Tekijä: Turkka Häkkinen

MAA202-kurssin seitsemäs harjoituskerta, sen tehtävät ja blogikirjoitus

Kurssin viimeiselllä kerralla pääsimme näyttämään itsellemme ja muille, mitä olemme viimeisten seitsemän viikon aikana oppineet. Saimme vapaat kädet tuottaa karttoja itse valitsemistamme aiheista ja aineistoista, mikä teki harjoituksesta mukaansatempaavan. Tehtävässä oli sopivasti haastetta, mutta sitä tehdessä oli myös tärkeää muistaa työskennellä omien kykyjen mukaan eikä yrittää tavoitella kuuta taivaalta ”täydellistä” karttaa luodessa ja jäädä jumiin jokaiseen pieneen yksityiskohtaan.

Olen pitkään ollut kiinnostunut Portugalin taloudellisesta jakautumisesta ja sen vaikutuksesta maan ammattilaisjalkapalloon, joten tiesin heti tehtävän saatuani karttani aiheen. Karttaa varten aineistojen etsiminen oli hyvin mielenkiintoinen prosessi, sillä en tiennyt mistä lähtisin hakemaan maan karttapohjaa ja taloustietoja. Erilaisia EU:n tilastosivuja selatessani löysin Portugalin kansallisen tilastopalvelu Statistics Portugalin nettiosoitteen, josta löysin sekä maan karttapohjan shapefilen että Excel-tiedoston tuloista alueittain. Excelistä haluamieni tietojen löytäminen vaati hieman kääntötyötä, sillä koko taulukko oli kirjoitettu portugaliksi.

Harjoituksessa pääsin hyödyntämään koko kurssin aikana oppimiani taitoja. Excel-tiedosto täytyi kääntötyön jälkeen siistiä, jotta sain tuotua sen QGIS-ohjelmaan. QGIS:ssä taas liitin sen tiedot karttapohjaan ja tein karttapohjassa samannimisistä alueista yhtenäisiä polygoneja. Kartan visualisointivaihe oli jo tuttua kurssin aikaisemmilta kerroilta, ja olen melko tyytyväinen lopputulokseen.

Ensimmäinen tuottamani kartta (kuva 1) on yksinkertainen esitys Portugalin bruttotuloista. Kartasta voi nähdä korkeimpien tulojen keskittyneen pitkälti maan länsirannikon läheisyyteen, erityisesti Lissabonin ja Porton kaupunkien yhteyteen. Maan keski-, etelä- ja pohjoisosat ovat huomattavasti matalamman tulotason alueita. Maansisäiset erot ovat suuria, sillä rikkaampien kaupunkien bruttotulot voivat olla jopa yli kaksinkertaisia köyhempiin alueisiin verrattuna.

Kuva 1. Portugalin taloudellinen jakautuminen alueittain 2020. Datan [1] ja karttapohjan [2] lähde: Statistics Portugal.

Kahta muuttujaa esittävä karttani bruttotuloista ja jalkapallostadioneista (kuva 2) yhdistää kaupungit suuremmiksi hallinnollisiksi alueiksi yksinkertaisuuden säilyttämiseksi. Jalkapallostadionien sijoittumista varten hyödynsin Football Ground Map -nettisivustoa, jossa kokosin maan kolmen korkeimman sarjatason stadionit yhdelle kartalle. Kirjasin tiedot manuaalisesti QGIS:n taulukkoon, sillä sivustolta ei saanut ladattua haluamiani tietoja tekstiaineistona.

Kuva 2. Portugalin taloudellinen jakautuminen ja jalkapallostadionien sijoittuminen. Talousdatan [1] ja karttapohjan [2] lähde: Statistics Portugal. Jalkapallodatan lähde: Football Ground Map [3].

Kartasta voidaan nähdä ammattilaisjalkapalloseurojen stadionien sijoittuvan pitkälti rannikkoseudulle rikkaammille alueille, erityisesti Lissabonin ja Porton ympäristöön. Porton pohjoispuolella köyhemmillä alueilla on myös useita stadioneita, joten niiden sijoittuminen ei kuitenkaan riipu pelkästään alueen taloudellisista mahdollisuuksista, vaan myös mahdollisesti suurten kaupunkien läheisyydestä (tai jostain aivan muusta). Maan köyhemmissä keski- ja itäosissa stadionien määrä on hyvin vähäinen. Sekä Madeiran että Azorien saaristoissa stadioneita on kaksi kappaletta. Valitettavasti kartta on blogiin tuotuna hieman epäselvä pylväsdiagrammien numeroinnin suhteen, mutta visualisointivaiheessa olin melko tyytyväinen tuottamaani esitykseen. Kiia Korpisen seitsemännen kurssikerran villisikaonnettomuuksia esittelevää blogia [4] lukiessani huomasin hänen esittäneen onnettomuuspaikat pisteinä kartalla. Olisi ollut mielenkiintoista nähdä, millainen omasta kartastani olisi tullut, jos olisin voinut esittää suoraan aineistosta stadionien sijainnit pisteinä diagrammien sijaan, sillä 59 kohdetta olisi todennäköisesti näyttänyt melko selvältä karttapohjan päällä.

