. Vaikka mitään uutta ei opetettu, tuntui että taitoni kasvoivat kohisten kuten jokaisella kurssikerralla. Anna Avellan pohtii omassa blogissaan, oliko hänen viimeisen kerran työnsä “tarpeeksi haastava”, mutta pohtii sitten tärkeimmän asian olleenkin kyky toimia itsenäisesti ohjelmiston kanssa (Avellan 2020). Myös omasta mielestäni oli todella opettavaista tehdä kaikki aineiston hankkimisesta visualisointiin ilman ohjeistusta. Myönnän olleeni hieman hämmästynyt, kun työni eteni niin vaivattomasti. Näpyttelyt, klikkaukset ja komennot sujuivat enemmän rutiinilla kuin koskaan, ja pystyin kokeilemaan ohjelmistossa erilaisia toimintoja melko vaivatta. Viimeinen kurssikerta jätti todella positiivisen fiiliksen gissistä, ja päälimmäiseksi jäi halu oppia lisää ja tuottaa enemmän omia karttoja. Nyt on kuitenkin aika jättää gis-aivot lomalle, valmistautumaan tuleviin koitoksiin.

 

Lähteet:

Avellan, A. (2020). Lento QGIS 3.4.1 laskeutuminen. 1.3.2020. <https://blogs.helsinki.fi/avellana/2020/02/26/lento-3-4-1-laskeutuminen/>

Downloads. 1.3.2020. <https://www.naturalearthdata.com/>

World Bank Open Data (2014). 1.3.2020. <https://data.worldbank.org/>

World Cities. Esri. 1.3.2020. <https://hub.arcgis.com/>

Kuudennesta kurssikerrasta on ehtinyt vierähtää jo reilu viikko, mutta nyt on viimein aikaa palauttaa ajatukset gis:iin. Kuudes tunti oli oma suosikkini kurssilla, sillä suuntasimme heti aamukahdeksalta piristävään ulkoilmaan. Sateinen ja tuulinen sää ei ollut ehkä ideaalein aineiston keräämiseen, mutta nautin noin tunnin mittaisesta reippailusta silti. Tarkoituksenamme oli tallentaa puhelimeen ladattavalla Epicollect5-sovelluksella maastosta sijainteja, joita sitten arvioimme asteikolle 1-5 muun muassa niissä koetun turvallisuuden perusteella.

Luokkaan palattuamme kaikkien keräämät pisteet koottiin yhteen csv-tiedostoon, joka tuotiin QGIS:iin. Käytimme ensimmäistä kertaa interpolointia, jolla saimme visualisoitua turvallisuuden tuntemuksia mielenkiintoisella ja selkeällä tavalla. Alla on kuvakaappaus saaduista tuloksista, jotka toisaalta voisivat näyttää myös hieman erilaisilta interpolointiasetuksista riippuen. Vihreät alueet kampuksen lähimaastossa kuvaavat turvallista tunnetta ja punaiset turvatonta. Omat tuntemukset saattavat kuitenkin vaihdella esimerkiksi vuorokaudenajasta, iästä ja jopa säästä riippuen, joten olisi kiinnostavaa kerätä kyseisenlaista aineistoa pidemmältä aikaväliltä ja suuremmalla joukolla.

Itsenäistehtävän aiheena oli tällä kertaa erilaiset hasardit, joista itse valitsin kuvattavaksi maanjäristykset sekä tulivuorenpurkaukset. Vaikka jouduin lähteä kesken tunnin suunnatakseni myrskyiseen mutta ihastuttavaan Tvärminneen, en kokenut tehtävien kanssa niin paljoa vaikeuksia kuin aiemmilla kurssikerroilla.

Hasardeja kuvaavat pisteet tuotiin samalla tavalla csv-tiedostona kuin tunnin harjoituksessa. Suurten taulukoiden siirtelyssä ilmeni luonnollisesti joitakin ongelmia, jotka kuitenkin oli ratkaistavissa ilman hermoromahduksia. Ensin kuvasin kartalla tulivuoria sekä vuosien 2010-12 yli 7 magnitudin maanjäristyksiä, joiden sijoittumisessa on havaittavissa selkeitä yhteyksiä. Nämä hasardit liittyvät olennaisesti litosfäärilaattojen saumakohtiin ja liikkeisiin, ja esimerkiksi vulkanismin sekä seismisyyden perikuva, Tyynenmeren tulirengas, muodostuu nimenomaan litosfäärisaumoista.

