Seitsemäs ja viimeinen kurssikerta!

Wuhuu, kurssi selätetty!

Viimeisellä kerralla saimme vapaat kädet harjoittaa omia gis-taitojamme ja samalla arvioida, kuinka hyvin kurssilla opitut asiat ovat jääneet mieleen.

Päätin palata viime kerran Etelä-Amerikan reissulta takaisin koti-Helsinkiin, ja tarkastella Helsingin autoliikenteen pääväylien liikenteen määriä. Latasin Helsingin kaupungin rajapinnasta liikennemäärät -viiva-aineiston vuodelta 2019. Visualisoin liikennemäärät viivan paksuudella siten, että paksuin viiva esittää suurinta liikennemäärää (kuva 1). Liikennemäärät on laskettu vuoden keskimääräisen arkivuorokausiliikenteen mukaisesti, eli esimerkiksi Kehää 1 on keskimäärin ajanut päivittäin yli 100 000 ajoneuvoa vuonna 2019. 


Kuva 1. Helsingin pääväylien liikennemäärät (vuoden keskimääräinen arkivuorokausiliikenne) Lähde: kartta.hel.fi

Kehä 1 onkin Suomen vilkasliikenteisin tie (mm. Wikipedia). HS:n mukaan Helsingin pääväylien liikenne väheni lähes 10 000 autolla päivässä korona-aikaan. Nykyään määrä on mitä luultavimmin palautunut jo ennalleen, ja vuoden 2019 lukemat ovat nähdäkseni verrattavissa tämänpäiväisiin. Paljon liikennettä on havaittavissa myös Espoon ja Helsingin yhdistävällä kantatie 51:llä, joka toimii tärkeänä työmatkaliikenteen väylänä Espoon ja Helsingin välillä. Sama pätee kantakaupungin ja Itä-Helsingin yhdistävään Itäväylään (Kantatie 170), etenkin Herttoniemen ja Kalasataman väliseen osuuteen. Kartassa erottuvat muutenkin selkeinä kantakaupungin tärkeimmät tulo- ja lähtöväylät.

Oma karttani oli melko yksinkertainen, mutta parasta mitä sain aikaan tällä aikataululla. Katselin myös muiden tekemiä karttoja, ja esimerkiksi Roosa oli saanut aikaan hienon, kahden muuttujan koropleettikartan!

Kurssi oli antoisa ja hyödyllinen, vaikka minulla kestikin kevyet kolme vuotta saada kaikki valmiiksi. QGIS on ilmainen ja laadukas paikkatieto-ohjelmisto, joka jokaisen maantieteilijän on hyvä hallita. Olenkin tyytyväinen, että vaikkei GIS olekaan näillä näkymin suuressa roolissa opinnoissani, hallitsen tarvittavat paikkatiedon sovellutukset ja osaan yhdistellä aineistoja karttatuotoksiini.

Kiitos kurssista!

Lähteet

Harmonen, R. (2.3.2021). Seitsemäs kurssikerta – loppusuoralla!
https://blogs.helsinki.fi/harmoroo/2021/03/02/seitsemas-kurssikerta-loppusuoralla/ 

Wikipedia. Kehä 1. https://fi.wikipedia.org/wiki/Keh%C3%A4_I#cite_note-2 

Kivinen, L. (19.9.2022). Tuhannet autot putkahtivat kuin tyhjästä uudelleen Helsingin sisääntulo­väylille, kertovat yllättävät tilastot.
https://www.hs.fi/kaupunki/helsinki/art-2000009044408.html

Helsingin kaupungin karttapalvelu.
kartta.hel.fi

Kuudes kurssikerta: Pisteaineistoja ja interpolointia

Tämä kurssikerta alkoi pienellä ulkoilulla, jossa keräsimme omia havaintopisteitä Epicollect-sovelluksen avulla. Näistä ryhmäläisten keräämistä pisteistä muodostui yhteinen tietokanta, jonka lataamalla QGISiin harjoittelimme aineiston visualisointia. 

Lisäsin omia karttaesityksiäni varten Quick map services -lisäosalla ESRI Light -taustakartan, joka on hyvä taustakartta tiedon esittämistä varten. Tämän jälkeen visualisoin kerättyjen pisteiden viihtyvyyttä kuvaavaa muuttujaa vihreän eri sävyillä. Koska luokitteluväli saa arvoja vain välillä 0–5, ei luokittelumenetelmällä ole paljoa merkitystä. Pystyin siis hyvin esittämään jokaisen arvon omassa luokassaan. 

Toteutin aineistolle IDW-interpoloinnin: visualisoin tulokset vihreällä single band pseudocolor -värikartalla, jossa tummat vihreän sävyt kuvaavat suurimpia arvoja. Käytin häivytysasetuksena overlayta, jotta sekä interpolointi että taustakartta erottuisivat.


