Kategoriat
Geoinformatiikan menetelmät 1

The End!

Viimeisellä kurssikerralla lähdimme työstämään itse etsimästämme aineistosta karttaesitystä. Kurssikerta ei lähtenyt omalta osaltani aivan toivomallani tavalla liikkeelle, koska räpiköin lukuisten eri aineistojen kanssa tunteja löytämättä mieleistäni tietoa. Vaikka aineiston valmistelu olisi pitänyt aloittaa jo hyvissä ajoin ennen kurssikertaa, en vain viikonlopun reissun takia saanut sitä kunnolla aikaiseksi. Sonja Nylund mainitsi blogissaan mielestäni osuvasti, että väsyneenä sekaviin sivustoihin kyllästyi nopeasti väsyneenä. Sain kuitenkin otettua itseäni niskasta kiinni, joten vihdoin ja viimein sain valittua lopullisen aineistoni ja pääsin toden teolla hommiin. Päädyin käyttämään aineistoja Pohjoismaiden korkeakouluista valmistuneiden osuuksia valtion väestöstä vuodelta 2017 sekä valtioiden opintorahojen määristä.

Aloitin viemällä taulukkomuotoiset aineistot exceliin ja muokkaisin taulukot QGIS:iin sopiviksi. Tallensin taulukot CSV -tiedostoiksi. Näin sain siirrettyä taulukot paikkatieto-ohjelmaan käyttökelpoiseen muotoon. Päätin esittää korkeakouluista valmistuneiden määrää koropleettikarttana ja liittää opinrahan (tuki + laina) kuukausisummat diagrammeina kartan päälle. Yritin ensimmäisenä esittää tukia pylväsdiagrammeina, mutta lukuisten yritysten jälkeen en millään saanut diagrammeja sopiviin kohtiin kartalle. Muutenkin summat olivat niin lähellä toisiaan, ettei diagrammien kokoeroja olisi ollut helppoa huomata. Näistä syistä johtuen siirryin käyttämään numeroita.

Kuva 1. Pohjoismaissa korkeakoulusta valmistuvien henkilöiden osuus valtion väestöstä prosentteina vuonna 2017 sekä valtioiden opintorahojen kuukausimäärät.

Kartasta voidaan havaita Islannin ja Tanskan olevan korkeakoulusta valmistuneiden osuuksissa kärkipäässä. Näissä maissa sattuukin myös opintorahat olemaan kaikista korkeimmat. Suomessa opintoraha on Pohjoismaiden alhaisin. Yllätyin itse hieman tästä. Suomessa opintorahan määrä suhteutettuna korkeakouluista valmistuneisiin ei ainakaan vuonna 2017 noudattele samaa linjaa Islannin ja Tanskan kanssa. Ruotsissa ja Norjassa opintoraha on Suomea suurempi, mutta valmistuneita näissä maissa on suhteessa väkilukuun huomattavasti vähemmän. Taustalla vaikuttavat varmasti lukuisat eri tekijät, mutta Suomen kannalta tilanne on kuitenkin kaikin puolin todella hyvä.

Kuva 2. Pohjoismaiden opintotuen ja -lainan osuudet opintorahasta vuodelta 2017 kartalla piirakkadiagrammin muodossa.

On myös hyvä huomata, että opintoraha sisältää sekä opintotuen että opintolainan. Vaikka Islannin opintoraha on suuri, summa koostuu vain opintolainasta. Islannissa opintotukea ei ole saatavilla eli käytännössä opiskelijat velkaantuvat todella helposti opintojensa aikana.  Islannissa ei myöskään ole saatavilla asumistukea, joten lainan ottaminen saattaa olla joillekkin islantilaisille välttämätöntä (yle uutiset 18.3.2013). Kaikki opiskelijat eivät kuitenkaan haluaisi elää lainalla opintoaikojaan.

Suomalaiset opiskelijat saavat opintotukea ja meille tarjotaan myös paljon muita etuja ja tukia opinnoista selviämiseen. En ole tarkemmin perehtynyt muiden Pohjoismaiden tukiin, joten en osaa sanoa enempää esimerkiksi asumistuista tai asuntojen hinnoista. Ymmärtääkseni kuitenkin esimerkiksi Islannissa ja Tanskassa asuntojen hinnat ja yleinen hintataso muutenkin on melko korkealla. Tästä voisi myös olla mielenkiintoista etsiä tietoa ja tuottaa samantyyppinen kartta.

Geoinformatiikan menetelmät 1 -kurssi on nyt saapunut päätökseensä ja omasta mielestäni sain kurssin aikana melko hyvän käsityksen geoinformatiikasta käytännössä. Myös QGIS on tullut jo tutuksi ainakin perustoiminnoiltaan. Kurssin edetessä oli hieno huomata, kuinka pystyin vähitellen itse ratkaisemaan eteen tulevia ongelmia, eikä opettajan apua enää jokaiseen hätään tarvittu. Myös kurssikavereiden tuki ja apu on ollut korvaamatonta tehtävien suorittamisessa. Tältä kurssilta sain hyvät eväät tulevaisuuden gis -kursseille.

Lähteet:
https://www.nordicstatistics.org/ (luettu 25.2.2020)
http://www.naturalearthdata.com/downloads/ (luettu 25.2.2020)
https://yle.fi/uutiset/3-6541826 (luettu 26.2.2020)
Nylund, S. Final level: Itsenäinen karttatyö. Blogikirjoitus kurssikerralta 7. Luettu 25.2.2020.
https://blogs.helsinki.fi/sonysony/

Kategoriat
Geoinformatiikan menetelmät 1

Raikasta ulkoilmaa!

Kuudennella ja toiseksi viimeisellä kurssikerralla pääsimme ulos tunkkaisesta GIS-luokasta haukkaamaan raikasta ulkoilmaa keräämällä dataa Kumpulan kampuksen lähiympäristöstä. Sää oli ihanan keväinen, joten ulkoilu oli mukava virkistys pitkään koulupäivään ja se toi kivaa vaihtelua perinteiseen luokassa istumiseen.