Viimeisen kerran tehtävästä eniten opeteltavaa minulle jäi QGIS:n tiedostojen tallentamisen suhteen. En onnistunut tuomaan kotona aloittamaani projektia tunnilla koulun koneelle, enkä ole myöskään aivan varma yhdistettyjen tasojen ja tietokantojen tallentamisesta siten, että voisin myöhemmin jatkaa samasta pisteestä menettämättä tietoja aikaisemmin tekemästäni työstä. Omien heikkouksien tunnistaminen ja niistä kirjoittaminen on kuitenkin auttanut minua oppimisessa kurssin aikana huomattavasti, joten tiedänkin jo seuraavan minua odottavan tehtävän ohjelman opettelun suhteen.

 

Lähteet:

[1] Statistics Portugal. Income statistics at local level – 2020. (2022). (Viitattu 1.3.2023)

url: https://www.ine.pt/xportal/xmain?xpid=INE&xpgid=ine_publicacoes&PUBLICACOESpub_boui=569547024&PUBLICACOEStema=00&PUBLICACOESmodo=2

[2] Statistics Portugal. Censos – Importação dos principais dados alfanuméricos e geográficos (BGRI e GRID). (2021). (Viitattu 1.3.2023)

url: https://mapas.ine.pt/download/index2021.phtml

[3] Football Ground Map. Football Grounds in Portugal. (2022). (Viitattu 1.3.2023)

url: https://www.footballgroundmap.com/grounds/portugal

[4] Korpinen, K. Kurssikerta 7. (Viitattu 3.3.2023)

url: https://blogs.helsinki.fi/kiiakorp/2023/03/03/kurssikerta-7/

MAA202-kurssin kuudes harjoituskerta, sen tehtävät ja blogikirjoitus

Kurssin kuudennella viikolla pääsimme QGIS:n ohella kokeilemaan Epicollect5-sovellusta, jonka avulla tuotimme omaa paikkatietoa maastossa alueiden turvallisuuteen ja viihtyisyyteen liittyen. Opettelimme myös uusien toimintojen käyttöä QGIS:ssä sekä eri tyyppisten aineistojen tuontia ohjelmaan. Viikon Epicollect5-harjoitus oli mukavaa vaihtelua tietokoneen ääressä istumiselle ja se havainnollisti myös hienosti, miten helppoa oman paikkatietoaineiston tuottaminen voi parhaimmillaan olla.

Epicollect5-sovellusta hyödyntävässä harjoituksessa saimme tehtäväksi merkitä ominaisuustietoa valitsemistamme paikoista kampuksen lähellä. Tunnin mittaisen maastossa liikkumisen jälkeen yhdistimme ryhmän jäsenten havainnot yhteen tiedostoon kartalle, jolle merkityistä pisteistä interpoloimme QGIS:ssä kartan kampuksen lähialueiden turvallisuudesta (kuva 1).

Kuva 1. Kumpulan kampuksen lähialueen turvallisuus. Siniset alueet mielletään turvallisina, punaiset turvattomina.

Tehtävässä oli mielenkiintoista nähdä, miten suuri osa tekemistämme havainnoista kohdistuivat samoihin paikkoihin, jotka koettiin turvattomiksi. Esimerkiksi Kumpulan kampuksen bussipysäkin ympäristö sisälsi noin puolet koko ryhmämme havainnoista.

Kurssikerran toisessa tehtävässä muodostimme omanlaisia karttoja hasardeista. Harjoittelimme erilaisten aineistojen tuomista QGIS:iin, mikä onnistui omalla kohdallani hyvin näppärästi, kun onnistuin lyhyen pohdinnan ja kaverin avun jälkeen valitsemaan oikeat asetukset kullekin tiedostotyypille.

Päätin tuottaa karttoja kolmesta eri hasardityypistä: meteoriittien törmäyksistä, maanjäristyksistä sekä tulivuorenpurkauksista. Meteoriittien törmäyksiä käsittelevästä aineistosta koin mieluisimmaksi tarkastella niiden kokoa painon mukaan. Aiheesta tuotetussa kartassa (kuva 2) totesin parhaaksi visualisoinniksi käyttää erilaisten värikoodien sijaan pisteiden kokoeroja kuvastamaan meteoriitin painoa. Opettamistarkoituksessa koen mielenkiintoisimmaksi esittää kysymyksen, jonka vastaus ei suoraan näy kartalta. Kysymykseni kuuluisikin: Minne maapallolla on osunut eniten meteoriitteja? Kartalta löytyy merkinnät tunnetuista meteoriittien törmäyksistä, joiden perusteella vastaukseksi voisi helposti päätellä Pohjois-Amerikan tai Euroopan. Tosiasiassa meteoriittien törmäykset eivät noudata tällaista kuviota, vaan kyseisillä rikkaammilla ja paremmin tutkituilla alueilla on yksinkertaisesti tehty onnistuneemmin työtä meteoriittien löytämiseksi.

Kuva 2. Meteoriittien törmäykset painon mukaan luokiteltuna.