Itsenäistehtävät

Itsenäistehtäväosuudessa vaihtoehtona oli valita aineistoksi jokin hasardeihin liittyvä aineisto, kuten maanjäristysdataa. Päädyin valitsemaan ohjeiden tietokannoista tarkasteltavaksi tulivuori- sekä maanjäristystietokannat. Valitsin karttojani varten ne tulivuoret, jotka luokiteltiin kerrostulivuoriksi. Olen lähdössä vaihto-opiskelijaksi Ecuadoriin, joten karttojeni teemoiksi valikoituivat Amerikat ja Ecuador. Tarkoituksena oli tuottaa tarjolla olevista aineistoista omaa luovuutta käyttäen karttoja, jotka voisivat sopia myös opetustarkoituksiin. 

Ensimmäiseen karttaan (kuva 1) visualisoin Pohjois- ja Etelä-Amerikan tulivuoret niiden korkeuden mukaan. Kartasta voi havaita litosfäärilaattojen alityöntövyöhykkeen, jossa Nazcan laatan työntyminen Etelä-Amerikan laatan alle on muodostanut Etelä-Amerikan länsirannikon kattavan kerrostulivuorien jonon. (Jostain syystä kartta latautui blogiin todella huonolaatuisena, pahoittelut!)


Kuva 1. Pohjois- ja Etelä-Amerikan kerrostulivuoret. Lähde: NCEI Database

Toinen karttani (kuva 2) käsittelee manner-Ecuadorin kerrostulivuorien tyyppejä. Lisäsin pisteiden labeleiksi tulivuorten nimet. Kartta esittelee Ecuadorin 36:sta tulivuoresta ne 22, jotka ovat ensisijaisesti muodostuneet kerrostumalla. 


Kuva 2. Manner-Ecuadorin tulivuoret tyypeittäin. Lähde: NCEI Database

Kolmatta karttaa varten latasin tietoa maanjäristyksistä, ja valitsin ensin suurin piirtein Ecuadorin alueelle rajautuvat järistykset. Latasin Ecuadorin rajat vektoritiedostona, ja Select by location –työkalun avulla rajasin maanjäristystiedot Ecuadorin alueelta. Kartassa (kuva 3) on esitettynä Ecuadorin 5–10 magnitudin maanjäristykset vuosien 1970–2012 välillä. Luokittelu on tehty järistyksen voimakkuuden mukaan. Kuten kuvista 2 ja 3 voi havaita, Ecuador on vulkaanisesti hyvin aktiivista aluetta. Myös voimakkaita, yli viiden magnitudin järistyksiä on ollut viimeisten noin 50 vuoden aikana.


Kuva 3. 5-10 magnitudin maanjäristykset Ecuadorissa vuosina 1970-2012. Lähde: NCEDC

Pidin kuudennesta kurssikerrasta: omaa luovuutta sai käyttää hieman vapaammin esimerkiksi visualisoinnin suhteen. Muun muassa Ilarin blogissa oli upeita pluginien avulla luotuja tyylikkäitä karttoja!

Kurssi melkein paketissa!

Lähteet:

Leino, I. (25.2.2021). https://blogs.helsinki.fi/ilarilei/2021/02/25/kuudes-kurssikerta/  Noudettu 21.12.2023.

https://catalog.data.gov/dataset/global-volcano-locations-database 

https://ncedc.org/anss/catalog-search.html 

 

Viides kurssikerta: Ongelmanratkaisua QGIS:n työkalujen avulla

Viidennellä kerralla paneuduttiin kunnolla erilaisiin analyysimenetelmiin QGIS:ssä. Alussa palasimme edellisviikon materiaalien pariin, ja toteutimme laskenta-analyysejä muun muassa tuottamastamme Pornaisten tieaineistosta.

Itsenäistehtävissä harjoiteltiin etenkin buffereiden hyödyntämistä analyysikäytössä. Tehtävänä oli tarkastella Malmin ja Helsinki-Vantaan lentoasemien kiitoratojen ympärille muodostuvia melualueita buffereiden avulla, ja tarkastella syntyvää alueellista dataa alueiden väestöstä. 

Itsenäistehtävä 1a. Lentoasemien melualueet

Ensin Malmin kiitoratojen ympärille muodostettiin Buffer-työkalulla bufferi kahden kilometrin säteelle. Tähän bufferiin yhdistettiin Select by location -työkalulla pääkaupunkiseudun väestödataa. Selvitin bufferoinnin avulla, että Malmin lentokentästä 2 kilometrin säteellä asuu 57 808 henkilöä. 1 kilometrin säteellä sen sijaan asuu 8881 ihmistä. Samat työvaiheet toteutettiin Helsinki-Vantaan molemmille kiitoradoille. Helsinki-Vantaan lentoaseman kiitoradoista kahden kilometrin säteellä on 11 163 asukasta. 

