Categories
Uncategorised

Omien karttojen tekemistä

Seitsemättä kurssikertaa varten meidän tuli etsiä itseämme kiinnostavaa aineistoa, josta luotaisiin useampi karttaesitys varsinaisella kurssikerralla. Valitsin alueekseni Islannin. Tämän jälkeen tuli päättää, millaisella rajauksella valittua aluetta kannattaisi käsitellä ja mitä tietoa siitä haluaa esittää. Päädyin valitsemaan rajaukseksi kuntajaon.

Aineiston etsiminen vei huomattavasti enemmän aikaa kuin olin olettanut. Halusin kuitenkin pitäytyä suunnitelmassani ja lopulta kaikki tarvittavat aineistot löytyivät. Tilastotietoa Islannista löytyi varsin kattavasti Statistics Iceland -sivustolta. Islannin väestön jakautuminen on varsin mielenkiintoinen, joten halusin tutkia sitä lisää. Väestötietoa oli saatavilla kuntajaon mukaan, joten väestön jakautumisen tutkiminen oli mahdollista. Valitsin tilastotietoa koko väestön lisäksi myös lapsista ja nuorista (0-14-vuotiasta) sekä vanhemmasta väestöstä (yli 65-vuotiaista). Islannin kartan löytäminen kuntajaolla oli kuitenkin haastavaa. Pitkän etsinnän jälkeen tällainen tiedosto vihdoin löytyi Landmælingar Íslands -sivustolta. Tiedosto sisälsi Islannin kuntajaon useilta eri vuosilta, joten oli tärkeää valita jako, joka täsmää tilastotietojen kuntajakoa.

Varsinaisella kurssikerralla alkoi karttaesitysten toteuttaminen. Kartan avaaminen sujui ongelmitta. Valmiiksi .csv muodossa ladattujen tiedostojen tuominen QGIS:iin onnistui myös. Seuraavaksi väestötiedot tuli saada siirrettyä kuntakartan attribuuttitietoihin. Koska molemmissa tiedoissa kuntien nimet olivat samat eli niissä oli yhdistävä tekijä, onnistuisi tietojen siirtäminen join -komennon avulla. Aiemmalta kurssikerralta kuitenkin muistin, että nimistön oikeinkirjoitus tulisi varmistaa. Kaikissa kohdissa kuntien nimet eivät täsmänneetkään täysin, joten väestötietoja täytyi käsitellä Excelissä uudestaan, jotta kuntien nimet olisivat identtiset. Näiden muutosten jälkeen tietojen yhdistäminen onnistui ja karttaesityksen laatiminen jatkui.

Ensimmäisessä kartassa (Kuva 1) kuvataan koko Islannin väestön alueellista jakautumista lukumäärinä koropleettikarttana. Kartasta voidaan huomata, kuinka suurin osa Islannin väestöstä asuu Reykjavíkissa ja sen lähialueilla. Islannin koko väestömäärä vuonna 2019 oli 356 991, joista 128 793 eli reilu kolmasosa asuu Reykjavíkin alueella (Statistics Iceland). Islannin keskiosien asumattomuus johtuu esimerkiksi vaikeasta maastosta sekä laavakentistä ja jäätiköistä. Lisäksi jotkin alueet ovat vaarallisia tulivuoritoiminnan vuoksi. Luultavasti myös suurin osa palveluista, työpaikoista ja kouluista sijaitsee Reykjavíkissa ja sen lähialueilla, mikä houkuttelee ihmisiä alueelle.

Kuva 1. Islannin väestön jakautuminen kunnittain lukumäärinä vuonna 2019

Toisessa kartassa (Kuva 2) kuvataan 0-14-vuotiaiden suhteellisia osuuksia väestöstä kunnittain. Tätä varten nuorten suhteelliset osuudet tuli ensin laskea omaksi sarakkeekseen attribuuttitietoihin. Kartasta voidaan tarkastella nuorten sijoittumista suhteessa muuhun väestöön. Onkin siis huomattava, että kartassa ei kuvata nuorten osuuksia lukumäärinä. Verrattaessa 0-14-vuotiaiden osuuksia samanlaiseen karttaan yli 65-vuotiaiden osuuksista (Kuva 3) voidaan huomata, miten 0-14 ja yli 65-vuotiaiden osuudet sijoittuvat kartalle. Suurimmat 0-14 vuotiaiden osuudet näyttävät sijoittuvan Reykjavíkiin ja sen lähialueille sekä muutamiin Pohjois- ja Itä-Islannin kuntiin. Reykjavíkin alueelle sijoittuminen saattaa selittyä juuri työpaikka- ja palvelutarjonnalla. Muutamien Pohjois- ja Itä-Islannin kuntien osuudet voisivat selittyä kuntien  mahdollisesti alhaisella väkiluvulla, jolloin 0-14-vuotiaita ei lukumääräisesti asu alueella suurta määrää, mutta muuhun väestöön verrattuna kuitenkin enemmän kuin monissa muissa kunnissa. Lisäksi on huomioitava, että tummin värisävy tarkoittaa korkeimmillaan 24,4% osuutta.

