Mikkelson's Puzzle Blog

Viidennen kurssikerran vietin Madridissa yhdessä kurssitoveri Topiaksen kanssa, joten tehtävät ja kurssikerran epistola jäivät itseopiskeltavaksi. Word dokumentin avattuani selvisi päivän tematiikka, bufferointi ja analysointi. Bufferointi on mielestäni yksi käytännöllisimmistä paikkatietoanalyyseista. Eveliina Sirola avaa hyvin blogissaan GIRLS VS. GIS bufferi- eli naapuruusanalyysin, ”Bufferi- eli puskurianalyysin avulla voidaan kartalla määrittää tietyn levyinen vyöhyke valitun tietokannan kohteille. Kohde, jolle vyöhyke määritetään, voi olla piste, viiva tai alue eli polygoni. Bufferia käyttämällä voidaan tutkia muun muassa tietyn kohteen vaikutusalueen kokoa, tai määrittää kuinka monta kohdetta sijoittuu tietyn säteen sisäpuolelle.” Kurssikerran harjoitukset selailtuani aloitin itse paikkatietoanalyysien toteuttamisen.

Fly high

Ensimmäisenä tehtävänä oli bufferoida sekä Malmin että Helsinki-Vantaan lentoaseman alueet yhden ja kahden kilometrin vyöhykkeillä. Tämä onnistui lataamalla ensin aineistot asukasmääristä sekä taloista QGISsiin, minkä jälkeen piirsin uudelle layerille kiitoradat, joista pystyin laskemaan puskurivyöhykkeet. Kahden kilometrin säteellä Malmin lentoasemasta asuu peräti 56 427 ihmistä, kun Helsinki-Vantaan lentoasemasta samalla etäisyydellä asuu vain noin viidennes, 10 202 ihmistä. Täytyy kuitenkin muistaa, että lentotoiminta on huomattavasti aktiivisempaa Helsinki-Vantaalla kuin Malmilla, joten ne eivät ole täysin verrannollisia toisiinsa nähden. Tein saamista tuloksistani yllä olevan taulukon (taulukko 1).

Steissit ja taajamat

Seuraavana vuorossa oli tarkastella metro- ja juna-asemien sijaintia ja niiden lähellä asuvia ihmisiä. Viidennes (21,8%) asukkaista asui alle 500 metrin päässä lähimmästä asemasta. Näistä työikäisten osuus oli peräti 68,5% (taulukko 2). Työikäisten osuuden laskeminen onnistui helposti Join attributes by location toiminnolla.

Taajama tehtävissä kohtasin ensimmäisen kerran tehtävien aikana suurempia vaikeuksia. Vastauksia ulkomaalaisten osuuksiin asuinalueilla en onnistunut saamaan, vaikka – ainakin omasta mielestäni – yritin sitkeästi. Jos lukuni pitävät paikkaa, asuu taajamissa jopa 96,7 prosenttia kaikista asukkaista. Se ei mielestäni kuitenkaan kerro, että pääkaupunkiseutu olisi tiheästi asutettu. Taajama määritellään asutuskeskittymäksi, jossa asuu vähintään 200 ihmistä ja asuintalojen väli on maksimissaan 200 metriä. Sen vasta kohta on haja-asutus. Pääkaupunkiseudulla siis tuhannet ihmiset asuvat haja-asutusalueilla – monessa muussa maailman pääkaupungissa näin ei tietääkseni ole.

Helsingin Yhtenäiskoulu

Viimeisenä harjoituksena tein palveluksen Helsingin Yhtenäiskoululle ja laskin heidän tulevaa oppilaskuormitusta. Laskin tulevien oppilaiden määrän tutkimalla kuinka monta 6-vuotiasta asukasta asui koulupiirin alueella. Heitä oli 14. Helsingin Yhtenäiskoulu on Helsingin mittakaavassa pieni oppilaitos, mikä selittää tulevien oppilaiden pientä määrää.. Toki oppilaita tulee aloittamaan kyseisessä koulussa myös virallisen koulupiirin ulkopuolelta. Arvioini mukaan vieraskielisiä oppilaita Yhtenäiskoulussa on vain 5,8%, mikä on hyvin pieni määrä verrattuna muihin Helsingin kouluihin.

Tämän hetkinen QGIS tasoni on mielestäni tyydyttävä. Eniten on tullut käytettyä työkaluja kuten: Spatial Query, Join attributes by location, Select features by expression… Luonnollisesti myös niiden käyttäminen ja hyödyntäminen onnistuu minulta tällä hetkellä parhaiten.

Tärkeämpänä kurssin antona pidän kuitenkin geoinformatiikan laajuuden ja mahdollisuuksien ymmärtämisen. Geoinformatiikkaa ja paikkatietoa on joka puolella joka päiväisessä elämässämme, joten sen oppiminen ja opetteleminen eivät todellakaan tunnu abstraktilta tai turhalta. Päinvastoin, mielestäni on hienoa oppia siitä (lähes) joka päivä jotain uutta ja hyödyllistä.

