Viimeiset kartat

Kurssin viimeisen viikon tehtävässä saimme itse valita millaisia karttoja tekisimme valitsemistamme aiheista ja datan lähteistä.  Mahdollisien aiheiden ja tarkasteltavien muuttujien loputtomasta määrästä johtuen jouduin hieman raapia päätäni ennen kuin keksi mielenkiintoisen aiheen, josta olisi myös helposti luotettavaa dataa saatavilla.

Rollossa kolisee

Päädyin tekemään kolme karttaa Rovaniemellä vuosina 2015-2020 tapahtuneista Tilastokeskuksen tilastoimista tieliikenneonnettomuuksista. Kartoissa tarkastellaan tieliikenneonnettomuuksien lukumäärää postinumeroalueittain, tieliikenneonnettomuuksien esiintymistä niiden vakavuuden perusteella, sekä liikenneonnettomuuksia joissa on ollut jalankulkija osallisena.  Kartoissa tarkasteltavat tiedot ovat Tilastokeskukselta ja ne on haettu QGIS-ohjelmistoon joko Tilastokeskuksen rajapinnan kautta avaamalla ne WFS-tasona tai lataamalla tiedostot tietokoneelle tilastokeskuksen sivuilta. Karttojen pohjadata kattaa Tilastokeskuksen kuntien avainluvut 2019 aineiston, postinumeroaluejakoon pohjautuvan aineiston,  sekä tieliikenneonnettomuusaineistot vuosilta 2015-2020.  Tieverkosto on haettu QGIS-ohjelmistoon Väyläviraston avoimen datan palvelusta, joka kattaa koko Suomen tieliikenneverkoston.

Rovaniemellä tapahtuneiden tieliikenneonnettomuuksien määrät postinumeroalueittain

Kuvan 1, kartassa tarkastellaan Rovaniemellä vuosina 2015-2020 tapahtuneiden tieliikenneonnettomuuksien lukumäärää postinumeroalueittain. Eniten tieliikenneonnettomuuksia on sattunut Rovaniemen kaupungin keskustaajaman kuuluvalla postinumeroalueella 96100, jossa onnettomuuksia sattui ajanjakson aikana yhteensä 39. Yleisestikin eniten onnettomuuksia on sattunut keskustaajamaan kuuluvilla postinumeroalueilla joissa liikenne on ympäröivää maaseutua tiheämmän asutuksen vuoksi vilkkaampaa.  Keskustaajamaa ympäröivällä suhteellisen laajalla maaseudulla onnettomuudet ovat keskittyneet pääosin pääväylien, kuten valtatie 4 E75, ja Kittilään johtavan kantatie 79 varteen sijoittuville postinumeroalueille.

 

Tieliikenneonnettomuudet vakavuuden perusteella

Kuvan 2 kartta esittää tieliikenneonnettomuuksien esiintymistä niiden vakavuuden perusteella. Kartta on tehty interpoloimalla vakavuus arvot kartalle, jonka vuoksi reiluksi yleisimmän vakavuusasteen eli vakavuusasteen T2 onnettomuuksien vaalea väri peittää lähes koko kunnan alueen.  Lisäsin karttaan vakavuusasteen T2 onnettomuudet pisteinä kartalle jotta ne olisi jokseenkin paikannettavissa, mutta asetin ne melko läpinäkyväksi, sillä muuten ne peittäisivät paikoin asteiden T1 ja T3 onnettomuudet alleen.  Karttaa tarkastelemalla voidaan havaita että suurin osa kuolemaan johtaneista T1 onnettomuuksista on tapahtunut pääväylien varrella.  Tämä johtunee siitä että pääväylillä liikenne on kohtuullisen vilkasta ja nopeusrajoitukset ovat korkeita. Ei loukkaantumiseen johtaneita tason T3 ja loukkaantumiseen johtaneita T2 onnettomuuksia on sen sijaan tapahtunut ympäri kuntaa, myös pienempien teiden varrella. Mietin jonkin verran, sitä että olisiko kartasta tullut selvempi jos sen olisi tehnyt täysin pistekartaksi. Tulin kuitenkin siihen lopputulokseen että interpoloimalla harvemmin esiintyvät T1 ja T3 arvot saadaan erottumaan hieman paremmin, vaikkakin niitä esittävät värit leviävätkin turhan laajasti harvaan asutuilla alueilla.

Jalankulkijat osallisena

Kuvan 3 kartta esittää tieliikenneonnettomuuksia joissa on ollut jalankulkija osallisena Rovaniemen kunnan alueella vuosien 2015-2020 aikana. Kaikki jalankulkijoille tapahtuneet onnettomuudet ovat tapahtuneet Rovaniemen keskustaajaman alueella, joten kartta kattaa vain kyseisen alueen, jotta onnettomuuksien tarkastelu olisi helpompaa. Rovaniemellä on tapahtunut ajanjakson aikana yhteensä 27 tieliikenneonnettomuutta, joissa on ollut jalankulkija osallisena. Postinumeroalueista eniten onnettomuuksia on sattunut alueella 96100, jossa on tapahtunut 12 onnettomuutta.  Alue 96100 jakautuu kahteen toisistaan erilliseen alueeseen joista toinen sijoittuu keskustan ja Korkalovaaran alueille ja toinen kantatie 79 varteen.  Päädyin lisäksi bufferoimaan Väyläviraston tietokannasta löytyneet suojatiet 15 metrin etäisyydeltä, jotta voitaisiin tarkastella kuinka suuri osa onnettomuuksista on tapahtunut suojateillä tai niiden läheisyydessä.  Tieliikenneonnettomuuksista joissa on ollut jalankulkija osallisena suurin osa, eli 17/27 onnettomuudesta on tapahtunut vähintään 15 metrin etäisyydellä suojatiestä. Suurin osa onnettomuuksista, jotka ovat tapahtuneet suojateillä tai niiden läheisyydessä sijaitsevat Rovaniemen keskustan alueella.  Yli 15 metrin etäisyydellä suojatiestä tapahtuneet onnettomuudet ovat sitä vastoin tapahtuneet pääosin asuinalueilla, kuten esimerkiksi Saarenkylässä 96900, sekä Syväsenvaarassa 96190. Päädyin 15 metrin bufferointi etäisyyteen sillä Väyläviraston aineistossa suojatiet piirtyvät kartalle pistemuotoisina, jolloin ne eivät anna kovin hyvää kuvaa suojateistä kokonaisuudessaan. Vaikkakin 15 metrin puskuri on toisaalta melko laaja ja keskustan alueella suojateitä on kohtuullisen tiheästi, näiden tuloksien pohjalta voidaan silti todeta,  että nimitys suojatie on ehkä hivenen harhaanjohtava, sen luodessa virheellistä mielikuvaa “suojaisasta” tien ylityspaikasta.  Omiin kokemuksiini pohjautuen Rovaniemellä kannattaa aina olla tarkkana ylittäessä tietä suojatien kohdalta. Kuningas autoilijat alkavat harvemmin oma-aloitteisesti pysähtymään suojateiden eteen, jos jalankulkija on aikeissa ylittää tien.