Kuva 2. 0-14-vuotiaiden suhteelliset osuudet muusta väestöstä kunnittain vuonna 2019

Yli 65-vuotiaiden osuuksien jakautuminen on hieman erilainen kuin 0-14-vuotiaiden. Painopiste ei esimerkiksi ole Reykjavíkin alueella, vaan on jakautunut tasaisemmin. Esimerkiksi Pohjois-Islannissa on muutamia kuntia, joissa yli 65-vuotiaiden osuudet ovat suurimmillaan. Suurimmillaan osuudet ovat 47,5% kunnan väestöstä. Jakautumisen taustalla voisi olla samankaltainen ilmiö kuin Suomessa, jossa nuoret ja aikuiset muuttavat pääkaupunkiseudulle tai muihin kasvukeskuksiin samalla kun lähtökuntiin jää iäkkäämpi väestö. Syynä ilmiölle ovat juuri esimerkiksi palvelujen, työpaikkojen ja koulutuksen sijoittuminen näille alueille, Islannissa luultavasti Reykjavíkiin.

Kuva 3. Yli 65-vuotiaiden suhteelliset osuudet muusta väestöstä kunnittain vuonna 2019

Yhteenvetona voidaan sanoa, kuten myös Tuija Hyvättinen toteaa blogissaan, että kurssi on ollut opettavainen. Kurssi on opettanut paljon uutta sekä haastanut ongelmanratkaisussa. Erilaiset oivallukset ja onnistumiset ovat parantaneet monien asioiden hahmottamista ja ymmärtämistä. Myös käsitys geoinformatiikasta on kehittynyt kurssin aikana ja monet teoriatasolla olleet asiat, kuten erilaiset analyysimenetelmät ovat konkretisoituneet käytäntöön.

 

Lähteet

Hyvättinen, T. (28.2.2020). Homma purkkiin! Luettu 19.3.2020
https://blogs.helsinki.fi/hytuija/

Landmælingar Íslands
https://atlas.lmi.is/LmiData/index.php?id=290309629896
(Luettu 25.2.2020)

Statistics Iceland
https://www.statice.is/ (Luettu 25.2.2020)

Categories
Uncategorised

Itse kerätyn datan käsittelyä ja hasardikarttoja

Kuudennella kurssikerralla pääsimme itse keräämään aineistoa. 45 minuutin aikana meidän tuli kierrellä Kumpulassa ja sen lähialueilla luoden sijaintitietoon yhdistettävää dataa Epicollect5 -sovelluksen avulla. Tarkoituksena oli esimerkiksi arvioida julkisten ulkotilojen turvallisuutta, houkuttelevuutta kävelijöiden näkökulmasta sekä visuaalisuutta. Tuloksena syntyi vektorimuotoista pistedataa, johon sisältyi attribuuttitietoina edellä mainittuja arviointeja numeerisesti.

Kerätty data koottiin yhteen ja ladattiin .csv muodossa QGIS:iin tarkasteltavaksi. Taustalle tuotiin kartta alueesta teineen ja rakennuksineen, johon myös kerätyt pisteet sijoitettiin. Pisteitä muokattiin niiden attribuuttitietojen mukaan. Valitsimme pisteiden väriksi siirtymän vihreästä punaiseen (vihreä=turvallinen, punainen=turvaton) kuvaamaan kunkin pisteen alueella koettua turvallisuutta (Kuva 1). Seuraavaksi kokeilimme toisenlaista esitystapaa: interpolointia. Tässä yhteydessä käytimme punaisesta siniseen liukuvaa väriskaalaa. Teimme ensin yhteisesti interpoloinnin koetun turvallisuuden perusteella ja sen jälkeen itsenäisesti valitsemistamme aiheista. Valitsin aiheikseni houkuttelevuuden kävelijöiden näkökulmasta (Kuva 2) sekä visuaalisen miellyttävyyden (Kuva 3).

Kuva 1. Koettu turvallisuus havaintoalueilla pisteittäin
Kuva 2. Interpoloitu kartta alueiden houkuttelevuudesta kävelijöiden näkökulmasta
Kuva 3. Interpoloitu kartta alueiden visuaalisesta miellyttävyydestä

Kartoista voidaan havaita, kuinka turvattomuutta koetaan erityisesti vilkkailla risteysalueilla. Turvallisuutta koetaan taas vastaavasti rauhallisilla omakotitaloalueilla sekä esimerkiksi puistoissa. Kävelijöiden näkökulmasta houkuttelevimmat alueet ovat asuin- sekä puistoalueita. Vähiten houkuttelevimmiksi alueiksi koetaan suuret tiet ja risteysalueet. Visuaalinen miellyttävyys on suurimmillaan omakotitaloalueilla sekä puistoalueilla ja pienimmillään puolestaan kerrostaloalueilla sekä risteysalueilla.

