Geoinformatiikan menetelmät 2020

Viimeisen kerran aiheena oli oman kartan tuottaminen täysin itsenäisesti vapaavalintaisesta aiheesta. Valmistauduin kertaan hankkimalla aineistoa netistä ja ottamalla osia kurssilla käytetystä Suomen kuntatietokannasta.

Tein Uudenmaan kunnista oman tietokantansa käyttäen kurssilla käytettyä Kunnat2015-aineistoa. Tämän jälkeen hankin Uudenmaan liiton sivuilta aineistoja maakunnan työllisyystilanteesta ja koulutustasosta. Muokkasin aineistot Excelin avulla sopiviksi jatkotyöskentelyä varten ja toin ne QGIS:iin maakuntakartan kanssa. Yhdistin sekä työllisyys- että koulutustietokannan maakuntatietokantaan ja jouduin lisäksi muokkaamaan uudelleen taulukoiden sisällöt merkkimuotoisista numeromuotoisiksi. Loin teemakartan Uudenmaan kuntien nuorisotyöttömyystilanteesta vuonna 2016 (uudemmissa tilastoissa kaikkia tietoja ei saatavilla) ja liitin karttaan lisäksi kunkin kunnan koulutustasoa kuvaavat VKTM-indeksit samalta vuodelta.

Haasteita oli runsaasti työn tekemisen varrella kuten edellä mainitut ohjelmien väärinymmärrykset datatyypeistä. Lisäksi ongelmia ilmeni myös koordinaattijärjestelmän muuttamisen kanssa, sillä aineistoni ei suostunut näkymään millään keinolla QGIS:n ikkunassa, jos työprojektin projektion muutti muotoon TM35Fin. Tästä syystä jouduin käyttämään outoa oletusprojektiota, jota QGIS:kään ei tunnistanut, mutta suostui tämän kanssa toimimaan. Epätavallisesta projektiosta johtuen jouduin tekemään kartan mittakaavan arvioimalla kartan alueiden etäisyyksiä Paikkatietoikkunassa mittaustyökalun avulla. Ilman manuaalista korjausta mittakaava olisi ohjelman mielestä kuvannut 3000 kilometriä.

Tarkoitukseni oli tutkia, vaikuttaako väestön koulutustaso kunnan nuorisotyöttömyyden määrään. Näin ei ainakaan silmämääräisellä kartan tulkinnalla vaikuttaisi olevan, sillä esimerkiksi Porvoo kuuluu korkeimpaan nuorisotyöttömyyden luokkaan, mutta sen koulutusindeksi (3,56) on lähes sama kuin Inkoolla (indeksi 3,67), jonka nuorisotyöttömyys on toisiksi alhaimissa luokassa. Lisäksi vaikka näillä muuttujilla olisikin yhteys suuntaan tai toiseen, nuorisotyöttömyyteen vaikuttavat todennäköisesti monet muutkin asiat kuin koulutustaso. Muita mahdollisia tekijöitä ovat mm. kunnan sijainti ja tarjolla olevien työpaikkojen määrä ja tarjolla olevien töiden sisältö sekä se, vastaako työ alueella valmistuvien nuorten koulutustasoa.

Anna Avellan pohtii omassa blogikirjoituksessaan saman kurssikerran työtä ja miettii, mikä on riittävän haastavaa ns. lopputyöksi kurssia ajatellen. Komppaan hänen sanojaan siinä, että harjoitus oli hyväksi siinä mielessä, että pystyi saamaan käyttövarmuutta lisää ohjelman käyttöön ja uskoa omiin kykyihinsä. Tähän lisäisin itse vielä, että luultavasti kukin on osannut valita omat aiheensa ja aineistonsa osaamistasoonsa nähden hyvin ja kukin on saanut työtä tehdessään kokea riittävästi haasteita 🙂

Lähteet:
Väestön koulutusrakenne 2007-2017 päivitetty 2019. Uusimaa-tietopankki, Uudenmaan liitto.
https://www.uudenmaanliitto.fi/tietopalvelut/uusimaa-tietopankki/ladattavat_aineistot/koulutus

