Blogi valmis

Hei Arttu, ja kiitos kurssista! Blogini on valmis, ei muuta kuin kahlaamaan läpi. Onnea urakkaan!

Harjoitus 7: Karttoja omavalintaisista aineistoista

Viimeisellä kurssikerralla tehtävänä oli valita ja etsiä itse aineistot, joista laatii kartat. Tämä oli siinä mielessä kiva tehtävä, että aiheen sai valita oman kiinnostuksen mukaan. Päätin, että tarkasteltava maantieteellinen alueeni on Yhdysvallat (etenkin vaihtelun vuoksi, en jaksanut enää tarkastella Suomea…).

Aineistojen hankkiminen

Aloitin lataamalla vektorimuotoisen karttapohjan Natural Earth -sivustolta, johon löytyi linkki kurssin tiedotusblogista. Karttapohjalla oli sekä kaikki valtioiden että osavaltioiden rajat. Muokkasin pohjaa niin, että jätin näkyviin pelkästään USA:n osavaltiot.

Karttapohjan löytäminen olikin helpoin vaihe aineistonhankinnassa. Itse datan löytäminen oli hieman työläämpää, koska toisaalta sitä oli niin paljon saatavilla ja toisaalta taas ei välttämättä sellaista, mitä itse olisi tarvinnut. Päädyin hankkimaan tietoja U.S. Census Bureaun sivuilta, josta löysin osavaltiokohtaista väestötietoa ja pinta-alatietoa. Työllisyyteen liittyvää tietoa puolestani löysin U.S. Bureau of Labor Statisticsin sivuilta (työttömyysaste) ja Bureau of Economic Analysisin sivuilta (maatalouden työntekijät).

Suurinta osaa tietokannoista joutui jonkin verran käsittelemään ja karsimaan ennen QGISiin liittämistä, mutta ne toimivat lopulta ihan hyvin. Pyörittelin aineistoja vähän Excelissä ja tein kaikista Notepadillä tekstitiedostot, sitten testasin kumpi avautuu helpommin QGISissä.

Aineistoista kartoiksi

Tein siis muutamia erilaisia karttoja, teemoina väestö ja työllisyys. Eniten pulmia aiheutti visualisoinnissa se, että Yhdysvaltain osavaltiot eivät ole kaikki nätisti samassa sumpussa, vaan Alaska ja Havaiji ovat erillään muista. Kartoista tuli siksi mielestäni aika pöllön näköisiä. Kokeilin myös lisätä kartan osia “erikseen” samaan print layoutiin, mutta tämä taas aiheutti pulmia mittakaavan kanssa.

Aloitetaan siis väentiheyskartasta (kuva 1). Väkeä neliökilometrillä on eniten itärannikolla, länsirannikolla tiheimmin asuttu osavaltio on Kalifornia.

Kuva 1. Väestöntiheys Yhdysvalloissa osavaltioittain, perustuen heinäkuun 2019 väestötietoihin. Lähteet: U.S. Census Bureau, Natural Earth.

Toisessa kartassa (kuva 2) puolestaan näkyy työttömyysaste osavaltioittain. Työttömyys näyttää olevan korkeinta etelä- ja lounaisrannikoiden osavaltioissa sekä joissain itärannikon osavaltioissa.

Kuva 2. Työttömyysaste Yhdysvalloissa osavaltioittain, tiedot marraskuulta 2020. Lähteet: U.S. Bureau of labour statistics, Natural Earth.

Kolmannessa kartassa (kuva 3) on tarkasteltu maataloudessa työskentelevien osuutta kaikista työntekijöistä kussakin osavaltiossa. Kiinnostuksenkohteena oli, onko työttömyyttä ja maataloudessa työskentelevien osuutta kuvaavissa kartoissa yhtäläisyyksiä. Ja oli kuin olikin, ainakin jonkin verran: joissain Lännen ja Keskilännen osavaltioissa, joissa maataloudessa työskentelevien osuus on maan korkeinta, työttömyys on verrattain vähäistä. Ilmeisesti siis maatalousvaltaisissa osavaltioissa töitä riittää myös koronan kurittaessa.

Kuva 3. Maataloudessa työskentelevien osuus kaikista työntekijöistä Yhdysvalloissa osavaltioittain vuonna 2019. Lähteet: Bureau of economic analysis, Natural Earth.

Näistä muuttujista tein vielä oman, kahden muuttujan yhdistelmäkartan (kuvat 4 ja 5). Tällä kertaa päädyin erottamaan Alaskan ja Havaijin aivan omalle kartalleen, koska kartasta olisi kaikkine tietoineen muuten voinut tulla liian sekava.

Kuva 4. Työttömyysaste marraskuussa 2020 (kuvattu violetin sävyillä) sekä maataloudessa työskentelevien osuus vuonna 2019 (kuvattu oransseilla ympyröillä) Yhdysvalloissa osavaltioittain. Havaiji ja Alaska eri kartalla. Lähteet: U.S. Bureau of labour statistics, Bureau of economic analysis, Natural Earth.
Kuva 5. Havaijin ja Alaskan työttömyysaste marraskuussa 2020 sekä maataloudessa työskentelevien osuus vuonna 2019. Lähteet: U.S. Bureau of labour statistics, Bureau of economic analysis, Natural Earth.

Loppukevennyksenä vielä USA:n kojoottikartta (kuva 6), jonka aineistona käytetty kojoottihavaintotietokanta löytyi GBIF:n (Global Biodiversity Information Facility) sivuilta. Sivustolla voi tarkastella lukemattomista eliölajeista tehtyjä havaintoja. Itse päädyin kojoottiin, koska se oli ensimmäinen laji, joka Yhdysvalloista tuli mieleen.

Kuva 6. Yhdysvalloissa 1.1. – 2.3.2021 tehdyt ja GBIF:n tietokantaan kirjatut havainnot kojooteista, pois lukien Alaska ja Havaiji, joissa ei ollut tehty yhtään havaintoa kojooteista. Havaintoja on tarkasteltu 100 x 100 km:n ruuduissa. Lähteet: GBIF, Natural Earth.

Ensin meinasin esittää kojoottihavainnot havaintoina per osavaltio, mutta tulin toisiin aatoksiin, sillä yleensä absoluuttisia arvoja turvallisempaa on esittää suhteutettuja arvoja. Siispä suhteutin ensin havainnot osavaltioiden pinta-alaan, mutta tulokseksi tuli niin pieniä arvoja, että hylkäsin vaihtoehdon. Ajattelin myös kojoottihavaintojen suhteuttamista väestön määrään, mutta arvelin kohtaavani samanlaisen ongelman kuin pinta-alan kanssa.

Hetken kuumeisesti pohdittuani keksin, että voin tarkastella havaintoja tietynkokoisissa ruuduissa. Niinpä loin 100 x 100 km:n ruudukon, johon yhdistin kojoottihavainnot. Mielestäni kartta kuvaa nyt ihan hyvin ja suht vääristämättä kojoottien esiintymistä Yhdysvalloissa.

Se kojooteista.

Työvaiheet sekä ongelmia ja ratkaisuja

Tällä kertaa eniten aikaa meni aineistojen etsimiseen. Suurempia ongelmia en kohdannut, lukuun ottamatta kojoottihavaintojen yhdistämistä karttapohjaan. Aluksi pisteaineistona olevat havainnot eivät osuneet lainkaan kartalle tai havaintoja näkyi kartalla vain yksi. Muutaman yrityksen jälkeen keksin, että ongelma ratkeaa vaihtamalla kohdan Geometry CRS valintaa aineistoa avatessa. Olin kyllä arvellut, että ongelman on liityttävä koordinaattijärjestelmiin.

Muuten eteen tuli vain pienempiä ongelmia, esimerkiksi en ensin saanut jostain syystä laskettua field calculatorilla väestöntiheyttä. CSV-/tekstitiedostoissa oli tällöin pilkkuja tai välejä desimaalierottimina, ja taisin unohtaa klikata aineistoa QGISiin lisätessäni jotain tärkeää täppää, sillä laskutoimitus onnistui vasta, kun väestö- ja pinta-alatietojen luvut olivat ilman pilkkuja ja välejä.

Karttojen aikaansaamiseksi käytin muutamia eri työkaluja. Ensinnäkin karsiakseni maailmankartasta näkyviin vain Yhdysvallat valitsin attribuuttitaulukosta vain USA:n osavaltiot ja tallensin omaksi shapefile-layeriksi. Lisäsin kartalle näkyviin osavaltioiden lyhenteet tulkintaa helpottamaan labels-valikosta.

Tein muutamia tietokantaliitoksia joins-toiminnolla, kun liitin väestö- ja työllisyystietoja karttapohjan attribuuttitaulukkoon. Kojoottihavaintoja oli USA:n lisäksi ainakin Meksikosta ja Kanadasta, mutta leikkasin Clip-työkalulla Yhdysvaltojen ulkopuoliset havainnot pois. Osavaltiokohtaisia havaintomääriä laskin tutuksi tulleella Join attributes by location (summary) -työkalulla, mutta päädyin siis lopulta osavaltioiden sijaan tarkastelemaan havaintoja ruuduissa.

Tätä varten loin ruudukon Create grid -toiminnolla. Havaintojen yhdistämisen ruudukkoon tein Join attributes by location (summary) -työkalulla (muistaakseni!). Ruutujen koko olisi ehkä voinut olla pienempikin, mutta päädyin 100 km:n ruutuihin arveltuani, että pienempien ruutujen prosessointi voisi USA:n kokoisella alueella olla hidasta.

