7. viikko – Viimeistä viedään

Toisaalta vaikein viikko, mutta toisaalta hauskin. Itselläni oli pitkään luovuuden puutetta, enkä millään meinannut päästä itseni kanssa mihinkään lopputulokseen tehtävän aiheesta, sillä tällä kertaa täytyi aivan itse päättää, mitä asiaa kuvaa kartalla. Pää löi aivan tyhjää alkuun, jonka takia tehtävän blogiteksti ei ole tullut aivan ajan tasalla.

Pohdin pitkään asioita, mitä haluaisin kuvata ja myös, että millä tasolla, mutta lopulta päädyin tarkastelemaan Suomea. Tässä onneksi pystyin hyödyntämään kurssin ensimmäisillä kerroilla tuttua kuntatietokantaa, josta sain hyvän alun tehtävälle. Mutta lopulta täytyi päättää, että mitä esittäisin. Ja sitten päätin ladata Maanmittauslaitoksen maastotietokannan, joka oli erittäin massiivinen tietokanta, jossa oli kaikkea. Tutkaillessani tietokantaa ja sen antia päätin, että nyt tehdään kansallispuistoista sekä luonnonsuojelualueista karttaa.

 

Kansallispuistot ja Koli

Ensinnäkin aloitin kartoittamalla Suomen kansallispuistoja. Suomessahan on 41 kansallispuistoa (tämä piti tarkistaa, sillä alkujaan ajattelematta sen kummallisemmin QGIS antoi luvuksi noin 350, mutta tajusin myöhemmin, että tietokanta sisälsi pieniä alueita/polygoneja, jotka ovat kansallispuiston osia eikä tietenkään yksittäisiä omia kansallispuistojaan, mutta tästä selvittiin). Joten tein näiden tietojen avulla kartan, jossa sijoitetaan kartalle kansallispuistoja. Kuvassa 1 olen esittänyt kartan, jossa kuvataan, että minkä kuntien alueella on edes osittain kansallispuistoja.

Kuva 1. Kunnat, joissa kansallispuistoja on edes pieni osa eli missä kunnissa on edes osa kansallispuistoa.

Kansallispuistojahan on siis yhteensä 84 kunnan alueella ja moni kansallispuisto sijoittuu siis useamman kunnan alueelle kuin vain yhden. Laskin myös QGIS:n avulla pinta-alat näille polygoneille ja sain, että Suomen maapinta-alasta kansallispuistoja on yhteensä 10 966,2 km^2. Kansallispuistoista inspiroituneena päätin kokeilla uutta ja keskittää tämän uuden kokeilu yhteen kansallispuistoista, Kolin kansallispuistoon.

Uutena asiana tässä kohtaa tarkoitan näkyvyys analyysia (viewshed analysis). Alun alkajaan olinkin halunnut tämän tehdä, kun tehtävänannon luin. Halusin tehdä analyysin Kolin kansallispuistosta, sillä kyseistä aluetta on aiemminkin analysoitu paikkatieto-ohjelmalla (ei tosin tällä kurssilla). Halusin miettiä kansallispuiston kannalta merkittävästä kohdasta näkymiä ja päätin kokeilla loppujen lopuksi jopa kolmesta kohtaa ja samalla harjoitella työkalun käyttöä. Joten kohdiksi valitsin Akka-Kolin, Ukko-Kolin sekä kansallispuiston lounaispuolella (kansallispuiston ulkopuolella) olevaa näkötornia, jonka korkeus on 201 m.

Näin homma eteni. Ensinnäkin olin ladannut alueelta 2 m korkeusmallin Maanmittauslaitoksen avoimista aineistoista ja näitä hyödynsin tekemisessä. Muutaman apu- ja ohjevideon katsottua aloin tuumasta toimeen. Ensiksi aloitin työt aivan perus yhdistämällä nämä korkeusmallitiedostot yhdeksi yhtenäiseksi virtuaalitasoksi, jolloin tätä kaikkea oli helpompi tehdä ja ylipäätään mahdollista. Latasin tämän jälkeen vielä Maanmittauslaitoksen avoimien aineistojen palvelusta peruskarttalehden alueesta, jolloin aluetta oli paljon helpompaa hahmottaa. Karttalehden tuomisessa oli vain hieman ongelmia, sillä se ei ensiksi tahtonut asettua koordinaatistossa oikein, joten täytyi georeferoida se oikealle paikalle. Olin ottanut maastotietokannasta myös Kolin kansallispuiston alueet polygoneina, jonka avulla yhdistin peruskarttalehden sekä kansallispuiston rajat kohdilleen. Tämä georeferointi oli myös uusia asia, jonka opettelin katsomalla opetusvideon ja sain tämän onnistumaan. Digitoin sen jälkeen peruskarttalehden avulla pisteet, josta halusin näkyvyyttä analysoida, joka oli suurin piirtein Akka-Kolin ja Ukko-Kolin huipulta (voipi olla, että ei ihan osunut huipulle, vaan johonkin polulle, sillä tosiaan silmämääräisesti tämän toteutin). Näkötornin pisteen etsin Maanmittauslaitoksen maastotietokannasta, joten tämän sijainti on hieman tarkempi. Tämän jälkeen Create Viewpoints työkalulla loin halutun korkeuden, ns. katsojan korkeuden. Ajattelin ottaa analysoitavaksi noin itseni korkuisen pituuden eli 1,7 metriä. Näkötornin kohdalla korkeudeksi laitoin näkötornin korkeuden sekä oman pituuteni eli n. 202,7 m. Tämän jälkeen luoduilla pisteellä tein Viewshed analyysin, jonka otin 20 km säteellä pisteen ympäriltä, jotta työkalu analysoi koko alueen (tämä säde piti siis jo asettaa Create Viewpoint kohdassa). Tuloksen saamisessa kesti tovin, mutta onneksi ei kauhean kauaa. Ja valmis tuotos näytti pettymykseltä itselleni. Olin ajatellut, että tulos näyttäisi paremmalta ja hienolta, mutta loppujen lopuksi näkyvyys oli aika pientä alueella, joten päättelin, että olen saattanut asettaa pisteet Akka-Kolilla ja Ukko-Kolilla polulle tai metsään, jossa juuri sattuu olemaan alavampaa tai kuoppa yms. Mutta lopputulemat ovat esitettynä kuvina 2, 3 ja 4.

Kuva 2. Näkyvyys Akka-Kolilta 170 cm pituisen henkilön silmin.

Kuvassa 2 voidaan nähdä, että Akka-Kolin näkyvyys on suuri Pielisen järvelle päin, mutta itse kansallispuistoon näkyvyys on melko vähäistä. Akka-Koli on korkeampaa kuin muu ympäristö (Ukko-Koli vielä korkeampi), mutta olisin luullut, että näkyvyys olisi melko hyvä, mutta uskon, että kallion kielekkeet, kuopat vaikuttavat asiaan, että ehkä digitoidessani pistettä asetin pisteen hieman huonoon paikkaan, mutta kumminkin näkyvyys kansallispuiston ympärille on melko hyvää ja parempaa kuin kansallispuistoon. Akka-Kolilta siis pystyy hyvin tarkastelemaan kansallispuiston rajoja ja sen ulkopuolella olevia asioita.

Kuva 3. Ukko-Kolilta näkyvyys 170 cm pituisen henkilön silmin.

Ukko-Kolin kanssa on melko samanlaiset tunteet Akka-Kolin kanssa. Kuvasta 3 voidaan huomata, kuinka Ukko-Kolilta näkee hyvin järvelle päin, mutta muualle on huonot näkymät. Tämä luultavimmin johtuu siitä, että asetin digitoinnissa pisteen hieman sivuun korkeimmasta kohdasta ja ehkä sen ns. eteen, josta ei näe varsinaisen Ukko-Kolin  taakse.

Kuva 4. Läheisen näkötornin näkymät tornista 170 cm pituisen henkilön silmin.