Suuria maanjäristyksiä kuvaavassa kartassa (kuva 3) hyödynnetään niin ikään pistekokoa esittämään järistysten voimakkuutta. Kuvaa voisi hyödyntää opetustarkoituksessa parhaiten esittämällä sen rinnalla karttaa litosfäärilaattojen rajoista (kuva 4), jolloin kartan lukija voisi nähdä suurten maanjäristysten ja litosfäärilaattojen reuna-alueiden välisen yhteyden.

Kuva 3. Yli 5,5 magnitudin maanjäristykset 1982-2023 luokiteltuna järistyksen voimakkuuden mukaan.

Kuva 4. National Geographicin opetuskuva [1], johon on merkitty litosfäärilaattojen rajat. Litosfäärilaattojen rajoilla voidaan todeta olevan yhteys suurten maanjäristysten esiintymisalueisiin.

Tiedon tulivuortenpurkauksista maanjäristyksiin yhdistävä kartta (kuva 5) korostaa edellisten kuvien tavoin litosfäärilaattojen reunavyöhykkeiden merkitystä hasardien esiintymiseen. Kartasta voidaan tulkita, että tulivuorenpurkauksia esiintyy pitkälti samoilla alueilla kuin maanjäristyksiä eli litosfäärilaattojen reunavyöhykkeillä. Samanlaiseen tulokseen omista kartoistaan päätyi myös Anna Liljefors, joka kuvaa ilmiötä kuudennen viikon blogissaan [2] hienolla interpoloidulla kartalla maanjäristysten esiintymisalueista. Ilmiöiden yhteyden toistuva esittäminen kartalla todennäköisesti auttaisi opetuskäytössä oppilaita muistamaan, missä niitä ilmenee.

Kuva 5. Kartta tulivuortenpurkauksien ja suurten maanjäristyksien sijoittumisesta.

Luomieni karttojen luettavuutta parantaisi huomattavasti Joel Schülen viidennen kurssikerran blogista [3] löytämäni oivallus, jossa hän on tehnyt kartan legendan taustasta läpinäkyvän. Tätä tekniikkaa hyödyntämällä voisin välttää oleellisten pisteiden peittymisen selitteen alle ja samalla parantaa kartan informatiivisuutta.

Lähteet:

[1] Kuva 4. National Geographic. Plate Boundaries. (Viitattu 25.2.2023)

url: https://education.nationalgeographic.org/resource/plate-boundaries/

[2] Liljefors, A. Harjoitus 6. (Viitattu 26.2.2023)

url: https://blogs.helsinki.fi/annalilj/2023/02/22/harjoitus-6/

[3] Schüle, J. Viikko 5. (Viitattu 26.2.2023)

url: https://blogs.helsinki.fi/jschule/2023/02/20/viikko-5/

MAA202-kurssin viides harjoituskerta, sen tehtävät ja blogikirjoitus

Viiden viikon jälkeen ei varmaan enää ole tarvetta esitellä harjoituksissa käytettyä ohjelmaa, sillä Maakin pyörii kiertoradallaan vaikken siitä jatkuvasti puhuisi.

Jatkoimme heti tunnin aluksi cliffhangeriksi edelliseltä kerralta jääneen Pornaisten aluetta tutkivan tehtävän parissa. Ylitsepääsemättömäksi ongelmaksi viikolla 4 muodostuneen teiden digitoinnin haasteet ratkesivat heti tunnin alussa, kun opettajamme Arttu Paarlahti kertoi asetuksesta, joka esti useiden erillisten teiden digitoinnin ohjelmassa. Heti kun hän mainitsi ongelman johtuvan jostain asetuksesta, tuli mieleeni Snapping tool, joka osoittautuikin sekuntia myöhemmin syypääksi ohjelman ongelmalliseen käyttäytymiseen. Kaikki eivät ehtineet eräällä aikaisemmista kerroista laittamaan asetusta päälle, minkä vuoksi vain osalla opiskelijoista ilmeni ongelmia digitoinnin kanssa. Tämä tapaus oli jälleen hyvä esimerkki siitä, että yleensä kokemattomien ohjelmistonkäyttäjien ongelmat ovat itseaiheutettuja, ja ohjelmat saavat paljon turhan kritiikkiä käyttäjien tekemistä virheistä. Snapping toolista selviydyttyä Pornaisten tehtävän loput osat onnistuivat yksinkertaisesti ilman suurempia ongelmia.

Malmin ja Helsinki-Vantaan lentokenttiä sekä alueen asemia käsittelevissä tehtävissä yhdisteltiin jo aikaisemmin opittuja taitoja bufferin muodostamisessa sekä aineistotaulukoiden käsittelyssä. Valintatyökalut olivat tällä viikolla ahkerassa käytössä, kuten Sofia Salonen mainitsee blogissaan [1]. Samaistun myös hänen ajatukseensa siitä, että viides kurssikerta oli ehkä mielenkiintoisin tähän mennessä. Tehtävät sujuivat varsin ongelmitta lukuunottamatta muutamia epäselvyyksiä erilaisten työkalujen asetusten kanssa. Vastaukset tehtäviin löytyvät alla olevasta listasta.

———————————————————————————————–

T1 

Malmin lentokenttäalueen 2 kilometrin suuruisella bufferivyöhykkeellä asuu 58799 asukasta. 1 kilometrin bufferivyöhykkeellä asukkaita on 9094. 

