Geoinformatiikan menetelmät 2 – Neljäs kurssikerta

 

Lisää rasterianalyyseja Kevon kanjonin alueelta

Neljännellä kurssikerralla tutustuimme Kevon kanjonin alueen maanpeiteluokkiin ja sitä kautta mietimme otollisia paikkoja telttailulle. Tarvitsimme tehtävässä joitain aiempien kurssikertojen aineistoja sekä toimme ArcGis:iin uuden käsiteltävän Corine-aineiston. Olen viimeisen kolmen kurssikerran aikana ollut jokaisella vaan enemmän helpottunut siitä, että edellisen kerran ArcGis-projektini on tallentunut koneelle. Tällä kurssikerralla ohjelma ei myöskään kaatunut kertaakaan, joka oli toinen helpotukseni.

 

Corine-aineiston metatiedot

Tehtävässä käytetty Corine maanpeiteaineisto kuvaa koko Suomen maanpeitteitä ja maankäyttöä vuodelta 2018. Aineiston tuotanto perustuu SYKE:n paikkatietoaineistoihin ja satelliittikuvatulkintaan. Corine-aineisto kuuluu SYKE:n avoimiin aineistoihin, joita kaikilla on oikeus käyttää. Lisäksi aineiston tuotantohankkeesta kirjoitetaan näin metatiedoissa:

”SYKEssä EU:n Copernicus Land -hankkeessa tuotettiin Suomen alueelta maanpeiteaineistot sekä laadittiin maanpeitteen muutoksia välillä 2012-2018 kuvaavat aineistot.”

Rasteriaineistossa näkyvät eri värit tarkoittavat puolestaan kartan eri maanpeiteluokkia.

 

Corine-aineiston muokkaus ja maanpeitekartta

Aluksi muokkasin Corine-aineiston sopivaksi tutkimusalueelle Clip raster -työkalulla eli toisin sanoen rajasin aineiston tutkimusalueeni kokoiseksi. Tämän jälkeen muokkasin vielä aineiston attribuuttitaulua ja visualisoin kartan havainnollistavalla tavalla. Lopputulokseksi syntyi Kevon kanjonin alueen maanpeiteluokkakartta (kuva 1), joka kuvaa nimensä mukaisesti alueella esiintyviä maanpeiteluokkia ja niiden sijaintia. Kartan visualisoiminen oli suhteellisen työlästä, koska luokkien nimet piti kirjoittaa erikseen luokkajakoon numeroiden kohdalle ja värit kaikista lukista piti vaihtaa manuaalisesti. Lisäksi oli haastavaa löytää tarpeeksi toisistaan eroavia värisävyjä kuvaamaan arvoja loogisilla väreillä.

Kuva 1 – Kevon kanjonin alueen maanpeiteluokat.

 

Pinta-alaltaan suurin maanpeiteluokka tutkimusalueella on varvikot ja nummet, jota esiintyy eniten hieman kauempana uomaa. Varvikkojen ja nummien runsaampi esiintyminen hieman kauempana uomaa johtuu luultavasti alueen kosteustason mataluudesta. Uoman läheisyydessä puolestaan kosteustaso on korkeampi, jolloin sen ympärillä on enemmän kasvillisuutta ja kartan mukaan näillä alueilla esiintyy eniten lehtimetsää, joka on myös oletettavaa. Muita metsätyyppejä esiintyy alueella niukasti. Kartan oikeassa yläkulmassa voi kuitenkin huomata pieniä harvapuustoisia alueita soiden reunamilla, jossa kosteustaso on huomattavasti korkeampi. Korkeimmilla alueilla esiintyy kalliomaata ja niukkakasvustoista kangasmaata, joka johtuu alueen kuivuudesta. Toisaalta kalliomaata esiintyy myös alueen kosteimmalla alueella eli uomassa, jonka selityksenä voisi olla maaperän hioutuminen uoman vesivirtauksen vaikutuksesta. Uoman pohjahan on luultavimmin hiekkaa, joka aineistossa luokitellaan kalliomaaksi.

 

ModelBuilder ja telttapaikkojen sijoittaminen alueelle

Seuraavassa vaiheessa käytimme ModelBuilderia soveltuvuusanalyysissä, joka toimii visuaalisena työkaluna työvaiheiden havainnollistamisessa, prosessien ketjuttamisessa ja automatisoinnissa. Tehtävässä oli valmiiksi määritelty kriteerit, joiden mukaan luokittelimme alueita otolliseksi telttailupaikoille. ModelBuilderilla muun muassa uudelleenluokittelin tehtävässä tarvittavaa dataa ja määrittelin sopivia maanpeitetyyppejä telttapaikoille Reclassify-työkalulla. Reclassify-työkalu tuli kurssikerran aikana erittäin tutuksi, koska toistin samankaltaisia asioita sillä monet kerrat harjoituksen aikana.

 

Tehtäväosassa käytettiin myös muita työkaluja Reclassify-työkalun lisäksi. Esimerkiksi Euclidean Distance – ja Raster Calculator -työkaluilla sain rajattua leiripaikat korkeintaan 200 metrin päähän vesiuomasta, joka oli myös yksi tehtävän annetuista kriteereistä. Kun kaikki kriteerit oli saatu määriteltyä, liitimme ne yhteen yhdeksi rasteriksi Raster Caculator -funktiolla. Toiminnolla yhdistettiin telttapaikat tai otolliset telttapaikka-alueet “yhdeksi luokaksi”.

 

Käsitelin lopuksi vielä tulosrasteria luokittelemalla telttailuun sopimattomien paikkojen 0-arvot NODATA-arvoiksi. Helsingin yliopiston laitoksen metsätieteiden laitoksen julkaisuissa ”Geoinformatiikka luonnonvarojen hallinnassa” (julkaisut 7, 2015) kerrotaan lisää 0- ja NoData-arvoista:

”Rasterimuotoisessa esityksessä jokaisella solulla on jokin arvo. Jos tieto on puutteellista tai sitä ei ole, solu saa arvoksi merkinnän ”NoData”, tieto puuttuu. Tiedon puuttuminen ja solun arvo 0 eivät merkitse samaa asiaa.”

On siis tärkeää huomata erot tarkastellessa aineistoa tulosrasterin erinäisillä arvoilla. Lopuksi muokattu tulosrasteri muutettiin vielä vektorimuotoon Raster to Polygon -työkalulla ja lopullisena tuloksena muodostui ModelBuilderin havainnollistava mallikuva (kuva 2) sekä telttailualueiden näkyminen kartalla kriteerien mukaisesti (kuva 3).

Kuva 2 – ModelBuilderilla luotu malli telttapaikkojen määrittelyn työvaiheista.

 

Kuva 3 – Havainnollistava karttakuva telttailupaikkojen sijoittumisesta alueelle kriteerien mukaisesti. Sopivat telttailualueet näkyvät kartassa mustalla värillä.

 

Visualisoin lopputuloksen vielä selkeämmäksi kartaksi (kuva 4), johon laitoin näkyviin myös korkeuskäyrät sekä korkeusvyöhykkeet. Kartassa telttapaikka-alueet ovat melko ”yksittäisiä” ja pienehköjä, vaikka niitä onkin suhteellisen paljon. Karttaa voi zoomata isommaksi, jotta telttapaikat erottaa selkeämmin. Telttailupaikat vastaavat kriteerejä hyvin, koska ne ovat sijoittuneet lähelle jokea matalille ja tasaisille alueille. Lopputulos on mielestäni halutun lopputuloksen mukainen.

Kuva 4 – Telttailulle sopivat alueet Kevon kanjonin alueella.

 

Tehtävää oli helpotettu antamalla valmiit kriteerit telttapaikkojen sijainnille. Tehtävässä olisi kuitenkin voinut hyödyntää muitakin kriteereitä halutun leirintämukavuuden mukaisesti, kuten tuulisuutta tai maaperän kosteutta. Näissä esimerkeissä olisi tarvittu aineistoa alueen kosteustasojen sekä tuulisuuden keskiarvoista. Erityisesti kosteustasoihin vaikuttaa vallitsevat vuodenajat, jolloin myös vuodenaikojen vaihtelu tulisi ottaa huomioon aineistossa. Vastaavasti Kevon kanjonin alueella voisi tutkia monia muita asioita kuin telttailulle otollisia alueita. Esimerkkeinä voisi olla alueen eläimistön sijoittuminen valitsemalla tutkimuksenkohteeksi haluttu eläinlaji tai vaihtoehtoisesti kasvillisuuden sijoittuminen. Oikeastaan ModelBuilder-työkalun avulla tehtyyn tutkimukseen sopii lähes mikä vaan aineisto, kunhan se jollain tavalla esiintyy tutkittavalla alueella, jotta tutkimustuloksessa olisi jotain mielenkiintoista.

 

Googlailin lopuksi vielä tuloksieni pätevyyttä ja katselin erilaisia karttakuvia Kevon kanjonin alueen vaellusreiteistä. Telttapaikkojeni sijainnit näyttävät olevan samankaltaisia kuin retkikartoissa lukuun ottamatta alueelle tehdyn vaellusreitin yöpymispaikkoja (kuva 5). Tutkimusalueeni ei kuitenkaan välttämättä sijoitu juuri tuolle vaellusreitille, tai muullekaan reitille. Kuvahausta haetussa kuvassa huomaa myös ylempänä uoman varrella olevan telttailupaikkoja ainoastaan uoman läheisyydessä. Omat tulokseni vaikuttavat siis olevan päteviä.

Kuva 5 – Kartta Kevon luonnonpuiston retkeilyreitistä ja yöpymispaikoista. (Linkki kuvaan raportin lähteissä)

 

Tästäkin kurssikerrasta selvittiin ainakin omasta mielestäni suhteellisen ansiokkaasti. Joitakin vaikeuksia ilmeni kurssikerralla karttaa tehdessä ja työkaluja käyttäessä, mutta ne kuuluvat asiaan. Epätoivo ei päässyt tälläkään kertaa valloilleen!

 

 

Käytetyt lähteet:

Corine maanpeiteaineisto 2018 (SYKE), saatavilla: https://bit.ly/2PWqw0O

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7, saatavilla: http://hdl.handle.net/10138/166765

Luontoon.fi. Kevon kartat (Kartta Kevon luonnonpuiston retkeilyreiteistä ja yöpymispaikoista.), saatavilla: https://www.luontoon.fi/kevo/kartat

Geoinformatiikan menetelmät 2 – Kolmas kurssikerta

 

Rasterianalyyseja Kevon kanjonin alueelta

Kolmannella kurssikerralla tutustuimme erilaisiin rasterianalyyseihin ja analysoimme niistä syntyneiden karttojen lopputuloksia. Käytimme aineiston pohjana viime kerralla luotuja tasoja ja käytimme myös pohjakarttana samaa dataa Kevon kanjonin alueesta kuin viimeksikin. Toimme viime kerralla käsiteltyjen aineistojen lisäksi Luonnonvarakeskuksen (Luke) tarjoamia avoimia puustoaineistoja alueen eri puulajeista projektiin tutkittavaksi.