 

Voíla! Tässä minun taidonnäyte näkyvyysanalyysin tekemisestä. Näiden tekeminen oli kyllä hauskaa ja oli mukava taas tehdä uuden työkalun kanssa töitä ja katsella, kuinka se toimii. En ole ihan tyytyväinen tulokseen juuri pisteiden sijoittamisen osalta, mutta sen osalta, että sain lopputulokseksi kumminkin kartan.

 

Luonnonsuojelua Suomessa

Tästä päästään vielä Suomen luonnonsuojelualueiden pariin. Kansallispuistojen lisäksi olin ottanut talteen Maanmittauslaitoksen maastotietokannasta luonnonsuojelualueet-tietokannan. Näistä tein taas perinteisen koropleettikartan, että missä sijaitsee eniten luonnonsuojelualueiksi määrättyjä alueita, eli ei suinkaan pinta-ala määrää vaan alueita. Kuvassa 5 voidaan siis ihastella tätä esittävää asiaa.

Kuva 5. Luonnonsuojeluun tarkoitettujen yksittäisten alueiden määrä kunnittain.

Kartasta voidaan huomata, että Itä-Suomessa on paljon luonnonsuojelualueiksi nimettyjä alueita. Kumminkaan ei voida mitään ns. trendiä tässä huomata, mutta varmasti metsäisemmissä kunnissa voi olla suurempia alueita ja kenties enempi. Tosiaan vielä muistutuksena, että nämä eivät ole pinta-aloja vaan polygonien määrä alueella. Attribuuttitaulusta vielä selvitin, että luonnonsuojelualueita on kaikissa muissa kunnissa maa-alueella paitsi Brandössa, Kökarissa ja Sottungassa, tai ainakaan näistä kunnista ei ole tietoa.

Palasin myöhemmin tekemään vielä pinta-alojen perusteella analyysia Suomen luonnonsuojelualueista. Laskin vielä siis luonnonsuojelualueiden pinta-alat attribuuttitauluun ja totesin, että yhteensä Suomen maapinta-alasta on luonnosuojelualuetta 127 430 km^2. Tämän jälkeen yhdistin tasot kunnista ja näiden luonnonsuojelualueiden pinta-aloista. Karttakuva kunnittain luonnonsuojelualueiden pinta-aloista kuvassa 6.

Kuva 6. Luonnonsuojelualueiksi tarkoitettujen alueiden pinta-alat kunnittain.

Kuvasta 6 voidaan huomata, kuinka Pohjois-Suomeen kohdistuu pinta-alaltaan eniten luonnonsuojelualueita. Kartasta voidaan huomata, että Sodankylä on värjättynä tummimmalla, joka tarkoittaa, että kyseisessä kunnassa on pinta-alaltaan eniten luonnonsuojelualuetta. Yhteensä Sodankylässä on siis 20 888,78 km^2 luonnonsuojelualuetta.

 

Yhteenvetoa vielä

Tämä kurssikerta oli kyllä mukava! Sai tehdä juuri sellaisen tehtävän kuin halusi. Ainoa ongelma itselläni oli luovuuden puute ja epävarmuus siitä, että onko nyt tarpeeksi asiaa yhden kurssikerran tehtävämäärän täyttämiseksi ja minkälaisia asioita nostaa esille tekemästään työstä blogissa. Ehkä tässä tällä kertaa näkyy tosiaan se oman luovuuden puute. Vaikka itselläni tässä olikin ongelmia niin muiden blogeja katsoessa nousi paljon mielenkiintoisia toteutuksia, nyt muutaman mainitakseni Ali Ylikosken blogissa oli hienoja karttaesityksiä, joita vain voi suu ammollaan ihailla sekä hyvää pohdintaa mielenkiintoisesta aiheesta sekä Tuomas Hartikaisen blogissa, jossa hän yhdisti oman intohimon kohteensa sekä pohdintaa onnellisuudesta.

Tämä kurssikerta kumminkin sinetöi tämän kurssin vielä hyvin pakettiin antamalla itselleni vapauden tehdä ja kokeilla vielä viimeisen kerran, mitä sitä on tullut opittua.

Mutta kumminkin tämä kurssi on tässä. Kurssi toi paljon osaamista lisää ja myös varmuutta paikkatieto-ohjelmien kanssa erityisesti QGIS:n. Näitä opittuja taitoja täytyy nyt hioa ja pitää yllä. Kyllä tämän kurssin osalta lisääntyi taas se innostus paikkatietoa kohtaan. Paljon tuli istuttua koneen ääressä näitä tämän kurssin tehtäviä tehden, mutta nämä kumminkin ovat olleet mukavia tunteja (tai aina tehtävästä ja omasta jaksamistasosta ja hermojen kireydestä riippuen). Mutta nyt loppuu tämän blogin päivittely näiltä osin. Mukavaa oli, mutta nyt on aika kiittää ja kumartaa haikein mielin, ja tapaamisiin missä ikinä tapaammekaan seuraavan kerran.

Hei hei!

 

Lähteet:

Maanmittauslaitos. Avoimien aineistojen tiedostopalvelu. Korkeusmalli 2 m (P5324H, P5342B, P5324G, P5342A, P5342C, P5342D). <https://tiedostopalvelu.maanmittauslaitos.fi/tp/kartta>

Maanmittauslaitos. Avoimien aineistojen tiedostopalvelu. Peruskarttarasteri (P5324R, P5342L). <https://tiedostopalvelu.maanmittauslaitos.fi/tp/kartta>

Maanmittauslaitos. Maastotietokanta.

Ylikoski, A. (2022). Kurssikerta 7: Omavalintainen analyysi koronapandemian vaikutuksesta metroasemien käyttäjämääriin. Alin Geoinformatiikkablogi. Viitattu: 18.3.2022

Hartikainen, T. (2022). 7. kurssikerta. Maa-GIS-ta Menoa -blogi. Viitattu 18.3.2022

Viikko 6 – Hazardeja

Toiseksi viimeinen kurssikerta ja toiseksi viimeinen blogipostaus näistä aiheista. Seitsemän viikkoa menee melko nopeasti, vastahan tämän blogin kirjoittaminen aloitettiin. Mutta itse asiaan sitten.

 

Kumpulan alueen turvallisuus ja viihtyvyys

Tällä kurssikerralla teimme itse paikkatietoa ja hyödynsimme sitä oman analyysintekemisessä sekä interpolointipinnan muodostuksessa. Tämä oli mielenkiintoinen kokemus ja oli mukavaa päästä itse kokeilemaan paikkatiedon luontia. Sovellus, jota käytimme, oli Epicollect5, joka oli mukavan helppokäyttöinen, jota voisi helposti hyödyntää omissa tutkimuksissa. Jessika Isomeri (2022) blogissaan pohdiskeli sovelluksen käyttöä mm. yläkoulussa oppilaiden kanssa, joka mielestäni olisi loistava keino aktivoida koulun maantiedon tunteja ja näyttää maantiedon monipuolisuus sekä geoinformatiikkaa, joka ei ainakaan omana yläkouluaikana ollut esillä melkeinpä ollenkaan käsitteenä.

 

Hasardien maailma

Itsenäisenä tehtävänä tällä kertaa oli hasardikartat sekä oman sisäisen opettajan herättelyä. Ei minusta kyllä opettajaa tule (en ole itse tähän suuntaan meinannut), mutta never say never, aika näyttää, mitä minustakin muodostuu isona. Tehtävänä siis oli muodostaa oppimateriaalia kartan muodossa hasardeista ja niiden esiintymisestä maapallolla. Tehtävässä annettiin melko vapaat kädet ja harmillisesti juuri tällöin itselleni iski luovuuden puute, joka jäädytti tämän projektin hetkeksi (sen takia blogipostaus ei tule aivan täydellisesti ajallaan, mutta tulee kumminkin).

Päädyin esittämään materiaalissa maanjäristyksiä, niiden sijoittumista ja ihmiskunnalle aiheutuvia riskejä sekä niiden sijoittumista suhteessa tulivuoriin. Tuotokseni liitän tähän alle.

 

 

Kuva 1. Maanjäristykset globaalisti, jotka ovat olleet yli 6 magnitudia voimakkuudeltaan vuosien 1980-2022 välillä.

 

Kuva 2. Maanjäristysten aiheuttama riski ihmishenkien osalta.

