junelli's blog

Koska kaikki hyvä, myös gis-kurssi, loppuu aikanaan, voin nyt julistaa kurssiblogini olevan valmis. Kiitän kurssista ja heitän heipat QGIS:lle, ainakin toistaiseksi.

Tämä tapahtumarikas kurssi alkaa pikkuhiljaa olla taputeltu. Se on saanut aikaan epätoivoa, nöyrtymistä, turhautumista ja niiden yhdistelmänä suorastaan ylivoimaisen kärsivällisyyskyvyn. Toisaalta se on antanut riemun hetkiä QGIS:in vihdoinkin toimiessa puolen päivän yrittämisen jälkeen. QGIS:in monimutkaisten toimintojen salat ovat jo osittain selvinneet ja olen oppinut ymmärtämään jo aika paljon tietokantojen yhdistelystä, puskuroinnista ja muista oleellisista toiminnoista. Tämänhetkisen gis-tiedon määrä on valtava verrattuna ensimmäiseen kurssikertaan, vaikka aloittelijoitahan tässä ollaan. Kaiken kaikkiaan kurssi on ollut tosi opettavainen ja hyödyllinen kokemus!

Teknisen puolen lisäksi karttojen visualisoinnissa on myös tapahtunut paljon kehitystä. Olin varsin tyytyväinen ensimmäisellä kurssikerralla tehtyyn karttaan, mielestäni värit sopivat hyvin ja se oli miellyttävän näköinen. Nykyisin en voisi enää ikinä tehdä yhtä hirveän väristä karttaa: varsinkin vihreä suorastaan kirkuu kartasta. Lisäksi näin jälkikäteen ajateltuna muutama aiempi kartta on nyt paremman näköinen kuin niiden valmistamishetkellä tuntui, esimerkkeinä Suomen valuma-aluekartta ja ruutukartta. Niiden värit ovat oikeastaan aika hyvät ja ne on tehty huolella. Myös legendan ja muiden elementtien sijoittaminen on tullut huolitellummaksi. Onnistuneimmat kurssin aikana tehdyt karttani ovat kuitenkin mielestäni viimeiseltä 7. kurssikerralta, sillä niissä yhdistyvät maltilliset värit, neutraali tausta ja selkeys. Kai sitä voisi todeta, että tiedot ja taidot riittävät jo hyvin ihan perussiistin kartan tekemiseen. (:

Vaikka aina ei kyllä ole siltä tuntunutkaan, on tässä yli seitsemän viikon aikana tullut opittua vaikka mitä. Tämä ilmenee etenkin siten, että tehtäviä tehdessä kuluu huomattavan paljon vähemmän aikaa ylimääräiseen sähläämiseen. Sen sijaan toimintojen käyttö on huomattavasti suoraviivaisempaa, osaa niistä ei tule edes ajateltuakaan vaan hommat luonnistuvat melkein itsestään. Toki suuri osa toiminnoista on vielä hakusessa, ja niiden oppiminen edellyttää vain runsaasti lisäharjoitusta. Tie GIS-velhoksi on siis avoinna, mutta se vaatii vielä paljon työtä.

 

Viimeisen kurssikerran tehtävänä oli tehdä oma kartta käytännössä alusta asti, aineiston etsimisestä lähtien. Kävin korvaamassa lakon vuoksi peruuntuneen tunnin perjantain ryhmässä.

Koska tehtävässä oli kaksi suoritustapaa, valitsin niistä vaihtoehdon 1. Se ohjeisti esittämään kartan haluamastaan alueesta ja aiheesta vähintään kahden muuttujan kautta. Päätin käyttää tilaisuuden hyväksi ja ottaa käsittelyyn itseäni vähän enemmän kiinnostavan luonnonmantsan. Aiheeksi halusin valita tällä kertaa jonkin biodiversiteettiin ja ilmastoon liittyvän, kohdealueekseni valitsin Brasilian. Kuitenkin etsiessäni dataa projektiani varten vastaan tuli helpommin saatavilla olevia aluejako- ja väestöaineistoja, joten päätin tehdä kartan ainakin niistä. Myöhemmin tiukemman etsinnän seurauksena löysin myös alunperin kaipaamiani aineistoja. Karttojakin tuli tehtyä vähän enemmän kuin yksi.

Käytin aineistoja muutamasta eri lähteestä. Pohjalle valitsin saman maailmankartan kuin edellisessä hasarditehtävässä.  Etelä-Amerikan valtioiden rajat hain DIVA-GIS -sivustolta, värjäsin ne neutraalilla taustavärillä. Tiestön ja suurimmat kaupungit latasin Natural Earth -sivustolta. Näistä muodostui kartta Brasilian suurimmista teistä ja väkiluvullisesti jaotelluista kaupungeista (kuva 1). Kartassa on selkeästi näkyvillä alueiden ero Brasilian sisällä: itä- ja varsinkin kaakkoisosat valtiosta ovat tiheimmän infrastruktuurin ja väkirikkaimpien kaupunkien aluetta. Sen sijaan Amazonin allas sekä maan pohjois- ja länsiosat ovat hyvinkin harvaa aluetta. Tämän selittää tietysti erot näiden alueiden saavutettavuudessa sekä valtion asukkaiden väliset valtavat tuloerot. Nämä puolestaan heijastuvat myös infrastruktuurin laatuun, sillä varoja käytetään suurkaupunkeihin ja niiden väliseen saavutettavuuteen sisämaan pienempien kaupunkien sijaan. Väkiluvullisesti suurimpia kaupunkeja ovat São Paulo, Rio de Janeiro, Brasília, Salvador, Curitiba, Belo Horizonte ja kartalla poikkeuksena muiden väestökeskittymien sijaintiin nähden Manaus. Jälkeenpäin ajateltuna kaupungit olisi voinut esittää myös erikokoisina ympyröinä yksilöllisesti niiden väkiluvun mukaan, jolloin esityksestä olisi tullut varmaan vielä havainnollisempi.

Seuraavaksi tein kartan Brasilian 27 osavaltion väestöntiheydestä (kuva 2). Osavaltio-aineisto on myös DIVA-GIS -sivustolta. Aloitin kartan valmistamisen liittämällä väestöntiheystietokannan osavaltiotietokantaan ja visualisoimalla sen. Lisäsin vielä kaupunkiaineiston havainnollistamaan karttaa. Väkirikkaiden kaupunkien ja väestöntiheyden välillä näkyy positiivinen korrelaatio etenkin valtion itäkulmassa sekä koillisrannikolla. Sen sijaan esimerkiksi Amazonasin osavaltiossa melko suuresta Manauksen kaupungista huolimatta väestöntiheys on huomattavan matala, onhan osavaltio muuten hyvin harvaan asuttu. Kokonaisuudessaan rannikkoalueet ovat tiheimmin asuttuja hyvän saavutettavuutensa ja infrastruktuurinsa ansiosta. Sisämaassa asutus perustuu pitkälti pienempiin asutuskeskittymiin sekä alkutuotannon harjoittajiin, lisäksi saavutettavuus on heikompi.

Tein vielä Brasilian väestösta toisenlaisen esityksen kokeilemalla taas interpolointimaista karttaa (kuva 3). Se näyttää koropleettikarttaan verrattuna ihan kivasti nimensä mukaisesti myös väliarvot, jolloin kartasta saa vähän luontevamman käsityksen ilmiöstä. Ennen tätä lopullista versiota kokeilin myös toista väriyhdistelmää (kuva 4). Se kuitenkin näytti vähän liikaa siltä kuin koko Brasilia olisi tulessa joten päädyin vähän haaleampiin väreihin. 😀

Sitten löysin superkiinnostavaa aineistoa Global Forest Watch -sivustolta. Täältä löysin myös varsin havainnollistavan, tehokkaan ja samalla masentavan esityksen biomassamuutoksista vuosien saatossa, suosittelen! (linkki lähteissä) Sieltä saa valittua esitettäväksi myös alkuperäiskansojen alueet sekä istutetut puut jopa lajeittain.

Valitsin esitettäväksi omalla kartallani hakatut ja istutetut puut. Latasin myös joet ja järvet Natural Earth -sivustolta. Tuloksena onkin siten kasvillisuusmuutoskartta (kuva 5). Kartasta näkyy, kuinka Amazon ja sen ympäristö on intensiivisten metsähakkuiden uhri. Erityisesti hakkuut keskittyvät alueille, joille pääsy on helpompaa: joen rannoille ja metsän reunalle. Laaja hakkuualue ulottuu myös Amazonin deltan sekä Belémin ja São Luísin kaupunkien läheisyyteen, jossa on myös mangrovemetsää rannikolla. Amazonin sademetsä kutistuu ja köyhtyy. Surullista. Olisin halunnut liittää tähän myös Brasilian alkuperäiskansojen alueet ja tarkastella heihin kohdistuvaa sortoa hakkuiden kannalta, mutta aineiston lataus ei onnistunut.

Kartalla näkyvät myös istutettujen puiden alueet. Ne keskittyvät pääosin maan etelä- ja kaakkoisosiin, mutta muutamia spotteja on myös Amazonin hakkuualueiden välissä. Ehdin jo heittäytyä toiveikkaaksi siitä, että ehkä kaikki monimuotoisuus ei olekaan vielä tuhoutumassa ja että istutetaan uutta metsää tuhoutuneen tilalle. No niin istutetaankin, paitsi että se on kaupallista monokulttuuriviljelyä. Attribuuttitaulun avatessani istutettu kasvillisuus paljastui muun muassa eukalyptukseksi ja öljypalmuksi. Valitettavasti kyseinen luonnonmetsät rahaplantaaseiksi -trendi on harmillisen  yleinen Brasilian kaltaisilla monimuotoisuusalueilla.

