Month: February 2023

Tänään viimeisellä kurssikerralla saimme vapaat kädet siihen mitä aineistoa käytämme ja minkälaisen työn teemme.

Olen aikaisemmassa blogitekstissäni kirjoittanut siitä, kuinka minulla on hankaluuksia QGIS:in käytössä: opettajaa seuratessa työskentely sujuu mainiosti, mutta itsenäisesti tekeminen on hankalaa. En muista mitä työkaluja minun pitäisi käyttää.

Päätin tänään tehdä kartan (kuva 1), joka kertoo pääkaupunkiseudun alueiden työttömyysasteen ja alimpaan tuloluokkaan kuuluvien ihmisten määrän prosentteina. Tein aluejaon postinumeroalueittain. Tein suhteellisen simppelin kartan juuri siksi, koska QGIS:in käyttö on minulle hankalaa. Vaikka kartan laatiminen oli simppeli prosessi, kohtasin siinä ongelmia ja laatimisesas meni yli 2 tuntia.

Aineiston keruu sujui näin:

1. Latasin Paavo-tietokannasta Suomen aluejakokartan postinumeroittain

2. Latasin Paavo-tietokannasta pääkaupunkialueen työttömyysasteen postinumeroittain

3. Latasin Paavo-tietokannasta asukasluvut sekä alimpaan tuloluokkiin kuuluvien määrän, jotka sitten jaoin keskenään saadakseen prosenttimäärän  alimpaan tuloluokkaan kuuluvista.

Tehtävän suorittamisessa koitui hankaluuksia. Tietokannasta saatavia CSV-tiedostoja oli muokattava, jotta sain arvot käyttöön QGIS:issä. Itse kartan laatimisessä käytin mm. Join-työkalua, sekä Open Field Calculatoria.

Kuva 1. Pääkaupunkiseudun alimpaan tuloluokkaan kuuluvat sekä työttömyysaste postinumeroaluejaolla (Tilastokeskus)

Kuvasta 1 voidaan havaita, että työttömyysasteen ja alimpaan tuloluokkaan kuuluvien välillä ei ole suoraa korrelaatiota. Esimerkiksi Vuosaaren alueella työttömyysaste on todella korkea (17,4%) mutta alimpaan tuloluokkaan kuuluvia on vain 1,7-6,4%.

Tämä havainto jäi minua ihmetyttämään.  Työttömien suurella määrällä luulisi olevan vaikutus siihen, kuinka monta prosenttia alueen asukkaista kuuluu alimpaan tuloluokkaan. Onko niin, että työttömiä ei lasketa mihinkään tuloluokkaan? Yritin etsiä tästä tietoa, mutta en löytänyt.

En ole täysin tyytyväinen karttaani (kuva 1). Luokittelin alimpaan tuloluokkaan kuuluvat eri värisävyillä ja merkkasin yöttömyysasteen numeroittain. Alueita on kuitenkin lähemmäs 200, joten kuva täytyy avata todella suureksi lukeakseen numerot. Numerot ei myöskään anna nopeasti kuvaa siitä, onko työttömyysasteen ja alimpaan tuloluokkaan kuuluvien välillä yhteys. Karttaa täytyy tarkastella yksi alue kerrallaan huomatakseen onko arvojen välillä yhteys. Positiivisena puolena kuitenkin se, että numeroiden avuilla tarkka tarkastelu on mahdollista.

Viimeinen kurssikerta on taputeltu!

Kurssista jäi ihan hyvät fiilikset. Kurssin toteutustapa oli mielestäni hyvä. Blogiteksteihin on helppo palata ja palauttaa muistiin asioita, joita on kurssin aikana tehnyt. Opin sen, miten tietokantoja voi hyödyntää ja visualisoida QGIS-ohjelmalla. Taitoni eivät kuitenkaan ole niin hyvät, että osaisin vaivatta käyttää QGIS-ohjelmaa. Opin oleelliset perusasiat, mikä on mielestäni tärkeintä.

 

Lähteet:

Tilastokeskus. (20.2.2023). Paavo – tilastoja postinumeroalueittain. https://www.stat.fi/tup/paavo/index.html (Viitattu 28.2.2023)

Tällä kurssikerralla pääsimme itse ulkoilemaan ja keräämään pisteaineistoa!