Työllisyys, työttömyys ja työpaikat 2000-2018. Uusimaa-tietopankki, Uudenmaan liitto.
https://www.uudenmaanliitto.fi/tietopalvelut/uusimaa-tietopankki/ladattavat_aineistot/tyomarkkinat

Avellan, A. (2020). Lento QGIS 4.3.1 laskeutuminen.
https://blogs.helsinki.fi/avellana/

 

Kuudes kerta laitettiin käyntiin maastotyöskentelyn merkeissä varsin epämiellyttävän kenttätyösään vallitessa. Keräsimme pisteaineistoa Kumpulan kampuksen lähialueella Epicollect5-sovelluksen avulla, jota hyödynsimme myöhemmin palatessa sisätiloihin. Teimme harjoituksena aineiston perusteella kartan, joka kuvastaa Kumpulan lähialueen koettua turvallisuutta, kuva alla. Mitä punaisempi väri alueella on, sitä turvattomammaksi alue on koettu. Kumpulan kampuksella sijaitseva punainen, pieni alue johtuu Chemicumin sisäpihan vaarallisen oloisesta tunnelmasta, sillä siellä säilytetään räjähdysherkkiä aineita sekä nestemäistä typpeä. Klassisempi esimerkki turvattomuudesta näkyy kartan eteläreunassa, jossa on autoliikenteen vilkas risteysalue, jossa jalankulkijat usein tuntevat olonsa ainakin hieman turvattomiksi.

 

Yhteisten harjoitusten jälkeen teimme itsenäisesti karttoja pistemuotoisista aineistoista. Itse tein karttoja erisuuruisista maanjäristyksistä, jotka löytyvät alta.

 

Kartat kuvaavat erivoimakkuuksisia maanjäristyksiä ja niiden avulla voisi hyvin kertoa, kuinka yleisiä maanjäristykset ovat ja että voimakkaamman puoleiset järistykset ovat hyvin harvinaisia. Tosin oma karttani, jossa on vain voimakkaimpia järistyksiä, sisältää vain tasan 8 magnitudin järistykset. Tämän asian esittämiseen soveltuisi paremmin kartta, jossa on laajemmalla skaalalla voimakkaita järistyksiä kuten Tuija Hyvättisellä. Karttojeni avulla voisi helposti myös näyttää Tyynen meren tulirenkaan alueen ja sen vaikutuksen maanjäristysten esiintymistiheyteen. Tyynen meren tulirenkaasta löytyy hyvää lisätietoa Katriina Töyrylän artikkelista ja siellä on myös havainnollistava kuva tulirenkaan alueesta.

 

Lähteet:
Hyvättinen, T. (2020). Omaa ja muiden dataa.
https://blogs.helsinki.fi/hytuija/

Töyrylä, K. (20.9.2017). Miksi maa järisi taas Meksikossa? – Tunnetko Tulirenkaan ja Kookoslaatan? Yle.
https://yle.fi/uutiset/3-9841716

 

Viidennellä kerralla päähuomio kiinnittyi bufferoinnin käytön harjoitteluun sekä sen hyödyntämiseen eri asioiden tutkimisessa. Bufferointi on mielestäni tähän mennessä käyttökelpoisimpia oppimiani toimintoja QGIS:ssä, sillä vaikutusalueiden arviointi tutkimuksissa on usein paljon kiinni siitä. Mahdollinen uusi bufferoinnin käyttökohteita voisi olla esimerkiksi liito-oravan pesintä- ja levähdysalueiden bufferointi suunniteltaessa uusia asuinalueita.

Yhteisten bufferointiharjoitusten jälkeen kokeilimme itsenäisesti tutkia  Malmin ja Helsinki-Vantaan lentokenttien melualueiden ominaisuuksia. Loimme erikokoisia buffereita pahimmiksi melualueiksi ohjeiden mukaan ja laskimme alueiden sisältä asukasmääriä, tai ainakin luulimme laskevamme. Tajusimme nimittäin vasta kurssikerran lopussa laskeneemme talojen lukumääriä kaikissa tekemissämme tehtävissä emmekä taloissa asuvien ihmisten lukumäärää. Hyvähän tämä oli huomata, mutta ainakin sitten loppujen lopuksi ymmärsimme, mitä olimme Pinja Nivalaisen kanssa menneet laskemaan ja hän kuvaakin omassa blogikirjoituksessaan hyvin pienimuotoisia kömmähdyksiämme kuten Vantaan työikäisiä taloja. Haasteista huolimatta saimme kuitenkin tuloksia aikaan, joista on alla pieni taulukko.

