Viimeisessä blogin osiossa luovuutemme ja gis-taitomme päästettiin täysin irti, sillä tarkoituksenamme oli luoda jokin mielenkiintoinen kartta jonkin alueen alueellisista eroista. Tehtävä tuntui aluksi hankalalta, koska juuri haluamaani dataa oli vaikea löytää, vaikka internet on täynnä kaikenlaista tietoa ja juuri gis-datallekkin on omistettu monia nettisivuja. Aluksi tarkoituksenani oli tehdä kehitystä kuvaavia maailmanlaajuisia karttoja, mutta maailman mittakaavalla esimerkiksi hdi-luvuista ei löytynyt aineistoja yhdestä paikasta ja yksitellen niiden kerääminen olisi vienyt ikuisuuden.

Yhtenä päivänä päädyin huvikseni lukemaan maantieteen ylioppilaskirjoituksia ja siellä oli tehtävä maailman valtioiden onnellisuuden vertailemiseen liittyvä tehtävä. Inspiroiduin tästä ja etsin kyseisen tehtävän tietolähteen internetistä. Suureksi ilokseni tutkimuksen tekijät olivat laittaneet keräämänsä datan avoimeen käyttöön excelissä (Kuva 1). Kiitos kuuluu heille: Helliwell, J., Layard, R., & Sachs, J. (2018). World Happiness Report 2018, New York: Sustainable Development Solutions Network, luettu 27.3.2018

Tästä datasta tein kartan, joka kuvaa maailmanlaajuista onnellisuutta (kartta 1). Kartan teossa ilmeni muutamia ongelmia sillä pohjakarttanani toimineessa ”Natural Earth Datassa” ja aineistossani jotkin maat olivat eri nimillä kuin aineistossani, minkä takia niitä ei suoraan voitu yhdistää. Esimerkkinä tästä Kongon demokraattinen tasavalta oli excelissä ”Congo (Brazzaville)” ja Natural Earth Datassa ”The Democratic Republic of the Congo”. Toinen ongelma oli sopivien luokitusten laskeminen legendaa varten. Qgis aloittaa laskemisen aina nollasta, mutta käsittelemäni datan pienin arvo on noin 2,8. Jouduin siis laskemaan itse ja lisäämään kartan luvut manuaalisesti, jotta kartta ei vääristyisi. Huomioikaa myös, että mikään valtio ei ole alle 2,8, vaikka legendassa yksi osio on 0,0 – 2,8. Tämä on virhe minun osaltani.

Tutkimuksessa ihmisiltä kysyttiin arvostelemaan onnellisuutensa nollasta kymmeneen. 0 on huonoin mahdollinen ja 10 paras mahdollinen. Siinä on myös tehty taulukko (Taulukko 1), jossa maiden eroja selitetään kuudella onnellisuuteen vaikuttavalla tekijällä: Bruttokansantuotteella, elinajanodotteella, anteliaisuudella, sosiaalisella tukiverkolla, vapaudella tehdä omia päätöksiä ja korruption määrällä. Näiden lukujen takana on tutkimuksessa VALTAVASTI dataa. Mielestäni taulukon lisääminen blogiin on järkevää, koska pienet valtiot kuten Israel eivät erotu kartassa, vaikka se onkin huomattavasti ympäröiviä valtioita onnellisempi.

Kartasta 1 ja taulukoista 1 voimme havaita, että onnellismpia valtioita ovat Pohjois- ja Keski-Euroopan valtiot sekä Kanada, Uusi-Seelanti ja Australia. Tämä johtuu todennäköisesti maiden vauraudesta, hyvästä sosiaaliturvasta ja tasa-arvoisesta yhteiskunnasta. Selkeästi epäonnellisin maanosa on Afrikka, jossa vain pohjoisen valtiot yltävät keskitasolle. Syitä tähän on monia. Esimerkkeinä huono taloudellinen tilanne, kansaterveyden ongelmat, konfliktit, korruptio ja demokratian toimimattomuus.

Ympäristöstään poikkeavia valtioita on myös havaittavissa kartassa. Euroopassa Ukraina erottu selkeästi ympäristöstään. Syynä tähän on todennäköisesti vuosina 2014-2016 käyty Itä-Ukrainan sota, jossa on tapahtunut konflikteja myös vuonna 2017.  Muita selvästi erottuvia konfliktialueita ovat kartalla Syyria, Afganistan, Keski-Afrikan tasavalta, Etelä-Sudan ja Jemen. Kolme viimeisintä ovatkin viiden vähiten onnellisen valtion joukossa. Yksi minua mietityttävä asia on, kuinka Saudi-Arabia on niin korkealla listalla ja Israelin jälkeen onnellisin valtio Lähi-Idässä, vaikka Amnesty Internatinallyn mukaan siellä ihmisoikeuksia rikotaan erittäin vakavasti (https://www.amnesty.org/en/countries/middle-east-and-north-africa/saudi-arabia/report-saudi-arabia/, luettu 27.3.2018). Myös naisten oikeudet ovat siellä todella huonolla tasolla. On todennäköisttä, että onnellisuus on monilta osin subjektiivista, vaikka on olemassa tutkittuja asioita, jotka lisäävät onnellisuutta.

Ulkomailla syntyneiden kokema onnellisuus

Toinen tekemäni kartta tarkastelee ulkomailla syntyneiden kokemaa onnellisuutta (kartta 2). Tieto on saatu vuosien 2005-2017 välillä tehdyistä gallupeista, joissa ihmisiä pyydettiin arvioimaan omaa onnellisuuttaan nollasta kymmeneen. Erona tässä on aika, jolta tulokset ovat otettu. Liitin tähän myös Taulukon aineiston datasta (Taulukko 2) (https://s3.amazonaws.com/happiness-report/2018/WHR_web.pdf, sivut 30-33, luettu 27.3.2018). Harmillista on, että otoksesta on jäänyt pois monia valtioita erityisesti Etelä-Amerikasta ja Aasiasta.

Ulkomailla syntyneiden onnellisuus on pitkälti samassa suhteessa valtioissa syntyneisiin nähden. Jälleen samat valtiot ovat listan kärjessä. Näiden lisäksi kartassa erottuvia maita ovat positiivisesti Meksiko, Chile ja Oman, jotka parantavat tulostaan verrattaessa karttaan 1. Negatiivisesti erottuvia valtioita löytyy Euroopasta enemmän, kun tarkistellaan ulkomailla syntyneiden onnellisuutta. Baltian valtioissa ja Kaakkois-Euroopan valtioissa ulkomailla syntyneen väestön onnettomuus erottuu muusta Euroopasta. Lisäksi Kazakstan pistää kartalla silmään.

Suomi on listan kärjessä.  Lisäksi ulkomailla syntyneet tuntevat olonsa Suomessa onnellisemmiksi kuin Suomessa syntyneet. Voidaankin sanoa, että ulkomailla syntyneet Suomessa asuvat ihmiset ovat maailman onnellisin väestöryhmä maailmassa ainakin valtiotasolla (Hyvä me!). Usein huonommista oloista parempiin muuttavat ihmiset ovat onnettomampia kuin kantaväestö, koska heidän lähtökohtansa onnellisuuteen ovat huonommat. World Happiness Reportin mukaan 25% ihmisen onnellisuudesta perustuu tämän lähtömaahan. Sama efekti on päinvastoin. Hyvän onnellisuuden valtiosta huonompaan muuttava on keskimäärin onnellisempi kuin valtion kantaväestö.