 

 

Loppumietteet

Mielestäni oli oppimisen ja muistin virkistämisen kannalta erittäin hyvä, että kurssin viimeiset harjoitukset olivat melko vapaasti suoritettavissa, kunkin mielenkiinnon mukaan. Karttojen tekemisen yhteydessä tuli käytettyä runsaasti aiemmilla kurssikerroilla tutuksi tulleita työkaluja, minkä vuoksi työkalut jäävät varmasti paremmin mieleen tulevia haasteita varten.  Harjoituksen yhteydessä tuli kokeiltua myös uusia QGIS-ohjelmiston toimintoja kuten clip vector by extent.  Harjoituksen yhteydessä tuli myös harjoiteltua lähtödatan etsimistä kartan tekemisen pohjalle, mikä on ilmeisen olennainen osa-alue, joka tulisi hallita gis-ohjelmistoja käytettäessä. Milla Sigg kirjoittaa blogissaan samaistuttavasti kuinka ohjelmiston käyttö on ollut välillä turhauttavaa, mutta onnistumisen hetket tuntuvat hyvältä (Matkalla geoinformatiikan osaajaksi).  QGIS-ohjelmiston käyttö on ajoittain todella turhauttavaa kun ei keksi heti ratkaisuja ongelmiin, mutta ajoittaisen rämpimisen myötä onnistumisen hetket tuntuvat entistäkin paremmalta.

 

Lähteet:

Sigg. Milla. (2022), Kurssin loppu lähestyy, https://blogs.helsinki.fi/milsigg/ , (sivulla vierailtu 15.3.2022)

 

Kuudes kurssikerta

Kuudennen kurssikerran aluksi  jalkauduimme tuottamaan paikkatietodataa Kumpulan lähimaastosta käyttäen Epicollect5-sovellusta. Palattuamme takaisin gis-luokkaan harjoittelimme tuottamamme datan tuomista QGIS-ohjelmistoon, sekä tutustuimme aineiston interpolointiin ja interpoloidun aineiston esittämiseen QGIS-ohjelmistossa. Interpolointi toiminto arvioi datan kohdat joilla ei ole arvoa siten, että lähellä tyhjää pistettä olevien pisteiden arvot vaikuttavat arviointiin enemmän kuin kaukana tyhjästä pisteestä olevien pisteiden arvot. Interpoloinnin avulla voidaan piirtää kartta, jossa on näkyvissä myös arvioidut arvot alkuperäisten pisteiden välissä, eli kartta joka on arvojen vaihtelu esiintyy pinnaltaan jatkuvana.

Maanjäristyksiä ja tulivuoria

Kuvan 1 kartalle on piirretty interpoloimalla kaikki 4.5-5.5 magnitudin maanjäristykset jotka ovat tapahtuneet 1.1.2020-23.2.2022 välisenä ajanjaksona, eli tällä vuosikymmenellä tähän mennessä. Maanjäristyksiä ja tulivuoria esiintyy paljon mannerlaattojen rajakohdissa, erittäin selvästi tämä näkyy muun muassa Atlantin keskiselänteen ja Tyynenmeren tulirenkaan yhteydessä. Etenkin Tyynenmeren tulirenkaan yhteydessä esiintyy todella paljon niin tulivuoria kuin myös maanjäristyksiäkin. Opetustarkoituksessa tätä karttaa voitaisiin esimerkiksi käyttää mannerlaattojen liikkeiden aikaansaamien maanjäristys ja vulkaanisten ilmiöiden selittämiseen, sekä niiden paikallistamiseen mannerlaattojen reuna-alueilla.

Kuvan 2 kartalle on piirretty interpoloimalla kaikki 1.1.2020 jälkeen tapahtuneet yli 6.5 magnitudin maanjäristykset, sekä tulivuoret. Kartalta on havaittavissa, että lähes kaikki suurimmat maanjäristykset ovat tapahtuneet tulivuorten lähes välittömässä läheisyydessä. Voimakkaita yli 7 magnitudin maanjäristyksiä on kuitenkin ilmennyt tällä vuosikymmenellä myös suhteellisen kaukana tulivuorista, kuten esimerkiksi Qinghain maakunnassa 2021 ilmennyt 7,4 magnitudin maanjäristys (MTV UUTISET, 2021), sekä Haitissa samana vuonna sattunut 7.2 magnitudin maanjäristys (Maailma.net). Kumpikin näistä maanjäristyksistä on sattunut yli 700 kilometrin päässä lähimmästä tulivuoresta.