 

Käytetyn datan metatiedot

Aluksi tutustuin aineiston metatietoihin, jotta voisin saada tarkemman ja laajemman kuvan aineiston ominaisuuksista tutkimista ja analysoimista varten. Metatietojen mukaan aineiston spatiaalinen resoluutio on 16km x 16km ja aineistossa esiintyvän biomassan yksikkö on 10 kg/ha. Aineiston tuotannosta kirjoitetaan metatiedoissa muun muassa näin: ”Metsäntutkimuslaitos (Metla) kehitti niin sanotun valtakunnan metsien monilähteisen inventoinnin (MVMI) ja otti sen käyttöön vuonna 1990. Maastotietojen, satelliittikuvien ja muun numeerisen paikkatiedon avulla tuotetaan kuntakohtaiset metsävara-arviot ja karttamuotoisia metsävaratietoja.”

 

Kokonaisbiomassat eri puulajeille

Laskin aineiston puulajeille kokonaisbiomassan Raster Calculator -työkalulla, jonka tuloksien pohjalta muodostin vertailevat karttakuvat havainnollistamaan alueen biomassan jakaantumista (kuvat 1, 2 ja 3). Kuvissa vaaleampi väri kuvaa pienempää biomassan esiintymistä, kun taas värin tummentuessa biomassan esiintyvyys kasvaa. Biomassakarttojen perusteella lehtipuita (kuva 3) näyttäisi olevan visuaalisesti eniten alueella ja puusto on sijoittunut lähinnä isoimman uoman varrelle alankoon. Biomassan sijoittuminen alangolle on tyypillistä, koska alavammat alueet ovat kosteampia veden virtauksen ja kasaantumisen takia. Lehtipuita sijaitsee isoimman uoman ohella myös pienempien sivu-uomien varsilla niin kuin on oletettavaa.

 

Mäntyjä ja lehtipuita sijoittuu suhteellisen samoille alueille karttavisualisoinnin mukaan, mutta kuuset poikkeavat tästä (kuva 2). Kuusia on suhteellisesti huomattavasti vähemmän kuin muuta aineistossa esiintyvää biomassaa, ja sen huomaa karttavisualisoinnista muun muassa biomassan peittämien alueiden pienemmästä pinta-alasta sekä vaaleasta väristä. Isoja arvoja eli kartassa tumman vihreää väriä ei huomaa lähes ollenkaan kuusten esiintymistä kuvaavasta karttakuvasta. Kuusia ei myöskään esiinny läheskään yhtä paljon sivuomissa kuin muita puita. Selittävänä tekijänä kuusten pienemmälle esiintyvyydelle voisi olla kuuselle epäotolliset alueet ja havupuiden kasvaminen korkeammilla alueilla.

 

Uoman etäisyysbufferi ja latvuspeittävyys

Ennen latvuspeittävyystehtävään kunnolla siirtymistä, selvitettiin aineiston metatiedoista, miten latvuspeittävyys on arvioitu ja mitä se tarkoittaa. Löysin metatiedoista kaksi hyvää kohtaa kuvaamaan kysymystä:

”Puun elävien oksien biomassa sisältää kaikkien elävien oksien massan ilman neulasia tai lehtiä. Puun kuolleiden oksien biomassa sisältää elävien puiden kuolleiden oksien biomassan ilman mahdollisesti jäljellä olevia neulasia tai lehtiä. Puun lehvästön biomassa tarkoittaa elävien neulasten tai lehtien biomassaa.”

”Puuston latvuspeittävyys VMI:ssa tarkoittaa koealan puuston vaakatasoon projisoidun latvuston peittämää osuutta koealan alasta. Latvuspeittävyys arvioitiin VMI10:ssä prosentteina (0-99) kiinteäsäteiseltä koealalta metsä-, kitu ja joutomaalla. VMI11-koealoille ennustettiin latvuspeittävyys k-NN-menetelmällä VMI10-koealoja käyttäen. VMI9:ssä (Ylä-Lappi) latvuspeittävyys arvioitiin koelalta kolmessa luokassa, jos koealan keskipiste sijaitsi metsä-, kitu-, tai joutomaalla. VMI9 koealoille laadittiin regressiomalli latvuspeittävyyden ennustamiseksi yhden prosentin yksiköissä.”

 

Muodostimme uomastolle etäisyysvyöhykkeen, jota voi käyttää esimerkiksi puuston sijoittumisen havainnollistamisessa suhteessa uoman sijaintiin. Etäisyysvyöhykkeen muodostamisessa tarvittiin viime kurssikerralla luotua uomastoa, joista valittiin käytettäväksi raja-arvon 100k omaava uomasto. Bufferialueen tekemiseen 100k uomasto on kaikkein sopivin, koska pienemmät yksityiskohdat tekisivät vyöhykkeestä liian tarkan ja kartasta luultavasti tulisi epäselvä. Hieman ”epätarkemmat” uomat sopivat siis tähän tehtävään parhaiten. Bufferialuuen tekeminen olikin jo tuttua, joten tämä kohta meni nopeasti. Tein kartan (kuva 4) havainnollistamaan lehtipuiden jakautumista vyöhykkeittäin kanjonin alueella ja pohdin uomien läheisyyden vaikutusta lehtipuiden esiintymiseen.

Kuva 4 – Lehtipuiden etäisyys uomasta Kevon kanjonin alueella.

 

Kartassa (kuva 4) taustalla näkyy Euclidian distance -työkalulla tehty 100k uomien bufferialue, joiden etäisyysluokat ovat muokattu 200 metriin Reclassify-työkalulla. Etäisyysluokat ovat visualisoitu pienimmästä suurimpaan arvoon, sillä tavalla, että uomien läheisyydessä olevia arvoja kuvataan tummemmalla värillä, ja väri haalenee siirtyessä kauemmas uomista. Toisin sanoen tummemmalla värillä merkitään kartassa kosteampia alueita. Laitoin 100k uomat vielä selkeyttämään bufferikartan päälle uomien sijaintia. En pystynyt vaikuttamaan uomien väreihin ollenkaan, koska niiden värejä muokatessa ArcGis päätti kerta toisensa jälkeen kaatua. Liitin bufferikartan päälle lehtipuiden latvuspeittävyyden havainnollistamaan puiden sijaintia ja määrää. Lopullinen kartta havainnollistaa hyvin uomien vaikutusta lehtipuiden sijoittumiseen alueella. Kartasta selkeästi huomaa, että uomien läheisyydessä esiintyy enemmän lehtipuita, kun taas kauemmas siirtyessä lehtipuiden osuus vähenee huomattavasti, mikä selittyy kosteustason madaltumisella.

 

Tein myös alueesta vyöhykkeittäin (200, 400, 600, 800, 1000, 1300) taulukon (taulukko 1), jossa kuvataan puuston latvuspeittävyyttä eri etäisyysvyöhykkeillä. Taulukossa on esitetty eri alueiden maksimiarvot, joista voi päätellä, millä etäisyysvyöhykkeellä kunkin puulajin latvuspeittävyys saa suurimman arvon.

 

Taulukko 1 – Alueella esiintyvien puutyyppien latvuspeittävyys alueittain.

Eniten puustoa on selkeästi etäisyysvyöhykkeellä 200, joka on lähimpänä uomaa. Alue on tällöin kosteampaa, joka vaikuttaa puuston ja muun biomassan kasvavuuteen positiivisesti. Vähiten puustoa on puolestaan etäisyysvyöhykkeellä 1300, joka on kuivinta aluetta sen sijainnin ollessa kauimpana uomastosta. Kaikkien alueiden enimmäispuu on mänty, kun taas kuusta on vähiten jokaisella vyöhykkeellä.

 

Kurssikerran harjoitus onnistui mielestäni hyvin ja viime kurssikerran epävarmuudet katosivat tällä viikolla. Viime viikolla syntynyt suuri epätoivon tunne on nyt hieman pienentynyt.

 

 

Käytetyt lähteet:

Luonnonvarakeskuksen (LuKe) avoimet puustoaineistot, saatavilla: http://kartta.luke.fi/

 

Geoinformatiikan menetelmät 2 – Toinen kurssikerta

 

Uomaston analyysia

Toisella kurssikerralla tutustuimme korkeusmalleihin ja hydrologisiin analyyseihin uomien merkeissä. Tutkittava aineisto sijoittui Kevon kanjonin alueelle, Kevon luonnonpuistoon, Utsjoen kunnan alueelle. Tehtävän tavoitteena oli tutustua erilaisten työkalujen käyttöön ja analysoida tutkimusalueen valuma-alueiden sijoittumista sekä potentiaalista jokiuomaverkostoa. Niin kuin kurssikirjallisuudessakin mainitaan, rasteripohjaiseen hydrologiseen mallinnukseen kuuluu veden valuntaan liittyvät analyysit, joissa analysoidaan pintavalunnan suuntaa ja määrää perustuen erilaisiin tietolähteisiin.

 

Alkutietoja käytettävästä korkeusmallista

Tehtävän lähtöaineistona käytettiin Maanmittauslaitoksen avoimesta datasta löydettyä korkeusmallia Kevon kanjonin alueelta. Korkeusmallin projisoitu koordinaattijärjestelmä on EUREF FIN TM35FIN ja sen yksiköt ovat metrejä (1,0). Tutkittavan alue on neliön muotoinen ja sen koko on kauttaaltaan 6km x 6km. Tehtävässä oli kysymys myös korkeusmallin spatiaalisesta resoluutiosta, johon sain vastaukseksi kaksi metriä.

 

Korkeuskäyrät ja rinnevarjostus analyysin tukena

Tehtävässä olennaista oli lisätä karttaan vinovalovarjostus ja vektorimuotoiset korkeuskäyrät (kuva 1) havainnollistamaan alueen maastonmuotoja. Rinnevarjostuksen laatimisessa käytettiin Hillshade-työkalua, kun taas puolestaan korkeuskäyriin Contour-työkalua. Tehtävässä käytettiin näiden lisäksi monia muita työkaluja, joiden toimintaan oli mielenkiintoista päästä tutustumaan.

Kuva 1 – Tutkittavan alueen maastonmuotojen havainnollistaminen vinovalovarjostuksen ja vektorimuotoisten korkeuskäyrien avulla.