Tehtävänämme oli kerätä dataa Epicollect5 -sovelluksen avulla erilaisista kohteista. Sovellus paikansi sijaintimme ja kohteen merkinnän yhteydessä määrittelimme kohteen laatua. Kysymyksinä oli esimerkiksi kohteen turvallisuus sekä kohteen viihtyvyys. Arvioimme jokaisen kysymyksen asteikolla 1-5. Kävelimme pienellä ryhmällä Kumpulan puutaloalueen läpi siirtolapuutarhalle ja sieltä maauimalan sekä Kumpulanlaakson kautta takaisin kampukselle. Reissuun meni meillä noin tunti ja sain tässä ajassa merkittyä kuusi kohdetta sovellukseen.

Päästyämme takaisin luokkaan, saimme kaikkien ryhmien pisteet kerättynä samaan tiedostoon. Kohteita oli kertynyt yhteensä yli sata, mutta kuten Sonja Nylund totesi omassa blogissaan, ei kohteita todellisuudessa ollut yli sataa, koska samoista kohteista oli tehty useampia merkintöjä. Ei tämä kuitenkaan kurssikerran harjoituksessa haitannut. Toimme tiedoston kerätyistä kohteista QGIS:iin ja harjoittelimme interpolointia. Alla oleva interpoloitu kartta kuvaa Kumpulan alueen eri kohteiden turvallisuutta. Kartalla on huomioitu kaikki muut ryhmämme keräämät kohteet, paitsi kaksi kohdetta Viikistä (olivat liian kaukana).

Kuva 1. Interpoloitu kartta Kumpulan kampuksen lähialueiden turvallisuudesta.

Kurssikerran itsenäistehtävän aiheena oli esittää erilaisten hasardien esiinyvyyksiä maapallolla. Tarkempana lähestymistapana tehtävälle oli luoda kartoista sellaisia, joita voisi käyttää opetusmateriaalina kouluissa. Vaikka en itse ole aineenopettajaksi pyrkimässäkään, tehtävä vaikutti silti todella mielekkäältä ja mielenkiintoiselta. Valitsin lähestymistavakseni maanjäristyksien ja tulivuorien esiintyvyydet suhteessa mannerlaattojen rajoihin. Tietokantaa mannerlaatoista ei löytynyt suoraan Moodlesta, joten sain sukeltaa oman onneni varassa internetin ihmeelliseen maailmaan ja yllätin itsenikin, kun löysin oikeanlaisen aineiston melko helposti ja sain sen jopa onnistuneesti ladattua QGIS:iin. Halusin kuvata mannerlaattojen rajat kartallani, koska niiden sijainnit ovat oleellisia maanjäristyksien ja tulivuorien sijaintien ymmärtämiseksi.

Kuva 2. Mannerlaattojen rajoja ja maanjäristyksiä kuvaava kartta. Järsitykset tapahtuneet vuosien 1993-2003 välillä.

Kuva 2. kartalta voidaan havaita, että maailmanlaajuisesti maanjäristyksiä esiintyy pääasiassa mannerlaattojen rajoilla. Vaikka laattojen liikesuuntia ei voi kartalta nähdä, kuvan ja oman tiedon perusteella voidaan päätellä, että eniten järistyksiä tapahtuu alityöntövyöhykkeillä. Maa järisee harvemmin erkanemisvyöhykkeillä, kuten valtamerien keskiselänteillä, koska laattojen reunojen välille ei muodostu tällöin niin paljon painetta ja jännitettä kuin yhteentörmäyksissä. Vertailun vuoksi löysin samaa ilmiötä esittävän kuvan verkosta (linkki kuvaan: https://www.pbs.org/wgbh/nova/education/activities/2515_vesuvius.html). Olisin mielelläni kuvannut kartalla Tyynenmeren tulirengasta, mutta tällä karttapohjalla se ei olisi ollut järkevää, koska kartta on keskitetty Atlantille.

Yllä olevassa kartassa (kuva 2.) ei ole mittakaavaa, koska se oli virheellinen QGIS:sä. Mittakaavan mukaan muutama senttimetri kartalla olisi vastannut vain viittä kilometriä… Myös muilla on näyttänyt olevan samaa ongelmaa kartoissaan. Ainakin Flaminia Puranen oli maininnut omassa blogitekstissään samasta ongelmasta. En osannut korjata virhettä, joten jätin mittakaavan kokonaan pois. Mittakaavasta ei onneksi kuitenkaan tällä kartalla olisi ollut suurta roolia, joten sen puuttuminen ei muuta kartan informatiivisuutta juurikaan.

Kuva 3. Mannerlaattojen rajoja, maanjäristyksiä ja tulivuoria kuvaava kartta Välimeren alueelta. Järistykset tapahtuneet vuosien 1993-2003 välillä.

Kuvan 3. kartta esittää Välimeren alueella esiintyviä maanjäristyksiä, tulivuoria sekä mannerlaattojen rajoja. Kartta ei havainnollista mannerlaattojen liikesuuntia, joiden avulla hasardien esittäminen olisi ollut vielä opettavaisempaa. Kartalta voidaan kuitenkin havaita helposti, että maanjäristyksiä ja tulivuoria esiintyy pääasiassa laattojen reunojen läheisyydessä. Valitsin esitettäväksi alueeksi Etelä-Euroopan, koska se on luultavasti suomalaisille oppilalle melko tuttu alue. Jos karttaa miettii opetuksen näkökulmasta, esimerkkien esittäminen tutuilta alueilta luultavasti jää paremmin oppilaiden mieleen kuin esimerkit täysin vieraista paikoista.

Kuva 4. Eri voimakkuuksien maanjärsityksiä Kaakkois-Aasiassa vuosien 1993-2003 välillä.

