Kuukausi: helmikuu 2020

Poikkeuksellisesti tämä teksti ilmestyy kahdessa osassa, sillä sairastin oman maanantaisen kurssikertani kotona. Ainoa korvaustilaisuus saapuu vasta perjantaiaamuna, mutta en malttanut odottaa sinne asti itsenäisten tehtävien osalta. Ahersin siis hasarditehtävien parissa itsenäisesti ja päivitän tätä tekstiä myöhemmin Epicollect5-harjoituksen osalta.

Innostuin hasarditeemaisista tehtävistä välittömästi. Aineenopettajana tämä näkökulma oli minulle tietty sydänasia. Ehkä saisin tuotettua jopa karttoja, joita voisin itse joskus hyödyntää omassa opetuksessani. Ensimmäinen haaste oli jälleen aineiston suodattaminen ja vaihtoehtojen meressä pinnalla pysyminen. Maanjäristystietokanta oli valtava eivätkä univajeiset, flunssaiset aivoni oikein nauttineet valintojen lyömisestä lukkoon. Tahmeasti laadin toimintasuunnitelman: suodattaisin ensin ohjeen mukaisesti vuodesta 1985 eteenpäin tapahtuneet magnitudiltaan yli 8 maanjäristykset ja tutkisin miltä aineisto näyttää ja mitä mahdollisuuksia se tarjoaa.

Tulivuoret halusin lisätä kartalle samanaikaisesti, sillä maanjäristysten ja tulivuorten maantieteellisen yhteyden osoittaminen visuaalisesti on yksi tehokkaimpia tapoja opettaa luonnonmaantieteellisiä endogeenisiä prosesseja. Kaikki maailman tulivuoret sisältävä aineisto oli mielestäni liian suuri oppimistavoitteiden kannalta. Aineisto sisältää esimerkiksi sammuneita tulivuoria ja visuaalisesta lopputuotoksesta tulisi helposti liian ahdas. Pelkistetyn ilmaisun ystävänä suodatin tulivuoria tunnetun aktiivisuuden mukaan ja valitsin vuoret, jotka ovat purkautuneet vuoden 1964 jälkeen. Aineiston tuominen taulukkomuotoon oli kuitenkin vaivalloisempaa kuin maanjäristystietokannasta. Tajusin nopeasti, että unohdin valita ruudun ”decimal separator is comma”. Johan rupesi vuoret näkymään halutulla tavalla. Vuoria oli nyt tietty jo liiankin vähän minkään kiinnostavan osoittamiseksi. Tämän kurssin viralliseksi mietelauseeksi voisi weboodiin lisätä ”QGIS: If at first you don’t succeed.”

Kokeilin eri tapoja visualisoida aineistoa ja koin tyytymättömyyttä. Kaikki tulivuoret ja esimerkiksi yli 6 richterin järistykset muodostivat päällekkäisyyksien vyyhdin. No, visuaalinen perfektionistini ei heti tajunnut, että tämähän ajaa viestin kotiin. Varsinkin koko maailmaa esitettäessä tiedon kasaantuminen on välttämätön seuraus. Päätin kuitenkin kokeilla aineiston rajausta ja suodatin tulivuoriaineistosta esiin vain ne tulivuoret, joiden tietokannassa tiedettiin purkautuneen aikavälillä 1500-1963. Tämä vaati hieman aikaa ja teknistä kikkailua. Samoin yhteneväisyyden vuoksi suodatin maanjäristyksistä esiin saman aikavälin tapahtumat ja magnitudikriteeriksi asetin 7 tai suurempi. Nyt karttoja katsellessani sain ajatuksen litosfäärilaattojen osoittamisesta. Oppimateriaalina laattarajojen lisääminen tekisi kartasta huomattavasti havainnollistavamman. Totesin mielessäni, että onpa harmi, ettei tällaista tietokantaa ollut tarjolla. Vasta muiden blogitekstejä lukiessani huomasin, että Vilma Koljonen oli ottanut härkää sarvista ja etsinyt omatoimisesti kyseisen tietokannan. En voinut jättää tilaisuutta käyttämättä, vaan ryhdyin itsekin googlettamaan ja vain muutamassa minuutissa löysin valmiin shapefilen laattarajoista (ladattavissa täältä). Kiitos Vilmalle inspiraatiosta!