Onnellisuus laskussa?

Viimeinen karttani (kartta 3) esittää ihmisten kokeman onnellisuuden kehittymistä vertailtaessa vuosien 2008-2010 tuloksia vuosiin 2015-2017. Kartta on ehkä hieman hämäävä, koska vain 2 tumminta sinisen sävyä tarkoittaa, että ihmiset ovat onnellisia. Tämä tarkoittaa, että 52%:sa tutkimuksen valtioista onnellisuus on laskenut. Tosin tarkkaa ihmislukua on vaikea sanoa, koska esimerkiksi Kiinassa, jossa on paljon ihmisiä onnellisuus näyttäisi olevan nousussa. Monissa valtioissa merkittävää muutosta ei ole myöskään tapahtunut.

Kartalla silmäänpistävin valtio on Venezuela, jossa onnellisuus on laskenut yli kaksi kertaa niin paljon kuin eniten nousseen Togon luku. Venezuelassa on käynnissä taloudellinen ja sosiaalinen kriisi. Virpi Salojärvi kirjoittaa Venezuelan tilanteesta artikkelissa ”Mitä Venezuelassa tapahtuu” 15.8.2017 (http://politiikasta.fi/mita-venezuelassa-tapahtuu/, luettu 27.3.2018).  Hän kertoo ongelmien johtuvan pitkälti demokratian vääränlaisesta käyttämisestä ja vallan keskittymisestä presidentti Moduron käsiin. Lisäksi maa kärsii ruoka ja lääkepulasta. Tämän lisäksi valtion talous on heikentynyt öljyn hinnan laskun ja inflaation myötä. Muita merkittävästi onnellisuudessa laskeneita valtioita ovat Syyria, Jemen, Malawi ja Turkmenistan.

Afrikka on paljolti kahtia jakautunut. Siellä sijaitse eniten onnellisuudessa nousseita valtioita, mutta myös monia paljon laskeneita. Afrikan tilanne on hyvin valtiokohtaista. Guineanlahden rannikkovaltioissa ja Marokossa kasvu on suurta.  Kuitenkin esimerkiksi Malawi, Madakaskar ja Sambia ovat laskeneet onnellisuudessaan huomattavasti.

Euroopassa jo aiemmin mainitsemani Ukraina erottuu joukosta. Lisäksi esimerkiksi Kreikassa, Italiassa ja Albaniassa onnellisuuden alentumista voidaan pitää merkittävänä. Suomessa onnellisuus on noussut hieman, mutta esimerkiksi Tanskassa ja Ruotsissa luku on laskusuunnassa. Ne ovat silti taulukossa 1. toinen ja kahdeksas kaikista valtioista.

Onnellisuus todellisuudessa

Käyttämäni aineisto on hyvin kvantitatiivista, eikä se kerro koko totuutta onnellisuudesta. Muutenkin onnellisuus käsitetään eri tavalla erilaisissa sosiaalisissa ympäristöissä. Toiselle ihmiselle 7/10 saattaa tarkoittaa eri asiaa kuin toiselle. Tämän takia aiheesta tarvittaisiin myös kvalitatiivista tutkimusta. Minua myös mietityttää, miten Suomi on niin korkealla masennus- ja itsemurhatilastoissa vaikka sen väitetään olevan maailman onnellisin maa. Tämä on nähtävissä esimerkiksi kartta neljästä, joka perustuu PLOS Medicinen tekemään tutkimukseen ”Burden of Depressive Disorders by Country, Sex, Age, and Year: Findings from the Global Burden of Disease Study 2010” (http://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1001547, luettu 27.3.2018).

Tämän lisäksi on havaittu, että talouskasvu ei suoraan lisää onnellisuutta. Länsimainen käsitys materiaalisesta onnellisuudesta ja asioiden ostamisesta ei tutkitusti lisää onnea. Varallisuus kuitenkin mahdollistaa monia asioita, jotka tekevät ihmiset onnelliseksi. Tärkeimmät onnellisuuteen vaikuttavat tekijät ovat ihmissuhteet, terveys, maailmankatsomus ja varallisuus. Vaikka Suomessa 8/10 ihmisestä pitää itseään onnellisena jättää se silti jäljelle miljoona ihmistä, jotka eivät koe olevansa onnellisia. Tekemistä siis riittää. Kuitenkin mielestäni tekemäni kartat ovat hyvin suuntaa-antavia ja onnellisuutta voi tiettyyn pisteeseen asti mitata luvuilla, koska monet siihen vaikuttavat tekijät ovat universaaleja ja Suomi voi olla ylpeä ensimmäisestä sijastaan. Ei pidä vaipua epätoivoon ja tähän on varmaan hyvä lopettaa tämä kurssi!

Lähteet:

Helliwell, J., Layard, R., & Sachs, J. (2018). World Happiness Report 2018, New York: Sustainable Development Solutions Network, luettu 27.3.2018

https://www.amnesty.org/en/countries/middle-east-and-north-africa/saudi-arabia/report-saudi-arabia/, luettu 27.3.2018

http://politiikasta.fi/mita-venezuelassa-tapahtuu/, luettu 27.3.2018

M. Fisher, Washington Post, 7.9.2013, https://www.washingtonpost.com/news/worldviews/wp/2013/11/07/a-stunning-map-of-depression-rates-around-the-world/, luettu 27.3.2018

http://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1001547, luettu 27.3.2018

Kuudennen viikon kurssikerta alkoi mukavasti ulkoilun merkeissä, kun meidät päästettiin itse tekemään aitoa kenttätutkimusta Helsingissä muun muassa eri paikkojen saavutettavuudesta, viihtyvyydestä ja ihmisten määrästä. Auringon paiste ja kirpakka pakkanen toivat mukavaa vaihtelua usein huonoilmaiseen atk-luokkaan. Saimme myös todistaa vanhaa sanontaa kylmyys on pukeutumisasia, kun keräsimme pistetietodataa Epicollect5 puhelinsovellukseen ilman hanskoja ja pipokin taisi jäädä kotiin. Pienen reippailun jälkeen saimme ihailla tulosta luokassa, jossa opiskelijat olivat keränneet dataa yhteen tietokantaan pisteinä, mistä löytyi kuvia ja arvosteluja yhdestä viiteen.

Näin helppoa on siis tuottaa maantieteellistä tutkimusaineistoa. No täytyy kuitenkin muistaa, että tutkimuksemme tulokset ovat hyvin subjektiivisia riippuen esimerkiksi päivän- ja vuodenajasta. Kävimme muun muassa Sörnäisten Vaasanpuistikossa, joka näin päiväsaikaan on hyvin erilainen kokemus kuin pimeänä perjantai-iltana. Tosin saavutettavuus on ihan 5/5 metroaseman johdosta, kuten Eveliina Sirola blogissaan esittää (https://blogs.helsinki.fi/evsirola/2018/02/26/behind-the-scenes-mantsa-on-kivaa/, luettu 28.2.2018). Myös tutkijan oma mielipide pääsee tässä kohtaa suureen rooliin, sillä esimerkiksi itse koen oloni turvalliseksi oikeastaan missä tahansa liikun, mutta joku toinen ei välttämättä.