Lukiessani Vilma Koljosen blogia ihailin kovasti hänen kartalle lisättyjä litosfäärilaattoja. Niitä ei löytynyt kurssikansiosta, vaan Koljosen sanojen mukaan hän sai “sukeltaa oman onnen[sa] varassa internetin ihmeelliseen maailmaan” etsimään vektoriaineistoa (Koljonen 2020). Päätin yrittää samaa, mutta tässä kohtaa itselläni ilmeni tehtävän suurin haaste. Olin jo luovuttaa aineiston tuomisessa QGIS:iin, mutta viimeisenä oljenkortenani tieni johti kultaiseen googletuksen ihmemaahan, josta ratkaisu pulmaani löytyi. Ymmärtääkseni olin yrittänyt tuoda vain osaa shape-tiedostosta, vaikka se toimii ainoastaan koko pakettia tuodessa.

Vaikka ensimmäisestä kartastani voi havaita maanjäristyksien sijoittumisen litosfäärilaattojen reunamille, halusin vielä kokeilla yhteyden visuaalista selkeyttämistä ottamalla mukaan magnitudia 6 suuremmat järistykset. Luokittelin myös järistykset voimakkuuksien perusteella luonnollisin luokkavälein. Kartasta voi havaita, että pienempien, vaikkakin voimakkaiden, järistysten sijoittumisessa on hieman enemmän hajontaa. Niitä esiintyy esimerkiksi Atlantin keskiselänteellä, kun voimakkaimmat maanjäristykset ovat suureksi osaa alityöntövyöhykkeillä tapahtuvia. Kartalta laattojen liikesuuntia tai -nopeuksia ei voi muuten päätellä, ja jonkinlaiset nuolet toimisivatkin asian visualisoinnissa. Muistankin omasta lukiokirjastani selkeän kuvan, jossa laattojen liikettä kuvaamassa oli sekä eri pituisia nuolia että kuvioita merkitsemässä laattojen sivuamista, erkanemista ja törmäämistä.

 

Lähteet: 

Koljonen, V. (2020). Raikasta ulkoilmaa! 1.3.2020.  <https://blogs.helsinki.fi/vilmakol/2020/02/19/raikasta-ulkoilmaa/>

Viidennen kurssikerran aloitimme muutamalla yhteisellä harjoituksella, jotka johdattivat meitä kohti yhtä viikon keskeisintä aihetta, bufferointia eli puskurianalyysien tekoa. Harjoittelimme ensin edellisellä kerralla tuotetulla aineistolla, joka kuvasi peltoja, teitä ja rakennuksia – mikä ihastuttava yhdistelmä vektoreita kolmessa eri muodossaan. Loimme eri kokoisia puskureita teiden sekä koulun ja terveysaseman ympärille saadaksemme selville eri kohteiden lähellä olevien rakennusten ja asukkaiden määrän.

Hyvin pian saimme ohjat omiin käsiimme, ja buffereilla tuli selvittää muun muassa lentokenttien meluvyöhykkeillä asuvien ihmisten määriä. Alussa tehtävät sujuivat varsin mainiosti, ja toistamalla “Buffer” ja “Select by location” -kaksikkoa alkoi puskurianalyysin tekeminen tuntua tutulta. Alapuolella kuvassa on pieni maistiainen buffereista Malmin lentokentän ympärillä.