Helsinki-Vantaan lentokenttäalueen 2 kilometrin bufferivyöhykkeellä asukkaita on 11753. Yli 65 dB melualueella 2 kilometrin bufferivyöhykkeen sisällä asukkaita oli 303, joka on 2,58 % kaikista alueella asuvista. 

Helsinki-Vantaan lentokenttäalueen yli 55 dB melualueella asukkaita on 11923. Jos Helsinki-Vantaan lentokentälle laskeuduttaisiin Tikkurilan yli kuten vuonna 2002, vaikuttaisi yli 60 dB melu nykyään 13192 ihmisen elämään. 

500 metrin säteellä juna- tai metroasemista alueella asuu 111765 asukasta, mikä on 21,7 % koko alueen asukkaista. Alle puolen kilometrin päässä asemista asuvista 67,1 % on työikäisiä. 

T2 

Alueen asukkaista 96,1 % asuu taajamissa. 

Taajamien ulkopuolella asuu 3369 kouluikäistä (7-15v), mikä vastaa 3,63 % koko alueen kouluikäisistä, joita on 92844.

65 taajamassa ulkokansalaisten osuus on yli 10 %, 22 taajamassa yli 20 % ja 14 taajamassa yli 30 %.

———————————————————————————————–

Itsenäisessä tehtävässä päätin tarkastella uima-altaiden määrää ja sijoittumista rakennuksiin pääkaupunkiseudulla (kuva 1). Aineistosta analysointi halutulla tavalla tuotti hieman vaikeuksia, mutta niin sen tässä vaiheessa kuuluukin. Erityisen ongelmallista oli kahden kartalla oranssiksi merkityn alueen sisällyttäminen analyysiin, sillä ohjelma kertoi niiden geometriatietojen olevan virheellisiä, ja ainoa keksimäni tapa saada aikaan jonkinlainen kartta oli poistamalla aineet analyysistä.

Visualisoinnissa tajusin tällä kertaa muokata yleistä värimaisemaa siten, että kartta vaikuttaa melko selkeältä. Liian paksut joet eivät siis päässeet yllättämään minua kuten viimeksi! Haasteellista visualisoinnissa oli pylväiden paksuuden määrittäminen ja niiden numerointi, sillä molempien ulkomuodot muuttuvat hieman siirryttäessä työskentelyikkunasta tulostusikkunaan. Olen kuitenkin melko tyytyväinen lopputulokseen, vaikka en taaskaan keksinyt lisätä aineiston vuosilukua kartan legendaan. Ehkä voisin silti pyytää karttojen esittämiseen tukiopetusta Nikolai Tuurilta, joka jälleen näytti esimerkillisen työn onnistuneesta visualisoinnista neljännen kurssikerran kartallaan [1].

Kuva 1. Uima-altaat pääkaupunkiseudun rakennuksissa kaupunginosittain.

Vastaukset tehtävän 4 kysymyksiin löytyvät alla olevasta listasta.

———————————————————————————————–

Pääkaupunkiseudulla on 855 uima-altaallista rakennusta, joissa asuu 12170 ihmistä.

Taloista omakotitaloja on 345, paritaloja 158, rivitaloja 113 ja kerrostaloja 181.

Pääkaupunkiseudulla on saunoja 21 922 rakennuksessa, mikä vastaa 24,2 % osuutta kaikista alueen rakennuksista.

———————————————————————————————–

 

 

Lähteet:

[1] Salonen, S. Kurssikerta 5 – 15.2.2023. (Viitattu 18.2.2023)

url: https://blogs.helsinki.fi/sofisalo/2023/02/16/kurssikerta-5-15-2-2023/

[2] Tuuri, N. 4. Kurssikerta. (Viitattu 18.2.2023)

url: https://blogs.helsinki.fi/nikolait/2023/02/13/4-kurssikerta/

MAA202-kurssin neljäs harjoituskerta, sen tehtävät ja blogikirjoitus

Kurssin neljännellä harjoituskerralla jatkettiin vähemmän yllättäen QGIS:n parissa työskentelyä. Tällä kertaa tarkoituksena oli opetella dataa sisältävien ruutujen luomista rasterimuotoisten karttojen tekemistä varten. Saimme ensikosketuksen aineiston optimointiin prosessien nopeuttamista varten, joka olisi hyvä pitää mielessä tulevaisuutta ajatellen. Ongelmitta kurssikerralta ei taaskaan selvitty, vaan myöhemmin Pornaisten karttaa digitoidessa piirtotyökalu ei suostunut luomaan useampaa erillistä viivaa, minkä vuoksi tehtävän tekeminen ei onnistunut.

Tunnilla sain onnistuneesti luotua ruututeemakartat pääkaupunkiseudun asukastiheydestä neliökilometriä kohden (kuva 1) sekä muunkielisten osuudesta alueella neliökilometriä kohti (kuva 2). Työssä yhdistyivät aiemmin oppimani karttojen visualisointitavat ja uutena asiana eteen tullut kartan ruudukointi. Lopputulosta muodostaessa oli tärkeää olla tarkkana tasojen järjestyksen kanssa, jotta ruudukko jäisi karttatason alle eikä peittäisi esimerkiksi rantaviivojen muotoa alleen. Myös kuntarajat piti muistaa nostaa monen karttaelementin yläpuolelle.