 

Veden valumista kuvaavia analyyseja voi tehdä monenlaisia ja monen tyylisiä. Eri teemoihin voidaan siis käyttää erityylisiä karttakuvia riippuen siitä, minkä kokee havainnollistavan parhaiten tutkimuskysymystä. Toisin sanoen eri kartat ja esitysmuodot sopivat siis eri tutkimuskysymysten tueksi. Kuvat 2 ja 3 kuvaavat eri tavoin veden valumasuuntia ja valuma-alueita. Kuva 2 näyttää kuitenkin paljon räikeämmältä verrattuna kuvan 3 harmaaseen visualisointiin. Voidaankin siis sanoa, että visualisoinnilla on paljon merkitystä karttoja laatiessa ja niiden sanoman viestinnässä. Kuvan 2 kartan eri värit kuvaavat valumaa kunkin pikselin naapurustossa, ja lopputuloksen ainakin tässä tapauksessa tuleekin olla noinkin räikeä. Mielestäni kummatkin kuvien esitystavat ovat silti epäselkeitä ja hieman vaikeasti tulkittavia varsinkin henkilöille, jotka eivät entuudestaan tiedä aiheesta.

Kuva 2 – Valuma-alueen mallinnusta.

 

Valuma-alueet

Kuva 3 – Valuma-alueet rasterina 10k sekä 2000 raja-arvon uomastojen kanssa.

 

Uomat ja niiden suunnat havainnollistavat, mihin suuntaan vesi valuu. Kartasta (kuva 3) voi myös selkeästi erottaa mihin valuma-alueet muodostuvat. Lisäsin rasterimuotoisen valuma-alueen päälle uomat, jotta se havainnollistaisi mahdollisimman hyvin, missä kohdissa karttaa valuma-alueet sijaitsevat. Kartan keskellä näkyvään pääuomaan valuu vettä sivu-uomista ja se myös jakaantuu pienemmiksi uomiksi muodostaen pienemmät valuma-alueet. Valuma-alue voidaan nähdä isompana kokonaisuutena, jos aluetta tarkastellaan pienemmällä mittakaavalla.

 

Aineistossa voidaan myös huomata pieniä epäkohtia. Varsinkin kurssikerran harjoitusohjeessa olevassa kuvassa 13 mallinnetut valuma-alueet eivät näytä aivan realistisilta, koska mittakaavan voidaan katsoa olevan turhan suuri kuvaamaan veden valumista (kuva 4). Lisäksi jotkin uomat näyttävät aineistossa melko suorilta, mutta luonnollisessa ympäristössä niiden voidaan ajatella olevan mutkikkaampia ja epätasaisempia. Harjoitusohjeen kuvassa voi olla myös ongelmia valuma-alueiden määrittelyssä, jos esimerkiksi uomia ei ole osattu sijoittaa oikein tai ne ovat näyttäneet alkuperäisessä aineistossa epäselviltä. Voisiko myös rasteriaineistoon piirretyt vektorimuotoiset uomat aiheuttaa joissakin tilanteissa kuvan 4 kaltaisia ongelmia?

Kuva 4 – Kurssikerran harjoitusohjeen kuva 13, jossa huomaa ongelmia valuma-alueiden uomissa.

 

Kartan esitystapaan vaikuttavat myös yksityiskohtaiset tiedot ja esitysmallit. Jos uomien raja-arvoksi laittaisi 2000, kartta näyttäisi jokseenkin sekavalta (kuva 5), kun taas parempi vaihtoehto voisi olla 10 000 (kuva 6). Raja-arvo 100 000 puolestaan vaikuttaa olevan liian väljä. Uomien raja-arvosta 10 000 voi päätellä valumasuunnan samalla tavalla kuin raja-arvon ollessa 2000, joten pienempiä uomien yksityiskohtia ei tarvita karttaesitykseen ja niiden voidaan katsoa olevan turhia. Toisaalta aineiston esitysmuoto riippuu aina siitä, mihin sillä pyritään. Jos tutkimus kohdistuisi tarkemmin uomaston haaroihin ja aineiston pienempiin osa-alueisiin, olisi silloin raja-arvo 2000 parempi vaihtoehto. Minusta kuitenkin yleisessä karttaesityksessä on riittävää olla hieman pyöristetympi vaihtoehto uomastosta.

Kuva 5 – Kartan uomat raja-arvon ollessa 2000.

 

Kuva 6 – Kartan uomasto raja-arvon ollessa 10 000.

 

Tämän viikon harjoituksessa tehtiin paljon pohjatyötä ensiviikon harjoitusta varten ja uskon, että omakin käsitykseni saattaisi tulla muuttumaan joidenkin kohtien osalta ymmärrykseni kehittyessä. Oletan, että kurssikerralla tehdyt karttamallinnukset sekä eri työkalujen käyttämisestä muodostuneet uudet tasot tulevat käyttöön myöhemmässä vaiheessa ja niiden käyttötarkoitus avautuu minulle paremmin ensi viikolla.

 

En tosiaan tiedä, että ymmärsinkö tällä kurssikerralla mitään oikein…

(Epätoivon partaalla)

Geoinformatiikan menetelmät 2 – Ensimmäinen kurssikerta

 

Helsingin väylien päällekkäisanalyysit ja niiden analysoiminen

Overlay- eli päällekkäisanalyysissä yhdistellään ja vertaillaan päällekkäisten karttatasojen kohteita. Tuloksena syntyy karttakohteita, joissa keskeistä on aiheeseen liittyvien ominaisuustietojen liittäminen. Operaation tarkoituksena on kerätä uutta alueinformaatiota uusilta karttatasoilta.

 

Lahdenväylän ja Vihdintien bufferointi

Tehtävässä oli tarkoituksena kartoittaa Helsingin sisääntuloväylien maanpeite 250 metrin halkaisijalla. Toin tehtävälle määrätyt aineistot ArcGis-ohjelmaan ja loin väylille bufferialueet (kuva 1), selvittäen, mitä taustakartan aluetiedoista jää bufferin sisäpuolelle, lähelle tietä.

Kuva 1 – Vihdintien ja Lahdenväylän bufferoidut alueet

 

Kuvassa Vihdintietä on kuvattu pinkillä värillä, kun taas Lahdenväylää punaisella värillä. Kartasta näkyy, mihin alueille tiet ovat tarkalleen sijoittuneet Helsingissä. Itse bufferialueen sisällöistä saa selkeämmän kuvan, jos zoomaa hieman lähemmäs tutkimaan karttaa. Ensimmäisessä tehtävässä käytettiin clip-toimintoa, jonka tarkoitus on luoda uusi layer leikkaamalla piste-, viiva-, tai aluetyyppistä layeria aluetyyppisen layerin ulkorajoilla. Clip-toiminnon avulla saimme siis tehtävässä aikaan bufferialueet sekä niiden sisältävän tiedon.

 

Kun olin saanut haluamani kartan valmiiksi, aloin laskemaan bufferialueen sisälle jääneiden maankäyttömuotojen pinta-aloja. Keräsin ArcGis-ohjelman avulla tiedot pinta-aloista hehtaareina Add Geometry Attributes-työkalun avulla ja siirsin saadun aineiston Excel-sovellukseen. Muutin aineiston muodon prosenttiosuuksiksi ja tein sen jälkeen molemmista väylistä erilliset piirakkadiagrammit (kuva 2 ja kuva 3).

Kuva 2 – Vihdintien bufferialueen maanpeitemuotojen prosenttiosuudet.

 

Kuva 3 – Lahdenväylän bufferialueen maanpeitemuotojen prosenttiosuudet.

 

Vihdintien diagrammissa (kuva 2) selkeimpänä enemmistö maanpeitemuotona tien reunamilla on puusto ja toiseksi yleisin vettä läpäisemätön pinta. Vihdintien bufferialueella puolestaan prosentuaalisesti vähiten löytyy avokallioita ja vesistöjä, joita on yhteensä ainoastaan kolme prosenttia. Peltoja ei löytynyt merkittävästi kummastakaan bufferialueesta, joten päätin jättää ne diagrammeista kokonaan pois.

 

Lahdenväylän diagrammissa (kuva 3) suurimpien prosenttiosuuksien edustajat ovat puolestaan matala kasvillisuus sekä muut tiet. Vesistöt ja avokalliot ovat myös prosentuaalisesti vähäisiä Lahdenväylän alueella niin kuin Vihdintien alueellakin huomattiin olevan.

 

Maankäyttö Helsingin eri kaupunginosissa

Tehtävässä valitsimme Helsingistä kolme eri kaupunginosaa tarkastelun kohteeksi: Kumpulan, Käpylän ja Toukolan. Käytin tehtävässä samaa pohjakarttaa kuin aikaisemmassa tehtävässä, mutta toin ArcGis-ohjelmaan maanpeiteaineiston, jonka sain valitsemilleni kaupunginosille sopivaksi intersect-työkalulla. Helsingin yliopiston metsätieteiden laitoksen julkaisuissa ”Geoinformatiikka luonnonvarojen hallinnassa” (julkaisut 7, 2015) kerrotaan tarkemmin tehtävässä käytettyjen työkalujen toiminnasta. Intersectin eli kaksoisleikkauksen tarkoituksena on leikata pois kaikki piirteet, jotka eivät osu alueelle, jotka valitut karttatasot peittävät. Toisin sanoen kaksoisleikkauksen avulla saadaan rajattua halutuista aineistoista alueet ja tiedot, joita tarvitaan tehtävässä. Aiemmin käytettyä clip-toimintoa voidaan puolestaan kuvailla ”piparkakkumuotiksi”, jonka muodostama uusi karttataso sisältää pelkästään lähtötason ominaisuustietotaulun kentät.

 

Tehtävän tavoitteena oli siis tarkastella Kumpulan, Käpylän ja Toukolan rakennettuja alueita verrattuna alueisiin, joissa esiintyy enemmän luontoa. Muutimme alkuperäisestä aineistosta koodin avulla tiedot muotoon ”rakennettu” sekä ”luonto”. Kaksoisleikkauksen ja aineiston muokkaamisen jälkeen syntyi haluamani näköinen kartta (kuva 4) ja sitä havainnollistava diagrammi (kuva 5).

Kuva 4 – Helsingin kaupunginosien, Kumpulan, Käpylän ja Toukolan maankäyttömuodot.

 

Kuva 5 – Pylväsdiagrammi Helsingin kaupunginosien maankäyttömuodoista (%).