Meteoriitit

Meteoriitti karttojen data on peräisin Nasan tietokannoista jotka sisältävät tietoa kaikista tunnetuista maankamalta löytyneistä meteoriiteista, joita on aineistossa yhteensä 34513 (NASA). Kuvan 3 karttaan on interpoloitu löydetyt meteoriitit massan mukaan.  Päädyin interpoloimaan meteoriitit ihan huvin ja harjoituksen vuoksi kartaksi ja kartalta on erotettavissa lähinnä suurimmat yli 19835442 grammaa (19835 kiloa) painaneet maanpinnalle iskeytyneet meteoriitit. Suurin aineistosta löytyvä meteoriitti on Namibiasta vuonna 1920 löydetty Hoba, jolla on painoa noin 60 tonnia. Karttaa voidaan käyttää vaikkapa suurimpien löydettyjen meteoriittien paikallistamiseen ja suurien meteoriitin iskujen paikallistamiseen. Suurimpien meteoriittien paikallistamiseen olisi varmasti löytynyt parempiakin työkaluja kuin interpolointi, mutta tulipahan hieman harjoiteltua senkin käyttöä.

Kuvan 4 kartasta on nähtävillä vuoden 2010 jälkeen löydetyt Nasan aineistosta löytyvät meteoriitit, joista suurimpia on Venäjään Tseljabinskin alueelle 2013 iskeytynyt Tšeljabinskin meteori, joka aiheutti tuhoa laajoilla alueilla ( Wikipedia). Nasan meteoriitti aineisto ulottuu vain vuoteen 2013 asti, mutta aineistoa tutkimalla voidaan kuitenkin havaita, että suurin osa maankamaralta löytyneistä meteoriiteista on huomattavan pieniä vain muutaman gramman – kilon painoisia.  Tseljabinskin meteorin jäljiltä löytynyt meteoriitti on Nasan aineiston perusteella noin 100 kiloa painava, joten se oli huomattavasti paljon pienempi kuin esimerkiksi Namibiaan aikanaan iskeytynyt Hoba.  Tämän perusteella voidaan havainnollistaa sitä, kuinka suuret meteorin iskut ovat suhteellisen harvinaisia, etenkin näin lyhyellä aikavälillä tarkasteltuna.

Loppumietteet

Harjoitukset olivat mielestäni mukavan vapaasti muotoiltuja jolloin myös kartoista tulee todennäköisesti myös melko erilaisia kurssilaisten välillä. Harjoituksiin annetut aineistot olivat myös mielenkiintoisia ja niihin oli mukava soveltaa opittuja taitoja, ja harjoitella erilaisia asetuksia muun muassa karttojen visualisoinnin ja interpoloinnin yhteydessä. Minulla oli samanlaisia ongelmia mittakaavan asettamisen yhteydessä kuin Janne Turusella, enkä myöskään löytänyt ratkaisua ongelmaan, mutta ehkä mittakaava ei ole niin olennainen maailman kartan yhteydessä (GEOINFORMATIIKAN MYSTISET MENETELMÄT).

Lähteet:

MTV Uutiset, (2021),https://www.mtvuutiset.fi/artikkeli/ainakin-kolme-kuollut-voimakkaissa-maanjaristyksissa-kiinassa-talta-nayttaa-kun-7-4-magnitudin-jaristys-iskee/8148842#gs.qkwu71 (Sivustolla vierailtu 23.2.2022)

Maailma.net, https://www.maailma.net/uutiset/haitin-maanjaristys-vaikuttanut-yli-12-miljoonan-ihmisen-elamaan-suomalaisjarjestoilta (Sivustolla vierailtu 23.2.2022)

NASA, (2018), NASA’s Open Data Portal, https://data.nasa.gov/Space-Science/Meteorite-Landings/gh4g-9sfh (Sivustolla vierailtu 23.2.2022)

Wikipedia.org, (2021), Tšeljabinskin meteori, (https://fi.wikipedia.org/wiki/T%C5%A1eljabinskin_meteori (Sivustolla vierailtu 23.2.2022)

Turunen, J. (2022), Lumimyrskyjä ja maanjäristyksiä, https://blogs.helsinki.fi/janneturunen/ (Sivustolla vierailtu 23.2.2022)

5 Kurssikerta

Neljännen kurssikerran aluksi tutustuimme  muutamiin toimintoihin QGIS-ohjelmistossa kuten bufferointiin, intersectioniin, sum line lenghtsiin ja clippiin.  Lopun harjoituskerrasta keskityimme itsenäisesti tekemään tehtäviä joissa etenkin bufferointi ja select by location tuli tutuksi. Bufferointi osoittautui erittäin käteväksi työkaluksi ja mielestäni sitä voisi hyödyntää laajasti erilaisten laskujen suorittamiseen. Esimerkiksi Bufferoimalla joki voitaisiin tarkastella esimerkiksi lannoitteiden mahdollisesti aiheuttamaa kuormitusta joelle, tietyllä etäisyydellä joesta sijaitsevilta pelloilta. Bufferoinnilla pystyttäisiin myös esimerkiksi tarkastelemaan miten paljon ja missä pahoinpitelyjä esiintyy joukkoliikenneasemien läheisyydessä, esimerkiksi viidensadan metrin säteellä asemasta.

Lentokenttien melua

Ensimmäisessä lentokenttä tehtävässä tuli selvittää kuinka paljon asukkaita asuu 1- ja 2 kilometrin säteellä Malmin lentokentän kiitoradoista. Tehtävä oli melko helppo suorittaa pienellä digitoinnilla ja bufferoinnilla, mutta näinkin simppelissä tehtävässä tuli ensin pieniä virheitä johtuen vääristä valinnoista bufferoinnin suorittamisen yhteydessä.