Aineiston keruu:

1. Latasimme  mobiilisovelluksen Epicollect5
2. Lähdimme kävelemään ympäri Kumpulan lähiympäristöä. Pysähdyimme eri puolilla aluetta ja vastasimme erilaisiin kysymyksiin siinä kohdassa. (Näin saimme kerättyä pisteaineistoa). Kysymykset liittyivät turvallisuuden tunteeseen, viihtyvyyteen ja sen sellaisiin.
3. Latasimme kaikkien luokkalaisten datat piveen ja latasimme ne koneelle

QGIS:in avulla saimme visualisoitua Kumpulan lähiympäristöstä karttakuvan, jossa pystyi valita muuttujaksi Epicollect5:een kerättyä dataa. Valitsimme tunnilla tehtyyn karttaan muuttujaksi “koetun turvallisuuden tunteen” alueista. Unohdin kuitenkin tallentaa tämän kartan koneelleni, joten minulla ei sitä ole tässä näyttää teille.

Tunnin loppuajan käytimme siihen, että latasimme aineistoa hazardeista. Pienten palvelinongelmien jälkeen sain ladattua aineistoa maailmalla sijaitsevista tulivuorista ja maanjäristyksistä. Kuvassa 1 nähdään tulivuoret mustina pisteinä sekä yli 5 magnitudin maanjäristykset vuodesta 1899 lähtien.

 

Kuva 1. Tulivuoret ja yli 5 magnitudin maanjäristykset vuodesta 1899 lähtien.

Kuvasta havaitaan, että tulivuorten sijainnilla ja maanjäristyksillä on selkeä yhteys. Tämä johtunee siitä, että tulivuoret muodostuvat alueilla, joissa on mannerlaattojen liikehdintää.

Päätin lähteä selvittämään netistä, että mistä tsunamit muodostuvat.  Tiesin, että mannerlaattojen liikehdinnästä voi muodostua tsunameja. Australian Museumin mukaan (2022) tsunamit voivat muodostua myös tulivuorenpurkauksista. Tämä oli minulle uutta tietoa. Päässäni heräsi kysymys: miten tulivuorenpurkauksista voi muodostua tsunameja? Artikkelin luettuani tajusin, että tulivuoria sijaitsee myös veden alla.

 

Lähteet:

Australian Museum (2022). How are volcanoes and earthquakes interrelated?  https://australian.museum/learn/minerals/shaping-earth/how-are-volcanoes-and-earthquakes-interrelated/. Luettu 7.3.2023

 

 

Tällä kurssikerralla suoritimme bufferointia ja analyysejä.

Aluksi harjoittelimme bufferointia QGIS:illä Pornaisissa. Unohdin tallentaa tämän projektitiedoston, joten en pysty tuoda sitä tähän näkyville.

– Piirsimme käsin Pornaisten tiet, jotka bufferoitiin. Selvitimme mm. kuinka monta rakennusta ja asukasta on tietyn säteen verran tiestä.

Itsenäistehtävä 1 käsitteli Malmin lentokenttää.

Piirtämällä kiitoradat, pystyin bufferoimaan alueet liittyen Malmin lentokentän säteen. Säteen avulla pystyttiin miettimään alueita, joissa lentomelua esiintyy.

Saimme tietokannasta myös rakennukset ja rakennuksien asukasmäärät, joiden avulla pystyin tehdä erilaisia laskelmia.

 

Kuva 1. QGIS-näkymä Malmin lentokentän bufferoinnissa. Kuvassa alueet, jotka ovat 1 kilometrin säteellä kiitoradoista.

Sain selville seuraavat tiedot:

– 1 km säteellä kentästä asui 9164 ihmistä.

– 2 km säteellä kentästä asui 34 372 ihmistä.

 

Seuraavaksi ryhdyin käsittelemään Helsinki-Vantaan lentokenttää.

Helsinki-Vantaan lentokentästä löytyi tietokanta, jossa esitettiin lentometelin vahvuudet lentokentän läheisyydessä.

Kuva 2. QGIS-näkymä Helsinki-Vantaan lentokentästä, jossa keltaisena maalattuna alueet, joissa lentomelu ylittää 60dB.

Selvitin seuraavat asiat:

– Helsinki-Vantaan läheisyydessä, jossa lentomelu ylittää 65dB asuu 303 ihmistä.

– Vähintään 55dB:n melualueella asuu 45272 ihmistä.

 

Seuraavaksi maalasin Helsinki-Vantaan kiitoradat, joiden avuilla pystyin bufferoimaan kiitoratojen lähellä olevat alueet ja selvittämään mm. sen, kuinka monta asukasta asuu 2 kilometrin läheisyydessä kiitoradasta.

