Author: Ilona

Hellurei !

JAIKS, viimeistä viedään!! Näin viimeisen kurssikerran kunniaksi päästiin käyttämään omia aivojamme ja tuottamaan juuri sellaista materiaalia kuin haluttiin. Sukelsimme siis avoimen datan ihmeelliseen maailmaan ja voi pojat kun sitä oli PALJON. Tätä runsautta voi pitää niin rikkautena kuin riesana, sillä työnmäärä kymmenkertaistuu, kun on niin paljon mistä valita.

Ensimmäisen ongelman tuotti aiheen valinta ja rajaus, sillä kuten sanottua materiaalia löytyi paljon. Päädyin kuitenkin valitsemaan tarkasteluuni Vantaan ja sen pienalueet, sillä arvelin tiedon löytyvät jokseenkin helposti. Suurimpia vaikeuksia tuotti löytää jotakin niinkin yksinkertaista, kuin hallinnolliset rajat, tiet, väestötiedot jne sillä halusin haastaa itseni, enkä käyttää valmista kurssikansiosta löytyvää tietoa. Informaatio oli kuitenkin löydettävissä kuten arvelin, joten valitsin viisaasti. Tämän huomasimme vierustoverin Vilman kanssa, joka kuumeisesti yritti etsiä samoja tietoja Turun kaupungista, siinä kuitenkaan onnistumatta. Mielenkiinnolla odotan, mihin lopputulokseen hän päätyy!

Esitettävässä tiedossa päädyin HSL:n (Helsingin Seudun Liikenteen) tuottamiin kokonaisuuksiin, sillä tiedostot tulivat järkevästi luettavissa ja käytettävissä muodoissa. Visualisoinnissa poistin ympäröivien kuntien tiedot ja keskityin yksityiskohdissa tiestöön ja pysäkkeihin, sillä halusin fokusoida tarkastelusuunnan julkiseen liikenteeseen, enkä esimerkiksi yksittäisiin rakennuksiin.

Halusin tarkastella Vantaan seudulla joukkoliikenteen käyttäjämääriä ja tämän suhdetta väestöön kaupunginosittain. Kuvassa 1 esitetäänkin väestö pienalueittain. Eniten asukkaita löytyy Myyrmäestä, Martinlaaksosta sekä Hakunilasta, muita erottuvia ovat esimerkiksi Korso, Länsimäki sekä Viertola. Kuvassa 2 näkyy pysäkit kuvattuna pysäkiltä nousseiden henkilöiden lukumäärän mukaan päivittäin. Suurimman nousijamäärän yksittäiset pysäkit löytyvät selkeästi Tikkurilasta. Muita paljon käytettyjä yksittäisiä pysäkkejä löytyy Myyrmäestä, Martinlaaksosta, Lentokentältä, Hiekkaharjusta sekä Korsosta. Kuvassa 3 pysäkkien käyttäjät on laskettu yhteen kaupunginosittain, jolloin vahvimman punaisen värin saavat Myyrmäki ja Tikkurila.

 

Karttasarjaa tarkastellessa selkein huomio oli se, että Tikkurila on liikenteen alku- solmu- ja päätekohta matkalla esimerkiksi töihin, kouluihin taikka vapaa-ajan viettoon. Asukkaita kaupunginosasta löytyy verrattain vähän suhteutettuna joukkoliikenteen käyttäjiin. Arvioisin myös, että erottuvimpien kävijämäärien pysäkit ovat raideliikenteen asemia.  Hakunilan suuri asukasluku taas heijastuu siihen, että käytetyt pysäkit ovat jakautuneet tasaisesti alueelle, eikä silmiin hyppää mitään tiettyä. Näin ollen alueella on pääosin asutusta ja asuinrakennuksia, josta lähdetään muualle esimerkiksi töihin. Karttoja tutkimalla voisi päästä vaikka mihinkä mielenkiintoisiin lopputuloksiin, jotka herättäisivät monia lisäkysymyksiä ja aiheita uusille variaatioille.

