Kurssikerta V

Voi pojat. Tämä kurssikerta oli todellinen haaste. Tällä kurssikerralla painopiste oli itsenäisissä tehtävissä, jotka keskittyivät puskuri- ja analyysityökaluihin. Ensimmäistä tehtävää lukuunottamatta tehtäviin ei ollut lainkaan teknisiä ohjeita, vain ohjeistus siitä, millaisia vastauksia tulisi saada. Jos siinä siis onnistui. Kurssikerta tuntui hienoiselta epäonnistumiselta kohdallani, sillä blogitehtävän ohjeissa todetaan näin: “Oikeita vastauksia tärkeämpää on siis osoittaa, että on ymmärtänyt sen mitä on tehnyt!” Ymmärrän kyllä sen, mitä olen tehnyt, mutta osa hankalimmista tehtävistä jäi kohdallani tekemättä ymmärryksen puutteen vuoksi.

Tällä hetkellä tärkeimmät ja hyödyllisimmiltä tuntuvat työkalut ovat Spatial Query, Select by Expression ja Select Features by Value. Näillä työkaluilla tehdään valintoja eri kriteerein. Valintojen tekemisellä aineistoa voidaan jakaa pienempiin osiin ja selvittää melkein minkälaisia tahansa asioita. Myös uusien tasojen ja Temporary Scratch Layerien tekeminen on osoittautunut hyödylliseksi. Uusin tasoihin voi luoda omia viiva-, piste- ja aluekohteita. Tärkeä on myös Field Calculatorin käyttö, jonka avulla voidaan luoda uutta tietoa. Kurssikertojen ja harjoitusten jälkeen valintatyökalujen käyttäminen käy jo helposti, mutta Field Calculator tuottaa vielä jonkin verran hankaluuksia.

Kuva 1: Havainnekuva harjoituskerran tehtävistä. Kyseisessä tehtävässä hyödynnettiin bufferin muodostamista itse piirrettyjen viivojen ympärille, jotta saadaan mitattua etäisyyttä hieman monimutkaisemmastakin kohteesta.

Suuri osa tämän kurssikerran harjoituksista liittyi puskurointiin. Puskurivyöhykkeillä voidaan selvittää, jääkö jokin kohde tietyn alueen sisälle vai ei. Voi olla järkevää kartoittaa sitä, saadaanko jotain tietyn alueen sisään ja myös onnistutaanko jotain pitämään tietyn alueen ulkopuolella. Kurssikerran tehtävissä tarkasteltiin mm. ihmisten määrää taajamissa ja asemien lähellä, mutta myös niiden vaikutusalueiden ulkopuolella. Samaa voidaan hyödyntää esimerkiksi maatalouden päästöjen laajuuden kartoittamiseen tai joukkoliikenteen pysäkkien välimatkojen määrittämiseen.

Kuva 2: Havainnekuva toisesta harjoituksesta. Harjoituksessa tehtiin useita yksittäisiä buffereita valmiiksi määrättyjen objektien, tässä tapauksessa juna- ja metroasemien ympärille.

Joitakin toimintoja rajoittaa aineiston tyyppi. Esimerkiksi tehdessäni tehtävää ulkomaalaisten prosentuaalisesta määrästä alueittain, en voinut käyttää joitakin tietokantoja yhdistäviä tietoja. Halusin yhdistää yksittäiset kohteet alueiden mukaan, mutta yhdistymisen seurauksena tilastotiedot hukkuivat. Yritin käyttää niin Merge Vector Layers, Dissolve kuin Merge Selected Features toimintoja. Kurssikerralla III käytimme kyseisiä toimintoja yhdistämään alueita, joissa ei ollut yksityiskohtaista tilastotietoa.

Taulukko 1: Vastauksia kurssikerran tehtäviin.