 

Lähteet: 

Eveliina Sirola – GIRL VS GIS, ”https://blogs.helsinki.fi/evsirola/” (Luettu: 27.3.2018)

 

 

 

CreaTing Maps

Seitsemäs ja samalla viimeinen kurssikerta oli mielestäni ehkä koko kurssin antoisin. Olimme kehittyneet siihen vaiheeseen QGIS-taidoissamme, että aloitimme heti omatoimisesti tekemään kurssin ”lopputyötä”. Tehtävänä oli muodostaa karttoja itse valitusta aiheesta. Itse luotettavan ja käyttökelpoisen datan louhiminen internetin syöväreistä oli työläämpää kuin olisin uskonut. Löysin lopulta dataa haluamastani aiheesta, Brasiliasta.

Tuotin neljä koropleettikarttaa eri muuttujilla Brasiliasta osavaltioittain. Lähteenä käytin Brasilian hallituksen ylläpitämää DataViva sivustoa, josta löysin paljon erinäköistä dataa osavaltioittain. Käyttämäni data on vuodelta 2010, joten osa sen tiedoista on voinut hieman muuttua vuosien kuluessa, mutta pääpiirteittäin sanoisin lukujen olevan suhteellisen luotettavia.

Ensimmäisessä kartassa halusin tarkastella Brasilian demograafista jakautumista (kuva 1). Brasiliassa asuu yli 207 miljoonaa ihmistä (World bank 2016), mikä tekee siitä Etelä-Amerikan väestörikkaimman valtion. Väestö on kuitenkin jakaantunut ja keskittynyt tietyille alueille sekä suurimpiin kaupunkeihin. Luonnonmaantieteelliset tekijät toki vaikuttavat myös paljon asiaan. Maailman suurin sademetsä, Amazonia, kattaa suuren osan Brasilian maapinta-alasta.  Suurimmat väestökeskittymät ovat kaakkoisosissa rannikolla.  Eniten ihmisiä asuu Sao Paulon osavaltiossa, jossa sijaitsee myös samanniminen ja samalla Brasilian suurin kaupunki Sao Paulo.

 

Seuraavaksi halusin tarkastella vaurauden ja mammonan jakaantumista (kuva 2). Brasiliassa raha ja valta ovat keskittyneet pienelle eliitille (Plutokratia?). Löytyy miljardöörejä sekä vastapainona miljoonia köyhyydessä eläviä ihmisiä. Rikollisuus ja yleinen turvattomuus ovatkin valtiossa suuri ongelma, joiden voidaan (ainakin osittain) katsoa olevan seurasta kansalaisten heikosta taloudellisesta tilanteesta.

Tummimmalla punaisella erottuu pieni alue lähes keskellä Brasiliaa. Alue on Distrito Federaalin liittopiiri, jossa sijaitsee Brasilian pääkaupunki, Brasilia. Alue on selvästi Brasilian rikkain. Keskimääräinen BKT asukasta kohden alueella on 58 400 Brasilian realia. Muuten vauras on keskittynyt etenkin kaakkoiselle alueelle, jossa sijaitsee suuria kaupunkeja, kuten Sao Paulo ja Rio de Janeiro. Vastaavasti köyhimmät alueet ovat Brasilian pohjoisosissa Maranhaon, Piauin ja Cearan osavaltioissa, joissa BKT jää selvästi allen 10 000 realin asukasta kohden.

 

Kolmannessa kartassa valitsin muuttujaksi elinajanodotteen (kuva 3). Halusin nähdä, onko vauraudella korrelaatiota ihmisten elinaikaan. Vastauksena voin suoraan sanoa, että korrelaatio on havaittavissa. Vauras Kaakkois-Brasilia erottuu tummemmalla, kun köyhempi pohjoinen on selvästi vaaleampi. Halusin tarkastella yleistä elämänlaatua datan avulla vielä laajemmin, joten tein vielä yhden kartan inhimillisen kehityksen indeksin mukaan.

 

Inhimillisen kehityksen indeksissä otetaan elinajanodotteen lisäksi huomioon koulutus sekä elintaso (ostovoima korjattu BKT). Koropleettikartassa on havaittavissa samaa säännönmukaisuutta kuin edellisissä, mutta ei yhtä selkeästi (kuva 4). Käänteisesti ja hieman ironisesti Brasiliassa voitaisiin puhua ”rikkaammasta ja paremmin pärjäävästä etelästä” ja ”köyhemmästä pohjoisesta”.

Brasilia kuuluu nopean talouskasvun maista koostuvaan BRICS-ryhmään. Talouskasvu on viime vuosina kuitenkin heikentynyt ja BKT on romahtanut viidessä vuodessa. Vuonna 2011 BKT oli huippulukemissa, 2,6 triljoonassa, kun vain viisi vuotta myöhemmin, 2016, se oli enää 1,8 triljoonaa (World Bank). Syitä tähän on monia, kuten korruptio, maailman finanssikriisit sekä Mercosurin lisäämä taloudellinen protektionismi.

Sosioekonomisiin ongelmiin tulisi kiinnittää huomiota enemmän, sillä se heijastaa koko valtion kehitystä. Ongelmana on etenkin yhä kasvavat tuloerot ja segregoituminen rikkaiden ja köyhien välillä.

A vot

Viimeinen kurssikerta oli mielenkiintoinen ja se opetti paljon. Aikaisemmilla kerroilla aineistot ovat olleet valmiina ja työtä tehty yhdessä vaihe vaiheelta. Nyt viimeisellä kerralla meidän täytyi hyödyntää aikaisemmin oppimaamme ja työskennellä itsenäisesti, mikä lisäsi omaa itseluottamusta asioiden onnistuessa ilman sen tarkempaa ohjaamista.