Seuraavaksi tehtiin tutkimusta lentomelun eri desibelivyöhykkeistä ja tarkasteltiin, kuinka paljon asukkaita asuu eri lentomeluvyöhykkeiden vaikutusalueella. Äänekkäimmällä, 65 desibelin alueella asuu 17 ihmistä (kuva 1), mikä on prosentteina 0,15 kentän välittömässä läheisyydessä (2 km) asuvasta väestöstä. Tämä on siis hyvin pieni väestönosa. Sen sijaan vähintään 55 desibelin melualueella asuu yhteensä 647 ihmistä, mikä on 5,7 prosenttia alueen kokonaisväestöstä. 


Kuva 1. Statistiikkojen tarkastelua Statistics-välilehdellä.

Tehtävänä oli myös luoda uusi, kuvitteellinen melualue, joka kattaisi poikkeustilanteessa kaakosta laskeutuvien lentokoneiden synnyttämän melualueen. Melualueeksi lasketaan noin seitsemän kilometrin mittainen alue kiitoradan edustalla lentokoneen tulosuuntaan. Melualueen selvittämisessä hyödynsin Paikkatietoikkunan mittaustyökalua, jonka antamien tietojen avulla digitoin QGISiin viivamuotoisen melualueen ja bufferoin sen. Tikkurilan alueella noin 2394 asukasta joutuisi 60 desibelin melualueelle (kuva 2).


Kuva 2. Tikkurilan läheisyydessä, 2 kilometrin säteellä kuvitteellisesta melualueesta asuvat ihmiset.

Itsenäistehtävä 1b. Radanvarren asujat

Seuraavaksi bufferoitiin lähtöaineistosta löytyvät juna-asemat 500 metrin etäisyysvyöhykkeisiin. Koko kartan alueella juna-asemista 500 metrin säteellä asuu 110 805 ihmistä, mikä vastaa noin 21 prosenttia kokonaisväestöstä (516 193). 

Tehtävänä oli myös Select by location -työkalun avulla suorittaa laskutoimituksia aineiston attribuuttitietojen erilaisista ikä- ja ihmisryhmistä asemien läheisyydessä. Selvitin, paljonko työikäisiä asemien välittömässä läheisyydessä asuu. Aloitin laskemalla bufferin alueelle sijoittuvan väestödatan attribuuttitietoihin uuden sarakkeen, johon laskin yhteen kaikkien työikäisten (15–64) ikäryhmien sarakkeiden arvot. Tämän sarakkeen mukaan työikäisiä, korkeintaan 500 metrin päässä juna-asemista asuvia ihmisiä olisi 74 313. Tämä tarkoittaa, että 67 % juna-asemien läheisyydessä asuvista ihmisistä on työikäisiä.

Itsenäistehtävä 2. Taajamien asukkaat

Seuraavaksi tarkasteltiin taajamat-lähtöaineistoa. Tarkoituksena oli aluksi selvittää, kuinka suuri osa koko tutkittavan alueen asukkaista asuu taajamissa, ja sitten tehdä erilaisia analyysejä taajamien väestöstä. Taajamissa asuvien osuus oli pääkaupunkiseudulle luonnollisesti 96 %, eli yhteensä 492 099 asukasta. 

Selvitin, kuinka suuri osuus taajamien sisällä asuvista on kouluikäisiä. Tässäkin laskin väestötietoaineistoon uuden sarakkeen, johon summasin kouluikäisten (7–15) summat. Sain tulokseksi 66 743. Yritin toden teolla selvittää mm. reverse selection -työkalun avulla, kuinka moni lapsi asuu taajamien ulkopuolella. Jostain syystä analyysini eivät millään halunneet toimia, mutta välillä näin. Mielestäni ymmärsin kuitenkin työkalut ja vaiheet, joilla tämä olisi pitänyt toteuttaa, mutta jostain syystä mikään ei toiminut. Juliana oli tehnyt tämän vain yksinkertaisella laskutoimituksella, ja pohdin, miksi tuo ei onnistunut itseltäni. Ehkä en vain hoksannut tehdä helpomman kautta.

Selvitin myös aluekohtaisesti ulkomaalaistaustaisten asukkaiden osuutta väestöstä. Ulkomaalaistaustaisten laskemista varten erotin tietokannasta uudeksi tietokannaksi tiedot asuinalueesta, väestön kokonaismäärästä sekä ulkomaalaistaustaisten määrästä. Lopuksi laskin ulkomaalaisten osuuden asuinalueittain suhteessa kokonaisväestöön. Ulkomaalaisten osuus on yli 10 % 57:llä alueella, yli 20 % 25:llä alueella ja yli 30 % 14:llä alueella.