Kuvan 4. kartta kuvaa eri voimakkuuksien maanjäristyksiä. Valkoiset pisteet kuvaavat 5-6 magnitudin järistyksiä. Viiden magnitudin järistykset ovat kokoluokaltaan jo keskinkertaisia ja ne voivat aiheuttaa huonosti rakennetuille taloille merkittäviä vaurioita. Keltaiset pisteet ovat jo voimakkaita ja erittäin voimakkaita järistykisä, jotka ovat tuhoisia ja aiheuttavat myös hyvin rakennetuissa rakennuksissa selkeitä vaurioita. Punaiset pisteet ovat jo valtavia järistyksiä, jotka aiheuttavat täydellistä tuhoa. Vakavia vaurioita voi aiheutua jopa tuhansien kilometrien alueelle.

Opetuksen näkökulmasta kartta havainnollistaa erikokoisten järistysten yleisyyttä. Kartalta on erittäin helppo eriväristen pisteiden avulla havaita, kuinka voimakkaammat järitykset ovat huomattavasti harvinaisempia vaikka pienempiä järistyksiä tapahtuu lähes jatkuvasti seismisesti aktiivisilla alueilla.

Tämä kurssikerta oli todella mukava ja yllättävän helppo. Ehkä tämä kertoo jotain omien gis-taitojen karttumisesta. En olisi kurssin alussa tai varsinkaan alkusyksystä uskonut, että gis voisi olla näin mukavaa puuhaa. Ehkä tämä voisi oikeasti ollakin yksi sivuainevaihtoehto!

Lähteet:
Nylund, S. Aineiston kerääminen ja alueellinen esiintyminen. Blogikirjoitus kurssikerralta 6. Luettu 19.2.2020.
https://blogs.helsinki.fi/sonysony/
Puranen, F. Maastosta kerätyn datan käyttöä. Blogikirjoitus kurssikerralta 6. Luettu 19.2.2020.
https://blogs.helsinki.fi/flaminia/
Mannerlaattojen rajat: https://github.com/fraxen/tectonicplates

Kategoriat
Geoinformatiikan menetelmät 1

Bufferointia & analysointia

Viidennellä kurssikerralla saimme paiskia todella tiukalla tahdilla hommia. Onneksi uutta asiaa tuli loppujen lopuksi melko vähän, joten pääsimme keskittymään myös aikaisemmin opittujen asioiden kertaamiseen. Kurssikerran aiheena oli bufferointi ja analyysien tekeminen erilaisten buffereiden avulla.

Jatkoimme työskentelyä edellisellä kurssikerralla käytämämme aineiston parissa. Harjoittelimme buffereiden tekemistä teiden, koulun ja terveyskeskuksen ympärille Pornaisten kartalla. Harjoittelimme myös laskemaan asuinrakennuksien lukumääriä näiden buffereiden sisällä käyttämällä ”select by location” toimintoa. Mukavan yksinkertaista ja helppoa (ainakin vielä tässä vaiheessa)!

Iloiseksi yllätyksesi pääsimme normaalia aikaisemmin painimaan itsenäistehtävien pariin. Avasimme QGIS:iin tietokantoja Vantaan väestöstä/asutuksesta, alueen lentokentistä sekä juna-asemista. Piirsimme lentokenttien kiitoradat ja bufferoimme niiden ympärille vyöhykkeitä, jotka kuvastivat lentomeluja. Teimme samantyyppisiä harjoituksia myös juna-asemilla ja laskimme useita eri lukuarvoja buffereiden avulla. Saadut arvot näkyvät alla olevassa taulukossa (kuva 3).

Teimme vierustoverini kanssa tiivistä yhteistyötä ja hommat sujuivat oikein mukavasti. Löimme viisaat päämme yhteen ja vältyimme suuremmilta ongelmilta yllättävän pitkään. Aivotoiminta vaikutti molemmilla olevan tunnilla ihan huipussaan. Koimme jopa iloisia onnistumisen tunteita! Harvoin ilmeisesti GIS tunnilla näkee yläfemmoja tai riemunkiljahduksia.

Kuva 1. Mieti mieti mieti…

Tehtävässä 2. päätimme toteuttaa viimeisen kohdan teemakarttana. Alla oleva kuva esittää ulkomaalaisten prosenttiosuutta Vantaan taajamien asukkaista. Tehtävässä pyydettiin tutkimaan taajamia, joilla ulkomaalaisten osuus on yli 10%, yli 20% sekä yli 30%. Tämän takia legendan lukuarvot eivät ole aivan luonnolliset, mutta niiden avulla saimme kuvattua tehtävässä pyydetyt arvot hyvin kartalle. Huomasimme attributtitaulukkoa tarkasteltaessamme, että osa sarakkeiden arvoista oli hieman kummallisia, joten kartan tulokset eivät välttämättä ole absoluuttinen totuus. Epäilen esimerkiksi, että osa kartan keskellä olevista tummanpunaisista pikkuruisista taajamista on virheellisiä. Mene ja tiedä!

Kuva 2. Ulkomaalaisten osuus (%) Vantaan taajamien asukkaista.

Kolmas tehtävä osoittautuikin luultua isommaksi haasteeksi. Harmillisesti pääsin tehtävän pariin vasta kotona, joten jouduin ratkomaan ongelmia yksin sekä whatsapp -viestien välityksellä kavereiden kanssa. Vaihdoin tehtävää useasti, koska törmäsin aina seinään jossain vaiheessa. Loppujen lopuksi sain kuitenkin kouluihin liittyvän harjoituksen valmiiksi. Uima-allas- ja putkiremppa tehtävissä ongelmiksi osoittautui a_pks_pie.shp -tietokanta, mutta sitä ei onneksi koulutehtävässä tarvittu. Sain siis väännettyä tehtävästä taulukkomuotoisia tuloksia, vaikka visuaalinen kartta olisi kyllä ollut todella paljon kivempi tuotos.

Taulukko 1. Taulukko itsenäistehtävistä saaduista arvoista.

Kurssi onkin tässä vaiheessa yltänyt jo yli puoleen väliin, joten nyt on hyvä aika tarkastella hieman omaa osaamistani. Kokonaisuutena kurssi ja sen herättämät tunteet ovat olleet aikamoista vuoristorataa, kuten Elias Hirvikoski totesikin viime viikon kurssikerran blogitekstissään.  Samaistun myös hyvin Saana Järvisen toteamukseen ”Nämä ohjelmat ovat viisaampia kuin ihminen”. Toisaalta kyllähän joku viisas GIS-velho on myös nämä ohjelmat meille ei niin viisaille luonut ?