Hakkuut ja monokulttuuri aiheuttavat merkittäviä rasitteita alueen eläimistölle. Asiaa ei ainakaan auta useiden lajien endeemisyys eli kotoperäisyys. Kuten myös Tuomas Kirjavainen esittää blogissaan, Brasiliassa uhanalaisia eläinlajeja on noin 370-675, joista lähes viidennes on erittäin uhanalaisia. Tropiikissa moni puulaji toimii avainlajina, jolloin sen väheneminen ja häviäminen voi aiheuttaa koko ekosysteemin tasapainon järkkymisen ekolokeroiden järjestyessä uudelleen. Esimerkiksi tästä syystä tiettyjen puulajien säilyminen on tärkeää. Tässä yhteydessä voidaan puhua puista myös sateenvarjolajeina; puulajin suojeleminen edesauttaa myös siitä hyötyviä ja siitä riippuvaisia lajeja. Sateenvarjolaji eroaa avainlajista etenkin siten, että sen merkitys on sidottu sen maantieteelliseen levinneisyyteen (lähde: National Geographic). Kaiken kaikkiaan pienetkin muutokset eliöiden biotoopissa voivat altistaa ne vaarantumiselle.

Brasiliassa eliöiden sukupuuttojen keskeisimpiä aiheuttajia on kolme: metsästys kattaa 25%, elinympäristöjen tuhoutuminen 36% sekä kilpailevat lajit 39% (lähde: Lonely Planet). Esimerkiksi koirat, siat ja rotat ovat aiheuttaneet tuhoa jopa tuhansia pienempiä lajeja kohtaan. Lisäksi tietysti uhanalaisen lajin suppea geenipooli heikentää sen selviytymismahdollisuuksia. Lisää tietoa uhanalaisista ja sukupuuttoon kuolleista eliöistä ympäri maapallon tarjoaa kansainvälisen luonnonsuojeluliiton punainen lista, joka on muuten surullisin sivusto ikinä.

Takaisin mantsaan ja karttoihin. Kartta olisi ollut ehkä fiksumpaa esittää kahtena niin, että hakatut puut ja istutetut puut olisivat yksittäisinä karttoinaan. Näin voitaisi välttää mahdollinen päällekkäisyys ja ilmiön vääristyminen aineistoissa, vaikka sitä ei näiden kyseisten aineistojen juuri ilmenekään. Toisaalta halusin esittää ilmiön yhtenä karttana, sillä se korostaa kahden muuttujan erilaista alueellista jakautumista.

Lopuksi halusin vielä tutkia visualisoinnin muita asetuksia. Tähän valitsin testiaiheeksi Brasilian kuusi suurekosysteemiä, aineistot sain taas Global Forest Watch -sivustolta. Tarkoituksena oli käyttää rastereita eri alueiden kuvaamiseen, mutta löysin jotain vielä kiinnostavampaa; kuvan lisääminen aluekohteeseen. Niinpä vaihdoinkin kohteen tyylittelyssä “simple fillin” tilalle “raster image fill” ja aloin puuhastella sen kanssa. Vein homman vielä pidemmälle ja pelkän googlettelun sijaan avasin Google Earthin, menin halutun biomin esiintymisalueelle ja nappasin sieltä näkymän kuvaksi. Tuloksena on kuvallinen kartta Brasilian biomialueista (kuva 6). Kartasta ei tullut niin hieno kuin kuvittelin, sillä kuvia piti vähän säädellä jotta niistä näkyisivät halutut osat kartalla. Silti osaan jäi mukaan taivasta tai vaikka aidantolppaa. Selkeyden vuoksi karttaan olisi voinut lisätä vielä rajat biomityyppien välille. Suoraan sanottuna kartta on kamalan sekava, mutta se oli ainakin ihan hauskaa vaihtelua perustäyttöväreihin! Ohessa vielä biomirajat yksinkertaisemmin esitettyinä (kuva 7).

Tehtävä onnistui tekniikan puolelta oikein hyvin, eikä vastaan tullut mitään suurempaa ongelmaa. Toisaalta eipä siinä oikeastaan tarvinnutkaan tehdä mitään kevyttä tietokantayhdistelyä monimutkaisempaa. Kasvillisuusmuutoskartalla olisin tosin halunnut kokeilla eritellä istutettujen puiden lajeja, mutta se oli liian iso pala QGIS:lle ja se protestoi hävittämällä kartalta näkyvistä kaiken muun paitsi muutostietokannat, taustakartan ja jostain kumman syystä Chilen. Annoin siksi kartan olla vähän yksiselitteisempi. Kartoissa jäi häiritsemään legendan lukemien päällekkäisyys, vaikka luokkien pitäisi poissulkea toisensa. Olen kuitenkin tyytyväinen karttoihini, suurin osa on visuaalisesti selkeitä. Aiheesta riippumatta ulkonäöltään suosikikseni nousi ehdottomasti kasvillisuusmuutoskartta. Se on mielestäni erityisen onnistunut ja esittää ilmiön tehokkaasti. Pidän myös ensimmäisestä tie- ja kaupunkikartasta, sillä se on aika simppeli ja neutraali. Väestöntiheyttä osavaltioittain kuvaavan kartan värivalinta jäi jälkeenpäin vähän mietityttämään, sillä violetti ei jotenkin sovi aiheeseen värin viileyden vuoksi. Toisaalta, joku puna- tai keltasävyinen olisi hukuttanut kaupunkien väriluokat jotka halusin pitää samana kuin toisessakin kartassa. Vihreän taas yhdistän enemmänkin luonnonilmiöiden kuvaamiseen, joten se olisi voinut olla vähän harhaanjohtava. Tällä kertaa ehkä jopa mustavalkoinen olisi voinut soveltua aiheeseen. Väreillä on oikeasti suuri merkitys kartan visuaalisuudessa, sillä niillä on helppo ohjailla myös katsojan mielikuvia kartalla kuvattavasta ilmiöstä.

Tykkäsin tosi paljon myös tämän kurssikerran tehtävästä, kun sai valita aika vapaasti esitettävän aiheen. Datan löytäminen oli helpompaa kuin oletin, vaikkakin riippuen varmasti kohdealueesta ja siitä saatavilla olevan tiedon määrästä. Kokonaisuudessaan tehtävä antoi hyvin suuntaa koko kartanvalmistusprosessista. Uusi lempparikurssikerta (:

 

Lähteet ja viittaukset:

DIVA-GIS <http://www.diva-gis.org/gdata> Luettu 1.3.2018

Natural Earth <http://www.naturalearthdata.com/downloads/> Luettu 1.3.2018

Global Forest Watch <http://data.globalforestwatch.org/> Luettu 2.3.2018

Global Forest Watch (karttaesitys) <http://climate.globalforestwatch.org/map/3/-21.14/-48.60/BRA/dark/biomass_loss?begin=2001-01-01&end=2017-01-01&threshold=30> Luettu 2.3.2018

National Geographic (1996-2018) <https://www.nationalgeographic.org/encyclopedia/keystone-species/> Luettu 7.3.2018

Lonely Planet (2018) <https://www.lonelyplanet.com/brazil/wildlife/endangered-species> Luettu 7.3.2018

All you need is Biology <https://allyouneedisbiology.files.wordpress.com/2016/05/mapa.gif?w=297&h=287> Luettu 3.3.2018

Kirjavainen, Tuomas. Seitsemäs kurssikerta – Biogeografiaa feat. QGIS (1.3.2018) <https://blogs.helsinki.fi/tuokirja/> Luettu 7.3.2018

Kuudennen kurssikerran keskeisenä aiheena oli pistemäisen datan käsittely. Tätä harjoiteltiin QGIS:llä aineiston kanssa, joka kerättiin itse ulkona kurssikerran alussa. Lisäksi tehtävinä oli tuottaa luonnonmaantieteellisiä hasardikarttoja (jes), joiden periaatteena oli opetuskäyttöön soveltuminen.

Kurssikerralla tehdyssä tehtävässä tutkittiin kerätyn aineston lisäksi katunäkymäkartan kautta tehtyä aineistoa valitun kadun kaupallisuudesta. Kohteille annetut arvot interpoloitiin, jolloin saatiin aikaan varsinaisten arvojen lisäksi myös useita väliarvoja. Kartta esitti korkeimmat arvot saaneet alueet tummempina ja vastaavasti pienemmän arvon saaneet arvot vaaleina. Näin kartta esitti varsin havainnollistavasti alueiden välisiä eroja. Interpolointi onkin keino, jolla voidaan esittää paljon tarkemmin ilmiön voimakkuutta kuin vaikka eriväristen pisteiden avulla.