Itsenäistehtävä 3. Yhtenäiskoulun oppilasdataa

Viimeisessä tehtävässä tarkastelin dataa Helsingin kouluista. Tehtävänä oli selvittää tietoja Käpylässä sijaitsevasta Helsingin Yhtenäiskoulusta. Koulutiensä yhtenäiskoulussa aloittaa aineiston mukaan seuraavana vuonna yhteensä 14 seitsemän vuotta täyttävää. Yläkouluun sen sijaan on siirtymässä 18 oppilasta. Kaiken kaikkiaan peruskoululaisia on yhteensä 159, ja koulupiirin alueella asukkaita yhteensä 1894. Näin ollen peruskoululaisten osuus alueen väestöstä on noin 8 prosenttia. Muunkielisiä alueella on yhteensä 110, joista kouluikäisiä noin 9.

Kokonaisuudessaan kurssikerta oli opettavainen ja hyödyllinen – bufferointi on oleellinen ja käytännöllinen paikkatietotyökalu.

Lähteet

Häkkilä, J. (18.2.2021). 5: Bufferien käytön harjoittelemista ja turhautumista. Noudettu 4.1.2024.
https://blogs.helsinki.fi/julihakk/2021/02/18/5-bufferien-kayton-harjoittelemista-paivittyy/ 

 

 

Neljäs kurssikerta: Ruutuaineistoja ja rastereita

Pitkän, pitkän ajan jälkeen palaan tämän kurssin pariin – parempi myöhään kuin ei milloinkaan… Katsotaan, miten harjoitukset ja QGIS:in salat lähtevät sujumaan parin-kolmen vuoden tauon jälkeen! Välissä on ehditty suorittaa myös toinen geoinformatiikan menetelmäkursseista sekä Geo-Python. Hyvä kuitenkin palata perusteisiin.

Neljännellä kurssikerralla harjoiteltiin ruutuaineistojen käsittelyä ja muokattiin lähtöaineistoja helpommin käsiteltävään muotoon. Alussa luotiin pääkaupunkiseudun ylle ruudukko Create grid -työkalulla, johon yhdistettiin paikkatietoaineistoa pääkaupunkiseudun asukkaista rakennuksen tarkkuudella. Ruudut olivat kooltaan 1 km x 1 km, jotta aineistoa olisi nopeampi käsitellä. Select by location -työkalun avulla aineisto voitiin tiivistää siten, että karttanäkymään jäivät vain ne ruudut, joiden sisällä on dataa pks_vaki -paikkatietoaineistosta. Jostain syystä QGIS asetti oletusarvoisesti kaikkien uusien tasojen läpinäkyvyyden nollaan, joten meni hetki tajuta, miksi mikään luomani uusi taso ei näkynyt karttanäkymässä. Pienen pähkäilyn jälkeen hommat alkoivat kuitenkin sujua niin kuin pitikin.

 


Kuva 1. Rajattu aineisto.

Attribuuttitietojen ja väestödatan tarkastelu oli hyvin mielenkiintoista! Ruutuaineistokarttojen avulla on kätevää luoda helposti tarkasteltavia, selkeitä tiettyä ilmiötä kuvaavia teemakarttoja.

 

muunkiel_kartta
Kuva 2. Kokeilua ruutuaineiston erilaisista esittämistavoista. 

 

Oma harjoitus 1

Toistin omassa tehtävässäni samat vaiheet: loin ruudukon, lisäsin väestödatan ja rajasin sen, valitsin haluamani ruudut Select by location -työkalulla, yhdistin tasot, summasin niiden tiedot ja poistin attribuuttitaulukosta väärät tiedot. Oman ruudukkoni tein kuitenkin 500 m x 500 metriä -kokoisilla ruuduilla, jotta saisin tarkempia tuloksia. Päätin tarkastella omassa kartassani muunkielisten prosenttiosuutta kokonaisväestöstä 500 m x 500 m -ruuduissa. Saadakseni osuudet selville laskin Field calculator –työkalulla muunkielisten osuuden suhteessa koko alueen väkilukuun. Lisäksi inspiroiduin Eeron blogista lisäämään karttaani myös rajapinta-aineistosta pääkaupunkiseudun rautatieverkoston sekä päätiet.


Kuva 3. Muunkielisten osuus pääkaupunkiseudun asukkaista 500 m x 500 m -kokoisissa ruuduissa.

Kartasta voidaan havaita tiettyjä keskittymiä muunkielisten määrissä, etenkin junarataverkoston varsilla. Suuria keskittymiä on myös Koillis- ja Itä-Helsingissä. Myös Otaniemi näkyy varsin tummana pisteenä. Tutkimuksen tarpeellisuutta voisi myös kyseenalaistaa, mutta mielestäni on tärkeää tuntea alueellisia tilastoja ja pohtia sen avulla esimerkiksi pääkaupunkiseudun asutuksen jakautumista. Syntyneen aineiston avulla voidaan pohtia esimerkiksi aluesuunnittelun onnistumista ja tarkastella integraation toteutumista. Muunkielisyys ei tässä kontekstissa kuitenkaan erottele kielitaustoja.