Tämän hetkisen kokemuksen perusteella QGIS:sä tärkeimpiä ominaisuuksia ovat erilaiset attribuuttitaulukkoa käsittelevät työkalut. Olemme harjoitelleet paljon taulukon tietojen käsittelyä, uuden tiedon tuottamista sekä eri tietojen yhdistämistä. Attribuuttitaulukon tietojen avulla olemme visualisoineet tarkasteltavaa muuttujaa kartalle eri muodoissa.

Erityisesti karttojen visualisointiin liittyvät työkalut vaikutavat aika selkeiltä. Vähitellen myös attribuuttitaulukkoon liittyvät toiminnot alkavat avautumaan. Lisäharjoitusta kaipaisin ehkä erilaisten tietokantojen yhdistämisessä ja yllättävien ongelmien ratkaisutaidoissa. Haasteita lähes aina tuottaa esimerkiksi valita mikä tietokannoista tulisi valita kohtaan ”input layer” ja mikä puolestaan kohtaan ”join layer”.

Tuoreimpana asiana opimme puskurivyöhykkeiden luomisen sekä käyttämisen ohjelmassa. Puskurivyöhykkeiden avulla voidaan tutkia esimerkiksi millaisia kohteita tietyn vaikutusalueen piirissä on. Tunnilla tarkastelimme mm. kuinka paljon asuinrakennuksia koulun vaikutuspiirissä on sekä kuinka paljona asukkaita asuu pahimman lentomelun alueella.

Puskurivyöhykkeitä voidaan käyttää useiden eri kohteiden tarkastelussa. Joku aika sitten törmäsin karttaan, joka havainnollisti Pohjois-Korean ydinaseen kantokykyä. Kyseessä on tietenkin huomattavasti laajamittaisempi puskurivyöhyke, kun mitä me tällä kurssikerralla harjoiteltiin.

Päällisin puolin hyvillä mielin jatkan tästä ensi viikkoon ja kuudennelle kurssikerralle!

Lähteet:
Hirvikoski, E. Neljäs. Blogikirjoitus kurssikerralta 4. Luettu 12.2.2020.
https://blogs.helsinki.fi/eliashir/
Järvinen, S. Toivoa (ja väsymystä) ilmassa. Blogikirjoitus kurssikerralta 4. Luettu 12.2.2020.
https://blogs.helsinki.fi/jarvsaan/

 

Kategoriat
Geoinformatiikan menetelmät 1

Ruudut ja rasterit tutuiksi

Neljännen kurssikerran tavoitteena oli tutustua ruutukarttoihin, niiden luomiseen ja tiedon esittämiseen ruutukartan avulla. Ruutukarttoja on aikaisemmin käsitelty hieman johdatus geoinformatiikkaan maantieteessä -kurssilla (MAA-104). Siirryimme myös näin kolmen viikon jälkeen koropleettikartoista toisenlaisiin teemakarttatyyppeihin.

Aloitimme tunnin lataamalla kurssikerran aineisto Moodlesta zip -tiedostona omalle koneellemme. Aineiston lataamisen ja onnistuneen purkamisen jälkeen avasimme tietokannat QGIS:sä. Aluksi kartta näytti melko psykedeeliseltä, koska ohjelma valitsee kartalla käytettävät värit satunnanvaraisesti. Pienen hienosäädön jälkeen kartta näytti onneksi suhteellisen siedettävältä.

Kun alkuvalmistelut oli tehty, siirryimme ruudukon lisäämiseen ”vector” valikosta. Säädimme ruudukon kooksi 1000m x 1000m, koska oletuksena kartalle olisi tullut 1m x 1m ruudukkoja. Tämän jälkeen ”select by location” toiminnolla yhdistimme ruudukon tarkasteltavaan kohteeseen, joka tässä tapauksessa oli väestötiedot eli pks_vaki tietokanta. Tämän toiminnon kohdalla saimme jännittää sormet ristissä selviääkö QGIS toimenpiteestä vai kaatuuko koko ohjelma. Ei kaatunut!

Pks_vaki tietokannassa oli todella paljon osittain myös turhaa tietoa hidastamassa ohjelman toimintaa, joten tässä vaiheessa tarpeelliseksi tuli tietokannan karsiminen ja turhan tiedon pois jättäminen. Tunnilla tehdyssä harjoituksessa jätimme tietokantaan vain neljän sarakkeen tiedot.

”Join attributes by location” toiminnolla pystyimme tämän jälkeen yhdistämään ruudukon haluttuun attribuuttitaulukon sarakkeeseen. Nyt QGIS siis osaa kertoa meille tietyn attribuuttitaulukon sarakkeen arvot tietyssä ruudussa. Lopuksi tämä tieto piti vielä saada visuaalisesti näkymään kartalla. Käytännössä visualisointi tapahtui tismalleen samalla tavalla, kuin koropleettikarttojen visualisointi eli ihan tuttu juttu jo!

Kuva 1. Ruutukartta pääkaupunkiseudun väestön sijoittumisesta 1000m x 1000m ruudukolla.

Kokeilin kotona tehdä oman kartan samalla tekniikalla, mutta eri muuttujalla. Valitsin attribuuttitaulukosta kartalle esitettäväksi muuttujaksi väestön iän keskiarvon. Lopputulos kyllä näyttää myös aivan tilkkutäkiltä, jonka tulkitseminen voi olla melko haastavaa. Lisäsin kartalle näkyviin myös tiet, jotta karttaa ja ruudukoiden sijainteja olisi hieman helpompaa tulkita.

Kuva 2. Pääkaupunkiseudun väestön iän keskiarvo 1000m x 1000m ruudukolla.