Toinen lentokenttätehtävä liittyi Helsinki-Vantaan lentoaseman meluvyöhykkeisiin ja lentoasemaa ympäröivään asutukseen. Tehtävät olivat suhteellisen kivuttomia suorittaa, mutta joissain kohdissa, kuten meluvyöhykkeiden erittelemisessä joutui hieman säätämään ennen kuin sai ne oikein. Yritin ensiksi saada eri meluvyöhykkeet omille tasoilleen kopioimalla ja liittämällä meluvyöhyketasoa ja poistamalla kopioidusta tasosta turhat meluvyöhykkeet pois. Tämän tekniikan toimimattomuus kävi kuitenkin pian selväksi, sillä poistamalla vyöhykkeet yhdestä tasosta ne hävisivät myös kaikista muista samat meluvyöhykkeet sisältävistä tasoista samalla. Tulipahan tuotakin testattua.

Poikkeuksellisen laskeutumissuunnan määrittämisen yhteydessä piirsin 6 kilometriä pitkän kiitoradan suuntaisen viivan kaakkoon kiitoradan päädystä.  Tämän jälkeen bufferoin kyseisen viivan 1 kilometrin säteellä jolloin sain piirrettyä poikkeuksellisen 60DB lentomelualueen, 7 kilometrin pituudelta ja 1 kilometrin leveydeltä kaakkoon kiitoradasta. Bufferoinnin jälkeen asutuksen sai helposti selvitettyä select by location ja statistics työkaluilla.

Asemat ja taajamat

Asema ja taajama tehtävät sujuivat kohtuullisen mallikkaasti jo tutuksi tulleita työkaluja käyttäen. Päädyin laskemaan koululaisten osuudet rajaamalla koululaiset käsittämään 6-16 vuotiaita. Eniten aikaa teetti ulkomaalaisten osuuden selvittäminen, laskin ulkomaalaisten osuuden laskemalla ulkomaalaisten osuudet kokoväestöstä omalle sarakkeelleen, jonka jälkeen laskin käsin % luokkarajoihin asettuvat alueet.  Tajusin myöhemmin että tämäkin lasku olisi sujunut työkaluja käyttämällä huomattavasti nopeammin.

Lilluttelua Lauttiksessa

Kolmanneksi itsenäistehtäväksi päädyin valitsemaan uima-allas tehtävän. Tehtävän a_pks_pie.shp tasossa oli muutama bitti vinossa, mutta hetken pähkäilyn ja GIS-velholle soittamisen jälkeen sain fiksattua tason Fix geometries työkalulla, sekä päivittämällä layer properties valikosta geometry kohdan alta tasolle spatiaalisen indexin. Tason kuntoon fiksaamisen jälkeen onnistuin tekemään uima-altaiden jakaumaa esittävän kartan kohtuullisen kivuttomasti, histogrammien lisääminen karttaan oli tuttua jo aiemmista harjoituksista.  Lopputuloksena syntyi Kuvan 3 kartta, joka on mielestäni luettavuudeltaan kohtuullisen selkeä alueilla joissa kaupunginosat ovat laajoja ja harvassa. Alueilla jossa kaupunginosat ovat pieniä ja tiheästi, kartta on erittäin epäselvä. Kokeilin osoitinviivojen lisäämistä histogrammien ja kaupunginosien välille, mutta totesin että se olisi tehnyt kartasta vain entistä epäselvemmän.

Loppumietteet ja taulukko

Taulukko harjoitusten tuloksista,  Taulukko

Tällä hetkellä QGIS-ohjelmiston työkaluista on parhaiten hallinnassa select features työkalut, bufferointi,  sekä join attributes by location summary. Tämä johtunee siitä että kyseisiä työkaluja on käytetty kurssin tehtävissä kaikista eniten.  Kohtuullisen hyvin hallussa tuntuu olevan myös kartan visualisointi, sekä digitointi, vaikkakin kehityksen varaa näissäkin on kuitenkin aina äärettömän paljon. QGIS-ohjelmiston perus käyttö alkaa pikku hiljaa sujumaan kohtuullisesti, mutta välillä harjoitusten tekeminen jumittaa kohtuudella kun jumittuu pohtimaan kulloiseenkin tilanteeseen soveltuvaa työkalua.  Useimmiten parhaimman tuloksen saa simppeleillä työkaluilla, jotka eivät aina heti välttämättä tule mieleenkään, vaan päädyn ensin kokeilemaan tehtävien selvittämistä turhan mutkikkaasti, osin väärillä työkaluilla. QGIS on erittäin monipuolinen ja suhteellisen käytännöllinen ohjelmisto, jonka monipuolisuuteen ja mahdollisten käytettävien työkalujen määrään tulee välillä hukuttua pahemman kerran. Olen myös huomannut kuinka QGIS saa pahimmillaan kaivettua alkukantaista raivoa esiin, kuten Janne Turunen blogissaan kirjoittaa (GEOINFORMATIIKAN MYSTISET MENETELMÄT). Osaavan ja rutinoituneen käyttäjän käsissä QGIS on varmasti erittäin käytännöllinen, monipuolinen ja hyödyllinen työkalu, jonka hyödyntämisessä on vain tietokoneen, tai ohjelmiston sippaaminen rajana.

Lähteet:

Turunen, J. (2022), QGIS – voittajani, https://blogs.helsinki.fi/janneturunen/ (Sivustolla vierailtu 20.2.2022)

Neljäs kurssikerta

Neljännellä kurssikerralla tutustuimme piste- ja ruutuaineistoihin, väsäsimme ruututeemakartan valitsemastamme aiheesta käyttäen aineistona pääkaupunkiseudun väestötietokantaa. Lisäksi tutustuimme korkeuskäyrien tekemiseen ja rasterikartan digitoimiseen QGIS-ohjelmalla.