 

Karttakuvasta ja diagrammista voidaan huomata alueiden maankäyttömuotojen olevan suhteellisen samankaltaisia. Jokaisessa valitsemassani kaupunginosassa luontoa on hieman suurempi prosentuaalinen osuus kuin rakennettua ympäristöä. Luontoa on eniten kuitenkin Toukolassa, joka oli mielestäni hyvin oletettavaa, kun taas vähiten Käpylässä. Karttakuva puolestaan havainnollistaa rakennetun alueen ja luonnon sijoittumista alueille. Aineistossa voidaan nähdä myös ongelmakohtia, kuten ”muu paljas maa”-luokan luokittelu ”rakennetuksi ympäristöksi”. Käsitteeseen ”muu paljas maa” voi muun muassa kuulua alueita, jotka silmämääräisesti voitaisiin luokitella luonnonmukaisiksi eikä niinkään rakennetuiksi ympäristöiksi. Voi siis olla mahdollista, että luokkaan kuuluu alueita niin rakennetusta kuin luonnonmukaisesta ympäristöstä.

 

 

Käytetyt lähteet:

Helsingin seudun maanpeiteainesto 2020 (HSY), saatavilla: https://kartta.hsy.fi/

HSY, saatavilla: https://kartta.hsy.fi/

Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7, saatavilla: http://hdl.handle.net/10138/166765

Kurssikerta 7 – Viimeistä viedään

Keskiviikkoaamuja tulee ikävä!

Viimeisen kurssikerran tunnelmat ja mietteet

Viimeinen kurssikerta oli itsenäisesti tai ainakin lähes itsenäisesti suoritettava ja tällä kerralla työ piti tehdä ilman opettajajohtoista opetusta. Toki opettaja auttoi kuitenkin tarpeen tullen, jos näytti siltä, että on itkun partaalla, eikä muuten pääsisi eteenpäin. Oma kurssikertani sujui loppujen lopuksi ihan hyvin. Aluksi oli suunnitelmissa tehdä kartat valmiiksi ennen tiistain laskiaisriehaa, jolloin ei olisi tarvinnut tulla keskiviikkona kahdeksan aikaan aamulla istumaan silmät ristissä GIS-luokkaan. Suunnitelmani päättyi kuitenkin hyvin lyhyeen, kun maanantai-iltapäivällä asiat eivät luistaneetkaan haluamallani tavalla. En saanut aineistoja toimimaan ja useat aineistot eivät edes suostuneet aukeamaan QGIS-ohjelmassa. Aineistojen kanssa totisesti tuli itsetuhoisia ajatuksia ja loppujen lopulta kolmen tunnin turhan istumisen jälkeen luovutin maanantain osalta. Ainoaksi vaihtoehdoksi jäi raahautuminen keskiviikkona Kampukselle.

Keskiviikon kurssikerralla sain sekä aloitettua, että tehtyä loppuun työni. Tein yhteensä kuusi karttaa liittyen Afrikan metsien ja maatalouden viemään pinta-alaan sekä vertailin sitä yhdessä kartassa myös luonnonsuojelualueisiin. Kartat onnistuivat mielestäni kohtalaisen hyvin, mutta varmasti olisi myös paljon hiottavaa ja parannettavaakin. Kartoissa mittakaava on ehkä turha ja voi jopa olla vääristynyt, joten sen olisi voinut jättää kokonaan pois. Lisäksi huomasin, että alueita värin mukaan vertailtavissa kartoissa oli puutteita, koska dataa ei löytynyt kahdesta valtiosta, Etelä-Sudanista, eikä pienestä osasta Länsi-Saharaa. Laitoin viimeiseksi tekemääni karttaan taustavärin, joka kuvaa ”ei tietoa” -kohtaa legendassa. Olin jo ehtinyt tekemään muut samantyyliset kartat, enkä jaksanut korjata niitä enää monen tunnin luokassa istumisen jälkeen. Päätin siis jättää kohdat valkoisiksi ja selittää ne blogitekstissä.

 

Ja sitten loppukarttojen pariin!

Kurssikerran työ sisällytti ainakin joitain asioita, joita olen oppinut edellisillä kerroilla. Itse karttojen laatimisessa ei ollut suurempia ongelmia, mutta aineiston keruu tuotti haasteita. Ilmeisesti monella muullakin aineistojen keruussa ja mielenkiintoisen aiheen valitsemisessa oli ollut ongelmia. Muun muassa Salla Kärkkäinen kirjoittaa blogissaan ”Viikko 7: Grändi Finaale”, että aineistojen etsimisessä oli kulunut paljon aikaa.

”Tämän päivän neljästä tunnista kampuksella rehellisesti sanottuna melkein puolet meni siihen, kun tutkin erilaisia aineistoja ja kokeilin erilaisia pohjakarttoja.”

– Salla Kärkkäinen

Loppujen lopuksi sain kuitenkin löydettyä karttoihin sopivat aineistot ja pääsin viimein tekemään aineistoista itse haluamani kartat. Olen tyytyväinen, että sain kartat tehtyä, mutta niissä olisi vielä parannettavaakin. Kaikista kartoista tuli myös yksinkertaisia, mutta toisaalta omasta mielestäni yksinkertaisia karttoja on myös helpompi lukea ja tulkita. Halusin vielä blogitekstissä lyhyesti tulkita karttojen sisältöä sanallisesti.

Aloitin kartalla (kuva 1), jossa kuvataan Afrikan maatalouteen käytettävää pinta-alaa verrattuna metsäpinta-alaan muusta maa-alueesta valtioittain vuonna 2018. Käytin maataloutta kuvaavassa pylväässä keltaista väriä ja puolestaan metsiä kuvaavassa vihreää väriä. Kartasta saa hyvän kokonaiskuvan, vaikka kaikki pylväät eivät suostuneetkaan asettua täsmälleen niille paikoille kuin olisin halunnut.

Kuva 1 – Kartta pylväsdiagrammeilla Afrikan valtioiden metsien ja maatalouden pinta-aloista vuonna 2018.

 

Niin kuin on oletettavaa, maatalouden ja metsien pinta-alan osuus on korkeampia Saharan eteläpuoleisessa Afrikassa. Saharan pohjoispuolella on kuitenkin muutama valtio, kuten Tunisia, joissa maataloutta kuvaava pylväs on suhteellisen korkea. Googlasin Tunisian elinkeinomuotoja ja sain selville, että valtiossa maatalous on jopa kolmanneksi suurin talouden osa-alue. Löysin tiedon ”Globalis” nimisestä sivustosta, josta löytyy tietoa eri maailman valtioista. Kartasta voi huomata, että suurimmassa osassa Afrikan valtioista käytetään paljon maan pinta-alaa maatalouteen. Monissa Afrikan valtioissa maatalous onkin erittäin tärkeä elinkeino ja alueilla viljellään paljon esimerkiksi rahakasveja, kuten kahvia, jotka vievät paljon pinta-alaa maa-alasta ja muilta viljelykasveilta.

Valtioiden metsät saattavat kärsiä maataloudesta, kun niitä raivataan pois, jotta saataisiin lisää viljelymaata. Pylväistä voikin huomata, että suurimmassa osassa maita, joissa on paljon maataloutta, on suhteessa vähän metsiä. Puolestaan alueilla, joilla on metsäpinta-alaa enemmän, ei harjoiteta niin paljoa maataloutta. Näiden välillä huomaa siis selvän riippuvuuden. Alla on myös kuvat (kuvat 2 ja 3) maatalouden ja metsien pinta-alasta, jolloin muuttujia voi tarkastella myös erikseen eri värisävyjen avulla.

Kuva 2 – Kartta Afrikan valtioissa maatalouteen käytetyistä pinta-aloista vuonna 2018.

Kuva 3 – Kartta Afrikan valtioiden metsien pinta-aloista vuonna 2018.

 

Näissä kartoissa dataa ei näy alussa Etelä-Sudanissa eikä ainakaan osassa Länsi-Saharaa. Kartat kuitenkin havainnollistavat lisää aiempaa pylväskarttaa ja värit kertovat valtioiden todellisista metsien ja maatalouden pinta-aloista. Näin voidaan myös huomata mahdolliset pylväsdiagrammikartasta (kuva 1) saatavat ”vääristymät”, jos karttaa tulkitsee väärällä silmällä. Esimerkiksi diagrammikartassa joissain valtioissa näyttää, että metsiä olisi tosi vähän, vaikka todellisuudessa niitä voi olla paljonkin, kun tarkastelee karttaa 3. Täytyykin siis huomioida, että ensimmäisessä kartassa vertaillaan keskenään kahta muuttujaa ja pylväät määräytyvät niiden keskinäisen suhteen mukaan.

Tein myös samoista aiheista kartan pylväsdiagrammeilla (kuva 4) vuodelta 1990, jotta voitaisiin vertailla, miten eri vuosien maatalouden ja metsien pinta-alat eroavat toisistaan. Vuoden 2018 ja 1990 pylväät eivät kuitenkaan merkittävästi eroa toisistaan, mutta jos tarkasti katsoo, voidaan huomata erittäin pieniä eroja joidenkin pylväiden korkeudessa. Maankäyttö on pysynyt Afrikassa metsien ja maatalouden osalta kuitenkin suhteellisesti lähes samana vuodesta 1990 vuoteen 2018.

Kuva 4 – Kartta pylväsdiagrammeilla Afrikan valtioiden metsien ja maatalouden pinta-aloista vuonna 1990.

 

Olin yllättynyt, että viimeisen 30:nen vuoden aikana ei ollut tapahtunut merkittävää muutosta muuttujien kesken. Olisin halunnut ottaa vertailuun vielä vanhempaa dataa, mutta aineistosta ei löytynyt vanhempaa tietoa Afrikan valtioiden metsäpinta-aloista. Päätin sen sijaan tehdä vertailevan kartan ainoastaan maatalouden käyttämästä pinta-alasta vuosilta 1970, 1980 ja 1990 (kuva 5). Kartassa pylväät eivät jostain syystä suostuneet menemään kohdilleen, vaikka kokeilin kaikkia mahdollisia keinoja pylväiden sijainnin määrittämisessä. Merkitsin vuosia keltaisella, oranssilla ja punaisella värillä, jotka erottuivat kivasti ja selkeästi toisistaan.

Kuva 5 – Kartta pylväsdiagrammeilla Afrikan valtioissa maatalouteen käytetystä pinta-alasta vuosina 1970, 1980 ja 1990.

 

Pylväiden tasaisuus hämmästytti minua, koska olisin olettanut vähän enemmän muutosta jompaankumpaan suuntaan. Suurimmassa osassa valtioita osuus on vuosina 1970, 1980 ja 1990 pysynyt suurin piirtein samana, mutta joitakin poikkeuksia kuitenkin löytyy. Esimerkiksi ilmeisesti Rwandassa maatalouteen käytetty pinta-ala on noussut 1970-1990 -luvuilla ja Mozambiquessa se on puolestaan laskenut.