Itsenäistehtävässä päätin keskittyä seismisyyteen ja vulkanismiin käsittelemällä maanjäristysten ja tulivuorten sijainteja kartalla. Aloitin kokoamalla maanjäristysdatasta kaikki vuoden 2002 jälkeen tapahtuneet järistykset kartalle ja luokittelemalla ne väreittäin magnitudin mukaan (kuva 1). Tästä voidaan havaita, että erittäin merkittävä osa tapahtuneista järistyksistä sijoittuu litosfäärilaattojen saumakohtiin. Lisäksi eniten seismistä toimintaa ilmenee Tyynenmeren tulirenkaan alueella eli Uuden-Seelannin, Indonesian, Filippiinien, Japanin, Aleutien saarikaaren sekä Amerikan mantereiden länsirannikon kautta kulkevalla kehällä. Kyseinen rengas on Tyynenmeren laatan ja sitä ympäröivien litosfäärilaattojen saumakohta, joka on lähes kokonaan subduktiovyöhykettä. Tällöin kevyempi litosfäärilaatta eli esimerkiksi graniitista koostuva mantereinen laatta kohoaa raskaamman, eli basaltista ja gabrosta koostuvan mereisen laatan, päälle. Mereinen laatta puolestaan painuu mantereisen laatan alle, jolloin aiheutuu valtavia kitkavoimia laattojen hankautuessa ja kiilautuessa. Laattojen liike perustuu isostasiaan sekä erilaisiin saumakohtiin. Erkanemisvyöhykkeellä syntyy uutta laattaa rakopurkausten seurauksena. Esimerkiksi Atlantin keskiselänteellä muodostuu jatkuvasti uutta merenpohjaa, eli Atlantti laajenee. Törmäysvyöhykkeillä laattapinta-ala taas vähenee sen painuessa alas. Käytännössä laatat liikkuvat erkanemisvyöhykkeen työnnön ja törmäysvyöhykkeen vedon seurauksena. Vaipan konvektiovirtaukset edesauttavat liikettä. Isostasia eli laattojen pyrkiminen tasapainoon keskenään astenosfäärin päällä on myös merkittävä vaikuttaja.

Maanjäristysten taustalla on yleensä litosfäärilaattojen liike ja siihen liittyvät voimat. Joskus myös tulivuorenpurkaus voi vaikuttaa järistyksen syntyyn ja toisinpäin. Ne eivät kuitenkaan ole suorassa yhteydessä toisiiinsa (lähde: Earth Observatory of Singapore). Järistys voi vaikuttaa purkaukseen muun muassa sen vuoksi, että järistys muuttaa tulivuoren magmasäiliön ja purkauskanavien rakennetta, jolloin esimerkiksi kaasujen paine-erot laukaisevat purkauksen. Maanjäristyksellä on hyposentrumi eli keskus, jossa energian vapautuminen tapahtuu. Lisäksi suoraan hyposentrumin yläpuolella olevaa maanpinnan pistettä kutsutaan episentrumiksi. Täällä järistyksen tuhot ilmenevät. Mitä lähempänä pintaa hyposentrumi on, sitä enemmän vahinkoa se aiheuttaa magnitudista riippuen. Tuhoja voidaan määrittää Mercallin 12-portaisen asteikon pohjalta, joka kuvaa subjektiivisia havaintoja järistyksestä. Sen alimmat luvut kuvastavat ihmisten tuntemuksia, korkeammat lukemat aineellisia vahinkoja (lähde: U.S. Geological Survey). Tutumpi Richterin logaritminen asteikko puolestaan mittaa järistyksessä vapautuvan energian määrää magnitudeina. Esimerkiksi magnitudin <2,0-3,0 järistys havaitaan käytännössä vain mittalaitteilla, >6,0 järistys on voimakas ja vahinkoa aiheuttava.

Laattojen saumavyöhykkeillä esiintyy myös suuri osa tulivuorista. Erkanemisvyöhykkeillä purkaukset ovat lähinnä laattojen raosta tulevia rakopurkauksia. Alityöntövyöhykkeellä vaippaan painuva mereinen laatta sulaa ja kuuma kiviaines kohoaa konvektiovirtauksena kohti maan pintaa. Muodostuu magmasäiliö ja purkauskanava ja tulivuori on valmis. Tulivuoret sijaitsevat yleensä jonkin matkan päässä rantaviivasta kohdassa, jossa alle työntyvä laatta sulaa vähitellen.

No mutta takaisin niiden karttojen pariin. Tarkastelin maanjäristysten lisäksi vedenalaisia tulivuoria selvittääkseni, onko niiden sijainnilla yhteyttä järistyksiin (kuva 2). Suuri osa vedenalaisista tulivuorista sijaitsee litosfäärilaattojen saumakohdissa, vaikka etenkin Tyynellämerellä on myös erillisiä tulivuoria. Kokonaisuudessaan vedenalaisia tulivuoria on siellä missä mantereisiakin, eli laattojen saumakohtien aktiivisilla vyöhykkeillä. Erikoisuutena ovat todennäköisesti kuumien pisteiden kohdalla olevat erilliset vedenalaiset tulivuoret, jotka ovat vasta kehittymässä.

Sitten kokeilin vähän erilaisia esitystapoja maanjäristyksille. Näistä toinen oli järistysten esittäminen värin sijaan koon avulla, jolloin symbolista tuli sitä suurempi, mitä suurempi magnitudi on (kuva 3). Kartta kertoo voimakkaimpien järistysten esiintyneen erityisen runsaina Chilessä ja Indonesiassa. Sen sijaan esimerkiksi Australian eteläpuolella on ollut runsaasti 5,2-5,5 magnitudin järistyksiä. Pieniä 5,0 magnitudin järistyksiä esiintyy myös laattojen keskusalueilla saumakohtien lisäksi. Halusin esittää maanjäristyksiä myös vähän erilailla, joten päädyin kurssikerrallakin harjoiteltuun interpolointiin. Tuloksena syntyi kartta, joka esittää maanjäristyksiä lämpökarttatyyppisesti niiden magnitudin mukaan. Kartta vahvistaa tulkinnat Chilestä ja Indonesiasta aktiivisina seismisinä alueina, ne erottuvat värikkäästi. Siitä voi havaita myös tasaisempaa väritystä eli alemman magnitudin järistyksiä muissa laattojen saumakohdissa. Yllätyksenä itselleni tuli Argentiinan itäpuolella Eteläisellä jäämerellä näkyvä erillinen värikäs kohta. Pienen googlettelun tuloksena selvisi, että alueella on voimakaskin alityöntövyöhyke (kuva 5, lähde: Google Maps). Jälkeenpäin katsottuna se kyllä ilmenee aikaisemmissakin kartoissa, se vain korostui tässä.

Lisäksi päädyin käsittelemään tulivuoria ja maanjäristyksiä samallakin kartalla (kuva 6). Valitsin esitettäviksi yli 7,0 magnitudin järistykset sekä ihan vaan testinä ilman sen kummempia asiayhteyksiä korkeuden mukaan lajitellut tulivuoret. Kartan mukaan voimakkaimmat järistykset ovat tapahtuneet Uudessa-Seelannissa, Indonesiassa, Japanissa, Himalajan vuoristossa ja Perussa. Korkeimmat tulivuoret sijaitsevat Chilessä voimakkaan alityönnön ja vuorenpoimutuksen seurauksena, myös Turkin, Georgian, Armenian ja Himalajan alueilla tulivuoret ovat korkeita. Vedenalaiset eli korkeudeltaan negatiiviset tulivuoret näkyvät kartalla vaaleampana sävynä. Pakko myöntää, että tuli ehkä vähän ihmeteltyä mysteeritulivuorta Ruotsissa. Pettymykseksi se onkin Islannissa sijaitseva Lakagigar -tulivuori, jonka kohdalla on todennäköisesti tapahtunut vain koordinaattivirhe, kuten Eveliina Sirola selvitti blogissaan. Kartassa saattaa siten olla muitakin vähän seikkailevia tulivuoria.

Viimeisenä tein simppelin kartan kahden eri tulivuorityypin esiintymisalueista. Kartta esittää kerros- ja kilpitulivuorten sijainteja (kuva 7). Siitä on havaittavissa suhteellisen selkeä jakautuminen muuttujien välillä, sillä kerrostulivuoret vaikuttavat olevan enemmän sidoksissa laattojen saumakohtiin. Sen sijaan kilpitulivuoria on sekä saumakohdissa että erillisinä. Suuri osa näistä erikseen olevista kilpitulivuorista on saarikaaria, tunnettuna esimerkkinä Havaiji. Ne syntyvät usein kuumien pisteiden yläpuolelle. Kilpitulivuorten basalttinen, juokseva laava tulee syvältä Maan uumenista ja aiheuttaa tulivuoren laakean rakenteen. Sen sijaan kerrostulivuoresta purkautuva laava on peräisin maankuoresta usein sulavasta litosfäärilaatasta, joten se on andesiittista ja jähmeämpää saaden aikaan tulivuoren kartiomaisen rakenteen.

Näiden hasardikarttojen tukena voisi esittää tietysti myös litosfäärilaattojen rajoja esittävää aineistoa (kuva 8). Sen avulla lukija saisi selkeämmän käsityksen aiheesta ja huomaisi positiivisen korrelaation seismisyyden ja vulkanismin sijoittumisen sekä laattojen saumakohtien välillä. Lisäksi kuvassa näkyvät laattojen liikesuunnat, joiden kautta voidaan havaita esimerkiksi törmäys- ja erkanemisvyöhykkeet ja verrata niitä vaikkapa järistysten määrään.