Seuraavassa harjoituksessa harjoittelimme enemmän aineistojen käsittelyä ja muuntamista .csv muotoon Excelissä sekä niiden tuontia QGIS:iin. Haimme esimerkiksi Northern California Earthquake Data Center -sivulta maailman maanjäristyksiä koskevaa taulukoitua tietoa. Tämän jälkeen kopioimme aineiston Exceliin, jossa kielellisten erojen vuoksi pisteet tuli vaihtaa pilkuiksi sekä varmistaa sarakkeiden oikea jako. Näiden muokkausten jälkeen tiedosto voidaan tallentaa .csv muotoon ja avata QGIS:issä. Tässä tapauksessa jo valmiiksi avatun maailmankartan päälle saatiin pisteinä tiedot yli kuuden magnitudin järistyksistä vuosilta 1950-2012 (Kuva 4). Itsenäisenä harjoituksessa tein vastaavalla tavalla kartan Japanin tulivuorista (Kuva 5) sekä koko maailman meteoriittikraattereista (Kuva 6).

Kuva 4. Yli kuuden magnitudin järistykset vuosilta 1950-2012
Kuva 5. Japanin tulivuoret
Kuva 6. Meteoriittikraatterien sijainnit maailmassa

Yli kuuden magnitudin järistyksiä kuvaavasta kartasta (Kuva 4) voidaan päätellä, että suuria maanjäristyksiä tapahtuu eniten litosfäärilaattojen reuna-alueilla, erityisesti törmäys- ja alityöntövyöhykkeillä. Tutkiessani muiden maanjäristyksiä kuvaavia karttoja huomasin, että litosfäärilaattojen saumakohtien lisääminen kartalle olisi parantanut kartan ilmettä sekä ymmärrettävyyttä. Kuten Pihla Haapalokin toteaa, saumakohtien sijainnit eivät ole kaikille tuttuja ja niiden sijainnin tietäminen olisi erityisen tärkeää opetustarkoituksessa, kun tarkastellaan maanjäristyksiä. Näin kartalta voitaisiin huomata yhtäläisyyksiä saumakohtien ja maanjäristysten esiintymisen välillä.

Japani on tunnetusti tulivuorista koostuva saariryhmä, joten kartalla (Kuva 5) esiintyvät tulivuoret seuraavatkin hyvin Japanin saarten muotoa. Tässäkin yhteydessä litosfäärilaattojen sumakohtien esittäminen kartalla olisi ollut tärkeä lisäys opetustarkoituksen kannalta, sillä se olisi havainnollistanut tulivuorten sijoittumista erityisesti alityöntövyöhykkeille.

Meteoriittikraattereita kuvaavasta kartasta (Kuva 6) voidaan huomata, että niitä esiintyy lähes kaikkialla maailmassa. Havaintoihin kuitenkin vaikuttaa kraattereiden tunnistaminen meteoriittien aiheuttamiksi sekä tutkimukseen käytettävät resurssit. Yhdysvaltojen kraattereiden suurta määrää voisikin selittää, että kraattereita on kartoitettu varsin kattavasti. Myös maasto vaikuttaa kraattereiden havainnointiin, kuten myös Mikko Kangasmaa toteaa blogissaan. Esimerkiksi laajoilta metsäalueilta, kuten esimerkiksi Siperiasta, erityisesti vanhojen kraattereiden tunnistaminen voi olla hankalaa metsittymisen ja puuston vuoksi. Opetustarkoituksessa kartan avulla voitaisiin pohtia esimerkiksi juuri sitä, mitkä tekijät vaikuttavat kraattereiden sijainteihin.

Maanjäristyskartan avulla voisi myös opettaa sitä, miten eri alueilla esiintyvät maanjäristykset vaikuttavat ihmisiin (Kuva 7) sekä millaista taloudellista vahinkoa ne aiheuttavat ja pohtia niiden syitä. Esimerkiksi köyhillä, tiheään asutuilla alueilla uhriluvut voivat kasvaa hyvinkin suuriksi puutteellisen rakennustekniikan, tiheän asutuksen ja suuren väestömäärän vuoksi.

Kuva 7. Eniten kuolemia aiheuttaneet maanjäristykset ihmishistoriassa

 

Lähteet

Kangasmaa, M. (19.2.2020) Kenttätöitä ja hasardeja (Kurssikerta 6). Luettu 23.2.2020
https://blogs.helsinki.fi/kanmikko/

Haapalo, P. (20.2.2020) Ylös, ulos ja ulkohommii. Luettu 24.2.2020
https://blogs.helsinki.fi/haapalop/

Hannah Ritchie and Max Roser (2020) – “Natural Disasters”. Published online at OurWorldInData.org.
Retrieved from: https://ourworldindata.org/natural-disasters [Online Resource] Luettu 24.2.2020

Categories
Uncategorised

Bufferointia ja itsenäisiä harjoituksia

Viidennellä kurssikerralla pääpaino oli itsenäisissä harjoituksissa ja kertaamisessa. Aluksi kuitenkin hyödynsimme jo viime kerralla valmistelemaamme Pornaisten aluetta kuvaavaa karttaa. Yhteisessä harjoituksessa opettelimme bufferointia esimerkiksi luomalla teille ja koululle bufferivyöhykkeet eri ehdoilla. Lisäksi harjoittelimme select by location -toiminnon käyttöä, jota hyödynnettiin esimerkiksi, kun haluttiin selvittää kaikki tietyllä etäisyydellä tiestä sijaitsevat asuinrakennukset. Harjoittelimme myös karttakohteiden avulla laskemista ja laskimme esimerkiksi rajatun alueen sisäpuolelle jäävien tieosuuksien pituuden sum line lenghts -toiminnon avulla.