Lopuksi minulle tuli mieleen, että luonnonsuojelualueet saattaisivat vaikuttaa metsien ja maatalouden pinta-aloihin valtioissa, joten päätin vielä hakea luonnonsuojelualueita kuvaavan aineiston ja vertailla sitä metsä- ja maatalouspylväisiin (kuva 6). Lisäsin tähän karttaan ”taustaväriksi” muut maailman valtiot ja rajasin viimeistelyvaiheessa alueeksi Afrikan seudun.

Kuva 6 – Afrikan valtioiden luonnonsuojelualueet sekä metsien pinta-alan suhde maatalouden käyttämään pinta-alaan vuonna 2018.

 

Kartasta voi huomata, että monella alueella, jossa on suurempi luonnonsuojeluprosentti, on myös enemmän metsäpinta-alaa ja vähemmän maatalouteen käytettyä pinta-alaa, niin kuin voidaankin olettaa. Tosin kartassa on myös monia poikkeuksia, joissa suojelualueiden osuus ei vaikuta yhtä paljon muiden muuttujien pinta-aloihin. Ei siis suoranaisesti voida sanoa, että luonnonsuojelualueprosentti korreloisi muiden muuttujien kanssa erityisen merkittävästi.

 

Lopputunnelmat tästä kerrasta ja koko kurssista

Alkuongelmia lukuun ottamatta kurssikerta sujui ihan hyvin. Tavoitteenani oli saada joku itseäni kiinnostava kartta aikaiseksi ja siinä myös onnistuin. Koko kurssin aikana olen kehittynyt valtavasti QGIS:in käytössä ja kurssin edetessä karttojen tekeminen sujui yhä paremmin ja paremmin. Kurssi loppui mielestäni aika nopeasti, juuri päästyäni vauhtiin QGIS:in kanssa. Kurssiin mahtui monia pitkiä koulupäiviä, kun jäimme varsinaisen session jälkeen istumaan gis-luokkaan, välillä tuskaisesti tekemään karttoja. Jokainen (tai ainakin lähes jokainen) käytetty työtunti vei itseäni kuitenkin eteenpäin oppimisessa. Loppujen lopuksi kurssista jäi hyvä mieli. Mahtavaa tunnelmaa rakensi luokassa myös ihanat kurssikaverit sekä mukava opettaja, jonka kärsivällisyys ei horjunut hetkeäkään.

Kiitos!

 

Näihin kuviin ja tunnelmiin 😊

 

 

Käytetyt lähteet:

Globalis – Tunisia (päivitetty 9.4.2015) (viitattu 3.3.2022), saatavilla: https://www.globalis.fi/Maat/tunisia

Kärkkäinen S. (2022) Viikko 7: Grändi Finaale (viitattu 6.3.2022), saatavilla: https://blogs.helsinki.fi/karkkais/2022/03/02/viikko-7-grandi-finaale/

Natural Earth, Large scale data, Countries (viitattu 2.3.2022), saatavilla: https://www.naturalearthdata.com/downloads/10m-cultural-vectors/

World Bank Open Data, Agricultural land (% of land area) (viitattu 2.3.2022), saatavilla: https://data.worldbank.org/indicator/AG.LND.AGRI.ZS?view=chart

World Bank Open Data, Forest area (% of land area) (viitattu 2.3.2022), saatavilla: https://data.worldbank.org/indicator/AG.LND.FRST.ZS?view=chart

World Bank Open Data, Terrestrial and marine protected areas (% of total territorial area) (viitattu 2.3.2022), saatavilla: https://data.worldbank.org/indicator/ER.PTD.TOTL.ZS?view=chartrg)

Kurssikerta 6 – Interpolointia vai ei?

”Ainiin se retki…”

Mikä tällä kertaa oli kurssikerran aihe?

Retkelle lähteminen voisi olla hyvä idea, jos olisi myös pukeutunut sen mukaisesti. Lähdimme siis toiseksi viimeisellä tunnilla nauttimaan raikkaasta talvisäästä. Viikon kestäneestä räntäsateesta ei enää näkynyt jälkeäkään ja pitkästä aikaa idea ulos menosta oli jopa ihan hyvä idea. Aloitimme kuitenkin kuuntelemalla opettajan johdatuksen, diasarjan (vai oliko siinä montaakaan diaa), tämän päivän aiheeseen. Se kertoi muun muassa julkisesta liikenteestä, rakentamisesta ja ennen kaikkea julkisista tiloista. Siispä lähdimme ulos tekemään pienimuotoista tutkimusta liittyen julkisiin tiloihin ja kaupunkisuunnitteluun.

Teimme viiden hengen ryhmässä noin tunnin kävelylenkin Arabianrannassa ja otimme yhdessä kuvia, osa samoista paikoista ja osa eri paikoista. Kävelylenkki oli kiva ja raitis ilma teki hyvää keholleni. Huonosti nukuttujen yöunien jälkeen käveleminen sai minut energisemmäksi ja loppuluennolla pysyin paremmin hereillä.

 

Tehtävien pariin!

Aamun kävely kauniissa maisemassa sai minut latautumaan kurssikerralle erittäin positiivisin mielin. Ehkä pitäisi alkaa kävelemään kampukselle? (No ei, vitsi vitsi, en kykenisi sellaisiin urheilusuorituksiin.) Kävelyn jälkeen aloitimme taas tehtävät QGIS:sin parissa. Koko kurssiryhmämme havainnot kerättiin yhteiseen tiedostoon ja sen jälkeen veimme keräämämme aineiston QGIS-ohjelmaan. Aineisto avautui pisteaineistona keräämistämme havaintokohteista, minkä interpoloimme kokemamme turvallisuudentunteen mukaan (kuva 1).

Kartassa punaiset alueet kuvaavat epäturvallisuuden tuntemusta ja sininen puolestaan turvallisuudentunnetta alueesta tai kohteesta. Havainnot jakautuivat Kumpulan kampuksen läheisyyteen suhteellisen tasaisesti ja saimme aineistoa lähes joka ilmansuunnasta. Epäturvallisimmat alueet sijoittuvat kartassa pääasiassa teiden varsille ja paljon rakennetuille alueille. Enemmän turvallisuudentunnetta puolestaan koetaan puistoalueilla ja luonnontilaisemmissa kohteissa. Tehtävässä erityisen mielenkiintoista oli tutkia, miten muut kurssikaverit kokevat turvallisuudentunteen kaupunkisuunnittelun eri kohteissa.

Kuva 1 – Interpoloitu kartta Helsingin turvallisuudesta kaupunkisuunnittelun kohteissa.

 

Mielestäni kartta onnistui visuaalisesti ihan hyvin ja interpoloiminen osoittautui yllättävän helpoksi. Jatkoin vielä interpolointitaktiikalla seuraavaan tehtävään (kuva 2), mutta lopputuloksesta tajusin, että interpoloiminen ei välttämättä sovi ihan jokaiseen karttaan yhtä hyvin. Minusta interpoloinnissa olisi hyvä olla kaksi vastakkaista ääripäätä, joita havainnollistetaan eri väreillä kartassa. Maailman maanjäristyskohtia kuvaavassa kartassa vertaillaan ainoastaan eri magnitudiasteisia järistyksiä, jolloin interpoloiminen on mielestäni vähän turhaa, kun saman tiedon voi esittää paremmin muulla tavalla, kuten pisteillä. Siksi lisäsin lopuksi interpoloinnin jälkeen karttaan vielä pisteet, jotta kartta olisi havainnollistavampi ja helpommin luettava. Kartassa vaaleammat alueet viittaavat pienempään magnitudiin ja puolestaan tummemman punaiset alueet suurempaan magnitudiasteeseen. Kartasta huomaa selvästi, että maanjäristykset keskittyvät mannerlaattojen saumakohtiin, joissa laatat erkanevat, törmäävät tai sivuavat toisiaan.

Kuva 2 – Interpoloitu kartta maailman maanjärsityskohdista mitattuna magnitudin mukaan.

 

Kartta ei miellytä visuaalisesti silmääni, enkä sanoisi olevani kovinkaan ylpeä lopputuloksesta. Ainakin opin sen, että joillekin aineistolle ei välttämättä kannata käyttää interpolointia. Lisäksi en saanut vaihdettua legendaan magnitudiasteikon sävyjä oikein, koska muokkasin oletusvärejä tehdessäni karttaa. Legendan kolme viimeistä kohtaa eivät siis pidä paikkaansa värien perusteella.

Seuraavaksi siirryin tekemään tulivuorikarttaa (kuva 3), joka esittää koko maailman eri tulivuorityyppejä alueittain. Niin kuin edellisessä kartassa, tässäkin laitoin näkyviin litosfäärilaatat, jotka havainnollistavat tulivuorten sijoittumista. Teimme karttaa yhdessä Katrin kanssa ja päätimme valita esitettäviksi tulivuorityypeiksi muista tulivuorista kalderat (vihreä piste), kilpitulivuoret (keltainen), vedenalaiset tulivuoret (sininen) ja kerrostulivuoret (punainen). Muita tulivuoria kuvataan kartassa violetilla värillä.

Kuva 3 – Maailman eri tulivuorityyppejä ja niiden sijainti.

 

Olen ylpeä, että saimme aikaan näinkin hyvän kartan, joka jopa miellyttää aika hyvin silmää. Käytimme eri tulivuorityyppien valitsemiseen aiemmilla kurssikerroilla opittuja taitojamme ja saimme onnistumaan haluamamme kartan suhteellisen vaivattomasti. Keksimme jopa aineiston avaamismenetelmän, jonka saimme toimimaan jotenkin ihmeellisesti vain pienellä vaivalla. Voisin sanoa, että olen oikeasti edistynyt QGIS:sin käytössä melko tavalla!

Viimeisenä tehtävänä teimme vielä (ei niin havainnollistavan) kartan tsunameista (kuva 4). Tässä vaiheessa motivaatio loppui omalla kohdallani täysin. Olimme olleet luokassa jo tosi pitkään ja nälkä oli kova, koska emme ehtineet UniCafeen syömään ennen sen kiinnimenoa. Sain kuitenkin aikaan edes tsunamien sijaintia kuvaavan kartan, jossa aineisto on esitetty muiden tämän kurssikerran karttojen mukaan pistemuotoisena.

Kuva 4 – Tsunamien esiintyvyys maailmalla.

