Reilut seitsemän viikkoa ollaan häärätty QGIS:in parissa luoden ties mitä kammotuksia ja komistuksia. Ensimmäiset kurssikerrat tuntuvat kaukaisilta ja niillä opitut asiat yksinkertaisilta, vaikka sitä ne eivät todellakaan niitä opetellessa olleet. Opitun asian määrä konkretisoitui hienosti viimeisessä kurssitehtävässä, johon annettiin lähes täysin vapaat kädet. Otin tehtävänannon innokkaana vastaan ja aloin suunnittelemaan karttaani. Ainoa päätös, jonka sain tehtyä luennon aikana, oli aluerajaus. Päätin käyttää kartassani Euroopan aluetta valtionrajojen kera ja sekös se vasta huono päätös olikin.

Toisaalta idea oli hyvä; jo pelkästään tämän kurssin kautta minulla on tiedossani monta hyvää datan lähdettä kartalleni, vain pohjakartta puuttuu. Sitä hakiessani onnistuin lataamaan massiivisen datapaketin, joka sisälsi melkein kaiken datan koko mantereesta. Sen lisäksi sain hyviäkin karttapohjia, mutta en yhtäkään, jonka olisin kelpuuttanut. Viimeisin olisi muuten ollut ihan hyvä, mutta siitä jostain syystä puuttui Ukraina ja pari muuta maata. Erityisesti nykyhetken tilanne huomioiden puute tuntui kovin epäreilulta, joten lopulta oli aika helppo päätös ottaa kartalle kuvattavaksi koko maailma.

Avoimen tiedon maailma

Koko maailmaa kuvattaessa muuttujien välinen korrelaatio on tärkeää, etenkin kun tietoa on saatavilla paljon. Ideaalitilanteessa muuttujista toinen olisi sellainen, jota voisi kuvata väreinä koropleettikartalla ja toista muuttujaa pisteinä tai diagrammeina polygonien päällä. Näillä ehdoilla valitsin muuttujiksi asutustiheyden ja asukkaiden osuuden slummeissa. Toki olihan ehtona myös tiedon saatavuus, joka osoittautui yllättäväksi haasteeksi muuttujia valikoidessa. Tässä vaiheessa koen vielä helpommaksi valita muuttujat valmiilta listalta, kun hakea haluamiani muuttujia netistä ladattavaksi kaikilla mahdollisilla hakusanakomboilla.

Urbaanien alueiden slummissa asuvien osuuksien vertaaminen maan asutustiheyteen on perusteltua, sillä maailman asukasluvun nopeimman kasvun alueella myös kaupungistumisen tahti on hurja. Kaupungit eivät siis rakennu riittävän nopeasti, jotta kaikille siellä asuville ja sinne muuttaville voisi taata turvallista ja hyvää asutusta. YK:n mukaan vuonna 2018 slummeissa asui yli miljardi ihmistä – siis järkyttävä osuus maailman väestöstä. Sen lisäksi YK:n arvio on, että vuoteen 2030 mennessä jopa kolme miljardia ihmistä kaipaa edullista ja vähintään välttävän tasoista asutusta (United Nations, 2022).

Samankaltaisen kartan on tuottanut myös Elida Peuhu, joka vertaili kartallaan väestöntiheyttä kasvihuonekaasupäästöihin.  Sitä tutkailtuani huomasin suuren eron minun tekemääni karttaan, sillä hänen karttansa esitti maiden asutustiheyden huomattavasti selkeämmin. Minun himmeän vaaleanpunainen karttani jäi pahasti jälkeen ja taas piti sukeltaa QGIS:siin muovailemaan sitä mieluisaksi.  Kuten Elidakin kirjoittaa, kartan visuaalinen ilme on tärkeä ja hänen tavoin saatan keskittyä sen hiomiseen turhankin paljon. Onpahan nätti kartta, vaikkei muuten parhaimmasta päästä olisi.

Toisella rundilla valikoin asukastiheyden kaveriksi maan pinta-alan metsäisen osuuden. Se toimii slummiaineistoa hieman paremmin, sillä tietoa näyttää olevan kerätty lähes kaikkialta maailmasta. Toisaalta onneksemme metsät ovat huomattavasti slummeja yleisempiä ja slummien kuvantamisen suuri ongelma on niiden epävirallisuus ja nopea kasvu ja katoaminen, joka varmasti näkyy kaikessa niistä kerätyssä datassa.

Lopuksi

Kurssin loppuessa ne ekat viikkotehtävät todellakin tuntuvat kaukaisilta – voi mitä työtä ja tuskaa ollaankaan nähty näitä taitoja opeteltaessa. On hienoa huomata kuinka suvereenisti monet eri asiat sujuvat tässä vaiheessa. Join-toiminto ei enää aiheuta loputonta migreeniä, sekä csv että tsv taittuvat jo näppärästi oikeiksi taulukoiksi ja jopa tiedon hakeminen itsenäisesti alkaa helpottua. Parasta on, että kurssin tehtävät ja QGIS:n käytön oppiminen on antanut uusia ideoita ja inspiraatiota siihen, mitä kaikkea sillä voisikaan tehdä.  Kurssilla opetetut asiat loivat lopulta osaamisen kokonaisuuden pohjaksi, jonka päälle on helppo rakentaa uutta tulevilla kursseilla tai vaikka itsekseenkin.

Kiitos kaikille tästä kurssista!

Lähteet:

Natural Earth, 2022. 1:50m Cultural vectors. https://www.naturalearthdata.com/downloads/50m-cultural-vectors/  Ladattu 7.3.2022.

Peuhu, E. 2.3.2022. Viimeistä viedään. Geoinformatiikan menetelmät-blogi. https://blogs.helsinki.fi/elida/ Viitattu 7.3.2022.

The World Bank, 2018. Population living in slums (% of urban population). https://data.worldbank.org/indicator/EN.POP.SLUM.UR.ZS Ladattu 7.3.2022.