Tässä pääpiirteissään työvaiheet haasteineen ja työkaluineen. Yhteenvetona todettakoon, että netissä on todellakin paljon paikkatietoaineistoa ja suurin haaste on löytää haluamansa ja saada se avattua oikeassa muodossa QGISissä. Onneksi omat taidot ovat kurssin alkuun verrattuna jo paremmat, eli tuntien tuskailu QGISin kanssa on kantanut hedelmää ja asiat ovat jo hieman jäsentyneet omassa mielessä. Tällä kertaa odotan todella suurella mielenkiinnolla muiden tuotosten näkemistä, kun aihe oli vapaavalintainen!

Tässähän pääsee vallan “matkalle” ympäri maailmaa, kun katselee muiden karttoja: Helmi Lappalainen-Imbert on blogissaan tarkastellut Australian eri alueiden väestönkasvua ja muuttoliikkeitä ja saanut aikaiseksi hienon kartan kohtaamistaan QGIS-vaikeuksista huolimatta. Samaan karttaan on saatu monta eri asiaa, joten se on oikein informatiivinen.

Ville Väisäsen blogissa on esitelty todella hyviä ja visuaalisesti onnistuneita karttoja Vietnamista. Tarkastelun kohteena ovat nettomuutto ja keskitulo, ja blogissa taustoitetaan mielenkiintoisesti esimerkiksi poismuuttoa maan eteläosista.

Juliana Häkkilä puolestaan on blogissaan päätynyt tarkastelemaan sydänsairauksiin kuolleita Yhdysvalloissa ja liittänyt aiheen oivaltavasti pikaruokaravintoloiden sijaintiin/määriin. Kiinnostava aihe, ja hienosti löydetty aineistoja.

Alexander Engelhardt oli tämän kurssikerran kartoissaan tarkastellut terrorismia ja merirosvoja, ja olin erityisen vaikuttunut merirosvoudesta tehdystä temporaalisesta (onko tälle suomeksi joku parempi sana?) heatmap-kartasta – se oli todella hieno!

Lähteet:

Bureau of Economic Analysis. (N.d.). Regional Data: GDP and Personal Income. Haettu osoitteesta https://apps.bea.gov/iTable/iTable.cfm?reqid=70&step=1&acrdn=4

Engelhardt, A. (3.3.2021). Lesson 7. The End of the Beginning. Haettu osoitteesta https://blogs.helsinki.fi/alwengel/2021/03/03/lesson-7-the-end-of-the-beginning/

Geoinformatiikan menetelmät 1 (kurssin tiedotusblogi). (25.2.2021). Viimeinen kurssikerta – ole valmiina. Haettu osoitteesta  https://blogs.helsinki.fi/gismen-2021/2021/02/25/viimeinen-kurssikerta-ole-valmiina/

GBIF.org. (2.3.2021). GBIF Occurrence Download https://doi.org/10.15468/dl.5v2hz6. Haettu osoitteesta https://www.gbif.org/occurrence/download/0204367-200613084148143

Häkkilä, J. (3.3.2021). 7: Omavalintaisen datan visualisoimista (päivittyy). Haettu osoitteesta https://blogs.helsinki.fi/julihakk/2021/03/03/7-omavalintaisen-datan-visualisoimista-paivittyy/

Lappalainen-Imbert, H. (2.3.2021). Kerta 7 – Itsenäisesti tehtävä kartta. Haettu osoitteesta https://blogs.helsinki.fi/laphelmi/2021/03/02/kerta-7-itsenaisesti-tehtava-kartta/

Natural Earth. (2009 – 2021). Downloads: 1:10m Cultural Vectors. Haettu osoitteesta https://www.naturalearthdata.com/downloads/10m-cultural-vectors/

U.S. Census Bureau. (N.d.). Haettu osoitteesta https://www.census.gov/en.html

U.S. Bureau of Labor Statistics. (N.d.). Local Area Unemployment Statistics Map. Haettu osoitteesta https://data.bls.gov/lausmap/showMap.jsp

Väisänen, V. (3.3.2021). Viimeinen kurssikerta: suuntana Vietnam. Haettu osoitteesta https://blogs.helsinki.fi/villvais/2021/03/03/viimeinen-kurssikerta-suuntana-vietnam/

 

 

Harjoitus 6: Maanjäristyksiä ja tulivuorenpurkauksia kartalla

Kuudennella kurssikerralla päästiin itse keräämään paikkatietoa Epicollect5-sovelluksella. Sovelluksen avulla sai arvioida valitsemiaan paikkoja muun muassa viihtyisyyden ja turvattomuuden näkökulmista, ja kerätystä aineistosta tuotettiin havainnollistava kartta interpoloimalla. Hyvä esimerkki interpoloinnin lopputuloksesta löytyy esimerkiksi Ville Väisäsen blogista, jossa tarkastelun kohteena on ollut muun muassa Malmin ympäristö.

Itsenäisenä tehtävänä oli tuottaa materiaalia (kuvitteelliseen) tuntiopetuskäyttöön, aiheena hasardit. Omilla kartoillani tarkastelin maanjäristysten ja tulivuorenpurkausten sijaintia, ja niiden lisäksi olisi vielä voinut tarkastella meteoriittitietokantaa. Lähteinä käytin Moodlessa linkitettyä USGS:n (U.S. Geological Survey) tietokantaa maanjäristyksistä sekä NOAA:n (National Oceanic and Atmospheric Administration) tietokantaa tulivuorista, tosin itse päätin tarkastella tulivuorten sijainnin sijaan tulivuorenpurkauksia.

Maanjäristystietokannasta rajasin tarkasteluun viimeisen sadan vuoden aikana sattuneet, vähintään magnitudin 6 maanjäristykset. Helsingin yliopiston Seismologian instituutin mukaan (2020) näin voimakkaita maanjäristyksiä sattuu keskimäärin noin 140 kertaa vuodessa. Michiganin teknillisen yliopiston (n.d.) mukaan voimakkuudeltaan yli 6:n maanjäristykset voivat aiheuttaa paljon tuhoa tiheään asutuilla alueilla. Wikipedian (2019) mukaan taas vähintään magnitudin 6 järistys on tuhoisa n. 150 km säteellä, ja luonnollisesti tuhot pahenevat sitä mukaa kun järistyksen voimakkuus kasvaa.

Maanjäristystietokannasta sai halutut tiedot kätevästi CSV-tiedostona, tulivuorenpurkauksista puolestaan TSV-tiedostona. Yleensä CSV-tiedostot on saanut avattua QGISissä aika vaivattomasti, mutta tällä kertaa hämminkiä aiheutti se, että kunkin erillisen maanjäristyksen kaikki tiedot olivat samassa solussa pilkuin eroteltuina, mutta QGIS ei osannut erottaa tietoja eri sarakkeisiin. Niinpä kopioin tiedot CSV-tiedostosta Notepadiin ja tallensin tekstimuodossa, minkä jälkeen sainkin tiedot helposti auki.

Maanjäristykset ja tulivuorenpurkaukset maailmankartalla

Ensimmäisessä kartassa (kuva 1) on tarkasteltu vähintään magnitudin 6 maanjäristyksiä, jotka ovat tapahtuneet viimeisen sada vuoden aikana (vuodesta 1921 alkaen). Kartalla on eroteltu eri värisin palloin eri voimakkuuden maanjäristykset, ja siitä näkee selkeästi, että maanjäristyksen voimakkuuden suurentuessa niiden määrä vähenee selkeästi. Voimakkuudeltaan yli 9:n maanjäristyksiä on sattunut sadan vuoden aikana vain neljä kertaa.

Kuva 1. Kartalla näkyy kaikki viimeisen sada vuoden aikana tapahtuneet, vähintään magnitudin 6 maanjäristykset. Maanjäristykset on eroteltu voimakkuuden mukaan eri värein.

Toinen kartta (kuva 2) havainnollistaa, miten paljon vähemmän voimakkuudeltaan yli 8:n maanjäristyksiä on verrattuna siihen, jos tarkastellaan kaikkia vähintään magnitudin 6 järistyksiä. Magnitudin 8 ylittävät järistykset ovat erittäin tuhoisia (Michiganin teknillinen yliopisto, n.d.).

Kuva 2. Magnitudin 8 ylittäviä järistyksiä on sattunut sadan vuoden aikana huomattavasti vähemmän kuin magnitudin 6 ylittäviä (vrt. kuva 1).

Kolmannessa kartassa (kuva 3) puolestaan näkyy viimeisten sadan vuoden aikana sattuneiden vähintään magnitudin 6 maanjäristysten lisäksi kaikki saman ajanjakson aikana sattuneet tulivuorenpurkaukset. Tulivuorenpurkaukset sijoittuvat suurilta osin samoille alueille maanjäristysten kanssa, mutta niitä on ollut paljon vähemmän kuin maanjäristyksiä.

Kuva 3. Tulivuorenpurkauksia sattuu monilla samoilla alueilla kuin maanjäristyksiä mutta paljon vähemmän.

Onko näistä mihinkään?

Kartat ovat mielestäni suht havainnollistavia, tosin selitteeseen olisi voinut merkitä kunkin kategorian maanjäristysten sekä tulivuorenpurkausten määrän lisätiedoksi. Karttoja voi verrata litosfäärilaattoihin ja näiden saumakohtiin ja huomata yhtäläisyyksiä sijainnissa. Esimerkiksi Dynamic Earth (n.d.) -sivustolla on hyvä kartta litosfäärilaattojen saumakohdista.