Kartalta pystyy ainakin päättelemään, että esimerkiksi Helsingin vanhoilla ja arvokkailla asuinalueilla rannikon läheisyydessä väestön iän keksiarvo on korkea. Esimerkiksi edulliset vuokra-asunnot houkuttelevat luonnollisesti paljon nuoria, mutta niitä tuskin löytyy kovinkaan paljoa arvokkailta alueilta. Vanhemmilla ihmisillä on enemmän omistusasuntoja. Vanhempia ihmisiä asuu myös huomattavasti kauempana Helsingin keskustasta. Tämä voi johtua esimerkiksi siitä, että työssä käyvillä- ja vanhemmilla ihmisillä on omia autoja, kun nykypäivänä vain harvalla nuorella on oma auto pääkaupunkiseudulla. Osa vanhemmista ihmisistä on luultavasti myös aikanaan muuttanut rauhallisemmille pientaloalueille perheensä kanssa. Nuoria näyttäisi asuvan paljon suurien yliopistokampuksien alueella esimerkiksi Kumpulassa, Viikissä ja Otaniemessä. Kartalta voi myös kuitenkin päätellä, ettei alueen ikärakenteen tulkitseminen ole suoraviivaista, koska siihen vaikuttaa niin moni eri muuttuja.

Vertaillessani omaa karttaani Siiri Nymanin karttaan samasta aiheesta, pystyn havaitsemaan yhtäläisyyksiä eri luokkajaosta huolimatta. Myös Nymanin kartalla näkyy poikkeavina nuorien ihmisten keskittyminä juurikin yliopistokampuksien alueet. Nyman oli myös huomannut omalta kartaltaan keski-ikäisten suuren määrän pääkaupunkiseudulla. Tämä näkyi selkeästi Nymanin kartalla, mutta omassa kartassani olen käyttänyt enemmän luokkia, joten kartallani näkyy paljon pientä vaihtelua. Tämän takia en itse huomannut kyseistä yksityiskohtaa ennen kuin tarkastelin Nymanin karttaa.

Ruutukartalla pystytään esittämään monipuolisesti tietoa erilaisista muuttujista hyvinkin pienellä mittakaavalla. Erityisesti mikäli tarkasteltavassa kohteessa on paljon eroja pienellä alueella (kuten omassa taidonnäytteessäni), voisi koropleettikartta olla liian yleistävä. Kuten Laura Hynynen totesikin omassa blogikirjoituksessaan, että kuntatasolla esitetty koropleettikartta on huomattavasti yleistävämpi kuin 1km x 1km mittakaavainen ruudukko. Ruutukartta kuitenkin samalla peittää alla olevaa karttaa, joten ruutukartta täysin tuntemattomasta alueesta saattaisi olla niin sanotusti turha, jos kartan sijaintia ei pysty siitä päättelemään. Tämän takia esimerkiksi teiden tai kuntarajojen lisääminen on joskus tarpeellista. Jonna Kääriäinen oli myös maininnut blogissaan ruutukartan hyväksi puoleksi keinon tarkastella ilmiöitä hallinnollisista rajoista huolimatta. Olen Kääriäisen kanssa samaa mieltä tästä erityisesti nyt kun tarkastelumme kohteena on pääkaupunkiseutu, joka on melko yhtenäinen alue asutuksen kannalta. Tämä ominaisuus saattaa tietenkin olla myös haitaksi joissakin tapauksissa.

Kurssikerran loppupuolella ehdimme vielä tutustumaan hieman rasteritietokantoihin ja aineiston sisältämään korkeustietoon. Avasimme QGIS:ssä peruskarttalehden Pornaisten alueelta ja lisäsimme sen päälle rinnevarjostustason. Rinnevarjostuksen päälle saimme lisättyä vielä korkeuskäyrät. Kotitehtävänämme oli ladata Paitulista saman alueen peruskarttalehti ja lisätä latauksessa saamamme korkeuskäyrä -tietokanta QGIS:iin. Tämän jälkeen tehtävänä oli vertailla kartan korkeuskäyriä QGIS:in piirtämiin käyriin. Alla näkyvissä kuvissa on muutamia havaintojani korkeuskäyrien eroista. Kuvissa ruskeat käyrät ovat QGIS:in piirtämiä käyriä ja mustat käyrät ovat peruskarttalehden käyriä.

Kuva 3. Peruskarttalehden korkeuskäyrät ovat huomattavasti yleistetympiä verrattuna QGIS:in piirtämiin käyriin. Viivat on vedetty suoriksi niin sanotusti.
Kuva 4. Peruskattalehden korkeuskäyristä puuttu joitakin pieniä kohteita, jotka QGIS piirsi omiin käyriinsä.

Kuvista voidaan havaita, että peruskarttalehden käyrät ovat huomattavasti yleistetympiä verrattuna QGIS:in käyriin. Karttalehden käyrät ovat vedetty suoriksi, vaikka todellisuudessa pinnanmuodot eivät ole aivan suoraviivaisia. Myös osa pienemmistä pinnantason vaihteluista on jätetty peruskarttalehdeltä kokonaan pois. Vaikka kartan tulee olla informatiivinen ja todenmukainen, liian tarkka kartta voisi helposti näyttää sekavalta. Tämän takia peruskarttaa on yleistetty.

Kurssikerralla kävimme mukavasti läpi aikaisemmilta kerroilta opittuja asioita. Kertaaminen oli todellakin tarpeellista! Tämä kurssikerta meni oikein rattoisasti ilman suurempien ongelmien ilmenemistä. Ensi viikolla pääsemme toivottavasti jatkamaan rastereiden parissa!