Lisähuomiona että löysin Vantaan kaupungin  saavutettavuuskyselyn tulokset, jotka olisi ollut erittäin mielenkiintoista liittää tarkasteluun. Vastauksista oli kuitenkin poistettu vastaajien asuinalueet tietosuojalain nojalla, joka oli kovin harmillista.

Näin! Aihetta olisi voinut vielä käsitellä ja tutkia vaikka kuinka paljon, mutten halua tektistä romaania.

Tuntuu hassulta, että tämä oli nyt tässä.. Vaikka kurssitehtävät saivatkin välillä hermoromahduksen partaalle, tuntuu että selvisin voittajana! Käteen tuntuu jäävän monta hyödyllistä taitoa, joita varmasti tullaan tarvitsemaan tulevaisuudessa. Kiitos ja kumarrus!

Ilona

Viitteet:

Vilma Kaukavuori, https://blogs.helsinki.fi/vilmakau/

Vantaan kaupunki, Palvelujen saavutettavuuskysely 2018, https://hri.fi/data/dataset/vantaan-kaupungin-palvelujen-saavutettavuuskysely-2018, luettu (25.2.2019)

Hellurei <3

Pikkuhiljaa viikot geoinformatiikan ja blogin parissa alkavat lähestyä loppuaan, muttei aivan vielä! Pureudutaan siis taas kerran opittuun.

Viikolla 6 aloitimme luennon herättävällä kello kahdeksan aamukävelyllä pakkassäässä. Retken tuloksena oli Epicollect5-ohjelmalla kerättyä dataa Kumpulan lähiympäristön viihtyvyydestä. Pistemuotoinen rasteriaineisto interpoloitiin niin, että ohjelma laski pistearvojen väliin uusia väliarvoja, jolloin aineistoista tuli jatkuva. Visualisoinnin ja värienmuuntelun jälkeen lopputuloksena syntyi kartta 1, jonka avulla voidaan tarkastella vastaajien mielukuvia Kumpulan lähiympäristön turvallisuudesta. Interpoloitu esitys on lukijalle paljon informatiivisempi ja helpommin ymmärrettävissä, kuin vain epämääräisen joukko pisteitä.

Itsenäistehtävässä tarkoituksena oli tuottaa kolme hasardikarttaa opetuksessa käytettäväksi, hypätä opettajan saappaisiin ja pohtia karttojen käyttötarkoitusta ja toimivuutta. Itse päädyin esittämään ensimmäisessä kartassa (kuva 2) yli 7 magnitudin maanjäristyksiä 80-luvulta eteenpäin, toisessa (kuva 3) tulivuoria maapallolla ja kolmannessa (kuva 4) molempia yhdessä hieman eri visualisointikeinoin.

Tuottamieni karttojen tarkoituksena on selvittä maankuoresta lähtöisin olevien ilmiöiden sijaintia. Lisämateriaaliksi voisi sopia kartat mannerlaattojen sijoittumisesta ja saumakohdista sekä tsunameista (kuva 4 ja 5). Koska luonnonmaantiede käsittää suuria vaikeasti ymmärrettäviä ilmiöitä ja on hyvin syy-seurauslähtökohtaista, karttojen avulla voisi rohkaista nuortakin oppijaa huomaamaan, kuinka hyvin erilaisetkin luonnonilmiöt ovat yhteydessä toisiinsa.

Alunperin mietin, onko kartta hieman liian yksinkertainen ja olisiko siihen pitänyt lisätä jotain tietoa tulivuorista, kuten Amelia teki esittäessään tulivuorten korkeuden merenpinnasta. Tulin kuitenkin siihen tulokseen, ettei se toimi tarkoitusperieni kanssa. Hyvä idea kuitenkin!

Yhdistettyä karttaa tehdessäni käytin QGISsin heatmap esitystapaa, jonka avulla maanjäristykset saa mielestäni visualisoinnin kannalta kivempaan muotoon. Jälkeenpäin kuitenkin tajusin, ettei heatmap laske attribuutin arvon (tässä tapauksessa magnitudin) mukaisesti vaan pisteiden esiintymisen mukaan. Näin ollen kartta on epäkorrekti. Mielestäni se kuitenkin sopii esittämään maanjäristysten esiintymistä, joten kartan legendaa pitäisi muuttaa Maanjäristysten voimakkuudesta esiintyvyyteen.