 

 

 

 

Tällä kertaa tekninen puoli karttojen tekemisessä oli varsin selkeä, joten niiden valmistaminen oli nopeaa. Excel antoi lisää valmiuksia taulukkomuotoisen aineiston käsittelyyn. Kartat ovat mielestäni keskimäärin onnistuneita. Eniten häiritsee varsinkin kaikkia maanjäristyksiä esittävällä kartalla symboleiden päällekkäisyys, sillä siitä on vaikeaa erottaa eri voimakkuuksia. Olisi kyllä ollut paljon fiksumpaa rajata esitettävä magnitudi vaikka 6.5 magnitudista ylöspäin nykyisen viiden magnitudin sijaan, kuten esimerkiksi Vivi Tarkka teki omalla kartallaan. Näin olisi voitu välttää kartan sekavuus ja saada siitä visuaalisesti miellyttävä. Tyytyväisin olen interpolointikarttaan, vaikka taustakartta on vähän liian tumma, sekä kahta tulivuorityyppiä esittävään karttaan. Jälkimmäisessä symbolit erottuvat hyvin toisistaan ja kartta on helposti ymmärrettävä. Lähes kaikissa kartoissa olisi voinut tehdä vähän rajausta, sillä nyt osa symboleista tulee reunojen yli. Kaiken kaikkiaan olen karttoihin tyytyväinen. (:

Tykkäsin tosi paljon varsinkin itsenäistehtävästä. Olin ihan fiiliksissä aineistosta ja sillä tulikin kokeiltua vaikka mitä esitystapoja. Oli jotenkin paljon helpompaa toimia myös QGIS:in kanssa kun tiesi täsmälleen mitä halusi esittää ja aihe oli itselle tutumpi ja kiinnostavampi. Lempparikurssikerta tähän asti!

 

Lähteet ja viittaukset:

Earth Observatory of Singapore <http://www.earthobservatory.sg/faq-on-earth-sciences/are-earthquakes-and-volcanic-eruptions-related> Luettu 26.2.2018

U.S. Geological Survey <https://earthquake.usgs.gov/learn/topics/mercalli.php> Luettu 26.2.2018

Google Maps (2018) <https://www.google.fi/maps/@-56.8523581,-42.1455708,2625072m/data=!3m1!1e3> Luettu 26.2.2018

Sirola, Eveliina. Kurssikerta 6: Pakkassäässä reippailua ja pedagogisia karttasarjoja (26.2.2018). <https://blogs.helsinki.fi/evsirola/> Luettu 26.2.2018

Tarkka, Vivi. Vähän maanjäristyksiä ja pari tulivuorta (23.2.2018). <https://blogs.helsinki.fi/vivitark/> Luettu 12.3.2018

Earth’s tectonic plates <https://i.pinimg.com/originals/2c/37/66/2c3766ef8a47430fa9f0fde8f564e84e.gif>

 

Viidennellä kurssikerralla painopiste oli puskuroinnissa ja siihen liittyvien analyysien tekemisessä. Kurssikerran harjoitustehtävän lisäksi oli itsenäisiä puskuritehtäviä sekä vähän pohdintaa QGIS:istä. Ja niin kuin melkein kaikilla kurssikerroilla, ei tämäkään kerta sujunut ilman ongelmia. 

Puskurointia käytetään rajaamaan alueesta vyöhyke tietyllä säteellä ja sitten tutkimaan sen sisälle jääviä muuttujia. Sitä voitaisiin soveltaa esimerkiksi koulupiireissä tutkimalla koulun ympärillä asuvien lasten määrää. Näin olisi mahdollista selvittää eri koulujen lapsimääriä ja ehkä tasapainottaa niitä muokkaamalla koulupiirien rajoja. Toisena sovelluksena voisi olla luonnonmaantieteellisesti vaikkapa tietyn rajatun alueen kasvilajien määrän tutkiminen esimerkiksi 200 m säteellä luonnonlähteestä. Toki siinä olisi aika paljon kenttätyötä, mutta se voisi olla ideana mahdollinen. 

Kurssikerran tehtävässä jatkettiin Pornaisten alueen kanssa. Puskuroinnin kautta tutkailtiin vähän digitoituja teitä ja rakennuksia ja muodostettiin niille buffereita. Tämä onnistui jopa hyvin ja tuntui suhteellisen selkeältäkin. Tämän jälkeen jatkettiin itsenäisten tehtävien kanssa. Niistäpä ei meinannut tulla yhtään mitään. Koska bufferointi alkoi nousta päähän vähän liikaa kurssikerralla, päätin suosiolla jatkaa hommia kotona. No, se hanke tyssäsi aika nopeasti, sillä läppäri totesi kurssikerran aineistokansion olevan turhan paljon pyydetty eikä kovasta suostuttelusta huolimatta halunnut edes ladata sitä loppuun. Ihan ymmärrettävää. Myöhemmin koettelin läppärin itsesuojeluvaistoa vielä kerran lataamalla aineistot, ja ilmeisesti se oli nyt kerännyt lisää rohkeutta ja latasi ne urheasti. Mutta sitten tulikin toinen este; kuten muutamilla muillakin kanssakärsijöillä, läppärin QGIS-versiossa ei ollut ollenkaan Spatial Querya. En oikein osannut soveltaa Join attributes by location –toimintoakaan hieman jo turtuneessa mielentilassa, joten nöyrryin tekemään homman koulun koneella myöhemmin. 

Jotain selittämätöntä oli selvästi tapahtunut jatkaessani tehtävää koululla. QGIS toimi moitteettomasti ja sain tehtyä bufferin toisensa perään ilman mitään vastoinkäymisiä. Tehtävien vaatiessa yhä enemmän soveltamista aikaa alkoi vain kulua enemmän. On kyllä jännä miten voi saada niin paljon iloa irti siitä, että joku asia toimii niin kuin sen pitääkin. Välillä tuntuu että QGIS:in kanssa aina odottaa niitä ongelmia ja ohjelman toimiminen on enemmänkin poikkeus kuin sääntö. Yrittäessäni tehdä asema- ja taajamatehtäviä varsin positiivisin mielin osaamisestani tuli kuitenkin taas palautuminen todellisuuteen. Puskurointi ja sitä edeltäneet osat sujuivat mainiosti, mutta Spatial Queryllä oli muita suunnitelmia. Vaikka tein kaiken samalla tavalla kuin edellisissäkin  buffereissa, ruudulle lävähti aina yhtä piristävä virheilmoitus (kuva 1). Vaikka varmasti jollain vähän etevämmällä GIS-velholla olisi ratkaisu pulmaan, en osannut sitä itse edes googletuksen jälkeen ratkaista. Koska vaihe olisi ollut aika välttämätön tehtävän viimeistelyn kannalta, jäi se minun osaltani nyt tekemättä. Sain kuitenkin poimittua edes suuntaa-antavia lukemia.  

Vuonna 1936 avattu Malmin lentokenttä sijaitsee melko keskeisellä paikalla asutuksen läheisyydessä, mikä on ymmärrettävästi aiheuttanut kiistoja kentän toiminnan ja sen aiheuttaman melun kannalta. Tehtävänä oli tutkia puskuroinnin kautta lentokentän lähellä asuvien ihmisten määrää (kuva 2). Yleisesti ottaen kilometrin säteellä kentästä asuu vähemmän ihmisiä kuin sitä kauempana (taulukko 1), mikä on itsestäänselvyys. Asutus sijoittuu suureksi osaksi kentän länsipuolelle, kaakkoispuolen asumattomuutta selittävät Lahdenväylä sekä teollisuusalue. 

Vastaavanlainen tehtävä toteutettiin myös Helsinki-Vantaan lentokentän kanssa. Puskuroinnin tuloksena saatiin selville, että tämän kentän läheisyydessä on huomattavasti vähemmän asutusta kuin Malmin kentän vieressä (taulukko 2). Pahimmalla melualueella eli noin 65dB altistamina asuu noin 31 ihmistä, joka on 0,26% 2 km säteellä kentästä asuvista. Vähintään 55dB melualueella asuu 12 134 ihmistä, mikä on aika paljon jatkuvan melualtistumisen kannalta. Harjoituksessa tutkailtiin myös mahdollisen kiitoratamuutoksen aiheuttamaa melua Tikkurilan puolella. Nyt en kyllä ole ihan varma että teinkö oikein, mutta määrittäessäni Tikkurilan suunnalla altistuvien määrää sain tulokseksi 12 573 ihmistä. Kuten Tuuli Lahin toteaa blogissaan, matkustelu ja kaupungistuminen sekä niiden seurauksena lentokenttäliikenne kiihtyvät, mikä lisää melun määrää. Melu on asutukselle jatkuva rasitustekijä.  

Tosiaan näissä kahdessa seuraavassa tehtävissä sain tehtyä lähinnä bufferoinnit. Ensimmäisessä tutkailtiin asemien läheisyydessä asuvien ihmisten määrää. 500 m päässä asemista näyttäisi olevan 9718 rakennusta kokonaismäärän ollessa 90725 koko pääkaupunkiseudulla mikä on karkeasti 10 %. Saavutettavuuden  kannalta luku on melko alhainen, toki luku on varmasti eri asukkaita laskettaessa. Taajamatehtävässä puolestaan rakennuksista 53 856 samasta kokonaismäärästä sijaitsi taajamissa. Tämä vastaa noin 60 % pääkaupunkiseudun asutuksesta, mikä on tietysti selitettävissä eri maankäyttömuotojen perusteella: keskusta-alueilla liiketoiminta ja kaupallisuus dominoivat tontteja, jolloin asutus sijoittuu toimintojen ympärille. Rakennusten määrää taas selittävät lähiöiden omakotitalot kerrostaloihin verrattuna, eli yksittäisiä rakennuksia on itsessään enemmän. Mikäli olisin saanut laskettua asukkaat pelkkien rakennusten sijaan, saataisi samoilla keinoilla prosenttiluku joka kuvaisi pääkaupunkiseudun taajama-astetta.