Onneksi datan keruu onnistuu myös sisällä mukavasti koneen äärellä istuen. Tähän käytimme Qgisiin lisättävää pluginiä ”Google StreetViewiä”, jossa tuotimme Helsingin keskustassa pisteitä ja arvioimme niiden kaupallisuutta. Tässäkin työssä arvioimme kuinka paljon näemme kuvassa kauppoja yhdestä viiteen. Yhden korttelin kierrettyämme pystyimme alkamaan tutkimaan tuloksiamme. Minun täytyy kuitenkin myöntää pudonneeni pahasti kärryiltä, kun pisteitä piti interpoloida. Ymmärsin kuitenkin, mitä sillä haetaan. Eri arvot tuottavat kartalle eri näköisen alueen sen mukaan, kuinka suuria arvoja eri pisteet ovat saaneet, koska niiden väliin muodostuu alue, joka mukailee pisteiden arvoja niiden väliltä.

Itsenäistehtävät ja niiden sovellus opetukseen

Itsenäistehtävänä meillä oli tuottaa karttoja maailmanlaajuisista hasardeista. Karttoja tuli tuottaa yhdestä kolmeen ja valitsin aiheikseni maanjäristykset (Kartta 1) ja aktiiviset tulivuoret (Kartta 2). Mielestäni näitä on hyvä tutkiä yhdessä, koska ne liittyvät toisiinsa ja esiintyvät usein samoilla alueilla. Karttojen luomiseksi käytin netistä löytyvää ilmaista tilastotietoa, jota löytyy yllättävän paljon. Lisäksi innostuin vielä tuottamaan kolmannenkin kartan, joka esittää löydettyjä meteoriitteja maan päällä (kartta 4).  Itse karttojen tuottaminen tapahtui excelissä ja niistä kuului muodostaa csv (comma separated value)-tiedosto, jotta ne voidaan liittää Qgisiin. Tehtävänämme on pohtia miten, näitä karttoja voitaisiin hyödyntää opetuskäytössä.

Kartalla yksi näemme yli kuuden magnitudin  richterinasteikolla mitattuna tapahtuneet maanjäristykset. Päätimme rajata järistykset kuudesta ylöspäin, koska silloin ne alkavat olemaan vaaraksi ihmisille. USGS:n  (United States Geological Survey) mukaan 6-7 magnitudin maanjäristys aiheuttaa tuhoa erityisesti huonosti rakennetuissa ympäristössä ja tiheästi asutuilla alueilla (https://earthquake.usgs.gov/learn/topics/mag_vs_int.php, luettu 1.3.2018). Jos tarkastelemme karttaa, erityisesti Tyynen valtameren länsiosissa tapahtuu paljon maanjäristyksiä. Tämä on siitä merkittävää, että erityisesti Kaakkois-Aasian valtiot ovat tiheään asuttuja ja monessa niistä infrastruktuuri ei ole kovin hyvällä tasolla.

Mielestäni kartta havainnollistaa hyvin maanjäristysten sijainteja maailmanlaajuisesti ja tätä kautta oppilaita voisi valistaa niiden aiheuttamista tuhoista. Maanjäristykset aiheuttavat maan liikettä, joka rikkoo ihmisten rakentamia asioita, joka on suoraan vaaraksi ihmisille. Se on myös taloudellisesti todella tuhoisaa valtioille. Maanjäristykset voivat myös välillisesti aiheuttaa muita luonnonhasardeja, kuten maavyöryjä ja tsunameja. Muun muassa 2000-luvulla on tapahtunut monia historian tuhoisimmista luonnonkatastrofeista, kuten vuoden 2004 Intian valtamerellä tapahtunut tsunami ja vuoden 2011 Tohokun maanjäristys, joka on rahallisesti maailman historian tuhoisin luonnonkatastrofi kirjoittaa Becky Oskin artikkelissa  ”Japan Earthquake & Tsunami of 2011: Facts and information” (https://www.livescience.com/39110-japan-2011-earthquake-tsunami-facts.html, luettu 1.3.2018).

Kartta 2 esittää aktiivisia tulivuoria maailmanlaajuisesti. Tulivuoret sijaitsevat paljolti samoissa kohdissa kuin maanjäristyksetkin. Tämä johtuu siitä, että molemmat hasardit ovat yhteydessä litosfäärilaattojen liikkeeseen, kuten kartasta 3 voidaan havaita.(https://en.wikipedia.org/wiki/Plate_tectonics#/media/File:Plates_tect2_en.svg, luettu 8.1.2018). Opetettaessa näiden yhteys on hyvä esittää ja tekemistäni kartoista tämä näkyy mielestäni hyvin. Tulivuoria on monenlaisia riippuen niiden sijainnista ja magman rakenteesta. Kartta olisi infromatiivisempi, jos eri tulivuorityypit näkyisivät siinä, kuten Marisa Nurminen  blogissaan ”Kurssikerta 6: Pakkasta ja hasardeja” (https://blogs.helsinki.fi/marisa/2018/02/27/kurssikerta-6-pakkasta-ja-hasardeja/, luettu 1.3.2018) on tehnyt. Opetuksessa on myös tärkeä esittää, että tulivuoria esiintyy myös siellä, missä maanjäristyksiä ei. Selkeimmin tämä näkyy Afrikassa lähellä Afrikanlaatan ja Arabianlaatan erkanemisvyöhykettä. Tämä johtuu siitä, että maanjäristykset sijaitsevat yleensä litosfäärilaattojen törmäämis- ja sivuamisvyöhykkeillä, kun taas tulivuoria esiintyy myös niiden erkanemiskohdissa.

Kartan 4, joka esittää löydettyjä meteoriittien jälkiä ja kokoa luomisessa tarvittiin pientä hienosäätöä excelissä. Jotta meteoriittien koot pystytään erottelemaan, täytyy aineiston ”mass, g”-kolumnista poistaa pilkut. Lisäksi muutin massat grammoista kilogrammoihin jakamalla ne tuhannella Qgisissä. Tämän jälkeen muutin molemmat ympyröiden värit ja koot, jotta se havainnolistaisi eri kokoisten kappaleiden eroja. Karttaa tehdessäni minua alkoi kiinnostaa suurimmat meteoriitinjäljet. Yksi näistä on Namibiassa sijaitseva Hoba meteoriitti on suurin löydetty meteoriitti maapallolla (https://geology.com/records/largest-meteorite/, luettu 1.3.2018). Sen on arvioitu iskeytyneen maahan 80 000 vuotta sitten ja painaneen 66 000 kiloa. Tässä vaiheessa on hyvä kiinnittää huomiota siihen, että netistä saatavat aineistot eivät välttämättä ole täysin luotettavia, sillä esimerkiksi meteoriittiaineistossa kyseinen meteoriitti on merkitty painaneen 60 000 kiloa. Lisäksi kartassa 2 näyttää siltä, että Ruotsissa sijaitsisi tulivuori, vaikka tämä ei pidä paikkaansa.