 

Kartoissa 2, 3 ja 4 voi huomata paljon samankaltaisuutta: maanjäristykset, tulivuoritoiminta ja tsunamit esiintyvät suurin piirtein samoilla alueilla eli mannerlaattojen saumavyöhykkeissä. Karttoja voidaan käyttää opetustarkoituksessa esimerkiksi näiden kaikkien ilmiöiden yhteyden selittämisessä ja havainnollistamisessa. (Tosin en käyttäisi karttaa 2 muuta kuin huonona esimerkkinä :D) Topias Vanhatalo oli laatinut kahdesta samasta aiheesta kartan kuin minäkin: maanjäristyksistä ja tulivuorista. Myös hän oli maininnut niiden yhteydestä blogissaan ”Kuudetta kertaa”:

” Maanjäristyksiä ja tulivuoria esiintyy paljon mannerlaattojen rajakohdissa, erittäin selvästi tämä näkyy muun muassa Atlantin keskiselänteen ja Tyynenmeren tulirenkaan yhteydessä. Etenkin Tyynenmeren tulirenkaan yhteydessä esiintyy todella paljon niin tulivuoria kuin myös maanjäristyksiäkin.”

Topias Vanhatalo

 

Lopputunnelmat

Kurssikerta venähti taas paljon, noin 8 tuntiin ja olo oli myös sen mukainen. Sain kuitenkin tehtyä kaikki kartat edes jollain tavalla, vaikka viimeisen kanssa loppuikin motivaatio pahasti. Oli kuitenkin kiva juttu, että saimme päättää itse tutkittavat kohteet, jolloin jokainen sai tehdä karttoja juuri omista mielenkiinnonkohteista. Tehtävissä oppi myös soveltamaan aikaisemmin opittuja taitoja ja oli ilo huomata sekä omaa, että kavereiden kehitystä QGIS:sin parissa. Vielä viimeiset pinnistykset ennen kurssin loppumista!

 

Näihin kuviin ja tunnelmiin 😊

 

 

Käytetyt lähteet:

Vanhatalo T. (2022) Kuudetta kertaa (viitattu 24.2.2022), saatavilla: https://blogs.helsinki.fi/topiasva/

 

Kurssikerta 5 – Tuskaisia työtunteja Helsingin seudun parissa

“Kertaus on opintojen äiti”

– Eeva Raki

 

Aloitustunnelmat

Jatkoimme viimekerralla aloitetun kartan tekemistä. En päässyt viime viikolla mukaan kurssikerralle, joka vaikeutti paljon tehtävien tekemistä. Siksi en ollut myöskään saanut aineistoa edes kokonaan kasaan, mutta onneksi tämän kerran tehtäväkansiossa oli valmis Pornaisten kartta. Viikon aikana kerääntynyt stressini hävisi siis tunnin alussa, alle kymmenessä sekunnissa. Joskus pitäisi oppia stressaamaan asioista vähemmän…

 

Kurssikerran tehtävät

Harjoittelimme puskurivyöhykkeiden tekemistä ensin Pornaisten karttaan, jonka jälkeen siirryimme Helsinki-Vantaan lentokenttäaineiston pariin. Teimme meluasteiden puskurivyöhykkeisiin liittyvän tehtävän, jota pohdimme yhdessä kavereiden kanssa ja onnistuimme tekemään sen luultavasti oikein. Teimme aineistojen ja kysymyksien perusteella alueesta kaksi karttaa (kuvat 1 ja 2).

Kuva 1 – Helsinki-Vantaan lentokentän puskurivyöhyke

 

Tehtävässä oli neljä kohtaa, joissa oli Helsinki-Vantaan lentokentän meluhaittoihin liittyviä kysymyksiä:

  • Tutki kuinka monta asukasta asuu Helsinki-Vantaan lentokentän välittömässä läheisyydessä?

Vastaukseksi sain (tai saimme), että yhteensä kahden kilometrin säteellä meluvyöhykkeellä asuu 10 547 ihmistä, joista meluisammalla vyöhykkeellä eli yhden kilometrin säteellä asuu 916 ihmistä.

  • Tutki kuinka prosenttia edellisen kohdan asukkaista asuu Helsinki-Vantaa lentokentän pahimmalla melualueella (65dB)?

65dB -alueella asuvia ihmisiä on aineiston mukaan yhteensä 303 asukasta. Jos se jaetaan 2 km kokonaisasukasmäärällä, saadaan 0,0287… = 2,9%

  • Kuinka monta ihmistä asuu vähintään 55dB melualueella?

Tulokseksi sain: 1 923 ihmistä asuu vähintään 55dB melualueella.

  • Kun lentokentän kolmatta kiitorataa rakennettiin vuonna 2002, laskeutuvat koneet lensivät tilapäisesti suoraan Tikkurilan yli, kartalla suunnassa kaakosta luoteeseen. Kuinka monen ihmisen elämää vähintään 60dB lentomelu haittaisi Tikkurilassa, mikäli saapuva liikenne käännettäisiin jälleen laskeutumaan poikkeuksellisesta suunnasta?

Tehtävässä piti tehdä puskurivyöhyke poikkeukselliselle lentoreitille ja erottaa sen jälkeen puskurivyöhykkeelle osuvien asukkaiden lukumäärä. Alla olevassa kartassa (kuva 2) sinertävä tai violetti väri kuvaa tehtävässä tehtyä puskurivyöhykettä, jonka sisäpuolella voi huomata saman värisiä palleroita, jotka puolestaan kuvaavat melualueen asukkaita. Näiden pohjalta sain tulokseksi, että lentoliikenne häiritsisi 27 191 ihmisen elämää.

Kuva 2 – Puskurivyöhyke vuoden 2022 tilapäisestä lentoliikenteestä

 

Puskurivyöhyketehtävien kanssa ei ollut suurempia ongelmia. Näin jälkikäteen mietittynä, ne osoittautuivatkin suhteellisen helpoiksi ja nopeiksi verrattuna päivän viimeisiin tehtäviin. Puskurivyöhykkeiden tekeminen iskostui myös mieleeni loppu elämäkseni, koska toistelin samoja vaiheita kerta toisensa jälkeen uudestaan ja uudestaan. Ainakin voin sanoa oppineeni jotain.

Teimme kurssikerralla myös yhdessä kavereiden kanssa tehtävän samaisen kartan juna- tai metroasemista ja niiden puskurivyöhykkeistä. Tehtävä oli samantyylinen kuin edeltäväkin ja sen tekeminen sujui sulavasti. Tunnelma oli tässä vaiheessa vielä ihan hyvä ja positiivinen. Oli myös ilo huomata kehitystä QGIS-ohjelman käsittelytaidoissani.

Viimeiseksi siirryimme uima-allas tehtävään. Tehtävä osoittautui vaikeammaksi ja sen kanssa tuli tuskaisen paljon ongelmia. Loppujen lopuksi istuimme 9 tuntia luokassa tekemässä tehtäviä. Olen kuitenkin tyytyväinen, että jäin luokkaan tekemään tehtäviä, koska kotona niiden kanssa painiminen ei olisi tuonut minulle muuta kuin päänsärkyä ja unettomia öitä. Siksi onkin hyvä, että olen ottanut tavaksi tehdä tehtävät suoraan ”virallisen” kurssiosuuden jälkeen.

”Minä en jätä huomiseen mitään, minkä voin tehdä tänään.”

– Pikku Myy

Isoin ongelmamme tehtävän aikana oli paikannimien, saunojen ja uima-altaiden yhdistäminen samaksi alueeksi niin, että myös saunojen ja uima-altaiden määrä summautuisi. Yhdistämisen jälkeen saisimme puolestaan tehtyä pylväitä kartalle. Olimme niin toivottomia, että päädyimme näpyttelemään paikkojen nimiä erikseen ja yhdistämään uima-altaiden ja saunojen määriä taulukkoon manuaalisesti. Olimme saaneet jo koko taulukon valmiiksi ja päässeet lähes maaliin asti, kun QGIS-guru Ilari sai ratkaistua ongelmamme. Tosin ratkaisu ei enää vaikuttanut meidän tilanteeseemme, koska olimme päässeet eteenpäin raskaalla näpyttelytavallamme. Ilmeisesti kuitenkin a_pks_pie aineistossa oli jotain vikaa, ja sen korjaaminen hoitui asetuksien kautta.

Settings > options > Processing > General > invalid features filtering > ignore ja kaikki onnistui parin alueen kohdalle tulevaa aukkoa lukuun ottamatta.”

Siiri Kokkonen

 

Seuraavaksi vielä kovalla vaivalla haetut vastaukset kysymyksiin:

  • Kuinka monta uima-altaalla varustettua rakennusta löytyy pääkaupunkiseudulta?

Pääkaupunkiseudulta löytyy yhteensä 855 uima-altaalla varustettua taloa. (Tulos oli erittäin yllättävä)

  • Kuinka paljon asuu asukkaita sellaisissa taloissa, joissa on uima-allas?

Asukkaita asuu saamiemme tulosten mukaan yhteensä 12 170 sellaisissa rakennuksissa, joissa on uima-allas.

  • Kuinka moni noista taloista on omakotitaloja? Entä kerrostaloja tai rivitaloja?

Omakotitaloja yhteensä on 345 kappaletta, rivitaloja 113 ja kerrostaloja 181 kappaletta.

  • Kuinka monessa talossa on sauna ja kuinka monta prosenttia se on kaikista asutuista taloista pääkaupunkiseudulla?

Saimme tulokseksi, että pääkaupunkiseudulla olisi 21 922 saunaa, joka on luultavasti 24,4% kaikista pääkaupunkiseudun taloista.

  • Mikä on kaikkein uima-allasrikkain osa-alue?

Teimme tästä kohdasta havainnollistavan kartan (kuva 3), jossa kuvataan uima-altaiden määrää eri kaupunginosissa. Kartta-aineiston mukaan eniten uima-altaita on ilmeisesti Lauttasaaressa.

Kuva 3 – Uima-altaiden lukumäärät eri pääkaupunkiseudun kaupunginosissa

– Tehnyt: Nea Tiainen, Katri Hämäläinen, Anni Leppä ja minä

– Apujoukkojakin oli paljon edellä mainittujen nimien lisäksi

 

Olen joka tapauksessa tyytyväinen, että sain tehtyä kavereiden avustuksella kurssikerran kaikki tehtävät. Karttojen ulkonäöt eivät ole parhaita mahdollisia, mutta kyllä niistä selvää saa. On kuitenkin tärkeintä, että haluttu asia välittyy lukijalle kartoista. Lisäksi eri QGIS-ohjelman työkalut ovat nyt alkaneet hahmottua minulle paremmin. Osaan käyttää jo monia työkaluja itsenäisesti, mutta joidenkin kanssa on vielä ongelmia niiden toimintojen ymmärtämisessä.