Itsenäisissä harjoituksissa meidän tuli itsenäisesti tehdä erilaisia tehtäviä. Tehtäviä tehdessä huomasi hyvin, mitkä asiat ovat jo tulleet tutummiksi ja missä asioissa tarvitsee enemmän harjoitusta. Harjoitukset sisälsivät myös bufferointia, esimerkiksi lentomelualueita kartoitettaessa Malmin sekä Helsinki-Vantaan lentokentillä (Kuva 1). Tehtävissä (Taulukko 1) tuli myös osata piirtää kohteita kartalle sekä käyttää select by location -toimintoa oikein, jota käytettiin selvitettäessä eri melualueiden sisäpuolelle jäävien rakennusten määriä. Tässä tehtävässä tuli huomattua, että uusia layereita luodessa on muistettava tarkastaa niiden koordinaattijärjestelmä, sillä muuten esimerkiksi bufferoinnissa tulee ongelmia, kun koordinaattijärjestelmät eivät vastaa toisiaan. Tehtävien teko sujui mielestäni kuitenkin hyvin, vaikka joissakin kohdissa joutui miettimään tarkkaan mitä on tekemässä ja miten haluttu tulos saadaan tuotettua.

Kuva 1. 1km ja 2km bufferivyöhykkeet Malmin lentokentän ympärillä
Taulukko 1. Lentokenttien lähialueiden asutusta käsitteleviä tietoja

Juna- ja metroasemiin liittyvissä tehtävissä (Taulukko 2) jatkoimme bufferoinnin harjoittelua sekä teimme laskutoimituksia, kuten prosenttiosuuksien laskemista. Lisäksi työikäisten prosenttiosuutta laskettaessa tuli tietoa osata siirtää attribuuttitaulukosta toiseen sekä yhdistää sitä. Työikäisten sarake tuli siis itse luoda oikeista ikäluokista ja siirtää se oikeaan attribuuttitaulukkoon. Näissä harjoituksissa join attributes by location -toiminnolla oli merkittävä osuus.

Taulukko 2. Juna- ja metroasemien lähialueiden asutusta käsitteleviä tietoja

Seuraavaksi toteutetuissa taajamiin liittyvissä tehtävissä (Taulukko 3) tuli osata käyttää aiemmissa tehtävissä käytettyjä toimintoja sekä hieman soveltaa niitä. Tämä tehtävä oli haastavin. Join attributes by location -toiminnon käyttäminen suuren aineiston kanssa on varsin hidasta ja harmitti, jos tulos ei ollutkaan sitä, mitä oli tavoitellut. Lisäksi QGIS myös kaatui muutaman kerran. Ulkomaalaisten prosentuaalisten osuuksien laskeminen oli tehtävän hankalin osuus. Kuitenkin useamman yrityksen jälkeen nekin saatiin laskettua ja valittua select features by value -komennon avulla.

Taulukko 3. Taajama-asutusta käsitteleviä tietoja

Viimeiseksi harjoitukseksi valitsin harjoituksen, joka koski koulupiirejä sekä koululaisia (Taulukko 4). Harjoituksessa tuli jälleen osata hyödyntää aiempia tunnilla käytettyjä toimintoja sekä hieman soveltamista. Tässäkin harjoituksessa joutui välillä todella miettimään, mitä on tekemässä ja miten tulos saadaan tuotettua.

Taulukko 4. Koulupiirejä käsitteleviä tietoja

Yhteenvetona voidaankin sanoa, että nämä harjoitukset paljastivat hyvin, mitkä toiminnot ovat hallussa ja mitkä tarvitsevat vielä harjoitusta. Harjoituksissa tärkeintä oli ymmärtää, mitä oikeastaan on tekemässä ja sen jälkeen pohtia, millä toiminnoilla ja komennoilla haluttu tulos saadaan tuotettua. Kuten Alex Nylanderkin toteaa, aina aivot eivät kuitenkaan toimi niin kuin haluaisi. Tästä johtuen haluttuun lopputulokseen pääseminen saattaa tapahtua useamman mutkan kautta. Käytetyimmät komennot ja toiminnot ovat jääneet parhaiten muistiin ja niiden käyttö on onnistunut pääasiassa ihan hyvin. Olen kuitenkin Jonna Kääriäisen kanssa samaa mieltä siitä, että olemme vasta raapaisseet QGIS:in pintaa. Ohjelmassa on varmasti paljon muitakin mahdollisuuksia ja toimintoja, joista emme vielä tiedä mitään. Ohjelman käyttö siis vaatii varsin hyvää perehtymistä sen käyttöön ja eri toimintoihin sekä yleistä tietämystä käytettävistä aineistoista.