En osaa sanoa kartan neljä pedagokista arvoa, koska meteoriitit eivät ole erityisen suuri uhka ihmisille, koska suuria meteoriitteja iskee maapalolle niin harvoin. Kartassa näkyvät kaikki löydetyt meteoriitit, joka saattaa hämätä oppilaita luulemaan, että niitä osuisi maahan todella usein. Matt Blaken ja Mario Ledwithin kirjoittamassa Daily Mailin artikkelissa ”Meteor that crashed in Russia is the largest to have hit earth in more than a 100 YEARS, claim scientists” (http://www.dailymail.co.uk/news/article-2280920/Meteor-crashed-Russia-largest-space-rock-hit-earth-century-claim-scientists.html, luettu 1.8.2018) kerrotaan, kuinka suurin isku maahan yli sataan vuoteen vahingoitti vain noin 1500:taa ihmistä, joka ei ole erityisen suuri luku, jos sitä verrattaan esimerkiksi maanjäristysten aiheuttamiin uhrilukuihin.

Lähteet:

https://blogs.helsinki.fi/evsirola/2018/02/26/behind-the-scenes-mantsa-on-kivaa/, luettu 28.2.2018

https://earthquake.usgs.gov/learn/topics/mag_vs_int.php, luettu 1.3.2018

https://www.livescience.com/39110-japan-2011-earthquake-tsunami-facts.html, luettu 1.3.2018

https://en.wikipedia.org/wiki/Plate_tectonics#/media/File:Plates_tect2_en.svg, luettu 1.3.2018

https://blogs.helsinki.fi/marisa/2018/02/27/kurssikerta-6-pakkasta-ja-hasardeja/, luettu 1.3.2018

https://geology.com/records/largest-meteorite/, luettu 1.3.2018

http://www.dailymail.co.uk/news/article-2280920/Meteor-crashed-Russia-largest-space-rock-hit-earth-century-claim-scientists.html, luettu 1.3.2018

Tällä kurssikerralla tuotimme dataa Qgis:in avulla ja tarkoituksenamme oli laskea erilaisia lukuja käyttäen Qgis:iä ja Execeliä. Kurssikerta oli siitä erilainen, että suurin osa työstä, jota teimme oli itsenäistä, eikä lähes koko kurssikertaa käytetty luennoitsija Paarlahtea seuraten. Aihe oli mielestäni mielenkiintoinen, koska se vastasi paljolti sitä, mitä geoinformatiikassa todellisessa elämässä tehdään. Tunnin pääteemana toimivat bufferi, eli puskuri vyöhykkeet. Eemil Becker kertoo blogissaan mihin niitä voisi esimerkiksi käyttää: ”Puskurivyöhykkeiden avulla pystytään esimerkiksi tarkastelemaan saavutettavutta, teiden melu- ja ilmansaasteita, sekä vaikkapa jokien alueiden maanviljelysmahdollisuuksia.”(https://blogs.helsinki.fi/beemil/2018/02/19/homma-rupee-sujumaan/, luettu 28.2.2018).

Aloitimme Tutkimalla Pornaisten rajauksen sisällä olevien teiden pituuksia ja peltojen pinta-aloja. Nämä saimme selville analysointityökalun alta löytyvästä ”sum line lenghts” toiminnolla ja  peltojen pinta-alan geoprosessointityökalun ”intersects” ja ”clip” työkalun avulla. Tämän jälkeen pääsimme harjoittelemaan buefferointia eli puskurointia. Se tarkoittaa jonkin pisteen, viivan tai alueen ympärille tehdyn alueen luomista ja sen sisälle jäävän alueen analysointia. Tarkoituksenamme oli tarkastella kuinka paljon ihmisiä asuu Pornaisissa 100 metrin säteellä sen kuudesta päätiestä. Olimme asettaneet pisteet niin, että ihmisten lukumäärä jokaisessa pisteessä vaihtelee sattumanvaraisesti yhden ja seitsemän välillä. Laskimme näiden tietojen avulla ”Spatial querya” apua käyttäen kuinka monta taloa, asukasta ja kuinka monta prosenttia nämä muodostavat koko alueen ihmisistä.

Pornaisten tutkimisen jälkeen käytimme lopputunnin itsenäisharjoitusten tekemiseen ja niistä saadun datan esittämiseen excelissä (Taulukko 1). Itsenäistehtävässä yksi tutkimme erilaisten joukkoliikenneasemien vaikutusta sitä ympäröiviin ihmisiin. Ensimmäiseksi tutkimme Malmin lentokenttää ja sen melualueella asuvia ihmisiä. Helsinki-Malmin lentoasema on jo pitkään ollut kiistelyn alla, kuten Helsingin sanomien artikkeleista voidaan huomata (https://www.hs.fi/aihe/malmin-lentokentta/, luettu 27.2.2018). Mielipiteitä löytyy niin vastaan kuin puolestakin enemmän kuin tarpeeksi.

Tehtävässä meidän kuului piirtää itse lentoradat ja tehdä tämän jälkeen kahden ja yhden kilometrin kokoinen puskurointivyöhyke niiden ympärille. Tässä kohtaa on hyvä muistaa tehdä puskurivyöhykkeen ”segments”-osiosta tarpeeksi suuri, jotta alueesta tulee pyöreä. laitoin luvuksi 36 koska se vastaa suurpiirteittäin ympyrää. Tulos näkyy taulukossa 1. 2km säteellä ihmisiä Malmin lentokentästä asuu 56672 ja 1km säteellä  8687. 2km säteellä asuvien ihmisten lukumäärä yllätti minut sen suuruudella. Kuitenkin Helsingin kaupungin meluselvityksen mukaan vain 562 ihmistä asuu Malmin lentokentän melualueella.  (https://www.hel.fi/hel2/ymk/meluselvitys/selvitys.htm, luettu 27.2.2018). Jos tätä vertaa esimerkiksi automelusaasteen lähettyvillä asuviin ihmisiin, joita on selvityksen mukaan 282 000, on se todella pieni. Hauskaa oli myös havaita, että asun itse lähes tuon 2km bufferin rajalla Viikissä, enkä ole kiinnittänyt mitään erityistä huomiota lentomeluun.

Seuraavaksi tutkimme Helsinki-Vantaan lentokentän 55:en desibelin ja 65:en desibelin melualueita ja niiden sisällä asuvia ihmisiä. Kuten taulukosta 1 voidaan huomata 65 desibelin melualueella asuu vain 27 ihmistä, joka on 0.262% koko alueen asukkaista. 55 desibelin melualueella luku nousee paljon 11913:een. Vuonna 2002 Helsinki-Vantaalle rakennettiin kolmas kiitotie, koska lentoliikenne sinne oli kasvanut liian suureksi (https://yle.fi/uutiset/3-5123844, luettu 27.2.2018). Tällöin lentomelu kohdistui Tikkurilan suuntaan jolloin melualueella asui yli kaksi kertaa enemmän ihmisiä (26028).