Näin ikkään.

Ilona

Viitteet:

Amelia Cardwell, Viikko 6: Maastossa seikkailua ja luonnonhasardeja, https://blogs.helsinki.fi/amca/2019/02/21/299/ (luettu: 24.4.2019)

Kuva 5, 1100 Tsunami Events Since 1410 B.C. on 1 Map, https://weather.com/science/news/noaa-ngdc-tsunami-source-events-map (luettu 24.4.2019)

Kuva 6, Plate Tectonics, https://gcs.instructure.com/courses/37951/assignments/160515, (luettu 24.4.2019)

Hellurei!

Viikolla 5 tarkoituksena oli reflektoida viimeisiä viikkoja ja  miettiä hieman missäs nyt oikein mennään. Jos mietitään näin kokonaisvaltaisesti, tuntuu siltä, että oma osaaminen geoinformatiikan ja ohjelmistojen parissa riippuu ihan mielen virkeydestä sekä tunnetilasta. Jos on vähänkin huonolla tuulella taikka aivot hieman sumeat ei tehtävistä tunnu saavan mitään tolkkua ja läppäri meinaa lentää vauhdilla seinään. Turhauttavinta kuintenkin on se, kun tietää oman osaamisen riittävän, mutta ohjelmiston toimintakapasiteetti ei ja kone kaatuu kaatumistaan. Se syö naista.

Koen kuitenkin, että oma osaamiseni on hyvää keskitasoa. Attribuuttitaulukoiden ja Field Calculator-toiminnon käyttö sujuu sulavasti, Join-liitokset hallitsen melko hyvin, Select-työkalu tuntuu jo arkiselta ja polygonien, viivojen ja pisteiden tuottaminen menee kuin vettä vain. Laskutoimitukset alkaa palailemaan mieleen vuosien jälkeen ja loogiset ajatteluketjut raksuttaa päässä.

Eniten ongelmia herättävät ehkäpä teemakarttojen viimeistely ja toimintojen orjallinen suorittaminen. Lopputuloksen visualisointi ei aina miellytä silmää, ja minulta on mennyt ohi, kuinka esimerkiksi paikannimiä tai lukuarvoja lisätään karttaan. Myöskin toimintoja suorittaessa unohdan pieniä yksityiskohtia, kuten antaa Layereille nimiä tai huomata, mikä ero on SUM ja COUNT -sarakkeilla….  Näin tuhraantuu parhaillaan tunteja yrittäessä selvittää miksi kaikki meni pieleen.

Mutta tosiaankin kurssikerran itsenäistehtäviin! Tällä viikolla niitä olikin muutama enemmän. Tarkoituksena oli testailla bufferointityökaluja ja käyttää omia aivoja… apua.

Ensiksi tutkailtiin lento-asemien meluhaittojen vaikutusta ihmisiin sekä juna- ja metroasemien saavutettavuutta , jonka lopputuloksena syntyi Taulukko 1 ja 2. Tehtävässä piti tuottaa esimerkiksi kiitoratojen ympärille bufferivyöhykkeitä, joiden avulla pystyttiin Spatial Query- toimintoa käyttäen laskemaan vyöhykkeelle jäävät taloudet ja henkilöt. Buffer- toiminto taipuu kuitenkin moneen ja vastavuoroisesti sen avulla voisi esimerkiksi rajata alueita pois ja tulevaisuutta ajatellen miettiä rakentamismahdollisuuksia lentomelualueen ulkopuolella!

Taulukko 1, Lentokoneista johtuva melusaaste vaikuttaa kymmeniintuhansiin pääkaupunkiseudulla.

Taulukko 2, Juna- ja metroasemien läheisyys voi olla tärkeä tekijä muuttoa mietittäessä.