 

Lähteet: 

DataViva, ”http://dataviva.info/en/” (Luettu: 28.2.2018)

The World Bank – Brazil, ”https://data.worldbank.org/country/brazil” (Luettu: 25.3.2018)

The World Factbook – Brazil, ”https://www.cia.gov/library/publications/resources/the-world-factbook/geos/br.html” (Luettu: 25.3.2018)

 

 

 

Epicollect5 n’ Google StreetView

Kuudennen kurssikerran aloitimme poikkeuksellisesti ulkoilmassa aurinkoisessa pakkassäässä Kumpulan lähimaastossa. Tarkoituksenamme oli kerätä itse dataa Epicollect5-sovelluksen avulla, joista saatuja tuloksia myöhemmin analysoisimme GIS-laboratoriossa. Sovelluksen avulla on mahdollista itse tuottaa pistemuotoista aineistoa eri kohteista, joka sisältää sijaintitiedon lisäksi myös ominaisuustietoa.  Tehtävänämme olikin kartoittaa kampuksen lähialueita niiden viihtyvyyden ja turvallisuudentunteen mukaan. 45 minuutin ulkoilun jälkeen palasimme työpöytiemme ääreen Kumpulaan ja ihailimme kerättyä dataa.                                                                                                     Tämän jälkeen harjoittelimme myös vaihtoehtoista datan keräysmenetelmää sisätiloista käsin. QGiS-paikkatieto-ohjelmassa avasimme pluginin avulla Google StreetView-näkyviin. Harjoituksen aiheena oli luokitella valitsemamme korttelin eri osia kaupallisuuden mukaan asteikolla 1-5.  Lopuksi visualisoimme korttelin interpoloimalla alueen rastereiksi, joissa tummemmat värit kuvastivat voimakkaampaa kaupallisuuden esiintymistä ja haaleammat päinvastoin vähäisempää kaupallista toimintaa.

Ovatko maanjäristykset lisääntyneet globaalisti? 

Kurssikerran lopulla saimme tehtäväksemme tuottaa kolme hazardikarttaa. Kaksi ensimmäistä karttaa tein maanjäristyksien esiintymisestä globaalisti eri aikaväleillä. Ensimmäinen kartta esittää voimakkuudeltaan yli 7 momenttimagnitudin maanjäristykset vuosina 1982-2000 (kuva 1), ja toinen vastaavasti 2000-luvulla (2000-2018) tapahtuneet yli 7.0 momenttimagnitudin maanjäristykset (kuva 2).  Aineistona käytin Berkleyn yliopiston seismologian laitoksen ylläpitää dataa. Lisäsin karttoihin myös tulivuoret havainnollistamaan vulkanismin ja seismisyyden välistä korrelaatiota.

Vuosina 1982-2000 tapahtui 183 yli 7.0 momenttimagnitudin maanjäristystä. Kuten kuvasta huomaa, suurin osa niistä on keskittynyt Tyynenmeren tulirenkaan ympärille.

Vastaavasti 2000-luvulla (2000-2018) on tapahtunut peräti 275 yli 7.0 momenttimagnitudin maanjäristystä. Mistä maanjäristysten määrän nousu on voinut sitten johtua? Vai ovatko ne oikeasti edes lisääntyneet? Näitä kysymyksiä voisi mielestäni käyttää opetuskäytössä, jossa pyritään syventymään tarkemmin maanjäristyksiin sekä luonnonilmiöinä että luonnonkatastrofeina.

Itse pohdin samaa kysymystä ja tulin seuraaviin johtopäätöksiin. Maanjäristyksiä alettiin havainnoida laitteilla 1800-luvun lopulla. Vuosien saatossa ne ovat kehittyneet yhä tarkemmiksi ja luotettavimmiksi. Yli 7.0 magnitudin maanjäristyksiin ei kuitenkaan tarvita tarkkoja seismometrejä tai muuta teknologiaa niitä huomatakseen, joten se tuskin selittää asiaa. Ihmistoiminnasta johtuvat maanjäristykset eli indusoidut maanjäristykset ovat lisääntyneet patojen rakentamisen sekä kaivostoiminnan myötä. Suurimmat mitatut indusoidut maanjäristykset ovat kuitenkin olleet vain 6 momenttimagnitudin luokkaa, joten sekään ei selitä maanjäristyksien määrän kasvua 2000-luvulla. Omien johtopäätöksieni ja tutkimuksieni mukaan maanjäristysten lisääntymistä 2000-luvulla voidaan selittää sattumalla. Vaikka maanjäristykset fysikaalisina luonnonilmiönä eivät oletetusti ole lisääntyneet eivätkä vähentyneet pitkällä aikavälillä, on globaalisti seisminen aktiivisuus vaihdellut vuosittain. Sumatran luoteispuolella 2004 Tapaninpäivänä tapahtunut maanjäristys (9.0) sekä 2005 Pääsiäispäivänä tapahtunut maanjäristys (8.7) olivat niin massiivisia, että ne ovat mahdollisesti vaikuttaneet seismiseen energiaan sekä mannerlaattojen jännityskenttään lähialueilla, mikä on lisännyt maanjäristyksiä etenkin Sumatran länsirannikolla.