Mutta kuten aina, tehtävillä on tapana vaikeutua loppua kohden. Taisteluni vektoreita vastaan ei ollut alkanutkaan. Ensimmäiseen haasteeseen törmäsin, kun halusin rajata kilometrin kokoiselta puskurivyöhykkeeltä rakennukset, jotka on pystytetty Malmin lentokentän avaamisen v. 1938 jälkeen. Tähän en keksinyt mitään Q-GIS:in laskutoimintoa, joten päädyin vaikeimman kautta laskemaan luvut Excel-taulukossa. Myöhemmin Roni Lindholmin blogia lukiessani valaistuin, kuinka asia laskettaisiin Q-GIS:issä suodattamalla ensin vuosiluvun perusteella käyttäen “Select Features by Expression”-toimintoa ja sitten valitsemalla tuttuun tapaan alue. Kenttään täytyi kuitenkin vaihtaa “selecting within current selection”, “jotta työkalu käyttää hyväksi jo olemassa olevaa valintaa”, kuten Lindholm selventää (Lindholm 2020). Kokeilin vielä tätä tapaa, ja varsin käteväksihän se osoittautui. Tuloskin oli onneksi sama kuin monimutkaisessa Excel-suorituksessani. Opin Lindholmin blogista myös, kuinka saan lentokentän tilapäisen laskeutumissuunnan mahdollisimman tarkansuuntaiseksi ja -pituiseksi.

Seuraavaksi vuorossa oli selvittää ihmisten sijoittuminen lentokenttiä ympäröivien asemien läheisyyteen sekä alueen taajamiin. Tehtävät sujuivat lukuunottamatta ulkomaalaisten osuuksien laskemista. Yritin jokaista mieleeni juolahtavaa toimintoa, mutta lopulta en ottanut kysymyksestäkään selkoa. Sain selville ainoastaan rakennukset, joissa oli halutut prosenttimäärät ulkomaalaisia, ja laskin sen ansaituksi voitoksi.

Kolmanteen itse valittavaan tehtävään siirryin jo melko väsyneenä, mutta uudella tarmolla. En osannut aavistaakaan, kuinka henkisesti ja fyysisesti armoton viimeinen erä olisi. Ajattelin päihittäväni tehtävän hetkessä jo koetuista haasteista oppineena, mutta todellisuudessa aikaa paloi enemmän kuin haluan ajatella. Tarkoituksena oli kartoittaa 1965-70 -vuosina rakennettuja kerrostaloja, jotka ikänsä puolesta alkavat olla putkiremontin tarpeessa – sinänsä todella mielenkiintoinen tehtävä. Olin kuitenkin pitkään neuvoton ja kokeilin jos jonkinlaisia kikkailuja suodattaakseni oikeat rakennukset (lopulta toimiva työkalu oli nimenomaan “suodatin”) sekä liittääkseni ne osa-alueisiin. Jälkimmäisessä haasteessa Alex Nylanderin blogi virkisti muistiani, ja löysin kultaisen “Count points in polygon” -toiminnon.

Ajattelin kaiken olevan jo selvää, mutta vielä täytyi liittää kunkin osa-alueen remonttia vaativat kerrostalot kaikkien rakennusten kanssa samaan taulukkoon, jotta pystyin laskemaan “remontti-indeksin”. Aikaisemmista muistiinpanoistani löysin “Joins”-toiminnon, jota kokeilin noin 20 kertaa ennen onnistumistani, mutta onnistumiseen tämäkin yritys päättyi.

Itse koropleettikartan luomisvaiheessa kaikki tuntui taas mukavan tutulta, sillä karttojen visualisointia on tullut tehtyä jo melko paljon. Luultavasti muutkin ohjelman ominaisuudet käyvät tutuiksi parhaiten sillä, että niitä käyttää riittävästi. Kartalta erottuvat selkeimmin itäisen ja koillisen Helsingin alueet, “joiden rakennuskanta on melko suurelta osin peräisin 1960-70-luvuilta”, kuten Alex Nylander toteaa (Nylander 2020.) Attribuuttitaulukkoni mukaan suurin remontti-indeksi on Keski-Vuosaaressa, Niemenmäessä, Kontulassa ja Jakomäessä. Karttani selitteineen kuitenkin eroaa Nylanderin tekemästä, sillä kuvaan suurempaa aluetta ja laskin remontin tarpeessa olevien kerrostalojen osuuden kaikista rakennuksista, en ainoastaan toisista kerrostaloista.