Kurssikerran tehtävistä suurin osa onnistui mallikkaasti, mutta kahteen kohtaan en saanut vastausta. Käytin kaikki kolme oljenkorttani: 1. Etsi ohjeita muiden blogeista, 2. Yritä löytää apua googlesta, 3. Kysy äidiltä. Ensimmäinen ongelmani oli yllämainittu ulkomaalaisten määrä, jossa en saanut tietoja jaettua alueisiin. Toisena ongelmana oli uima-altaiden määrä alueittain. Yritin yhdistää tietokantoja niin Merge- kuin Join-toiminnoilla. Yritin myös Join Attributes by Location ja Count Points in Polygon -toimintoja, mutta molemmat vastasivat erroreilla. Aivan kuten Vivi Tarkka blogissaan toteaa, kaikista hankalinta on minunkin mielestäni löytää oikea työkalu milloin mihinkin ongelmaan. Olen kuitenkin samaa mieltä siitä, että vauhtiin päästyäni alkavat hommat yleensä sujua helpommin.

P.S. Täällä minä tulevaisuudesta kurssin loppupuolelta! Käytin Join Attributes by Location toimintoa onnistuneesti viimeisellä kurssikerralla, joten uskon, että koneeseeni oli vain iskenyt bugi, jonka vuoksi työkalu ei antanut mitään vastauksia! Se helpotuksen tunne, kun työkalu toimiikin niinkuin piti 🙂 Näköjään Ilmosen Kati on törmännyt saman tyyppisiin ongelmiin omassa työskentelyssään ja kirjoittaa siitä blogissaan.

Lähteet:
Vivi Tarkan GEM1-kurssiblogi, kurssikerta 5 (luettu 28.2.2018) https://blogs.helsinki.fi/vivitark/2018/02/20/search-attributes-by-expressions-vai-miten-sen-meni/

Kati Ilmosen GEM1-kurssiblogi, kurssikerta 5 (luettu 25.3.2018) https://blogs.helsinki.fi/ikati/?p=78

Kurssikerta IV

Kurssikerralla neljä harjoittelimme ruudukon käyttöä aineiston havainnollistamisessa. Käytössämme oli koko pääkaupunkiseudun laajuinen aineisto, josta löytyi erinäisiä tietoja alueen asukkaisiin liittyen. Tein suhteelliset teemakartat eläkeläisten, ruotsinkielisten, ulkomaalaisten ja vieraskielisten osuuksista. Käytin kartoissa 1 000 m × 1  000 m ja 200 m × 200 m ruutuja.

Mielestäni kaikista mielenkiintoisin tutkimusaihe on eläkeläisten eli yli 64-vuotiaiden määrä Helsingissä. Kartassa 1 nähdään, että eläkeläisiä on prosentuaalisesti kaikkialla aikalailla yhtä paljon. Kuitenkin on alueita kuten Helsingin Karhusaari, Sörnäinen ja Viikki sekä Espoon Latokaski ja Nöykkiö, joissa eläkeläisiä on vähemmän.

1. Eläkeläisten osuus prosentteina pääkaupunkiseudulla 200 m x 200 m ruudukossa.

Kurssikerta osoittautuikin olevan oletettua kinkkisempi. Aluksi ajattelin, että tietenkin kaikki teemakartat kannattaa tehdä muuttujan suhteellisilla osuuksilla. Helsingissä ja varsinkin sen keskustassa asuu eniten ihmisiä, joten on myös loogista, että sieltä löytyy eniten mitä tahansa muuttujaa. Ajattelin, että tämän vuoksi kaikista kartoista tulisi suurin piirtein samanlaisia. Kuitenkin myös suhteellisissa osuuksissa on omat ongelmansa. Vivi Tarkka on huomannut saman ongelman kuin minä ja blogissaan toteaakin, että suhteellisten osuuksien käyttäminen saa muuttujan jakautumaan todella tasaisesti ympäri karttaa.

Suhteellisten osuuksien käyttämisen vuoksi on myös mahdollista, aivan kuten omassakin kartassani on käynyt, löytää ruutu, jossa muuttujaa on 100%. Tämä kuitenkin vain harvoin tarkoittaa, että alueella olisi paljon vain jotakin tiettyä muuttujaa eikä mitään muuta. Se on yleensä merkki siitä, että alueella on vain 1 muuttuja, tässä tapauksessa yksi eläkeläinen. Nämä 100% ruudut vääristävät aineistoa ja kartan informaatiota valtavasti. Eemil Becker ehdottaa blogissaan ratkaisuksi kuvattavan alueen rajaamisen pienemmäksi, ruutukoon pienentämisen ja vääristävien ruutujen pois jättämisen.