Koska edelliset tehtävät vähän epäonnistuivat, valitsin suosiolla viimeisistä itsenäistehtävistä helpoimman eli koulutehtävän. Siinä tarkasteltiin koulupiirejä ja oppilaiden määriä (taulukko 3). Tarkemman tutkimuksen kohteena oli SYK eli Helsingin Suomalainen yhteiskoulu ja sen koulupiiri (kuva 3). Muunkielisten oppilaiden suhteellisen korkeaa määrää mahdollisesti selittää koulussa opiskelun kielipainotteisuus. Kokonaisuudessaan kouluikäisiä oppilaita on kyseisessä koulupiirissä melko paljon, vaikka ihan kaikki eivät välttämättä SYKiin menekään. Jotenkin kyseenalaistan tutkailuni tulokset, mutta enpä toisaalta osannut laittaa edes oppilaiden ikää oikein; ekaluokkahan aloitetaan 7-vuotiaana ja yläasteikäisiin sisältyvät myös 16-vuotiaat. Hups.

Puskurointi on periaatteessa hyvin ymmärrettävissä ja menetelmänä käytännönläheinen, mutta sen tekeminen ohjelmassa oli vähän haastavaa. Tuntuu kuitenkin, että nyt osaan puskuroinnin perusteet ja osaan jo päätellä seuraavien vaiheiden toimintoja. 

 

 

QGIS on tässä viime viikkojen aikana ehtinyt tulla jo vähän tutuksi. Peruspiirteet kurssikerroilla tehtävistä harjoituksista ja niihin tarvittavista toiminnoista ovat jokseenkin hallussa. Tarvitsisin enemmän ymmärrystä ja harjoitusta siitä, miten tietokannat liittyvät toisiinsa ja miten niitä käytetään, eli ylipäätään miksi niillä työskennellään. Haluaisin siis muutenkin oppia hahmottamaan tiettyjen toimintojen, etenkin laskutoimitusten, vaikutusta ja miten ne käytännössä vaikuttavat aineistoon. Tarkemmat analyysit ja monimutkaisemmat laskut ovat tällä hetkellä ihan liian ylivoimaisia. Tämä kurssikerta oli siinä mielessä hyödyllinen, että soveltavissa tehtävissä joutui oikeasti miettimään enemmän kuin valmiiden ohjeiden kanssa.  

Parhaiten ja nopeimmin QGIS:istä ovat tulleet tutuksi piirtotyökalut, kartan visualisointityökalut sekä tulostusikkuna. Näillä työskentely onnistuu lähes täysin ongelmitta. Toki esimerkiksi Corelin käyttö on varmasti antanut valmiuksia myös muiden ohjelmien grafiikkatoimintojen oppimiseen. Mielestäni kartan visuaalisuutta on kiva suunnitella ja hienosäätää, joten niiden nappuloiden löytäminen QGIS:istä on ollut helppoa. Tietysti myös tiedostotyyppien sekä vektori- ja rasteriaineistojen väliset erot ovat helposti ymmärrettäviä, ovathan ne keskeisessä osassa ohjelmiston käytön kannalta. 

QGIS on ohjelmana hyvin monipuolinen ja sillä pystyy varmasti tekemään mitä monimutkaisimpia tehtäviä. Se kuitenkin sisältää myös rajoitteita. Näistä ensimmäisenä mieleen tulee Spatial Query, jota ei ole ollenkaan osassa QGIS-versioista. Se toimii kyllä hyvänä esimerkkinä siitä, miten yksi toiminto tai sen puuttuminen vaikuttaa ohjelmalla työskentelyyn. Toki on varmasti keinoja kiertää tämäkin ongelma, mutta näin QGIS-aloittelijana kovin pitkälle menevä soveltamineen ei ihan onnistu. Ja tietysti QGIS voisi olla aika paljon sisukkaampi; parin tietokannan lisäämisen ei mielestäni pitäisi riittää syyksi koko ohjelman kaatumiseen.  

Kaiken kaikkiaan helpoiten onnistuvat grafiikkatyökalut, heikoiten tilastollisemmat toiminnot. QGIS-osaamiseni ei siten ole todellakaan tasapainoista, mutta ehkä lisätreenillä saisi vähän paremmin ohjelmaa haltuun. Ihan suoraan sanottuna en osaa QGIS:istä paljon mitään, ainakaan niin että ymmärtäisin täysin mitä teen. Kehitystä on kuitenkin tapahtunut hurjasti ekoihin kertoihin verrattuna! 

Jostain syystä blogini tekstit hyppelevät paikoittain ihan miten sattuu jättäen välejä, vaikka olen yrittänyt niitä erikseen korjailla. Ne kuitenkin palautuvat aina takaisin, joten antaa olla sitten.

 

Lähteet ja viittaukset:

Lahin, Tuuli. Kerta 5: Itsenäistehtävät ovat liikaa QGIS:lle (19.2.2018) <https://blogs.helsinki.fi/lahintuu/> Luettu 21.2.2018

Neljännellä kurssikerralla aiheena olivat ruututeemakartan tekeminen pääkaupunkiseudun väestötiedoista sekä rasteriaineistojen käsittely QGIS:issä.  

Ruututeemakarttaa varten piti yhdistää pistemuotoista dataa ruudukon polygoneihin ja siten visualisoida haluttua ilmiötä ruutuina. Tehtävän vaiheet kurssikerran aikana käytyinä olivat tällä kertaa itselleni jotenkin hyvin vaikeaselkoisia. En oikein meinannut pysyä mukana opastuksessa, johtuen ehkä siitä, että kone kaatuili jälleen vähän väliä. Ruudukon lisääminen ja tietokantojen yhdistäminen onnistuivat kuitenkin jotenkuten, ongelmana oli saada visualisoitua ilmiötä niin että lukemat olisivat edes jotenkin järkevät. Yrittäessäni tehdä karttaa uudelleen kotona se alkoi selkeytyä. Periaatteessa tiesin, mitä pitäisi tehdä, mutta en löytänyt siihen ihan oikeita toimintoja. Lopulta sain siis jonkinlaisen kartan tehtyä (kuva 1), en kyllä mene takuuseen siitä että se pitää paikkansa. Ruutukoko on 750m x 750m.

Kartalla näkyy, kuinka asukkaiden keski-ikä vaihtelee alueittain aika sekalaisesti. Yhtenäisenä alueena, jonka keski-ikänä on 37-48 vuotta, näkyy kuitenkin kehäradan seutu. Kyseisellä alueella asuu paljon työssäkäyviä ja lapsiperheitä, mikä selittää ikähaarukkaa. Helsingin keskustassa sekä Itä-Helsingissä puolestaan asukkaiden noin 27-48 vuoden keski-iän vaihtelu on myös vähäistä johtuen muun muassa opiskelijoiden määrästä. Kartan esittämistä keski-ikäalueista ei kuitenkaan voi tehdä yleistyksiä. 

Ruututeemakartasta tuli aika sekava ja epäinformatiivinen. Ensinnäkin luokkarajat eivät ole toisiaan poissulkevia, mikä vääristää aineistoa. Lisäksi kartta ei kerro juuri mitään pääkaupunkiseudun asukkaista, sillä esimerkiksi luokkaan 1-27 sisältyy ihan liian erilaisia ihmisiä. Kaiken kaikkiaan kartta on siis heikosti tulkittavissa ja muutenkin aika huono. Positiivisena osana se sentään sisältää mittakaavan, legendan ja pohjoisnuolen eli muut osat ovat jotakuinkin kunnossa. Lisäksi pidän sen visuaalisesta ilmeestä, sillä värit ovat tasapainossa ja ruudukko mukailee rannikon rajoja.

Ruudukon koko vaikuttaa paljon kartan ulkonäköön ja informatiivisuuteen. On tärkeää valita ilmiön kannalta sitä selkeästi kuvaava koko. Kuten Jannika Brofelt toteaa blogissaan, esimerkiksi ruutukoko 250m x 250m voisi olla tehtävän mittakaavaan nähden liian pieni. Toisaalta pienessä ruutukoossa on etunsa: sillä voitaisi saada aikaan kartta, joka kuvaa paremmin alueellista tietoa, kuten Emmi Hagelberg pohtii blogissaan. Esitystavan valintaan vaikuttavat siis monet tekijät liittyen sekä kartan visuaalisuuteen että tietoarvoon, ja esimerkiksi eri ruutukoot soveltuvat omalla tavallaan kuvaamaan erilaisia ilmiöitä.