 

Lähteet

Kääriäinen, J. (16.2.2020). Analyysityökaluilla uutta tietoa. Luettu 24.2.2020
https://blogs.helsinki.fi/kaarijon/

Nylander, A. (18.2.2020). Kurssikerta 5: Buffereita ja väestöanalyysejä. Luettu 24.2.2020
https://blogs.helsinki.fi/alny

Categories
Uncategorised

Rasteritietokantoja ja väestökarttoja

Neljännellä kurssikerralla keskityimme rasteri- ja ruutuaineistojen sekä erilaisten pistemäisten kohteiden käsittelyyn.

Ensimmäisessä yhteisessä harjoituksessa loimme väestömäärää kuvaavan ruutuaineistopohjaisen kartan (Kuva 1). Ruudukon luominen kartan pohjaksi tapahtui muutamilla asetuksien säädöillä, kuten esimerkiksi ruutujen koon ja muodon määrittämisellä. Tämän jälkeen haluttu tieto tuli saada siirrettyä juuri luodun ruudukon attribuuttitietoihin, joka tapahtui join attributes by location -komennon avulla. Tässä yhteydessä on mahdollista määrittää, mitä tietoja ollaan siirtämästä mistä mihinkin sekä suorittaa samalla laskutoimituksia. Tämän jälkeen ruudukkoon siirretty tieto on mahdollista esittää kartalla.

Kuva 1. Asukkaiden absoluuttinen lukumäärä pääkaupunkiseudulla neliökilometreittäin

Itsenäisessä harjoituksessa meidän tuli valita haluamamme aihe ja esittää se vastaavanlaisesti kartalla kuin yhteisessä harjoituksessa. Valitsin aiheekseni ruotsinkielisten määrän ja loin siitä kartan (Kuva 2). Kuten yhteisessä harjoituksessa, tuli tässäkin siirtää haluttu tieto tietokannasta toiseen ja suorittaa vastaavia toimintoja. Yhteisiä harjoituksia vastaavien harjoitusten tekeminen itsenäisesti auttaa huomattavasti hahmottamaan ja ymmärtämään juuri opittuja uusia komentoja sekä toimintoja paremmin. Lisäksi tässä vaiheessa huomaa, mitkä asiat ovat jääneet hyvin muistiin ja mitkä kaipaavat vielä kertausta.

Kuva 2. Ruotsinkielisten absoluuttinen lukumäärä pääkaupunkiseudulla neliökilometreittäin

Ruotsinkielisten osuutta kuvaava kartta on varsin informatiivinen ja siitä pystytään havainnoimaan selkeästi ruotsinkielisen väestön jakautumista pääkaupunkiseudulla. Kuitenkin jos esimerkiksi vertaillaan väestön jakautumista ja ruotsinkielisen väestön jakautumista on tärkeää huomata, että ruotsinkieliset ovat osa koko väestöä, joten legendojen lukuarvojen huomioiminen on tärkeää. Karttaa tarkastelemalla voidaan huomata, että ruotsinkieliset sijoittuvat pääasiallisesti samoille alueille kuin väestö yleisesti ottaen. Tarkemmin tarkasteltuna eroavaisuuksia kuitenkin löytyy: ruotsinkielisiä asuu erityisesti Helsingin ydinkeskustan alueella. Muita keskittymiä esiintyy esimerkiksi Lauttasaaressa, Kauniaisissa sekä Espoon etelä- ja kaakkoisosissa. Esimerkiksi Kauniaisten alue on tunnettu kaksikielisyydestään. Michaela Söderholm on myös huomauttanut blogissaan, että ruotsinkieliset keskittyvät usein samoille alueille ja usein näille alueille on kehittynyt erilaisia palveluita, kuten päiväkoteja ja kouluja, jotka ovat ruotsinkielisiä. Tämä ruotsinkielinen palvelutarjonta taas houkuttelee alueelle yhä enemmän ruotsinkielisiä. Venla Moisio kuitenkin huomauttaa blogissaan, ettei ruotsinkielisten sijoittumista eri alueille pääkaupunkisedulla voida kokonaisvaltaisesti selittää.

Koropleettikarttaan verrattuna ruutuaineiston etu on siinä, että siinä tiedon jakautumista sekä esiintymistä voidaan tarkastella huomattavasti tarkemmin eikä se ole sidoksissa alueellisiin rajauksiin, kuten kuntajakoon. Esimerkiksi harjoituksissa käytetyissä ruuduissa tietoa tarkastellaan neliökilometrin tarkkuudella. Matti Katajisto huomauttaa blogissaan myös, että ruutuaineistojen hyvä puoli on myös niiden säännöllisyys ja tarkasteltavien ruutujen samansuuruisuus. Molemmissa kartoissa ongelmaksi koituu kuitenkin karttojen hahmottuminen ulkopaikkakuntalaisille, sillä pääkaupunkiseudun alueet voivat olla vieraita. Vilma Koljonen oli tehnyt saman huomion omassa blogissaan ja kirjoittaakin, että ruutukartta voi osoittautua jopa turhaksi, mikäli lukija ei kykene sitomaan sitä mihinkään alueeseen. Toisaalta taas aineiston ruutumuotoisuuden vuoksi nimistön lisääminen kartalle saattaisi vaikuttaa kartan luettavuuteen tekemällä siitä epäselvän.