United Nations, 2022. Make cities and human settlements inclusive, safe, resilient and sustainable. Sustainable development goals overview. https://unstats.un.org/sdgs/report/2019/goal-11/ Viitattu 7.3.2022.

Kumpuloidien hasardit

Poikkeuksena aiempiin kurssikertoihin teimme tällä erää hieman itsekin töitä datan keräämiseksi – pienellä kävelykierroksella saimme jo hyvänkokoisen kasan pisteitä kartalle. Pisteet sisälsivät tietoa vastauksistamme, joita Epicollect-sovelluksen projektiin oli ennalta asetettu, ja sen tiedon esittämiseen tällä erää keskityttiin. Koska pistemäinen visualisointi ei ole aina vaihtoehdoista paras, on jälleen tutustuttava muihin vaihtoehtoihin, tällä kerralla interpolointiin. Interpolointi voidaan tehdä alueelle, joka sisältää pistetietoa ja se toimii laajentaen pisteiden vaikutusalueita luoden kokonaisen, tasapintaisen visualisoinnin. Se siis todellisen maantieteilijän tapaan joutuu hieman olettamaan ja yleistämään saadakseen tiedon selkeään esitysmuotoon. Tehtävän lopputulema on miellyttävän näköinen kartta, joka kuvaa vastauksiamme Kumpulan kampusta ympäröivien alueiden turvallisuudesta (kuva 1).

Kuva 1. Pistekartan interpoloitu versio, joka kuvastaa vastauksiamme alueen turvallisuudesta. 

 

Karttaa vilkaisemallakin selviää, että turvallisimmaksi alueiksi on koettu rauhalliset kävely- ja sivutiet, kun taas turvattomimpia paikkoja ovat vilkkaiden teiden varrella. Teiden kunto ja liukkaus vaikutti varmasti myös vastauksiin paikoittain.

 

Kartta myös kertoo interpoloinnin toiminnan logiikasta, sillä se on visuaalisesti hyvin lähellä isopleettikarttaa. Sen periaate on jakaa alueet arvoihin, joista vain vierekkäiset voivat kartalla osua toisiinsa. Siis jos kahden vierekkäisen alueen arvot ovat skaalan eri päädyistä kartalla näytetään silti niiden välillä kaikki muutkin arvot kapeina osuuksina. Interpoloinnin luomien yleistysten vuoksi olisi fiksua jättää pisteitä kartalle tarpeen mukaan, kuten toinen kurssilainen Victoria Rumbin oli tehnyt ja blogissaan pohtinut.

Hasardeja maailmalla

Kumpulan maaston turvallisuustutkimuksesta voidaan siirtyä suvereenisti globaaliin kuvaan tutkimaan muita vaaranpaikkoja – erityisesti maanjäristyksiä, tulivuoria ja meteoriitteja. Tavoitteena oli luoda yllä mainituista tapahtumista karttoja, joita voitaisiin käyttää opetusmateriaalina.  Suunnittelin keskittyväni tässä tehtävässä johonkin tiettyyn, jotta voisin luoda sarjan saman tyylisiä karttoja, mutta uteliaisuus pääsi taas viemään minua hihnassaan. Toisaalta uteliaisuus on hyväksi, parhaassa tapauksessa sen johdattamana voi löytää aivan uusia näkökulmia.

Aloitin tehtävän visualisoimalla kartalle yli 7 magnitudin maanjäristyksiä 2000-luvulla, mutta huomasin tulivuoriaineistojen ajanjaksojen olevan valmiiksi rajattuja, joten päätin muokata maanjäristysten aikajakson niihin sopiviksi. Halusin valita aktiivisia tulivuoria rajaukseen ja päädyin valitsemaan ajanjaksoista viimeisimmän; vuodesta 1964 nykyhetkeen saakka ja sovelsin samaa jaksoa myös maanjäristystietokannan rajaukseen (kuva 2).

Kartta auttaa hahmottamaan näiden endogeenisten tapahtumien yhteneväisyyksiä erityisesti Tyynenmeren tulirenkaan alueella. Kaikessa yksinkertaisuudessaan se on hyvin selkeä ja kuvaava kartta, joka sopisi hyvin opetustilanteisiin. Sen ainoa amatöörimäinen virhe on mittakaavan puute, joka johtuu jostain mystisestä pohjakartan taustatiedon vääristymästä. Sen vuoksi QGIS oli sitä mieltä, että Australian itä-länsisuuntainen läpimitta olisi hieman alle 15 kilometriä. Nopeilla hoksottimillani laskin 1+1 ja päätin jättää tuon ymmärtääkseni virheellisen tiedon kartasta pois ja olettaa, että sitä tulkitseva ihminen ymmärtää katsovansa maailmankarttaa.

Opetustarkoituksessa haluaisin esittää samassa tai erillisessä kartassa litosfäärilaattojen rajat selventääkseni yhteyksiä voimakkaiden maanjäristyksien ja tulivuorten sijainnissa. Luottavaisin mielin hain QuickMapServices (QMP) pluginistä valmista laattakarttaa, joka sopisi tähän työhön ja sen projektioon. Löysin vain yhden, joka ei projektionsa vuoksi sopinut, enkä saanut sitä uudelleenprojisoitua minulle sopivaksi. Kaikkeni kyllä yritin, mutta rasteriaineiston uudelleenprojisointia varten ohjelma kyseli turhan monia ja monimutkaisia kysymyksiä.