 

Kuva 3. Maanjäristysten aiheuttamat riskit taloudellisesti.

 

Kuva 4. Tulivuorien ja maanjäristysten sijaintien vertailua globaalisti.

 

Pyrkimykseni oli keskittyä maanjäristyksiin. Halusin esittää hieman muutakin niihin liittyvää kuin sijainnit ja voimakkuudet, jolloin löysin rasteriaineistoa siitä aiheutuvista ihmiskunnanriskeistä (ihmishenkien menetys ja taloudelliset vahingot). Näiden riskien avulla halusin tuoda esille, että maanjäristyksistä aiheutuvat riskit ovat erisuuruisia paikasta riippuen esim. alueen taloudellinen tilanne sekä väestöntiheys vaikuttavat riskien suuruuksiin ja vaikka näistä puhutaan yleisesti oppitunneilla, havainnollistaa kartta vielä entisestään asiaa.

Koen karttojeni olevan osalta käyttökelpoisia opetuskäyttöön mm. maanjäristysten sijainnit ja niiden suhde tulivuoriin. Ihmiskunnan riskien esitys kartalla myös jonkin verran käytännöllinen, mutta noin suurena kartta voi olla epäselvä, ehkä rajaus lähemmäs auttaisi, mutta maapallon kartta antaa kokonaisuudessaan globaalin katsauksen riskialttiimpiin alueisiin. Näin jälkikäteen mietin myös kartoissa käyttämääni symbolia maanjäristysten kuvaamiseen, se on melko tumma ja olisi voinut olla mielestäni vaaleampi.

Kartoillani voisi myös opettaa litosfäärilaattojen reunojen sijaintia, eri maanosien ja alueiden suurimpia riskejä hasardien (tällä kertaa maanjäristysten) osalta. Litosfäärilaattojen esittämiseen karttaan olisi tosin kannattanut lisätä laattojen reunoja tai tehdä oma kartta niistä, jotta niitä voisi vertailla hyvin. Mm. https://reliefweb.int/map/world/earthquakes-global-overview-7-june-31-december-2020-dg-echo-daily-map-18012021 täältä löytyy vielä eri voimakkuuksien maanjäristysten luokittelu sekä mannerlaattojen reunat.

 

Mutta tässä kaikki tältä erää. Palataan pian vielä viimeisen kurssikerran yhteydessä!

 

Lähteet:

Isomeri, J. (2022). Viikko 6 – Meno menee hasardiksi. Jessikan GIS-hurvittelut -blogi. Viitattu 1.3.2021

Global Earthquake Total Economic Loss Risk Deciles, v1 (2000). SEDAC. < https://sedac.ciesin.columbia.edu/data/set/ndh-earthquake-total-economic-loss-risk-deciles>

Global Earthquake Mortality Risks and Distribution, v1 (2000). SEDAC. < https://sedac.ciesin.columbia.edu/data/set/ndh-earthquake-mortality-risks-distribution>

Earthquakes. USGS. <https://earthquake.usgs.gov/earthquakes/search/>

Volcanoes. NOAA. <https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search>

5. viikko – Bufferit ja uima-altaat

Tällä kertaa harjoiteltiin suurimmaksi osaksi toteuttamaan itsenäisesti tehtäviä, joka osoittautui ihan hyväksi tilannekatsaukseksi, että miten on oppinut erilaisten QGIS-työkalujen ja toimintojen käyttöä. Tämän viikon harjoitukset toivat itselleni paljon turhautumisia, mutta myös oivalluksia.

 

Bufferointi tutuksi

Ensinnäkin tällä kurssikerralla jatkettiin viime viikon Pornaisten alueen analysoinnista ja tällä kertaa uutukaisena työkaluna hyödynnettiin bufferointi-työkalua. Olinkin jo odottanut mukavia bufferointi analysointeja. Itselleni entuudestaan siis tuttu työkalu, jonka käyttöä harjoitellut aiemmin. Pornaisten alueella bufferoinnin kohteina olivat siis teiden, terveyskeskuksen sekä koulun ympäristössä sijaitsevat asuintalot ja niiden asukkaat. Nämä onnistuivat mielestäni hyvin itseltäni ja sain melko ongelmitta selvitettyä määrät. Alla olevassa taulukossa (taulukko 1) hieman näitä lukuja, mitä sain.

 

Taulukko 1. Pornaisten buffer-tehtävä

  Talot Asukkaat
Etäisyys koulusta 1 km 249 1 098
Etäisyys terveyskeskuksesta 500 m 187 859
Kaikki 673 3 339

 

Tästä siirryttiin sitten aivan itsenäisesti tekemään tehtäviä. Ensimmäinen ajatus itselläni oli, että mitäköhän tästä tuleekaan, mutta toisaalta oma halu haastaa itseäni ja halu kokeilla, millä tasolla olen ohjelmiston käytössä, lievensivät hieman tätä kauhistuksen tunnetta.

 

Lentomelua ja asemia

Ensimmäisenä tehtävänä pohdittiin Malmin lentokentän sekä Helsinki-Vantaan lentokentän melua.

Ensimmäisenä Malmin lentokenttä, jossa mietittiin, kuinka monen ihmisen elämään Malmin kiitoratojen käytöstä aiheutuva melu vaikuttaa. Nämä ihmismäärät laskettiin ensin bufferoimalla kiitoratojen ympäriltä 2 km alue ja se jälkeen 1 km alue. Itse bufferin tekeminen oli jo hallussa edellisestä tehtävästä ja näiden buffereiden vaikutusalueelle jääneiden asukkaiden valinta onnistui tässä vaiheessa vielä hyvin.

Sitten siirryttiin tekemään samantyyppisiä analyysejä Helsinki-Vantaalle. Ensimmäisenä tarkasteltiin täälläkin 2 km etäisyyttä kiitoradoista ja tälle alueelle osuvien asukkaiden määrää, tämä myös onnistui vielä hyvin buffer-työkalun ja valinta työkalujen avulla. Mutta sitten päästiin ensimmäisen haasteen ääreen itselleni, sillä eteen tuli tehtävä, jossa 2 km bufferilla ja 65 dB melualueella asuvat pitivät saada valittua samanaikaisesti. Aloin miettimään kovasti, että millä nämä saadaan yhdistettyä nämä kyseiset tasot ja miten saan valittua nämä ihmiset. Aloin taas liian monimutkaisesti miettimään, mutta loppujen lopuksi käytin valintatyökaluista Free Hand-toimintoa, sillä valittavia ei onneksi ollut niin montaa. Poikkeuslentosuunnan bufferointi ja väestön valitseminen bufferin alueella onnistui taas helposti.

Kolmantena tähän liittyvästä tehtävästä oli asemien läheisyydessä asuvan väestön havainnointi. Tämä oli taas simppeliä bufferin muodostamista sekä sen alueella asuvan väestön valitsemista. Pieniä tuskastumisen hetkiä koitti kumminkin työikäisten valitsemisessa, mutta tämänkin tajusin, kun unohdin liian monimutkaisen ajattelun. Taulukko kaikista tuloksista löytyy alta (taulukko 2).

 

Taulukko 2. Lentokentät ja asemat

Malmin lentokenttä
Etäisyys 2 km 58 800 henkilöä
Etäisyys 1 km 9 102 henkilöä
Käyttöönoton jälkeen rakennettuja taloja 1 km etäisyydelle kentästä ja niiden asukkaat 771 rakennusta ja 8 905 asukasta
Helsinki-Vantaan lentokenttä
2 km etäisyydellä asuvat 11 727 henkilöä
2 km etäisyydellä ja 65 dB meluasteella asuvat 17 henkilöä, joka on 2 km etäisyydellä asuvista 0,14 %
Väh. 55 dB melualueella asuvat 11 923 henkilöä
Poikkeuslentosuunnan 60 dB melualueella asuvat 13 817 henkilöä
Asemat
500 m etäisyydellä Vantaan asemista asuvat 111 765 henkilöä, joka on Vantaan asukkaista 21,7 %
Työikäisiä 500 m etäisyydellä asuvat 74 989 henkilöä, joka kaikista asukkaista on 67,1 %

 

Taajamat

Toisena itsenäisenä tehtävänä oli taajamiin liittyvä tehtävä edelleen Vantaan alueella. Tämä oli varsinainen ensimmäinen tehtävä, missä ohjeistuksen määrä oli erittäin vähäinen, ellei melkeinpä olematon, joten tässä päästiin todella kokeilemaa itsestään, kuinka on QGIS hallussa. Ja vastaushan tähän on niin ja näin, jotkin asiat ovat, mutta opittavaa vielä on rutkasti.