Lähteet: 

Lindholm, R. (2020). Kurssikerta 5. 19.2.2020. <https://blogs.helsinki.fi/lroni/2020/02/16/kurssikerta-5/>

Nylander, A. (2020). Kurssikerta 5: Buffereita ja väestöanalyysejä. 19.2.2020. <https://blogs.helsinki.fi/alny/2020/02/18/kurssikerta-5-buffereita-ja-vaestoanalyyseja/>

 

Kuten otsikkokin antaa vihiä, oli tämän kurssikerran päätteeksi tapahtua jotakin katastrofaalista – muttei kurssitovereideni matkaa seuratessa mitään kovin harvinaista. Melkoisen rankan aamutunnin jälkeen nimittäin QGIS kaatui. Ensin ajattelin vain, että onneksi olin muistanut tallennella työtäni pitkin tuntia. Kuitenkin avatessani tiedoston uudestaan, siinä ei ollut jälkeäkään vektoreista tai rastereista. Tässä kohtaa opettajamme Arttu Paarlahti oli jo ehtinyt hävitä luokkahuoneesta, joten päätin koittaa selvitä yksin. Onneksi kurssitoverini Heta Rantakallio oli henkisenä tukenani, ja virkistävän lounastauon jälkeen palasimme GIS-luokkaan ratkomaan ongelmaa. Tiedosto näytti konella vieläkin tyhjältä. Koittaessani omalla läppärilläni se kuitenkin valtavaksi helpotuksekseni avautui, vaikkakin hyvin hitaasti. Z-levylle tallentaminen lienee ollut pelastava tekoni.

Itse tunnilla käsittelimme vielä paikkatieto-ohjelmistossa uutta tuttavaa, rasteriaineistoa. Loimme pääkaupunkiseudun rakennuksia kuvaavan kartan päälle ruudukon, jonka avulla saimme visualisoitua väestön ja rakennusten sijoittumista. Jotta ruudukossa ei olisi ollut laskutoimituksien kannalta turhia alueita, karsimme ruudut, joiden sisään ei jäänyt rakennuksia kuvaavia pisteitä. Lisäksi veimme pisteet uudelle tasolle, jolle säilytimme ominaisuustiedoista vain merkittävimmät.

Lopuksi ruudukon avulla oli tarkoitus kuvata jotakin ilmiötä, joka löytyi tietokannasta. Minua olisi kiinnostanut kuvata rakennusten valmistumisvuosien keskiarvoa, jolloin kartalta olisi voinut havaita asumisen ajallisen levittäytymisen pääkaupunkiseudulla. Törmäsin kuitenkin heti vaikeuksiin, ja Carita Aapro-Kosken blogitekstiä lukiessani huomasin, että hänen visionsa oli pysähtynyt samaan ongelmaan. “[K]oska hyvin monelle alueelle ei ollut tietoa uusimpien rakennusten rakennusvuodesta, — keskiarvoa ei olisi voinut laskea muokkaamatta ensin aineistoa”, Aapro-Koski toteaa (Aapro-Koski 2020). Itse yritin suodattaa tietokannasta vain realistiset vuosiluvut, ja vaikka onnistuinkin saamaan ne taulukkoon, eivät tiedot tallentuneet laskutoimitusta varten. Kuten Aapro-Koski, päätin kuvata 1 km kertaa 1 km kokoisten ruutujen vanhimman rakennuksen rakennusvuotta. Oletettavasti kyseisenä vuonna tai pian sen jälkeen ruutuun on valmistunut useampia rakennuksia, mikä heijastaisi koko rakennuskannan ikää alueella.