Harjoittelu ei siis olisi pahitteeksi, mutta tiedetään nyt ainakin paljon talomääriä. Sama talomääräefekti jatkui myös seuraavassa tehtävässä, jossa laskimme asemien lähialueille puskurivyöhykkeitä. Vyöhykkeiden tekeminen kuitenkin onnistui kuten pitikin. Alle 500 metrin päässä asemasta sijaitsee yhteensä 5169 asuintaloa ja tämä määrä vastaa koko alueen taloista 9,3 prosenttia.

Lähteet:
Nivalainen, P. (2020). Kerta5.
https://blogs.helsinki.fi/npinja/

 

Kurssikerran ensimmäinen tehtävä oli harjoitella alueellisessa tutkimuksessa usein tarvittavan ruudukon tekoa ja ominaisuustietojen liittämistä niihin. Yhteisen harjoitustutoriaalin jälkeen tuotimme vielä itsenäisesti oman vapaavalintaisen rasterikartan. Oma karttani alla kuvastaa ruotsinkielisten asukkaiden lukumäärää suhteessa alueen koko väestöön Helsingin lähialueilla. Olen tuotokseeni melko tyytyväinen, mutta osuutta kuvaavat värit voisivat olla helpommin erotettavissa toisistaan. Mietin myös, onko vaaleanpunainen aluerajaus ruutujen alla lainkaan tarpeellinen. Jos olisi, voisi kokovärjätyn alueen tilalla olla pelkkä viivamuotoinen rajaus. Ruututeemakartassa asiat on yleensä kuvaavinta ilmaista suhteellisina lukuina kuten olen omassa kartassani tehnyt, mutta toisaalta kaikkien ruutujen ollessa samankokoisia, ilmiön yleisyyttä voi kuvata myös varsin kuvaavasti tavalla x/ruudun pinta-ala. Ruututeemakartta yleistää tarkasteltavan ilmiön esiintymistä, mikä on varsin toimiva ratkaisu verrattuna esim. pisteteemakarttaan, jossa pisteiden lukumäärän arviointi voi käydä vaikeaksi.

Kartassani näkyy selvästi ruotsinkielisen väestön korostuminen etenkin Östersundomissa sekä Helsingin länsilaidalla. Vertasin omaa karttaani Riina Hiltulan tuottamaan karttaan muunkielisen väestön jakautumisesta Helsingissä. Vaikka hän onkin tuottanut oman karttansa käyttäen absoluuttisia arvoja, oli mielenkiintoista huomata, että pääsääntöisesti alueilla, joilla muunkielisen väestön määrä korostuu, on väkilukuun suhteutettuna vähemmän ruotsinkielisiä ja toisin päin. Olisi varmasti havainnollistavaa tarkastella asiaa myös kartalla, jossa olisi kerrottu muunkielisten osuudet suhteutettuna koko väestön määrään. Kieliryhmien erottuminen toisistaan alueellisesti voi viitata esimerkiksi segregaatioon. Muunkielisten keskiarvoinen tulotaso mahdollistaa heille asuinpaikoiksi halvemmat alueet verrattuna muiden väestöryhmien tulotasoihin, joten mikäli alueilla ei ole monipuolisesti eri hintaluokkiin kuuluvia asumismuotoja, eriytyminen on hyvinkin mahdollista.

Toisena tehtävänä harjoittelimme kohteiden piirtämistä QGIS:llä tietokantojen avulla. Kokeilimme esimerkiksi korkeuskäyrien tuottamista, josta alla esimerkki.