Itsenäistehtävä yhden lopuksi tutkimme vielä kuinka ihmiset ovat sijoittuneet tutkimallamme alueella suhteessa juna- ja metroasemiin. Tästä pystymme päätellä, että todella suuri osa työikäisistä ihmisistä asuu jonkin aseman lähellä (68.52%). Tälläistä dataa voidaan hyödyntää esimerkiksi aluesuunnittelussa, joka on yksi maantieteilijän mahdollisista ammateista. Uusien julkisen liikenneyhteyksien sijoittaminen ja niiden kehittäminen vaikuttaa merkittävästi yhteiskunnan tulevaisuuteen ja esimerkiksi alueellisen kehityksen tasapuolistumiseen.

Itsenäistehtävässä 2 ja 3 tutkimme taajama-alueella asuvia ihmisiä pääkaupunkiseudulla yleisesti, maahanmuuttajien osuutta eri alueilla ja Helsingin Yhtenäiskoulun tulevaisuudennäkymiä. Koko pääkaupunkiseudun väestöstä 96.10% asuu taajama-alueella (taulukko 1). Kouluikäisistä tämä osuus on lähes sama 96.36%. Laskimme myös koulupiirejä apua käyttäen Helsingin yhtenäiskoulun tulevaisuuden näkymiä. Vuonna 2019 Helsingin yhtenäiskoulussa aloittaa 14 uutta koululaista ja aloittavia yläkouluikäisiä on 62. Itsenäistehtävä 2 perusteella vieraskielisiä koululaisia olisi koulussa noin 10.

Harmikseni en ottanut kuvia karttojen työstämisvaiheessa, joten tästä blogiosuudesta tuli hieman tylsän näköinen. Tosin tunnin teemana olikin tuottaa taulukko ja soveltaa kurssilla oppimiamme taitoja.

Malmin lentokentästä 2km säteellä asuvat	56672
Malmin lentokentästä 1km säteellä asuvat	8687
Helsinki-Vantaan lentokentästä 2km säteellä asuvat	10288
Pahimmalla melualueella asuvat ihmiset Helsinki-Vantaan lentokentästä	27	0.262 %
55db melualueella asuvat ihmiset Helsinki-Vantaan lentokentästä	11913
Tikkurilan melualueella asuneet ihmiset vuonna 2002	26028
Ihmiset 500m säteellä asemista	106691
Kaikki asukkaat alueella	490173
500 metrin alueella asemista asuvat ihmiset, %	21.77%
Työikäiset 500 metrin alueella asemista	73108	68.52%
Koko alueella asuvat ihmiset	1042446
Taajama-alueella asuvat ihmiset, %	1001830	96.10%
Kouluikäisiä yhteensä alueella	114805
Kouluikäisiä taajamissa alueella	110629
Kouluikäisiä taajamien ulkopuolella, %	96.36%
Maahanmuuttajien osuus yli 10%, alue	65
Maahanmuuttajien osuus yli 20%,alue	21
Maahanmuuttajien osuus yli 30%, alue	13
Aloittavat kouluikäiset Helsingin yhteiskoulussa	14
Aloittavat yläkouluikäiset Helsingin yhteiskoulussa	62
Aloittavat peruskouluikäiset kaikista koulupiirin asukkaista, %	9.13%
Vieraskielisten määrä kaikista kouluikäisistä koulupiirin asukkaista	10

Taulukko 1. Taulukko Vantaalla ja Pääkaupunkiseudulla lentomelusta kärsivistä, koulupiireistä ja maahanmuuttajien osuuksista niissä.

Omaa Qgis osaamista arvioidessani minulla herää hieman huolia osaamiseni suhteen. Olen kyllä saanut kurssilla tehdyt tehtävät valmiiksi, mutta en aina ymmärrä, miksi joitain asioita tehdään. Koen osaavani uusien vektori- ja rasteritasojen tuomisen ohjelmaan. Lisäksi tiedän, kuinka niissä olevaa dataa tarkastellaan ja missä voidaan laskea asioita. Myös ”Spatial Query”- toiminnon koen hallitsevani hyvin. Myös ”print composerin” ja karttojen visuaalinen esittäminen alkaa luonnistumaan minulta hyvin. Osaan piirtää ja tehdä pisteitä kartalle.

Kuitenkin monesti esimerkiksi kyselyitä tehdessä en tiedä mitä kannattaa raksittaa ja milloin, joka saattaa muuttaa lopputuloksen täysin. Hiomista taidoissa siis löytyy vielä paljon. Monesti yksinkertaiset ja pienet asiat estävät minua saamaan aikaan toivottua lopputulosta. Lisäksi, jos tehtävänanto ei kerro, mitä tulisi tehdä on minun usein hankala soveltaa osaamistani.

 

Lähteet:

https://www.hs.fi/aihe/malmin-lentokentta/, luettu 27.2.2018

https://www.hel.fi/hel2/ymk/meluselvitys/selvitys.htm, luettu 27.2.2018

https://yle.fi/uutiset/3-5123844, luettu 27.2.2018

https://blogs.helsinki.fi/beemil/2018/02/19/homma-rupee-sujumaan/, luettu 28.2.2018

 

 

Tämän kurssikerran aiheena meillä oli opetella tuottamaan paikkatietoa ruutuaineistomuodossa, joka on yksi perinteisimmistä geoinformatiikalla tuotettavista karttaesityksistä. Eveliina Sirola kertoo blogissaan ”Neljäs kerta toden sanoo” hyvin pistetietokannoista: ”Pisteaineistot ovat kaikista tarkimpia paikkatietoaineistoja, joihin voidaan kerätä tietoa melkein minkälaisista kohteista tahansa. Nimensä mukaan pisteaineistolla kuvataan yleensä kartoissa pistemäisiä kohteita, kuten rakennuksia tai vaikkapa eläinhavaintoja. Nämä kohteet yleensä sisältävät paljon ominaisuustietoa, kuten rakennusten tapauksessa vaikkapa niiden tyypistä, käyttötarkoituksesta tai rakentamisvuodesta.” Matti Moisala kertoo blogissaan (https://blogs.helsinki.fi/moisalam/2018/02/08/4/) myös pistetietoaineistojen huonoista puolista, jotka ovat niiden kallius ja keräämisen hankaluus.

Tasoiksi valitsimme kuntarajauksen Helsingistä, Vantaalta, Espoosta ja Kauniaisista. Näiden päälle vedimme ruudukon, joka oli 1000m kertaa 1000m. Tarkoituksena meillä oli selvittää missä päin pääkaupunkiseudulla elää eniten ruotsinkielisiä ihmisiä. Ensiksi poistimme ”Spatial query”-toiminolla kaikki ne ruudut, joissa ei ole mitään tietoa, sillä on turha säilyttää ruutuja alueella, jossa ei esimerkiksi asu yhtäkään ihmistä. Tämän jälkeen yhdistimme tietokannan ruotsia puhuvista ihmisistä ruudukkoaineistoon. Näin saimme tulokseksi kartan, jossa eri väreillä on merkattu ruudukkoon ruotsinkielisten ihmisten määrä lukuina. Mitä tummempi ruutu, sitä enemmän sen alueella asuu ruotsinkielisiä.