Ensimmäinen harjoitus

Ensimmäisessä harjoituksessa tehtävänämme oli tehdä QGIS-ohjelmalla ruututeemakartta valitsemastamme aiheesta käyttäen aineistona SeutuCD 15 tuottamaa pääkaupunkiseudun rakennustietokantaa. Rakennustietokannassa on tiedot Pääkaupunkiseudun jokaisesta rakennuksesta, sekä tiedot esimerkiksi niissä asuvien ihmisten määrästä, sukupuolesta ja kielitaustasta.  Tutustuimme tehtävän yhteydessä ruudukon tekemiseen, sekä tietokannan ja ruudukon yhdistämiseen,  joiden pohjalta luotiin ruututeemakartta alueesta. Rakennustietokanta on pistemuotoinen aineisto joka sisältää huomattavan paljon eri tekijöitä joita oli tarpeen karsia, jotta tietokannan tietojen yhdistäminen ja laskeminen ruudukkoon sujui joutuisasti.

Ruututeemakartta ruotsinkielisistä

Päädyin tekemään ruututeemakartan ruotsinkielisten sijoittumisesta pääkaupunkiseudun kuntien Helsingin, Espoon, Vantaan ja Kauniaisten alueella. Tein lopulta kaksi karttaa ruotsinkielisen väestön sijoittumisesta 1kmx1km ruutukoolla Kuva 1, sekä 2kmx2km ruutukoolla Kuva 2,  ja liitin molemmat tähän työhön, sillä  mielestäni niiden tarkasteleminen ja vertaileminen oli kiinnostavaa.

1kmx1km ruututeemakartta ruotsinkielisen väestön sijoittumisesta kuvaa kohtuullisen hyvin ruotsinkielisten sijoittumista ja osuutta alueiden väestöstä pääkaupunkiseudun alueella. Ruotsin kielisiä asuu huomattavan palvon Länsi- sekä Pohjois-Espoon omakotitalovaltaisilla alueilla. Ruotsinkielisen väestön osuus on myös huomattavan suuri Itä-Helsingissä alueilta,  jotka on liitetty Vantaan ja Sipoon kunnista Helsinkiin vuonna 2009 (Wikipedia). Lukumääräisesti suurin määrä ruotsinkielisistä asuu kuitenkin tiheästi asutuilla Helsingin kantakaupungin alueilla, kuten Salla Kärkkäisen tekemästä ruotsinkielisten alueellista lukumäärää kuvaavasta kartasta ilmenee (Sallan Blogi).

Mielestäni ruututeemakartta on hyväksyttävä absoluuttisten arvojen esittämiseen, sitä tarkastelemalla saa hyvän yleiskuvan esitettävästä ilmiöstä, jota voidaan tarvittaessa tarkentaa pienemmällä ruutukoolla.  Esimerkiksi tässä kartassa on muutamia 1kmx1km alueita joilla asuu vain muutamia ihmisiä ja niiden yhteydessä ruotsinkielisten osuus heilahtaa helposti korkeimpaan luokkarajaan. Mitä pienemmällä ruutukoolla tietoa esitetään, sitä enemmän olisi ruutuja joissa ruotsinkielisten osuus olisi 70% tai enemmän, mutta toisaalta myös ruutujen kokonaismäärä nousisi, jolloin saataisiin yhä hyvä kokonaiskuva koko  tarkasteltavasta alueesta. Tämän kaltaisten karttojen tarkastelun yhteydessä kannattaisi aina ottaa huomioon väestöntiheys, jos kartan tarkastelija haluaisi tehdä päätelmiä ruotsinkielisten osuudesta koko pääkaupunkiseudun alueella.

Verratessa koropleettikarttoihin ja pisteteemakarttoihin, ruututeemakartta on etenkin isolla ruutukoolla yleistävä. Koropleettikartalla voidaan esittää tarkemmin tietoa tutkittavan ilmiön alueellisesta esiintymisestä. Lisäksi koropleettikartan etuna on se että pohjakartta säilyy taustalla helpommin luettavissa, kuin että se olisi peitetty ruutujen alle, vaikka ruutujen läpinäkyvyyttä voidaan säätää, niiden reunat ovat aina hieman häiritseviä. Lisäksi tiedon esittäminen koropleettikartalla on hieman luonnollisempaa kuin ruututeemakartalla, sillä ei todellista maailmaakaan ole jaettu ruutuihin. Ruututeemakartan etuna on  se että siitä saa nopeasti hyvän kokonaiskuvan tarkasteltavasta ilmiöstä, se on luettavuudeltaan selvästi parempi kuin esimerkiksi pisteteemakartta, etenkin jos kartalle sijoittuvia pisteitä on paljon.

Lisäsin työhöni 2kmx2km ruutujaolla ruotsinkielisten osuutta pääkaupunkiseudun alueilla esittävän kartan Kuva  2, sillä vertailemalla sitä Kuvan 1 karttaan voidaan havaita kuinka ruutukokoa kasvattamalla tai pienentämällä voidaan vaikuttaa siihen, kuinka tarkkaan tutkittavaa ilmiötä halutaan esittää. Esimerkiksi karttoja vertailemalla voidaan havaita, että kuvan 1, 1kmx1km kartassa on alueita joissa ruotsinkielisen väestön osuus on 67-100%, kun taas kuvan 2, 2kmx2km kartassa maksimiarvo ruotsinkielisen väestön osuudelle on 42-70%.  Molemmilla kartoilla saa melko hyvän yleiskuvan ruotsinkielisen väestön osuuksista pääkaupunkiseudun alueilla, mutta mielestäni kuvan 1 kartta on soveltuvampi tutkittavan ilmiön tarkasteluun, sillä se on tarkempi.

 

Tehtävä 2 Pornaisten korkeuskäyrät

Kurssikerran toisessa harjoituksessa tutustuimme rasteri-aineistojen tuomiseen QGIS-ohjelmaan, korkeuskäyrien tekemiseen rinnevarjostuksesta, sekä rasteriaineistojen digitoimiseen.

Kuvan 3 Pornaisia esittävään peruskarttalehteen on lisätty korkeyskäyrät 5 metrin välein. Karttaan on myös digitoitu suurimmat alueen pääliikenneväylät, sekä suoritettu aluerajaus Pornaisten taajaman alueesta.  Lisäksi digitoimme kurssikerralla karttaan Pornaisten taajaman asuintaloja, mutta jätin ne tästä kartasta pois, jotta kartan luettavuus säilyisi parempana.