Kuva 1. Pääkaupunkiseudun asukastiheys, asukasta neliökilometriä kohti.

Kartta oli mielestäni melko onnistunut sisällöltään, mutta visualisointi ei pistänyt silmään erityisen mieluisena. Kartta osoittaa alueen asukastiheyttä informatiivisesti, mutta olisin voinut käyttää useamman eri värin avustuksella enempää kuin viittä luokkaa, jotta pääkaupunkiseudun reuna-alueista erityisesti luoteessa olisi saanut tarkempaa tietoa nopealla vilkaisulla. En myöskään keksinyt täysin tyydyttävää ratkaisua järvien esittämiselle, sillä niiden esiintyminen kartalla nykyisessä muodossa tekee siitä hieman epäselvemmän. Edellisen viikon blogipostauksia selatessani olin huomannut Tytti Nyrösen tehneen tulvaindeksiä ja järvisyyttä kuvaavasta kartasta [1] erittäin selkeän poistamalla järvet ja joet näkyvistä. Tämä visualisointitemppu toimi mainiosti kartassa, jossa vesialueiden tieto oli jo esitetty toisella tavalla diagrammien muodossa. Valitettavasti en voinut hyödyntää tätä oppimaani kikkaa pääkaupunkiseudun karttaa varten, sillä järvet poistamalla niiden alle jäisi selittämättömiä tyhjiä ruutuja, mikä haittaisi kuvan informaatiotarkoitusta.

Muunkielisten sijoittumista pääkaupunkiseudulla tarkasteleva kartta ei kärsi samasta luokitteluongelmasta kuin asukastiheyskartta. Lopputuloksesta on helposti nähtävissä haluttu tieto ja siitä voidaan päätellä muunkielisten keskittyneen kahdelle alueelle, erityisesti Vantaan keskiosaan sekä yhteen Espoon aivan eteläisimmistä alueista. Muunkielisten osuus on vähäisempää pääkaupunkiseudun luoteisosissa ja suurempaa itäosissa. Yleisesti ottaen muunkielisten osuus on Suomessa suurempaa lähellä merkittäviä asutuskeskuksia kuin kauempana niiden ulkopuolella, mikä voi osaltaan selittää ilmiön jakautumista kartalle.

Kuva 2. Muunkielisten osuus väestöstä pääkaupunkiseudulla osuutena yhdestä.

Ruututeemakartalla absoluuttisten arvojen esittäminen on hyväksyttävää, sillä kauttaaltaan yhtä suuret ruudut jakavat alueet samankokoisiksi, eikä siten pinta-alaan suhteutettuja arvoja tarvitse lähteä laskemaan uudelleen. Ruututeemakartan informaatioarvo ja sen poikkeavuus piste- ja koropleettikartoista tulee juurikin sen selkästä jakautumisesta tietyn suuruisiin ruutuihin. Tässä tehtävässä pistekartta olisi todennäköisesti tuottanut huomattavasti sekavamman lopputuloksen, sillä pisteet olisivat peittäneet alleen suuren osan pohjakartasta. Osuuksia esittäessä ruututeemakartta on myös mieluisampi kuin pistekartta, joka soveltuu paremmin absoluuttisten arvojen esittämiseen. Tiheästi vaihtuvilla luokka-arvoilla ruutukartta voi myös näyttää selkeämmältä kuin muuten alueita hyvin esittävä koropleettikartta.

Karttaan voisi informatiivisuuden parantamiseksi lisätä kuntien nimet sekä erityisesti suurimpia arvoja saaneiden alueiden nimet ja arvot. Jenna Nieminen huomauttaa osuvasti neljännen kurssikerran blogissaan [2] myös, että karttaan olisi ollut hyvä lisätä datan vuosiluku. Omaa lopputulostani tarkemmin analysoidessani huomasin valitettavasti, että sekä kartoissa 1 ja 2 joet näkyvät kuntarajoja selvemmin, mikä tekee karttojen lukemisesta huomattavasti sekavampaa.

 

Lähteet:

[1] Nyrönen, T.  Harjoituskerta 3 – Vihdoin onnistuminen! 6.2.2023. (Viitattu 14.2.2023)

url: https://blogs.helsinki.fi/tyttinyr/2023/02/06/harjoituskerta-3-vihdoin-onnistuminen-6-2-2023/

[2] Nieminen, J. Viikko 4. (Viitattu 14.2.2023)

url: https://blogs.helsinki.fi/nieminje/2023/02/14/viikko-4/

MAA202-kurssin kolmas harjoituskerta, sen tehtävät ja blogikirjoitus

Maantieteen menetelmät -kurssin kolmannella kurssikerralla jatkettiin QGIS-ohjelman parissa työskentelyä ja taistelua. Useiden toistojen ansiosta tutuksi tuli niin ohjelman liitos- ja laskintoiminnot kuin attribuuttitaulukko ja sen työkalut. Ilman suurempia haasteita tehtävistä ei tällä kertaa selvitty, mutta kaikki ohjelman parissa tuskastelu saattaa joskus osoittautua hyödylliseksi. Kuten Enni Poti toisen kurssikerran blogikirjoituksessaan [1] toteaa, ovat ongelmat luonnollinen osa oppimista kohti ”QGIS-taituruutta”.