Viimeisessä itsenäistehtävässä päätin tarkastella uima-altaiden ja saunojen määrää pääkaupunkiseudulla. Tilastollisia lukuja tuli koottua Taulukkoon 3. Saunojen prosentuaalinen osuus pk-seudulla jäi kuitenkin mietityttämään, sillä Iina pääty aivan eri lopputuloksiin. Tämänkin visualisoinnin kanssa tuotti ongelmia se, ettei tunnin yrittämisen jälkeen pylväät ja lukuarvot suostuneet ilmestymään karttaan, vaikka ne ennen olenkin saanut toimimaan…

Taulukko 3, Eniten uima-altaita rakennetaan omakotitaloihin

Kuva 1, Uima-altaiden paljous saattaa korreloida hyvän tulotason kanssa, joka pätisi esimerkiksi Lauttasaareen ja Munkkiniemeen.

Monen tunnin pähkäilyn ja yritysten jälkeen pää lyö tyhjää, eikä loppusanoja liikene. Adios!

Ilona

Viitteet:

Iina Rusanen, https://blogs.helsinki.fi/iinarusa/ (luettu 18.2.2019)

Hellurei!

Neljäs geoinformatiikan ja QGISin täyteinen viikko viilettää hyvää vauhtia eteenpäin ja meno mitä mainioin! Tällä viikolla päätin siirtyä käyttämään QGISsiä pääosin omalla tietokoneella, jottei joka kerta tarvitsisi raahautua ATK-luolien syövereihin leikkimään karttojen kanssa ja tekemään läksyjä.  JIPII. Ja ouh boi ei taaskaan selvitty ilman teknisiä ongelmia. Olen kuitenkin päättänyt kasvaa ihmisenä ja tietekoneiden käyttäjänä, enkä antaa ongelmien lannistaa intoani!

Tällä kurssikerralla ryhdyttiin operoimaan ruutukarttojen kanssa. Ruutuverkon käyttö ja sen avulla tiedon rajaaminen ja jäsenteleminen on kätevää, näin myös voidaan poistaa ylimääräinen turha! Tarkkana pitää kuitenkin olla esimerkiksi sen kanssa, kuinka ison taikka pienen ruudukon kartalle asettaa. Näin tieto saadaan spesifioitua ja visualisoitua omien tarkoitusperien mukaisesti. Käytetty ruutukoko on yleensä 100 metristä ylöspäin. Tunnilla toteutetussa Väestöntiheys pääkaupunkiseudulla-kartassa (Kuva 1) käytimme kilometrin ruutukokoa.

Seuraavana tehtävänantona oli laatia oma tilastotietokartta, kokeilla hieman eri ruutukokoja sekä analysoida lopputulosta. Päädyin esittämään muunkielisen väestön osuutta pääkaupunkiseudulla (Kuva 2). Tilastokeskuksen mukaan muun- tai vieraskielisellä henkilöllä tarkoitetaan ihmistä, jonka äidinkieli on jokin muu kuin suomi, ruotsi tai saame. Nämä henkilöt voivat olla mistä lähtökohdista tahansa, esimerkiksi työperäisiä maahanmuuttajia taikka väliaikaisia vaihto-opiskelijoita. Tarkastelemalla Kuvaa 1 ja 2 samanaikaisesti, voidaan kiinnostavasti havaita, että vieraskielisen väestön jakautuminen myötäilee melko hyvin koko väestön jakautumista pääkaupunkiseudulla. Näin ollen voitaisiin olettaa, että pääkaupunkiseudulla muunkielinen väestö sijouttuu sulavasti valtaväestön sekaan, eikä esimerkiksi jakaudu omille erillisille alueille. Vastaava kulttuurien sekoittuminen nähdään sosiaalista eriytymistä, segregaatiota hillitsevänä.