Päätin kuvata vanhimpia alueita tummemmalla sävyllä, sillä tämä on omasta mielestäni havainnollistavampi tapa. Luokkajako on luonnollisin luokkavälein, ja ensimmäinen luokka sisältää yli sadan vuoden aikajanalla valmistuneita rakennuksia. Tämä tarkoittaa, että 1750-1850 rakennustahti oli nykyistä hitaampi. En usko, että juurikaan mistään ruudusta olisi purettu kaikkia vanhimpia rakennuksia, eli kartasta saa melko selkeän kuvan alueen laajemmasta asuttamisvaiheesta. Kuten oletin, Helsingin keskustassa on kuvatun alueen vanhipia rakennuksia. Vanhoja rakennuksia on myös eri puolilla Vantaata. Espoon vanhimmat rakennukset on pitkälti rakennettu lyhyellä aikavälillä, 1912-45. Hieman yllättäen Kauniaisten kohdalla on vanhoja rakennuksia, mutta alueelle on saatettu rakentaa esimerkiksi kartanoita. Viimeiseksi rakennettua seutua on Itä-Helsinki, jota yhä rakennetaan vauhdilla.

Ruutuaineisto on varsin toimiva pienellä alueella, etenkin kun ruutujen koon voi määritellä itse. Aiemmin käytetyt koropleettikartat vaatisivat rajoikseen jotkin olemassa olevat, kuten hallinnolliset rajat. Tällöin pienen alueen sisäinen vaihtelu ei tulisi lainkaan esiin. Luomani rasterikartta on muuten selkeä, mutta siitä on hyvin vaikeaa hahmottaa sen kuvaama alue. Vaikka legendassa mainitaan pääkaupunkiseutu, ei voi olla varmuutta, että kartalla on ainoastaan Helsinki, Espoo, Kauniainen ja Vantaa. Myöskään näiden kuntien rajat eivät erotu ruudukon alta.

Lähteet: 

Aapro-Koski, C. (2020). Kurssikerta 4: Ruutuja ja rastereita.  12.2.2020.  <https://blogs.helsinki.fi/aacarita/>

 

Kolmas kurssikerta tuntui olevan entistäkin intensiivisempää tekemistä, ja aloitimmekin aamun hyppäämällä suoraan QGIS:in pariin. Vaikka parituntisen aherruksen jälkeen olin saanut karttani valmiiksi, täytyi kotona vielä kerrata, mitä tunnilla oikeastaan olikaan tapahtunut. Ensimmäisellä kerralla ohjeet ja välivaiheet tuntuvat usein ylivoimaisen monimutkaisilta, mutta kun lopussa ymmärtää, mihin kaikella pyritään, näyttää polku tiedostoista kartaksi jo  hieman selkeämmältä.

Positiiviseksi yllätyksekseni käsittelimme tällä kertaa Afrikkaa. Lisäsimme Afrikan valtiot vektorimuotoisena uuteen projektiin. Valtiot koostuivat kuitenkin useammasta osasesta, joten ensimmäinen tehtävä oli yhdistää yhden valtion osat yhdelle riville, jolloin talukossa on ainoastaan yksi rivi per valtio. Tällä kertaa yhdistäminen onnistui tietokannasta löytyvän valtion nimen perusteella.

Seuraavaksi lisäsimme valtioita koskevaa tietoa erillisestä Excel-tiedostosta. Yhdistäminen onnistuu ainoastaan identtisen sarakkeen avulla, ja olisi ollut melko tuskallista etsiä eroja valtioiden nimien kirjoitusasussa ilman opastusta, vaikka nimiä onkin helpompi verrata kuin moninumeroisia lukuarvoja. Uusien tietojen avulla suoritimme laskutoimintoja ja selvitimme Internetin sekä Facebookin käyttäjien osuuden väestöstä. Laskutoimitukset olivat jo aiemmilta kerroilta tuttuja, mutta nyt ensimmäistä kertaa hyödynsimme sijaintia laskuissa. Lisättyämme timanttikaivoksia, konflikteja sekä öljykenttiä kuvaavat tiedostot kartalle, pystyimme laskemaan kunkin maakohtaisen lukumäärän.