Ruututeemakartta eroaa visuaalisuudeltaan tavallisesta koropleettikartasta. Ehkä keskeisimpiä eroja on aluerajaus: koropleettikartta noudattaa yleisesti valmiita rajoja, mutta ruututeemakartan rajaus on keinotekoinen ja kartantekijän muokattavissa. Absoluuttisten lukujen esittäminen ruututeemakartalla on ihan okei, koska kaikki ruudut ovat pinta-alaltaan samankokoisia. Tulos ei silloin vääristy. Esimerkiksi Suomea tarkasteltaessa koropleettikartalla on aika iso ero verrata Lapin ja Uudenmaan maakuntia toisiinsa absoluuttisilla arvoilla kuin suhteellisilla arvoilla niiden pinta-alaerojen vuoksi. Informatiivisuutensa kannalta ruututeemakartta on rajatumpi kuin koropleettikartta, sillä karsimisensa ansiosta se esittää tietoa vain siellä missä sitä on. Ruudut myös esittävät ilmiön voimakkuutta vähän selkeämmin kuin pisteet, sillä kuten Liisa Niemi toteaa blogitekstissään, lukuarvojen erot ovat paremmin nähtävissä ruutujen täytevärien erojen ansiosta. Toki pisteitä saa sijoitettua tarkasti juuri ilmiön esiintymispaikkoihin, mikä ei kovin suurella ruutukoolla ole mahdollista. 

Toisessa tehtävässä aloitimmekin QGIS:in opettelun kannalta uudenlaisella aineistomuodolla, rasteriaineistolla. Tarkoituksena oli yhdistää aineiston osat ensin toisiinsa, minkä jälkeen tulos värjättiin korkeussuhteiden mukaan ja siihen lisättiin korkeuskäyrät. Lisäksi siitä tehtiin rinnevarjostus helpottamaan pinnanmuotojen tulkintaa. Tähän asti kaikki sujui varsin mallikkaasti. Sitten piti vielä liittää aineiston päälle peruskarttalehti, josta näkisi vähän tiestöä ja rakennuksia pienimuotoista digitointia varten. No, peruskarttalehti kyllä tuli ihan nätisti muiden tietokantojen seuraksi, ongelmana vain oli etten saanut sitä näkymään muiden tasojen päällä. Se oli olemassa olematta olemassa. Pääsin kuitenkin eteenpäin tekemällä kaikki vaiheet uudelleen QGIS:n toisella versiolla. Teknisiltä ongelmilta ei siis vältytty tälläkään kertaa.  

Kotitehtävänä oli vertailla peruskarttalehden ja erillisen rasteriaineiston korkeuskäyrien sijoittumista. Paituli-kartan korkeuskäyrät ja QGIS:in lisäämät käyrät eroavat toisistaan yleistysasteen osalta. Peruskarttalehden käyrät ovatkin huomattavasti sulavalinjaisempia kuin varsinaiseen rasteriaineistoon perustuvat käyrät, joissa on enemmän pirstaleisuutta. Peruskarttalehden käyriä on pyritty siistimään mittakaavaan sopiviksi sekä tulkinnan kannalta selkeiksi, minkä vuoksi yksityiskohtia on jätetty pois. Korkeuskäyrien vastaavuus vaihtelee; tietyissä kohdissa ne kulkevat täysin yhtenäisesti, kun taas toisaalla niiden välillä on merkittäviä eroja (kuva 2). Toki eroavaisuuksia selittää myös käyrien mittausetäisyydet, sillä rasteriaineistoon perustuvien käyrien väli on 5m, peruskartan käyrien väli lyhimmillään 2,5m (lähde: Peruskartan merkkienselite, MML). Kummatkin korkeuskäyrät kertovat maaston olennaisimmat kohoumat ja painaumat pääpiirteissään. 

Kurssikerta ei ehkä ollut omalta osaltani paras tai opettavaisin, mutta kyllähän sen sai rämmittyä läpi. Ehkä ensi kerralla paremmin :). 

 

 

 

Lähteet ja viittaukset: 

Niemi, Liisa. 4. Kurssikerta: pään lyömisestä positiiviseen yllätykseen (9.2.2018) <https://blogs.helsinki.fi/nliisa/> Luettu 10.2.2018

Brofelt, Jannika. Ruutuja, ruutuja, ruutuja (17.2.2018) <https://blogs.helsinki.fi/brofeltj/> Luettu 12.3.2018

Hagelberg, Emmi. Neljäs luento: Ruutukartastoa (11.2.2018). <https://blogs.helsinki.fi/hagemmi/> Luettu 12.3.2018

Maanmittauslaitos <http://www.maanmittauslaitos.fi/sites/maanmittauslaitos.fi/files/old/karttamerkkien_selitys.pdf> Luettu 8.2.2018

Kolmannella kurssikerralla tutkailtiin Afrikan valtioita, konflikteja ja luonnonvaroja tietokantojen yhdistelyn kautta. Vertailimme myös Internetin ja Facebookin käyttäjien määrää suhteessa väkilukuun valtioittain. Kotitehtävässä laadittiin teemakartta tulvaindekseistä Suomessa. Tämä kurssikerta oli siinä mielessä poikkeuksellinen, että tein oman ennätykseni QGIS:in kaatumisessa: kertoja tuli kurssikerralla neljä tai viisi, lisäksi myöhemmin vielä kolme lisää! No mutta, sellaista sattuu ja tulipahan ainakin ihan kiitettävästi kertailtua niitä toimintoja :).

Viimekertaisen hehkutuksen jälkeen oli aika palata maan pinnalle QGIS:in teknisen puolen kanssa. Kurssikerralla käytiin läpi muutama uusi toiminto, joista olin kyllä suoraan sanottuna ihan pihalla vaikka seurasin tarkasti ohjeistusta. Saattaa toki olla niinkin, että ohjelman tyssääminen puolen tunnin välein ehkä vaikutti ohjauksen mukana pysymiseen. Eniten uusista jutuista ongelmia aiheuttivat tietokantojen yhdistelyt sekä niiden laskutoimitukset. Tästä syystä minulta meni käytännössä kokonaan ohi vaihe, jossa piti laskea konfliktien esiintymistä vuosittain tai timanttien löytymistä valtioittain. Lopputuloksena Afrikkakarttani ei ollut mitenkään erityisen informatiivinen, enkä juurikaan ehtinyt analysoida siinä käsiteltyjä muuttujia. Oli kuitenkin esimerkiksi havaittavissa, että Internet-käyttäjien määrä vaihteli valtioittain suurestikin ja että timanttien löytymisellä ja konflikteilla on mahdollinen yhteys toisiinsa.

Afrikassa Internetin käyttö on yleistynyt viime vuosina ja vuosikymmeninä. Väkiluvun kasvun lisäksi myös infrastruktuuri ja alueiden verkostuminen on kehittynyt paljon, mikä on mahdollistanut myös nettiyhteyden. Kuitenkin kehitys ei ole ollut tasaista maanosan sisällä, vaan rannikkoalueet ovat sisämaata edellä. Tämä heijastuu myös Internetin käyttöön; erityisesti mantereen keskiosissa käyttö on hyvin vähäistä, kuten Lyyra Furu huomauttaa blogissaan. Syynä ovat esimerkiksi sisämaan heikompi saavutettavuus ja suuret tuloerot rannikkoalueiden kanssa, eli mahdollisuudet nettiyhteyden muodostamiselle ovat ylipäätään huonommat.

Kurssikertaan liittyvässä harjoitustehtävässä kohdealueena oli jälleen Suomi, tällä kertaa vesistöaiheiden näkökulmasta. Tehtävänä oli tosiaan tuottaa teemakartta Suomen valuma-alueiden tulvaindekseistä sekä liittää karttaan valuma-alueiden järvisyysprosentit (kuva 1). Tulvaindeksiä varten piti kuitenkin ensin tehdä parit tietokantojen yhdistelyt, sillä sen laskemiseen tarvittiin keskiylivirtaaman (MHQ) ja keskialivirtaaman (MNQ) suhde. Virtaamalla tarkoitetaan vesiuoman poikkileikkauksen läpi virtaavaa vesimäärää litroina tai kuutiometreinä sekunnissa. Tulvaindeksi taas kuvaa tulvahuipun moninkertaisuutta uoman keskivirtaamaan verrattuna.

Teemakartasta huomataan kvantiilien värisävyn perusteella, että tulvaindeksi on korkein Uudenmaan ja Varsinais-Suomen maakunnissa sekä Pohjanmaan maakunnissa. Tämä voidaan selittää muun muassa pinnanmuotojen perusteella: Etenkin Pohjanmaa on hyvin tasaista seutua, jolloin pintavalunta on vähäistä ja vesi jää seisomaan. Toinen merkittävä tekijä on kartallakin esitetty järvisyys. Järvien määrän ja tulvien välillä on korrelaatio, sillä mitä enemmän järviä valuma-alueella on, sitä enemmän vettä voi varastoitua niihin. Kun järviä on vähän, ne täyttyvät nopeasti tulvavesistä jolloin ylimääräinen vesi jää tulviksi. Kuten myös Sini Virtanen toteaa blogitekstissään, järvet tasaavat tulvia. Ylimääräistä vettä puolestaan tulee uomiin runsaiden sateiden muodossa sekä etenkin keväisin lumien sulamisvesinä. Keväällä ongelmaa lisäävät myös jääpadot. Lisäksi kasvillisuus vaikuttaa tulvien määriin, sillä esimerkiksi Vantaajoen ja Aurajoen varrella on käytännössä joko peltoa tai rakennettua ympäristöä jolloin vesi ei pääse imeytymään kunnolla. Sen sijaan esimerkiksi Saimaan alue koostuu järvien lisäksi metsistä, joiden kasvillisuus varastoi vettä tehokkaasti. Lisäksi kartassa näkyy selvästi suunnilleen I. salpausselkää pitkin kulkeva raja valuma-alueissa. Se jakaa pintavesien suunnan, ja suuri osa vedestä imeytyy tähän reunamuodostumaan sen huokoisen rakentumisaineksen ansiosta. Salpausselät myös patoavat järvenselkiä (lähde: Etelä-Karjalan liitto. 4. Vesistöt ja pohjavedet) ja vaikuttavat myös näin virtaussuuntiin.