Lähteet:
Nyman, S. Neljäs kurssikerta. Blogikirjoitus kurssikerralta 4. Luettu 7.2.2020.
https://blogs.helsinki.fi/nymsiiri/
Hynynen, L. Mihin kaikkeen GIS pystyykään! Blogikirjoitus kurssikerralta 4. Luettu 7.2.2020.
https://blogs.helsinki.fi/lauravel/
Kääriäinen, J. Pisteaineistosta ruututeemakartaksi. Blogikirjoitus kurssikerralta 4. Luettu 7.2.2020.
https://blogs.helsinki.fi/kaarijon/

Kategoriat
Geoinformatiikan menetelmät 1

Tietokannoista käyttökelpoisia

Kolmannella kurssikerralla lähdimme tutustumaan tietokantoihin, niiden valmisteluun, yhdistelyyn sekä ulkoisen tiedon liittämistä tietokantaan tässä tapauksessa Excelistä. Lähdin tunnille hyvillä mielin ja valmiina oppimaan uusia ominaisuuksia QGIS:stä. Tavoitteenani oli pysyä koko kurssikerran ajan kärryillä missä mennään ja mitä tapahtuu. Onnistuiko? Noh miten sen nyt ottaa…

Lähdimme yhdessä harjoittelemaan tietokantojen erilaisia toimintoja Afrikan kartalla. Ensimmäisenä yhdistelimme sadoista polygoneista koostuvia maita yhdeksi polygoniksi, jotta attribuuttitaulukon tietoja olisi helpompi tulkita ja käsitellä. Tämän jälkeen toimme tiedostoon tietoa öljystä, konflikteista ja timanteista. Oma tuotos tästä kartasta näkyy alla olevassa kuvassa (kuva 1.)

Tutkimme tunnin aikana myös internetin käyttäjien lukumääriä Afrikan valtioiden lukumääriin verrattaen. Osa arvoista oli todella erikoisia. Esimerkiksi yhden valtion kohdalla internetin käyttäjiä oli asukaslukuun verrattuna viisinkertaisesti. Kuten Pihla Haapalo mainitsikin blogitekstissään, ei tällaisia arvoja voi pitää luotettavina ja tämän takia myös muiden valtioiden arvoja on kuvattava vain suuntaa antavina.

Kuva 1. Kartta Afrikassa sijaitsevista konflikteista, öljynporaus alueista sekä timanttiesiintymistä.

Sitten pääsimmekin siirtymään itsenäiseen harjoitukseen. Tehtävänämme oli luoda eri tietokantojen avulla teemakartta Suomen valunta-alueiden tulvaindekseistä (kuva 2.) ja lisätä karttaan valunta-alueiden järvisyysprosentit diagrammina (kuva 3.). Järvisyysprosentit olivat alunperin excel -tiedostona, joten aluksi meidän piti muuttaa tiedosto Excelissä .CVS -muotoon. Tämän jälkeen avasin tarvittavat tietokannat QGIS:ssä. Lähdin laskemaan ohjelmassa tarvittavia arvoja ja pääsinkin hyvin vauhtiin

Tässä vaiheessa ystävämme QGIS päätti kuitenkin lopettaa yhteistyön ja ohjelma kaatui. Jouduin siis aloittamaan tehtävän alusta. Pääsin taas hetken taistelun jälkeen vauhtiin ja sain luotua alla näkyvän koropleettikartan valuma-alueiden tulvaindekseistä. Putosin samalla kuitenkin kärryiltä diagrammeihin liittyvässä ohjeistuksessa. Tehtävän ohjeista ei paljoa apua saanut, joten vierustoverini korvaamaton apu tuli taas enemmän kuin tarpeeseen. Sain lopulta diagrammit kartalle ja pienen hienosäädön jälkeen ulkoasustakin tuli kohtuullisen siedettävä. Halusin kuitenkin liittää kartan ilman diagrammeja järvisyysprosenteista, jotta valuma-alueiden tulvaindeksit näkyisivät hieman paremmin.

Kuva 2. Kartta Suomen jokien valuma-alueista sekä tulvaindekseistä.
Kuva 3. Kartta Suomen jokien valuma-alueista, tulvaindekseistä sekä järvisyysprosenteista.

Kartasta voi havaita, että yleisesti tulvaindeksi on korkealla rannikkoalueilla Etelä- ja Länsi-Suomessa. Joet tulvivat järviä helpommin erityisesti keväällä lumien sulaessa, koska niillä on vähemmän kapasiteettia ns. säilöä vettä kuin esimerkiksi järvillä. Rannikkoalueilla on myös luonnollisesti paljon jokia, koska vedet virtaavat jokia pitkin sisämaasta kohti merta. Rannikkoalueilla Suomessa ei myöskään ole suuria korkeuseroja, joten tulviminen tapahtuu tällaisissa paikoissa helpommin.

Korkeimmalla tulvaindeksi näyttäisi olevan Helsingin- sekä Turun alueilla. Joonatan Reunanen oli omassa blogikirjoituksessaan pohtinut, voisiko esimerkiksi pääkaupunkiseudun maankäytöllä olla vaikutusta kohonneeseen tulvaindeksiin. Eli voisiko asfaltin määrä alueella korreloitua tulvaindeksiin jollain tavalla. Reunanen kuitenkin totesi tekstissään myös, ettei asia varmasti ole näin yksinkertainen. Olen kuitenkin samalla kannalla, että maankäyttö kaupunkialueella voisi olla jollain tavalla yhteydessä tulvaindeksin korkeisiin lukuihin.

Annika Luoma mainitsi omassa blogikirjoituksessaan tehtävässä haasteena olleesta sopivien värien valitsemisesta. Kohtasin myös itse kyseisen haasteen, koska huomasin jo melkein julkaisemastani kartasta, että järvet olivat merkittynä lähes samalla värillä tulvaindeksien kanssa. Jouduin siis palaamaan QGIS:iin ja miettimään uusia värivaihtoehtoja. Halusin kuitenkin kuvata sekä tulvaindeksit että järvet ja joet sinisellä sävyllä. Päädyin järvien kohdalla tämän takia turkoosimpaan ja kirkkaampaan siniseen.

Teimme kurssikerran aikana myös paljon asioita joihin en ehtinyt sen enempää syventyä nopean etenemistahdin vuoksi. Osa asioista meni siis aivan täysin ohi. Toivon kovasti meidän palaavan jossain vaiheessa kurssia näihin asioihin uudestaan, jotta saisin vielä toisen mahdollisuuden painaa ne mieleeni.