Kokeilin maanjäristysaineiston interpolointia, niin että tiheys ja voimakkuus näkyisivät tiiviin pistekartan sijaan lämpökarttamaisena. Tämä ei minulta sujunut itseäni miellyttävällä tavalla. Ehkä lähiopetuksessa saan hyödyllisiä vinkkejä käytännön toteutukseen. Matti Katajisto onnistui luomaan varsin näyttävän kartan tällä menetelmällä. Oma tuotokseni on vähän sinne päin (Kuva 4). Maanjäristysten tiheys ja säännöllisyys tulivuorten kanssa Tyynellä valtamerellä havainnollistuu mukavasti. Kartasta on vaikea tulkita laajempaa maantieteellistä ilmiötä oppimisen kannalta mielekkäällä tavalla.

Tulivuorten, maanjäristysten niiden yhteyden syitä ilmentäviä karttoja löytää internetistä lukuisia. Itse hyödyntäisin opetuksessani mieluiten tällaista interaktiivista karttaa. Oppitunnin vetovoiman kannalta reaaliaikaisessa näyttämisessä ja kriteerien muuttamisessa on aina puolensa staattisiin karttoihin verrattuna. Tietysti molemmille on paikkansa. Minerva Laitinen esitteli blogissaan karttaansa, johon hän oli koonnut suurten järistysten kuolonuhrit ja taloudelliset tappiot. Tämä on nerokas idea ja yhdistää maantieteen opetuksessa tärkeitä ilmiöitä luonnon- ja ihmismaantieteen aloilta. Sijaistaessani maantieteen oppitunteja lukiossa olen tykännyt verrata oppilaiden kanssa maanjäristysten voimakkuuksia ja taloudellisia tuhoja eri maanosissa. Erityisesti Haitin järistyksen esimerkki on äärimmäisen havainnollistava kohdemaan resilienssistä ja järistyksen taloudellisten tuhojen merkityksestä. Siinä mielessä Laitisen karttaan lisäisin vielä esimerkkejä tällaisista järistyksistä.

Lähteet

Interactive Map of Active Volcanoes and recent Earthquakes world-wide. 20.2.2020. <https://earthquakes.volcanodiscovery.com/>

Katajisto, M. (2020). Tactical nuke inbound. Blogikirjoitus. 19.2.2020. <https://blogs.helsinki.fi/mattikat/2020/02/19/tactical-nuke-inbound/>

Koljonen, V. (2020). Raikasta ulkoilmaa! Blogikirjoitus. 18.2.2020. <https://blogs.helsinki.fi/vilmakol/2020/02/19/raikasta-ulkoilmaa/>

Laitinen, M. (2020). Happihyppelyn jälkeinen GIS-huuma. Blogikirjoitus. 20.2.2020. <https://blogs.helsinki.fi/minerval/2020/02/19/happihyppelyn-jalkeinen-gis-huuma/>

World tectonic plates and boundaries. GitHub. 19.2.2020. <https://github.com/fraxen/tectonicplates>

Ajolasit silmille ja kieli keskelle suuta! Viidennellä kurssikerralla kohdattiin vauhtia ja vaarallisia tilanteita, kun oli aika todella asettaa tähän asti kerätyt opit tulikokeeseen. Antoisinta itselleni oli tutustuminen moniin tärkeisiin työkaluihin, joita voisi hyödyntää esimerkiksi aluesuunnittelussa. Etäisyyksien määrittäminen eri palveluista ja asukkaiden laskeminen näiden etäisyyksien sisältä tuntui käytännönläheiseltä.

Tehtävänantojen kannalta tärkeimmiksi työkaluiksi osoittautuivat bufferointi ja attribuuttien valitseminen ominaisuuksien, kuten sijainnin mukaan. Nämä olivatkin kovassa käytössä ja tuottivat allekirjoittaneelle monia onnistumisen hetkiä. Bufferointi soveltuu lukuisiin käyttötarkoituksiin aluesuunnittelussa juuri sen vaikutusalueiden kartoittamista mahdollistavien ominaisuuksien vuoksi. Samaa oli pohtinut Pihla Haapalo (2020) blogissaan ja nimennyt yhdeksi esimerkiksi tehdasalueiden saasteiden leviämisen mittaamisen, joka juolahti itsellenikin mieleen! Vähitellen aloin todella ymmärtää tekemääni, enkä vain enää sokeasti seurannut ohjeita.