En muista kovinkaan hyvin enää toimenpiteitäni, sillä ajatukset keskittyivät hieman enemmän sormet ristissä toiveajatteluun, että toivottavasti saan ratkaistua pulman, että miten saan oikean tuloksen. Tämän muistaakseni tein yhdistelemällä tietokannat taajamista sekä asukkaista ja näin sain tietoon, kuinka monta asukasta asuu taajamissa. Samaisessa tehtävässä selvitettiin myös taajamissa asuvien lasten määrää ja niiden ulkopuolella asuvia lapsia sekä ulkomaalaisten osuuksia taajamissa. Saamiani tuloksia on taulukossa 3 esitettynä.

 

Taulukko 3. Vantaan taajamamien asukkaat

Vantaan asukkaista asuu taajamissa 496 555 asukasta, 96,2 %
Kouluikäisiä taajamissa 50 762 lasta
Kouluikäisiä taajamien ulkopuolella 2 051 lasta, 3,9 % kouluikäisistä
Ulkomaalaisten osuus yli 10 % 57 alueella
Ulkomaalaisten osuus yli 20 % 25 alueella
Ulkomaalaisten osuus yli 30 % 14 alueella

 

Pk-seudun uima-altaat ja saunat

Sitten siirryttiinkin vapaasti valittaviin itsenäistehtäviin. Ja minä valikoin uima-allas ja sauna tehtävän. Haluttujen kohteiden valinta onnistui melkoisen hyvin, sillä tätä juuri ennen taajama tehtävässä oli harjoiteltu ja pistetty mieleen. En muista näin jälkikäteen, että tässä suurempia vaikeuksia oli, mutta sitten visualisoinnin yhteydessä tuli suurempi pulma, sillä karttaan merkittiin pylväsdiagrammin lisäksi myös numeroarvo kuvaamaan uima-altaiden määrää, mutta luvut ei vaan halunnut ilmestyä kartalle ja tätä tuskailin pitkään. Numeroarvot näkyivät vain muutamilla alueilla ja vasta, kun olin asetukset laittanut aivan solmuun niin ne ilmestyivät kaikille alueille, mutta ne olivat aivan sikin sokin sekaisin. Noh sain tämän jotenkuten ratkaistua ja visuaalisesti ei niin kauniilla tavalla, mutta tuotos löytyy kuvana 1 alta. Ja tuloksia uima-altaista ja saunoista löytyy taulukosta 4.

Kuva 1. Pääkaupunkiseudun pienalueiden uima-altaalliset rakennukset.

 

Taulukko 4. Uima-altaalliset ja saunalliset rakennukset ja

Uima-altaita 855 rakennuksessa
Asukkaat uima-altaallisissa rakennuksissa yhteensä 12 170 asukasta
Uima-altaalliset omakotitalot 345 kpl
Uima-altaalliset rivitalot 113 kpl
Uima-altaalliset kerrostalot 181 kpl
Pienalue, jossa eniten uima-altaallisia rakennuksia Lauttasaari
Asutuista rakennuksista saunallisia rakennuksia on 21 922 kpl, 24 % asutuista rakennuksista

 

Tehtävien jälkeistä loppupohdintaa

Koen osaavani QGIS käyttöä kohtuu hyvin, en ole mestari, mutta kykenen selviytymään tehtävistä läpi. QGIS on kumminkin vielä suhteellisen uusi ohjelmisto, jolloin siihen ei ole vielä saanut rutiinia käyttöön. Ohjelmistossa on hyvin paljon erilaisia työkaluja, joita ei olla vielä harjoiteltu, joten paljon on oppimista.

Kurssilla on nyt nousseet tärkeimpiä työkaluja esille, jotka ovat buffer-työkalu, valintatyökalut, tietokantojen liitokseen tarvittavat työkalut (Join attributes by location (summary) ja Join-toiminto taulukoille), digitointi sekä kartan visualisointiin liittyvät toiminnot (kartan viimeistelyyn sekä mm. kaavioiden lisääminen karttaan). Näistä työkaluista parhaiten osaan bufferoinnin, visualisoinnin sekä valintatyökalujen käytön (kunhan ensiksi ajattelen asioita yksinkertaisemmin ja tajuan käyttää näitä). Erityisesti lisäharjoitusta tarvitsisin Join attributes by location (summary)-työkaluun. Kyseisen työkalun toiminnot ovat itselleni hankalia, sillä niiden tarkoitus ei ole täysin selvä itselleni.

Tämä itsenäinen tekeminen kumminkin oli mukava katsaus omaan osaamiseen sekä oppia oivallusten ja oman pohdinnan kautta, että miten pitäisi ongelmaa lähteä ratkomaan. Oivallusten kautta sitä yleisesti oppii hyvin.

Työkalujen mahdollisuudet ovat itselleni vielä hieman pimennossa, sillä nyt on vasta opeteltu, että kuinka niitä käytetään ja itsekin vielä pähkäilee, mutta esim. bufferointi työkalua voi hyvin hyödyntää saatavuuden ja meluhaittojen ohella esim. pölyhaittojen analysointiin tai jonkin tehtaan ympäristövaikutusalueen analysointiin.

Tähän loppuun kiteyttämään omia ajatuksia vielä Milla Siggn (2022) pohdintaa: ” Uskon, että ohjelman kanssa taistelu luo muistijälkiä ja ehkä ensi kerralla onnistuu taas paremmin” sekä Jessika Isomeren (2022) pohdiskelua: ” Minulla on kyllä tunne, että osaan tehdä asiat kun keskityn ja toistan niitä useamman kerran. Monesti kuitenkin juuri sen oikean ja parhaimman QGIS:n toiminnon löytäminen tai muistaminen ei tule kuin apteekin hyllyltä. Tämä vaatinee siis vielä vaan lisää rutiinia ja keskittymistä.”

Näihin sitaatteihin ja tunnelmiin!

 

Lähteet:

Sigg, M. (2022). QGIS -analyysejä & bufferointia. Matkalla geoinformatiikan osaajaksi -blogi. Viitattu: 24.2.2022

Isomeri, J. (2022). Viikko 5 – Bufferointia ja uima-altaita. Jessikan GIS-hurvittelut -blogi. Viitattu 24.2.2022

4. viikko – Rruutuja, rrastereita ja digitointia

Noniin ja taas oli se aika viikosta, jolloin GIS velhon koulutus jatkui GEM kurssin muodossa. Tällä kertaa aiheena rasteriaineistot. Itse olen kylläkin aina enemmän pitänyt vektoriaineistojen työstämisestä (en tiedä, mikä niissä on, mutta kumminkin :D), mutta mukava oli rasteriaineistojakin pyöritellä ja ihmetellä.

Tällä kertaa ohjelmistossa oli pääkaupunkiseudun tutkailua ja rasteriaineiston luontia sekä rasteriaineistojen yhdistämistä sekä korkeuskäyrien luontia.

 

Pääkaupunkiseudulle siis

Tällä kertaa loimme itse rasteriaineiston pääkaupunkiseudun päälle. Aivan ensimmäisenä rasteriaineistoille tyypillinen pikselimäisyys luotiin tekemällä ruudukko alueen päälle. Tästä ruudukosta karsittiin vielä asumattomat alueet pois, jotta aineistoa olisi helpompi ja kevyempi pyöritellä. Näin jälkikäteen miettien tämä toimenpide taisi mennä itseltäni ohi ja en nyt sen takia tarkalleen muista miten se suoritettiin, joten täytyy palata vielä tutkailemaan tätä hetkeksi. Tämän jälkeen hankittiin vielä dataa ruutuihin väestötietokannan avulla ja tähän käytettiin aikaisemmalta kerralta tuttua Join attributes by location (summary). Tämä kyseinen työkalu on itselleni ollut melkoinen koettelemus ymmärtää, mutta pikkuhiljaa, pikkuhiljaa alkaa sekin valoistumaan. Tämän jälkeen jäi enää muuttujan valinta ja visualisointi jäljelle. Tuotoksen näkee alta kuvana 1.