– 2 kilometrin läheisyydessä kiitoradasta asuu 11681 ihmistä.

Kuva 3. QGIS-näkymä Helsinki_Vantaan lentokentästä, jossa kiitoradat maalattu punaiseksi.

 

Seuraavassa kohdassa piti mitata Helsinki-Vantaan lentokentän meluja, mikäli yhden kiitoradan lentosuuntaa vaihdettaisiin. Tätä varten minun piti piirtää uusi alue, jota bufferoin. Bufferoinnissa syntyi kuitenkin ongelma (kuva 3), enkä pystynyt totetuttamaan bufferointia. Bufferointi pyysi “Distance” – kohtaan degrees (asteita) eikä length (pituutta), jonka takia en osannut bufferoida kohdetta.

Kuva 4. Buffer-työkalussa Distance-vaihtoehtona “degrees”

Tässä vielä taulukko (kuva 5) itsenäistehtävien 1 tehtävästä 2.

Kuva 5. Taulukko asukkaista, jotka asuu kartan alueella juna- tai metroasemien läheisyydessä.

Tässä taulukko (kuva 6) itsenäistehtävän 2 tuloksista.

Kuva 6. Tilastoja taajamista kartan alueelta.

 

Lopuksi pohdin kursilla opittua QGIS:in käyttöä.

QGIS:in kanssa työskentelu on ihan mukavaa, etenkin silloin kun seuraan opettajaa tunnilla ja teen asiat perässä omalla tietokoneella. Huomaan kuitenkin heti, että itsenäisesti QGIS:in käyttäminen on hankalaa. Minun täytyy käydä läpi ohjeita moneen otteeseen muistaakseni mitä tuokaluja tarvitsen ja miten toiminnot suoritetaan niillä. Sovelluksen käyttö ei siis ole vielä ollenkaan ulkomuistissa.

Tähän mennessä kurssia koen, että perusasiat on hallussa. Osaan tuoda ohjelmaan aineistoja ja liittää niitä yhteen.  Osaan käyttää laskentatyökalua ja hyödyntää erilaisia kurssilla opittuja työkaluja, joita löytyy sovelluksen Processing Toolboxista.

Bufferointityökalua voidaan käyttää, kun mietitään tiettyjen alueiden saavutettavuutta tai vaikutusaluetta. Esimerkkinä tulee mieleen poliisiasemien vaikutusalue. Asuin aikaisemmin Karkkilassa, jossa lähin poliisiasema on noin 50 kilometrin päässä Lohjalta. Olisi suotavaa bufferoida säteitä poliisiasemilta ja katsoa, kuinka etäällä poliisiasemat ovat toisistaan ja millä paikkakunnilla matka lähimpään poliisiasema on kaukana.

Heiskan Mikko kertoo blogissaan (2023) samantyyppisestä ajattelusta. Hän kertoo, että puskurivyöhykkeillä voitaisiin suunnitella sitä, minne paloasemia olisi järkevää sijoittaa. Paloasemat ovatkin ehkä vielä poliisiasemien sijoittelua tärkeämpiä, sillä palotilanteissa palotyöntekijöiden matkan pituus ajallisesti on kriittistä lopputulokselle.

 

Lähteet:

Heiskanen, Mikko (2023). Mcheiska’s blog – Viides harjoituskerta. mcheiska’s blog. https://blogs.helsinki.fi/mcheiska/2023/02/19/viides-harjoituskerta/ (luettu 27.2.2023).

 

 

Tällä kertaa kävimme läpi pisteaineistojen ja ruudukoiden käsittelyä QGIS:issä.

Tehtävään kuului tietokantojen yhdistämistä ja niiden käsittelemistä siten, että saadaan tarkasteltua pääkaupunkiseudulta tiettyä teemaa. Loimme ruudukkoaineistoa QGIS:illä.

Valitsin teemaksi ruotsinkielisten osuuden pääkaupunkiseudulla (kuva 1)

Kuva 1. Ruotsinkielisten osuus pääkaupunkiseudulla

Kuva 1 jäi vähän vajaaksi, sillä en kerennyt kurssikerran tunnilla tekemään sitä loppuun asti. Kuvan väriteemaa olisi voinut parantaa. Siitä puuttuu myös legenda, pohjoisnuoli ja mittakaava.

