Mo!

Viidennellä kurssikerralla ei aikaa hukattu turhaan luennointiin, vaan QGIS laitettiin tositoimiin heti alusta lähtien. Ensiksi jatkoimme opettajajohtoisesti viime kurssikerralla pohjustettua Pornaisten projektia, joskin toisesta näkökulmasta: tällä kertaa tavoite ei ollut enää digitoida vaan harjoitella erilaisten rajaustyökalujen käyttöä.

Jo alkuharjoituksessa konkretisoitui MAA-104-kurssilta tutun bufferin eli puskurin luominen. Bufferi on vyöhyke, joka syntyy asetettujen ehtojen mukaisesti jonkin elementin ympärille. Jos kyseessä on jokin piste, tulee siitä luonnollisesti ympyrä; viivan tai polygonin tapauksessa bufferi mukailee elementin muotoja. Dissolve-toiminnolla voidaan muutoin monilukuiset bufferit yhdistää, jolloin tuloksena on selkeä vyöhyke eikä useita päällekkäisiä puskureita.

Kuvasta 1 nähdään kolme eri bufferia, jotka Pornaisiin luotiin. Suurin ympyrä on yhden kilometrin säteinen bufferi Pornaisten keskustan koulusta, pienempi taas puolen kilometrin bufferi terveysasemasta. Epäsäännöllinen vaaleanpunainen bufferi taas mukailee viivasegmenttiä eli Pornaisten pääteitä sadan metrin etäisyydellä. Sen sisälle jäävät asuinrakennukset saatiin korostettua kurssikerran toisella päätyökalulla: Select by Location -toiminnolla, jonka valinta “are within” osoittautui ratkasevaksi seuraavien tehtävien kannalta.

Itsenäistehtävästä

Alun harjoituksen jälkeen koitti aika ottaa härkää sarvista. Eteen läimäistiin lista tehtäviä, jotka oli ratkaistava nyt harjoiteltujen ja aiemmilta kurssikerroilta tuttujen toimintojen avulla – toisin sanoen soveltaa ja kerrata aiemmin opittua. Kuin peruskoulussa konsanaan!

Huomasin, että jo itse tehtävän aloittaminen tuntui tukalalta. Erilaisten tiedostotyyppien avaaminen alkuun pääsemiseksi vei muutaman minuutin, koska olin epähuomiossa onnistunut poistamaan erään vaaditun shapefile-tiedoston aineiston purkamisen jälkeen. Päänvaivaa aiheutti myös oikeiden piirtotyökalujen etsiminen ja uusien karttatasojen luominen, vaikka tässä vaiheessa kurssia sellaisten luulisi hoituvan jo puoliautomaatiolla. Kertaus tulikin siis toden totta tarpeeseen.

Ensimmäisessä varsinaisessa tehtävässä piirsin ensin polygonit vastaamaan Malmin ja Helsinki-Vantaan kiitoteitä, jonka jälkeen tuotin niiden ympärille buffereita. Kuvassa 2 on Helsinki-Vantaa ylhäällä ja Malmin lentokenttä alhaalla.

Etsin kaikki bufferien sisälle sijoittuvat asukkaat Select by Location -toiminnolla: Asukkaita on Malmin pahimmalla melualueella eli 1 km etäisyydellä kiitoradoista 8 934 ja 2 km etäisyydellä 57 417. Alle 2 km etäisyydellä Helsinki-Vantaan kiitoradoista asuu datani mukaan 11 218 ihmistä.