 

Kuva 1. Pääkaupunkiseudun muun kielisen väestön osuus ruudun väestöstä.

Kartta kuvastaa siis muun kielisen väestön eli muun kielisten kuin suomea tai ruotsia puhuvien osuutta. Tarkastellessa kuvaa 1 ja sen karttaa voi huomata jonkin näköisiä keskittymiä pääkaupunkiseudulla muun kieliselle väestölle. Suurimpia muun kielisen väestön keskittymiä on mm. itäisen/koillisen Helsingin alueilla, Suur-Leppävaaran sekä Vanhan-Espoon eteläisillä alueilla. Aineistoa tutkiessa huomasi, että kahdessa ruudussa muun kielisten osuus ruudun väestöstä on täysin 100 %, nämä kaksi ruutua sijaitsevat Suur-Espoonlahden kaakkoisosassa ja koillisen/itäisen Helsingin osan rajalla, joissa ruudut ovat tummimman siniset, eli kyseisissä ruuduissa on vain muun kielistä väestöä. Tämä keskittyneisyys johtuu suurimmaksi osaksi lähiöistä ja maahanmuutosta. Maahanmuuttajat ovat varmasti suurin osuus muunkielisestä väestöstä. Maahanmuuttajilla usein on taloudellisesti vaikeinta, jolloin he asuvat usein halvemmilla asuinalueilla. Jessika Isomeri (2022) blogissaan muistuttaa hyvin, kuinka alueiden asumiskustannuksiin vaikuttaa kaupungin aluepolitiikka esim. investoinnit asuntoihin ja muuhun rakentamiseen sekä julkiseen liikenteeseen ja kuinka tällaisille alueille maahanmuuttajat usein keskittyvät.

Tässä kohtaa on hyvä muistaa, että käytössä on suhteelliset arvot ja luvut/havainnot ovat ruutukohtaisia. Tämä suhteellisten arvojen ruutukartta kertoo, että kuinka yleistä tietyn ruudun alueella on muun kielisyys väestössä. Absoluuttisilla arvoilla tuodaan taas esille, että missä pääkaupunkiseudulla on määrällisesti eniten muun kielistä väestöä ja tästä voidaan paremmin päätellä, missä päin asuu eniten muun kielistä väestöä. Absoluuttisilla arvoilla kuvattu kartta on kuvana 2.

 

Kuva 2. Pääkaupunkiseudun muun kielinen väestö ruuduittain absoluuttisin arvoin (lukumäärä).

Tästä kuvasta puolestaan huomataan, kuinka suurin osa muun kielisestä väestöstä keskittyy suurin piirtein pääkaupunkiseudun eteläisiin osiin. Esim. Helsingin koillis-/itäosiin keskittyy paljon muun kielisiä, joka on todennäköisesti lähiöiden ja maahanmuuttajien taloudellisen tilanteen johdosta muodostunut näin. Näin absoluuttisin arvoin huomataan, kuinka paljon muun kielistä väestöä määrällisesti on myös Helsingin eteläisessä ja keskisissä osissa, joka voisi selittyä mm. korkeakoulujen ja työperäisen maahanmuuton takia mahdollisesti.

Näitä karttoja keskenään vertaillessa huomataan, kuinka suhteellisilla arvoilla kartta näyttää hyvinkin värikkäältä, kun taas absoluuttisin arvoin kuvattuna muun kielisen väestön pääpaino on etelämmässä ja mm. Vanha- ja Pohjois-Espoo sekä Suur-Kauklahti ja Keimola ovat hyvinkin vaaleita, joka osoittaa, että määrällisesti muun kielistä väestöä on vähän. Joten on mietittävä, miten halutaan esittää ilmiö ja valita sen mukaisesti absoluuttisten ja suhteellisten arvojen väliltä, sillä molemmat hyviä omalla tavallaan.

Ruutukartan etuja verrattuna koropleettikarttaan huomasin olevan mm. se, että koropleettikartalla yleisesti esitetään suurempia alueita, näin ruutukartoilla voidaan yksityiskohtaisemmin esittää ilmiötä suurempien alueiden sisällä ja nähdä niiden sisäiset erot. Ainoana mietinnän kohteena on, että jos tieto osuu kahden ruudun välille, että sen arvo tulee vaikuttamaan tällöin kahteen ruutuun, joka vääristää hieman, mutta todennäköisyys sen tapahtumiseen on yleisesti pieni. Muutoin ruutukartalla voidaan esittää hyvin mm. väestön jakautumista ja sen keskittymiä.

Nämä karttaesitykset olivat mielekkäitä tehdä mielestäni. Itsestäni ainakin tuntuu, että visualisointi onnistui ja kartat ovat selkolukuisia. Lisäsin karttaan informatiivisen arvon lisäämiseksi pääkaupunkiseudun suuralueet, jotta alueiden sisäisen vaihtelun huomaa paremmin ja esim. oman asuinalueen tarkastelu onnistunee helpommin. Lisäsin myös alueiden nimet selkeyttämisen vuoksi, sillä ainakin itselleni suuralueiden nimet eivät ole hallussa, nimet siis havainnollistavat, että mitä aluetta kuvataan.

Korkeuskäyrät

Toisena tehtävänä oli muodostaa Pornaisten alueelle korkeuskäyrät. Tämä siis piti tehdä itse (ohjeet ja opettaja olivat onneksi apuna) käyttäen apuna rasteriaineistoa, jossa oli korkeuteen liittyvää tietoa (väritys korkeuserojen mukaisesti). Alun alkajaan siis käytössä oli neljä rasteritasoa, joiden yhdistämisen jälkeen voitiin tehdä korkeuskäyrät. Tämä onnistui hyvin ohjeiden ja neuvojen avulla. Ja käyristähän tulivat… (kuva 3)

 

Kuva 3. Pornaisten alueelle laaditut korkeuskäyrät 5 m välein.

…seuraavanlaiset. Alun epäuskon jälkeen niistä tulikin ihan hyvät. On jotenkaan alkuun uskonut, että korkeuskäyrät voi noin helposti tehdä QGIS:n avulla, mutta se olikin yllättävän yksinkertaista.

Todenmukaisuutta ja luotettavuutta näissä oma tekemissä korkeuskäyrissä voidaan tarkastella verraten niitä Paitulista löytyviin korkeuskäyriin, josta kuva alla (kuva 4).

 

Kuva 4. Paituli-palvelusta ladattu korkeuskäyräkartta.

Näitä kahta, kun vertailee huomaa, että Paitulin korkeuskäyrät ovat tarkempia. Oma tekemissä käyrissä huomaa, kuinka käyrät sisältävät joissain kohtiin ’siksak’ kuviota, kun taas Paitulin korkeuskäyrissä käyrät ovat ns. pehmeä linjaisia ja eivät sisällä yhtään ’siksakkia’.

 

 

Aivan lopuksi aloitettiin luomaan digitoimalla aineistoa Pornaisten karttaan, jota jatkamme ja hyödynnämme ensi kerralla, joten ensi viikolla palaamme tämän GIS matkan osalta jälleen Pornaisissa. Ensi kertaan siis.

 

Lähteet:

Isomeri, J. (2022). Viikko 4 – Rasti ruutuun. Jessikan GIS-hurvittelut -blogi. Viitattu 11.2.2022

3. viikko – Tulvia ja konflikteja

Kurssikerran aiheena tietokanta liitokset ja tietokanta muokkaukset. Tietokanta liitoksia harjoittelin jo itse ensimmäisen kurssikerran tehtävässä, jossa piti tuoda jokin aineisto ja haluttu muuttuja, joka liitettiin Suomen kuntatietokantaan. Eli hieman jo hallussa oleva asia, mutta tällä kertaa selkiytyi paaaaaljon paremmin. Mennään siis harjoitusten pariin.