Kokeilin ensiksi esityksessäni Tilaskokeskuksen yleensä käyttämää 250 metrin ruutukokoa, mutta data hukkui näinkin suurimittakaavaiseen karttaan. Jos tarkastelun kohteena olisi ollut esimerkiksi vain Helsinki, olisi ruutukoko voinutkin toimia. Omassa jatkotehtävän karttaesityksessään 22-vuotiaiden jakautuminen pääkaupunkiseudulla Kirsi käytti 0.5km2 ruutuja, joka mielestäni toimi erittäin hyvin, päädyin siis samaan!

Toisessa tehtävässä tarkoituksena oli vertailla kaukokartoituksen avulla kerätystä rasteriaineistosta saatuja korkeuskäyriä peruskarttalehden (L3422L) vastaaviin käyriin. Oranssilla näkyvät kaukokartoituksella toimitetut korkeuskäyrät ja mustalla karttalehden. Tutkimusalueena toimi Pornainen.  Visualisoinnin yksinkertaistamisen takia päätin jättää peruskarttalehden taustalta kokonaan pois, jottei korkeuskäyrät hukkuisi muuhun informaatioon. Lopputulokset näkyvät kuvissa 3 ja 4.

Kuten kuvia tutkimalla voidaan todeta, kaukokartoituksella kerätty data on paljon yksityiskohtaisempaa. Esimerkiksi kuvassa 3 Haukkasuon keskeltä löytyy selkeä muodostuma, jota peruskarttalehdestä tai välttämättä edes luonnosta voitaisi paljain silmin havaita. Sama pätee kuvaan 4. Kaukokartoituksen avulla tuotetusta materiaalista voidaan kerätä täsmällistä tietoa, jota voidaan hyödyntää monessa eri yhteydessä, niin tutkimustyössä kuin esimerkiksi maanviljelyksessä. Aiheesta voi lukea Maaseudun Tulevaisuuden uutisesta “Minikopteri ja maatalous kohtaavat – ympäristö kiittää”

Ja näin! Tuntuu hassulta, että jo melkein kuukauden ajan ollaan raavittu päätä QGISsin kanssa. Aika lentää kuin siivillä <3 Tsau!

Ilona

Viitteet:

Kirsi Ylinen, Ruudun takaa, 4.2.2019, https://blogs.helsinki.fi/yxkirsi/2019/02/04/ruudun-takaa (7.2.2019)

Tilaskokeskus, Vieraskieliset, https://www.stat.fi/tup/maahanmuutto/maahanmuuttajat-vaestossa/vieraskieliset.html (7.2.2019)

Maaseudun Tulevaisuus, Minikopteri ja maatalous kohtaavat – ympäristö kiittää, 26.7.2016, https://www.stat.fi/tup/maahanmuutto/maahanmuuttajat-vaestossa/vieraskieliset.html (7.2.2019)

Hellurei!

Viikko 3 ja maanantai-illan GeMe luento herätti taas kerran sekavia tuntemuksia. Päätettiin vierustoverin kanssa, että nyt tarkkaillaan silmä kovana. Sillä kuten varmasti kaikki kurssille osallistuvat ovat huomanneet, jos keskittyminen herpaantuu edes hetkeksi, etkä kiinnitä huomiota mitä taululla tapahtuu, saatat nopeasti tippua kärryiltä.

Luennolla pohja-aineistona toimi erittäin toimiva datapaketti Afrikan mantereesta ja valtioista. Harjoilteltiin tietojen liittämistä ja kiinnittämistä eri tietokannoista eri menetelmin sekä tietojen hyödyntämistä ja analysointia sijainnin kiinnityksen avulla. Tuloksena syntyi karttaesitys Afrikan mantereen internetin käyttäjistä vuonna 2018 suhteutettuna valtioiden väestömääriin (Kuva 1). Oli erittäin mielenkiintoista huomata, kuinka monessa valtiossa internetin käyttö on edelleen hyvin vähäistä, jopa alle 10 %. Yhdistelimme myös dataa Afrikan sisäisistä konflikteista, timanttikaivoksista ja mantereisista öljylähteistä valtiokohtaisesti ja tutkimme, kuinka paljon korrelaatiota näiden tietojen välillä on. Tähän asti kaikki sujui ja toimi hienosti ja jäi fiilis, ettei tämä kamalan vaikeaa ole!