Vaikka kartassa on mukana myös rinnevarjoste, voi huomata, että automaationa tehdyt korkeuskäyrät eivät ole kaikkein selkeimpiä. Manuaalinen muotoilu ja yksinkertaistus on siis tarpeen esimerkiksi kartalla näkyvien kohosoiden kohdalla, jossa korkeuskäyrät kulkevat hyvin runsaasti mutkitellen.

Tällä kertaa harjoittelimme hyödyntämään netin kautta saatavia tietokantoja ja yhdistelemään niitä. Tärkeimpiä yhdistämiseen liittyviä oppeja sekä tietokannan sisällä että kahta tietokantaa yhdistäessä oli se, että yhdistäessä osia saraketiedon perusteella, tulee saraketietojen vastata toisiaan täysin, jotta yhdistäminen onnistuisi kivuttomasti. Voi vain kuvitella, kuinka ärsyttäviä ne turhat välilyönnit voivatkaan olla esimerkiksi tutkijoille.

Afrikka-aineiston käsittely oli mielestäni hyvin havainnollistavaa, mutta kaikkia yhdistämisasioita piti miettiä vielä runsaasti jälkikäteen. Tekninen puoli vaatii vieläkin hieman lisää pohdintaa, mutta käytetyt tietokannat ovat hyvin käyttökelpoisia monen asian tutkintaan. Tietojen avulla voisi muun muassa tutkia, onko timantti- tai öljyesiintymien löytämisellä ollut vaikutusta lähialueen konfliktien määrään lähivuosina löydön jälkeen tai voisiko internet-käyttäjien lukumäärän kasvu kenties parantuvan elintason myötä vaikuttaa konfliktien vähenemiseen kullakin alueella.

Itsenäisessä tehtävässä siirryimme Afrikasta Suomeen ja laskimme Suomen valuma-alueiden tulvimistodennäköisyyttä tarjolla olevan aineiston perusteella. Samalla harjoittelimme lisää tietokantojen yhdistämistä, mikä olikin tarpeen.

Lopputuloksena syntyi alle sijoitettu koropleettikartta, jossa ovat esitettyinä valuma-alueiden tulvaindeksit laskettuna keskiylivirtaaman ja keskialivirtaaman suhteena sekä valuma-alueen järvisyysprosentti alueen pinta-alasta.

Valuma-alueen pinta-alalla sekä järvisyysprosentilla vaikuttaisi olevan tulvaindeksiin yhteys: mitä pienempi alue on ja mitä pienempi osuus sen pinta-alasta on järviä, sitä suurempi sen tulvimisindeksi on. Järvet tasaavat tulvahuppuja kuten Jonna Kääriäinen kirjoittaa blogissaan ja tämä ilmiö on helposti kartalta havaittavissa. Järvi-Suomi kuuluu kokonaan tulmisindeksin alimpaan luokkaan suurten järviensä vuoksi, mutta täytenä vastakohtana Pohjanmaan tulvaindeksit ovat huomattavasti korkeampia tasaisen maaston ja vähäisten järvien takia.

Lähteet:
J. Kääriäinen (2020). Tietokantaliitoksia ja tulvaindeksejä
https://blogs.helsinki.fi/kaarijon/ Luettu: 8.2.2020

Toisella kurssikerralla jatkui perehtyminen QGIS:n perusominaisuuksiin ja viime viikon asioiden harjoittelu. Tarkastelimme muun muassa karttaprojektioiden ja niiden vaihtamisen vaikutusta QGIS:n laskutoimitusten tuloksiin. Pinta-ala voi muuntua paljonkin erityyppisten projektiomuunnosten välillä.

Hankimme aineistoa Suomen kunnista rajapinnan kautta, mutta tämä toiminta jäi minulle hieman hatarasti muistiin. Jäin muun muassa miettimään, kuinka voisin tällä tavoin löytää muuta aineistoa kuin sen, jonka luokse saimme kurssikerralla suoran linkin. Opittavaa siis riittää.