Afrikan luonnonvaroja ja konflikteja tarkastelevassa harjoituksessa opin siistimään attribuuttitaulukkoa yhdistelemällä samannimisiä muuttujia toisiinsa. Todistin jälleen rauhallisen työskentelyn hyödyn ongelmatilanteiden ratkaisemisessa, sillä tunnilla opettajajohtoisessa tarkastelussa ongelmalliseksi muodostuneen tietojen yhdistämisen ratkaisu oli yksinkertaisen virhekoodin takana, jonka lukemalla hankaluuksien pystyi päättelemään johtuvan ”Autogenerate”-nimisistä muuttujista. Tätä ylistämääni rauhallisuutta en ehkä kuitenkaan itse noudattanut myöhemmin kurssikerralla omissa ongelmakohdissani..

Afrikka-tehtävässä karttakohteiden eli luonnonvarojen ja konfliktien vuositietojen avulla voidaan pohtia niiden yhteyttä toisiinsa. Konfliktien säteestä saadaan pääteltyä, voisivatko ongelmat olla yhteydessä luonnonvaroja sisältäviin alueisiin. Konfliktien esiintyminen alueella varojen löytämisen jälkeen olisi yksi merkki niiden yhteydestä. Mielenkiintoisen tarkastelun konfliktien vaikutukselle tuottavuuteen saa myös esille tarkastelemalla tilanteita, joissa konflikti sattuu löydöksen ja ensimmäisen tuotantovuoden välille tai näkyy öljykenttien tuottavuusluokittelussa. Aineiston sisältämä tieto internetkäyttäjien määrästä taas voi antaa suuntaa alueiden kehityksestä, sillä pääsyä internettiin pidetään monissa paikoin hyvin arkisena asiana, jossa lähes jokainen ihminen on osallisena.

Toisena tehtävänä oli Suomen vesialueiden tulvaindeksin ja maan järvisyyden tarkastelu sekä visualisointi pylväsdiagrammeja sisältävän koropleettikartan muodossa (kuva 1). Tehtävä tuotti suuresti ongelmia tunnilla, sillä mitä ilmeisimmin QGIS:llä oli vaikeuksia ymmärtää ä- ja ö-kirjaimia, eikä taulukko järvisyysprosenteista toiminut oikein. Rauhallisuus ongelmien kanssa saattoi päästä hieman unohtumaan, kun taulukon tuonti usealla eri tavalla ohjelmaan, ohjelman uudelleenkäynnistys eikä edes kielen vaihtaminen tuottanut toivottua tulosta. Lisäksi koin hieman harmilliseksi, että osasin auttaa muita tekemään järvisyysprosentista pylväsdiagrammeja, vaikka en saanut sitä millään itselleni toimimaan. Lopulta sain tehtävän (samalla tavalla) tehtyä kotona eri tietokoneella, mutta harmikseni en keksinyt, mitä olisin voinut tehdä tunnilla ongelman ratkaisemiseksi. Olen kuitenkin tyytyväinen lopputuloksessa siihen, että tällä kertaa kartan laatiminen alusta loppuun vei alle 10 minuuttia, kun olin tunnilla käynyt työn eri vaiheita useasti läpi. Prosessia mielestäni osuvasti kuvasi Tatu Jentze kolmannen kurssikerran tuotoksessaan [2] sanoin: ”QGIS-hieroglyfit alkavat käydä jollain tavalla loogisesti järkeen. Taikka sitten ei.”

Tyyne Turusen kolmannen kurssikerran blogin tuotoksia [3] tarkastellessani huomasin, että hänen karttansa oli selkämpi kuin omani, suurelta osin kapeampien pylväiden ansiosta, jotka parantavat taustakartan ja tulvaindeksin luokkien näkyvyyttä. Palasin QGIS:ssä tekemääni karttaan, jossa diagrammit olivat kuitenkin itselleni mieluisia. Tajusin, että pylväiden liiallinen paksuus johtui tulostusikkunassa liian leveäksi levitetystä kartasta, mikä oli helppo ongelma korjata ja paransi lopputulosta selvästi. Kiitos siis Tyynelle hyvästä vertauskohdasta!

Kuva 1. Tulvaindeksiä ja järvisyyttä kuvaava koropleettikartta pylväsdiagrammeineen.

Karttaa maallikkona tarkastellessa voisi todeta, että pylväät järvisyysprosentista kuvaavat järvien määrää alueella ja tulvaindeksi kertoo tulvien todennäköisyyttä tai voimakkuutta. Kartalta voisi tulkita, että pitkiä pylväitä sisältävillä Keski- ja Itä-Suomen alueilla on paljon järviä, mikä näkyy myös taustakartalla. Tulvien voidaan nähdä sijoittuvan merenrannan alueille, erityisesti Pohjanmaalle ja Etelä-Suomeen. Korkean tulvaindeksin alueella järvisyysprosentin pylväät ovat myös melko matalia.