Samaisella sivustolla voi myös tarkastella, mitkä saumakohdista ovat törmäys-, erkanemis- ja sivuamisvyöhykkeitä. Niitä voi sitten verrata maanjäristysten ja tulivuorenpurkausten esiintymiseen: tulivuorenpurkauksia näyttää tapahtuvan etenkin laattojen törmäysvyöhykkeillä, maanjäristyksiä lisäksi paljon myös erkanemisvyöhykkeillä.

Myös jo aiemmin mainitussa Villen blogissa on tarkasteltu tulivuoria ja maanjäristyksiä ja todettu niiden liittyvän litosfäärilaattoihin ja laattatektoniikkaan. Blogista löytyy hienot ja samankaltaiset kartat kuin omastani. Ehdin hetkeksi säikähtää (ja ajatella, että nyt meni kartat uusiksi), kun huomasin Villen kartoissa olevan paljon enemmän tulivuoria, kunnes havaitsin, että hän on tarkastellut tulivuorten sijaintia tulivuorenpurkausten sijaan. Tämä onkin erittäin hyvä näkökulma, sillä tulivuoria on paljon enemmän ja useammassa paikassa kuin tulivuorenpurkauksia, ja Villen kartta havainnollistaa siis vieläkin paremmin, minkälaisiin paikkoihin tulivuoria syntyy.

Hyvin paljon omaani kattavampaa pedagogista pohdintaa ja tulevan opettajan asiantuntemusta löytyy Henna Sanaksenahon blogista, jossa lämpimästi suosittelen vierailemaan. Harhauduin Hennan kirjoituksen innoittamana testaamaan myös hänen linkkaamaansa Seterra-online-peliä, aiheena tulivuoret (jäi parantamisen varaa)!

Kuten Villelle, myös itselleni päänvaivaa aiheuttivat mittakaava ja pohjoisnuoli, mutta onneksi luennon aikana ryhmässämme muut esittivät näistä kysymyksiä ja todettiin, ettei niitä tähän karttaan ole tarpeen (tai mahdollistakaan) laittaa. Joten Ville: ei käy köpelösti!

Lähteet:

Dynamic Earth. (N.d.). Plates & Boundaries. Haettu osoitteesta https://www.learner.org/wp-content/interactive/dynamicearth/tectonicsmap/index.html

Michiganin teknillinen yliopisto. (N.d.). Earthquake magnitude scale. UPSeis: an educational site for budding seismologists. Haettu osoitteesta http://www.geo.mtu.edu/UPSeis/magnitude.html

National Oceanic and Atmospheric Administration. (N.d.). Search volcano events. Haettu osoitteesta https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/event-search

Sanaksenaho, H. (25.2.2021). Nykypäivän koulumantsaa. Haettu osoitteesta https://blogs.helsinki.fi/hennablog/2021/02/25/nykypaivan-koulumantsaa/

Seismologian instituutti. (23.9.2020). Perustietoa maanjäristyksistä. Haettu osoitteesta https://www2.helsinki.fi/fi/seismologian-instituutti/maanjaristykset/perustietoa-maanjaristyksista-0

U.S. Geological Survey. (N.d.). Search earthquake catalog. Haettu osoitteesta https://earthquake.usgs.gov/earthquakes/search/

Väisänen, V. (22.2.2021). Interpolointia ja hasardeja. Haettu osoitteesta https://blogs.helsinki.fi/villvais/2021/02/22/interpolointia-ja-hasardeja/

Wikipedia. (15.12.2019). Magnitudi (seismologia). Haettu osoitteesta https://fi.wikipedia.org/wiki/Magnitudi_(seismologia)

 

 

Harjoitus 5: SOS, help, apua! (Ja uima-allas- ja saunakarttoja PK-seudulta)

Tällä viikolla tuli aika katsoa totuutta silmiin: mitä QGISistä oli jäänyt käteen. Aluksi tuntui, että yllättävän vähän. Kun on tottunut tekemään perässä, on aika avuton olo, kun pitäisi yhtäkkiä itse keksiä, miten erilaista tietoa kaivetaan aineistoista esiin ja esitetään sujuvasti kartalla. Alkushokin jälkeen alkoi sujua, vaikka omiin ratkaisuihin liittyi kyllä huomattavan paljon epävarmuutta.

QGISin tähän mennessä keskeisimpiä työkaluja ovat olleet esimerkiksi Select by location, Join attributes by location (summary), Clip-toiminto, Field calculator, Statistics-paneeli ja layerien exporttaus omiksi tiedostoikseen. Ja uusi suosikkini Fix geometries (life saver, tästä lisää kohta)! Nyt parin päivän tuskailun jälkeen voin myös todeta hallitsevani nämä hieman paremmin. Ainiin, tulihan myös Buffer-työkalu hyvin tutuksi. Se on kätevä työkalu, kun haluaa tarkastella esimerkiksi asukkaiden määrää tietyllä säteellä jostakin paikasta. Tai vaikka avuksi marjastukseen, kuten Sanna Korpi on blogissaan ansiokkaasti oivaltanut!

Näillä työkaluilla voi yhdistellä tietoja, ja Clip-työkalua hyödynsin esim. lentokenttämelutehtävässä, kun piti tarkastella 2 km:n säteellä ja tietyn melutason alueella asuvia. Select by location oli myös todella näppärä, kun halusi tarkastella muuttujaa tietyillä alueilla. Join attributes by location (summary) -työkalun kanssa oli todella suuria hankaluuksia, enkä edes muista enää mitä kaikkia ongelmia tuli vastaan, paitsi muistanpas! Yritin aina vain uudelleen valita Geometric predicate -kohtaan within-vaihtoehdon, eikä tämä sitten toiminut ollenkaan. Aika monta kertaa piti mennä hermot, ennen kuin kaivoin kiltisti esiin Afrikka-harjoituksen ohjeen ja huomasin, että silloin käytettiin intersects-valintaa. Ilmeisesti tämä oli oleellista, koska alkoi onnistua. Oli kylläkin suuria vaikeuksia myös hahmottaa, missä järjestyksessä layerit valitaan. Vaikeuksien kautta voittoon.

QGISin avulla voi ratkaista monenlaisia ongelmia, mutta enemmän se aiheuttaa ongelmia. Tai siis ei, mutta siltä on tuntunut viimeiset 32 tuntia. Voi sillä kaivaa vaikka minkälaisia tietoja esiin, kunhan käyttäjä tietää, mitä tekee. Se on kätevä työkalu erilaisten muuttujien alueelliseen tarkasteluun, ja monesti vektoriaineisto tuntuu tarjoavan paremmat mahdollisuudet tähän. Rasteriaineisto vain on, sitä voi katsella ja tietenkin tehdä esim. hienoja rinnevarjostuksia, mutta siitä on vaikea ainakaan näillä taidoilla kaivaa tietoa, yhdistellä asioita jne. Luulen kuitenkin, että suurin rajoite analyyseissa on monesti käyttäjä.

Todisteeksi tuskailustani olen koostanut taulukon, johon on kerätty vastaukset kysymyksiin. Osassa kysymyksistä olin hyvinkin tarkkana, toisissa en selvästi ollut ja vastaus ehkä vähän heittää. Jälkimmäiseen sarjaan kuuluu esim. vaihtoehtoisen tehtävän kysymys Kuinka monessa talossa on sauna ja kuinka monta prosenttia se on kaikista asutuista taloista pääkaupunkiseudulla, jossa jätin täysin huomiotta sanan “asutuista”. Kysymykset pitäisi lukea tarkkaan, koska niissä on tällaisia jekkuja, mutta QGIS-tuskasta täyttynyt mieleni ei tähän aivan täysin kyennyt.

Sain toki aikaiseksi myös erilaisia karttoja aiheesta uima-altaat ja saunat. Vaihtoehtoisesti olisi voinut tarkastella putkiremonttien määrää, kuten Ville Väisänen on blogissaan tehnyt: blogista löytyy havainnollistavat kartat 1960- ja -70-luvuilla rakennettujen kerrostalojen osuudesta kaupunginosittain, ja juuri tämän ikäisiin taloihin tehdään tällä hetkellä Villen blogin mukaan putkiremontteja. Kolmas tehtävävaihtoehto liittyi koulupiirin tarkasteluun, mutta tästä ei ilmeisesti syntynyt tehtävän valinneiden blogeihin sen kummempia karttatuotoksia.

Takaisin uima-altaiden maailmaan. Ensimmäisessä kartassa näkyy niiden pääkaupunkiseudun rakennusten sijainti, joissa on uima-allas (kuva 1).

Kuva 1. Uima-altaallisten rakennusten sijoittuminen pääkaupunkiseudulla. Suurin osa rakennuksista sijaitsee Helsingissä.

Toinen kartta esittää tehtävänannossa pyydetysti uima-altaiden määrän kaupunginosittain pylväsdiagrammin ja numeroarvon avulla (kuva 2).

Kuva 2. Uima-altaita on eniten Helsingin Lauttasaaressa, 53 kappaletta.

Huvikseni (?) tein myös kartat uima-altaiden määrästä suhteessa rakennusten kokonaismäärään kussakin kaupunginosassa (kuva 3) sekä samanlaisen vielä saunoista (kuva 4). Tässä vaiheessa oma aivotoiminta oli ehkä jo sen verran väsynyttä, etten oikein osannut muotoilla asiaa enää kartan otsikkoon ja selitteeseen. Siispä hyvä lukija, keskity kuvaan.

Kuva 3. Uima-altaiden määrä suhteessa rakennusten kokonaismäärään on verraten suuri monilla Helsingin alueilla.
Kuva 4. Saunoja on rakennusten kokonaismäärään suhteutettuna eniten Espoossa.