Lähteet:
Haapalo, P. Timanttikaivoksia ja tulvaindeksejä. Blogikirjoitus kurssikerralta 3. Luettu 29.1.2020.
https://blogs.helsinki.fi/haapalop/
Reunanen, J. Beast mode on. Blogikirjoitus kurssikerrasta 3. Luettu 29.1.2020.
https://blogs.helsinki.fi/reunajoo/
Luoma, A. Tietokantoihin syventymistä & valuma-alueisiin syventymistä. Blogikirjoitus kurssikerralta 3. Luettu 31.1.2020.
https://blogs.helsinki.fi/luomanni/

Kategoriat
Geoinformatiikan menetelmät 1

Projektioita ja prosenttilaskuja

Toisella kurssikerralla pääsimme jatkamaan matkaamme QGIS:in maailmassa. Tällä kertaa tutustuimme eri projektioihin, pinta-alojen laskemiseen ja ikuisen viha-rakkaussuhteeni kohteeseen eli prosenttilaskuihin. Kurssikerran tarkoituksena oli havainnollistaa eri projektioiden pinta-alojen vääristymää koropleettikartan muodossa. Tämä teemakarttatyyppi olikin meille tuttu jo edelliseltä tunnilta.

Lähdimme ensimmäisenä harjoittelemaan yhdessä kuntien pinta-alojen laskemista TM35FIN -projektiossa esitettävästä Suomen kartasta. Laskeminen oli helppoa, koska lähes yhdellä napin painalluksena ohjelma laski jokaisen kunnan pinta-alan automaattisesti. Tämän jälkeen vaihdoimme kartan Robinsonin projektioon ja laskimme kuntien pinta-alat samalla tavalla tässä projektiossa. Kun molempien projektioiden laskut olivat valmiina, siirryimme laskemaan vertailuprosenttia. Tarkoituksena oli siis tarkastella kuinka paljon pinta-alat muuttuvat projektiota vaihtaessa.

Tässä vaiheessa kohtasinkin ensimmäisen isomman haasteen kurssikerran aikana. Vaikka lukiosta onkin kulunut vasta pari vuotta, sain pohtia pääni puhki vertailuprosenttien laskukaavoja. Hävettää myöntää, mutta jouduin tukeutumaan googlen korvaamattomaan apuun taas vaihteeksi. Onneksi googlen ja auttavaisten opiskelutovereideni avulla sain ainakin jonkinlaisia tuloksia laskettua.

Lopputuloksen perusteella voidaan päätellä, että suurimmat vääristymät pinta-aloissa ovat Pohjois-Suomessa. Robinsonin projektio saakin Suomen huomattavasti normaalia paksummalta pohjoisesta. Ihan kuin Suomineidon naama ja kaula olisi turvonnut jonkinlaisen allergisen reaktion seurauksena. Tissot’n indikaattorin mukaan Robinsonin projektiossa napa-alueet litistyy pituussuunnassa ja venyy leveyssuunnassa.

Kuva 1. TM35FIN -projektion pinta-alojen vääristymä verrattuna Robinsonin projektion vääristymään prosentteina. Kuvan kartta Robinsonin projektiossa.

Vertaillessani omaa versiotani Flaminia Purasen tekemään versioon samaisten projektioiden pinta-alojen vääristymistä huomasin, että olisin hyvin voinut ottaa luokkajakooni vähemmän luokkia ja kartta olisi silti pysynyt tarpeeksi informatiivisena. Oma legendani näyttää aikamoiselta numerohirviöltä eikä varmaan kukaan täysjärkinen ihminen lukisi tuollaista läpi tarkasti. Näin monen ryhmän käyttäminen myös pienentää luokkien välisten värien eroja. Seuraavalla kurssikerralla yritän keskittyä vielä paremmin ryhmien järkevään jakamiseen.

Omassa versiossani vertailin TM35FIN -projektiota Winkel Tripel -projektioon. Kyseessä on niin sanottu kompromissiprojektio, jossa kolme karttaprojektioissa esiintyvää virhettä on pyritty kompromissin keinoin minimoimaan. Tämä selittääkin todella pienet muutokset kuntien pinta-aloissa verrattuna TM35FIN -projektioon.

Kun Winkel Tripel -projektiota vertaa yllä näkyvään Robinsonin projektioon, voidaan huomata kartan suhteiden näyttävän selkeästi luonnollisemmilta tässä kompromissiprojektiossa. Vääristymät ovat huomattavasti pienempiä kuin Robinsonissa karttojen legendojen vertailun perusteella.

Kuva 2. TM35FIN (transverse mercator) -projektion pinta-alojen vääristymä verrattuna Winkel Tripel -projektion vääristymään prosentteina. Kuvan kartta Winkel Tripel -projektiossa.

Tässä tehtävässä suurimpana haasteena minulla oli löytää vertailuun sopiva projektio. Kokeilin useita eri projektioita, mutta jostain syystä pinta-alojen laskemisen tulokset olivat useamman yrityksen jälkeen edelleen identtiset aikaisempien laskutulosten kanssa… Päättelin Matti Katajiston blogitekstin perusteella, että ongelma saattaa liittyä jotenkin tasojen tallentamiseen. Seuraavalla kurssikerralla yritän selvittää oikeat tallennustavat projektille ja tasoille. Kahden ensimmäisen kurssikerran aikana on tullut niin paljon uutta tietoa, ettei ihmekkään jos osa asioista on päässyt jo unohtumaan.

Yritän pitää nämä kehityskohteet siis mielessä seuraavaan kurssikertaan! Tavoitteena olisi myös pitää hermot ja kestävyys kasassa koko neljän tunnin ajan. Toivottavasti ensi viikolla pääsemme taas tutustumaan QGIS:in uusiin mielenkiintoisiin toimintoihin.

Lähteet:
Puranen, F. Datan käsittelyä ja projektioita. Blogikirjoitus kurssikerralta 2. Luettu 25.1.2020.
https://blogs.helsinki.fi/flaminia/
Katajisto, M. Mies vastaan kone. Blogikirjoitus kurssikerralta 2. Luettu 25.1.2020.
https://blogs.helsinki.fi/mattikat/

Kategoriat
Geoinformatiikan menetelmät 1

Ensikosketus QGIS:iin

Ensimmäinen viikko kolmatta periodia on takana, joten nyt on hyvä hetki pohtia geoinformatiikan menetelmät 1 -kurssin ensimmäistä tuntia. Pääsimme vihdoin ja viimein tutustumaan oikeaan paikkatieto-ohjelmaan eli QGIS:iin. Alkupaniikin laannuttua todellinen oppiminen pääsi alkamaan.