Kurssikerran ensimmäiset kaksi tehtävää olivat kaikille yhteisiä, mutta suoritettiin itsenäisesti. Arvioimme Malmin ja Helsinki-Vantaan lentokenttien kiitoratojen melusaasteiden vaikutusalueita. Omat tulokseni on esitetty taulukoissa 1 ja 2. Suoritin mielenkiinnosta ensimmäisen lisätehtävän, jossa pyydettiin laskemaan Malmin lentokentän käyttöönoton jälkeen rakennettuja rakennuksia 1 kilometrin säteellä. Malmin lentokentällä aloitettiin liikennöinti joulukuussa 1936 (Malmin lentokenttä 2015). Suodatin pois rakennukset, joiden käyttöönottovuodesta ei ollut tietoa. Kävi ilmi, että suurin osa 1 kilometrin vaikutusalueella asuvista ihmisistä asuvat itse asiassa Malmin toiminnan alkamisen jälkeen valmistuneissa rakennuksissa.

Helsinki-Vantaan melualueita oli selkeintä tutkia muokkaamalla tietokannan väriluokkia. Näin pystyi kartalta suoraan näkemään eri meluasteita kuvaavat alueet (Kuva 1).

Huomasin Haapalon blogista, että lukumme 65 dB:n alueella asuvista henkilöistä poikkesivat merkittävästi. Kyseisessä tehtävässä kiitoradoista piti itse luoda uusi vektoritaso piirtämällä. Todennäköisesti olemme piirtäneet kiitoradat eri tyylillä ja tämä taas on vaikuttanut 2 kilometrin vaikutusalueeseen. Minulla tähän sisältyi vain 10 rakennusta, mikä selittää eroavaisuudet. Juna- ja metroasemien vaikutusalueissa luvut jo täsmäävätkin, mikä selittyy asematietokannan yhtenäisyydellä (Taulukko 3).

 

Toisessa tehtävässä tarkasteltiin Vantaan alueen taajamia ja niiden asukastilastoja. Onnistuin luomaan uuden layerin vain niistä taajama-alueista, joilta tietokannasta löytyi käytettävää informaatiota asukkaiden lukumääristä. Tällaisia taajamia oli 343. Kouluikäisiksi laskin ikäluokat 7-16. Avainluvut löytyvät taulukosta 4. Tehtävä oli melko suoraviivainen ja minua ilahdutti, kuinka sujuvasti tietokantojen yhdistäminen, attribuuttien suodatus ja valitseminen sekä tietokantojen muokkaaminen laskutoimitusten avulla luonnistuivat.

Minun Everestini: altaat ja saunat

Viimeinen itsenäistehtävä oli valinnainen ja otsikon perusteella päädyin uima-altaiden ja saunojen tutkimiseen. Ehdin paneutua tähän kunnolla vasta kotona seuraavana iltana. Stressihormonit juhlivat ja hammaslääkärit pudistelevat päätään, kun näkevät narskuneet hammaskruununi. Pienen läppärini tehot eivät nimittäin olleet optimaaliset pääkaupunkiseudun rakennustietokantaa pyörittämään. Itsepäisyyteni koittaa joskus turmiokseni, ei vielä tällä kertaa! Vaikeuksien kautta väsytysvoittoon.

Törmäsin ensimmäiseen virheviestiini: Feature (157) has invalid geometry. Please fix the geometry or change the Processing setting to the ”Ignore invalid input features” option. Execution failed after 31.04 seconds. Internetin syövereistä löytyvien huomattavasti taitavampien QGIS-maestrojen vinkkejä selailtuani löysin työkalun nimeltä Fix geometries. Ajoin polygoneja sisältävän pienaluetason kyseisen komennon läpi ja taikuus tepsi. En ole täysin varma geometrian luonteen ongelmasta, koska projektiot täsmäsivät kuin myös tietokantojen tärkeät attribuuttitiedot. Ongelma ilmeni kahden kaupunginosan polygoneissa, enkä päässyt jyvälle tarkemmin.