Tämän jälkeen hyödynsin kurssikerran aineistosta löytyvää lentomelutietokantaa, jossa näkyi neljä eri vyöhykettä. Tehtävänannon avulla päättelin, että sisin vyöhyke vastasi 65 desibelin melua, sitä ulompi 60 desibelin ja niin edespäin. Edellistehtävän 11 218 alle 2 kilometrin etäisyydellä asuvasta vain 17 eli 0,15 % asui pahimmalla melualueella. Tuloksen sain valitsemalla sisimmän vyöhykkeen, ja luomalla siitä uuden karttatason Save Selected Features As -toiminnolla, jonka leikkasin Intersection-toiminolla edellisestä bufferista. Tämän jälkeen valitsin muutamat jäljelle jäävät asuinrakennukset, ja tarkistin Statistics Panelista asukkaiden lukumäärän, jonka jaoin koko bufferin sisällä asuvien määrällä. Samoja toimintoja käyttäen selvitin, että vähintään 55 desibelin melualueella asuu 11 923 ihmistä; tällöin valitsin tarkasteltavaksi vain kolme ydintä meluvyöhykettä.

Kuvan 2 keskellä oleva bufferi kuvaa melualuetta, joka syntyisi, jos koneet laskeutuisivat jälleen vain poikkeussuunnasta. Sitä luodessa muistui mieleen, ettei samalla karttatasolla tule käyttää sekä polygoneja että viivoja, joten aloitin uuden layerin, jolle piirtämäni apuvaviivan ympärille tein bufferin. Tässä kohtaa piti huomioida, että jos melualueen halkaisija on yhteensä yhden kilometrin pituinen, tulisi viivaa ympäröivästä bufferista tehdä puolen kilometrin kokoinen. Samaten molemmista päistä 500 m paisuva apuviiva piti piirtää kuusikilometriseksi, jotta lopputulos olisi yhteensä seitsenkilometrinen.

Lopuksi luotiin vielä kaikille juna- ja metroasemille 500-metriset bufferit, ja laskettiin jälleen kerran Select by Location -toiminnon avulla kaikki 110 805 asukasta, jotka niiden sisäpuolelle sijouttuvat. Kaikkiin aineiston 516 193 asukkaasta siis 21,5 % asuu 500 metrin päässä asemasta. Heistä 15–64-vuotiaita on 74 313 eli 67,1 %.

Pohdintaa 

QGIS:sin perustoiminnot alkavat pikkuhiljaa iskostua aivoihin niin, että osaan soveltaa niitä eri tarkoituksiin. Tämän kurssikerran jälkeen vahvistuivat mielessäni eritoten bufferointi ja valintatyökalut. Ymmärrän mihin tarkoitukseen niitä käytetään, vaikka enemmän soveltavissa tehtävissä kestääkin hetki tajuta juuri näiden työkalujen rooli.

Toisaalta — kuten Miki Leino (2024) muistuttaa — mieleen ovat vankimmin painuneet ne työkalut, joita on käytetty useissa eri harjoituksissa. Vain kerran tai pari aiemmin hyödynnetyt toiminnot tuppaavat unohtumaan, ja niiden hallitsemista edellyttävät tehtävät jäävät junnamaan paikoilleen. Henrikki Kopsa (2024) nosti esiin diagrammit, joiden käytön harjoittelu on myös omasta mielestäni jäänyt vähemmälle. Kehittyminen tulee vaatimaan kärsivällisyyttä, kokeilua, toistoa ja vielä toistamiseen toistoa.

Ensi kertaan!
—Usko

Lähteet

Kopsa, H. (17.2.2024). Geoinformatiikan menetelmät 1, viides luento/työpaja!. Henrikin blogi. https://blogs.helsinki.fi/hekopsa/2024/02/17/geoinformatiikan-menetelmat-1-viides-luento-tyopaja/

Leino, M. (14.2.2024). Viides kurssikerta. Mikin blogi. https://blogs.helsinki.fi/leinmiki/2024/02/14/viides-kurssikerta/

Mo!

Viime viikosta poiketen neljäs kurssikerta aloitettiin perinteisemmin runsaalla luento-osuudella, jossa vertailtiin piste- ja ruutuaineistoja. Opin esimerkiksi, että uusimmat iPhone-mallit ovat kunnostautuneet etevinä laserkeilaajina.