Maanjäristyksiä luonnonkatastrofeina tarkkailtaessa voidaan sanoa niiden lisääntyneen. Tämä johtuu ihmistoiminnan levittäytymisestä yhä laajemmille alueille sekä väestömäärän kasvusta, jolloin yhä useampi on alttiina maanjäristyksille. Fysikaalisina ilmiöinä endogeeniset maanjäristykset eivät kuitenkaan ole kasvaneet.

Meteoriitit ja kraatterit

Kolmannen kartan tein suurimmista maapallolle iskeneistä meteoriiteista (kuva 3). Kartan toteutin pistekarttana, jossa suuremmat ja tummemmat pisteet kuvaavat suurempaa meteoriittia.

Karttaa voisi mielestäni hyödyntää opetuskäytössä pohtimalla esimerkiksi, miksi Meteoriitit näyttävät osuneen arideille alueille? Tai miksi Pohjois-Amerikan länsirannikolla näyttäisi olevan selvä keskittymä meteoriittien iskemiä? Miksi meriin ei ole osunut yhtään meteoriittia? Okei, ehkä viimeinen kysymys on jo liikaa.. Joka tapauksessa näiden kysymysten avulla voitaisiin hahmottaa paremmin meteoriittien historiaa sekä tutkimusta. Miten eroosio, kasvillisuus sekä ilmasto-olosuhteet vaikuttavat kraatterien säilymiseen?

Tiivistys

Kurssikerran anti oli mieluisa. Kolmen erilaisen kartan tekeminen, itse soveltaminen  sekä käyttötarkoituksien pohtiminen antoi mielestäni konkretiaa karttojen tekemiselle. Itse karttoihin ja lopputulokseen olen ihan tyytyväinen.

 

Lähteet: 

Helsingin yliopisto – Tietoa maanjäristyksistä, ”http://www.seismo.helsinki.fi/fi/maanjtietoa/vastauksia.html” (luettu:  23.3.2018)

 

Ruutuja ja soluja

Neljännen kurssikerran aiheena olivat ruutuaineistot, ruutukartat sekä pistemuotoiset aineistot, ja niiden hyödyntäminen maantieteellisen todellisuuden esittämisessä. Aloitimme operoinnin QGIS:ssä luomalla ruudukon aineistollemme (vector grid). Ruudukon tekemisessä oli tärkeää kiinnittää huomiota etenkin solujen kokoon, koska sillä on suuri merkitys kartan esittämän tiedon visuaalisuudessa. Ensimmäisessä harjoituksessa asetin ruutukoon 400 x 400 metriin.

Aineistonamme oli pääkaupunkiseudun väestötietokanta. Data oli pistemuodossa, ja se sisälsi tarkkaa tietoa PK-seudun kaikista asuinrakennuksista ja niiden asukkaista (ikä, äidinkieli etc..) Seuraava operaatio oli yhdistää pistetietokanta ruudukkoon. Ensin kavensimme aineistoa siten, että poistimme ruudukosta kaikki sellaiset solut, joissa ei ollut asutusta lainkaan. Toiminto onnistui helposti Spatial query -työkalulla tehdyllä kyselyllä. Nyt kun turhat ruudut olivat karsittu pois, onnistui uuden datan lisääminen sujuvammin.

Aloitin tarkastelemalla alle 15-vuotiaiden asukkaiden spatiaalista esiintymistä pääkaupunkiseudulla. Valitsin Join attributes by location työkalulla esitettäväksi 0-14 -vuotiaat asukkaat/ruutu. Loppusilauksena ruututeemakartta täytyi vielä visualisoida, kategorisoimalla solut eri luokkiin alle 15-vuotiaiden asukkaiden mukaan. Lopputulos oli hieman koropleettikarttaa muistuttava. Ruututeemakartta ja koropleettikartta ovat molemmat hyvin käytännöllisiä, mutta soveltuvat hieman eri tarkoituksiin. Matti Hästbacka tuo blogissaan asian hyvin esille:                                                                 ”Ruutukartta on hyvä analyysityökalu, ja se tarjoaa ilmiöiden tutkimiseen hieman toisenlaisen näkökulman kuin tavalliset koropleettikartat: koska kaikki alueyksiköt ovat keskenään saman kokoisia, voi niillä esittää myös absoluuttisia lukuarvoja. Kartalla, jonka aluejako koostuu valmiista alueyksiköistä (esim. kunnat tai valuma-alueet), voidaan vertailla vain suhdelukuja.”

Ulkomaan kansalaisten sironta PK-seudulla

Seuraavaksi oli aika tehdä itsenäisesti uusi ruutukartta jostain pääkaupunkiseudun väestöllisestä muuttujasta. Valitsin aiheekseni – minua paljon kiinnostavan – maahanmuuton. Halusin tarkastella ulkomaan kansalaisten alueellista jakaantumista pääkaupunkiseudulla absoluuttisesti. Absoluuttisella tarkoitan, että kartta esittää ulkomaalaisten absoluuttisen määrän yhdessä ruudussa suhteellisen sijaan. Aloitin jälleen luomalla aineistolleni ruudukon, mutta tällä kertaa halusin tarkempaa alueellista tietoa, joten asetin ruudut 250 x 250 ruutukokoon. Mielestäni kyseinen ruutukoko toimi paremmin kuin aiemmin käyttämäni 400 x 400 metriä. Lopputuloksena syntyi alla oleva ruututeemakartta (kuva 1).