 

Matkustimme tällä kertaa Afrikkaan tutkimaan timanttikaivoksia, öljyn poraus lokaatioita ja konflikteja.

Aivan alkuun aloitimme Afrikka tietokannan muokkauksella, jotta tietokannasta tulisi selkeämpi sekä tiiviimpi. Tietokanassa oli monia rivejä samojen valtioiden osille, joten nämä yhdistettiin, jotta tietokantaliitokset tähän tietokantaan onnistuisivat kivuttomammin. Tähän oli myös muutama eri tapa, joilla tätä muokkaamista ja yhdistelemistä harjoiteltiin.

Tämän siivouksen jälkeen lisäsimme internetinkäyttöä koskevan tietokannan tiedot Afrikka tietokantaan. Tämä onnistui aika hyvin, sillä harjoittelin hieman jo ensimmäisellä kurssikerralla tätä. Tällä kertaa kumminkin tarkemmin selvisi koodaus järjestelmän merkitys. Oletusjärjestelmänä koodauksessa on UTF-8, joka ei tue skandinaavisia kirjaimia, joissa itselläni oli ongelmia ensimmäisessä itsenäisessä harjoituksessa.

Tämän jälkeen siirryttiin öljyn, timanttien ja konfliktien pariin. Näitä tietokantoja yhdisteltiin ja laskeskeltiin. Tämä osio tuntui itselläni menevän hieman ohitse, mutta täytyy itse vielä palata tätä tarkastelemaan ja harjoittelemaan. Mutta käytössä oli myös Join attributes by location (summary) toiminta, joka onnistui ohjeiden kanssa hyvin, mutta itse kokeiltuani ei tämä työkalu jäänyt toiminnoiltaan vielä hyvin mieleen.

Loppujen lopuksi olimme saavuttaneet tietokannan, jossa oli melkoisen paljon tavaraa. Tietokanassa oli siis tietoa konflikteista (tapahtumavuosi, laajuus, sijainti), timanteista (löytövuosi, kaivausten aloitusvuosi, tuottavuusluokittelu), öljystä (löytövuosi, poraamisvuosi, tuottavuus) ja internetin käyttö tilastoa monelta vuodelta. Näillä tiedoilla saa paljon tietoa Afrikan tilanteesta esim. internetin käyttämislukujen muutos kertoo teknologisesta kehittymistä ja minkälaisia alueellisia eroja mahdollisesti valtioiden välillä on. Internetin käyttöä voidaan myös vertailla tuottavuuden kanssa (öljy, timantit) esim. vaikuttaako valtion öljy- tai timanttivarat internetin käyttöön ja millä tavalla. Myös konflikteja sekä timantteja tai öljyä voidaan vertailla ja miettiä löytyykö niiden ilmenemisellä yhteyttä.

Tähän liittyen teimme kartan Afrikasta (kuva 1). Kartassa näkyy konfliktien sijainnit sekä timanttikaivokset ja öljynporaus alueet Afrikan rannikolla.

Kuva 1. Afrikan öljyn porausalueet, timanttikaivokset ja konfliktit.

 

Itsenäisenä harjoituksena palattiin Suomeen. Harjoituksen tarkoituksena oli saada tulvaindeksit sekä järvisyys näkymään kartassa valuma-alueittain. Tässä harjoituksessa harjoiteltiin samoja asioita kuin aiemmassa harjoituksessakin eli tietokantaliitoksia sekä laskutoimituksien tekemistä attribuuttitaululla.

Taulukon liittäminen tasoon Join toiminnolla sujuu mielestäni erittäin mallikkaasti, nähtävästi tämä toiminto jäänyt hyvin mieleen luennoilta ja harjoituksista. Mutta hankaluuksia tuotti Join attributes by location (summary) toiminto, jota olisi pitänyt käyttää harjoituksen vaikeamassa variaatiossa, mutta sen yrittäminen kaatui siihen, etten tämän toiminnon toimintaa täysin ymmärtänyt. En ymmärtänyt, mitä kaikkea olisi pitänyt rastittaa työkalun vaihtoehdoista, jotta olisin saanut laskettua järvisyyden itse. Päädyin siis käyttämään valmista järvisyys prosenttia ja luomaan kartan siitä.

Valmis tuotos tästä löytyy kuvana 2 alta.

Kuva 2. Suomen alueen valuma-alueet luokiteltuna tulvaindeksin mukaan sekä kartassa myös valuma-alueiden järvisyysprodentti.

 

 

Kartassa esitettynä Suomen valuma-alueiden tulvaindeksi ja alueen järvisyys. Tulvaindeksillä osoitetaan, kuinka moninkertainen tulvahuipun vesimäärä on verrattuna keskivirtaamaan (YVA, 2011). Koropleettikartalla on kuvattu, millä valuma-alueilla tämä indeksi on suurin ja missä tulvahuiput ovat suurimpia verrattuna normaalioloihin.

Kartassa huomiona voidaan sanoa, että Suomen sisämaan ja rannikon puoleisilla valuma-alueilla tulvaindeksit ovat pienimpiä Suomessa, kun taas Suomen- ja Pohjanlahden rannikoilla on suurimmat tulvahuiput (suurin Turun seudulla sekä Helsingin seudulla). Janne Turusen (2022) blogissa huomasin pohdintaa siitä, että järvisimmillä alueilla tulvaindeksi on pienin, jolloin voidaan pohtia, että suurempi järvisyys alueella vähentää tulvahuippua valuma-alueilla. Tätä en aivan heti itse ajatellut, mutta näen kyseistä yhteyttä nyt itsekin.

Omassa kartassani meni nähtävästi värien käyttö hieman pieleen. Järvisyyttä kuvaavan palkin olisi varmaan pitänyt olla hieman tummempi, jottei se sekoittuisi järvien ja jokien kanssa niin pahasti. Tein visualisoinnin apunäytöllä, jossa värit näyttivät selkeiltä, mutta läppärin näytöltä ne ovatkin hieman erilaisia. Palkit kumminkin näkyvät jonkin verran, katsotaan, jaksanko palata korjaamaan tämän myöhemmin.

 

Mutta 3. kurssikerta oli tässä. Kiitos ja kuittaus tältä osin, palataan seuraavan kurssikerran yhteydessä!

 

Lähteet:

Karvasuon turvetuotantoalue, Seinäjoki. (2011). YVA-selostus osa 2. WSP Finland Oy. s. 75.

Turunen, J. (2022). QGIS – rakastettuni. Geoinformatiikan mystiset menetelmät -blogi. Viitattu: 8.2.2022

2. viikko – Toinen koettelemus

Toiseen viikkoon ja toiseen kurssikertaan selvitty. Ensimmäisestä kurssikerrasta jäi kyllä ihan hyvä fiilis, joten odotinkin jo tätä kertaa. Hieman itse blogin pitäminen on itselleni vielä hakusessa ja hieman olen kurssin tehtävistä vielä pihalla, mutta eiköhän tämä tästä. Noh, sitten mennäänpä itse kerran aiheeseen eli projektiot ja erilaisten projektioiden erot.

 

Kertaus on opintojen äiti – menee tunnettu sanonta. Kurssikerran alussa kertasimme vielä hieman edelliskerralla opittuja ominaisuuksia QGIS:stä, joka oli ihan hyödyllistä. Tällä kertaa laajemmassa tarkastelussa olivat valintatyökalut, jotka selkenivät tällä kerralla huomattavasti ja osoittautui helpommiksi kuin ensimmäisellä kerralla olin ymmärtänyt. Ensimmäiseen kurssikerran tehtävään käytimme myös mittaustyökalua laajemmin kuin ensimmäisellä kerralla. Mittaustyökalulla vertailtiin projektioiden pituuksia ja pinta-aloja. Mittaustyökalun käyttö oli helppoa, mutta sain sen kerran jonkin möhlimisen seurauksesta kadottamaan viivan ja alueen, mitä piti vertailla. Täten jouduin tekemään tämän uudestaan, jotta kaikissa vertailunkohteissa olisi identtiset kuviot, sillä viiva ja alue määritettiin silmämääräisillä pisteillä, jotka eivät tietenkään osunut samoille kohdille kuin ensimmäisellä määrittämiskerralla ja tällöin kuviot olivat erisuuret. Taulukkoon 1 olen koonnut toisella yrittämälläni saadut mitat eri projektioissa.