QGIS-osio aloitettiin luomalla pääkaupunkiseudun päälle ruudukko Vector Grid -työkalun avulla. Sen jälkeen harjoiteltiin Select by Location -toiminnon käyttöä valitsemalla vain ne ruudut, joille sijoittui valmiissa aineistossa väestödataa. Lopuksi eri aineistoja yhdisteltiin Join Attributes by Location (Summary) -työkalulla. Tehtäväksi jäi esittää ruotsinkielinen väestö ruututeemakartalla.

Ensimmäinen, kuvan 1 kartta on visuaalisesti onnistunut, mutta tietosisällöltään heikohko. Kartta on toki totuudenmukainen — se kertoo selkeästi, kuinka monta ruotsinkielistä asukasta kunkin ruudun sisään jää. Kompastuskivi piileekin siinä, ettei kartassa huomioida lainkaan väestöntiheyttä eli sitä, kuinka monta asukasta, ruotsinkielistä tai ei, kunkin ruudun alueella todellisuudessa on.

Kuvan 2 kartta, joka puolestaan ottaa muunkin väestön huomioon, antaa aivan erilaisen kuvan ruotsinkielisten sijoittumisesta. Tällä kertaa ruotsinkielinen väestö näyttää keskittyvän kartan reunoille, kun taas kuvassa 1 se näytti tiheytyvän tultaessa lähemmäs pääkaupungin keskustaa.

Vertailun vuoksi tutkin vielä muunkielisten suhteellista osuutta samalla neliökilmetrin ruutukoolla kuvan 3 kartassa. Muunkielisillä tarkoitetaan vakiintuneesti sellaisia ihmisiä, joiden äidinkieleksi on rekisteröity jokin muu kielu kuin suomi, ruotsi tai yksi saamen kielistä (Räsänen, 2021).

Vertailtaessa kahta viimeistä karttaa huomataan, että vain harvoin ruotsinkielisten osuus suuri samalla alueella kuin muunkielisten osuus. Koska karttojen luokkavälit eroavat — muunkielisiä on yhdessä ruudussa enimmillään 60 % kun taas ruotsinkielisiä 100 % — olisi periaatteessa mahdollista löytää ruutu, joka olisi  ylemmässä oranssi ja toisessa punainen. Tämänkaltaista ruutua ei kuitenkaan luonnollisesti ole, koska kyseessä olisi ruutu, jossa sekä ruotsinkielisiä että muunkielisiä olisi huomattavasti enemmän kuin suomenkielisiä. Pääkaupunkiseudun alueellinen eriytyminen eli segregaatio varmistaa, ettei tällaista aluetta ole.

Stella Syrjänen sanoittaa blogissaan (2024) ruututeemakarttaan liittyviä ongelmia: ruututeemakartan visuaalinen ilme ja kartan tulkinta määräytyvät mielivaltaisten luokkavälien lisäksi valitun ruutukoon perusteella. Käytännössä on kartantekijän vastuulla valita ruutukoko ja sen sijoitus parhaalla mahdollisena tavalla niin, ettei se anna väärää mielikuvaa esitettävästä datasta. Lena Hellstenin (2024) blogista huomasin, että olisin voinut erotella karttoihin Helsingin, Vantaan, Espoon ja Kauniaisten kunnanrajat sekä nimetä kaupungit.

Ensi kertaan!
—Usko

Lähteet

Hellsten, L. (11.2.2024). Kurssikerta 4 . Lena Hellstenin blogi. https://blogs.helsinki.fi/hellslen/2024/02/11/kurssikerta-4/

Räsänen, M. (2021). Kielen asemaan liittyvät termit hallinnossamme. Kielikello 1/2021.

Syrjänen, S. (10.2.2024). 4 viikko, Ruututeemakartta. Stella’s Blog. https://blogs.helsinki.fi/stellasy/2024/02/06/4-viikko-ruututeemakartta/

Mo!