Ei saunoista ja uima-altaista sen enempää, mutta palaan nyt alussa mainitsemaani Fix geometries -työkaluun, jota ilman näitä karttoja tuskin olisi syntynyt. Avattuani vektoriaineistot huomasin, että esim. Clip-työkalulle olisi käyttöä, jotta saan karsittua ylimääräiset järvet ja joenpätkät kartalta. Mutta jostain syystä työkalu ei toiminut. Ajattelin, että voin elää asian kanssa ja siirtyä seuraavaan vaiheeseen eli tarkastelemaan tietoja Join attributes by location (summary) -työkalulla. Sekään ei toiminut.

Tässä vaiheessa olin kokeillut aika moneen kertaan, enkä ymmärtänyt missä vika. Ilmoituksessa mainittiin kyllä “invalid geometry“, ja yritin useaan kertaan varmistaa, että projektio on kaikissa tasoissa oikea ja sama. Jostain syystä se ei kuitenkaan auttanut, joten suuntasin Googleen, josta löysin heti helpon ja nopean ratkaisun ongelmaan. Eli toolboxista löytyy ihana Fix geometries -työkalu, jolla ongelma korjaantui. Jokainen taso tuli vain käsitellä erikseen ja tallentaa, mutta tämän jälkeen kaikki työkalut toimivat normaalisti. Jos painit saman ongelman kanssa, ole hyvä!

Ilmeisen moni onkin kohdannut tämän saman ongelman, ja esimerkiksi Ilari Leino oli päässyt ihan ongelman juurisyyn jäljille ja kertoo blogissaan toisen tavan saada työkalut toimimaan geometriaongelmasta huolimatta. Kiitettävää ongelmanratkaisukykyä!

Yksi myös monia – niin minuakin – kohdannut haaste oli saada karttoihin pylväsdiagrammien kaveriksi lukuarvot. Itse sain lukuarvot näkymään lopulta siirrettyäni niiden sijaintia pylväiden päälle ja muuttamalla sijainnin y-akselin arvoa tarpeeksi.

Lähteet:

Albuquerque, R. (25.7.2019). Fixing invalid geometry Shapefiles obtained by Rasters. SPAMLab. Haettu osoitteesta https://spamlab.github.io/blog/fix_geom/ 

Korpi, S. (16.2.2021). Osaamistason arviointia (vk 5). Haettu osoitteesta https://blogs.helsinki.fi/sakorpi/2021/02/16/osaamistason-arviointia-vk-5/

Leino, I. (19.2.2021). Viides kurssikerta. Haettu osoitteesta https://blogs.helsinki.fi/ilarilei/2021/02/19/viides-kurssikerta/

Väisänen, V. (19.2.2021). Bufferointia ja putkiremontteja. Haettu osoitteesta https://blogs.helsinki.fi/villvais/2021/02/19/bufferointia-ja-putkiremontteja/

 

Harjoitus 4: Väestöteemakartta ruutuaineistosta

Varoitus kiireiselle lukijalle: Teksti on karsean pitkä. Voit hypätä myös suoraan kohtaan ”Yhteenveto”, jos haluat säästää aikaa ja poimia kirsikat kakun päältä. Ja kuvat kannattaa tietty katsoa. Sitten asiaan.

Ruutukarttojen teko

Tehtävän ideana oli siis esittää tietoa pääkaupunkiseudun asukkaista ruuduittain. Homma alkoi ruudukon tekemisellä aineiston päälle. Itse valitsin ruutujen kooksi 250 x 250 metriä ihan vain vaihtelun vuoksi, kun luennolla oli tehty neliökilometrin ruutuja. Ruudukon luonti oli helppoa Create grid -työkalulla.

Sitten ruudukkoa tuli karsia niin, että siihen jäi vain ne ruudut, joille osui asuinrakennuksia. Olisin täysin unohtanut tämän vaiheen, ellen olisi lukenut uudelleen harjoitusohjetta. Ohjelma prosessoi tätä vaihetta melko kauan, ja hetken aikaa ihmettelin, miksi vaihe kestää huomattavasti kauemmin kuin tunnilla tehdessä, mutta pian keksin että sen täytyy johtua pienemmästä ruutukoosta. Ohjelma raksutti toiminnon loppuun, mutta jostain syystä uutta layeriä ei ilmestynyt näkyviin, vaikka odotin. Missä vika?!

Kokeeksi tein hieman isommat ruudut, 500 x 500 metriä. Nyt myös tallensin layerin export-toiminnolla, jolloin siitä tuli uusi taso scratch-layerin rinnalle. Ehkäpä se kiikastikin tästä. Kokeillaanpa uudelleen. Ja toimii! Eli siis turvallisempi tapa tallentaa scratch-layer on käyttää export-toimintoa sen sijaan, että painaisi ”hämähäkkiä” layerin vieressä ja tallentaisi tason sitä kautta?

Sitten piti päättää, mitä muuttujaa haluaisi tarkastella ruuduittain, ja tämän perusteella karsia attribuuttitaulukosta ylimääräiset sarakkeet tulevan laskutoimituksen nopeuttamiseksi. Päätin tehdä pari erilaista karttaa, joissa tarkastelun kohteena olisivat asukkaiden keski-ikä sekä muunkielisten osuus ruuduittain. Lähinnä kiinnosti nähdä, sijoittuvatko esim. muunkieliset ja nuoremmat keski-iät samoille alueille ja samoihin ruutuihin, ja miettiä syitä tämän takana.

Ensin loin Field calculatorilla oman sarakkeen muunkielisten %-osuudesta koko väestöstä. Sitten oli aika laskea asukkaat yhteen ruuduittain. Käytin tähän Join attributes by location (summary) -toimintoa, koska se on ennenkin osoittautunut toimivaksi. Tässä vaiheessa aloin miettiä, tulikohan tuo muunkielisten prosenttiosuus sittenkin laskettua askelta liian aikaisin. Koska eihän prosenttiosuuksia ole nyt syytä laskea yhteen kuten muita tietoja. Hmm… Kyllä, prosenteista tuli todellakin hulluja lukemia. Eli poistetaan sarake ja suoritetaan laskutoimitus uudelleen.

Ensin visualisoin kartan muunkielisten osuudesta. Kokeilin tutun Natural breaks -vaihtoehdon lisäksi myös Equal interval -vaihtoehtoa, mutta se ei tuonut eroja yhtä hyvin esiin, koska muunkielisten osuus ei monessa ruudussa kohoa kovin korkeaksi. Näin erot eivät oikein näy kartalla. Eli siis vanhassa vara parempi ja luotetaan jälleen Natural breaksiin.

Tämän jälkeen oli aika tarkastella keski-ikää ruuduittain, mutta kas kummaa, tässä oli myös laskettu keski-iät yhteen, eli ei lainkaan käyttökelpoista aineistoa… Pakki päälle! Tein siis vielä uuden aineiston Join attributes by location (summary) -toiminnolla, ja tällä kertaa valitsin pelkän ikäkeskiarvon ja summan sijaan laskin keskiarvoista keskiarvon kullekin ruudulle. Nyt attribuuttitaulukko näytti huomattavasti järkevämmältä. Ei kun visualisoimaan. Käytin tässäkin hyväksi havaittua Natural breaks -luokittelua.

Karttojen tulkinta

Ensimmäisestä kartasta (kuva 1) näkee, että muunkielisten osuus vaihtelee huomattavasti eri puolilla pääkaupunkiseutua. Muunkielisiä on suhteessa eniten Itä- ja Luoteis-Helsingissä, Espoon keskuksen alueella sekä Vantaan eteläisissä osissa. Espoossa korostuu myös Otaniemi, jossa tunnetusti on paljon ulkomaalaisia opiskelijoita. Nämäkin tulkinnat omat hieman haastavia tehdä, kun kuntien rajoja ei oikein kartalla näy saati asuinalueiden nimiä. Muita tulkintoja en juurikaan osaisi pelkästään tämän kartan pohjalta tehdä.

Kuva 1. Muunkielisten osuus 500 x 500 metrin ruudun asukkaista pääkaupunkiseudulla. Muunkielisillä tarkoitetaan asukkaita, joiden äidinkieli on muu kuin suomi tai ruotsi.

Toinen kartta (kuva 2) puolestaan paljastaa, että keski-iältään nuorimpia asukkaita on esimerkiksi Myllypuron ja Viikin alueilla, Toukolassa ja Kumpulassa sekä Otaniemessä. Nämä selittyvät luultavasti ainakin osittain alueilla asuvien opiskelijoiden määrällä ja iällä. Espoossa muuten keski-ikä näyttää keskellä Espoota nuoremmalta kuin lähempänä rantoja. Helsingissä puolestaan lähes koko keskusta-alue on keski-iältään verrattain nuorta. Eniten keski-iältään vanhempia ruutuja on Länsi-Vantaalla ja Pohjois- sekä Länsi-Espoossa, Espoon Suvisaaristossa ja aivan Kaakkois-Vantaalla Helsingin rajan tuntumassa.

Kuva 2. Asukkaiden keski-ikä 500 x 500 metrin ruuduittain pääkaupunkiseudulla.