Mielestäni kartastani tuli riittävän informatiivinen, mutta esimerkiksi koropleettikartta voisi olla hieman selkeämpi tulkita – nyt aluejaot on tehty epäloogisesti ruutuaineiston mukaan, jossa yksittäinen ruutu ei toimi erityisen informatiivisena aluerajauksena. Koropleettikartassa sen sijaan aluejaot voisivat olla ihmisille tutumpia ja intuitiivisempia rajauksia, kuten kaupunginosia. Omassa ruututeemakartassani olen absoluuttisten arvojen sijaan esittänyt luvut suhteellisina kokonaisväestöön nähden. Ruututeemakartassa voisi kuitenkin esittää absoluuttisia arvoja, sillä kaikki ruudut ovat keskenään samankokoisia ja siten vertailukelpoisia. Sama ei päde koropleettikartoissa.

Olen itse tyytyväinen karttani ulkonäköön! Siinä voisi toki olla vielä hieman vähemmän hälyä – esimerkiksi lisäämäni rautatie- ja tieverkostot voisivat olla hieman himmeämpiä.

 

Harjoitus 2

Kurssikerran toisessa osiossa harjoiteltiin rasterikuvien ja -aineistojen tuomista ja käsittelyä QGISissä. Toimme QGISiin rasterikuvia (taustakartat) sekä rasterimuotoisia korkeusmalleja, ja siirsimme ne oikeaan koordinaattijärjestelmään. Rastereita (korkeusmallit) myös yhdisteltiin väliaikaiseksi tasoksi korkeuskäyriä tehdessä. Korkeuskäyrät tuotettiin Contours-työkalulla, joka laski ja piirsi korkeusmallidatasta korkeuskäyrät halutuin välein kartalle. Käytimme yleisimmin käytettyä viiden metrin käyräväliä, joka osoittautui riittävän tarkaksi puuroutumatta liikaa karttaesityksessä. Työkalu tuotti jonkin verran epäselviä käyriä (esim. epämääräinen suttu pellon kohdalla kuvan 4 kartan itälaidassa), mutta pääosin ne vaikuttavat vastaavan paikkaansapitävästi alueen todellista topografiaa.

Lopussa harjoittelimme oman piste- ja viivamuotoisen aineiston tuottamista kartalle. Tätä varten luotiin uusia karttatasoja, joita editoitiin – kaikki taustakartan asuinrakennukset Pornaisten alueella digitoitiin pistemuotoiseksi rakennustietokannaksi ja tärkeimmät tiet piirrettiin viivamuotoisiksi tieaineistoiksi. Myös asuinrakennustietokannan attribuuttitietoihin lisättiin satunnaisia lukuja välillä 1-5 esittämään arvioita asukasmääristä. Nämä itse tuotetut aineistot tallennettiin myöhempää käyttöä varten.


Kuva 4. Digitoidut asuinrakennukset ja tiet Pornaisissa. Taustalla korkeuskäyrät ja rinnevarjoste.

Lähteet

Turkki, E. (15.02.2021) Suunnistaja hyppii onnestaan
https://blogs.helsinki.fi/turkkiee/2021/02/15/suunnistaja-hyppii-onnestaan/

Kolmas kurssikerta: tietokantaliitoksia ja diagrammeja

Kolmannella kurssikerralla tutustuimme Afrikkaan sijoittuvalla aineistolla erilaisiin tietokantoihin, ja harjoittelimme suurikokoisen aineiston tiivistämistä hyödyntämällä QGIS:n erilaisia yhdistämistoimintoja. Esimerkiksi aggregate-työkalulla pystyi aineistoa muokatessa suorittamaan samalla myös laskutoimituksia.

Harjoittelimme myös erilaisten tietokantojen liittämistä toisiinsa. Harjoitusesimerkkinä oli Excel-tiedosto Afrikan maiden väkiluvuista ja sosiaalisen median käytöstä, ja tämä tiedosto tuli muuttaa csv-tiedostoksi, jolloin sen pystyi liittämään QGIS:iin join-toiminnon avulla. Tietokantaan liitettiin tietoa myös timanttilouhosten, konfliktien ja öljykenttien sijainneista. Kun nämä erilaiset tiedot olivat samassa aineistossa, pystyttiin niillä tekemään erilaisia laskutoimituksia esimerkiksi sosiaalisen median käyttäjäprosenteista maittain. Sosiaalisen median käyttöastetta tutkimalla ja tarkastelemalla niitä karttaesitysten muodossa voitaisiin esimerkiksi vertailla valtioiden kehittyneisyyden eroja.