 

Lähteet:

[1] Poti, E. Viikko 2. (Viitattu 4.2.2023)

url: https://blogs.helsinki.fi/elpoti/2023/01/30/viikko-2/

[2] Jentze, T. Korjailua, paikkailua ja valumista. (Viitattu 4.2.2023)

url: https://blogs.helsinki.fi/jentze/2023/02/01/korjailua-paikkailua-ja-valumista/

[3] Turunen, T. 3. harjoituskerta 1.2.2023. (Viitattu 4.2.2023)

url: https://blogs.helsinki.fi/ttyyne/2023/02/01/3-harjoituskerta-1-2-2023/

MAA202-kurssin toinen harjoituskerta, sen tehtävät ja blogikirjoitus

Maantieteen menetelmät -kurssin toisella kurssikerralla jatkettiin QGIS-ohjelman parissa työskentelyä. Viikon tehtävissä tutustuimme WFS-palveluihin, teimme lisää karttoja ja harjoittelimme niiden visualisointia sekä tutkimme eri projektioiden vaikutusta tarkasteltavan kohteen tietoihin. Osa tehtäviin käytetyistä työkaluista oli minulle jo ennaltaan tuttuja, ja ohjelma käy kerta kerralta tutummaksi sitä enemmän käytettäessä.

Projektioiden välisiä eroja pääsi vertailemaan ohjelmassa nopeasti, sillä QGIS-mahdollistaa niiden vaihtamisen lennosta. Erot ilmenivät mittaustuloksista (taulukko 1), kun piirsin Suomen kartalle itä-länsi-suuntaisen viivan sekä kolmionmuotoisen ”hatun” Suomen pohjoisosaan ja vertasin niiden arvoja eri projektioissa EPSG:3067-projektioon.

Taulukko 1.  Vertailuja eri projektioiden välillä Suomen kartalle piiretyn viivan ja ”hatun” suhteen.

Harjoituksesta kävi selväksi oikean projektion valitsemisen tärkeys kartta-aineistojen kanssa työskennellessä, sillä esimerkiksi Mercatorin projektioon piirretty kuvio oli pinta-alaltaan yli 8-kertainen aluetta tarkemmin kuvaavaan EPSG:3067-projektioon verrattuna. Kaikilla muillakin tarkastelemillani projektioilla erot olivat merkittäviä joko viivan pituuden tai pinta-alan tai molempien suhteen.

Pääsimme tuomaan QGIS-ohjelmaan aineistoja WFS-palveluiden avulla, mikä oli minulle uutta ja mielenkiintoista, sillä WFS:n avulla ohjelmassa voi avata lukuisia aineistoja hyvin yksinkertaisesti. Laskin Suomen pinta-alan tuomieni tietojen avulla eri projektioita käyttäen ja muodostin tuloksista visualisoinnin, jossa hyödynsin edellisellä kerralla oppimiani työkaluja. Karttapohjalla toteutettujen visualisointien (kuvat 1-3) tarkoituksena on esittää myös taulukossa 1 esiintyviä tietoja helppolukuisessa muodossa sekä antaa käsitys siitä, millä tavoin eri projektiot vääristävät pinta-aloja.

Kuva 1. Mercatorin projektion pinta-ala suhteessa EPSG:3067-projektioon.

Kuva 2. Aitoffin projektion pinta-ala suhteessa EPSG:3067-projektioon. 

Kuva 3. Gallin projektion pinta-ala suhteessa EPSG:3067-projektioon.

Alueelliset erot projektioiden muodostamissa vääristymissä näkyvät vertailemalla luokkien sijoittumista Suomen kartalla. Aitoffin projektiossa EPSG:3067-projektioon verrattuna voidaan nähdä luokkien kulkevan luode-kaakko-suunnassa maan halki. Pienintä vääristymää kuvaava sininen luokka on pieni muista projektioista tehtyihin vastaaviin visualisointeihin verrattuna ja eniten vääristyneen luokan pinta-ala on hyvin suuri.

Pyrin tarkastelemaan itselleni entuudestaan tuttuja projektioita tehtäviä tehdessäni, minkä vuoksi kaikissa kartoissa esiintyy melko samantyylinen kuvio, jossa vääristymät pääpiirteisesti kasvavat pohjoiseen mennessä. Tein tämän huomion lukiessani Vilma Valton blogikirjoitusta ja tarkastelemalla hänen tekemäänsä TM35 ja Magna Sirgas -projektioita vertailevaa karttaa, jossa vääristymien sijoittuminen ei noudata lainkaan vastaavanlaista kaavaa. Karttaa oli hyvin mielenkiintoista tarkastella, ja Valton sanoin se ”näytti kartan hyvin oudosta kulmasta; sivuttain ja vaakatasossa kallistuneena.”[1] Ehkä seuraavalla kerralla löydän mielenkiintoisempia visualisointeja tuottavia aineistoja, projektioita tai muuta tutkittavaa, kun esteenä ei ole QGIS:n hieman pelottavalta tuntuva, liian suurta valinnanvaraa tarjoava pitkä lista projektioita.