Vieraskieliset ja ulkomaalaiset pääkaupunkiseudulla

Yhdessä luennoitsija Paarlahden tekemän kartan jälkeen meille annettiin tehtäväksi luoda samantyyppinen, mutta eri aiheesta esittävä kartta. Päätin ottaa tietokannakseni vieraskieliset ja ulkomaalaiset pääkaupunkiseudulla. Muutin ruudukon 500m kertaa 500m kokoiseksi vector gridin asetuksista, joka löytyy Qgis-ohjelmassa Vector ja Research tools osion alta. Olen samaa mieltä Eemil Beckerin (https://blogs.helsinki.fi/beemil/2018/02/08/kurssikerta-4/)  ja Olivia Halmeen (https://blogs.helsinki.fi/halmeoli/2018/02/11/kiikarissa-pikselimeri/) kanssa, siitä että 500m x 500m kokoinen ruudukko on sopivan kokoinen pistetietokantojen visualisointiin, koska spatiaaliset erot tulevat siinä hyvin esiin ja ruudut eivät ole liian pieniä. Tämän jälkeen loin uuden aineiston ja poistin jälleen turhat ruudut kartalta.

Tulokseksi sain kyseisen kartan (kuva 1), jossa vieraskieliset ja ulkomaankansalaiset ovat esitetty lukuina ruuduittain. Vaaleimmassa ruudussa on 0 ja ne muuttuvat asteittain tummemmaksi, mitä enemmän vieraskielisiä ja ulkomaalaisia alueella asuu. Kartassa näkyy myös kuntien rajat punaisina viivoina.

Kartasta voimme päätellä, että Helsingissä on neljästä kunnasta eniten vieraskielisiä ja ulkomaan kansalaisia. Myös juna- ja metroratojen varrella vaikuttaisi asuvan paljon heitä. Tämä on havaittavissa erityisesti Koillis-Vantaalle kulkevan junaradan ympäristön tummempana linjana. Erityisen vähän vieraskielisiä ja ulkomaan kansalaisia asuu Pohjois-Vantaalla ja Pohjois-Espoossa. Myös esimerkiksi Sipoosta Helsinkiin liitetyllä alueella on selvästi vähemmän heitä.

Mielestäni kartta on rehellisesti sanottuna huonosti onnistunut. Se on harhaanjohtava, koska ihmiset esitetään absoluuttisina lukuina. Tämän takia kartan perusteella Helsingin kantakaupungissa on erittäin paljon vieraskielisiä ja ulkomaalaisia. Tämä pitää tietenkin paikkansa ja kuten Varpu Savolainen sanoo ”Tämä kuitenkin on aivan itsestäänselvyys” (https://blogs.helsinki.fi/sadvarpu/2018/02/09/64/), koska syy siihen on ihmisten yleinen väentiheys alueella. Kuten Vivi Tarkka blogissaan ”https://blogs.helsinki.fi/vivitark/2018/02/10/mummoja-ruudussa/” kirjoittaa, kartta toimisi paljon informatiivisempana, jos ruudut olisivat suhteutettuna väestöntiheyteen esimerkiksi prosentteina. Lisäksi tummin ruutu vaihtelee 61 ja 1134 ihmisen välillä, joka on todella suuri väli. Kartassa on myös yksi kartantekijän kardinaalivirheistä, koska siitä puuttuu pohjoisnuoli (fuksimoka). Meillä tuli työn kanssa kova kiire, koska Qgis kaatui ja hävitti tekemäni työn muutamaan otteeseen ja luennolla oli vielä kolmaskin tehtävä tämän jälkeen, joka osaltaan selittää huolimatonta lopputulosta. Olen samaa mieltä Marisa Nurmisen kanssa, joka kirjoittaa blogissaan (https://blogs.helsinki.fi/marisa/2018/02/08/kurssikerta-4/) siitä, kuinka ruututietokannat ovat luotettavia tapoja esittää ilmiöitä.

Kuva 2 (http://ulkomaalaistaustaisethelsingissa.fi/fi/alueellinensijoittuminen, luettu 18.2.2018) esittää prosentuaaliset osuudet alueittain Helsingissä, josta saa huomattavasti paremman kuvan, minne ulkomaalaistaustaiset ihmiset ovat kaupungissa sijoittuneet. Selkeimpinä keskuksina kartassa näkyvät Mellunkylä, Vartiokylä ja Rastila. Nämä alueet eivät erityisemmin erotu kuva 1:sä kuin tummina pisteinä. Sivulla kerrotaan myös, että eniten ulkomaalaistaustaisia on Helsingissä Kontulassa, Myllypurossa, Kannelmäessä ja Kallahdessa.

Luennon lopuksi harjoittelimme Qgis-ohjelman avulla piirtämistä. Teimme teistä viivakohteita ja rakennuksista pistekohteita. Qgis:stä löytyy monenlaisia piirto työkaluja, joilla voidaan tuottaa vektori- ja rasteritasoja esimerkiksi karttalehden päälle. Tutkimamme kohde oli Pornaisten kaupunki. Näitä tulisimme tarvitsemaan seuraavalla kurssikerralla.

Lähteet:

https://blogs.helsinki.fi/evsirola/

https://blogs.helsinki.fi/vivitark/

https://blogs.helsinki.fi/marisa/2018/02/08/kurssikerta-4/

https://blogs.helsinki.fi/sadvarpu/2018/02/09/64/

https://blogs.helsinki.fi/moisalam/2018/02/08/4/

https://blogs.helsinki.fi/halmeoli/2018/02/11/kiikarissa-pikselimeri/

https://blogs.helsinki.fi/beemil/2018/02/08/kurssikerta-4/

http://ulkomaalaistaustaisethelsingissa.fi/fi/alueellinensijoittuminen

 

Tällä kurssikerralla jatkoimme sukeltamista yhä syvemmälle Qgis:in jännittävään ja pelottavaan maailmaan. Todellisuudessa, suuri osa tunnista sujui lähinnä yliopisto-opettaja Paarlahden ohjeita tarkkaan seuraten. Minusta välillä tuntuu, että asioiden ymmärtäminen jää hieman taka-alalle, koska luennoilla on sen verran kova tahti. että jos hetkeksikin jää jälkeen, niin on lopputunnin jäljessä ilman kavereiden apua. Tosin tämä saattoi johtua myös tunnilla tapahtuneista, teknisistä ongelmista. Monella Qgis kaatui moneen otteeseen ja yhdeksi suurimmaksi syyksi tähän löytyi se, että opiskelijoiden henkilökohtainen tallennustila oli loppumassa, joka ei ole hyvä yhdistelmä ilmaisen ja vapaan sovelluksen kanssa.

Afrikan mantereen kartassa oli liian paljon yksiköitä, koska halusimme jokaisen valtion edustavan yhtä saraketta. Aluksi yhdistimme muutaman valtion yksittäin, jossa oli paljon yksiköitä. Tällä tavalla kuitenkin kaikkien Afrikan valtioiden saamiseksi yhdeksi päteväksi tietokannaksi, menisi ikuisuus, joten käytimme huomattavasti tehokkaampaa keinoa, jossa jokainen valtio yhdistettiin ”dissolve”-toiminnolla kokonaiuudeksi, niiden koodin, eli siis valtion nimen perusteella. Näin saimme kaikista Afrikan valtioista, jotka tietokannasta löytyivät yksiköitä.