Itsenäistehtävä

Tällä kertaa soveltavan tehtävän aineistona toimi karttaprojekti, joka esittää Suomen maakunnat niiden tulvaindeksin perusteella. Tähän aineistoon tuli liittää järvisyys-tietokanta, johon oli kerätty tietoa maakuntien järvisyydestä.

Tulvaindeksi- ja järvisyyskarttaa tehdessä lisäsin luultavasti aluksi pylväisiin jonkin väärän datan, jossa kaikkien sarakkeiden sisältö oli tyhjä, minkä vuoksi lopullisten pylväiden viereen ilmestyi pienet väkäset:


Kuva 1. Hankaluuksia diagrammien kanssa.

Sain nämä viivat pois näkyvistä poistamalla kaikista pylväistä ääriviivat, mutta en osannut poistaa kyseisiä virheellisiä tietoja diagrammivälilehdeltä.

Valmiista kartasta tuli kuitenkin mielestäni melko selkeä, tosin pylväät eivät välttämättä ole selkein tapa esittää maakuntien järvisyysprosenttia.  (En myöskään jälkikäteen mietittynä ole varma, onko pylväsesityksessä kyseessä prosenttiosuudet vai jokin muu vertailutapa.)
Niiden avulla kuitenkin pystyy vertailemaan maakuntien välisiä eroja kiitettävästi. Käytän yleensä melko kauan aikaa karttojen ulkoasun hiomiseen, ja tässä kartassa yhtenäisen värimaailman tavoittelu vaikutti lopputulokseen siten, että järvisyyttä kuvaavat pylväät eivät välttämättä erotu kovin selkeästi kaikista tulvaindeksialueista.

Olisi myös ollut mielenkiintoista yrittää ympyrädiagrammien tekoa järvisyyttä kuvastamaan, mutta ajan säästämiseksi pysyttelin yksinkertaisissa pylväissä.


Kuva 2. Valmis kartta.

Lopullisesta kartasta voisi päätellä, että rannikkoalueiden vähäjärviset maakunnat ovat altteimpia tulville.

Kurssikerta oli mielenkiintoinen, ja opin taas hieman lisää myös karttojen ulkoasun hienosäätämisestä!

 

-Sarianna

 

Toinen kurssikerta: yksinkertaisia laskutoimituksia ja projektiovertailua

Toinen kurssikerta lähti hyvin käyntiin edelliskertaa parempien yöunien saattelemana: pysyin tahdissa mukana ja kaikki tuntui etenevän loogisesti ja selkeästi. Aivan lopussa putosin kuitenkin hieman kyydistä, ja päätin taas jatkaa kartat loppuun harjoituskerran jälkeen. Tallensin myös tekemäni karttatasot, jotta ne eivät katoaisi sulkiessani ohjelman. Palatessani viimeistelemään karttoja luulin kuitenkin kadottaneeni karttatasot ja ehdin jo säikähtää, että joudun tekemään kaiken alusta. Loppujen lopuksi tajusin onneksi tarkistaa lataamani karttatason attribuuttitiedot, joista löysin jo aiemmin tekemiäni laskelmia. Tallentamani karttatason avulla oli helppo luoda loput karttatasot, joita käytin harjoitellessani.

Tämä kurssikerta innosti minua erityisen paljon, sillä karttojen tekemiseen vaadittiin jo hieman matematiikkaa. Toki kyseessä oli yksinkertainen jakolasku, jonka tietokone suoritti alle sekunnissa, mutta sisäinen matikkaintoilijani heräsi silti tällaisen teknologian hyödyntämisestä. Aineistona käytimme kurssikertaa varten jaettua Suomen kunnat -paikkatietoaineistoa.

Kirjoittaessa tuntuu vaikealta selittää, mitä oikeastaan teimme, vaikka itse tekemisvaihe sujui melko yksinkertaisesti ja selkeästi. Alexander oli omassa blogitekstissään selittänyt selkeästi auki kaikki työvaiheet, ja pääsin sen avulla kätevästi alkuun omassa selostuksessani.

Kurssikerralla harjoittelimme yhdessä uusien karttatasojen luomista ja eri karttaprojektoiden vertailua ensin Robinsonin projektion avulla. Tarkoitus oli ilmeisesti käyttää myös Mercatorin projektiota, mutta jostain syystä Mercatorin projektio ei koskaan suostunut avautumaan omassa ohjelmassani, ja näkyviin tuli vain jokin virheilmoitus. Niinpä pysyttelin Robinsonissa ja muissa toimivissa projektioissa.


Kuva 1. Virheilmoitus yritettäessä vaihtaa projektionäkymäksi Mercatorin projektiota.

Aluksi harjoittelimme mittaustyökalun käyttöä sekä pituuksilla että pinta-aloilla. Vertailimme projektioiden eroja vaihtelemalla projektiota QGIS:n näkymän oikeasta alanurkasta.