Viewshed-analyysi

Päädyin vielä tekemään viewshed-analyysin masentavan harmaan maanantain kunniaksi. Analyysi on otettu Hevosselän länsirinteen laelta, asetin katselijan pituudeksi 1,98 metriä ja analyysin säteeksi 2 kilometriä katselupisteestä.  Analyysin tulosta voi tarkastella kuvan 4 kartasta. Viewshed-analyysin kartalle piirtämät tummat alueet eivät näy katselupisteestä, kun taas alueet jotka näkyvät 2 kilometrin säteellä alueesta ovat vaalealla analyysin tuottaman ympyrän sisällä. Kuvan 4 kartasta voidaan havaita, että valitsemastani pisteestä ei juurikaan näe itään päin, johtuen siitä että katselupiste on Hevosselän läntisellä rinteen laella.  Katselupisteestä on sen sijaan melko laajat näkymät etelään, länteen ja luoteeseen, johtuen siitä että Hevosselkä on ympäröivään maaston nähden verrattain korkea mäen kukkula.

 

Lähteet:

Wikipedia.org, (2021), Helsingin alueellinen laajeneminen, https://fi.wikipedia.org/wiki/Helsingin_alueellinen_laajeneminen (sivuilla vierailtu 11.2.2022)

Kärkkäinen. S. (2022), Viikko 4: Flashbackit TEMMI:lle ja muuta mukavaa, https://blogs.helsinki.fi/karkkais/ (Sivuilla vierailtu 11.2.2022)

 

 

Kolmas harjoituskerta

Geoinformatiikan menetelmät 1 kurssin kolmannella harjoituskerralla tutustuimme muun muassa tietokantojen yhdistelemiseen, sekä excel taulukon tuomisen QGIS-projektiin.

Harjoitus 1. Afrikka

Kurssikerran ensimmäisessä harjoituksessa tarkastelimme timanttien, öljykenttien sekä konfliktien esiintymistä Afrikassa (kuva 1). Tietojen tarkasteleminen osoitti, että runsaat rikkaudet eivät useinkaan ole edistäneet asukkaiden hyvinvointia. Luonnonvarojen kuten timanttien ja öljyn runsaus on saanut useissa Afrikan maissa aikaan lähinnä konflikteja, sekä luonnonvaroista saadun varallisuuden valumista harvojen käsiin.  Hyvänä esimerkkinä konfliktiherkästä luonnonvaroiltaan rikkaasta valtiosta käy Angola. Afrikka tietokantaan on lisätty tietoja muun muassa öljykenttien ja timanttikaivosten perustamisvuosista, sekä konfliktien tapahtumisvuosista. Näitä tiedoista voitaisiin esimerkiksi havaita, että mitkä konfliktit alkaneet pääosin sen jälkeen kun luonnonvaroja on alettu hyödyntämään.

Ilmeisesti jotain tietoja oli hävinnyt harjoituskerralla tekemälläni QGIS-projektin tasoilta, pilveen siirtämisen yhteydessä vaikka olin tallentanut kyseiset tasot pysyviksi. Kadonneiden tietojen johdosta kartalle lisäämäni mittakaava on pahasti virheellinen, sekä joidenkin tasojen attribuuttitaulut, eivät suostuneet avautumaan enää ollenkaan.

 

Harjoitus 2. Suomen vesistöalueiden tulvaindeksi ja järvisyys

Kuva 2. Koropleettikartta esittää Suomen vesistöalueiden tulvaindeksiä 7 luokkarajaan jaettuna, sekä vesistöalueiden järvisyys astetta.  Kartalta voidaan havaita että suurimmat tulvaindeksit löytyvät Varsinais-Suomen alueelta,  muita korkean tulvaindeksin alueita ovat muun muassa Pohjanmaan rannikkoseudun vesistöalueet, sekä Uudenmaan ja Kymenlaakson alueilta löytyvät vesistöalueet. Korkeaa tulvaindeksiä kyseisillä alueilla selittää luultavasti maaston alavuus, sekä järvien vähäinen lukumäärä, kuten Eeva Raki Blogissaan arveli (Oppimassa geoinformatiikkaa).  Lapin suurien jokien matalaa tulvaindeksiä selittää osaltaan korkeampi maasto, alueen järvisyys, sekä valjastettujen jokien vedenpintaa säätelevät voimalaitokset, sekä altaat.

Kuvan 2. Kartta syntyi kohtuullisen vaivattomasti, jos ei lasketa takkuillutta histogrammien tekemistä. En aluksi onnistunut luomaan histogrammeja lainkaan ja pienen tutkiskelun jälkeen ilmeni että Excelistä siirtämäni taulukoiden järvisyysastetta kuvastavat numerot olivat tekstiä, minkä vuoksi histogrammien luominen ei onnistunut.  Huomattuani ongelman ja muutettuani taulukon arvot Excelissä numeroiksi ja liittämällä taulukon uudelleen QGIS:iin, sain viimein histogrammit tehtyä. Lopputuloksesta tuli mielestäni kohtuullisen selkeä, joskin alueilla joissa on runsaasti vesistöalueita vierekkäin, histogrammit näyttävät lähes sulautuvat yhteen, kuten esimerkiksi Kaakkois-Suomessa.

Lähteet:

Raki. E. (2022), Kurssikerta 3: Paineen alla, https://blogs.helsinki.fi/eevaraki/ (Sivuilla vierailtu 3.2.2022)

Harjoitukset kurssikerta 2

MAA-202 Geoinformatiikan menetelmät 1 kurssin toisella kurssikerralla pääsimme jälleen harjoittelemaan QGIS-ohjelman käyttöä. Tarkastelimme tunnilla muun muassa erilaisten projektioiden vaikutusta kartalta mitattaviin pinta-aloihin. Lisäksi visualisoimme koropleettikarttoja erilaisten projektioiden aiheuttamista prosentuaalisista eroista alueittain.