Nyt kun Afrikka on siivottu, tulimme seuraavan haasteen eteen. Kuinka saada excel-muotoinen taulukko liitetyksi Afrikka-tietokantaan. Jostain kumman syystä tätä ei ole tehty helpoksi, vaan jouduimme muuttamaan excel-tiedoston .csv-tiedostoksi. Tämän jälkeen yhdistimme Internetin ja Facebookin lävistävyyden Afrikka-tietokantaan ja jaoimme sen maiden väkiluvulla. Tuloksena saimme käsitystä siitä, missäpäin Afrikkaa internetiä ja Facebookia käytetään, jota voidaan pitää kehittyneisyyden merkkinä.

Tämän jälkeen lisäsimme vielä layereiksi öljykenttien sijainnin, timanttien löytöpaikat ja konfliktit maittain. Sen jälkeen niistä kuului tehdä unique layer, jossa näitä voitiin vertailla keskenään. Tietokannoista voidaan päätellä, milloin on tapahtunut paljon konflikteja, kuinka laajoja ne ovat olleet, miten timantit ovat vaikuttaneet konfliktien alkamiseen ja kestoon, miten öljy on vaikuttanut konflikteihin ja missä. Myös öljyn suhdetta teknologian kehitykseen maittain voidaan tarkastella, internetin käyttöönottovuoden avulla. Meri Suppula esittää hyvää pohdintaa blogissaan kirjoittaessaan ”Karttaa tarkastellessa herää kysymys, onko öljyn ja timanttien esiintymisellä jokin yhteys konfliktien syntyyn.”

Tulvariskikartta Suomesta

Afrikan kartan siistimisen ja tulkinnan jälkeen meidät jätettiin aika lailla oman onnemme nojaan luomaan sptatiaalista karttaa Suomen valuma-alueista ja järvisyydestä. Tehtävänämme oli erilaisista tietolähteistä, kuten excelistä (xls-muodossa), shapefile muodossa olevat valuma-alueet ja mapinfo (tab-muodossa) oleva keskiylivirtaama. Tämän jälkeen laskimme yksinkertaisella laskutoimituksella tulvaindeksin. Tämän jälkeen järvisyysprosentti lisättiin koropleettikarttaan pylväsdiagrammin muodossa.

Huomautan, että tässä välissä pyrin tallentamaan karttani jokaisen vaiheen jälkeen, koska qgis oli vaarassa kaatua jatkuvasti. Lisäksi minun täytyy kiittää vieressäni istunutta matematiikkaa pääaineena opiskelevaa naista, koska hän auttoi minua kartan laadinnassa todella paljon.

Varpu Savolaista lainatakseni koropleettikartassa näkyy ”tummimmalla sinisellä kaikista tulvaherkimmät alueet. Alueet vaalenevat sitä mukaan, kun tulvaherkkyys vähenee”(kuva 1). Kaikista tulvaherkimmät alueet sijaitsevat Pohjanmaalla, jossa suuret joet laskevat perämereen alavassa maastossa. Lisäksi myös Etelä-Suomen viljelysseudun joet ovat herkkiä tulvimaan samoista syistä. Kartalta voidaan päätellä, että järvisyys (merkitty karttaan vaaleansinisellä) vähentää tulvien syntymisen riskiä. Tämä johtuu järvi-Suomen topografisesti vaihtelevasta maastosta ja suurista järvistä, kuten Saimaasta, joka sitoo paljon vettä. Tämä on kartassa nähtävissä myös korkeina järvisyysprosenttipylväinä.

Kartta onnistui mielestäni Qgis-ohjelmassa hyvin mutta, kun se muutettiin kuvamuotoon sen esteettisyys kärsi. Pylväistä muuttui isompia ja eri värit erottuvat huonommin. Lisäksi kartan pohjan ja järvien suuri kontrasti saa ne näyttämään lähes mustilta. Myös joet olisi voinut merkitä eri värillä, jotta ne eivät pistäisi yhtä paljon silmään. Oikeasti vannon kartan näyttäneen alun perin paljon paremmalta Qgississä 😀

Tätä blogia kirjoittaessani minulle ilmeni yllättävä ongelma, kun olin vaihtanut tietokoneeni kielen espanjaksi. Itse kuva 1 liittäminen oli vähän turhankin vaikeaa, ja tulin laittaneeksi sen myös muun muassa taustakuvakseni. Tietokoneeni on siis espanjaksi, jotta ehkä oppisin kieltä paremmin. Tässä vielä kuvia loppukevennykseksi.

Kuva 2. Espanjankielinen käyttöliittymmä ei ainakaan helpottanut blogin kirjoitusta

Kuva 3. tulva-aluekartta meni myös vahingossa taustakuvakseni

Ps. Pahoittelut kuvien laadusta

Lähteet:

https://blogs.helsinki.fi/sadvarpu/

https://blogs.helsinki.fi/merisupp/

 

 

 

Toisella kurssikerralla Qgis-ohjelma alkoi tuntua jo hieman tutummalta. Tosin viime kerran lisätehtävien teosta olisi varmasti ollut paljon apua, myös tämän viikon tunnilla. Kuitenkin esimerkiksi kuvien tuottaminen kartoista, joita tunnilla teimme, luonnistui jo oikein hyvin. Toivottua kehitystä ja hieman toivoa tulevasta olikin mahdollista havaita. Myös kurssiblogin kirjoittaminen tuntuu jo paljon luonnollisemmalta. Myös toisten opiskelijoiden blogien lukeminen antaa inspiraatiota blogin muotoilussa ja on myös mielenkiintoista, miten muut ovat tulkinneet tekemiään karttoja.

Mercatorin projektio

Tunnin aikana teimme yhdessä luennoitsija Paarlahden kanssa kartan, jossa vertailimme oikeapintaista Lambertin projektiota, oikeakulmaiseen Mercatorin projektioon. Lambertin projektiossa alueiden pinta-ala pysyy oikeana suhteessa toisiinsa, mutta alueiden muoto vääristyy erityisesti napoja kohti mentäessä. Onkin todettu, että Lambertin oikeapintaista projektiota ei tulisi käyttää, kun mennään yli 60 asteen pohjoista tai eteläistä leveyttä, jos tarkastellaan koko maailmankarttaa. Tässä harjoituksessa se on kuitenkin oiva projektio, koska pyrimme esittämään, kuinka juuri Mercator vääristää alueiden pinta-aloja.

Karttaa luodessamme opimme muun muassa yksinkertaisten laskutoimitusten tekemisen Qgis-ohjelmalla. Tämä on ilmeisesti yksi tärkeimmistä perustaidoista, joita geoinformatiikassa tarvitaan. Tässä vaiheessa täytyi alkaa muistelemaan lukion lyhyttä matematiikka, joka ei ollut mikään lempiaineeni siellä. Tosin kuten Arttu sanoi tällaiset kertolaskut löytyvät myös aina googlesta. Kavereiden kanssa saimmekin yhtälön valmiiksi ja kartasta tuli mielestäni hyvän näköinen (kuva 1).