Kolmannen kurssikerran pääoppimistavoitteena oli opetella erilaisten tietokantojen muokkaus- ja yhdistämistapoja. Tämä konkretisoitui etupäässä attribuuttitaulukkojen tietokantaliitosten kanssa kamppaillen.

Luennon ensimmäisessä operaatiossa toimme opettajajohtoisesti Afrikan kartalle uutta tietoa muokkaamalla ulkoisen Excel-datan tiedostomuodoltaan sopivaksi ja tuomalla se Join-toiminnon avulla osaksi karttatason attribuuttitaulukkoa. Lisäksi suoritimme laskutoimituksia Field calculatorilla, ja lopputuloksena attribuuttitaulukkoni pursusi uusia sarakkeita, joiden avulla visualisoitui kuvan 1 mukainen kartta.

Kuvasta 1 voi hahmottaa, etteivät konfliktit ja arvokkaat luonnonrikkaudet välttämättä korreloi keskenään. Afrikassa on valtioita, joissa on konflikteja muttei rikkauksia; ja valtioita, joissa on rikkauksia muttei konflikteja, sekä kaikkea tältä väliltä – löytyyhän kartalta myös muutama maa, joissa ei ole kumpaakaan. Lisäksi on huomioitava, ettei kartta ota kantaa konfliktien laajuuteen tai laatuun. Johtaisiko toinen mittakaava erilaisiin tulkintoihin?

Valuma-aluekartta

Itsenäiseksi työksi jäi tulvaindeksikartan tuottaminen seuraamalla yhdessä opettajan kanssa opittuja askeleita. Kaikki sujui mainiosti, kunnes tuli aika visualisoida alueiden järvisyyttä histogrammein. Tovin tuskailun jälkeen minulle selvisi, että attribuuttitaulukko piti prosenttiosuutta tekstinä eikä lukuna – ongelma ratkeaisi Refactor fields -toiminnolla, joka loi uuden tilapäiskarttatason. Tilalle nousi kuitenkin uusi ongelma: tämän tason attribuuttitaulukko kadotti järvisyyssarakkeen, kun sen tallensi pysyväksi. Lauri Korkeila (2024) löysi ratkaisun: karttataso tuli tallentaa GeoPackagena eikä ESRI Shapefilena, kuten oli aiemmin tehty.

Kuvan 2 koropleettiosuus esittää valuma-alueiden tulvaindeksiä eli keskiylivirtaamaa jaettuna keskialivirtaamalla. Tämä suhde kuvaa tulvaisimpien aikojen ja kuivimpien kausien vaihteluväliä – toisin sanoen mahdollisen tulvan riski suurenee indeksiluvun kasvaessa. Kartan histogrammit kuvaavat puolestaan järvien pinta-alan osuutta valuma-alueista. Näitä tarkastelemalla voidaan huomata, että tulvariski on suurin rannikkoalueilla, joissa ei juurikaan ole järviä. Sen sijaan sisämään järvirikkailla valuma-alueilla ei tulvi lähes lainkaan.

Olen enimmäkseen tyytyväinen kartan visuaaliseen ilmeeseen. Koen valitsemani värit osuviksi, joskin kurssitoverini Aili Mikolan (2024) ajatuksia luettuani olen yhtä mieltä siitä, että histogrammien sijaan ympyrädiagrammit olisivat havainnollistaneet järvisyysprosenttia paremmin.

Ensi kertaan!
—Usko

Lähteet

Korkeila, L. (7.2.2024). Kolmas kurssikerta. Laurin maailma. https://blogs.helsinki.fi/korklaur/2024/02/07/kolmas-kurssikerta/

Mikola, A. (3.2.2024). Timantteja, öljyä ja konflikteja. Ailin GIS-luola. https://blogs.helsinki.fi/maili/2024/02/03/timantteja-oljya-ja-konflikteja/