Uteliaisuuden viemänä halusin tutkia interpolointitoiminnon mahdollisuuksia tässäkin tehtävässä. Nopeasti kuitenkin ymmärsin sen tarvitsevan skaalan eri arvoja toimiakseen järkevänä visualisointityökaluna. Hain maanjäristystietokannasta ensin vuoden tilastot kaikista maailman yli 2,5 magnitudin järistyksistä, sitten viimeisen viikon ajalta. Vuoden rajauksessa ongelma oli tietokannan suuruus, sillä järistyksiä oli yksinkertaisesti liikaa. Viikon aikajana toimi hyvin, sillä tärkeintä tässä oli saada maanjäristyksiä mahdollisimman laajalla magnitudiasteikolla. Ensimmäinen visualisointi näyttää tiedot pisteinä, jotka olen kategorisoinut ja sen mukaan värittänyt (kuva 3). Tämä kartta on selkeä ja jatkaa ensimmäisen järistyskartan kanssa samoilla linjoilla havainnollistaen suurien järistysten sijaintia.

Edellisten tietojen perusteella tein interpoloidun kartan, jolloin  koko maapallo voitaisiin luokitella maanjäristysalueisiin viimeisen viikon tietojen perusteella (kuva 4). Siistin kartan luominen haluamallani tavalla vaati tässä vaiheessa jo hieman kikkailua, erityisesti värityksen ja pohjakartan värien vuoksi. Värikäs pohjakartta hämmensi interpoloitua väriskaalaa tehokkaasti, jonka korjasin QMP:n valmiin karttapohjan avulla, joka sattui sopimaan käyttämäämme projektioon. Neutraali taustakartta piti asettaa interpolaatio-karttatason päälle ja säätää osittain läpinäkyväksi, jotta tuloksesta tulisi mahdollisimman selkeä.

Lopputuloksena kartta kuvastaa selkeästi maapallon voimakkaiden järistysten alueita, mutta sitä voisi kritisoida monilla eri tavoilla. Uskon, että sekä samoilla tiedoilla rakennettua pistekarttaa ja interpoloitua karttaa voitaisiin käyttää opetuksessa yhdessä, mutta pistetietoa ei tulisi koskaan täysin erottaa tästä kartasta. Yksittäisenä interpoloitu kartta on siisti, mutta voi johtaa sen tulkitsijaa monin tavoin harhaan. Sen vuoksi pistekartan kanssa tulkiten se voisi toimia erinomaisena kriittisen analyysin opetusmetodina.

Hasardeja avaruudesta

Uteliaisuus ja inspiraatio palasivat, kun tutkailin meteoriittitietokantoja. Kuvittelin niiden olevan harvinaisempia, kun rajasin näkyviin kaikki tunnistetut meteoriitit 2000-luvulla ilman massarajoitusta. Väärässä olin, kartta peittyi nopeasti pisteiden alle mantereisilta alueiltaan. Merialueille osuneita meteoriitteja ei varmaankaan olla voitu todeta, joten niitä ei monia löytynyt. Rajasin tuloksia koon mukaan aina kymmeneen kiloon saakka, jolloin tulokset alkoivat olemaan selkeämmin luettavissa (kuva 5). Kartta herättää kysymyksiä, joita voisi opettaja oppilaidensa kanssa pohtia; onko näkyvissä selvää alueellista jakautumista? Mistä sellainen voisi johtua? Suurin kysymys mielessäni on kuitenkin Omanin tilanne – mitä ihmettä siellä tapahtuu ja miksi siellä on lähes yhtä paljon pisteitä, kuin muualla Aasiassa yhteensä? Ehkäpä joku leikkii supermagneetilla, joka vetää meteoriitteja puoleensa. Ehkä kysymyksessä on virhe tietokannoissa tai ihan vaan sattumaa – aina joku vetää lyhyimmän tikun. Tai tässä tapauksessa jäätäviä avaruuspalleroita sateen lailla puoleensa.

Kuva 5. Yli kymmenkiloisten tunnistettujen meteoriittien osumakohdat maapallolla 2000-luvulla.

Omanin meteoriittikertymää voisi todellisuudessa selittää alueella tehty laajempi tunnistus ja tutkimus sekä kulkukelpoinen maasto. Lähi-idän kohdalla alueen meteoriittien tuntemus myös varmasti liittyy sen poliittiseen tilanteeseen – sodan jaloissa kun ei paljon ulkoavaruuden uhat paina. Löysin Omanin aluetta ja aihetta kuvaavan kartan Washington Universtity of St. Louis’n sivustolta, jota on käytetty tutkimuksessa vuonna 2005  (kuva 6). Meteoriittien sijoittuminen ei siis välttämättä kerro ilmiön alueellisuudesta, vaan ennemmin tutkimuksen ja tiedon määrästä.

Lähteet:

Al-Kathiri A., Hofmann B. A., Jull A. J. T., and Gnos E. (2005) Weathering of meteorites from Oman: Correlation of chemical and mineralogical weathering proxies with ¹⁴C terrestrial ages and the influence of soil chemistry. Meteoritics & Planetary Science 40, 1215–1239.

Rumbin, V.  24.2.2022. Kurssikerta 6 – Interpolointia vai ei? Matka GIS-guruksi-blogi. https://blogs.helsinki.fi/vrumbin/ katsottu 25.2.2022.

Helppoo kunnes toisin todistetaan

Viidennellä kurssikerralla aiheena oli bufferit ja analyysit, joita varten opin jälleen käyttämään uusia työkaluja ja ehkä ymmärtämään niiden toimintaperiaatteitakin hieman. Niiden ymmärtäminen on tärkeää, sillä muuten ollaan (taas) sokkona markkinoilla ja jokaisen toiminnon kokeilemisessa kestää – QGIS tuntuu vielä olevan kaikkine lisäosineen rautakauppaa suurempi työkaluvarasto.

Uusina työkaluina käyttöön tuli nyt bufferi- eli vyöhyketyökalu, jonka avulla voidaan luoda tietyn karttakohteen ympärille halutun kokoinen alue uutena karttatasona. Sitä käytettiin nyt mittaamaan lentokentän meluhaittoja lähiseudun asukkaille sekä tutkimaan metron ja junien saavutettavuutta (taulukot 1 ja 2). Bufferin käyttäminen sujui hyvin, sillä sen luominen tapahtuu hyvin samalla tavalla, kun jo tuttujen metodien käyttäminen. Tehtäviä ratkoessani yhdistelin jo sujuvasti karttakerroksia, attribuuttitietoja ja loin uusia valikoimia tiettyjen hakukriteerien avulla. Erityisesti Join attributes by location ja Select – toiminnot ovat tulleet tutuksi ja haen niistä usein ratkaisuja.