 

Lopputunnelmat

“Tää oli niin traumaattinen kokemus et mä varmaan unohdan kaiken heti”

– Katri Hämäläinen

 

Näihin kuviin ja tunnelmiin 😊

 

Käytetyt lähteet:

Kokkonen S. (2022) Kurssikerta 5: Lentokoneita ja kärsimystä (viitattu 17.2.2022), saatavilla: https://blogs.helsinki.fi/siirikok/

Sitaatit.fi, Muumi-sitaatit (päätoimittaja: Vesa Nippala) (viitattu 17.2.2022), saatavilla: https://sitaatit.fi/muumi-sitaatit/

Kurssikerta 4 – Rasteriaineistoja!

Kyllä rasterikarttojen laatiminen onnistuu vaikka sukset jalassa

 

Tunnelmat tehtävistä

Olin tällä viikolla Levillä laskettelemassa kaverini perheen kanssa, joten kurssikerran liveosuus jäi minulta välistä. Toisin sanoen tehtävien teko vaikeutui erittäin paljon. Aloitin tekemään tehtäviä junassa ja olen edelleen ylpeä itsestäni, että sain jopa aika paljonkin aikaan, kun paneuduin tehtäviä koskeviin ohjeisiin kunnolla. Joissakin kohdissa oli vaikeuksia paljonkin, mutta ajattelemalla omilla aivoillani, pääsin niidenkin hankaluuksien yli. Onnistuin lopulta omin avuin tekemään ensimmäisen tehtävän kartan!

 

Sitten kartan laadinnan pariin!

Kurssikerralla siis harjoiteltiin laatimaan rasterimuotoisia karttoja. Valitsin itse analysoitavaksi kohteeksi pääkaupunkiseudun ruotsinkielisen väestön ja tein siitä melko onnistuneen kartan. Valitsin väreiksi punaisen eri sävyt, koska minun mielestäni se oli sillä hetkellä looginen valinta ja vaihteluvälit olivat selkeästi erotettavissa. Valitsin karttaan kahdeksan luokkajakoa, jotta kartta olisi mahdollisimman realistinen, eikä se vääristäisi todellisia lukemia. Olen loppujen lopuksi tyytyväinen lopputulokseeni, koska en olisi uskonut, että saisin kokonaisen kartan aikaan ilman opettajan näytön seuraamista luokassa.

Kuva 1 – Pääkaupunkiseudun ruotsinkielisten lukumäärä neliökilometrin alueella

 

Kuvassa 1 näkyy, että ruotsinkielisiä on lukumäärältään paljon etelässä, jossa sijaitsee väestöllisesti muutenkin enemmän väestöä kuin muualla pääkaupunkiseudun alueella. On siis ymmärrettävää, että alueella on myös lukumäärällisesti enemmän ruotsinkielisiä.

Muiden kurssilaisten blogeja lukiessa huomasin, että Salla Kärkkäisellä blogissaan: ”Viikko 4: Flashbackit TEMMI:lle ja muuta mukavaa” oli kolme havainnollistavaa karttaa samasta aiheesta kuin minäkin olin tehnyt. Lainasin hänen blogitekstistään yhden näistä kolmesta kartasta (kuva 2). Kun ruotsinkielisten osuutta mitataan kartalla prosentuaalisesti, tulos näyttää ihan erilaiselta. Todellisuudessa suurempi ruotsinkielisten prosentuaalinen osuus keskittyy enemmän itään ja vähän myös länteen sekä pohjoiseen. Etelässä prosentuaalinen osuus on tällöin suhteellisen pieni.

Kuva 2 – Ruotsinkielisten osuus alueen väestöstä pääkaupunkiseudun alueella
Tehnyt: Salla Kärkkäinen

 

”Luonnollisesti alueilla, joilla asuu enemmän ihmisiä on myös enemmän ruotsinkielisiä, mutta se ei tarkoita, että ruotsinkielisten osuus kasvaisi. Päinvastoin, alueilla joilla on pieni väestöntiheys korostuu ruotsinkielisten osuus.”

– Salla Kärkkäinen

 

On tärkeää havainnoida karttoja eri tavoin, koska joissakin aineistossa kartan ulkonäkö voi muuttua paljonkin riippuen siitä, käyttääkö siinä absoluuttista tai suhteellista osuutta. Ruututeemakartassa pitääkin miettiä sitä, millä tavoin asian haluaa havainnollistaa ja mihin kartalla halutaan pyrkiä. Näidenkin kuvien (kuvat 1 ja 2) avulla voidaan siis todeta, että kartoilla on suuri vaikutus siihen, millaisen kuvan se antaa ihmisille. Kartoilla voidaan helposti vaikuttaa ihmisten näkemyksiin ja mielipiteisiin eri asioista. Niitä voidaan muokata kuvastamaan jotain ilmiötä esimerkiksi voimakkaammaksi värisävyllä, luokkajaolla, mitta-asteikolla ja monilla muilla asioilla.

 

Rasterimuotoisessa ruututeemakartassa on niiden havainnollistavuuden lisäksi monia ongelmia muun muassa sen yleistävyydessä. Tästä etenkin Nea Tiainen kertoo blogissaan ”Viikko 4. Ruutuja ja PTSD oireita” hyvin:

”Ruututeemakartta halkoo väkivaltaisesti alueen nätteihin ruutuihin ottamatta huomioon asuinalueiden sijaintia tai asutusten keskittymiä. Se vääristää ja pelkistää mielestäni liikaa aineistoa, kun yksittäinen asuinalue voi pahimmassa tapauksessa jakautua 4 eri osaan.”

Nea Tiainen

Hän mainitsee lisäksi, että olisi parempi idea valita esimerkiksi koropleettikartta aineiston esittämiseen. Itselläni tuli tästä mieleen, että tekemäni kartta olisi ollut paljon havainnollistavampi, jos siinä olisi ollut näkyvissä esimerkiksi kuntarajat, paikannimet ja jonkinlainen indeksi väestön jakautumisesta alueelle. Näiden puute vaikeuttaa kartan havainnollistamista ja lukemista sekä saa kartan näyttämään hieman epäselvältä.

 

Lopputunnelmat

Kartan tekeminen oli samalla aikaa sekä tuskaa, että onnistumisen tunnetta. Kaikista epäonnistumisista ja viikon aikana kertyneestä stressistä huolimatta sain loppujen lopuksi kokonaisen kartan valmiiksi. Kartta ei ole täydellinen, mutta se on tarpeeksi hyvä. Aloitin myös tehtävää 2 rasterikuvien tuottamisesta, mutta päätin, että en laita kuvia siitä vielä tämän kurssikerran blogiin. Niistä sitten ensi blogissa. Seuraavalla kurssikerralla pääsen taas livenä paikalle karttatehtävien pariin, jolloin tehtävien tekeminen helpottuu merkittävästi. On taas kivaa päästä pohtimaan asioita ja ratkaisemaan ongelmia yhdessä kavereiden kanssa. Olemme kaikki tulevia QGIS-guruja!

 

Näihin kuviin ja tunnelmiin 🙂

 

 

Käytetyt lähteet:

Kärkkäinen S. (2022) Viikko 4: Flashbackit TEMMI:lle ja muuta mukavaa (viitattu 14.2.2022), saatavilla: https://blogs.helsinki.fi/karkkais/

Tiainen N. (2022) Viikko 4. Ruutuja ja PTSD oireita (viitattu 14.2.2022), saatavilla: https://blogs.helsinki.fi/tiainea/

Kurssikerta 3 – Afrikan konfliktit ja Suomi -tuhansien järvien maa

”QGIS, älä kaadu!”

Miten luento sujui?

Luennolla työskentelimme jälleen QGIS-ohjelman parissa. Kurssikerta sujui varsin nopeasti, koska jälleen kerran uusiin tehtäviin tutustuminen vei yllättävän paljon aikaa. Teimme luennolla kaksi eri karttatehtävää, joiden laatiminen onnistui suhteellisen samalla tavalla. Ensimmäisen kartan teimme Afrikan maanosasta opettajan johdolla (kuva 1). Toista karttaa (kuva 2) saimme aloittaa kurssikerran lopussa, mutta jäin loppujen lopuksi taas kerran kavereiden kanssa tekemään tehtävän loppuun luennon jälkeen.

Aluksi tehtävät tuntuivat hankalilta ja monimutkaisilta, mutta näppäimet ja tehtävänvaiheet alkoivat hahmottua selvemmin, kun niitä joutui toistamaan monta kertaa QGIS-ohjelman kaatuillessa uudestaan ja uudestaan. Sain lopulta molemmat harjoitukset onnistuneesti valmiiksi ja se on pääasia.

 

Tehtävä Afrikasta

Ensimmäinen kartta (kuva 1) tehtiin siis Afrikasta, jossa kuvataan maanosan öljykenttien, konfliktien ja timanttikaivoksien määrää. Kartan ulkoasu ei täysin miellytä silmääni, mutta ainakin se kuvaa onnistuneesti oikeita, tehtävässä haettuja asioita. Kartassa keltaisella on merkittynä öljykenttäalueet, punertavina pisteinä konfliktipaikat ja violetin sävyllä timanttikaivoksien sijainnit. Pisteet ja alueet erottuvat kartasta hyvin, mikä tekee sen tulkinnasta helpompaa. Kartassa valtionrajat helpottavat alueiden ja pisteiden sijainnin hahmottamisessa, ja ne ovatkin kartassa melkeinpä välttämättömät. Pienimmät saaret eivät kuitenkaan näy pienessä karttakuvassa kovin hyvin.

Kuva 1 – Afrikan maanosan öljykentät, konfliktit ja timanttikaivokset

 

Kartasta huomaa, että öljykentät sijoittuvat selkeästi suurimmilta osin Pohjois-Afrikkaan. Muiden kurssilaisten blogeja lukiessa löysin tähän liittyvän vastauksen Salla Kärkkäiseltä blogissaan: ”Viikko 3: Toistojen kautta se avautuu!”:

”Maallikon silmin timanttien ja öljyn määrä on selkeästi yhteydessä konfliktien määrään. Mielenkiintoista on, että konflikteja on, vaikka timanttien ja öljyn ajattelisi tuovan varallisuutta alueelle. Syynä voisi olla se, että varallisuus jakautuu huonosti eri ihmisryhmien välille. Afrikan maat ovat vanhoja siirtolaismaita, ja se on jättänyt jälkensä niiden yhteiskuntiin.”

Salla Kärkkäinen

 

Salla Kärkkäisen tulkinta on erittäin oivaltava ja mielenkiintoinen, mutta on myös hyvä muistaa, että kartan aineistolla ei välttämättä ole suoraa syy-yhteyttä. On paljon muita tekijöitä konfliktien syntymiselle kuin kartassa näkyvät timantit ja öljykentät, niin kuin Sallakin blogissaan mainitsee.