Yleisesti ottaen keski-ikä on nuorempaa lähellä Helsingin keskustaa, minkä voisi selittää esim. se, että keskustassa asunee paljon nuorta väestöä vuokra-asuinnoissa. He ehkä kaipaavat lähelleen monipuolisia palveluita ja kaupungin vilinää. Toisaalta opiskelijat ovat selkeä keski-ikään vaikuttava tekijä monilla alueilla. Ehkä taas vanhemmat ihmiset asuvat mielellään väljemmin, eikä heille ole niin tärkeää olla keskellä keskustan sykettä, joten he hakeutuvat kauemmas keskustasta. Suvisaaristo taas lienee kallista aluetta, jossa asumiseen ei kovin nuorilla ole varaa. Siellä ei kuitenkaan luultavasti ole juuri vuokra-asuntoja, joihin muuttaisi nuorempia asukkaita kuten keskustassa. Toisaalta myös liikenneyhteydet sieltä keskustaan eivät välttämättä ole yhtä hyvät, mikä rajoittaa työssäkäyvien halua asua Suvisaaristossa.

Nopeasti silmäiltynä näyttää siltä, että samoilla alueilla, joilla on paljon muunkielistä väestöä, on myös alhaisempi keski-ikä. Tätä voi selittää toisaalta muunkielisten osuus opiskelijoista, jotka ovat yleensä myös nuoria, ja toisaalta se, että muunkielisillä on yleensä myös suurempia perheitä ja enemmän lapsia, mikä alentaa keski-ikää. Ehkä myös suuremman mittakaavan maahanmuutto on sen verran tuore ilmiö Suomessa, että maahanmuuttajat ovat vielä keski-iältään verrattain nuoria muuhun väestöön verrattuna, mikä selittäisi myös sen, että ne ruudut, joissa on paljon muunkielisiä, ovat myös keski-iältään nuorempia.

Kasper Mickos on muuten tehnyt myöskin mielenkiintoisen ikää koskevan ruututeemakartan, jossa on keskiarvojen sijaan käytetty mediaaneja. Tulokset ovat mielestäni jokseenkin saman suuntaisia omieni kanssa, ja Kasper on myös tehnyt erinomaisen tulkinnan siitä, että eläkeläisten lisäksi lapsiperheet suuntaavat kuntien reunamille, kauemmas keskustasta. Tosiaan omassakin kartassani näkyy laitamien tummien eli keski-iältään vanhempien ruutujen seassa myös keski-iältään nuorempia, mikä sopii hyvin Kasperin teoriaan.

Karttojen ulkoasu

Nostin kartoissa järvet ja meret ruutujen päälle, koska on mielekkäämpää tarkastella ruutuja, joista suurin osa ei ole vettä. Tämä mielestäni voi myös helpottaa osittain kartan tulkintaa. Joet olisi voinut kyllä jättää kokonaan pois sekä kartalta että selitteestä, koska ne näkyvät vain mustina viivoina kapeutensa takia, eikä selitteen sinisestä ole kartalla tietoakaan.

Mielestäni molemmat kartat ovat muuten visuaalisesti suht onnistuneita. Toki erilaisella luokittelulla voisi aina saada hieman erilaisia lopputuloksia, mutta esim. muunkielisten asukkaiden osuuden esittävä kartta oli juuri tällä luokittelutavalla kaikkein havainnollistavin kokeilemistani vaihtoehdoista. Keski-ikää kuvaavassa kartassa olisi voinut kokeilla myös lisätä luokkien määrää, koska nyt ensimmäisessä luokassa on ehkä turhan iso ikähaarukka, 10–36,2. Luettavuudesta en keksi suurempia pulmia, joihin itse olisin voinut vaikuttaa.

Karttojen informatiivisuutta voisi parantaa, jos kuntarajat näkyisivät paremmin ja jos myös kaupunginosien nimiä saisi jotenkin näkyviin ilman, että se häiritsisi liikaa kartan tulkintaa ja tekisi siitä epäselvän.

Ruututeemakartta suhteessa koropleettikarttaan

Koropleettikartalla ei saa esittää absoluuttisia arvoja, koska kartan aluejako perustuu hallinnollisiin rajoihin ja alueet ovat siksi hyvin erikokoisia. Koropleettikarttaa tehtäessä on siis oleellista suhteuttaa tarkasteltu muuttuja toiseen, esim. väestömäärään tai pinta-alaan, jolloin tieto on paremmin vertailukelpoista.

Ruututeemakartalla tätä ongelmaa ei ole, koska kaikki ruudut ovat samankokoisia. Kaikki muuttujat per ruutu on siis suhteutettu jo valmiiksi pinta-alaan; esim. 1 x 1 km:n ruutu kertoo kunkin muuttujan per neliökilometri. Luennolla tähän liittyen kuitenkin tuli esiin hyvä pointti, esimerkkinä ruotsinkielisten määrä kussakin ruudussa: vaikka kartan voisi tehdä absoluuttisilla arvoilla, voi olla järkevämpää suhteuttaa ruotsinkielisten määrä kaikkien ruudun asukkaiden määrään, sillä voi olla ruutuja, joilla muutenkin on hyvin vähän asukkaita ja siten myös vähän ruotsinkielisiä. Onkin ehkä hyvä harkita joka kerta karttaa laatiessaan erikseen, mikä on juuri sille muuttujalle kuvaavin arvo – absoluuttinen vai suhteutettu.

Mielestäni hyvä esimerkki siitä, miten erilaisia ruututeemakartoistakin voi tulla riippuen siitä, suhteutetaanko muuttuja vielä jotenkin vai esitetäänkö se absoluuttisena arvona, löytyy vertaamalla omaa muunkielisten osuudesta kertovaa karttaani Lotta Mattilan samasta muuttujasta tekemään ruututeemakarttaan. Lotan kartassa muuttuja esitetään absoluuttisina arvoina, kun taas omassani suhteutettuna kunkin ruudun asukasmäärään. Lotan kartassa muunkieliset painottuvat Helsingin keskustaan toisin kuin omassani. Toki tulee huomata myös eri ruutukoko.

Ruututeemakartalla saa koropleettikarttaan verrattuna paljon tarkempaa tietoa muuttujasta, sillä eroja voi tarkastella paljon paremmin kuntien sisällä eikä vain kuntien välillä. Ruututeemakartalla on myös paljon helpompi vertailla alueita kuin pisteteemakartalla. Ruututeemakartan luettavuus eroaa muista teemakartoista ainakin niin, että ruudut helposti peittävät alleen paljon muuta tietoa. Siitä on kuitenkin helppo nopealla silmäyksellä saada yleiskuva muuttujan ilmentymisen eroista esimerkiksi kaupungin sisällä, mutta tulkinnassa auttaa, jos tuntee kaupunkia ja kaupunginosia jonkin verran.

Ville Väisänen vaikuttaa olevan blogissaan samoilla linjoilla ruutukartan tulkinnan haasteista sijainnin osalta. Hän on niin ikään tarkastellut muunkielisten osuutta väestöstä ja mielestäni laatinut hyvin onnistuneen kartan, jossa näkyviin nostetut kuntarajat helpottavat kartan tulkintaa, kun hahmottaa paremmin, missä ruudut sijaitsevat!

Yhteenveto

Tästä tekstistä tuli pitkä kuin nälkävuosi, joten tässä tiivistettynä tärkeimmät:

  • Scratch-layer kannattaa tallentaa export-toiminnolla, jotta siihen on mahdollistaa kohdistaa erilaisia toimintoja.
  • Mieti mitä teet, ennen kuin teet. Muuten joudut tekemään uudelleen, mutta ei sekään toisaalta haittaa.
  • Ruututeemakartalla on helppo silmäillä alueellisia eroja kuntien sisällä.
  • Kertaus on opintojen äiti.

Oli siis hyvä aloittaa tehtävä suunnilleen alusta uudelleen eikä vain jatkaa siitä, mitä oli tehty valmiiksi yhdessä. Olin nimittäin jo unohtanut, minkälaisia työvaiheita prosessiin sisältyi, vaikka välissä ehti kulua vain vuorokausi. Ja eteen tuli parikin ongelmatilannetta, joita piti vähän aikaa miettiä. Itsekseen tehdessä ehtii myös hieman enemmän prosessoida tietoa, kun ei ole vain kiire seurata perässä.

Lähteet:

Mattila, L. (9.2.2021). Rasterikartat. Haettu osoitteesta https://blogs.helsinki.fi/lottmatt/2021/02/09/rasterikartat/

Mickos, K. (9.2.2021). Kurssiviikko 4: Vektoreista rastereihin ja sujuvasta ohjelmasta vähemmän sujuvaan. Haettu osoitteesta https://blogs.helsinki.fi/kmickos/2021/02/09/kurssiviikko-4-vektoreista-rastereihin-ja-sujuvasta-ohjelmasta-vahemman-sujuvaan/

Väisänen, V. (14.2.2021). Ruutuja ja rastereita. Haettu osoitteesta https://blogs.helsinki.fi/villvais/2021/02/14/ruutuja-ja-rastereita/ 

Harjoitus 3: Tulvaindeksikartta

Kolmannella kurssikerralla harjoiteltiin esimerkiksi kohteiden yhdistämistä ja tietokantaliitoksia Afrikan kartalla (kivaa vaihtelua Suomen kuntakartalle!). Itsenäisenä harjoituksena tuli laatia tulvaindeksikartta (puoli)valmiin aineiston pohjalta. Tässä pääsi hyödyntämään juuri opeteltua tietokantaliitosten tekoa (ja näillä ohjeilla ensimmäisen kurssikerran itsenäinen harjoituskin olisi sujunut muuten aika paljon helpommin…) sekä jalostamaan visualisoinnin taitoja.