Tuotin laskemistani avainluvuista taulukon (Taulukko 4) sekä kartan eniten uima-altaita sisältävistä alueista (Kuva 2).

Uima-altaiden määrää pääkaupunkiseudulla esittävä raakakartta on visuaalisesti varsinainen sekamelska (Kuva 3). Numeroa ilmaisevat labelit piti tuottaa kartalle erikseen pylväistä, ja olisi vaatinut melkoista kokeilua ja kikkailua, jotta niiden suhteelliset sijainnit saisi kohdalleen. Tarkastin vielä internetin vertaistukipalstoilta ja näin tosiaan vaikutti olevan. Päätin suodattaa karttanäkymään vain sellaiset pienalueet, jotka sisälsivät uima-altaallisia rakennuksia merkittävän paljon. Kriteeriksi valitsin yli 10 tällaista rakennusta. Lopputulos on jo paljon selkeämpi ja miellyttävämpi. Lisäksi haluttu ilmiö, eli uima-altaita runsaasti sisältävien alueiden sijoittuminen havainnollistuu. Pylväiden väriksi olisi pitänyt valita joku muu kuin sininen, joka sulautuu vesialueisiin.

Aiemmilla kurssikerroilla keskiössä on ollut kartografiset ratkaisut ja omien teemakarttojen tuottaminen erilaisista aineistoista. Nyt sukellettiin syvemmälle paikkatietoaineiston piirteisiin ja QGIS:in mahdollisuuksiin. Viimeistään näiden harjoitusten kautta opin ymmärtämään attribuuttien liittämisen yhteydessä tarvittavat geometriset predikaatit ja niiden keskinäiset suhteet. Edelleen tuplavarmistukset ovat tarpeen, mutta varmuus suorittamiseen on lisääntynyt eksponentiaalisesti. QGIS:in suurimmat sudenkuopat syntyvät sen luonteesta avoimen lähdekoodin ohjelmana, mutta toisaalta juuri tästä syystä apukin on lähellä. Pyörää ei tarvitse lähteä keksimään uudelleen, sillä joku on todennäköisesti kohdannut samat esteet ja toistanut samat virheet. Eri keskustelupalstoilta löytyykin nopeasti vertaistukea ongelmiin.

Lähteet

Haapalo, P. (2020). Kädet ilmaan. Blogikirjoitus. 12.2.2020. <https://blogs.helsinki.fi/haapalop/2020/02/12/kadet-ilmaan/>

Malmin lentokenttä. (2015). Rakennettu ympäristö ja kulttuuriympäristö – alustava arvokohteiden luettelo. Selvitys.

Silmäni kiiluivat innosta, kun luvassa oli vektori- ja rasteriaineiston parissa työskentelyä. Väestöruutuja luodessa QGIS:in grid –komento muistutti minua kovalevyllä valmistumista odottavasta kanditutkielmastani, jonka aiheena ovat väliaivojen hilasolut (engl. grid cells). Siihenpä yhtäläisyydet sitten jäivätkin. Tämän periodin maantieteen kurssirumba on hidastanut tutkielman etenemistä sen verran, että tuntui tarpeelliselta muistaa, mitä se tutkielma käsittelikään.

Jälleen tuli opittua, kuinka tarkkaan QGISin kanssa tulee käskyjä antaa. Väestöruudukon laatimisessa täytyi tuplavarmistaa komentovalikoiden esiasetukset. Suodatimme vain sellaisia ruutuja, joilta löytyy asukkaita pisteaineistona. Hetken aivopoimuja jumpattuani pääsin jyvälle aineiston luonteesta. Jostain syystä minun oli vaikea ymmärtää, että tietokanta sisältää tilastoja yksittäisistä rakennuksista. Muutaman epäonnistuneen join attributes -komennon jälkeen ja pari rautalangasta väännettyä laskukaavaa myöhemmin sain minäkin laadittua ihan kelpoja väestöruutukarttoja.