Vaikka tehtävänä olikin lähinnä harjoitella tietojen siirtämistä ja laskemista, voisi tietokantoihin tallennettuja tietoja käyttää aidosti hyödyksi. Konfliktien laajuutta ja lukumäärää voisi verrata kyseisen alueen väestömäärään ja niin päätellä altistuneiden sekä avun tarpeessa olevien määrän. Tiedoilla voisi ennakoida myös pakolaisvirtoja. Vertaamalla timanttikaivosten sekä öljykenttien löytämis- ja perustamisvuotta sekä niiden tuottavuutta, pystyisi luultavasti päättelemään jotakin joko valtion tai yhtiön rahantarpeesta, eli toisin sanoen taloudellisesta tilanteesta. Internetkäyttäjien määrän lisääntyminen saattaa kuvata, missä kehitysvaiheessa valtio on – nopea kasvu käyttäjämäärissä lyhyellä aikavälillä kuvaa ehkä kiihtyvää kasvun vaihetta väestöllisen muuntumisen mallissa.

Toisessa tehtävässä palasimme jälleen Suomeen, hieman erilaisen aiheen pariin. Pienten laskutoimitusten jälkeen teimme tulvaindeksikartan Suomen valuma-alueista sekä koropleettikarttaa että diagrammeja hyödyntäen. Tulvaindeksi kuvaa keskiyli- ja keskialivirtaaman välistä suhdetta, “eli kuinka suuri virtaaman huippu kuivimpaan ajanjaksoon verrattuna on”, kuten Riina Hiltula blogissaan selventää (Hiltula 2020).

Olen kuvannut tulvaindeksin koropleettikarttana viidellä eri luokalla, joista tummimmassa tulvaherkkyys on suurin. Ensimmäiseen karttaan lisäsin alueiden järvisyyttä kuvaavat histogrammit. Toiseen lisäsin samaa asiaa kuvaavat, alueen koon mukaan skaalautuvat piirakkadiagrammit, mutta tämä esitystapa ei ole niin selkeä. Diagrammeja on samalla kartalla liikaa, ja lisäksi ne peittävät koropleettikartan värit.

Tulvaherkimmät alueet näyttävät sijoittuvan rannikolle ja etenkin alueille, joiden järvisyys on pieni. Venla Moisio toteaakin blogissaan, että “[j]ärvet tasaavat jokien virtausta, sillä jokien vesi voi kerääntyä niihin” (Moisio 2020). Rankkasateiden sekä keväisten lumiensulamisten aikana suuri järvisyys tasaa virtaamaa huomattavasti, jolloin tulvariski pienenee. Toisin on pääasiassa jokien ja tasaisen maa-alan hallitsemilla alueilla, kuten Pohjanmaalla. 

 

Lähteet:

Hiltula, R. (2020). Afrikan valtioita ja tulvaindeksin laskemista. 2.2.2020. <https://blogs.helsinki.fi/hiltular/2020/01/31/afrikan-valtioita-ja-tulvaindeksin-laskemista/>

Moisio, V. (2020). Viikko 3 – Tietokantojen yhdistämistä ja laskutoimitusten tekemistä. 2.2.2020. <https://blogs.helsinki.fi/moivenla/2020/01/29/viikko-3-tietokantojen-yhdistamista-ja-laskutoimitusten-tekemista/>

Toisen viikon jälkeen QGIS-ohjelmiston käyttäminen tuntuu jo hieman tutummalta, ja yksinkertaisemmat komennot, kuten kartan väriskaalan muuttaminen, käyvät jo rutiinista. Toisaalta jotkin toiminnot vaikuttavat toimivan eri tavalla jokaisella kerralla, joten haluttuun lopputulokseen pääsee tämänhetkisillä taidoillani varsin usein yrityksen ja erehdyksen kautta. Vaaditut tehtävät onnistuivat kuitenkin sujuvammin kuin ensimmäisellä kerralla, eikä kyse toivottavasti ole ainoastaan hyvästä tuurista.

Tällä kertaa latasimme ohjelmistoon aineistoa rajapinnan kautta – tietokoneelle ladatun paketin sijaan. “Rajapinta” on ollut itselleni varsinainen paikkatiedon peikko, ja olikin huojentavaa saada vihdoin jonkinlainen konkreettinen käsitys tästä käsitteestä. Rajapinnan avulla haimme URL-osoitteella WFS- eli Web Feature Service -hausta Tilastokeskuksen vektorimuotoista aineistoa sen sijaan, että olisimme ladanneet suoraan vektorimuotoisen kohteen. URL-linkki avasi mahdollisuuden lukuisiin paikkatietoaineistoihin, joista valitsimme työstettäväksi Suomen kunnat.