Tehtävänä oli siis liittää valuma-aluetietokantaan MHQ- eli keskiylivirtaamatietokanta ja järvisyystietokanta. Tämä kävi helposti Joins-valikosta. Tulvaindeksin sai ohjeen mukaan laskettua ja tallennettua omaksi kentäkseen field calculatorilla jakamalla keskiylivirtaaman (MHQ) keskialivirtaamalla (MNQ).

Keskiylivirtaamalla tarkoitetaan tietyllä ajanjaksolla mitattujen ylimpien arvojen keskiarvoa ja keskialivirtaamalla taas alimpien mitattujen arvojen. MHQ / MNQ -laskutoimitus kertoo, kuinka moninkertainen virtaaman huippu on verrattuna kuivimpaan aikaan. (Paarlahti, 2021.)

Tulvaindeksin lisäksi kartalla piti siis tarkastella valuma-alueiden järvisyyttä, joka oletettavasti kuvaa järvien pinta-alan osuutta valuma-alueen koko pinta-alaan. Käytin tässä valmista järvisyystietokantaa, jonka avasin CSV-tiedostona QGISissä ja lisäsin järvisyys-%-sarakkeen valuma-aluetietokantaan.

Huomasin, että vaikka järvisyys-%-tiedot näyttivät numeroilta, niin sarakkeen muoto oli kuitenkin teksti. Koska en saanut alueita järjestettyä tämän takia edes suuruusjärjestykseen järvisyyden mukaan, päätin luoda field calculatorilla vielä uuden järvisyys-sarakkeen, jonka sisältö oli oikeasti numeromuodossa.

Tulvaindeksikartan luominen tuntuikin jo aika rutiininomaiselta, ja päädyin jättämään lopullisesta versiosta joet ja järvet pois sekavuuden välttämiseksi (kuva 1).

Kuva 1. Tulvaindeksit valuma-alueittain.

Tein myös toisen kartan, jossa tulvaindeksien lisäksi näkyy valuma-alueen järvisyys ympyrädiagrammina. Ensin ihmettelin, kun valitsin järvisyyden diagrammiin ja tuloksena oli vain samanvärisiä ympyröitä, mutta sitten luin ohjeen (kannattaisi lukea ensin ja tehdä sitten) ja huomasin, että ympyrädiagrammin onnistumiseksi tulee laskea myös maapinta-ala. Valmis kartta näyttää tältä (kuva 2):

Kuva 2. Tulvaindeksi ja järvisyys valuma-alueittain. Järvisyys-% on kuvattu ympyrädiagrammein kunkin valuma-alueen kohdalla.

Tämä toinen versio ei ole visuaalisesti aivan selkeintä luettavaa (lievästi sanottuna), sillä ympyrädiagrammit peittävät ikävästi tulvaindeksinäkymää etenkin pienemmillä valuma-alueilla. Ei myöskään ole lainkaan selvää, mikä ympyrä kuuluu millekin valuma-alueelle. Yritin muokata ympyröiden sijaintia ja kokoa, mutta en onnistunut löytämään hyvää ratkaisua. Mielenkiinnolla katselen muiden blogeista, millaisiin ratkaisuihin niissä on päädytty. Löysinkin jo Villen blogista hienon esimerkin erilaisesta tavasta esittää järvisyyden, ja parempaa siinä on esimerkiksi se, että pallot eivät peitä karttaa yhtä paljon ja karttaa on siksi helpompi lukea.

Tästä insiproituneena ja sisuuntuneena päätin vielä tehdä hieman uudenlaiset versiot järvisyys-tulvaindeksikartasta. Muokkasin ympyrädiagrammeja niin, että niiden koko on sitä suurempi, mitä suurempi järvisyys-% on. Päädyin myös tekemään kartan erikseen eteläisestä ja pohjoisesta Suomesta, jolloin karttaa voi zoomata hieman lähemmäs ja näin diagrammit eivät peitä koko näkymää. Alla siis hieman erilaiset versiot (kuvat 3 ja 4) – mielestäni lopputulos on jo hieman parempi ja helpommin luettavissa, vaikka onkin sääli, ettei koko Suomi näy kerralla.

Kuva 3. Eteläisen Suomen tulvaindeksi ja järvisyys valuma-alueittain.
Kuva 4. Pohjoisen Suomen tulvaindeksi ja järvisyys valuma-alueittain.

Toinen ongelma oli kartan selitteen kanssa, johon olisin halunnut jotenkin merkitä, että järvisyys kuvataan ympyrädiagrammeissa, mutta tässäkään en oikein onnistunut. Ja toinen asia, jota en oikeastaan muistanut ottaa huomioon kuvissa 3 ja 4, on se, että selitteessä ei ole mitenkään selitetty ympyrädiagrammien kokojen vaihtelua, hups. Ehkä tästä kuitenkin ulkopuolinenkin osaa silti tulkita jollain lailla, mistä on kyse. Eriäviä mielipiteitä otetaan vastaan.

Karttojen tulkinta maallikon silmin

Ensimmäistä karttaa (kuva 1) voi tulkita ainakin niin, että korkeimmat tulvaindeksit sijaitsevat kaikki rannikolla, esimerkiksi Pohjanmaalla, Varsinais-Suomessa ja Uudellamaalla. Korkeimman kategorian alueita (500 – 1100) on vain yksi. Villen blogissa oli hienojen järvisyys-pallojen lisäksi esitetty erinomainen pointti siitä, että tulvaindeksi voi käsitteenä jäädä epäselväksi aiheeseen perehtymättömälle. Ehkäpä siis kartan tekijä voi auttaa lukijaa avaamalla asiaa esimerkiksi kartan kuvatekstissä tai muuten kartan yhteydessä.

Toisessa kartassa (kuva 2) tulvaindeksiä voi (yrittää) verrata järvisyyteen. Vaikuttaa päällisin puolin siltä, että pienempi järvisyys on yhteydessä suurempaan tulvaindeksiin. Voisi siis tulkita niin, että järvillä on tulvia ja virtaamia tasaava vaikutus suuntaan ja toiseen. Sisämaan järvisillä alueilla on matala tulvaindeksi, ja myös rannikolla niillä valuma-alueilla, joissa on enemmän järviä, vaikuttaisi olevan hieman pienempi tulvaindeksi verrattuna rannikon vähäjärvisiin valuma-alueisiin.

Kattavaa pohdintaa tulvaindekseihin vaikuttavista tekijöistä oli ainakin Sannan blogissa, jossa muuten käsiteltiin erinomaisesti myös harjoituskerran toista teemaa, Afrikan konflikteja. Suosittelen lukemaan!

Lähteet:

Jantunen, S. (3.2.2021). Veritimanteista keskivirtaamiin. Haettu osoitteesta https://blogs.helsinki.fi/smjantun/2021/02/03/veritimantteja-ja-keskivirtaamia/

Paarlahti, A. (2021). Harjoitus 3 [Word-dokumentti]. Haettu Moodlesta.

Väisänen, V. (2.2.2021). Valuma-alueiden tulvaindeksikartta. Haettu osoitteesta https://blogs.helsinki.fi/villvais/2021/02/02/valuma-alueiden-tulvaindeksikartta/

 

Harjoitus 2: Pinta-alojen vertailu eri projektioissa

Toisella kurssikerralla käytiin läpi esimerkiksi WFS- eli Web Feature Service -datan liittämistä/avaamista QGISissä (Paarlahti, 2021, sivu 5). Netistä löytyykin paljon maksutonta ja kaikille avointa aineistoa. Aineistojen yhdistäminen QGISiin toimii erilaisten rajapintojen avulla, joita Elmo on eritellyt tarkemmin blogissaan – erinomainen tiivistelmä erilaisten rajapintojen ominaisuuksista.

WFS-aineistojen lisäksi harjoiteltiin pinta-alatiedon automaattista lisäämistä attribuuttitaulukkoon sekä tarkasteltiin, miten eri karttaprojektioiden pinta-alatiedot poikkeavat toisistaan. Koska täydellistä karttaa ei pallon muotoisesta maapallosta voi tehdä, vääristyy kartalla aina jokin tai jotkin ominaisuudet, esimerkiksi pinta-ala tai etäisyydet.

Suomessa on yleisesti käytössä ETRS-TM35FIN-projektio, joka kuvaa pitkänmallista maatamme melko tarkasti ja muotoa/pinta-alaa vääristämättä. Jos haluat hieman lisätietoa kyseisestä projektiosta, käy lukemassa Tapion postaus toisesta kurssikerrasta. Postauksessa kerrotaan lisää siitä, kuinka TM35 eroaa esimerkiksi Mercatorin projektiosta.

Tehtävänä oli siis verrata muiden projektioiden perusteella laskettuja Suomen kuntien pinta-aloja ETRS-TM35FIN-projektiosta laskettuihin ja katsoa, miten paljon muiden projektioiden pinta-alat poikkeavat tästä.

Erinomainen esimerkki pinta-alatiedon vääristymisestä on klassinen ja varmasti kaikille tuttu Mercatorin projektio, jossa pinta-alat vääristyvät sitä enemmän, mitä kauemmas päiväntasaajasta siirrytään. Kuvassa 1 näkyy hyvin, kuinka Mercatorin projektio moninkertaistaa (!) pinta-alat verrattuna TM35-projektioon.

Kuva 1. Mercatorin projektio vääristää Suomen kuntien pinta-aloja sitä enemmän, mitä pohjoisemmaksi siirrytään, jopa yli kahdeksankertaiseksi verrattuna TM35-projektioon.