Ovatko absoluuttiset arvot siis aina parempia kuin suhteelliset? Kuten jo aiemmin sanoin, absoluuttiset arvot korostavat alueita, joilla on enemmän ihmisiä. Absoluuttiset arvot ovat silloin hyviä, kun alueilla on suurin piirtein saman verran väestöä. Silloin muuttuja jakautuu oikein oman jakaumansa eikä ihmisten sijoittumisen vuoksi. Absoluuttisia arvoja kannattaa käyttää silloin, kun halutaan tietää kokonaismäärää eikä suhteellisia osuuksia ja silloin, kun aineisto on vääristynyt.

2. Ruotsinkielisten osuus prosentteina pääkaupunkiseudulla 1 000 m x 1 000 m ruudukossa.
3. Ulkomaalaisten osuus prosentteina pääkaupunkiseudulla 1 000 m x 1 000 m ruudukossa.
4. Vieraskielisten osuus prosentteina pääkaupunkiseudulla 200 m x 200 m ruudukossa.

Liitin blogipostaukseen mukaan kaikki 4 karttaa, jotka tein kyseisellä kurssikerralla. Kaikista löytyvät samat virheet, jotka johtuvat muuttujien tasaisuudesta sekä ääriarvojen luomista vääristymistä. Ruutukoosta mielestäni  1 000 m × 1 000 m on onnistuneempi, kuin pienempi 200 m × 200 m. Läheltä tarkasteltaessa pienempi ruutukoko on etu, mutta hieman suuremmista ruuduista saa paremman yleiskuvan. Liian suuria ruudut eivät saa olla, sillä alueellisuus tulee huonommin esiin. Onnistunut ruututeemakartta voi olla tarkempi, kuin koropleettikartta ja selkeämpi, kuin pisteteemakarttaan.

Lähteet:
Vivi Tarkan GEM1-kurssiblogi, kurssikerta 4 (luettu 23.2.2018) https://blogs.helsinki.fi/vivitark/2018/02/10/mummoja-ruudussa/
Eemil Beckerin GEM1-kurssiblogi, kurssikerta 4 (luettu 23.2.2018)
https://blogs.helsinki.fi/beemil/2018/02/08/kurssikerta-4/

 

Kurssikerta III

Kolmas kurssikerta oli tähänastisista kurssikerroista itsenäisin ja myös omalla tavallaan vaikein. Aloitimme kuitenkin helpolla Afrikka harjoituksella, jossa opimme jälleen kerran tärkeitä perusjuttuja paikkatieto-ohjelmista. Opimme yhdistämään tietokantoja, tuomaan uutta dataa (esim. excel-taulukoita) QGIS:siin ja yhdistämään ominaisuuksia tietokantojen välillä.

Ohessa kuva 1, jossa näkyy harjoitusaineistona käytetty Afrikka, sekä kartalla näkyvät öljyesiintymät, timanttikaivokset ja konfliktit. Kaikkiin näihin tietokantoihin on liitetty sijaintitiedon lisäksi löytämis- ja tapahtumavuodet, timanttikaivoksiin ja öljykenttiin tuottavuusluokittelu sekä konflikteihin laajuus. Käytössä oli myös aineisto internetkäyttäjien lukumäärästä eri vuosina valtioittain. Kartasta nähdään konfliktien alueellinen sijoittuminen ja jonkin asteista korrelaatiota resurssien sijainnin kanssa. Kuitenkin tietokantojen vuosilukuja vertaamaalla voidaan selvittää, ovat konfliktit tapahtuneet kaivosten tai öljykenttien löytämisen takia vai ei. Mielenkiintoista olisi selvittää myös, onko tuottavimpien kaivosten ja öljykenttien lähellä enemmän konflikteja kuin vähemmän tuottavien. Internetkäyttäjien määrää voidaan pitää valtioiden kehityksen mittarina. Konflikteja on mahdollista verrata internetkäyttäjien lukumäärään ja seurata, ovatko konfliktit seurausta valtion kehityksestä vai onko valtion kehitys vähentänyt konflikteja.

Kuva 1: Afrikka ja siihen liitettyjä tietokantoja.