Noh…. seuraavana tehtävänä olikin sitten tuottaa tulvaindeksikartta Suomen valuma-alueilta, tässä kohtaa “helvetti repesi”. Sen jälkeen kun olin saanut muisteltua mieleen, kuinka saisinkaan liitettyä keskiylivirtaamat ja keskialivirtaamat  samaan tietokantaan ja toteutettua tämän, QGIS ohjelmisto alkoi kaatuileman. Lopputunnin aikana ohjelmisto kaatui valehtelematta 6-8 kertaa ja suusta saattoi päästä pari ärräpäätä. Parin ensimmäisen kerran jälkeen onneksi tajusin alkaa tallentamaan joka välissä projektia, mutta kaikki tämä vei sen verran aikaa, ettei käteen lopuksi jäänyt muuta kuin paha mieli. Syynä tähän kaikkeen selvisi se, että minulla oli (taas) pari välilehteä liikaa auki, eikä ohjelmisto pystynyt prosessoimaan tätä kaikkea. Suosittelen siis tarkkaavaisuuteen ja siisteyteen, ettei vaan käy yhtä ikävästi… On hyvin turhauttavaa, kun kokee ymmärtäneensä ja on aivan innoissaan uuden asian käsittämisestä, mutta itse tietokone vaan pistää vastaan.

Taas parin päivän hermojen rauhottelun jälkeen, pääsin viimeistelemään ja visualisoimaan tulvaindeksikarttaa (Kuva 2). Lopputulokseen olen kovin tyytyväinen. Päänvaivaa aiheutti legendan luominen. Tappelin pitkään, miten saa järvisyysprosentit näkymään legendassa niin, että lopputuloksesta tulisi mahdollisimman informatiivinen. Kartan tarkoituksena on selventää aluettaista tulvimista  niin , että tummempi punaisen sävy kuvaa erityisen tulvaherkkiä alueita. Suurempi vihreä palkki taas tarkoittaa suurempaa määrää järviä. Karttaa tutkimalla voidaan todeta, että tulvimista tapahtuu rannikko-alueilla ja pienillä valuma-alueilla. Huomioitavaa on myös, että pienillä tulvaherkillä alueilla järviä on vähän kun taas suuripinta-alaisilla alueilla paljon. Järvet toimivat luonnon omina tulvatasaajina, jolloin esimerkiksi äärimmäisten sateiden aikaan vesi kerääntyy järviin ja lampiin ja näin estää tulvimisen. Pohjanmaalla ja Varsinais-Suomessa järviä on verrattain vähän, jolloin jokiin vyöryy suurempia vesimassoja aiheuttaen tulvimista ja tuhoa esimerkiksi maanviljelykselle ja infrastruktuurille yhdessä Pohjanmaan tasaisen topografian kanssa.

Vaikka tulvaindeksikartan tekeminen aiheuttikin alkuun hienoista päänvaivaa, tuntui hienolta saada jotain konkreettista ja informatiivista aikaan! Amelian sanoin “Uskon QGIS:in toimintojen hallitsemisen vaativan vain toisojen tekemistä ja syvään hengittämistä, jotta asiat juurtuisivat pidempiaikaiseen säilömuistiin”. Tämä pätee myös itseeni, jatkossa muistan hengittää, laskea hitaasti 10 alasapäin ja sulkea ylimääräiset välilehdet.

Kohti uusia päänvaivoja!

Ilona

(Loppukevennykseksi  vanha kunnon webcamselfie rakkaan kissani kanssa, joka innostui näytöllä liikkuvasta kursorista ja sulki koko blogikirjoituksen kesken kirjoittamisen, luojan kiitos tallennetuille luonnokselle!)