Tehtävissä annettiin muutamaan otteeseen vinkki käyttää Join attributes by location -toimintoa, jota en monesti nähnyt tarpeellisena. Lukujen selvittäminen onnistui mielestäni helpommin ja nopeammin statistiikkapaneelin ja valikoinnin avulla. Se onnistui erityisesti silloin, kun olin laskenut attribuuttitaulukkoon valmiiksi uuteen sarakkeeseen tiedot, joita halusin tarkastella.

Helppoo jos osaa

Ensimmäisten tehtävien onnistuttua jatkoin tietojeni soveltamista uima-altaiden ja saunojen tutkailutehtävässä. Tehtävänä oli selvittää tietokannasta missä ja miten paljon on taloja, joissa on uima-allas tai sauna. Tietoa kerätessä käytin paljon Selection- työkalua ja statistiikkapaneelia, joiden yhteistyön avulla sain nopeasti vastauksia. Tehtävä sujui lupaavasti, kunnes rakennusten attribuuttitaulukon tietoja piti saada yhdistettyä ja sidottua pienaluetietokantaan, jonka geometrian ohjelma kertoi olevan virheellinen. Virheellisen geometrian vuoksi kerrosta ei voitu yhdistää millään tähän asti oppimallani tavalla, vaan geometria tulisi joko korjata tai ohjelman herjaus tulisi ohittaa – kumpaakaan näistä en osannut tehdä. Etsin ratkaisua kurssilaisten blogeista ja löysin Eemilin Mantsablogista hyvän vinkin. Hän oli korjannut ongelman ohittamalla bugin Check Validity -toiminnolla, jota en jostain syystä saanut toimimaan. Jotain olin tehnyt eri lailla ja samalla linjalla oli jatkettava, ellen haluaisi setviä koko projektin kaikkia vaiheita uudestaan läpi. Onneksi sain toisenkin loistovinkin Eemilin blogista, jota en itse tajunnut ajatella; katso googlesta.

Voi, miten monta pitkää minuuttia olisinkin voinut säästää, jos olisin vain muistanut internetin ihmeet ja hakukoneiden maailman. Joku muu on lähes varmasti joskus käyttänyt QGISiä, joten en ehkä ole ensimmäinen tämän ongelman äärellä. Sain korjattua virheelliset geometriat toiminnolla, jonka nimi on yllättäen Fix Geometries (Ujaval Gandhi). Lopulta sain rakenneltua siistin kartan (kuva 1), joka kuvastaa pääkaupunkiseudun pienalueita ja niiden sisältämien uima-altaalla varustettujen talojen määrää. Määrä oli yllättävän korkea, kokonaisuudessaan 855 joista omakotitaloja oli huimat 345. Vähemmän yllättävää on Lauttasaaren asema tilaston kärjessä, pitäähän onnellisten saarelaisten päästä uimaan muuallekin, kuin saaren sadalle uimarannalle.

Kartta on selkeä ja erityisen tyytyväinen olen histogrammeihin, sillä niiden rakenteluun numeroiden kera sain käyttää idean jos toisenkin. Toisaalta muutama lisäidea ei olisi pahitteeksi, sillä haluaisin vielä piilottaa nollat kartalta kokonaan. Tein erikseen myös koropleettikartan kuvaamaan uima-allastalojen määrää, jota on itsessään helpompi lukea, mutta histogrammien kanssa sen arvo tuntui laskevan roimasti.

Lähteet:

Sillankorva, E. 17.2.2022. KK5: Buffereita ja altaita. Eemilin mantsablogi. https://blogs.helsinki.fi/sillanko/ katsottu 22.2.2022.

Gandhi, U. 11.2. 2022. Handling invalid geometries. QGIS tutorials and tips. qgistutorials.com/en/docs/3/handling_invalid_geometries.html katsottu 22.2.2022.

Visiitti ruutukarttojen maailmaan

Neljännellä kurssikerralla tehtiin taas paljon juttuja, joskin nyt niiden tekeminen alkaa jo tuntua kevyemmältä ainakin GIS-luokan tehokoneilla. Toista se oli kotona läppärillä, kun tein kaikki samat asiat uudestaan ihan vaan siksi, koska en ilmeisesti osaa tallentamista kovinkaan hyvin. Toisaalta ehkä tämä on jokaisen GIS-velhon salainen taustatarina, hommahan helpottuu sitä mukaa kun sitä harjoittelee.

Tällä erää tavoitteena oli esittää tietoa kartalla ruutuja käyttäen, joten ensimmäinen askel oli ruudukon luominen ja siihen tiedon sitominen. Ruutujen avulla tiedon esittäminen on erittäin yleistävää parhaassakin tapauksessa, mutta samalla se avaa uusia mahdollisuuksia erityisesti aluejakonsa ansiosta.

Tästä Siiri Kokkonen mainitsi blogissaan; ”Toisaalta ruudukkokartan avulla voidaan esimerkiksi kurssitehtävän tavoin tutkia jonkin ilmiön esiintymistä tehokkaasti yhden aluerajauksen sisällä.”. Mielestäni tämä huomio on loistava, sillä aina valmiit aluejaot eivät ole meille parhaiten toimivia, etenkään kun haluamme tutkia yhden suuremman alueen sisältöä tarkemmin.

Ruututeemakartta esimerkiksi kuvastaa hyvin kaupungin asutustiheyttä (kuva 1), erityisesti kun käytössä on suhteellisen pienet, vain sivuiltaan 1 km pitkät ruudut.