Aluksi harjoittelimme ohjelman eri perustoimintojen käyttöä, kuten esimerkiksi aineiston tuomista ohjelmaan ja aineiston sisältämän tiedon käsittelyä attribuuttitaulukossa. Uuden ohjelman käytön opettelu ei ole koskaan suoraviivaista ja muistankin hyvin samankaltaisia tunteita CorelDraw -ohjelman ensimmäisiltä käyttökerroilta.

Kun perustoiminnot olivat hanskassa, pääsimme käsiksi ensimmäiseen harjoitustehtävään. Tehtävänantona oli toteuttaa koropleettikartta valitsemastamme muuttujasta Suomen kuntakartan pohjalta. Tilastot olivat peräisin Tilastokeskukselta Suomen kuntien avainlukuaineistosta vuodelta 2015. Valitsin muuttujaksi ruotsinkielisten osuuden Suomen kuntien väestöistä prosentteina. Ensimmäisenä toin koneelle lataamani aineiston QGIS ohjelmaan. Tämän jälkeen tein laskutoimituksia, jotta sain haluamani arvot käyttööni. Kun vihdoin onnistuin laskuissa, oli teemakartan visuaalisen puolen työstämisen vuoro. Tämä vaihe olikin mielestäni yllättävän helppo (tai niin ainakin vielä tässä vaiheessa luulin) ja siirryin nopeasti muokkaamaan karttaani tarvittavat merkinnät.

QGIS ohjelma antaa kätevästi valmiit legendat ja mittakaavat kartoille toisin kuin CorelDraw. Mikä onnenpäivä! CorelDraw:n kanssa sain jatkuvasti taistella legendan kanssa viime periodissa, joten valmis legenda oli iloinen yllätys. Hyvillä mielin siis lisäsin legendan, mittakaavan ja pohjoisnuolen. Olin tyytyväinen valmiiseen karttaan ja lähdin kohti kotia.

Seuraavana päivänä havaitsin kartassani kuitenkin ei niin iloisen yllätyksen. Tarkasteltuani legendaa huomasin, että olin jakanut prosenttiosuudet todella typeriin ryhmiin. Ensimmäisen ryhmän arvona oli esimerkiksi 0-14 %. Nollan ja neljäntoista välillä on kuitenkin aika iso ero tällaisessa tilastossa… Niimpä marssin seuraavana koulupäivänä GIS -luokkaan tekemään koko tehtävän alusta. Ohjelmassa pystyi muokata luokkien arvoja todella vapaasti ja jouduin hetken hakemaan kaikista informatiivisesti parasta luokitusta. Eri luokittelut muuttivat kartan ulkonäköä radikaalisti, joten tehtävä ei tosiaan ollut niin yksikertainen kuin alussa luulin.

Lopulta sain kuitenkin luotua mielestäni onnistuneen teemakartan. Kuvassa vaaleammalla värillä on kuvattuna alueet, joilla ruotsinkielisten osuus kunnan väestöstä on matala. Punaisella kuvatuilla alueilla puolestaan ruotsinkielisten osuus on korkea. Kartasta onkin helppo huomata ruotsinkielen keskittymisen rannikkoalueille Etelä- ja Länsi-Suomeen.

Kuva 1. Teemakartta ruotsinkielisten osuudesta prosentteina kunnittain.

Myös Janina Vikman teki koropleettikartan ruotsinkielisten osuudesta kuntien väestöistä. Samaistun hyvin Vikmanin huomioon kartan selkeydestä ja Pohjois-Suomen tarpeettomuudesta kartalla. Olisin voinut hyvin suurentaa karttaa Etelä- ja Länsi-Suomeen, jotta alueet ja erityisesti kuntarajat selkeytyisivät. Kuten kartasta voi huomata, Pohjois-Suomella ei ole kovinkaan suurta merkitystä tätä muuttujaa käytettäessä.

Kuten Laura Hynynen on omassa blogissaan todennutkin, luokkajakojen, painotusten ja visuaalisten esitystapojen tarkastelu on aina teemakarttojen kohdalla tarpeellista, jotta kartan informatiivisuutta voi ymmärtää. Myös erilaisten taustatietojen, kuten Suomen väestön sijoittumisen tuntemus on tällaisen kartan kohdalla tarpeellista.

Luettuani muiden blogeja, huomasin myös Tomi Kiviluoman tekemän hienon ratkaisun koropleettikartan luokkajaoissa. Kartta esittää muuttoliikkeitä Suomen kunnissa. Kiviluoma oli kekseliäästi määrittänyt alimman luokan muuttotappiokunnille eli alimman luokan arvot ovat negatiivisia. Omassa kartassani tällainen jako ei tietenkään olisi onnistunut, mutta pidän tämän kikan mielessäni tulevia teemakarttoja ajatellen.

Kurssikerta oli opettavainen pohjustus geoinformatiikan maailmaan ja toivon todella kurssin herättävän kiinnostustani GIS:iä kohtaan vielä entistä enemmän. Ensi viikolla pääsemme jo toivottavasti työstämään uutta mielenkiintoista harjoitustyötä!

Lähteet:
Vikman, J. Ensimmäinen tunti ja QGis-ohjelman perusteet. Blogikirjoitus kurssikerralta 1. Luettu 20.1.2020.
https://blogs.helsinki.fi/jagvikma/
Hynynen, L. Ominaisuustiedosta teemakartaksi. Blogikirjoituskurssikerralta 1. Luettu 20.1.2020. https://blogs.helsinki.fi/lauravel/
Kiviluoma, T. Johdanto kurssille ja QGIS:in perusominaisuudet. Blogikirjoitus kurssikerralta 1. Luettu 20.1.2020.
https://blogs.helsinki.fi/tomingeoblogi/