Tässä kohtaa tapahtui taas jotain hieman vaikeaselkoista, jonka onneksi tajusin kirjoittaa muistiin. Tilastokeskuksen aineisto vietiin uudelle tasolle, jotta pääsimme muokkaamaan attribuuttitaulukkoa. Laskimme käytössä olevan, pinta-aloja Suomessa mahdollisimman vähän vääristävän ETRS89-TM35FIN -projektiossa olevien kuntien pinta-alat. Tarkoituksena oli havainnollistaa toisten projektioiden kuvaamia vääristymiä, joten veimme karttamme nyt uuteen QGIS-ikkunaan Mercatorin projektiossa, jossa jatkoimme laskukaavojen luomista.

Laskutoimitusten jälkeen väritimme vääristymiä kartalle, jolloin päiväntasaajaa hipovan Mercatorin pohjoisia alueita suurentava vaikutus oli yhä havainnollistavampi.

Vaikka hillitty määrä luokkia on usein koropleettikartalla kaikkein selkein, oli tässä kohtaa tasaisesti etelä-pohjoissuunnassa kasvavien vääristymien vuoksi suurempi luokkamäärä kuvaava. Oikeastaan vieläkin runsaampi luokkamäärä olisi kuvannut liukuvaa muutosta paremmin, mutta olisi jo tehnyt legendasta epäsiistin.

Mercatorin projektio on oikeakulmainen, joten halusin kokeilla miten pinta-alat vääristyvät oikeapituisella projektiolla. Muutin projektion oikeakeskipituiseksi tasoprojektioksi ja suoritin vaadittavat laskutoimitukset. Oli hieman yllättävää huomata kuinka paljon pienempi vääristymä oli verrattuna Mercatorin projektioon. Sama luokkajako ja värit hämäävät hieman, mutta ero näkyy kartan selitteessä.

Oikeapituisessa projektiossa etäisyydet kuvautuvat oikein projektiokeskuksesta. Yllä olevaa karttaa tovin työstettyäni tajusin, että projektiokeskus ei olekaan pohjoisnavalla, kuten kyseisenlaisessa projektiossa olen tottunut näkemään. Pinta-alojen vääristymien suunnan vuoksi keskus onkin luultavasti 0-meridiaanin ja päiväntasaajan leikkauspisteessä. Päätin GIS-huumassa vielä muuttaa saman projektion keskustan pohjoisnavalle, ja nyt vääristymät kasvoivatkin olettamallani tavalla pohjoisesta etelään. Lisäksi ne olivat niin pieniä, että selitteeseen täytyi lisätä yksi desimaali, jotta ei syntyisi luokkia esimerkiksi arvoilla 4-4.

Erilaisia ilmiöitä kuvaavia karttoja näkee valtavasti, eikä ilman tiedostavaa kritiikkiä niiden antamaa, monesti vääristelevää kuvaa useinkaan huomaa. Kuten Jonna Kääriäinen pohtii blogikirjoituksessaan Dataa rajapinnasta kartalle, kartan tekijä saattaa joko tahallaan tai tahattomasti johtaa lukijoita harhaan. Pinta-alojen lisäksi projektiot saattavat vääristää esimerkiksi etäisyyksiä tai kartalle laskettuja ja siinä esitettäviä tietoja.

Lähteet: 

Kääriäinen, J. (2020). Dataa rajapinnasta kartalle. 26.1.2020. <https://blogs.helsinki.fi/kaarijon/2020/01/25/dataarajapinnasta/>

Takana on yksi kurssikerta ja kaksi QGIS-ohjelmistolla luotua karttaa. Kuten varmasti suurin osa kurssitovereistani, tutustuin kyseiseen avoimen lähdekoodin paikkatieto-ohjelmistoon nyt ensimmäistä kertaa. Tähän asti kursseilla GIS on ainoastaan pyörinyt jokseekin monimutkaisena teoreettisena käsitteenä, joten oli mahtavaa päästä heti käsiksi paikkatietoaineistoon ja sen analysointiin.