 

Taulukko 1. Projektioiden pituuksien ja pinta-alojen vertailua
Projektio Pituus (km) (cartesian) Pinta-ala (km^2) (cartesian)
ETRS TM35FIN 125,555 2788
Robinson 220,301 3995
Mercator 360,717 23631
Bonne 125,502 2794
Wagner IV 192,589 2805
Winkel Tripel 194,335 4395
Ellipsoidinen* 125,603 2820
*Ellipsoidinen pituus ja pinta-ala ovat jokaisessa projektiossa samat

 

Taulukossa 1 voidaan huomata, että tosiaan erilaiset projektiot vaikuttavat mittaustulokseen. Esimerkiksi Mercatorin projektiota, joka on tarkoitettu kuvaamaan maailmankarttaa, vertailtiin ETRS TM35 FIN projektioon, joka on tarkoitettu Suomen tarkempaan kuvaukseen, sisälsivät huomattavasti erilaiset luvut pituuden ja pinta-alan suhteen.

 

Toisena tehtävänä vertailun kohteeksi asettui eri projektioiden pinta-alat, tarkennettuna Suomen kuntien pinta-alat verrattuna ETRS TM35FIN projektion mittoihin. Tätä tehtävää tehtäessä aloitimme tekemällä karttatason attribuuttitaululle uusi sarake, jossa oli ETRS TM35FIN projektion mittoja vastaavat Suomen kuntien pinta-alat. Samalla periaatteella tehtiin muista, oma valintaisista projektioista uudelle karttatasolle pinta-alaa käsittelevä sarake attribuuttitauluihin. Kertaus on opintojen äiti – jo toistamiseen, nimittäin tässä kohtaa jokaiselle projektiolle piti tehdä sama prosessi, jolloin tämän ominaisuuden sai hallintaan.

Valitsin muutaman projektion, joita esitän tässä postauksessa, vaikka harjoittelinkin kyseistä operaatiota useammankin kerran erilaisilla projektioilla. Vertailut ovat toteutettu verraten tietyn projektion pinta-aloja ETRS TM35FIN projektion pinta-aloihin, josta on laskettu, että kuinka monin kertaiset tietyn projektion pinta-alat ovat verrattuna ETRS projektioon.

 

Kuva 1. Mollweiden projektio verrattuna ETRS TM35FIN projektioon.

 

Ensimmäisenä Mollweiden projektion vertailu (kuva 1). Suurimmat huomiot kuvasta 1 voidaan sanoa, että suurimmat vääristymät keskittyvä Ahvenanmaalle ja Lappiin ja pienimmät vääristymät Kaakkois-Suomeen. Tässä kuvassa tulee huomioida numeroarvot, joiden välillä erot vaihtelevat, sillä erot eivät ole suuria, sillä kaikki ovat 0,99-1 -kertaisen välillä. Mollweiden projektiossa siis pinta-alat ovat hieman pienempiä kuin ETRS TM35FIN projektiossa.

Mollweiden projektio on oikeapintainen projektio, jossa pinta-alat ovat oikeassa suhteessa (Wikipedia, Mollweiden projektio). Vertailussa kumminkin näkee, että pieniä heittoja on pinta-aloissa, mutta tarkemmin lukuarvoja katsoen huomaa etteivät erot ole ollenkaan suuret vaan vastaavat ETRS TM35FIN pinta-aloja melko hyvin.

 

Kuva 2. Bonnen projektio verrattuna ETRS TM35FIN projektioon.

Seuraavaksi projektioksi valitsin itselleni Bonnen projektion tarkasteluun (kuva 2). Bonnen projektio olikin sitten erilaisemman näköinen kuin Mollweiden, jota tarkastelin aikaisemmin. Bonne on myös oikeapintainen projektio (Wikipedia, Bonnen projektio), jolloin pinta-ala vääristymät eivät tässäkään ole suuria, jonka näkee legendasta ja luokkien arvoina.

Tästä suurimpina huomioina nostan, kuinka kartan aivan vaaleimmalla (jotakuinkin valkoisella) on värjätty alue, joka on aikalailla täysin saman suuruinen kuin ETRS TM35FIN projektion pinta-alat eli vääristymää ei ole lähestulkoon yhtään. Suurimmat erot sitten löytyvätkin Ahvenanmaalta sekä ns. vyöhykkeellä, joka kulkee Utsjoelta Kaakkois-Suomeen. Mutta näillä alueilla täytyy huomioda se, että Ahvenanmaan pinta-alat ovat pienemmät ja tuon em. vyöhykkeen pinta-alat ovat suurempia kuin ETRS TM35FIN pinta-alat.

 

Kuva 3. Oikeakeskipituinen tasoprojektio verrattuna ETRS TM35FIN projektioon.

Viimeisimpänä esiteltävänä vertailuna on oikeakeskipituinen tasoprojektio (kuva 3). Projektion nimikin jo paljastaa, mikä on tämän projektion ominaisuus, eli sehän on siis oikeapituisuus, jossa jokaisen kohteen etäisyys tietystä pisteestä on samassa suhteessa kuin todellisuudessa (Wikipedia, Oikeakeskipituinen tasoprojektio).

Suurimpana huomiona tässä kartassa on, että vääristymät kasvavat, mitä lähemmäs pohjoista mennään. Aiemmat projektiot olivat oikeapintaisia, jolloin erot olivat vertailussa hyvin pieniä, tässä pieninkin ero on jo 1,221 kertainen verrattuna ETRS TM35FIN projektioon, joka selittyy sillä, että kartoilla on eri ominaisuudet. Vähiten eroa siis on Ahvenanmaalla ja Lounais-Suomessa ja suurimmat ovat Lapissa.

 

Huomasin näiden karttojen analysoinnissa, että värityksellä on suuri merkitys. Alun alkajaan olin visualisoinnut kartat samoilla liukuväreillä, jotta niitä olisi helppo vertailla keskenään, mutta tällöin niiden analysoinnissa tapahtui kömmähdys. Kömmähdys tapahtui oikeapintaisissa projektiossa (Bonne ja Mollweide), jossa oli myös pienempiä pinta-aloja kuin ETRS TM35FIN projektiossa. En siis kiinnittänyt karttojen visualisoinnissa vielä suurta huomiota lukuihin, joita oli. Huomasin asian kumminkin, jolloin päätin sitten visualisoida kartat eritavalla niin, että se olisi selkeämpi lukijalle (ainakin toivottavasti). Eli siis näin kartan tekijänäkin hämäännyin itse, joten opin tästä, että karttojen visualisoinnilla on tosiaan suuri merkitys sen luettavuuteen. Toisekseen teemakartoissa nousi esille, kuinka tärkeää on huomioda arvot. Näistä kartoista on tehty liioittelemalla näyttävämmän näköisiä värien perusteella, mutta tarkkaa huomiota vaatii lukuarvot, jotka esim. Mollweiden vertailussa eivät ole suuria.

 

ELI mitä opin…

Projektiot eroavat toisistaan ja niillä on erilaisia ominaisuuksia, joiden avulla yrittää palloa esittää tasona ja tällöin mm. pinta-alat eroavat todellisuudesta ja muista projektioista. Pilvi Toijonen (2022) omassa blogissaan muistuttaa hyvin siitä, että on mahdotonta esittää kolmiulotteista muotoa tasona täydellisesti ja tällöin väkisin pinta-alat, välimatkat ja muodot vääristyvät.

Kartan visualisoinnilla on merkittävä rooli kartan ymmärtämisen kannalta. Joihinkin väreihin tosiaan on ennakko-olettamuksia, jotka vaikuttavat siihen, kuinka kartta ymmärretään.