Visualisoin tunnilla 3 karttaa, Suomessa yleisesti käytetyn poikittaiseen Mercatorin projektioon perustuvaann ETRS-TM35FIN tasokoordinaatiston ja erilaisten maailman kartan esittämiseen tarkoitettujen projektioiden suhteellisista pinta-ala eroista alueittain. Kartat on luotu laskemalla ensin Suomen kuntien pinta-alat ETRS-TM35FIN koordinaatistossa käyttäen QGIS-ohjelmiston add geometry attributes työkalua. Tämän jälkeen projektio on vaihdettu ja vaihdetulle projektiolle on laskettu pinta-alat vastaavalla tavalla kuin aiemmin. Lopuksi projektioiden pinta-aloista on laskettu field calculatorilla projektioiden pinta-alojen suhteelliset erot verratessa ETRS-TM35FIN koordinaatiston pinta-aloihin.  Valitsin karttojen visualisointiin 7 ja 8 luonnollisin asteikoin etenevää luokkarajaa, mikä oli mielestäni sopiva määrä pinta-ala erojen visualisointiin.  Kuvan 3, kartan suurimman luokkarajan väriksi olisi voinut asettaa hieman vaaleamman värin, mutta mielestäni kuvasta saa kuitenkin riittävän hyvin selvää, niin että kunnat on havaittavissa kartalta. Ennen valmiiden koropleettikarttojen siirtämistä tulostusnäkymään vaihdoin projektioksi ETRS-TM35FIN.

Kuvan 1, kartassa voidaan tarkastella ETRS-TM35FIN ja WORLD_POLYCONIC projektion välisiä  pinta-ala eroja.  Polykonisessa projektiossa pinta-alat ovat hieman suuremmat kuin ETRS-TM35FIN tasokoordinaatistossa. Alueiden pinta-alat ovat enimmillään 1,03 kertaa suuremmat kuin ETRS-TM35FIN  ja pinta-alat kasvavat muista kokeilemistani projektioista poiketen länsi-itä suuntaisesti.  Pinta-alojen kasvaminen länsi-itä suuntaisesti johtuu siitä, että Polykonisessa projektiossa pinta-alat kasvavat kuljettaessa pois päin nollameridiaanista (Massey University)

 

Kuva 1. ETRS-TM35FIN vs WORLD_POLYCONIC

 

Kuvan 2, kartassa voidaan tarkastella ETRS-TM35FIN ja Mercatorin projektion välisiä suhteellisia pinta-ala eroja. Mercatorin projektiossa pinta-alat vääristyvät sitä enemmän, mitä kauemmaksi päiväntasaajasta kuljetaan, jonka seurauksena napa-alueet ovat pinta-alaltaan huomattavasti todellisuutta suurempia, mikä näkyy myös tässä vertailussa selvästi (Wikipedia). Projektioiden suhteelliset erot kasvavat etelästä pohjoiseen päin mentäessä ja Mercatorin projektion pinta-alat ovat pohjoisimmassa Lapissa jopa 8-kertaiset verratessa ETRS-TM35FIN:n vastaavien alueiden pinta-aloihin. Eteläisimmässä Suomessa alueiden pinta-alat ovat vastaavasti pienimmillään 3,95 kertaisia verrattuna ETRS-TM35FIN tasokoordinaatistoon.

 

Kuva 2. ETRS-TM35FIN vs WORLD_MERCATOR

Kuvan 3, kartassa voidaan tarkastella eroja ETRS-TM35FIN tasokoordinaatiston ja Natural Earth projektion pinta-aloissa.  Natural Earth projektiossa pinta-alat kasvavat etelä-pohjois suuntaisesti, kuten Mercatorin projektiossa, mutta alueiden suhteelliset pinta-ala erot eivät ole niin suuria kuin Mercatorin projektiossa. Pohjoisimmat alueet ovat enimmillään 1,479 kertaisesti suurempia kuin ETRS-TM35FIN tasokoordinaatistossa.

 

Kuva 3. ETRS-TM35FIN vs WORLD_NATURAL_EARTH

Projektioiden vertailu osoittaa, että erilaiset koko maapallon kuvaamiseen pyrkivät projektiot soveltuvat huonosti tietyn alueen kuten Suomen esittämiseen.  Koko maailman kuvaamiseen tarkoitetut projektiot tai projektiot jotka on tarkoitettu jonkin muun alueen kuvaamiseen vääristävät alueiden muotoja, sekä etenkin pinta-aloja huomattavan paljon. Kurssikerran harjoituksien kautta sai entistä paremman käsityksen siitä miksi oikean projektion ja koordinaattijärjestelmän käyttö on tärkeää. Vastaavanlaisia havaintoja oli tehnyt myös muun muassa Salla Kärkkäinen blogissaan (Sallan Blogi). Käyttämällä oikeaa alueelle suunniteltua projektiota saa totuudenmukaisimmat kartat ja tarkimmat mittaustulokset kartasta.

Lähteet:

Massey University, Polyconic projections,  http://gisweb.massey.ac.nz/topic/webreferencesites/Digital%20Maps/dean/src/warnercnr.colostate.edu/polyconic.html (sivuilla vierailtu 27.1.2022)

Wikipedia.Org, (2021),  Mercator projection, https://en.wikipedia.org/wiki/Mercator_projection (sivuilla vierailtu 27.1.2022

Kärkkäinen. S, (2022), Viikko 2: Kuntien avainlukuja ja gissiä, https://blogs.helsinki.fi/karkkais/  (sivuilla vierailtu 27.1.2022)

Harjoitus 1

MAA-202 Geoinformatiikan menetelmät kurssin Ensimmäisessä harjoituksessa oli tarkoituksena oli tutustuttaa QGIS-ohjelmistoon ja muutamiin sen perus toimintoihin. En valitettavasti päässyt kurssin harjoituskerralle joten jouduin itsenäisesti alkaa tutustumaan ensimmäisen  kurssikerran harjoituksiin. Olen käyttänyt QGIS-ohjelmaa vain parilla viime syksyn geoinformatiikan johdatuskurssin työllä jolloin ohjelman toiminnasta sai jonkinlaisen jokseenkin hataran käsityksen.