Kuva 2. QGIS:n projektionäkymää voi vaihtaa kuvaan ympyröidystä kohdasta.

Karttaan luotujen pituusjanojen ja pinta-alojen avulla voitiin huomata eroja siinä, miten eri projektiot vääristävät oikeita pituuksia ja pinta-aloja. Tästä yksinkertaisesta tarkastelusta siirryttiin luomaan kokonaan uusia karttatasoja, joiden attribuuttitietoihin kerättiin “kerrostamalla” uusia pinta-alatietoja eri projektioista.


Kuva 3. Suomen kunnat -karttatason attribuuttitietoihin lisättyjä tietoja pinta-aloista ja pituuksista eri projektioissa.

Näiden eri projektioiden pinta-alojen vääristymiä suhteessa ETRS-TM35FIN -oletusprojektion pinta-aloihin voitiin vertailla jakamalla halutun projektion pinta-alatiedot TM35:n pinta-alatiedoilla. Tähän laskutoimitukseen käytettiin QGIS:n laskentatyökalua, joka laski sekunnin sadasosissa attribuuttitaulukkoon uuden sarakkeen, joka esitti vertailuarvot halutun projektion ja TM35:n välille. Nämä vertailutiedot voitiin esittää koropleettikarttana, jonka avulla on helppo tarkastella tietojen vääristymistä TM35-näkymään nähden.


Kuva 4. Robinsonin kokosuhde verrattuna TM35 -pinta-aloihin.

Tehtävänä oli jatkaa vertailuiden tekemistä itsenäisesti erilaisilla projektioilla. Kokeilin hieman arpomalla montaa erilaista projektiota, jotka näyttivät vääristävän Suomea eri tavoilla.

Alla olevassa kuvassa on Craster Parabolic -projektiosta luotu kartta, joka poikkeaa muista tekemistäni kartoista aika lailla. Myös itse projektio (alla) poikkeaa usein käytetyistä projektioista, joten ihmeelliset vääristymät eivät sinänsä yllätä. Vertailukartassa alueet näyttävät vääristyvän hieman epämääräisesti, kuitenkin jossain määrin pohjois-eteläsuuntaisina kaistoina.


Kuva 5. Craster Parabolic -projektion kokosuhde verrattuna TM35 -pinta-aloihin.


Kuva 6. Maapallo esitettynä Craster Parabolic -projektion avulla. (lähde: desktop.arcgis.com)

Seuraavaksi otin tarkasteluun Winkel Tripel -projektion, jossa vääristymä kasvaa selkeästi pohjoiseen mentäessä:


Kuva 7. Winkel Tripel -projektion kokosuhde verrattuna TM35 -pinta-aloihin.

Myös Liisa oli verranut Winkel Tripeliä TM35-projektioon, ja karttojemme legendat täsmäsivät toisiinsa, tosin Liisalla vaihteluvälejä oli hieman vähemmän kuin minulla.

Viimeinen tarkastelemistani projektioista oli ESRI:n The world from space -projektio, joka näyttää vertautuvan TM35 -pinta-aloihin siten, että vääristymä kasvaa luoteeseen siirryttäessä.


Kuva 8. The world from space -projektion kokosuhde verrattuna TM35-pinta-aloihin.


Kuva 9. The world from space -projektio näyttää jokseenkin tältä. (lähde: deviantart.com)

Pidin tästä kurssikerrasta erityisesti, ja tehtävät ovat tähän mennessä tuntuneet sopivan haastavilta: ei liian helpoilta eikä liian vaikeilta. Ensi kertaan! 🙂

-Sarianna

Lähteet ja viitteet

Alexander Engelhardt: Lesson 2. When a sacrifice pays off
Liisa Ahokas: Kurssikerta 2

Ensimmäinen kurssikerta: QGIS haltuun!

Hei!

Geoinformatiikan menetelmät 1 alkoi perjantaiaamuna 22.1. kahdeksalta. Olin pienimuotoisen torstain illanvieton jälkeen nukkunut vain viitisen tuntia, minkä vuoksi aamuinen herätys oli vaikea, kuten myös keskittyminen luentoon sen edetessä. Suhtauduin kurssin alkuun melko avoimin mielin, eikä minulla ollut siitä erityisiä ennakko-oletuksia. Olin myös saanut ladattua QGIS-ohjelmiston koneelleni ennen ensimmäistä luentoa. Tuolloin perjantaiaamuna luennon seuraaminen tuotti siis hankaluuksia, ja jossain kohtaa tajusin, että on parempi jos katson luentotallenteen paremmalla ajalla ja keskityn tekemiseen virkeämpänä. Pysyttelin kuitenkin mukana luennolla koko ajan.