Lisäksi tein vertailut käyttäen Winkel Tripel -projektiota (kuva 2) sekä Cassini-projektiota. Winkel Tripel on kompromissiprojektio, jossa mikään ominaisuus ei ole oikein, vaan on haettu tasapainoista kompromissia. Mercatorin projektioon verrattuna Winkel Tripelissä pinta-alat eivät TM35:een nähden vääristy juuri lainkaan. Toisaalta onhan puolitoistakertainen lukukin aika vääristynyt, mutta kahdeksankertaiseen verrattuna se tuntuu aivan mitättömältä. Kaikki on suhteellista.

Kuva 2. Winkel Tripel -projektio vääristää Suomen kuntien pinta-aloja Mercatorin tapaan sitä enemmän, mitä pohjoisemmaksi siirrytään. Vääristymä ei ole kuitenkaan samaa luokkaa, sillä Winkel Tripelissä pohjoisimmat kunnat ovat korkeintaan noin 1,5 kertaa suuremmat kuin TM35-projektiossa.

Cassini-projektio oli itselleni aivan uusi tuttavuus. Siinä karttaa halkoo pitkittäissuunnassa nollameridiaani, joka kulkee molempien napojen kautta, ja pohjois- ja etelänapa on siis kuvattu suoraan ylhäältä päin (Wikipedia, 2019). Näin ollen voisi jo päätellä, ettei Suomi ole kovin vääristynyt, ja tämän voikin havaita myös kartan perusteella vertailussa TM35:een (kuva 3).

Kuva 3. Cassini-projektio ei vääristä Suomen kuntien pinta-aloja juuri lainkaan verrattuna TM35-projektioon. Vääristymä kasvaa kohti kaakkoa (suurin vääristymä sinisellä).

Karttoja tehtäessä ja lukiessa on myös hyvä muistaa, miten paljon esitystapa vaikuttaa kartan lopputulokseen ja mahdollisesti tulkintaankin. Itse päädyin jakamaan kaksi viimeistä karttaesimerkkiäni vain kolmeen eri luokkaan, sillä vääristymät olivat niin paljon vähäisempiä kuin Mercatorin projektiossa.

Nooran blogissa on erinomainen esimerkki toisenlaisesta ratkaisusta ja siitä, miten kartan värivalinnat ja muut visuaaliset ratkaisut voivat vaikuttaa kartan tulkintaan. Noora oli niin ikään vertaillut myös Winkel Tripel -projektiota TM35:een, mutta hänen karttansa lopputulos näyttää melko erilaiselta omaani verrattuna. Onkin todella mielenkiintoista nähdä kanssaopiskelijoiden tekemiä erilaisia versioita samasta kartasta, jonka itse on tehnyt. 

Ennen karttoja teimme myös mittauksia (etäisyys ja pinta-ala) itse valitsemillamme projektioilla. Näistä koostin pienen taulukon (taulukko 1), jossa näkyy suuntaa-antavasti eri projektoiden antamat erilaiset mittaustulokset samasta kohdasta mitattuna. Erot projektioiden välillä voivat olla todella suuria, kuten tässäkin esimerkissä Mercatorin projektion ja TM35-projektion vertaileminen osoittaa.

Taulukko 1. Eri projektioiden antamia tuloksia samasta kohdasta karttaa mitatusta pituudesta ja pinta-alasta. Pinta-alarivillä cartesian tarkoittaa tason pinnalla mitattua pinta-alaa ja ellipsoidal pinta-alaa, jossa on huomioitu maapallon pinnan ellipsoidimuoto. Cartesian-pinta-aloissa erot ovat suurimmat, ja etenkin Mercatorin projektion ero TM35:een on kammottava.

Pinta-aloja analysoidessa ja määrittäessä saakin olla tarkkana projektioiden kanssa, tai voi mennä aika pahastikin pieleen. Erityisesti koska kartoissa muita muuttujia suhteutetaan usein juuri pinta-alaan, tulee pinta-ala osata laskea oikein. Tästä todella hyvä esimerkki löytyy Lotan blogista. Lotta on verrannut yli 65-vuotiaiden lukumäärää suhteuttuna pinta-alaan kunnittain käyttäen Lambertin ja Mercatorin projektioita. Lambertin oikeapintaisessa projektiossa yli 65-vuotiaiden määrä / km2 on moninkertaisesti suurempi eli heitä on enemmän neliökilometrillä, koska Mercatorin projektiossa pinta-alat ovat niin paljon todellisuutta suuremmat. Vaikka visuaalisesti kartoissa ei juuri huomaa eroa, kertoo kartan selite oleellisen.

Karttojen tekeminen alkoi sujua jo melko näppärästi, kun toisti samoja asioita useampaan kertaan. Olisi ollut vielä mielenkiintoista saada nämä kolme karttaa rinnakkain ja luokiteltua samalla asteikolla ja väreillä, jolloin karttojen vertaaminen keskenään olisi ollut vielä havainnollisempaa. Tätä en ainakaan äkkiseltään vielä itse osannut tehdä.

Lähteet:

Holopainen, E. (2.2.2021). Syventyminen QGIS -ohjelmistoon (vk. 4). Haettu osoitteesta https://blogs.helsinki.fi/elmblog21/2021/02/02/syventyminen-qgis-ohjelmistoon-vk-4/

Paarlahti, A. (2021). Datan lähteitä [PowerPoint-esitys]. Haettu Moodlesta.

Puodinketo, L. (27.1.2021). 2. kurssikerta: Toimintojen kertausta. Haettu osoitteesta https://blogs.helsinki.fi/lottapuo/2021/01/27/2-kurssikerta-toimintojen-kertausta/ 

Turpeinen, T. (28.1.2021). Kurssikerta 2 (27.1.): Pohjois-Karjalaa ja projektioita. Haettu osoitteesta https://blogs.helsinki.fi/tapiotur/2021/01/28/kurssikerta-2-27-1-pohjois-karjalaa-ja-projektioita/

Peräniemi, N. (29.1.2021). Projektiot ja pinta-alojen vääristymät. Haettu osoitteesta https://blogs.helsinki.fi/noorablog/2021/01/29/projektiot-ja-pinta-alojen-vaaristymat/

Wikipedia. (1.11.2019). Cassini projection. Haettu osoitteesta https://en.wikipedia.org/wiki/Cassini_projection

 

 

Harjoitus 1: Koropleettikartan laatiminen QGISissä

Kurssin ensimmäisenä itsenäisenä harjoituksena oli hyödyntää Suomen kuntien tietokantaa ja tuottaa itse valitsemastaan aineistosta koropleettikartta. Koropleettikartta? Ensin piti muistuttaa itseään siitä, mikä onkaan koropleettikartta (vaikka tämähän pitäisi olla tuoreessa muistissa…). Onneksi asiaa oli käsitelty edellisessä periodissa Tiedon esittäminen maantieteessä -kurssilla. Löysinkin saman tien hyvän Powerpoint-sliden aiheesta.

Koropleettikartta laaditaan valmiita aluejakoja käyttäen eli hyödynnetään hallintoalueita. Kolme oleellista asiaa ovat:

  1. esitetyn asian suhteuttaminen toiseen (esim. väentiheys: väestön määrä suhteessa pinta-alaan)
  2. ei saa esittää pinta-alaan sidottuja absoluuttisia arvoja
  3. luokittelun vahva vaikutus kartan ulkonäköön. (Paarlahti, 2020, sivu 20.)

Näillä eväillä koropleettikartan tekoon! Luonnollisesti ajattelin sukeltaa suoraan syvään päähän ja aloittaa vaikeustasosta kolme. Tuskailtuani hetken rajapinnan kautta ladattavan kuntapohjan kanssa ja sen jälkeen vaikeustason kaksi kanssa aloin ymmärtää, että ehkä tehtävät tuli kuitenkin aloittaa vaikeustasosta yksi ja sitten edetä askel kerrallaan eteenpäin. Tässä ensimmäinen oppi: aloita tehtävien teko järjestyksessä aloittaen ensimmäisestä.

Kuntapohja rajapinnasta QGISiin

Aloitin siis kuitenkin kohdasta kolme. Askel 1: avaa pdf-ohjeen linkki. Askel 2: kauhistu, kun näet, mitä linkistä avautuu. Ehkä sittenkin palataan edelliselle vaikeustasolle? En edes tiedä, mikä on rajapinta.

Rajapinta?

Hetken ihmettelyn jälkeen QGISistä löytyi kuitenkin painike, jolla sain tuon pelottavan näköisen koodin avautumaan karttana ohjelmassa. Mahdollisesti kyse oli jostakin nimeltä WMS (Web Map Service), tai näin ainakin päättelin Maanmittauslaitoksen (n.d.) sivuille Googlen kautta päädyttyäni. Joka tapauksessa sain kartan avattua QGISin Add WMS/WMTS Layer -painikkeella. Mutta… Miksi kartta näyttää tältä? Siis litistyneeltä.

Ehkä ongelman voisi ratkaista muuttamalla projektiota. Valitsin listasta projektioksi EUREF_FIN_TM35FIN, koska se kuulostaa etäisesti tutulta. Ja, tadaa: litistynyt Suomi on vaihtunut kauniin sopusuhtaiseksi!

Tälle ei kuitenkaan pysty tekemään ilmeisesti yhtään mitään. Siis ei voi valita yksittäisiä kuntia, ei voi liittää muuttujia csv-tiedostosta, ei yhtään mitään. Ainakaan minun taidoillani. Tähän mennessä olin siis jo siirtynyt takaisin päin vaikeustasolle kaksi ja onnistunut lataamaan Sotkanetistä väestötietoa csv-tiedostona, jopa onnistunut avaamaan sen uutena tasona QGISiin yllä olevan karttapohjan lisäksi.