Ensimmäinen tunti oli orjallista opettajan ohjeiden seuraamista, sillä uuden ohjelmiston kanssa olisi yksin ollut täysin hukassa. Muokkasimme QGIS:iin tuomiemme vektoriaineistojen ominaisuuksia sekä esitystapaa, ja lopputuotoksena syntyi Itämeren ympärysvaltioiden mereen tuottamia typpipäästöjä kuvaava kartta. Ensimmäisellä kerralla kuullut ohjeet tapaavat liidellä ohi oman muistikapasiteettini, joten toistin tehtävänannon kotona harjoitellakseni lisää. Aikaansaamani kartta onnistui melko hyvin, mutta kehitettävääkin löytyy. Kartasta esimerkiksi puuttuu tieto siitä, mitä vuotta se kuvaa. Itseäni jäi myös häiritsemään legendassa ja kartassa käytetyt eri kielet.

Toisena tehtävänä oli luoda koropleettikartta Suomen kunnista jonkin kuntiin liitetyn tiedon perusteella. Tässä kohtaa kävin todellisen kädenväännön QGIS:in kanssa, sillä kunnat eivät vaikuttaneet millään latautuvan ohjelmistoon. Olin melkoisen hämilläni, sillä olin juuri omalla läppärilläni tehnyt ensimmäisen kartan alusta loppuun. Käytin muutaman tunnin yrittäessäni erilaisin keinoin saada vektorimuotoiset kunnat työstettäviksi, ja tilanne vaikutti epätoivoiselta. Siirryin myös koulun koneelle yrittämään ja sain apua useammalta GIS-heimolaiselta, kuitenkin tuloksetta. Lopulta huomasin kuntia koskevan shape-tiedoston olevan todella pieni muihin samanmuotoisiin tiedostoihin verrattuna. Siispä päätin ladata aineistopaketin Moodlesta kolmannen kerran, ja odottelinkin kansion latautumista lähes tunnin. Kunnat olivat nyt saapuneet tiedostooni oikeankokoisena, ja avautuivat vihdoin QGIS:iin!

Kun taistelu oli käännetty voitoksi, tuntui loppuosa eli oikeastaan itse tehtävä sujuvan kuin unelma. Valitsin koropleettikartalla kuvattavaksi tiedoksi työttömien prosenttiosuuden kunnittain. Valitsin luonnolliset luokkavälit sekä yhden värisävyn, jonka vaaleimmat sävyt kuvaavat pienimpiä arvoja ja tummimmat suurimpia. Kartastani voi mielestäni nopealla katsauksella saada todenmukaisen kuvan sen kuvaamasta asiasta, mutta vaaleimpia värisävyjä on pienten kuntien kohdalla vaikea erottaa toisistaan. Annika Reijonen toteaakin blogikirjoituksessaan Ensikosketus QGis:iin, että hän vaihtoi luokkamäärät selkeyden vuoksi viidestä neljään.

Koropleettikartastani voi havaita suurimpien työttämyysasteiden osuvan Itä-Suomen kuntiin ja toisaalta työttömyyden olevan todella vähäistä Pohjanmaalla. Noin 50 kilometrin säteellä pääkaupunkiseudusta sijaitsevien kuntien pieni työttömyysaste oli itselleni pieni yllätys alueen suhteellisen suuren väestömäärän vuoksi, mutta toisaalta alue myös tarjoaa runsaasti työpaikkoja sekä houkuttelee koulutettuja ihmisiä. Vaikka kartasta voi tehdä monenlaisia päätelmiä, ei se itsessään anna tietoa kuin työttömyysprosentista yhdellä hallinnollisella alueella. Työttömyyden todelliset syyt onkin liian monitahoinen yksinkertaistettavaksi kartalle.

 

Lähteet:

Reijonen, A. (2020). Ensikosketus QGis:iin. 23.1.2020. <https://blogs.helsinki.fi/anre/>

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