Kurssikerran itsenäisessä harjoituksessa oli tarkoitus tehdä tulvaindeksi Suomen vesistöalueista. Tehtävässä piti laskea tulvaindeksi ja luoda sille uusi sarake, liittää tietokantaan järvisyysprosentti ja tehdä teemakartta. Tein harjoituksen vuoksi teemakartat pylväs- (kuva 2) ja ympyrädiagrammeilla (kuva 3).

Kaikista hankalinta harjoituksessa oli teemakartan väritys. Karttaan piti saada näkyviin joet, järvet, valuma-alueet ja niiden rajat, tulvaindeksi, järvisyyspylväät / ympyrädiagrammit ja maa-alue. Halusin kuvata kaikki veteen liittyvät kohteet sinisellä, mutta kuitenkin niin että ne erottuvat toisistaan. Mielestäni onnistuin tässä n. sadan eri yhdistelmän kokeilemisen jälkeen hyvin. Ainoa asia, joka jäi harmittamaan on järvisyyspylväiden asteikko kuvan 2 legendassa. Ohjelma ei suostunut esittämään pylväitä legendassa neliöinä tai pylväinä muutamaa sekuntia kauempaa, mutta ympyrät toimivat jotenkuten.

Kuva 2: Teemakartta, jossa valuma-alueittain esitettynä tulvaindeksi ja järvisyysprosentti käyttäen pylväsdiagrammeja.
Kuva 3: Teemakartta, jossa valuma-alueittain esitettynä tulvaindeksi ja järvisyysprosentti käyttäen ympyrägrammeja.

Itse kartoissa voidaan havaita, että tulvaindeksi on kaikista suurin Suomen länsirannikolla Pohjanlahden rannalla, jonne joet laskevat. Mitä tummemman sininen valuma-alue on, sitä suurempi tulvaindeksi siellä on. Korkea tulvaindeksi selvittyy sillä, että länsirannikolla on vähemmän järviä ja enemmän jokia ja maa on alavaa. Muualla Suomessa, varsinkin Pohjois-, Keski- ja Itä-Suomessa, suuri järvisyysprosentti korreloi pienen tulvaindeksin kanssa. Pohjois-Suomi on myös jyrkempää aluetta ja sieltä vesi virtaa toisaalle tulvimaan.

Itse maallikkona en tajunnut sitä, mistä Reetta Lehto kertoo blogissaan. Tiesin, että länsirannikolla on tulvia ja täten otin sen valuma-alueet vain itsestäänselvyytenä. Lehto kuitenkin kiinnittää huomiota koillis-lounas-suunnassa kulkevaan selkeään rajaan, joka erottaa länsirannikon valuma-alueet muista. Raja on vedenjakaja, joka erottaa alavan rannikon muusta Suomesta. Tämä vedenjakaja on todennäköisesti syntynyt jääkauden aikana.

Lähteet:
Reetta Lehdon GEM1-kurssiblogi, kurssikerta 3 (luettu 9.2.2018) https://blogs.helsinki.fi/rexlehto/2018/02/07/kurssikerta-3/

 

 

 

Kurssikerta II

Kurssikerta II lähti käyntiin vauhdilla ja tutustuimme jälleen uusiin QGIS:sin työkaluihin. Tämän kurssikerran työkaluilla pystyy tekemään valintoja eri kriteerein ja näen nämä todella hyödyllisiksi tulevia kursseja ajatellen. Suosikkini oli kuitenkin työkalu, jolla pystyy vaihtamaan auki olevan kartan projektiota. Kokeilin monia eri projektioita avaamallani Suomen kartalla ja samalla mittasin erään alueen pinta-alaa. Keräsin havainnot taulukkoon 1. Usein maailmankartoissa käytetty Mercatorin projektio melkein kahdeksankertaistaa pinta-alan Suomen pohjoisimmilla leveysasteilla verrattuna Lambertin oikeapintaiseen tasoprojektioon tai karttakoordinaatistojärjestelmään (KKJ). Sattumalta löysin myös outoja IAU2000-projektioita, jotka skaalasivat alueen aivan valtavaksi.