 

Kartassa – kuten legendasta selviääkin – tummemmat alueet kuvastavat suurempaa maahanmuuttajien määrää. Selviä kartalla erottuvia tummempia alueita ovat Espoossa: Matinkylä, Espoon keskus sekä Leppävaara. Vantaalla lännessä Myyrmäki ja idässä Koivukylä-Korso akseli. Helsingissä tällaisia alueita on eniten. Kartalla erottuvat varsinkin Itä-Helsinki, Malmi, Kannelmäki sekä kantakaupunki.

Karttaa analysoidessa täytyy muistaa, että luvut ovat absoluuttisia. Helsingissä asukkaita on merkittävästi enemmän kuin viereisissä kunnissa Espoossa ja Vantaalla, joten luonnollisesti myös ulkomaan kansalaisten määrä on siellä suurin. Toinen muistettava asia on, että kartta kuvaa kaikkia ulkomaan kansalaisia, eikä ainoastaan turvapaikan saaneita pakolaisia. Esimerkiksi opiskelu- ja työperäinen maahanmuutto edustavat suurta osaa ulkomaalaisista. Hyvä esimerkki on Otaniemen Teekkarikylä, joka erottuu mustana pisteenä kartalla.

Maahanmuuttajien akkumuloitumista tietyille asuinalueille selittävät monet tekijät. Tällaisia ovat muun muassa halvat vuokrat (kaupunkien vuokra-asunnot), mutta myös sosiaaliset ulottuvuudet. Ihmiset tutkitusti haluavat asua samankaltaistensa seurassa, joten kulttuurilliset tekijät vetävät ulkomaalaisia myös yhteen. Ilmiötä esiintyy myös suomalaisten keskuudessa. Esimerkkinä Thaimaan ja Espanjan Aurinkorannikon suomalaisyhteisöt.

Yhteenveto

Jälkikäteen ajateltuna kartan värimaailmaa olisi voinut miettiä tarkemmin. Valkoinen – kantasuomalaiset ja musta – ulkomaalaiset asetelma voi herättää negatiivista symboliikka, vaikka se ei tarkoituksenani ollut. Ruudukon ääriviivat olisi myös voinut jättää kartalta pois, jolloin kokonaisuudesta olisi tullut yhtenäisempi. Muuten olen kartan visuaaliseen ulkonäköön tyytyväinen. 

 

Lähteet:

Matti Hästbacka – Eri muotoisia aineistoja,       ”https://blogs.helsinki.fi/madhastb/” (Luettu: 24.2.2018)

 

 

 

 

 

”Kaiken oppimisen kenties tärkein tulos on kyky tehdä se mikä sinun pitää tehdä, silloin kun se pitää tehdä, huolimatta siitä haluatko tehdä sen vai et.” -Walter Bagehot

Bloody diamonds 

Isobritannialaisen Walter Bagehotin viisaiden sanojen motivoimana oli aika siirtyä eteenpäin blogipostauksien parissa. Kolmannen kurssikerran tematiikkana oli eri tietokantojen yhdisteleminen ja kokoaminen yhteen QGIS-paikkatieto-ohjelmassa. Aloitimme lataamalla Moodlesta Afrikkaa käsittelevän aineiston. Ensimmäinen tehtävämme oli typistää alkuperäistä aineistoa, jossa jokainen erillinen luonnonmaantieteellinen ominaisuus (saaret, järvet)  oli merkitty omana kohteena. Tästä johtuen joillakin valtioilla oli jopa sata saraketta yhden sijaan. Typistettyämme aineistoa, oli aika (hieman ironisesti) lisätä uutta dataa.

Excel-muodossa olevasta datasta löysimme mielenkiintoisia tilastoja eri vuosilta mm. Afrikan eri valtioiden internetin käyttäjämääristä sekä timanttien, öljykenttien ja konfliktien alueellisesta esiintymisestä. Excel aineiston muutettuamme QGISsille sopivaan .csv muotoon ja yhdistettyämme sen alkuperäiseen tietokantaan, ryhdyimme tekemään eri näköisiä paikkatietoanalyyseja. Vertailimme konfliktien ja timanttikaivosten välistä suhdetta laskemalla valtioiden sisällä esiintyvät timanttikaivokset sekä konfliktit yhteen. Näiden kahden muuttujan välillä oli huomattavissa selkeä korrelaatio ja yhteys toisiinsa. Etenkin Länsi-Afrikassa on useita valtioita, joilla on pitkä ja verinen historia konflikteista, joiden keskiössä ovat niin kutsutut veritimantit. (Leonardo DiCaprion tähdittämä ”veritimantti” kertoo Sierra Leonen veritimanttikaupasta… traileri: https://www.youtube.com/watch?v=yknIZsvQjG4 .. leffa 5/5)