Kun vihdoin pääsin paneutumaan aiheeseen, huomasin, että tämä onkin ihan mukavaa! Olen ajatellut, ettei geoinformatiikka erityisemmin kiinnosta minua, vaikka olenkin siinä ihan hyvä ja välillä vähän turhankin pikkutarkka. Tiedän kuitenkin sen tosiasian, että GIS:in perustyökalut on hyvä ja tarpeellista hallita – päätyi maantieteessä tekemään sitten mitä tahansa. Tajusin, että voin muuttaa asennoitumistani GIS-juttuihin: saatan sittenkin tykätä tästä! Kunhan teen tehtävät ajallaan ja luentojen kanssa samassa tahdissa, eivät ne toivon mukaan jää roikkumaan niin pahasti kuin niillä yleensä on tapana.

Ensimmäinen harjoitustehtävä

Luentoa oli helppo seurata ja varsinkin tallenteen avulla on kätevää palata niihin kohtiin, joista jäi jotain epäselvyyksiä. Vaikka aineiston käsittely tuntuu välillä kinkkiseltä, on se yllättävän yksinkertaista ja loogista. QGIS:ssä on ihanan helppoa lisätä karttoihin esimerkiksi legenda, mittakaava ja pohjoisnuoli.

Ensimmäisellä luennolla käytimme kartan luomiseen aineistona tilastoa, jossa on laskettu Itämerta ympäröivien maiden osuus Itämeren typpipäästöistä valtioittain. Kartan teko oli oikeastaan melko simppeli juttu, kun etenin luennon kanssa samassa tahdissa ja keskityin kunnolla. Eniten käytin aikaa kartan visuaalisen puolen säätelyyn. Kuten Villekin
mainitsi postauksessaan, eri karttatasojen ääriviivat toivat kartalle turhaa sälää. Esimerkiksi järvet herättivät tarpeellista enemmän huomiota ääriviivojen kanssa, ja päädyinkin piilottamaan nämä kokonaan valmiista karttanäkymästä. Lopulliseen karttaan olen tyytyväinen, siitä tuli selkeästi luettava ja siisti.


Kuva 1. Osuus Itämeren typpipäästöistä valtioittain (%, 2015)

Kotitehtävä

Kotitehtävänä oli tehdä jokin oma kartta kolmesta eri vaikeustasosta, joista valitsin ensimmäisen eli yksinkertaisimman, ja tehtävä osoittautuikin melko helpoksi. En selkeästi ollut ainoa, sillä muiden blogitekstejä lukiessa moni muu oli päätynyt samaan valintaan.

Aineistona käytin Moodlesta löytynyttä Suomen kunnat -karttatasoa, jonka attribuuttitiedoista päädyin luomaan kaksi karttaa: toisen, joka näyttää yli 65-vuotiaiden osuuden kuntien väestöstä ja toisen, joka kuvaa 0-14 -vuotiaiden osuutta kuntien väestöstä. Karttoja tarkastelemalla voi erottaa Suomen kartalta ne kunnat, joissa lapsia on muuhun väestöön nähden eniten, ja kunnat, joissa vanhempaa väestöä on paljon. Ensimmäisen kartan perusteella voi todeta, että Suomessa on peruskouluikäistä nuorempia lapsia melko suuri osa väestöstä ainoastaan Oulun seudulla, mutta suurimmassa osassa Suomea lasten osuus väestöstä on melko pieni. Toki prosenttiosuuksien vaihteluvälit ovat melko pieniä, joten erot kuntien välillä eivät todellisuudessa ole kovin radikaaleja. Jäin myös miettimään, tuliko karttoihini jokin virhe, sillä molemmissa kartoissa legendan prosenttiosuudet ovat samat, vaikka mitattava asia on eri. Tajusin tämän kuitenkin vasta karttojen valmistumisen jälkeen, enkä enää palannut muuttamaan niitä.


Kuva 2. 0-14 -vuotiaiden osuus kuntien väestöstä vuonna 2015 (%)

Toisessa kartassa erottuvat selkeästi ne alueet, joilla yli 65-vuotiaita on suurempi osa kunnan väestöstä. Alueet näyttäisivät nopeasti katsottuna olevan suurempien kaupunkikeskusten väliin jääviä alueita sekä moni kunta Itä-Suomen ja Koillismaan alueelta.


Kuva 3. Yli 65-vuotiaiden osuus kuntien väestöstä vuonna 2015 (%)

Tällaisten karttojen tekeminen oli mukavan helppoa ja mielenkiintoista, sillä aineistot ja komennot olivat vielä toistaiseksi melko yksinkertaisia. Tekisi melkeinpä mieli viettää aikaa enemmänkin karttojen käsittelyn parissa, mutta nyt on kuitenkin hyvä pitää vähän taukoa ja odottaa seuraavan kurssikerran uusia haasteita!

-Sarianna

 

Lähteet

Väisänen, Ville:
https://blogs.helsinki.fi/villvais/2021/01/23/qgis-hommat-tulille/