Ruudut eivät kuitenkaan itsessään tuo tähän karttaan mielestäni riittävästi informaatiota, joten jätin karttaan esimerkiksi taustalle harmaan pääkaupunkiseudun alueen kuvaamaan niitä paikkoja, joissa asutusta tai tietoa siitä ei ole. Sen lisäksi lisäsin karttaan päätiet hahmottamaan niiden merkitystä asutuksen sijoittumiseen. Toisaalta järvet ja joet olisi voinut myös jättää ruudukon päälle, mutta turha se kai on jälkiviisastella, kun en aio enää näitä korjaillakaan.

Kuvassa 2 on samoin metodein rakenneltu kartta ruotsinkielisten prosenttiosuuksista ruutujen alueella. Tässä kartassa muodostuu ongelmaksi pienten ruutujen satunnainen kohdistuminen, sillä joukossa on ruutuja, joiden alueelle sattuu vain asukas tai kaksi. Otannan kapeus ei sinänsä vääristä tulosta, mutta taustatietojen tärkeyttä se korostaa etenkin kun vain yksi ruotsinkielinen asukas yhdellä alueella nostaa prosentit sataan. Sen lisäksi, että sata prosenttia kuulostaa useammalta, kuin yhdeltä, voisi tässä kohtaa pysähtyä miettimään myös alueen asukkaiden yksityisyydensuojaa.

Vertailin myös ruutukoon merkitystä, kun muuttujana oli ulkomaan kansalaisten osuudet eri pääkaupunkiseudun alueilla (kuva 3 ja 4). Kuvan 3 ruuduissa on kahden kilometrin mittaiset sivut ja kuvan neljä ruuduissa sivut ovat viiden kilometrin mittaiset. Tähän kuvantamiskohteeseen viiden kilometrin ruudukko on aivan liian suuri ja yleistävä, mutta kahden kilometrin ruudukolla voisi vielä tehdäkin jotain. Tai ehkä suuremmat ruudut auttavatkin aiemmankin kartan ongelmakohdassa – tässä kartassa (kuva4) ei ainakaan yksikään alue värjäänny tummimmalla värillä sen yhden ainoan asukkaan vuoksi.

Kaikkiaan näen ruutukartoissa paljonkin potentiaalia käyttöön silloin, kun valmiit aluerajat eivät riitä tai ole jostain syystä toimivia käyttötarkoitukseen. Onhan näissäkin huonot puolensa, kuten tuo raaka rajaaminen ja yleistäminen ja erityisesti tämä kysymys yksityisyyden kannalta, jos sattumanvaraisesti asettuneen ruudun sisään jääkin vain yksi ihminen tai perhe.

Karttojen rakentelu ja niiden taustatietojen pyörittely alkaa jo sujua ja on se ihan kivaakin. Seuraavana haasteena on opetella tallentamaan tiedot oikein, ettei ihan jokaista tehtävää tarvitsisi toistaa jokaista askelta myöten.

Lähteet:

Kokkonen, S. 9.2.2022. Ruudun takaa – ruututeemakarttaharjoituksia. Leipä-blogi. https://blogs.helsinki.fi/siirikok/ viitattu 15.2.2022

Tietojen hallinta ja analyysi

Kolmannella kurssikerralla tutustuttiin tarkemmin näkyvän kartan taustalla vaikuttavaan dataan ja sen hallintaan. Selkeällä ja seurattavalla ohjeistuksella monimutkainen prosessi saatiin suhteellisen vaivattomasti valmiiksi. Toisaalta koko tiedon työstämisen prosessi selkeytyi samalla, kun opin lisää yhteistyön ja tavallisen päättelyn merkityksestä kaiken sen statistiikan taustalla.

Tällä erää työstettävänä oli Afrikkaa koskevia tietokantoja, joita yhdisteltiin erilaisin keinoin saadaksemme niistä irti lisää tietoa, siis relevanttia sellaista. Tärkeäähän olisi tässä vaiheessa (myös) miettiä mitä haluamme tutkia tai esittää ja miten kyseisen ilmiön esiintuominen saattaa vaikuttaa katsojan mielikuvaan.

Työssä kaivelimme esiin tietoja Afrikan maissa tapahtuneista aseellisista konflikteista ja timanttikaivosten ja mantereisten öljynporausalueiden sijainneista, jotka kaikki näkyvät kartalla kuvassa 1. Jo tässä vaiheessa olisi helppo kuvitella niiden liittyvän erityisen vahvasti toisiinsa ja olettaa useiden konfliktien johtuvan timanteista ja öljystä. Tämä ajatus on kadotettava, tai sen olemassaolo ja syntysyy ymmärrettävä, jotta voisin tehdä järkevää analyysiä kartan antamista tiedoista ilman ennakko-olettamusta.

Tässä kartassa sinisellä on merkitty timanttikaivostenpaikat, punaisella konfliktit ja oranssilla öljynporausalueet. Huomiona öljynporausalueista lisäisin vielä, että alueen koko kartalla ei kerro öljyesiintymän koosta, vaikka niin voisi helposti kuvitellakin. Tästä johtuen päätin kirjoittaa legendaankin oranssin kuvastavan nimenomaan öljynporausaluetta, ja toivon sen selkeyttävän tulkitsemista.

Kartalla konfliktit eivät näytä suoraan tai välttämättä ollenkaan korreloivan timanttikaivosten ja öljynporausalueiden kanssa, vaan niitä esiintyy runsaastikin kauempana kyseisistä alueista. Konfliktit ovat statistiikassa laskettu yksittäisinä ja erillisinä konflikteina, paitsi silloin, kun tietoja yhdistettiin niin, että saimme näkyviin uniikit konfliktit vuosittain. Se siisti tilastoa siten, että usean maan konflikteja sisältäneet vuodet olivat erittäin alhaiset ja toisissa konfliktivuosien määrä oli suuri. Silloin voitiin myös vertailla todenperäisemmin konfliktivuosia maassa sijaitsevien luonnonvarojen määriin, josta taas voitaisiin löytää jonkinasteinen yhteys. Jokunen maa, jossa on eniten öljynporausalueita ja timanttikaivoksia näkyi myös konfliktivuosien listan huipulla, näistä yksi oli Angola.