Viimeisenä harjoituksena tarkastelimme rasteriaineistoa. Ensiksi toimme ohjelmaan peruskarttalehden Pornaisista, jonka päälle tuotiin korkeusmalli. Korkeusmalli koostui neljästä eri osuudesta, jotka yhdistettiin yhdeksi kokonaisuudeksi. Tämän avulla pystyimme saamaan korkeuskäyrät kartalle. Lisäksi kokeilimme rinnevarjostuksen luomista ja sen hyödyntämistä peruskarttalehden tukena. Lopuksi vielä valmistelimme aineistoa seuraavaa kurssikertaa varten piirtämällä kartalle vektorikohteita. Tällaisia kohteita olivat viivakohteina esitetyt tiet sekä pistekohteina esitetyt asuinrakennukset.

 

Lähteet

Katajisto, M. (5.2.2020). Varsinaista velhoilua. Luettu 8.2.2020
https://blogs.helsinki.fi/mattikat/

Koljonen, V. (7.2.2020). Ruudut ja rasterit tutuiksi. Luettu 8.2.2020
https://blogs.helsinki.fi/vilmakol/

Moisio, V. (5.2.2020). Viikko 4 – Ruudukoiden hyödyntämistä ja rasteriaineistoihin tutustumista. Luettu 8.2.2020
https://blogs.helsinki.fi/moivenla/

Söderholm, M. (7.2.2020). Mot ljusare (GIS)tider. Luettu 8.2.2020
https://blogs.helsinki.fi/micsoder/

Categories
Uncategorised

Tietokantojen yhdistämistä ja tulvaindeksikartan laatimista

Kolmannella kurssikerralla keskityttiin erilaisten tietokantojen yhdistämiseen ja ulkoisten tietokantojen ohjelmaan tuomiseen. Useamman tietokannan tuominen ohjelmaan ja niiden käsittely antavat kattavammat mahdollisuudet käsitellä ja luoda omia tarpeita vastaavaa aineistoa.

Yhteisessä harjoituksessa käsittelimme Afrikan mantereeseen liittyviä tietokantoja. Yksi tapa selkeyttää aineistoa on esimerkiksi liittää kaikki yhteen valtioon kuuluvat elementit yhdeksi kokonaisuudeksi. Kokeilimme toimintoa aluksi yhden valtion, tässä tapauksessa Egyptin kohdalla. Jokaisen valtion elementtien yhdistäminen valtio kerrallaan olisi aikaa vievää ja varsin työlästä. Ohjelmasta kuitenkin löytyy komento, jonka avulla yhdistämiset voidaan toteuttaa huomattavasti helpommin ja nopeammin.  Seuraavaksi harjoittelimme eri tietokantojen tietojen yhdistämistä. Tätä varten erillisistä tietokannoista tulee löytää vähintään yksi yhdistävä tekijä ja niiden tulee olla muodoltaan samanlaisia. Tässä tapauksessa yhteisenä tekijänä tietokantojen välillä toimivat Afrikan valtioiden nimet. Kuitenkin on muistettava tarkastaa, että yhteisten tekijöiden muodot ovat samat: esimerkiksi Afrikan valtioiden nimet tulee olla kirjoitettuna identtisesti kaikissa tietokannoissa. Lopuksi vielä tarkastelimme esimerkiksi konfliktien, timanttikaivosten sekä öljyesiintymien alueellista jakautumista sekä pohdimme niiden välisiä korrelaatioita.

Itsenäisessä harjoituksessa meidän tuli luoda Suomen tulvaindeksikartta (Kuva 1), jossa lisäksi järvisyys on esitetty pylväsdiagrammien avulla. Tulvaindeksin laskemista varten tietokantoja oli jälleen yhdistettävä, jonka jälkeen laskutoimituksen tekeminen oli mahdollista. Esitys toteutettiin jo edellisiltä kurssikerroilta tuttuna koropleettikarttana, jossa tuli kiinnittää huomiota luokkajakoihin ja värisävyihin. Koska kyseessä on tulvaindeksin esittäminen, valitsin värisävyiksi sinisen eri sävyt. Valitsin sinisen värin kuvaamaan myös järvisyyttä. Järvisyyttä kuvaavien diagrammien tekoa varten aineisto piti tuoda ohjelmaan ulkoisesta lähteestä, tässä tapauksessa Excelistä. Jälleen piti olla tarkkana, että Excelissä esiintyvä aineisto on oikeassa tekstimuodossa ja että se on muokattu oikeaan muotoon, tässä tapauksessa csv-muotoon. Tämän jälkeen aineiston tuominen ohjelmaan ja tiedon esittäminen pylväsdiagrammeina on mahdollista.