Pinta-alavertailua toteuttaaksemme laskimme, QGIS:n avulla ensin Suomen kuntien pinta-alat TM35FIN-projektion mukaisesti, joka kuvaa pinta-alat Suomessa kohtuullisen oikein. Tämän jälkeen teimme aineistolle muunnoksen Mercatorin projektioon ja laskimme kuntien pinta-alat uudelleen Mercatorin projektiossa. Nämä Mercatorin projektion mukaiset pinta-alat suhteutettiin TM35-FIN-projektion mukaisiin pinta-aloihin erojen esiintuomiseksi ja visualisoimme lasketut pinta-alavääristymäprosentit kartalle, ks. kuva alla.

Järkytyin siitä, kuinka valtavasti projektio voi pinta-alojakin vääristää. Pienimmätkin pinta-alavääristymät ovat kurssikerrankin kartassa hieman vajaat 300% suuremmat todellisuuteen verrattuna. Kaikista pahimpia vääristymät ovat Lapin alueella: jopa 722% suurempia oikeaan alaan verrattuna. Myös muut kurssilaiset kuten Miklas Kuoppala kirjoittavat blogeissaan samasta ilmiöstä: on hyvin havainnollistavaa tehdä tehtäviä kartografisten ongelmien parissa ja huomata suuret linjat omin silmin.

 

Lähteet:

M. Kuoppala (2020). Se ei ole helppo.
https://blogs.helsinki.fi/kmiklas/ Luettu:1.2.2020

 

Kurssi alkoi viime perjantaina ja ystävystyin uuden visualisointiohjelma QGISin kanssa.  Teoriaosuuden aikana ei tullut kovinkaan paljoa minulle uutta tietoa, mutta siirtyminen käytännön tekemiseen ja QGISin käytön opetteluun oli omalaatuinen prosessinsa, joka kysyi kärsivällisyyttä ja hermoja. Ohjelma vaikuttaa hyvin käyttökelpoiselta, mutta sen “logiikka” eri työvaiheiden järjestyksessä ja valikkojen sijoittelussa on hyvin erilainen siihen verrattuna mihin olen aiemmin tottunut.

Kurssikerran harjoituksena tehty visualisointi Itämeren ympärysvaltioiden aiheuttamista typpipäästöistä onnistui ohjauksen ja vertaistuen avulla varsin hyvin. Lopputuloksena syntyi varsin hyvin aihetta kuvaava teemakartta, mutta enpä tajunnut ladata sitä talteen ennen tiedoston sulkemista. Kuitenkin kartasta oli nähtävissä Puolan olevan merkittävimmin typpipäästöjä aiheuttava maa verrattuna kaikkiin muihin Itämeren ympärysvaltioihin. Oma lopputulokseni kartasta oli samankaltainen kuten Carita Aapro-Koskella. Jäin pohtimaan, kuvaako tällainen kartta kuitenkaan typpipäästöjen päätymistä Itämereen kaikista tarkimmalla tavalla. Miltä kartta näyttäisi silloin, jos muodostettaisiin muuttuja, joka huomioisi typpipäästöjen määrän lisäksi valtion asukasmäärän, rantaviivan pituuden Itämereen sekä valuma-alueen kallistuskulman Itämerta kohti? Korostuisiko Puola entisestään tai laskettaisiinko Ruotsi samaan alhaiseen typpikuormittajaluokkaan Suomen kanssa?

Yhteisen harjoituksen jälkeen siirryimme omatoimisiin tehtäviin tarkoituksena tuottaa teemakartta, jossa hyödynnetään Suomen kunnat 2015 -aineistoa. Tein teemakartan kuvaamaan tietoa kunkin Suomen kunnan asukasluvun suhteellisesta osuudesta suhteessa Suomen koko väestöön (Kuva 1). Kartassa korostuu suurten kaupunkien vaikutus sekä se, että asutus on monissa kunnissa hyvin harvaa. Jälkikäteen ajatellen olisi voinut olla hyvä lisätä karttaan vielä yksi kategoria ja hajottaa suurinta prosenttiosuutta kuvaava kategoria kahtia, mutta näillä mennään.

Opin ohjelman käytöstä paljon ja käyttö on ehkä vielä hieman haparoivaa, mutta asioiden toistaminen auttanee tähän.

 

Lähteet:

Aapro-Koski, C. (2020). Kurssikerta 1. Luettu 30.1.2020
https://blogs.helsinki.fi/aacarita/

 

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