Viitteet

Amelia Cardwell, 30.1.2019, Viikko 3, Tulvaindeksejä, järvisyysprosentteja sekä pettyminen teemakarttaan (31.1.2019)

Hellurei taas! Ensimmäisestä läsnäolleesta, toisesta järjestetystä kurssikerrasta selvitty ja tunteet ovat jokseenkin sekalaiset, toiveikkaat mutta sekalaiset… Räpiköityäni läpi ensimmäisen kerran ohjeista ja tehtävistä (nolosti juuri ennen toisen kerran alkua), olin valmis ottamaan hommat haltuun todenteolla.

Toisen tunnin alettua olin positiivisesti yllättynyt, kuinka kartalla olinkaan ohjelmiston käytöstä, vaikka siihen vasta tutustuin omatoimisesti. Valinta- ja mittatyökalujen käyttö tuntui loogiselta ja helpolta, joskin käyttämäni ohjelmisto oli eri mieltä siitä, kuuluuko pinta-aloja säilyttää vaikka vaihtaisi käytettyä projektiota. Suurimpia vaikeuksia herätti ehkä se, että jotkut yksityisseikat ja komennot olivat hakusessa johtuen ensimmäisen oppitunnin missaamisen, ja luennon etenemistahti oli erittäin nopea. Näin välillä saattoi käydä pieniä virheitä, kuten koko datan ja kartan katoaminen… Välillä tuntui myösm että pää mee aivan sekaisin, kun välilehdissä oli 3 eri QGIS-alustaa ja 7 eri attribuuttitaulua samaan aikaan auki. Jotain lopputulosta kuitenkin syntyi tunnin aikana, nimittäin Kuva 1.

 

Toisen luennon aiheena oli tarkastella eri projektioiden käyttöä ja sen merkitystä esityksiä tehdessä. Kuvassa 1 tarkastellaan Suomessa pääsääntöisesti käytetyn ETRS-TM35FIN-projektion ja pahamaineisen Mercatorin projektion suhdetta toisiinsa. Esitys vastaakin kysymykseen, kuinka monta prosenttia suurempi on Mercatorin projektion pinta-ala verrattuna TM35:seen. Kuvasta voidaan havainnoida, että jo Etelä-Suomessa Mercator vääristää pinta-alaa yli 200 % ja pohjoiseen mentäessä luku kasvaa pahimmillaan yli 500 prosentin. Kuten Elina omassa blogissaan viisaasti toteaa, tiedon esittäjää painaa niin valinta kuin vastuu, mitä tulee projektion valintaan. Esitykseen valittu väriskaala indikoi luvun kasvamista, mitä syvemmäksi sininen menee.

 

 

 

 

 

 

Pelkkää voitolla eteenpäin rymyämistä tehtävien teko kuitenkaan ei ollut, mitä en kyllä odottanutkaan. Tarkoituksena oli tarkastella Natura-alueiden suhteellista kokoa eri kunnissa. Natura-alueella tarkoitetaan Euroopan Unionin valtuuttamia luonnonsuojelualueita, joissa kasvaa monia tärkeitä luonto- ja eliötyyppejä. Natura-projektin tarkoituksena on luonnon monimuotoisuuden säilyttäminen (Metsä.fi). Matematiikan opinnoistani kuitenkin on sen verta aikaa  (ja kello oli 20.00 maanantai-iltana), joten en osannut suhteuttaa pinta-aloja toisiin, vaikka toimitus olikin yksinkertainen (a/b)x100. Kun käsittelee niinkin hankalaa ja hidasta aihetta, kuin uuden ohjelmiston oppiminen, tuntuu yksinkertaisen matematiikan käyttö edes typerältä vaihtoehdolta. Näin ollen tuloksena oli kaksi hyvin epäinformatiivista esitystä (Kuvat 2.1 ja 2.2), joidenka tajusin epäonnistuneen jo heti valmiiksi tultuani. Noh eipä siinä, kertaushan on vain hyödyllistä!