Kuten Taru Tornikoski huomauttaa oivaltavasti blogissaan, vaikuttavia tekijöitä konfliktien taustalla on paljon muitakin;

”Tällaisia ovat mm. väestön köyhyysaste, kaivostoiminnan tuottavuus, kaivokset kussakin tilanteessa omistava taho, sekä maan alueella toteutettavasta kaivostoiminnasta kansalaisille seurannut mahdollinen hyöty, mikä näkyy vaurastumisena, kuten internetkäyttäjien lisääntymisenä valtiossa.” (Geoinformatiikkaa tutkimassa- blogi, 1.2.2022)

Opitun soveltamista

Näillä datankäsittelyeväillä oli helppoa ja kivaa aloittaa muotoilemaan uutta karttaa, joka käsitteli Suomen alueen jokien valuma-alueita, niiden tulvaindeksiä ja järvisyyttä. Helppoa ja kivaa vielä, kun sitä teki opittujen asioiden ollessa vielä tuoreessa muistissa – niitä oli paljon. Tuon tietokantasokkelon muovailu on mielenkiintoista, erityisesti kun siinä onnistuu. Onnistuminen taas usein riippuu ihan pieneltä tuntuvasta asiasta tai vaan tuurista ja muistista. Erityisesti siitä, onko muistanut tallentaa työn, kun ohjelma yhtäkkisesti kaatuu.

Tein työtä luentokerralla ja vierustoverin vinkkien avulla pääsinkin aika pitkälle. Sain tehtyä kartan, jossa näkyy jokien valuma-alueet kuvattuna koropleettikartalle niiden tulvaindeksin mukaan, sain vielä siihen päälle laitettua pylväät, jotka kuvasivat kunkin alueen järvisyyttä. Pylväät eivät olleet selkeät tai hyvät, lisäksi ne olivat väärin päin. Päätin jatkaa työtä kotona, olihan pohja jo aika hyvä.

Kotona availin tiedostoja uudelleen QGIS-ohjelmassa, tai niin yritin tehdä. Se ei vaan onnistunut löytämään tiedostojen datalähteitä, joten työ ei ollut käyttö-, avaus- tai muokkauskelpoinen. Uudestaan vaan alusta ja ei kun kertaamaan opittua!

Kertaus teki hyvää sekä oppimiselleni että kartalleni, johon sain nyt jotain järkeä. Tulvaindeksin kuvaaminen valuma-alueilla oli helpompi toteutettava ja sen lopputuloskin on selkeä (kuva 2). Vaikeammaksi osuudeksi muotoutui järvisyyden kuvaaminen pylväsdiagrammina, kuten tunnillakin tehdyssä työssä. Esittämisen ongelma oli saada pylväät kuvaamaan täyttä sataa prosenttia, jotta järvisyyden todellinen osuus olisi selkeämmin luettavissa. Kuvassa 2 on tulos kartasta, jossa pylväät kuvaavat kyllä järvisyyden määrää toisiinsa verrattavissa olevassa muodossa, mutta absoluuttisesti niitä on tässä vaikeampi vertailla. Suurimman pylvään kun voisi olettaa kuvaavan sataa tai edes lähes sataa prosenttia, vaikka se on todellisuudessa hieman alle 20 %. Toisaalta kartta on melko selkeä ja tätäkin voisi jo käyttää – mikäli haluaa verrata valuma-alueiden järvisyysasteita toisiinsa nähden.

Tämän version ongelmakohdaksi muodostui kuitenkin ainakin itseäni häiritsevä tyhjä ja loputtoman pitkä pylväs, jota en saanut korjattua. Se ilmeisesti johtuu Hirvijoen valuma-alueen järvisyysprosentista, joka on nolla (kuva 3). Tämän tietokannan tietojen mukaan se oli ainoa kunta, jossa prosentti oli pyöreä nolla, muissa se oli vähintään 0,1 %, joka ei tuottanut ongelmaa tiedon kuvaamisessa.

Sain mielestäni hyvän idean, joka voisi ratkaista Hirvijoki-pylvään ongelman. Tekisin pylväät kaksiosaisiksi, pinotuiksi pylväiksi, jotka kaikki kokonaisuudessaan kuvaisivat sataa prosenttia, mutta josta värjätty osuus olisi todellinen järvisyysprosentti. Käytin hyväkseni valmista järvisyysprosenttitiedostoa excelissä, johon sai nopealla kaavalla laskettua kunkin valuma-alueen järvisyysprosentin erotuksen sadasta prosentista. Siitä tulisi pylväälle tausta, jonka voisi esittää mahdollisimman neutraalilla värillä tai läpinäkyvänä. Lopputuloksena sain suhteellisen siistin kartan, joka kuvastaa alueita juuri haluamallani tavalla – Hirvijoen alue mukaan luettuna (kuva 4). Edelleenkään en ole täysin tyytyväinen kartan informaatioarvoon, sillä sataprosenttiset pylväät jättävät kovin vähän visuaalista arvoa pienille järvisyysprosenteille (joista suurin oli siis alle 20 %).

Lähteet:

Tornikoski, T. 1.2.2022. Tietokantojen yhdistely – kaatumisia ja nousuja. Geoinformatiikkaa tutkimassa 😊-blogi. https://blogs.helsinki.fi/tornitar/

…ja mitä valintoja pitäisi tehdä?

Menin toiselle kurssikerralle mielessäni varmana tavoitteestani; yritä nyt vaan pysyä kärryillä. Tuo GIS-maailma kun tuppaa tekemään ihmeitä siinä sekunnissa, kun katson muualle. Tavoite osoittautui oikein sopivaksi tälle kurssikerralle ja sen aikana tutkittuihin karttaprojektioihin.