 

Lähteet:

[1] Valto, V.  2. Suotuisa päivä QGIS:n kannalta. (Viitattu 31.1.2023)

url: https://blogs.helsinki.fi/vvalto/2023/01/30/2-suotuisa-paiva-qgisn-kannalta/

MAA202-kurssin ensimmäinen harjoituskerta, sen tehtävät ja blogikirjoitus

Maantieteen menetelmät -kurssin ensimmäisellä kurssikerralla tutustuimme QGIS-ohjelman käyttöön tuottamalla omia karttavisualisointeja valmiiden aineistojen pohjalta. Olen saanut aikaisempaa kosketusta ohjelmaan Johdatus geoinformatiikkaan maantieteessä -kurssilta, minkä vuoksi QGIS:n ulkoasu oli minulle jokseenkin tuttu ennaltaan. Silti karttoja laatiessa kävi pian ilmi, että itse ohjelman käyttö on päässyt unohtumaan hyvin nopeasti, ja uutta opeteltavaa tulisi olemaan paljon.

Kurssikerran harjoituksen toimenpiteissä opin tuomaan karttapohjalle tietoa taulukkopohjaisesta aineistosta sekä luokittelemaan ja visualisoimaan sitä itselleni mieluisalla tavalla. Valmista lopputulosta varten kartalle lisätyt pohjoisnuoli, mittakaava ja legenda olivat minulle ennaltaan tuttuja toimenpiteitä, mutta opin lisää niiden ulkomuodon muokkaamisesta. Uskon erityisesti harjoituksen aikana tarkasteltujen työkalurivien asetusten läpikäymisen olleen hyödyllistä tulevaisuutta varten, sillä ne sisältävät paljon ohjelman helppokäyttöisyyden kannalta oleellisia asetuksia.

Tuotin oman karttani kurssikansiosta löytyvän karttapohjan ja aineiston pohjalta. Tarkoituksenani oli yrittää korkeamman vaikeustason tehtävää, jossa ohjelmaan tuodaan jokin oma aineisto netistä, mutta parin YouTube-videon ja kirjallisen ohjeen jälkeen en saanut valitsemiani Tilastokeskuksen Kuntien avainluvut -CSV-aineistoja avautumaan. Oletan, että aineistot eivät olleet kuntapohjaan sopivia, mutta toivon voivani kokeilla myöhemmin kurssilla ulkopuolisten aineistojen tuomista ohjelmaan halutulla tavalla uudestaan.

Omaa karttaani varten (kuva 1) valitsin tarkasteltavaksi muuttujaksi ruotsinkielisten osuuden väestöstä kunnittain prosentteina. Lisäsin karttaan tarvittavat karttaelementit ja onnistuin mielestäni visualisoinnissa hyvin, mutta olisin voinut yrittää tehdä luokkajakoja manuaalisesti, jotta kartta ei näyttäisi niin tyhjältä suuren osan kunnista kattavan alimman luokan vuoksi.

Kuva 1. Luomani kartta ruotsinkielisten osuudesta väestöstä kunnittain prosentteina.

Kartalta voidaan päätellä ruotsinkielisten sijoittuvan Suomessa enimmäkseen rannikkoseuduille. Tietyissä kunnissa ruotsinkieliset ovat myös enemmistöä. Suurimmalta osalta ruotsinkielisten osuus suomalaisissa kunnissa on kuitenkin hyvin pientä ja kuuluu välille 0-12 % väestöstä. Uskon kartan kertovan olevan helppolukuinen ja väittäisin sitä tarkastelevan aihetta tuntemattoman lukijan päätyvän kanssani samaan tulokseen kartan esittämästä ilmiöstä.

Samasta aineistosta kartan teki myös Susanne Rautamo, ja hänen tuotoksensa on hyvin samanlainen kuin omani samoista luokkarajoista johtuen [1]. Kiinnitin erityisesti huomioni hänen tekemäänsä tiiviimpään asetteluun, jossa legenda sijaitsi kuvan vasemmassa reunassa ja pohjoisnuoli oikeassa alareunassa. Vaikka asettelulla ei tässä tapauksessa ollut suurta merkitystä käytettävissä olevan tilan takia, voisin ottaa sen tulevaisuudessa tarkemmin huomioon.

Suurimpana haasteena kartan tuottamisessa oli, että tein tehtävän lähes viikko kurssikerran jälkeen, minkä vuoksi jouduin lukemaan ohjeita uudelleen hyvin tarkasti muistaakseni tarvittavat toimenpiteet. Törmäsin erityisen suureen esteeseen aineiston tietojen esittämisessä, sillä en huomannut pitkästä vaakasuuntaisesta palkista johtuen ”Value”-rivin sisältävän pudotusvalikon (kuva 2). Käytin paljon aikaa ohjelmiston tarkasteluun virhettäni etsiessä, mutta koin sen myös hyödylliseksi tässä vaiheessa kurssia, sillä ohjelmistoon tutustuminen on vain eduksi. Muistin lopulta onneksi maininnan samaisesta ongelmasta kurssikerralta, jolloin löysin ratkaisun ongelmaani.

Kuva 2. Pitkä vaakasuuntainen valikko ”Value”-rivillä sisältää tiedon tarkasteltavasta muuttujasta.

 

Lähteet:

[1] Rautamo, S. Ensimmäisen kurssikerran harjoitus ja tehtävä. (Viitattu 24.1.2023).

url: https://blogs.helsinki.fi/rautamos/2023/01/20/ensimmaisen-kurssikerran-harjoitus-ja-tehtava/

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