Parin päivän hermojen rauhottelun jälkeen olin valmis uuteen yritykseen! Lopputuloksena oli paljon paremman näköiset ja informatiivisemmat esitykset kuin ensiyrittämällä. Sen lisäksi, että esityksesta huomaa projektion käytön visuaalisen eron, myös kuntien väritys paikoitellen, esimerkiksi moni Järvi-Suomen kunnista esitetään todenmukaisessa TM35-projektiossa paljon vaaleammalta, kuin Mercatorissa. Huomioitavaa on myös legendasta löytyvä asteikon ero kuvissa. Vaikka kummassaki kartassa on käytetty samoja asetuksia, kuvassa 3.1 asteikon skaala menee 0-99% ja kuvassa 3.1 vain 14 % asti. Tämä kertoo siitä, että Mercatorin projektio vääristää pinta-aloja suunnattoman isoiksi, jolloin alkuperäinen data hukkuu väärinkäytettyyn projektioon.

Huhhuh! Oulan ensimmäistä blogipostausta lainaten “Kieltämättä vähän jännittää millainen sekametelisoppa tästä tulee, mutta oppimisen, tiedonjanon sammuttamisen sekä uusien kokemusten hankkimisen perässä eiköhän tästäkin suosta mennä yli niin että heilahtaa”. Tosiaan sekametelisopalta tuntuu, mutta mieli on vielä positiivisen puolella!

Ilona

Lähteet

Metsähallitus, Natura2000 alueet, 5.3.2018, http://www.metsa.fi/natura2000alueet (luettu 24.1.2019)

Viitteet

Huhtinen, Elina, Viikko 2 – projektion vaikutus karttaan, 23.1.2019, https://blogs.helsinki.fi/huhelina/, 24.1.2019

Inkeröinen, Oula, Genesis, ensimmäinen kurssikerta, 17.1.2019, https://blogs.helsinki.fi/inkeroul/, 23.1.2019

 

Kevätlukukausi lähti käyntiin, ja Geoinformatiikan menetelmät 1, ensimmäinen oppimispäiväkirja ja arki lävähti päin naamaa. Alku tuotti allekirjoittaneelle erittäin paljon päänvaivaa, sillä ensimmäinen oppitunti ja QGISsin alkeet jäivät välistä lomalta paluun vuoksi. Oikeastaan koko ensimmäinen viikko meni kipuillessa arkeen palaamisen kanssa ja läksyt sivuutin kokonaan… auts.

Koska ohjelmistoon piti sitten paneutua omalla ajalla ja kirjallisten ohjeiden avulla, tuntuu ettei QGISsin salat vielä kokonaisuudessaan itselle avautunut. Lopputuloksena syntyi kuitenkin ihan oikean näköinen kartta (Kuva1), mutta se olikin step by step-ohjeiden ja kanssaopiskelijoiden vinkkien ansioita. Eikä sillä että olisin vielä ymmärtänyt mitä, miten ja miksi.

Koropleettikartassa kuvataan Itämeren alueen valtioittain typpipäästöjä prosentuaalisesti kaikista päästöistä. Esityksen värivalinnoilla pystytään vaikuttamaan lopputuloksen visuaaliseen miellyttävyyteen paljon. Typpipäästöt on kuvattu punaisen erisävyillä niin, että suuremmat päästöt näkyvät tummemmalla sävyllä ja pienemmät vaaleammalla. Näin ollen voidaan yksinkertaisesti todeta jo nopealla vilkaisulla, että Puolan typpipäästöt ovat suuremmat kuin esimerkiksi naapurimaan Saksan. Myös syvyyskäyrät noudattavat samantyyppistä tummenevaa väriskaalaa, kun arvot kasvavat. Koska tosiaankin kartta on tehty mahdollisimman nopeasti, hienosäätö jäi vähälle ja kartasta löytyy pieniä virheitä, kuten syvyyskäyrien yksikön (m) ja pohjoisnuolen pohjoismerkinnän puutos.

Geoinformatiikka, ohjelmistot ja kaiken tämän ymmärtäminen on tärkeä osa tulevan maantieteilijän repertuaaria, joten harmittaa että  kurssin alku lähti niin kankeasti käyntiin. Olen kuitenkin nopea oppimaan ja kurssin sisällöstä kiinnostunut, joten odotan, että tästä eteenpäin tie on vain ylöspäin!

Ilona