Tavallaan moni asia tuntui jo tutulta tai tuttua kertaavalta, joka sopi minulle erinomaisesti. Kertaaminen tuntuu järkevältä, kun asioita hahmotellaan eri perspektiiveistä. Nyt karttaprojektioiden luomat vääristymät saivat uuden valon ja niin myös karttojen tuottaminen. Toisaalta uutena puolena tässä on edelleen QGIS, joka tuntuu vielä päihittävän minut älyllään. Niin, ohjelma on fiksu, jos sitä vaan osaa käyttää.

Projektioista

Karttaprojektioita valitessa törmää helposti yllättäviinkin ongelmiin, kuten projektioiden määrään, niiden epäselviin koodinimiin ja tiukasti alueellisesti rajattuihin projektioihin. Koska maapalloa ei voi kuvata karttatasolle täydellisesti, on pienemmänkin alueen usein käytettävä omaa ja omalle alueelleen parhaiten sopivaa karttaprojektiota. Niin on Suomenkin kohdalla ja tähän mennessä vähiten vääristävä projektio (ja koordinaattijärjestelmä) on nimeltään ETRS-TM35FIN.

Pieniä alueita kuvaamaan tarkoitetut karttaprojektiot ovat tehtäväänsä erittäin hyviä ja kuvaavat alueita mahdollisimman tarkasti, mutta tällaisen projektion käyttö sen tarkoituksellisen alueen ulkopuolella johtaa huomattaviin vääristymiin. Jäin pohtimaan tätä ja päätin tehdä kotona kurssikerran aineistoja hyödyntäen havainnollistavan kuvan, jossa näkyy vääristymät Suomen kartassa, kun käytössä on Italiaan sopiva RDN2008 projektio (kuva 1).

Kuvasta voi tulkita projektion vääristävän Suomea kuvaamalla erityisesti itäiset osat todellista suurempina ja läntisimmät jopa todellista pienempinä. Vaikka erot ovat verrattain pieniä, ne ovat silti huomattavissa. Ehkä suuremman eron tekisi, jos käytettäisiin jonkin Suomesta reilusti itään tai länteen sijaitsevan alueen projektiota. Siis ehkä, ehkä ei, tähän kokeiluun en vielä lähtenyt.

Maailma versus Suomi

Vertailun vuoksi kurssikerralla tutkailimme tarkemmin koko maailmaa kuvatessa käytettäviä projektioita, jotka onnekseni löytyivät helposti listattuna, kun QGIS:in hakemistoon kirjoitti ”world”. Muutoin olisin laulattanut googlea taas viimeiseen asti löytääkseni ne kivoimmat ja jännittävimmät projektiot, vaikka olisi siitä voinut olla muutenkin hyötyä.

Koko maailmaa kuvaavat projektiot ovat toki hyödyllisiä, mikäli ne kohtaavat hyvin tarpeet. Suomea kuvattaessa ne eivät tietenkään kohtaa, mutta Suomen käyttäminen havainnollistaa meille hyvin sen, missä projektioiden vääristymät ovat. Niitä tutkailtiin ensin mittaamalla QGIS:llä tietty välimatka ja alueen pinta-ala ja vertailemalla niiden muutoksia taulukoimalla tulokset (taulukko 1). Poistin taulukosta kokonaan ellipsoidisen koordinaatiston tulokset, sillä siinä eroja ei löytynyt valitsemillani koordinaatistoilla. Suorakulmaisella (cartesian) koordinaatistolla erot olivat huomattavia, joka entisestään korostaa sitä, miten vaikeaa palloa on kuvata tasopinnalla. Alue, jota mittasin, oli Suomen pohjoisimmassa osassa ja mitattu matka oli tämän alueen eteläisin reunaviiva (kuva 2).

Vaikka taulukko kertoo selvät erot projektioiden avulla, tulee tässä kohtaa korostaa tiedon esittämisen keinoja erityisesti maantieteen näkökulmasta. Meillä kun on käytössämme tämä verraton karttasovellus, jonka avulla voidaan kyseinen kuivakka numerokasa visualisoida kivoilla väreillä.

Pattersonin projektio

 

Tässä näette Pattersonin projektion, joka on kompromissiprojektio (ArcGIS Pro, 30.1.2022), eli se ei ole oikeapintainen, -kulmainen tai pituinen, vaan sen vääristämät on pyritty minimoimaan jokaisella osa-alueella. Toisaalta se jättää projektioon tiedostetut vääristymät sen jokaiselle osa-alueelle. Projektio vääristää Suomea kauttaaltaan reilustikin, eniten pohjoisessa (kuva 3).

Natural Earth II -projektio

Natural Earth II projektio on Pattersonin projektion lailla myös kompromissiprojektio, jonka erikoisuus on siinä, että se pyöristää pallon pohjoisen ja eteläisen osan erityisen jyrkästi. Sen vääristämätkin kuvautuvat samalla tyylillä etelästä pohjoiseen, suurentumalla pohjoiseen mentäessä (kuva 4). Tässä tapauksessa vääristymät ovat huomattavasti pienemmät, joka johtuu projektion pohjois- ja eteläosan pyöristämisestä, jonka tavoitteena on olla venyttämättä niitä pallon osia (ArcGIS Pro, 30.1.2022).

Aitoffin projektio

Aitoffin projektio on tasoprojektio, jossa vääristymät ovat myös minimoitu kompromissein, joiden vuoksi sekään ei ole täysin oikeapintainen, -kulmainen tai -pituinen (ArcGIS Pro, 30.1.2022). Se sopii pienemmän alueen kuvaamiseen melko hyvin, mikäli projektio kohdistetaan juuri kyseiselle alueelle.

Sen ongelmana on reuna-alueiden suuremmat vääristymät, joka korostuu, kun keskialue voidaan kuvata erityisen tarkasti. Suomea sillä kuvattaessa sen vääristymät ilmenevät hyvin samankaltaisesti, kuin edellisissäkin käyttämissäni projektioissa.