Myös Internetin käyttöaste on hyvä kehityksen indikaattori. Käsitellystä datasta helposti huomaa, että internetin käyttö Afrikassa on vuosien saatossa kasvanut. Digikuilu teollisuusmaiden ja kehittyvien maiden välillä on silti vielä valtava. Vuonna 2016, vauraimmissa maissa 81 prosentilla väestöstä oli kotonaan internet-yhteys, kun kehittyvissä valtioissa sama luku oli vain 34 prosenttia. 48:ssa vähiten kehittyneessä valtiossa vain 7 prosentilla väestöstä oli kotitaloudessaan verkkoyhteys. (Kepa 2016) Digikuilulla on monia sosioekonomisia vaikutuksia myös Afrikassa. Kuten Eveliina Sirola blogissaan toteaa, ”Afrikan internetyhteyksien heikkotasoisuus vaikeuttaa esimerkiksi koulutukseen, terveydenhuoltoon, maanviljelykseen ja metsänhoitoon suunniteltujen sovellusten käyttöä, ja lisäksi heikkolaatuiset yhteydet estävät paikallisen talouden kehittymistä.”

Tulvariski ohoi

Kartutettuamme osaamista Afrikassa, oli aika palata koti Suomeen ja aloittaa todellinen 1on1 tulikoe QGISsin parissa. Saimme tehtäväksemme muodostaa tulvaindeksikartan Suomen päävaluma-alueista. Tulvaindeksi vertailee tulvaa eli ylivirtaamaa ja kuivaa kautta eli alivirtaamaa toisiinsa nähden ja antaa näin tietoa valuma-alueen tulvaherkkyydestä. Se saadaan helposti jakamalla keskiylivirtaama (MHQ) keskialivirtaamalla (MNQ). Lasketun datan tulvaherkkyydestä visualisoimme koropleettikartaksi, josta on selkeästi erotettavissa suuremman ja pienemmän tulvariskin omaavat valuma-alueet. Lopuksi lisäsimme karttaan vielä olennaisen aspektin, järvisyysasteen. Järvisyysaste saatiin laskemalla vesistöjen pinta-ala valuma-alueittain suhteessa maa-alaan. Pystytimme komeat pylväsdiagrammit kunkin valuma-alueen päälle havainnollistamaan järvien määrää alueella. (kuva 1)

Karttaa havainnoimalla on heti huomattavissa, että suurimmat tulvariskialueet  sijaitsevat alavalla rannikkoalueella Perämereltä Suomenlahdelle. Vaikka pienimmät valuma-alueet näyttäisivät olevan kaikkein tulvaherkimpiä, ei se suoranaisesti korreloi todellista riskiä. Tulvariskiin eniten vaikuttavat tekijät ovatkin järvien määrä sekä pinnanmuodot. Eemil Becker blogissaan hyvin avaa asiaa, ”Ilmiö on helposti selitettävissä: Järvet toimivat varastoina sulamisvesille ja rankkasateille.”

Kartan visuaaliseen ulkonäköön olen tyytyväinen. Pylväsdiagrammien suhteen  olisi voinut tehdä muutaman lisäyksen. Ensinnäkin, niillä ei ole mitään vertauskohdetta tai maksimia, joten todellinen järvisyysprosentti alueella jää hieman hämärän peittoon. Lisäksi diagrammit hieman suttuuntuvat pienimmillä valuma-alueilla, eikä niitä pysty juuri havainnoida. Toinen asia koskien tulvaindeksiä. Rehellisesti sanottuna, minulle jäi hieman hämärän peittoon, mitä legendassa näkyvät numerot tarkoittavat ja mikä niiden yksikkö sekä skaala ovat..

Noh, summa summarum, kurssikerta opetti jälleen paljon uutta QGIS-paikkatieto-ohjelmasta ja sen hyödyntämisestä. Alan pikku hiljaa ymmärtämään ohjelman ja geoinformatiikan mahdollisuudet datan analysoimisessa ja esittämisessä. Digitalisaation myötä se tulee vain kasvamaan, joten sen ymmärtäminen on hyvinkin tärkeää tulevaisuuden kannalta.

 

Lähteet: 

Eveliina Sirola – Afrikan valtioita, Internetinkäyttöä ja tulvaindeksejä, ”https://blogs.helsinki.fi/evsirola/” (Luettu: 20.2.2018)

Eemil Becker – Lisää soveltamista,                                ”https://blogs.helsinki.fi/beemil/” (Luettu: 21.2.2018)

Kepa – Digikuilu rikkaiden ja köyhien välillä on yhä suuri, ”https://www.kepa.fi/uutiset-media/uutiset/digikuilu-koyhien-ja-rikkaiden-valilla-yha-suuri” (Luettu: 21.2.2018)

 

 

QGIS–paikkatieto-ohjelman saloihin perehtyminen jatkui toisella kurssikerralla. Päivän tematiikkana olivat projektiot ja niiden merkitys sekä vaikutus datan visualisoinnissa. Kuten kaikki varmasti jo hyvin tiedämme, kolmiulotteista maapalloa ei pystytä projisoimaan kaksiulotteiselle tasolle ilman, että  joko pinta-alat, muodot, suunnat tai välimatkat vääristyvät. Tästä johtuen on kehitelty eri käyttötarkoituksiin soveltuvia karttaprojektioita, jotka auttavat meitä hahmottamaan maapallon eri alueita halutulla tavalla.