 

Toinen karttatehtävä Suomen tulvaindeksistä

Toinen kartta (kuva 2) kuvaa Suomen järvisyyttä ja valuma-alueita. Siinä valuma-alueet ovat merkittynä punaisen eri sävyillä vaaleimmasta tummimpaan, jossa vaalea tarkoittaa pienempää osuutta, kun taas tummempi suurempaa osuutta. Taustaväri on tummemman harmaa, jotta vaaleimmat alueet erottuisivat kartasta selvemmin. Karttaan on myös merkittynä joet sekä järvet, jotka liittyvät kartan teemaan ja joiden avulla voi vielä paremmin ymmärtää järvisyyden ja valuma-alueiden jakautumista Suomessa. Järvisyysprosenttia on kuvattu tummansinisillä pylväillä. Mitä korkeampi pylväs, sen suurempi järvisyysprosentti.

Kuva 2 – Kartta Suomen tulvaindeksistä

 

Kartasta voi huomata, että suurimmat valuma-alueet sijoittuvat Pohjanmaalle. Alueella ei ole myöskään paljon järviä, joka on isona syynä tulvien kohonneeseen riskiin. Pohjanmaalla joet virtaavat laakeammilla alueilla, ja kun järviä on niukasti, joista tulee tulvaherkempiä ja tulvivat helposti maa-alueelle. Ilmiö voimistuu keväällä, lumen ja jään sulamisvaiheessa, jolloin jokiin vapautuu entistä enemmän vettä.

Toinen suurempi valuma-alue sijoittuu Lappiin, jossa suurimmat tulvat aiheutuvat myös keväällä suuren lumi- ja jäämäärän sulaessa. Lapissa kuitenkin on enemmän järviä, jotka ”sitovat” tulvavettä hyvin. Järvet ovat myös voineet muodostua osittain sulamisvesien kerääntymisestä yhteen kohtaan. Järvisyysprosentti on korkealla myös Itä- ja Keski-Suomessa, jossa tulvia ei esiinny paljoakaan. Järvien ja valuma-alueiden välillä voikin nähdä selvän yhteyden: Siellä missä järvisyysprosentti on korkea, valuma-alueiden määrä on pienempi ja tulvariski pienenee. Puolestaan alueilla, jossa järviä ei ole niin paljon, valuma-alueita esiintyy enemmän ja tulvariski kasvaa.

Lisäksi voi vielä huomata yhden tekijän tulvariskin ilmaantuvuudessa. Tämän Lotta Sainio selittää hyvin blogissaan: ”Viikko 3: Afrikkaan ja Suomen valuma-alueille”. Tietoa on ilmeisesti lainattu myös netistä omien tulkintojen tueksi.

”Kartasta voidaan myös päätellä, että järvisillä alueilla tulvariski on pienempi kuin meren lähettyvillä. Meren lähettyvillä tulvat liittyvät yleensä myrskyihin, kun taas jokien ja järvien lähettyvillä tulvat ovat kevättulvia, jotka syntyvät lumien sulaessa” (SYKE, 2021)

– Lotta Sainio

 

Lopputunnelmat

Kurssikerran tehtävät olivat loppujen lopuksi ihan mielenkiintoisia. Opin tehdyistä työvaiheista paljon ja ainakin se tuli toistettua useampaan otteeseen… 😀 Vaikka aluksi oli vaikeuksia, niistä päästiin eteenpäin ja lopuksi asiat sujuivatkin jo kuin luistettu.

 

Näihin kuviin ja tunnelmiin 🙂

 

 

Käytetyt lähteet:

Kärkkäinen S. (2022) Viikko 3: Toistojen kautta se avautuu, (luettu 3.2.2022), saatavilla: https://blogs.helsinki.fi/karkkais/

Sainio L. (2022) Viikko 3: Afrikkaan ja Suomen valuma-alueille, (luettu 3.2.2022), saatavilla: https://blogs.helsinki.fi/salotta/

(Lotta Sainion käyttämä lähde: SYKE, 2021. Tulvariskialueet. Saatavilla: https://www.vesi.fi/vesitieto/tulvariskialueet/)

Kurssikerta 2 – Lisää karttoja!

Projektioita projektioiden päälle…

Mites se kurssikerta sitten sujui?

Toisella kurssikerralla perehdyimme jo hieman syvemmin QGIS-ohjelman käyttöön tekemällä harjoitustehtäviä liittyen erilaisiin projektioihin ja niiden erojen vertailuun keskenään. Käsittelimme opettajan johdolla vaihe vaiheelta ensimmäisen karttaharjoituksen kohtia, mikä selvensi kokonaiskuvaa ja auttoi pääsemään tehtävässä eteenpäin. Aluksi harjoitukset tuntuivat hankalilta ja työläiltä, koska QGIS-ohjelman näppäimet menivät sekaisin ja työvaiheita oli vaikea hahmottaa kunnolla. Harjoituksien edetessä homma alkoi onneksi sujumaan paljon sujuvammin ja viimeisen karttatehtävän kohdalla olo tuntui jo melkein mestarilta.

 

Aloittelua:

Aluksi harjoittelimme ohjelmiston käyttöä muun muassa mittaamalla eri koordinaattijärjestelmillä etäisyyksiä ja pinta-aloja. Vertailin alkulämmittelyssä esimerkiksi TM35FIN-koordinaattijärjestelmän ja Robinsonin projektion antamaa leveyttä Raaseporin kunnan poikittaisessa läpimitassa. Sain tulokseksi:

TM35FIN

Leveys: noin 41 kilometriä

Robinson
Leveys: noin 64 kilometriä

(En mene takaamaan mittojen tarkkuutta tai tiedon täydellistä oikeellisuutta)

 

Tehdyt harjoitukset

Ensimmäisessä opettajajohtoisessa kartassa kuvataan Robinsonin projektion pinta-alan suhdetta TM35FIN-projektioon (kuva 1). Halusin laittaa karttaan kahdeksan luokkaväliä, koska silloin kartasta tulee tarkempi. Toisaalta luokkavälit ovat suhteellisen tiheästi, eikä arvoilla ole kovinkaan paljon välieroa. Minusta kahdeksan luokkaa oli kuitenkin hyvä ratkaisu, koska se näytti kartalla hyvältä. Päätin ottaa väriksi sinisen eri sävyt, koska se miellytti sillä hetkellä juuri sopivasti silmää. Toisaalta värin vaaleimmat sävyt eivät erotu kartasta kovin selvästi, jolloin kartasta voi tulla helposti hieman harhaanjohtava.

Kuva 1 – Robinsonin projektion pinta-alan suhdeTM35FIN-projektion pinta-alaan.

 

Seuraavat kaksi karttaa tehtiin samalla tyylillä kuin ensimmäinen. Valitsin TM35FIN-projektion vertailtaviksi projektioiksi Mercatorin projektion (kuva 2) ja Winkel Triper -projektion (kuva 3). Valitsin jokaiseen karttaan eri värit, jotta ne olisi helpompi tunnistaa toisistaan analysointivaiheessa.

Kuva 2 – Mercatorin projektion pinta-alan suhdeTM35FIN-projektion pinta-alaan.

Kuva 3 – Winkel Triper -projektion pinta-alan suhdeTM35FIN-projektion pinta-alaan.

 

Kaikkien kolmen kartan tulokset näyttävät ainakin nopeasti vilkaistuna suhteellisen samoilta. Jaoin kaikissa luokat kahdeksaan osaan, joka entisestään vahvistaa karttojen samankaltaisuutta. Jos luokissa esiintyviä numeroita kuitenkin tarkastelee tarkemmin, huomataan, että Mercatorin projektio poikkeaa TM35FIN-järjestelmästä kaikkein merkittävimmin (kuva 2). Kuvassa 2 huomaa luokkavälien kulkevan huomattavasti pidemmissä väleissä kuin kahdessa muussa kartassa. Lisäksi värit ovat asteikon 3,95-8,26 välissä, kun muissa puolestaan pysytään havaintojen kanssa ainoastaan yhden numeron sisällä. Kartoista voi saada helposti harhaanjohtavan ja radikaalin kuvan luokkavälien ollessa niin pienet. Siksi on myös tärkeää kiinnittää niihin huomiota.

Mercatorin projektion erot heijastuvat erityisen paljon Pohjois-Suomeen. Muiden blogeja lukiessa huomasin Nea Tiaisella olevan tähän hyvin muotoiltu ja oikeanlainen selitys:

“Tämä johtuu siitä, että Mercatorin projektio on lieriöprojektio, joka kuvaa tarkimmin päiväntasaajan seudun, sekä pieniä alueita, kuten kaupunkeja. Suurempien alueiden kuvaamisessa Mercatorin projektion vääristymä kuitenkin kasvaa niin suureksi ettei se anna enää millään mittakaavalla realistisia taikka järkeviä lukuja, kuten aiemmassa pinta-ala vertailussa totesimme.”

– Nea Tiainen

 

Huomasin myös, että Eeva Raki oli jättänyt tekemänsä kartat vertailtavan projektion mukaiseksi, jolloin erot pystyy huomaamaan selvemmin. Eevan tekemä kartta Mercatorin projektion pinta-alavääristymistä (kuva 4) kuvaa edellä mainittua vääristymää Pohjois-Suomesta hyvin. Kartassa huomaa selvästi, että Pohjois-Suomi näyttää suhteessa isommalta verrattuna muuhun Suomeen.

Kuva 4 – Mercatrorin projektion pinta-alavääristymät

Tehnyt: Eeva Raki

 

On tärkeää oppia ymmärtämään, että eri karttaprojektioita käytetään eri tarkoituksiin riippuen siitä, mitä halutaan kartalla ilmaista. Kaikki projektiot eivät sovi kaikkiin käyttötarkoituksiin, vaan on osattava valita juuri siihen tarkoitukseen tai alueeseen sopiva projektio.

 

Lopputunnelmat:

Alkuvaikeuksien jälkeen karttaharjoituksia oli loppujen lopuksi ihan kiva tehdä. QGIS on tähän mennessä kumonnut aikaisemmat oletukset “vaikeasta” ja “työläästä” ohjelmasta ja antanut itsestään kiinnostavamman vaikutelman. Siispä: Eteenpäin kohti uusia harjoituksia.

 

Näihin kuvin ja tunnelmiin… 🙂

 

 

Käytetyt lähteet:

Raki Eeva: 2. Kurssikerta: Aineistojen pyörteissä , (Viitattu 27.1.2022) saatavilla: https://blogs.helsinki.fi/eevaraki/

Tiainen Nea: Viikko 2. Projektio, projektio, projektio…,(Viitattu 27.1.2022), saatavilla: https://blogs.helsinki.fi/tiainea/