Csv-tiedoston liittäminen valmiiseen aineistoon

Lopulta päädyin vihdoin kohtaan yksi ja avasin Suomen kunnat -kartan, joka oli ainoa kartta, josta oli mitään iloa. Sotkanetistä (2019) latasin tiedon ”Työkyvyttömyyseläkettä saavat 25–64-vuotiaat, % vastaavanikäisestä väestöstä” csv-tiedostona. Useiden yritysten jälkeen sain muokattua csv-tiedostosta tarpeeksi simppelin, jotta se näyttäisi järkevältä myös liitettäessä sitä kuntapohjaan. Tarkastin valmiin aineiston attribuuttitaulukosta, miten eri sarakkeet on otsikoitu, ja otsikoin omaan csv-tiedostooni kunnan nimen ja numeron samalla tavalla, jotta ohjelma osaisi paikantaa näitä kahta taulukkoa yhdistävän sarakkeen.

Liittämisessä tuli useampi mutka matkaan. Ensin yritin liittämistä yksikertaisesti tuplaklikkaamalla Layers-valikosta tasoa ja liittämistä kuntapohjaan valikon Joins-kohdasta. Onnistuin lisäämään näin valmiin kunta-aineiston ominaisuustiedot omaan työkyvyttömyyseläke-taulukkooni, mutta toisin päin sama ei onnistunutkaan. Ei muuta kuin hakemaan apua Googlesta. Löysinkin hyvän sivun, jonka ohjeilla kuin ihmeen kaupalla onnistuin tehtävässä: https://www.qgistutorials.com/en/docs/3/performing_table_joins.html (Gandhi, n.d.).

Koropleettikartan teko

Sitten pääsin vihdoinkin varsinaisen tehtävän kimppuun eli tuottamaan koropleettiaineistoa. Halusin tietenkin tehdä kartan itse lataamastani aineistosta, jolloin törmäsin seuraavaan ongelmaan: kun yritin muokata kuntien värejä Graduated-muotoon aineiston perusteella, selvisi että oma aineistoni oli tekstimuodossa. Sehän olikin käynyt luennolla selväksi, ettei luokitella voi muuta kuin numeroaineistoa.

Ajattelin, että tiedon muodon (teksti vai numero tms.) voisi muuttaa yksinkertaisesti jotain nappia painamalla, mutta näin helposti se ei sitten käynytkään. Taas oli haettava apua Googlesta. Ja tällä ohjeella onnistuin itse muuttamaan tekstin numeroksi: https://silverspringenergy.com/converting-a-string-field-to-a-numerical-field-in-qgis/ (Pubben, 2019). Tai oikeastaan sain luotua uuden sarakkeen, jossa tieto oli numeromuodossa. Ja tässä siis pystyi käyttämään apuna QGISin laskinta. Ei olisi tullut itselle mieleen.

Vihdoinkin sain monien pulmien jälkeen koropleettikartan valmiiksi, huh! Ja tässä valmis tuotos:

Työkyvyttömyyseläkettä saavat 25–64-vuotiaat, % vastaavanikäisestä väestöstä kunnittain vuonna 2019. Lähde: Sotkanet.

Pohdintaa ja tulkintaa omasta kartasta

Kuten tekstin alussa todettiin, luokittelu vaikuttaa vahvasti kartan ulkonäköön. Itse käytin Natural Breaks -vaihtoehtoa, joka mielestäni tuo eroja aika hyvin ja sopusuhtaisesti esiin. Tosin muokkasin vielä ensimmäistä luokkaa itse alkamaan nollasta, koska tuntuu jotenkin oudolta, että se ei ala. En tiedä, oliko tämä sallittua tai fiksua.

Yksi itseäni mietityttänyt asia oli se, että seuraava luokka alkaa samasta luvusta, mihin edellinen päättyy. Ei kai näin oikeasti pitäisi olla, koska silloin joku kunta voisi kuulua samaan aikaan kahteen luokkaan? En kuitenkaan uskaltanut alkaa sörkkiä tätä sen enempää, ettei mene ojasta allikkoon.

Kartasta näkyy, että työkyvyttömyyseläkettä saavien 25–64-vuotiaiden osuus kunnan saman ikäisestä väestöstä on suurin joissakin Pohjois-Pohjanmaalla, Kainuussa ja Pohjois-Karjalassa sijaitsevissa kunnissa, esimerkiksi Puolangalla, Pudasjärvellä ja Posiolla. Kohti etelää ja länttä työkyvyttömyyseläkkeellä olevien osuus pienenee. Tähän voisi perehtyä lisää esimerkiksi selvittämällä, mitkä ovat työkyvyttömyyseläkkeen yleisimmät syyt ja näiden sairauksien/syiden esiintyminen kunnittain suhteessa väestömäärään, mikäli tällaista kuntatason tietoa on saatavilla.

Oma karttani on mielestäni ihan kelvollinen, enkä itse ainakaan keksi mitään kardinaalivirhettä. Kartasta löytyy selite, mittakaava ja pohjoisnuoli. Itse asiassa nyt kun mietin selitettä, siihen olisi voinut lisätä sanan ”kunnittain” tai jossakin kohtaa tuoda esille, että kyseessä on kunnat. Arvioisin, että aineistoa tuntematonkin lukija saa kartasta suuntaa antavaa tietoa aiheesta eikä kartta pahasti johda harhaan. Luokittelulla olisi voinut vaikuttaa kartan tulkintaan paljonkin.

Koropleettikarttasäännöstön mukaisesti kartassa ei esitetä absoluuttisia lukuja vaan väestömäärään suhteutettua tietoa. Värien käytön osalta voi miettiä, olisivatko sävyerot pitäneet olla vielä suuremmat, jotta oranssin eri sävyt eivät vain vilisisi silmissä. Mielestäni kartalta saa kuitenkin suhteellisen vaivattomasti yleiskäsityksen muuttujan alueellisesta esiintymisestä.

Mielenkiintoinen esimerkki koropleettikartasta löytyy esimerkiksi Martta Huttusen blogista (2021), jossa on esitetty saamenkielisen väestön osuus kunnittain. Aihetta on myös pohdittu ja taustoitettu kattavasti kartan antaman informaation lisäksi.

Yhteenvetona voisi ensimmäisestä kotitehtävästä todeta, että QGISissä on loputtomasti ominaisuuksia ja opeteltavaa, mutta Googlesta löytyy aika paljon apua, kun törmää johonkin ongelmaan. Myös ihan vaan kokeilemalla voi onnistua, mutta itselleni kokeilut eivät tuottaneet suurta menestystä. Opin kuitenkin joitain asioita aineistojen liittämisestä toisiinsa, vaikken vieläkään ihan ymmärrä, mitä tein – seurasin vain ohjeita. Jäin miettimään, olisiko avoimesta rajapinnasta ladatun kuntakartan saanut jotenkin toimimaan kunnolla niin, että siitä olisi voinut valita yksittäisiä kuntia jne. Onnistuiko joku tässä, vai onko se ylipäätään mahdollista?

 

Lähteet:

Gandhi, U. (N.d.). Performing table joins (QGIS3). QGIS tutorials and tips. Haettu osoitteesta https://www.qgistutorials.com/en/docs/3/performing_table_joins.html

Huttunen, M. (22.1.2021). Harjoitus 1. Haettu osoitteesta https://blogs.helsinki.fi/humartta/2021/01/22/harjoitus-1/

Maanmittauslaitos. (N.d.). Katselu- ja latauspalvelut. Haettu osoitteesta https://www.maanmittauslaitos.fi/kartat-ja-paikkatieto/paikkatietojen-yhteentoimivuus/inspire/katselu-ja-latauspalvelut

Paarlahti, A. (2020). Teemakarttojen lukeminen [PowerPoint-esitys]. Haettu Moodlesta.

Pubben, K. (23.4.2019). Converting a string field to a numerical field in QGIS. Silver Spring Energy Consulting Ltd. Haettu osoitteesta https://silverspringenergy.com/converting-a-string-field-to-a-numerical-field-in-qgis/

Sotkanet. (2019). Työkyvyttömyyseläkettä saavat 25 – 64-vuotiaat, % vastaavanikäisestä väestöstä. Haettu osoitteesta https://sotkanet.fi/sotkanet/fi/taulukko/?indicator=szbxBwA=&region=VVC7DgMxCPujSDyi04nv6NIlQ6Wu_f_twM61VJEA2Q4YQocucQ0dstTiVSmOjB6GGsSuzy9iMX8asfAhiWvl5bKV4jJF6wE3ppQDvIf2CeJ_87R11SqNNNBlxFsXJ9E-7bbMDtxo5cAWjJTmRknm91qolN3eu-LcvozH8nYORtLAJ_3auM1CcWL58M964oKPCw==&year=sy6rAgA=&gender=t&abs=f&color=f&buildVersion=3.0-SNAPSHOT&buildTimestamp=202010160741

Typen päästöjen osuus valtioittain (johdatus QGIS-maailmaan)

Ensimmäisellä luentokerralla laadittiin yhdessä QGISillä kartta typen päästöjen osuudesta valtioittain Itämeren alueella.

Ensimmäisen kurssikerran harjoittelun tuloksena syntynyt kartta typen päästöistä Itämeren alueella.

Tämän kartan tarkoituksena oli lähinnä toimia johdatuksena QGIS-ohjelman käyttöön, joten ei siitä sen enempää. Näyttää kartalta.