Kvantitatiivinen analysointi

Aloitimme luennon vertailemalla Lapista rajaamamme alueen  pinta-alan muutoksia projektorien vaihtuessa. Vertailussa käytin kolmea eri projektiota. Lambertin oikeapintaista tasoprojektiota, Mercatorin lieriöprojektiota sekä Robinsonin kompromissi projektiota. Lambertin projektio on oikea-alainen, eli se esittää pinta-alat todellisuutta vastaavina. Projektiota voidaan siis käyttää vertailukohteena, kun tarkastellaan muiden projektioiden aiheuttamaa vääristymää pinta-alan suhteen. Kokosin kyseisistä projektioista taulukon, jossa näkyvät Lapista rajaamani alueen pinta-alat eri projektioita käyttäessä (taulukko 1). Taulukkoa havainnoimalla ymmärtää, kuinka suuri merkitys projektiolla on lopputuloksen kannalta.

Mercator, sinä monsteri

Kuten taulukkoa havainnoimalla moni varmasti jo näkeekin, Mercatorin projektio räjähtää käsiin korkeilla leveysasteilla. Projektio suurentaa pinta-alan jopa kahdeksankertaiseksi sen todellisesta koosta. Tämä johtuu siitä, että projektio sivuaa päiväntasaajaa, jonka seurauksena virheet kasvavat sitä suuremmiksi, mitä kauemmaksi päiväntasaajasta liikutaan. Miksi tällainen hirvitys on sitten edes ikinä kehitelty? Projektion vahvuus piilee sen oikeakulmaisuudessa, mikä tekee siitä käytettävän navigoidessa suurella mittakaavalla suuria etäisyyksiä, esimerkiksi merellä. Roope Heinonen esittää blogissaan ajatuksia herättäviä pohdintoja projektion suosiosta maailmankartoissa. ”Onko tämä kenties jäänteitä länsimaisen valkoisen miehen ylivertaisuus aatteesta, rippeitä kolonialismista ja siirtomaa vallasta.” , Roope pohtii. Karttoja on aina käytetty myös poliittisiin tarkoituksiin sekä propagandan levittämiseen. Mercatorin suosio ei välttämättä ole poikkeus.

QGIS-paikkatieto-ohjelman avulla muokkasimme datasta visuaalista kartografiataidetta, koropleettikartan (kuva 1)

Kartassa Mercatorin vertailukohteena käytin Lambertin oikeapintaista tasoprojektiota, joka kuvaa (kuten aiemmin jo mainitsin) pinta-alat todellisen koon mukaan. Kartasta huomamme kuinka vääristymät kasvavat pohjoiseen päin liikuttaessa. Värien ei kannata kuitenkaan antaa liikaa hämätä, sillä legendaa tarkastelemalla huomaamme, että vääristymä on Suomen eteläisimmissäkin kolkissa useiden satojen prosenttien luokkaa. Conclusion: älä käytä Mercatorin projektiota esittäessä laajoja alueita kartalla.

Robinson, olet pelkkä kompromissi

Mercatorin projektion valheellisuuden jälkeen oli aika siirtyä Robinsonin projektion pariin, josko se toimisi paremmin. Robinsonin projektio suunniteltiin vuonna 1963 kuvaamaan etenkin maailmankarttoja. Projektio on kompromissi, mikä tarkoittaa sitä, että kaikki maailmankartoille tunnusomaiset virheet on yritetty minimoida. Käytännössä siis mikään ei ole täysin oikein, mutta vastapainona mikään ei myöskään ole päin tangenttia. Sen tarkoituksena on muodostaa mahdollisimman todenmukainen kuva maapallosta. Siinä se myös osaltaan onnistui, sillä yhdysvaltalainen National Geographic Society käytti projektiota maailmankartoissaan kymmenen vuoden ajan (1988-1998).

Robinsonin projektiosta sain ulkonäöltään paljonkin aiempaa Mercatorin projektiosta tehtyäni karttaa muistuttavan lopputuloksen (kuva 2). Pinta-alavirhe kasvaa myös Robinsonin projektiossa pohjoiseen päin liikuttaessa. Relevanttia myös tämän kartan analysoimisessa on tarkastella sen legendaa. Prosentuaaliset virheet ovat huomattavasti pienemmät kuin Mercatorin projektiossa. Niin kuin Aake Laine hyvin blogissaan toteaa, ei tämäkään koko maailmaa kuvaamaan tarkoitettu kompromissiprojektio sovellu yksittäisen maan, kuten Suomen kuvaamiseen.

Kurssikerran selonteko

Toinen kurssikerta tarjosi jälleen uusia haasteita sekä arvokasta uutta tietoa. Molemmat karttani onnistuivat mielestäni suhteellisen hyvin. Miinuspuolena kuitenkin niiden yhdennäköisyys. Tunnen kuitenkin QGIS-taitojeni karttuvan sekä kurssiblogin kirjoittamisen luonnistuvan yhä paremmin. Uskon saavuttavani GIS-velhon taidot ja Stephen Kingin vision tekstin tuottamiseen kurssin loppuun mennessä.