Kuvassa kuitenkin on Kauniaista lukuunottamatta Ruotsinkielisten osuus pääkaupunkiseudulla (Kauniaisesta ei ollut dataa) . Mitä tummempi sävy sinistä, sitä enemmän ruotsinkielisiä on alueella. Alueet ovat yhden neliökilometrin muotoisia.

Tunnin aikana tarkastelin tietokannasta myös vieraskielisten osuuksia pääkaupunkiseudulla. Ennakkoluuloni osuivat jotakuinkin oikeaksi: Itä-Helsingissä on paljon vieraskielisiä ja Helsingin kantakaupungissa taas vieraskielisten osuus on alhainen. Yllätyksekseni Vantaalla vieraskielisten osuus oli pääkaupunkiseudun suurin.

Laurialan Aleksi sanoo blogissaan ruutuaineistosta seuraavasti: Kun kysytään: ”onko absoluuttisia arvoja järkevä esittää ruutuaineistolla?” niin mielestäni näin voidaan tehdä, jos ruudukon ruudut ovat samankokoisia keskenään. Tällöin ruutujen sisällä olevia muuttujia, esimerkiksi absoluuttisia asukaslukuja voidaan esittää uskottavasti eri värisävyin, jos halutaan nähdä, missä sijaitsee enemmän tai vähemmän asukkaita.

Olen samaa mieltä Aleksin kanssa tästä asiasta. Absoluuttisten arvojen mitta toimii tietyjen aineistojen esittämisessä. Kuitenkin jossain aineistossa täytyy tehdä päätös absoluuttisten ja suhteellisten arvojen välillä. Esimerkiksi omassa kartassani (kuva 1), ruotsinkielisten määrää esittäessä olisi ollut suotavaa käyttää suhteellisia arvoja. Tällöin saadaan tietää ruotsinkielisten osuus alueen väestöstä. Absoluuttisten arvojen ollessa käytössä alueet joilla asuu enemmän ihmisiä, on luonnollisesti myös enemmän ruotsinkielisiä.

Lähteet: 

Lauriala, A:  Luentoharjoitusviikko 4 https://blogs.helsinki.fi/laleksi/2023/02/13/harjoitusviikko-4/ (luettu 26.2.2023) 

 

Morjesta!

Kolmannella kerralla tuli taas niin paljon uutta asiaa, että huh! Opeteltiin paljon uusien työkalujen käyttöä. Harjoiteltiin etenkin sitä, miten tietokantoja voi hyödyntää näillä uusilla työkaluilla.

Laadimme ensin kartan, jossa hyödynsimme tietokantoja Afrikan öljy- ja timanttiesiintymistä konflikteista Afrikassa. Unohdin tallentaa tekemäni karttakuvan tästä, mutta jos oikein muistan niin öljy- ja timanttiesiintymillä oli yhteys konfliktien määrään.

Itsenäisen tehtävän (tulvaindeksi) tekeminen koitui jokseenksin haastavaksi. Sain kuitenkin luennoitsijalta apua, ja tietokantoja yhdistelemällä sain muodostettua kartan (kuva 1), jossa on esillä Suomen valuma-alueiden tulvaindeksi. Tulvaindeksin laskemisen käytettiin keskiylivirtaamaa ja keskialivirtaamaa.

Kuva 1: Suomen valuma-alueiden tulvaindeksi

Kartasta havaitaan, että Itämeren rannikkoalueilla tulvaindeksi, ja siten tulvariski on suurempi.  Sisämaassa tulvariski on pienempi, mutta Pohjois-Suomessa on jonkin verran tulvariskiä.

Legendaan olisi varmaan ollut hyvä merkitä vesistöt sinisellä, mutta se unohtui karttaa tehdessä. Koitin tehdä sopivan luokkajaon, mutta se koitui hankalaksi. Näissä kuvassa 1 näkyvissä luokkajaoissa arvot vaihtelevat suuresti. Värit eivät myöskään ole optimaaliset.

Saini Lankisen blogitekstiä lukiessa muistin, että olisi ollut hyvä laskea ja merkitä vielä järvisyys-prosenttimäärä tulvaindeksikuvaan. Se jäi tällä kertaa tekemättä.

Lähteet: SAINILAN’S BLOG, Kurssikerta 3 ja QGIS:in muistelua. https://blogs.helsinki.fi/sainilan/ (viitattu 20.2.2023)

Ensi viikkoon,

Lasse