Varpu Savolainen havainnollistaa Mercatorin ja Lambertin projektoiden vääristymiä blogissaan tekemällään kartalla. Taulukossa 1 mittaamani alue oli Lapista, jossa Savolaisen mukaan vääristymä Mercatorin projektiota käyttäen on Suomen suurin. Vääristymä on jopa 564 -724%, eli alueet ovat noin 5-7 kertaa suurempia kuin oikeasti. Eteläisessä Suomessa vääristymät ovat vähimmillään silti jopa kolminkertaisia.

Taulukko 1: Eri projektioiden pinta-alojen vaihtelusta saman suuruisella alueella.

Toisessa tehtävässä käytin aineistoa Suomen Natura-alojen pinta-aloista.  Natura-alueet ovat EU:n suojelemia alueita, joiden tarkoitus on turvata eri luontotyyppejä ja lajeja. Suomessa alueita on 1 865 kappaletta ja ne kattavat noin viisi miljoonaa hehtaaria Suomen pinta-alasta. Tämä on noin 12,4% Suomen pinta-alasta. Alueita on varsinkin Lapissa.

Harjoituksen tarkoituksena oli selvittää, vaikuttavatko eri projektiot esitettäviin ilmiöihin. Laskin suhteelliset Natura-alueiden pinta-alat Mercatorin ja Lambertin projektioille ja tein näistä koropleettikartat. Suomi yleensä kuvataan Lambertin projektiolla, joten käytin sitä molempiin karttoihin.

Kuva 1: Natura-alueiden suhteellinen pinta-ala Lambertin projektiossa.
Kuva 2: Natura-alueiden suhteellinen pinta-ala Mercatorin projektiossa.

Pinta-aloja laskiessani huomasin, että Suomen pinta-ala Mercatorin projektiossa oli paljon suurempi, kuin sen oikea pinta-ala on. Suomen pinta-ala on noin 338 400 km² ja Mercatorin projektio teki siitä melkein kahdeksan kertaa suuremman. Täten, jos Natura-alueet kattavat
50 000 km² Suomen pinta-alasta, on heitto todella suuri projektiota vaihtaessa. Erot tulevat parhaiten ilmi kuvien 1 ja 2 kaikista suurimman luokan arvoista. Oikealla pinta-alalla laskettuna Suomesta löytyy kunta, jonka pinta-alasta melkein 100% on Natura-aluetta. Vastaava pinta-ala Mercatorin pinta-aloilla laskettuna on vain 14.2%.

Muutokset itse kartoissa eivät kuitenkaan ole suuria. Vain legendoista voi huomata, että kuvassa 1, Natura-alueiden pinta-ala on suurempi kaikissa vihertävissä kunnissa, kuin kuvan 2 suurimmassa luokassa. Kuva 1 esittää Natura-alueiden oikean määrän ja on täten paljon onnistuneempi karttaesitys. Karttojen värit ovat hyvät, mutta olisin voinut toteuttaa harjoituksen paremmin niin, että erot tulevat esiin myös kartoissa.

QGIS:sin käyttäminen on ollut todella mukavaa ja perjantaiaamut ovat nykyisin viikkoni kohokohtia. Vaikka ohjelma välillä vähän eksyttääkin käyttäjänsä ja kaatuilee, on karttojen tekeminen ollut antoisaa. Jopa kurssiblogin kirjoittaminen tuntuu mukavalta ja vaikka toisten teksteihin viittaaminen tuntui aluksi oudolta, on kiva seurata muiden tekemiä harjoituksia ja ajatuksia kurssista.

 

Lähteet:
Varpu Savolaisen GEM1-kurssiblogi, kurssikerta 2 (luettu 5.2.2018) https://blogs.helsinki.fi/sadvarpu/2018/01/24/projektiovertailua/

Ympäristöministeriö, 2016. Natura 2000 -verkosto turvaa monimuotoisuutta. (luettu 5.2.2018)  http://www.ym.fi/fi-FI/Luonto/Luonnon_monimuotoisuus/Luonnonsuojelualueet/Naturaalueet

Kurssikerta I

Olin todella innoissani ensimmäisestä kurssikerrasta. Viime periodissa ollut Tiedon esittäminen maantieteessä -kurssi oli suosikkini kaikista tähänastisista kursseista ja odotin innolla uusia vastaantulevia tietoteknisiä haasteita. TEM-kurssilla käytetty Corel Draw osoittautui mahtavaksi ohjelmaksi pienen painimisen jälkeen ja olin kurssin jälkeen todella tyytyväinen siihen, mitä opin ohjelmasta. Olen aina viettänyt paljon aikaa tietokoneella ja erinäisten ohjelmien käyttö on hallussa (ainakin pitäisi olla). Tämän vuoksi ehkä hieman aliarvioin QGis:in, sillä heti hieman monimutkaisempien tehtävien kohdalla olin pudota kärryiltä.