Kartasta voimme tulkita, kuinka pohjoiseen mentäessä kuntien pinta-alojen vääristymät kasvavat alhaisimmasta korkeimpaan yli kaksinkertaiseksi. Täytyy myös muistaa, että eteläisimmätkin kunnat Suomessa vääristyvät todella paljon niiden todellisesta koosta. Ne ovat noin 3 kertaa suurempia maailmankartalla, kuin mitä todellisuudessa. Ongelma Mercatorin projektion käytössä maailmankartoissa, onkin juuri tämä. Erityisesti pohjoiset alueet, kuten Grönlanti ja Alaska muuttuvat siinä suhteettoman suuriksi. Tämä on harhaanjohtavaa, ja voi vaikuttaa ihmisten koko maailmankuvan kehitykseen. Saku Ruuskasta lainaten kannattaa vierailla sivulla: https://tinyurl.com/y8go23bn, jossa näitä vääristymiä pääsee tarkastelemaan paremmin.

Robinsonin projektio

Mercatorin vertailun jälkeen Arttu joutui lähtemään kokoukseen ja antoi tehtävämmäksemme luoda vertailu toisesta valitsevammastamme projektiosta Lambertin projektioon. Valitsin vertailukohdakseni Robinsonin projektion. Robinsonin projektio luotiin wikipedian (https://fi.wikipedia.org/wiki/Robinsonin_projektio) mukaan 1960-luvulla kuvaamaan maailmankarttoja niin, että kaikki vääristymät minmoitaisiin. Kavereiden avustuksella, ja lopputunnista myös Artun avustuksella loin kartan, jossa näkyy kuinka tämä koko maailmaa kuvaamaan tarkoitettu kompromissiprojektio, ei myöskään sovi yksittäisen maan, kuten Suomen kuvaamiseen.

Myös Robinsonin projektiossa pinta-alat vääristyvät pohjoiseen mentäessä. On kuitenkin tärkeä huomata prosentuaaliset erot Robinsonin ja Mercatorin projektion välillä. Mercatorissa pinta-alat vääristyvät jopa yli kymmenen kertaa suuremmiksi kuin Robinsonin projektiossa. Robinsonin projektiossa voidaan myös havaita, kuinka rajat eri väristen alueiden välillä eivät ole yhtä suoraviivaisia, kuin mercatorin projektiossa, vaan niissä on havaittavissa kaarevuutta. Mielestäni kartta onnistui hyvin, lukuun ottamatta yhtä ongelmaa mittakaavassa. Se alkaa miinuksen puolelta ja voi tämän takia olla hieman hämäävä lukijalle. Onneksi tehdessä oppii, ja seuraavalla kerralla en tule toistamaan kyseistä virhettä.

Lopuksi

Mielestäni kurssikerta oli mielenkiintoinen ja eri projektioiden vertailu on tärkeää maantieteen opinnoissa, sillä kartat ovat yksi merkittävimmistä työkaluista, niin tutkimuksessa kuin maantieteilijän työssäkin.

Lähteet:

https://fi.wikipedia.org/wiki/Robinsonin_projektio, luettu 25.1.2018

https://fi.wikipedia.org/wiki/Lambertin_oikeapintainen_lieri%C3%B6projektio, luettu 25.1.2018

https://blogs.helsinki.fi/ruusaku/

 

Johdanto kurssiin

 

Kurssi alkoi vanhan kertaamisella, kun Arttu kertoi meille vektori ja rasteriaineistoista. Niitä olemmekin tahkonneet jo lukiossa ja viimeisen puolen vuoden ajan. Kuitenkin tilanne kääntyi nopeasti hankalampaan suuntaan. Ensimmäisellä kurssikerralla, pyrimme harjoittelemaan käyttämään Qgis-ohjelmaa, joka on avoin paikkatietoanalyyseihin tarkoitettu ohjelma. Minulla ei ennestään ollut oikeastaaan lainkaan kokemusta tämän tyylisten ohjelmistojen käytöstä, joten tiesin kurssin tulevan olemaan haastava. Myöskään ensimmäisillä paikkatietokursseilla ei ollut käytetty mitään yhtä monimutkaista/monipuolista paikkatieto-ohjelmaa. Kuitenkin niin kuin edelliselläkin gis-kurssilla tiesin, että lopputuloksen näkeminen ja uuden oppiminen tulisi olemaan palkitsevaa.

Kartan luominen

Tunnin kuluessa pyrimme luomaan teemakartan (kuva 1) Itämeren ympäristön valtioiden typpipäästöistä. Työ sujui lähinnä opettajaa seuraten ja yrittäen pysyä perässä. Opin kuitenkin esimerkiksi, mistä koordinaattijärjestelmä vaihdetaan Euroopalle sopivaksi ETRS-89. Myös eri tasojen säätö tuli selväksi, ja kuinka ne kannattaa asettaa, jotta kartasta tulee visuaalisesti sopiva.  karttatasoina käytimme HELCOM-Marine area-merialuekarttaa, järviä, ympäröiviä valtioita ja syvyyskäyriä. Lisäsimme karttaan myös sille olennaiset ominaisuudet, kuten mittakaavan, pohjoisnuolen ja karttaselitteet. Mielestäni kartasta tuli visuaalisesti pätevä ja siinä käy ilmi, mitä aihetta ollaan käsittelemässä. Kuitenkin ongelmana on se, että luvut jotka eri värisävyille annetaan, eivät välttämättä avaudu lukijalle. Myös Puolalle annettu luku 13.3-33.7 on hyvin laaja, jos sitä verrataan muihin noin kolmen yksikön välillä oleviin lukuihin.

Kartan analysointi

Kartasta, jonka loimme, voidaan päätellä monia asioita. Selvästi suurin typen päästäjä on Puola.  Lisäksi Venäjä ja Ruotsi tuottavat paljon tätä kasvihuonekaasua.  Kartassa erottuu yksittäisenä valtiona Viro, jonka typpipäästöt ovat selvästi vähäisimpiä. Kim-Henrik Helannetta lainaten typpipäästöjä analysoidessa, on tärkeä ottaa huomioon maiden rantaviivan pituus. Puolan ja Venäjän osuus Itämeren rantaviivasta on prosentuaalisesti paljon vähäisempää, kuin Ruotsin tai Suomen. Silti ne tuottavat enemmän tai yhtä paljon typpipäästöjä Itä-Mereen. Syynä näiden maiden suureen osuuteen typpipäästöistä Itä-Meressä, on niiden paljon käyttämä raskasteollisuus. Lisäksi esimerkiksi Venäjä ei ole sitoutunut Euroopan Unionin ympäristösäädöksiin. On myös tärkeä ottaa huomioon Itämereen laskevat joet, koska Suomen ympäristöhallintokeskuksen mukaan 85% typestä, joka Itämereen pääsee, on peräisin joista.

Lähteet: http://www.ymparisto.fi/fi-FI/Meri/Mika_on_Itameren_tila/Itameren_typpikuorma_Suomesta(31457)

https://blogs.helsinki.fi/helanne/2018/01/21/ensimmainen-harjoitus/

 

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!