Valmis teemakartta on periaatteessa onnistunut; se sisältää tiedon ja sen selityksen legendaa, pohjoisnuolta ja mittakaavaa myöten. Värimaailmaltaan kartta on kuitenkin tylsä ja mitäänsanomaton. Käytin paljon aikaa sopivien värisävyjen löytämiseen, koska halusin myös jokien erottuvan kartalta. Toisaalta joet aiheuttavat varsinkin Pohjois-Suomessa pieniä mutta silti ärsyttäviä virheitä kulkiessaan osittain päällekkäin valuma-aluerajojen kanssa. Joka tapauksessa kartta visualisoi tutkitun ilmiön ihan hyvin ja selkeästi. Erityisen paljon ongelmia tässä tehtävässä aiheutti tietokantayhdistelyn lisäksi järvisyyttä kuvaavien pylväsdiagrammien lisääminen. Kävin jo kärsivällisyyden rajamailla ja luovuttamisen partaalla, mutta jossain vaiheessa ne ilmestyivätkin kartalle. Lopulta se taisikin olla aika yksinkertainen juttu, yritin vain itse liikaa.

Värimaailmasta puheen ollen, välillä ei voi muuta kuin ihailla QGIS:in luovuutta sen ehdotellessa satunnaisesti mitä kauniimpia värejä kartalle (kuva 2)! Järkyttävää.

Kurssikerralta jäi käteen aika paljonkin uutta tietoa QGIS:istä, joskin iso osa toiminnoista on vielä vähän hämärän peitossa. Kyllä se vähitellen alkaa sujua, ja tietyt jutut onnistuvat jo lähes itsestään.

 

 

Lähteet ja viittaukset:

Virtanen, Sini. Veritimantteja ja valuma-alueita. (30.1.2018) <https://blogs.helsinki.fi/7k110738/> Luettu 1.2.2018

Furu, Lyyra. 3. Kurssikerta: Afrikka-tietokannan & Suomen valuma-alueiden tarkastelua (10.2.2018). <https://blogs.helsinki.fi/fufufu/> Luettu 12.3.2018

Etelä-Karjalan liitto (2006). 4. Vesistöt ja pohjavedet. Etelä-Karjalan maisema- ja kulttuurialueselvitys, osa 1. 62 s. <http://www.ekarjala.fi/liitto/wp-content/uploads/2013/12/Maisema-ja-kulttuurialueselv_4vesistot-ja-pohjavedet.pdf>  Luettu 1.2.2018

Toisella kurssikerralla tutkittiin projektion vaikutusta kartan ulkomuotoon sekä erityisesti kartan antamaan informaatioon. Kurssikerralla tehtiin kartta, joka ilmentää toimivan ja huonon projektion eroja, esimerkkiprojektioina käytettiin Lambertia sekä vääristymistään tunnettua (Sphere) Mercatoria. Koska Mercator on pystysuuntainen oikeakulmainen lieriöprojektio, sen karttaa  sivuava osa kulkee päiväntasaajaa pitkin, jolloin se on kartan tarkin osa. Sen sijaan virheet kasvavat kohti pohjois- ja etelänapaa, mikä selittää myös Suomen pohjoisosien luonnottoman muodon. Vääristymät ilmenevätkin tehdyllä kartalla etelä-pohjoissuuntaisena gradienttina (kuva 1), vaihdellen välillä 295-724%. Ossi Saarinen selvittää blogissaan Mercatorin aiheuttavan pinta-alassa jopa yli seitsenkertaisen eron LAEA -projektioon verrattuna. Kyse on siis todella merkittävistä virheistä Suomen kartalla! Vaikka tavallinen Mercatorin projektio on peräisin renessanssin ajalta 1500-luvulta, sitä käytetään yhä yleisesti etenkin julkisissa kartoissa. Mercator aiheuttaa vääristymiä kartan lisäksi myös ihmisten käsityksissä maailman mittakaavoista,  kuten Miia Farstad pohtii blogitekstissään. 

Karttaa tehdessä piti taas keskittyä huolella uusien toimintojen käyttämiseen, eikä itselläni ainakaan ollut kovin selkeää käsitystä niiden toimintaperiaatteista. Kuitenkin lopputuloksena kartasta tuli aika hyvä ja informatiivinen, sen värit erottuvat sopivasti toisistaan vaikka luokkia onkin enemmän.  

Lisäksi kurssikerralla mitattiin eri projektioilla pinta-alaa ja etäisyyttä Suomen kartalla, tulokset laitettiin ylös (taulukko 1). Pinta-alaa mitattiin Suomi-neidon päälaelta Pohjois-Suomesta ja etäisyyttä Vaasasta itäkärkeen eli leveyssuunnassa.  

Kurssikerran jälkeen tein periaatteessa samalla tavalla toisenkin tehtävän, eli vertasin Lambertin ja jonkin toisen projektion eroja. Tutkin eri projektioiden ominaisuuksia netissä (lähde: Kartograph – Map Projections) ja päädyin valitsemaan vertailtavaksi projektioksi Winkelin (kuva 2). Kyseinen projektio pyrkii sekä oikeapintaisuuteen, oikeapituuteen että oikeakulmaisuuteen minimoimalla niiden aiheuttamat virheet (lähde: Wikipedia). Kartan teko ja QGIS:in käyttö oli huomattavasti helpompaa, kun samoja toimintoja oli jo käyty läpi kurssikerralla. Kartta valmistuikin nopeasti ja siitä tuli mielestäni selkeä ja siisti. Koska Winkel on kuitenkin melko vähän virheitä jättävä projektio, kartassa ilmenevät vääristymät eivät ole kovinkaan suuria etenkin Sphere Mercatoriin verrattuna. Myös Winkelin projektio aiheuttaa sitä enemmän virheitä, mitä lähemmäs napoja mennään. Sen sijaan päiväntasaajan seutu pysyy kaikista todenmukaisimpana. Kartassani Winkel ei siten aiheuttanut ihan niin isoja eroja kuin olisin halunnut ja koska vääristymien sijaintikin oli sama kuin Mercatoriin verratessa, päätin kokeilla tehdä vielä yhden vertailukartan samalla tyylillä. 

Tällä kertaa päätin valita jonkin ihan vieraan ja oudon projektion, ja QGIS:in valikosta aikani etsittyäni löysin WGS 84/EPSG Arctic zone 1-21 –nimisen projektion. Se sai aikaan erikoisia venymiä Itä-Suomen kunnissa (kuva 3), joten päätin selvittää millainen kartta kyseisestä projektiosta tulisi. Kartta valmistui aika suoraviivaisesti ja se kertookin suurimpien vääristymisprosenttien sijaitsevan Suomen itärajalla (kuva 4). Lisäksi projektion tarkkuus on nimensä mukaisesti korkein arktisella alueella, joten Suomen kartassa virheet kasvavat kohti eteläistä osaa maasta. Kokonaisuudessaan vääristymien asteikko on aika laaja, viidestä prosentista yli kahteensataan. Olisin halunnut selvittää, miksi virheet esiintyvä juuri tällä tavalla, mutta projektiosta löytyi melko suppeasti tietoa. Tehtävien avulla sai kyllä vahvistettua hyvin ajatusta projektioiden vaikutuksesta kartan ulkomuotoon, sillä ne esittivät erot konkreettisesti etenkin muuttaessa virheitä esittävän kartan vielä Lambert-projektioon. 

 

 

 

 

 

 

 

 

 

Kokeilin myös aloittaa tehtävää, jossa piti vertailla väestöntiheyttä (tai muuta muuttujaa) suhteessa projektioiden pinta-ala-eroihin. Tämä ei kuitenkaan oikein ottanut onnistuakseen joten jätin sen suosiolla sivuun, olinhan kuitenkin jo tehnyt kolme karttaa hieman yksinkertaisemmalla kaavalla. Oli kuitenkin tosi positiivista huomata, että toistoja tehdessä alkoi vihdoin ymmärtämään tiettyjä ohjelman toimintoja ja karttojen tekemisestä tuli helppoa ja kivaa. Varsinkin tulostusikkunassa tehtävät osat onnistuvat jo hyvässä sopusoinnussa QGIS:n kanssa.

Kurssikerran jälkeen jäi hyvä fiilis GIS:in käytöstä, koska kerrankin kaikki alkoi sujua ihan itsestään. Kartoistakin tuli mielestäni visuaalisesti onnistuneita, niissä on kaikki tarvittava ja niistä saa helposti selville niiden esittämän asian. Ilmeisesti GIS voi olla välillä ihan kivaakin! 