Kuva 1. Suomen tulvaindeksi ja järvisyys valuma-alueittain

Karttaa viimeistellessäni mietin pitkään, esitänkö järvet ja joet kartalla vai jätänkö ne pois kokonaan. Aluksi ne olivat kartalla sinisellä, mutta se vaikutti huomattavasti kartan luettavuuteen ja teki siitä mielestäni epäselvän. Seuraavaksi kokeilin vaihtaa värin neutraalimmaksi ja päädyin harmaaseen. Vieläkään en ole varma, olisiko järviä ja jokia tarvinnut esittää kartalla ollenkaan. Esimerkiksi Siiri Nyman on päättänyt jättää nämä elementit pois kartalta kokonaan. Tämä toisaalta selkeyttää karttaa huomattavasti, mutta toisaalta tällöin jokien ja järvien sijaintia ei voida nähdä kartalta.

Karttaa tarkastelemalla voidaan huomata, että suurimmat tulvariskialueet sijaitsevat alavilla rannikkoalueilla, kuten esimerkiksi Pohjanmaalla. Voidaan myös todeta, että järvisyys on näillä alueilla pienempi kuin pienillä tulvariskialueilla. Kuten Venla Moisio toteaa, järvillä on tasaava vaikutus, sillä ne toimivat jokien kuljettaman liiallisen veden varastoina. Lisäksi esimerkiksi maankäyttö ja kasvillisuus vaikuttavat tulvariskeihin. Jonna Kääriäinen oli myös maininnut blogissaan, että myös valuma-alueiden koko ja muoto vaikuttavat tulvaherkkyyteen.

 

Lähteet:

Kääriäinen, J. (31.1.2020). Tietokantaliitoksia ja tulvaindeksejä. Luettu 4.2.2020
https://blogs.helsinki.fi/kaarijon/

Moisio, V. (29.1.2020). Viikko 3 – Tietokantojen yhdistämistä ja laskutoimitusten tekemistä. Luettu 4.2.2020
https://blogs.helsinki.fi/moivenla/

Nyman, S. (29.1.2020). Kolmas kurssikerta. Luettu 4.2.2020
https://blogs.helsinki.fi/nymsiiri/

Categories
Uncategorised

Tietokantojen käsittelyä sekä eri projektioiden vertailua

Toisella kurssikerralla jatkoimme QGIS-ohjelmaan tutustumista ja eri toimintojen opettelua.

Opettelimme lataamaan eri aineiston tuottajien aineistoja QGIS-ohjelmaan ja niiden käsittelyä. Harjoituksessa latasimme Tilastokeskuksen tuottamia aineistoja Suomen kunnista. Aineiston avulla harjoittelimme erilaisten valintatyökalujen käyttöä. Valintoja voi tehdä hyvin monella eri tapaa, esimerkiksi asettamalla ehdoksi, että haluaa valita kaikki kunnat, joiden pinta-ala on enemmän kuin asetettu arvo. Näitä toimintoja tulee varmasti tarvitsemaan tulevaisuudessa, kun tarkoituksena on löytää aineistosta tiettyjä kohteita tietyillä ehdoilla.

Itsenäisessä harjoituksessa meidän tuli vertailla Mercator ja ETRS-TM35FIN -projektioiden välisiä eroavaisuuksia pinta-alojen suhteen. Tätä varten tuli osata luoda uusi sarake aineiston attribuuttitietoihin sekä suorittaa prosenttilasku pinta-alojen suhteiden määrittämiseksi. Tämän jälkeen tieto tuli visualisoida. Visualisointi tapahtui ensimmäisellä kurssikerralla tehdyn koropleettikartan tavoin, jossa tieto luokitellaan eri luokkiin luokkajaon avulla ja esitetään eri värisävyinä kartalla. Tämän tekeminen oli hyvää kertausta. Tuloksena syntyi kartta (Kuva 1), joka kuvaa värisävyjen kautta sitä, kuinka paljon pinta-ala vääristyy Mercatorin projektiossa pohjoista kohti. Tiesin, että Mercatorin projektio vääristää esimerkiksi Lappia huomattavasti, mutta vääristymän suuruus konkretisoitui lukiessani Carita Aapro-Kosken blogia, jossa mainittiin pinta-alojen erojen kasvavan Lapissa jopa seitsenkertaisiksi. Muiden blogeja lukiessani huomasin myös, että monet olivat käyttäneet vertailua tehdessään pohjakarttana Mercatorin projektiota. Näin olivat tehneet esimerkiksi Mikko Kangasmaa ja Elias Hirvikoski. Itse olen käyttänyt pohjakartassa ETRS-TM35FIN -projektiota. Mielestäni molemmat esitystavat ovat hyviä ja toimivat erityisesti, kun niitä vertailee keskenään, jolloin muutoksia pinta-aloissa pystyy tarkastelemaan silmämääräisesti.

Kuva 1. Mercatorin ja ETRS-TM35FIN projektioiden väliset pinta-alojen vääristymät kunnittain (%)

Päätin myös ladata QGIS-ohjelman läppärilleni, jotta voin työskennellä myös varsinaisen opetuksen ulkopuolella. Kurssikerralla suositeltiin myös toisen pinta-ala vertailun tekemistä, joten päätin vertailla Mercatorin projektiota Robinsonin projektion kanssa (Kuva 2). Vertailun toteutin samalla tavalla kuin kurssikerralla tehdyssä itsenäisessä harjoituksessa, joten sen tekeminen oli hyvää kertausta. Kuten ETRS-TM35FIN -projektion kanssa, myös Robinsonin projektioon verrattaessa vääristymät suurenevat kohti pohjoista.