Ensimmäisessä harjoituksessa tavoitteena oli luoda QGIS-ohjelmalla koropleettikartta Itämerta ympäröivien HELCOM-maiden suhteellisista typpipäästöistä.

Kuva 1. Koropleettikartta maakohtaisista suhteellisista typpipäästöistä.

Kartalla maiden vaaleammat värit esittävät suhteellisesti matalampia typpipäästöjä ja mitä tummemmaksi väri menee sen suurempia suhteelliset typpipäästöt ovat.  Karttaa tarkastelemalla voidaan havaita, että Puolan suhteelliset typpipäästöt koko HELCOM-alueen typpi päästöistä ovat huomattavat 30,9%. Viron suhteelliset typpipäästöt ovat alueen maista pienimmät vain 2,9%, Suomi sijoittuu suhteellisissa typpipäästöissä maiden keskikastiin 7,4% suhteellisilla päästöillään.  Mielenkiintoisinta kartassa on mielestäni Saksan suhteellisten päästöjen pienuus verratessa etenkin Puolan päästöjen suuruuteen.  Mielestäni kartan tekeminen ja sen aihe olivat mielenkiintoisia ja ajankohtaisia, sillä vesistöjä rehevöittävät typpipäästöt vaikuttavat herkästi matalan Itämeren herkkiin ekosysteemeihin ja sen rehevöitymiseen.

Uusia ominaisuuksia joita käytin QGIS:llä tämän harjoituksen yhteydessä olivat Open Field Calculatorin ja statics paneelin käyttö. Minulla oli aluksi hieman hankaluuksia Open Field Calculatorin käytössä, johtuen virheellisestä lausekkeesta, joka oli lopulta yksinkertaisempi kuin ajattelinkaan. Molemmat toiminnot vaikuttivat mielestäni erittäin käteviltä ja osaavissa käsissä niillä saisi varmasti paljon aikaa säästettyä ylimääräiseltä laskemiselta.  Suodatettaessa null arvoja pois ominaisuustietotaulusta onnistuin suodattamaan keksimälläni SQL-kyselylausekkeella myös HELCOM-alueen ulkopuoliset maat kokonaan pois kartaltani. Yritin ratkaista tätä ongelmaa kokeilemalla erilaisia SQL-kyselylausekkeita, mutta ongelma jäi ratkaisematta. Virhe ei ollut mielestäni olennainen, sillä kartan tavoitteena on esittää HELCOM-alueen maiden suhteellisia typpipäästöjä.

 

Harjoitus 2.

Harjoituksessa 2 tein koropleettikartan Suomen kuntien väkiluvuista, kartan tiedot ovat vuodelta 2015.  Päädyin tekemään tämän tehtävän helpoimman kautta.

Kuva 2. Suomen kuntien väkiluku.

Kartan luominen QGIS-ohjelmalla oli todella nopeaa ja vaivatonta, suurin osa kartan tekemiseen menneestä ajasta meni sopivien luokkarajojen valitsemiselle.

Kartalta on hyvin havaittavissa nyky Suomen voimakas kaupungistuminen, joka näkyy Etelä Suomen suurten kaupunkien ja Maakuntakeskusten väestön runsaudessa verratessa maaseutukuntien väestöön.  Kartalla nähtävä väestön jakaantuminen on vuosikymmeniä maaseudulta kaupunkiin johtavan muuttoliikeen tulosta. Väestö pakkautuu enemmissä määrin etelän suuriin kaupunkeihin ja maakuntakeskuksiin työpaikkojen, palveluiden ja opintojen perässä.  Kun taas pienet maaseutu kunnat kuihtuvat väestön ikääntyessä, palveluiden kadotessa ja työpaikkojen siirtyessä kasvukeskuksiin. Myös suurin osa maahanmuuttajista päätyy todennäköisemmin suuriin kasvaviin kaupunkeihin niiden tarjoamien parempien palveluiden ja työllistymismahdollisuuksien vuoksi.

Tarkasteltaessa luomaani karttaa Suomen kuntien väkiluvun jakaantumisessa kunnittain on havaittavissa yhtäläisyyksiä muista aiheista tehtyihin karttoihin.  Esimerkiksi Nea Tiainen on lisännyt blogiinsa kartat Suomen kuntien työttömyysprosentista, sekä perheiden prosenttuaalisesta määrästä kunnittain vuodelta 2015.  Karttojen tarkastelu oli mielenkiintoista sillä Suomen kuntien työttömyysprosentti on pääsääntöisesti pienempi kasvukeskuksissa ja maakuntakeskuksissa kuin niitä ympäröivissä maaseutu kunnissa, mikä on hyvin pitkälti yhteneväinen kuntien väkiluvusta tehdyn kartan kanssa.  Poikkeuksena tästä on esimerkiksi Pohjanmaan rannikko jossa sijaitsee paljon suhteellisen pieniä kuntia, mutta työttömyysprosentti on silti matalalla tasolla. Perheiden prosenttuaalisesta määrästä tehty kartta seuraa myös hyvin pitkälti väkiluvusta tehtyä karttaa, mikä ei ole yllätys.  Perheitä on prosentuaalisesti eniten niissä kunnissa missä on väkiluku on suuri.

Lähteet:

Tiainen N. (2022), Tapaamme jälleen QGIS, Melkein Gis-guru siis itsekin -blogi, (luettu 24.1.2022), saatavilla https://blogs.helsinki.fi/tiainea/