Month: February 2022

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

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

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

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