TEM-kurssilla kartan piirtäminen oli mukavaa rentoa nyhertämistä. GEM1- kurssilla karttoja ei piirretä, vaan luodaan valmiista aineistoista. En ole aiemmin käyttänyt mitään paikkatieto-ohjelmaa, joten oli hyvä että kävimme läpi suuren osan ohjelman työkaluista. Ainakin vielä aluksi aineiston käsittely tuntuu melko hankalalta ja varsinkin laskimen käytössä tarvitsen vielä lisää harjoitusta. Onneksi meillä on Arttu ja hyvät ohjeet. *:・.

Kuva 1: HELCOM-merialueen rannikkovaltioiden typpipäästöt.

Paras osa kurssikertaa oli kartan muokkaaminen ja tulostusikkunan luominen eli kartan viimeisteleminen. Kurssikerran päätteeksi olin aivan varma, että karttani on nyt täydellinen ja siinä on kaikki juuri niin kuin pitää. Nyt kun katson sitä huomaan, että legendan värit olisivat voineet olla käänteiset tai värisävy jokin muu. Nyt näyttää siltä, että Puola on Itämeren reunavaltioista “paras” tummalla vihreällä sävyllään. Oikeasti muuttujana on negatiivinen asia, typpipäästöt, ja Puolan päästöjen korkea prosenttiluku ei ole tavoiteltava asia. Myös alhaisin luokka (3.2% päästöistä), jonka saa Viro, on aivan saman värinen kuin Muut valtiot -luokka. Jos unohdetaan värit, on kartta muuten mallikelpoinen ja olen tyytyväinen ensimmäiseen tuotokseeni.

Karttaan on siis kuvattu HELCOM-merialue (Helsinki Commission, suomeksi Helsingin komissio tai Itämeren merellisen ympäristön suojelukomissio) ja merialuetta ympäröivien valtioiden osuudet mereen päätyvistä typpipäästöistä. Noin 85% kaikista typpipäästöistä kulkeutuu Itämereen jokiveden mukana. Eniten typpipäästöjä tulee maataloudesta. Sen jälkeen suurimpia saastuttajia ovat teollisuus, haja-asutus, metsätalous, kalankasvatus ja turvetuotanto.

Typpipäästöt HELCOM-alueen kesken ovat jakautuneet epätasaisesti. Suurimmassa osassa valtioita päästöt ovat alle 10%, mutta Puolassa päästöt ovat kolmannes koko summasta. Kuten Susanna Stenberg blogissaan kirjoittaa, on mielenkiintoista, että Venäjän päästömäärä suurena valtiona on huomattavasti pienempi kuin Puolan. Stenberg kertoo pääsyyn tälle olevan Pietariin rakennettu vedenpuhdistuslaitos. Itämeren tilaa on pystytty kohentamaan suomalaistenkin tukemilla vedenpuhdistushankkeilla ja varsinkin Suomenlahden tilaan on voitu vaikuttaa. Aiemmin kaupunkien jätevedet olivat huomattava typpipäästöjen lähde, mutta vedenpuhdistushankkeiden vuoksi kaupunkien kuormitusta on saatu vähennettyä.

Lähteet:
Suomen ympäristökeskus SYKE, 2016. Itämeren typpikuoma Suomesta. (luettu 1.2.2018) http://www.ymparisto.fi/fi-FI/Meri/Mika_on_Itameren_tila/Itameren_typpikuorma_Suomesta(31457)

Susanna Stenbergin GEM1-kurssiblogi, kurssikerta 1 (luettu 1.2.2018)
https://blogs.helsinki.fi/stenbsus/2018/01/31/qgis-opettelua-ja-typpipaastokartta-harjoitus/