Kuva 2. Mercatorin ja Robinsonin projektioiden väliset pinta-alojen vääristymät kunnittain (%)

Johtopäätöksenä voidaankin sanoa, että käytetyillä projektioilla on merkitystä karttojen luettavuuteen sekä niistä muodostuviin mielikuviin. Siksi onkin tärkeää valita aineiston esittämiseen kulloinkin parhaiten soveltuva projektio.

 

Lähteet

Aapro-Koski, C. (26.1.2020). Kurssikerta 2: Projektiovalintoja ja tietokantoja. Luettu 29.1.2020
https://blogs.helsinki.fi/aacarita/

Hirvikoski, E. (27.1.2020). Toinen. Luettu 29.1.2020
https://blogs.helsinki.fi/eliashir/

Kangasmaa, M. (26.1.2020). Projektioita ja valintatyökaluja (Kurssikerta 2). Luettu 29.1.2020
https://blogs.helsinki.fi/kanmikko/

Categories
Uncategorised

QGIS ja koropleettikarttoja

Ensimmäisellä kurssikerralla tutustuttiin uuteen ohjelmaan, QGIS:iin. Aiemmalla kurssilla (Tiedon esittäminen maantieteessä) opeteltiin CorelDRAW-ohjelman käyttöä.

Kurssikerta koostui pääasiassa uuden ohjelman perustyökalujen opettelusta varsin ohjatusti askel kerrallaan. Harjoituksessa opeteltiin hyödyntämään aineiston attribuuttitietoja sekä suorittamaan yksinkertaisia matemaattisia laskuja, tässä tapauksessa valtioiden prosentuaalisten typpipäästöjen osuuksien laskemista. Samalla opimme ohjelman perustyökaluista ja niiden toiminnasta. Lisäksi opettelimme tiedon visualisointia, esimerkiksi värien käyttöä tiedon ilmaisun tueksi. Harjoituksen tuloksena syntyi Itämereen päätyviä typpipäästöjä valtioittain kuvaava koropleettikartta (Kuva 1).

Kuva 1. Typpipäästöt Itämereen valtioittain suhteellisina osuuksina

Seuraavaksi teimme vastaavanlaisen harjoituksen itsenäisesti. Kukin sai valita Suomen kuntien vuoden 2015 attribuuttitiedoista haluamansa tiedot ja esittää kyseisen tiedon prosentuaalisina osuuksina kartalla. Itse valitsin kuntien suhteellisen työttömyyden. Attribuuttitietoja tarkasteltaessa huomasin, että ne on annettu jo valmiiksi prosentuaalisina osuuksina. Mikäli tiedot olisi annettu absoluuttisina arvoina, attribuuttitietoihin olisi pitänyt luoda uusi sarake, jossa prosentuaaliset arvot laskettaisiin erikseen. Prosentuaalisten osuuksien avulla loin tiedoista koropleettikartan (Kuva 2) vastaavalla tavalla kuin yhteisessä harjoituksessa aikaisemmin. Koropleettikarttaa luodessa on tärkeää ottaa huomioon luokkajako, sillä erilaiset luokkajaot antavat hyvin erilaisen kuvan tilanteesta, jonka huomasin kokeillessani eri tyyppisiä luokkajakoja. Luokkajakojen lisäksi värien käytöllä on merkitystä. Valitsin työttömyyttä kuvaavaksi väriksi sinisen, sillä koin sen neutraaliksi tavaksi ilmaista tieto.

Kuva 2. Kuntien vuoden 2015 suhteellinen työttömyys

Mielestäni ensimmäinen itsenäisesti tehty kartta onnistui hyvin. Karttaa tarkastelemalla voi huomata, minne työttömyys Suomessa keskittyy. Erityisesti Itä-Suomessa työttömyys on suurempaa kuin muualla Suomessa muutamia poikkeuksia lukuun ottamatta. Itä-Suomen työttömyyteen voivat vaikuttaa esimerkiksi yritysten heikko kannattavuus. Heikko menestys ja kannattavuus saavat usein yritykset sekä niiden tarjoamat työpaikat siirtymään muualle, kuten Etelä-Suomeen. Kuitenkin kuten Tiina Aalto blogikirjoituksessaan toteaa, työttömyyden todellisia syitä on usein useita eikä niitä voida yksinkertaistaa kartalle. Kartasta saa siis hyvän kuvan siitä, miten suhteellinen työttömyys jakautuu Suomessa, mutta työttömyyden syitä se ei kuitenkaan kerro.

Ensimmäisellä kurssikerralla opin, miten aineistoja avataan QGIS-ohjelmassa sekä muutamia tärkeimpiä perustyökaluja tiedon käsittelyyn, esittämiseen ja muokkaamiseen.

 

Lähteet

Aalto, T. (23.1.2020). Tutustuminen QGIS-ohjelmistoon. Luettu 28.1.2020
https://blogs.helsinki.fi/tidaalto/

 

 

Categories
Uncategorised

Hello world!

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