Month: February 2020

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/>