Artun johdolla selvitimme ulkomaankansalaisten ja muunkielisten asukkaiden jakautumista pääkaupunkiseudulla. Tehtävä oli ohjelman käytön kannalta oivaa harjoittelua, mutta lopullinen tuotos jäi omiin silmiin epäselväksi. Alkuperäisen aineiston oudot ”9999999”-luvut vääristivät suhdelukuja. Tärkeä oppitunti taas aineiston laadunvarmistuksesta. Joonatan Reunanen (2020) oli luonut mainion esityksen muunkielisten suhteellisesta osuudesta neliökilometrillä ja ansiokkaasti pohtinut ilmiön taustalla vaikuttavia yhteiskuntarakenteellisia syitä.

Itsenäisessä tehtävässä päätin luoda suuremmat väestöruudut, sillä 250 metriä osoittautui hankalaksi lukea lopulliselta tulosteelta. Kokeilin neliökilometrin kokoisia ruutuja, jotka näyttivät ensi yrittämältä paremmilta. Moni muukin kurssikollega oli valinnut saman mittayksikön (Hyvättinen 2020; Reunanen 2020). Neliökilometri toimi hyvin siitäkin syystä, että esimerkiksi asukastiheyttä pystyi vaivatta havainnollistamaan suoraan absoluuttisilla arvoilla kyseisen ruutuaineiston päälle (kuva 1).

Kokeilin eri tietokantoja teemakarttani kanssa, kuten pienalueiden kuntarajoja sekä tiestöjä. Päädyin valitsemaan tiestön, joka tarjoaa mielestäni parhaiten lisäarvoa kartan tulkitsijalle alueen paikantamisesta. Pienalueiden rajat olivat visuaalisen ilmeen kannalta liian sekavat. Asukkaiden keskimääräisen iän alueellinen jakautuminen pääkaupunkiseudulla tarjoaa mielenkiintoista tietoa (kuva 2). Tuli mieleen laatia tämän kartan rinnalle samankaltainen kotitalouksien keskiansioiden perusteella ja pohtia iän ja tulojen maantieteellistä sijoittumista rinnakkain. Tarkemmin ajateltuna teemakarttani eivät ehkä noudata tehtävänantoa täydellisesti: iän alueellisen jakautumisen syyt ovat nopeasti ajateltuna melko ilmiselviä. Vanhimmat väestöruudut sijoittuvat selkeästi kehyskuntiin. Helsingissä suurin osa väestöruuduista on nuorekasta. Ikäluokka 44-50 on melko tasaisesti hajaantunut ympäri kuvattua aluetta, mikä kuvaa ehkä tässä iässä olevien kotitalouksien elämäntilanteiden moninaisuutta. Ikäluokkaan mahtuu perheellisiä, sinkkuja ja tuloeroissakin lienee iso haitari.

Lopputunti käytettiin Pornaisten tutkimiseen ja rasterimuotoisen laserkeilauskuvan parissa näpertämiseen. Korkeuskäyrien ja rinnevalovarjostusmallin luominen QGISillä sai itsessäni aikaan keskisuuren tajunnanräjäytyksen:

via GIPHY

Maanantai-iltana kello 19 kynnys saattoi olla häpeällisen matalalla. Tähän asti rinnevalovarjostuksella olen leikkinyt lähinnä Paikkatietoikkunassa, joten oli jännittävää kokea se enemmän hands on –meiningillä. Varjostuksen asetusten säätely ja viilaaminen se vasta huikeaa olikin. Rasteriaineiston päällekkäinen tarkastelu vektorimuotoisen peruskarttalehden kanssa havainnollisti aineistojen keskinäisiä eroja ja käyttötarkoituksia.

Lisäisin tähän kuvia työvaiheista ja korkeuskäyrien yhteensopivuudesta rasteriaineiston kanssa, mutta projekti jäi Kumpulan tietokoneen paikalliselle kovalevylle. Joten maanantaina sen pariin päästyäni heitän kuvat tänne. Ehkä.

Lähteet

Hyvättinen, T. (2020). Rasterit kehiin! Blogikirjoitus. 7.2.2020. <https://blogs.helsinki.fi/hytuija/2020/02/06/rasterit-kehiin/>

Reunanen, J. (2020). Posilla – vaikka väkisin. Blogkirjoitus. 7.2.2020. <https://blogs.helsinki.fi/reunajoo/2020/02/06/posilla-vaikka-vakisin/>