Kartalla tosiaan pystyy vaikuttamaan asioiden/ilmiöiden näyttävyyteen mm. liioittelemalla tai jättämällä jotain asioita pois.

QGIS on täynnä erilaisia ominaisuuksia ja tällä kertaa mittaustyökalu, projektioden vaihtaminen ja pinta-alojen määrittäminen tietyssä projektiossa tulivat tutuksi. Myös hyvin harjoitelluksi tuli karttojen valmiiksi tekeminen.

 

 

Lähteitä:

Mollweiden projektio. Wikipedia. < https://fi.wikipedia.org/wiki/Mollweiden_projektio> Katsottu 2.2.2022

Bonnen projektio. Wikipedia. < https://fi.wikipedia.org/wiki/Bonnen_projektio> Katsottu 2.2.2022

Oikeakeskipituinen tasoprojektio. Wikipedia. < https://fi.wikipedia.org/wiki/Oikeakeskipituinen_tasoprojektio> Katsottu 2.2.2022

Toijonen, P. (2022). 2.kurssikerta: Projektioiden vääristymät. Pilvin GIS-blogi. Viitattu 11.2.2022

1. viikko – Johdattelua tulevaan

Näin on saatu kurssi MAA 202 – Geoinformatiikan menetelmät aloitetuksi. Näin ensimmäisen kurssikerran ja sen harjoitusten teon jälkeen on hyvä palata katsomaan, minkälaiselle alulle kurssi on päässyt.

Aloimme, tietysti alunpohjustuksen ja kurssin ohjeiden jälkeen, heti työntouhuun. Olin odottanut jo kovasti kurssia ja sitä, että pääsemme paikkatieto-ohjelmiin käsiksi. Paikkatieto-ohjelmana käytössämme on QGIS, joka on osin tuttu itse ohjelmana, mutta ohjelma on myös samankaltainen kuin muut paikkatieto-ohjelmat, joita olen käyttänyt (mm. ArcGIS). Ensimmäisenä tehtävänä oli luoda kartta Itämeren alueelta ja esittää sen avulla Itämeren ympärysvaltioiden typpipäästöjen määrää. Tekemäni kartan voi bongata alta kuvana 1.

Kuva 1: Itämeren alueen ympäröivät valtiot ja niiden aiheuttamien typpi päästöjen osuus.

Itse kartan tekeminen oli mielestäni mukavaa. Tällä ensimmäisellä kerralla keskityimme ohjelman peruskäyttöön, joka oli itsellenikin hyödyllistä, sillä siitä on jo jonkin verran aikaa, kun viimeksi ohjelmaan on koskenut. Aivan alkuun tiedostojen tuominen ohjelmaan ja niiden visualisointi, johon saimme mukavasti vinkkiä siitä, kuinka löytää itselleen sopivan tavan visualisoida aineistoa. Myös ohjelman kaikkien nappien joukosta tarkastelimme niitä tärkeimpiä, jotka auttoivat paljon ohjelmiston uudelleen hallitsemisessa. Laskutyökalu osoittautui käteväksi, kunhan itse ymmärtäisi vielä paremmin sen käyttöä ja mistä löytyy mitäkin toimintoja siihen. Eiköhän tämä harjoittelun avulla selkene!

Kyseisen ns. introtehtävän jälkeen oli aika omatoimisesti harjoitella QGIS:n käyttöä. Valittavana oli kaksi vaikeusastetta, joista päädyin vaikeampaan, sillä ohjelma oli jo entuudestaan tuttu ja uskoin kykeneväni tekemään vaikeamman tehtävän.

Tehtävä onneksi oli perustoimintojen harjoittelua, mutta pienenä twistinä vaikeammassa tehtävässä täytyi itse kokeilla tuoda aineisto, josta halusi teemakartan tehdä. Aineistoa lähdin etsimään Tilastokeskuksesta, joka on tullut tutuksi aikaisemmilta kursseilta. Täältä löysin muuttujan, jonka halusin tuoda QGIS:iin. Alkuvaikeuksien jälkeen ja parin kokeilun jälkeen ymmärsin aineiston muodon tarkoituksen, tehtävän ohjeissa tässä lukikin, mutta itse kokeilemalla hoksasin asian. Sain tuotua aineiston hyvin ohjelmaan, mutta sitä yhdistäessäni kunta-aineistoon tuli ongelmaksi ä, ö ja å kirjaimet, jolloin aineistot eivät yhdistyneetkään niiden kuntien osalta, joiden nimessä oli jokin näistä kirjaimista. Tähän ääkkösongelmaan en keksinyt ratkaisua, mutta sain kumminkin aineistot muulla tavalla yhdistettyä. Yhdistyksen tein lopulta kuntanumeron perusteella. Olisin varmaan päässyt tässä helpommallakin, mutta onnistuin tällä tapaa silti :D. *Tosiaan kolmannella kurssikerralla tähän tuli vastausta eli koodaus oli itselläni (ja automaattisesti määrittynyt) ohjelmassa UTF-8:ksi, joka ei tunnista ääkkösiä, tämä olisi siis pitänyt muuttaa mm. ISO_8859-1:1987 koodaukseen. Tämän tulee varmaankin nyt muistamaan tulevaisuudessa*. Tuotokseni löytyy alapuolelta kuvana 2.

Kuva 2: Yritysten lukumäärä vuonna 2020 kunnittain (Tilastokeskus, 2020)

Teemakartan muuttujaksi valitsin yritysten lukumäärän. Huomasin tosin kartan tehtyäni, että kyseinen muuttuja oli valmiina aineistossa, mutta tilastovuosi oli 2015, joten tein siis päivitetyn version kyseisestä muuttujasta ja samalla harjoittelin aineiston yhdistämistä.

Kartta esittää siis yritysten määrää jokaisessa kunnassa. Kartasta voidaan huomata, kuinka yrityksiä on keskittynyt suurimmaksi osaksi Etelä-Suomen kuntiin ja erityisesti Suomen väkirikkaimpiin alueisiin mm. Pääkaupunkiseutu, Turku, Oulu ja Tampere. Yritysten keskittyminen kyseisille alueille on todennäköisesti ohjautunut väestön keskittymien mukaan. Tämä voidaan huomata vertailemalla Heta Suutarin (2022) väestöntiheys karttaa omaani yritysten lukumäärä karttaan, joista huomaa, että yritysten lukumäärällä ja väestötiheydellä on yhteys. Esim. Helsingissä on hyvin paljon ihmisiä, jolloin yrityksille on mahdollisuudet saada asiakkaita ja menestyä, kun taas esim. Utsjoella, jossa väestön määrä ja väestöntiheys on pienempi, on yritysten vaikeampaa saada asiakkaita ja yritysten ylläpitämisen kykeneväisyys on todennäköisesti siten pienempi.

Kartan teossa harjoittelin jo oppimiani taitoja, jolloin kartan teko onnistui teknisesti hyvin. Tosin tällä kertaa täytyi itse miettiä mm. luokkarajoja tarkemmin, värejä sekä asettelua. Koen onnistuneeni kumminkin hyvin. Koen, että sain kartan värit erottumaan toisistaan hyvin ja uskon, että kartan asettelu (kartta, legenda, pohjoisnuoli ja mittakaava) ovat hyvät. Näin jälkikäteen tosin ajattelisin, että luokat voisivat olla helpommin hahmotettavissa, jos luokkarajat olisivat tasakymmenlukuja. Nyt luokkarajat ovat vain numerojen yhdistelmä, joka voi hämmentää niitä lukiessaan, varsinkin kun kyseessä on hyvin suuria lukuja. Ohjelma kumminkin lajitteli nämä luonnollisilla luokkarajoilla itse, enkä silloin tajunnut näitä katsoa. Muutoin ajattelen kartan olevan selkeästi luettava.

 

Tästä on hyvä jatkaa harjoittelua!

 

Lähteet:

Tilastokeskus, 2020. 11dc – Yritysten toimipaikat kunnittain, 2013–2020. <https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__yri__alyr/statfin_alyr_pxt_11dc.px/>

Suutari, H. (2022). 1. viikko – tutustuminen. Heta VS GIS -blogi. Viitattu: 11.2.2022