 

Lähteet ja viittaukset: 

Farstad, Miia. Viikko 2: Projektioiden tärkeys (26.1.2018). <https://blogs.helsinki.fi/miiafar-gis1/> Luettu 27.1.2018

Saarinen, Ossi. 2. Kurssikerta (10.2.2018) <https://blogs.helsinki.fi/ossisaar/> Luettu 12.3.2018 

Kartograph (2012-2014) <http://kartograph.org/showcase/projections/#ortho> Luettu 26.1.2018 

Wikipedia (2017) <https://en.wikipedia.org/wiki/Winkel_tripel_projection> Luettu 26.1.2018 

 

Ensimmäisen kurssikerran perusaiheena oli tutustuminen paljon puhuttuun QGIS -paikkatieto-ohjelmistoon. Sen avulla tehtiin vektorimuotoinen koropleettikartta, joka kuvaa typpipäästöjen osuuksia valtioittain (Suomi, Ruotsi, Tanska, Saksa, Puola, Liettua, Latvia, Viro ja Venäjä) Itämeren alueella (kuva 1). Nämä valtiot kuuluvat HELCOM-järjestöön eli Itämeren merellisen ympäristön suojelukomissioon, jonka perusperiaatteena on Itämeren tilan sekä sen suojeluun käytettävien keinojen toimivuuden tarkkailu (Helcom 2018). Kurssikerralla kerrattiin myös ennestään tuttuja paikkatiedon perusasioita.

Koska suurin osa ensimmäisestä kurssikerrasta kului QGIS -ohjelman parissa, tulivat sen perustoiminnot suunnilleen tutuiksi. Osa toiminnoista oli hankalampia löytää, osa taas hyvin selkeitä. Koska ohjelmisto oli vieras, saattoi opetuksen aikana kartan yksityiskohdan viilaaminen kostautua aika nopeasti ongelmina pysyä mukana. Joka tapauksessa ohjelmisto opetti paljon itsestään jo yhden kerran aikana. Kurssikerrasta jäi siten ihan hyvä yleiskäsitys ohjelmasta, samalla tuli vihdoin kokeiltua QGIS -ohjelmistoa käytännössä.

Typpipäästöjen määrät jakautuvat Itämerta ympäröivien valtioiden kesken epätasaisesti. Ääripäinä pitoisuuksissa ovat kartallakin näkyvät Viro (alhaisin) ja Puola (korkein). Suuri osa typpipäästöistä on peräisin teollisuus- ja maatalousalueilta, joilla typpeä kulkeutuu vesistöihin muun muassa lannoiteaineiden muodossa. Typpipitoisuuksiin vaikuttavat siis merkittävästi pinnanmuotojen määrittämät valuma-alueet. Kartta siis syyllistää epäreilusti myös niitä alueita, joilla ei välttämättä ole osuutta ongelmaan. Esimerkiksi Suomen pohjois- ja koillisosat eivät Maanselän vedenjakajan vuoksi edes kuulu Itämeren valuma-alueeseen. Toisaalta Itämeren valuma-alueeseen kuuluvat myös Valko-Venäjä sekä Ukraina, joten todennäköisesti päästöjä valuu mereen muualtakin kuin vain sitä ympäröivistä valtioista. Valko-Venäjän ja Ukrainan osuudet toki vaikuttavat välillisesti Venäjän Kaliningradin sekä Puolan ja Liettuan läpi virtaavien jokien kautta, mikä on ehkä huomioitu näiden valtioiden pitoisuuslukemissa.

Aiheesta vähemmän tietävä saa kartan perusteella varsin helposti vääristyneen kuvan typpipäästöjen osuuksista valtioittain, sillä sen voisi tulkita esittävän koko valtion maapinta-alan kattavia typpipäästöpitoisuuksia pelkkien keskiarvojen sijaan. Typpipäästöjä kuitenkin päätyy ympäristöön pistemäisistä lähteistä, ei säännöllisesti koko valtion laajuudelta. Toki päästöjen määrään vaikuttaa myös valtion rantaviivan pituus. Moni aiheeseen vaikuttava taustatekijä jää kartalla selittämättä, kuten Keski-Euroopan valtioiden merkitys ja rooli teollisuudessa. Enemmän intensiivistä teollisuus- ja maataloustoimintaa harjoittavien valtioiden päästömäärä on tietysti korkeampi. Kartalla korostuvan Puolan merkittävää osuutta typpipäästöissä selittää myös runsas laivaliikenne Pohjoismaista ja Venäjältä, onhan kyseinen reitti yksi keskeisimmistä väylistä alueiden välisen tuonnin ja viennin kannalta. Kartan informatiivisuus on suhteellisen heikko, mutta yksinkertaiseen aiheen esittämiseen se on ihan riittävä.

Halusin käyttää kartassa saman sävyn eri valöörejä eli tummuusasteita, jotta kartan ulkoasu pysyisi selkeämpänä. Eriväriset luokat olisivat voineet viedä huomiota pois ilmiön alueellisen voimakkuuden kuvaamiselta. Jotta itse ilmiö olisi pääosassa kartalla, ulkopuolisten valtioiden värin tuli olla neutraalimpi. Jälkeenpäin ajateltuna olisi ehkä ollut fiksumpaa valita karttaan jokin toinen väriyhdistelmä, sillä oranssi ja vihreä saattavat aiheuttaa vaikeuksia kartan tulkintaan esimerkiksi puna-vihervärisokeille. Olen tyytyväinen merialueiden sekä mantereiden reunojen ja rannikoiden väreihin, ne ovat tasapainossa mutta erottuvat toisistaan. Kaiken kaikkiaan värit sopivat voimakkuudeltaan ihan hyvin yhteen, vaikka ovatkin vähän turhan voimakkaita. Mittakaava, legendan tekstit ja pohjoisnuoli erottuvat kartalta. Kokonaisuudessaan kartan perusteella saa yleiskäsityksen sen kuvaamasta ilmiöstä sekä sen karkeasta jakautumisesta Itämeren alueella, mutta yksityiskohtia tai ilmiön taustoja kartta ei kerro.

Kartassa jäi erityisesti häiritsemään Skagerrakin alueelle jäänyt syvyyskäyrien vyöhyke, sillä se tekee kartasta sekavamman ja on käytännössä turha yksityiskohta. Syvyyskäyrien tarpeellisuus on vähän niin ja näin. Toisaalta ne kuitenkin ilmoittavat niiden alueiden sijainnin, joille typpi helpoimmin varastoituu aiheuttaen negatiivisia seurauksia. Matalat merialueet kärsivät eniten rehevöitymisestä johtuen korkeasta typpipitoisuudesta vesimäärään nähden, kuten Anette Markula toteaa omassa blogitekstissään. Lisäksi virheenä kartalla on manneralueen kanssa päällekkäin osuva legendan teksti, joten sen olisi voinut asettaa vielä siistimmin. Myös kartan rajaus voisi olla hieman parempi, nyt kartan olennaisin informaatio painottuu lähinnä vasempaan yläkulmaan keskikohdan sijaan, jolloin etenkin vastakkaisessa kulmassa on paljon epäolennaista tietoa. Kartta siis ajaa asiansa, mutta siinä on kyllä paljon parannettavaakin.

 

QGIS -harjoittelu ei loppunut vielä Itämerikarttaan: edessä oli vielä toinen koropleettikartta, tällä kertaa Suomen kuntiin liittyen. Tehtävänä oli valita valmiista tietokannasta mieleisensä muuttuja ja visualisoida siitä aika samaan tapaan kartta kuin edellisessä tehtävässä. Tartuin haasteeseen kevyin mielin optimistisena tavoitteena saada kartta valmiiksi parin tunnin sisällä siinä iltapäivällä, ei muuta kuin QGIS tulille ja menoksi. No, niinhän siinä kävi että vielä iltakymmeneltä vietin mukavaa tiistai-iltaa kartan parissa. Lopulta, kuten kuvasta 2 huomaa, QGIS kuitenkin taipui yhteistyöhön.

Valitsin karttani aiheeksi palveluiden osuuden koko kunnan elinkeinoista. Kartasta näkyy, että palveluita on prosentuaalisesti eniten (79-91%) suurimmissa, kaupunkimaisissa kunnissa. Näitä ovat esimerkiksi Helsinki, Espoo, Turku ja Kuopio. Kaupungeissa palveluyhteiskuntamainen rakenne korostuu, teollisuus on vähäisempää, maatalous lähes olematonta. Tarvitaan paljon erilaisia palveluita suurta asukasmäärää varten, samalla ne tarjoavat työpaikkoja. Toisaalta myös Pohjois-Suomen Rovaniemellä ja Inarissa palvelut muodostavat valtaosan elinkeinoista. Tämä on muun muassa turismin ja matkailupalveluiden ansiota. Pienempi rooli (29-42%) palveluilla on Etelä-, Keski- ja Pohjois-Pohjanmaalla, jossa maatalous on tärkeässä asemassa alavan ja viljavan maan seurauksena.

Kartta on mielestäni ihan hyvin onnistunut. Siinä on periaatteessa kaikki tarvittava tieto, legendaa, mittakaavaa ja pohjoisnuolta myöten. Lisäksi sen värit erottuvat toisistaan ja sitä on aika helppo tulkita. Kaiken kaikkiaan taistelu QGIS:in kanssa ei mennyt hukkaan, vaan toinen samantyyppinen harjoitus opetti tehokkaasti ohjelmiston tärkeitä toimintoja. Uskaltaisin varovasti väittää, että seuraavalla kerralla saattaa olla jo helpompaa.

 

Lähteet ja viittaukset:

Helcom (2018) <http://www.helcom.fi/about-us> Luettu 22.1.2018

Markula, Anette. Qgis ja kartta Itämeren typpipäästöistä (20.1.2018). <https://blogs.helsinki.fi/anettmar/> Luettu 22.1.2018