 

Lähteet: 

Roope Heinonen – Vääristynyt todellisuus, ”https://blogs.helsinki.fi/hcroope/2018/01/25/22-01-2018/” (Luettu: 2.2.2018)

Aake Laine – Projektioiden vertailua, ”https://blogs.helsinki.fi/aake/” (Luettu: 2.2.2018)

Wikipedia – Mercatorin projektio, ”https://fi.wikipedia.org/wiki/Mercatorin_projektio” (Luettu: 2.2.2018)

Wikipedia – Lambertin oikeapintainen tasoprojektio, ”https://fi.wikipedia.org/wiki/Lambertin_oikeapintainen_tasoprojektio” (Luettu: 2.2.2018)

Wikipedia – Robinsonin projektio, ”https://fi.wikipedia.org/wiki/Robinsonin_projektio” (Luettu: 2.2.2018)

 

 

Jouluruokien ja uudenvuoden juhlimisien jälkeen oli vihdoin aika palata tuttuun ja turvalliseen GIS-laboratorioon Kumpulan uumeniin kartuttamaan tietotaitoa geoinformatiikan mystisessä maailmassa.

GIS-labran uumenissa

Aloitimme kurssin Arttu Paarlahden opeissa kertaamalla paikkatiedon perusasioita ja käsitteitä: sijaintitieto – ominaisuustieto, vektoriaineisto –  rasteriaineisto, etc…  Perusasiat kerrattuamme oli aika siirtyä eteenpäin – minulle ja varmasti monelle muulle kohtalotoverilleni vielä tuntemattoman ja osaltaan kauhistustakin herättävän –  QGIS-paikkatieto-ohjelman pariin. QGIS on avoimen lähdekoodin paikkatieto-ohjelma, mikä tarkoittaa sen olevan vapaasti käytettävissä, muokattavissa ja jaettavissa. Lähdimme tuottamaan ensimmäistä teemakarttaamme yhteisesti vaihe vaiheelta gismen-2018 a.k.a Arttu Paarlahden johdolla. Moodlesta latasimme aineistopaketin, jonka data kertoi meille maailman saastuneimman meren typpikuormituksesta. Datan visualisoimme kauniiksi ja hyvin ymmärrettäviksi koropleettikartaksi (kuva 1).

Tarkoituksenani oli tehdä kartasta mahdollisimman pelkistetty, jotta sen visuaalinen analysointi olisi helppoa, eikä huomio kiinnittyisi turhiin ja epäolennaisiin asioihin sitä lukiessa. Jätin pois siis kaiken ylimääräisen, joka ei mielestäni lisännyt kartan informatiivisuutta.  Itämereen laskevat joet ja muut sisävedet olisivat olleet hyvä lisä – sillä suurin osa typpipäästöistä Itämereen laskee juuri vesistöjä pitkin –  mutta käsitellyn aineiston ”Lakes” layeri vain suttasi kartan sekalaiseksi, joten päätin jättää sen pois lopullisesta tuotoksesta. Syvyyskäyrät jäivät turhan paksuiksi, mikä vaikeuttaa niiden lukemista etenkin lähietäisyydeltä. Värimaailman halusin korostavan typpipäästöjen negatiivista vaikutusta Itämereen, joten perinteinen musta – valkoinen väriskaala oli mielestäni sopiva valinta. Käytin koropleettikartassa luonnollisia luokkarajoja. Ongelmana oli etenkin suurimman luokan suuri väli (13.30 – 33.70%), joka ei anna järkevää kuvaa todellisista päästöosuuksista. Mielestäni absoluuttiset päästöluvut olisi voinut sijoittaa valtioiden päälle, mikä olisi lisännyt kartan informatiivista arvoa. Kaiken kaikkiaan olen kuitenkin ensimmäisen QGIS tuotokseni kanssa sinut.

Hävetkää

Itse kartan esittämän tiedon analysointiin; Puola on selkeästi suurin typpipäästöjen tuottaja noin kolmanneksella kaikista yhteenlasketuista päästöistä. Puolan jälkeen suurimmat saastuttajat järjestyksessä ovat: Ruotsi, Venäjä, Latvia, Suomi, Saksa, Liettua, Tanska ja Viro. Suomen typpipäästöistä 85% kulkeutuu Itämereen jokiveden mukana (Syke 2015). Muita typpipäästöjen lähteitä ovat suora pistekuormitus (mm. yhdyskuntien ja teollisuuden jätevedet) sekä ilmalaskeuma mereen. Typpi – yhdessä fosforin kanssa – lisää Itämeren ravinnekuormaa, mikä kiihdyttää levien kasvua ja aiheuttaa sitä myötä rehevöitymistä ja vedenlaadun heikkenemistä. Itämeri on suhteellisen matala sisämeri ja erittäin haavoittuvainen rehevöitymiselle. Siksi olisikin tärkeää keskittää voimavaroja sen suojeluun ja päästöjen vähentämiseen.

Lopuksi

Parannusehdotuksia, kommentteja ja kuittailuja kieli oppi virheistäni saa ja on toivottavaa antaa kommenttiosioon  tekstin alapuolelle. Nyt lähden juomaan olutta saunaan perjantai-illan kunniaksi. Kiitos ja kuulemiin.

 

Lähteet:

COSS – Avoin lähdekoodi, https://coss.fi/avoimuus/avoin-lahdekoodi/ (luettu 26.01.2018)

SYKE – Itämeren typpikuorma Suomesta (2015), http://www.ymparisto.fi/fi-FI/Meri/Mika_on_Itameren_tila/Itameren_typpikuorma_Suomesta(31457 (luettu 26.01.2018)