TLDR; mitä tapahtuu

Vertailtuani kaikenlaisia karttaprojektioita ensimmäinen huomio keskittyy tietysti niiden vääristymään, joka on näissä valitsemissani projektioissa hyvin samankaltainen, ainoastaan eri suuruinen. Jälkiviisaana voisin sanoa, että kannattaisi tosiaan etsiä sellainen projektio, joka vääristäisi karttaa eri tavalla, kuten Ronja Sonninen näyttäisi blogissaan (Ronjan GIS-blogi) tehneen. Hänen valitsemistaan projektioista erityisesti Cassinin projektio sai aikaan mielenkiintoisen kartan ja vertailukohteen.

Mielestäni valitsemieni projektioiden vertailu on jopa vähän tylsää, vaikka kartat ovatkin hyvin kuvaavia ja selkeitä. Paras oivallukseni koko prosessissa oli testata itse toisella pienemmällä alueella käytettyä projektiota (kuva 1) Suomessa käytettyyn ETRS TM35FIN-projektioon, vaikka siihenkin saattaisin nyt jälkikäteen valita toisen maan Italian sijaan. Joka tapauksessa QGIS alkaa hiljalleen avaamaan saloja minullekin ja alan ymmärtämään, miten hyödyllinen työkalu se on. Sen avulla voimme myös kurkistaa esitetyn tiedon taakse ja vertailla sitä, miten valtavia vaikutuksia esitystavoilla ja pienilläkin valinnoilla voi olla.

Lähteet:

ArcGis Pro-sivusto, Patterson, Natural Earth II ja Aitoff. https://pro.arcgis.com/en/pro-app/latest/help/mapping/properties/patterson.htm luettu 30.1.2022

Sonninen, R. 22.1.2022. Karttaprojektion vaikutus karttaan. Ronjan GIS-blogi. https://blogs.helsinki.fi/sronja/ luettu 30.1.2022

Toista tehtävää kotona tehdessäni tunne QGIS-ohjelman helppokäyttöisyydestä katosi kuin tuhka tuuleen. Muistin perukoiltani ei löytynyt paljoakaan apuja kartan rakenteluun – edes helpoimman kautta. Klikkailin turhautuneena menemään ja kerta toisensa jälkeen availin attribuuttitaulukon ihmetellen, miten tässä kuuluisi päästä etenemään.

Tässä vaiheessa lamppu välähti salaman nopeudella ja muistini virkistyi – eikö attribuuttitaulukkoon voinut lisätä helmitaulun avulla uusia laskelmia? Voisin tehdä sinne oman sarakkeen tiedoista, jotka haluan visualisoida. Siitä varmaan kannattaisi aloittaa, kun en muista miten kuntia saisi värjättyä niiden sisältämien lukuarvojen mukaisesti. Niin päädyin tekemään kartan, joka ilmaisee saamenkielisten osuudet kunnittain Suomessa.

Attribuuttitaulukossa käymäni suuren kamppailun voitosta riemuissani jatkoin lähes maanista klikkailua ympäri QGIS-ohjelmaa. Yritin värjätä karttaa nyt asettamieni lukujen mukaan, mutta aina väriskaalan valittuani kartta hävisi näkyvistä kokonaan. Kadotin sen aika monta kertaa ennen, kuin tein jotain eri tavalla ja se jäi näkyviin. Oi sitä juhlaa ja onnistumisen riemua, joka minut valtasi huolimatta siitä, että en oikeastaan tiennyt, mikä oli johtanut onnistumiseeni.

Loppufanfaari

Kartan onnistunut luominen ei tee siitä itsessään hyvää ja informatiivisesti selkeää karttaa. Saamenkielisten osuutta kuvaavassa kartassa on mielestäni muutamakin asia, joita nyt jälkiviisaana muuttaisin.

Kartan väriskaalana on punaisen sävyt – joka on valintana mielestäni huono. Punainen on totuttu yhdistämään vaarallisiin ja uhkaaviin asioihin, joihin saamenkielinen väestö ei todellakaan kuulu. Toisaalta punaisuus kuvaa myös intensiivisyyttä, joten ehkä voin olla sille valinnalle armollisempikin. Kartan selkeytys onnistuisi myös helposti muuttamalla asteikkoa, joka nyt keskittyy pieniin prosentteihin ja tekee valtavia loikkia prosenttiosuuksien kasvaessa. Pienemmän skaalan avulla osuuksia saisi tasattua, mutta se saattaisi myös kadottaa tärkeää tietoa kartalta. Tilanne kun on oikeastikin hyvin epätasainen saamenkielisen väestön keskittyessä vahvasti Lapin kuntiin.

Tästä tullaankin seuraavaan parannusehdotukseen, jonka keksin Janne Turusen Geoinformatiikan mystiset menetelmät-blogista. Hän oli kartassaan rajannut kuvatun alueen Lahden seutuun, joka tekee kartasta erittäin selkeän ja helppolukuisen. Tätä metodia olisi voinut käyttää myös omaan karttaani rajaamalla tulokset vaikkapa vain Lappiin tai Suomen pohjoiseen osaan.

Joka tapauksessa kartta ei ole ihan niin huono, kun annan ymmärtää. Se on taitotasooni nähden ihan riittävän selkeä ja nyt ainakin voin sanoa oppineeni monta tärkeää pointtia seuraavia karttavisualisointejani varten.

Tätä kirjoittaessani olen jo sen verran aiheesta innostunut, että päätin visualisoida blogiani varten uuden kansikuvan QGIS-ohjelmassa. No okei, en halunnut sitä niin tehdä, vaan luulin lataavani traficomin Oskari-latauspalvelusta valmiin karttapalan kuvamuodossa. Sain ESRI shapefile-tiedostoja, jotka asettelin ja väritin QGIS:ssä mielestäni kivannäköiseksi taustakuvaksi. Kartaksi tuota sykeröä en sanoisi, mutta onhan se ihan söpö.

Lähteet:

J. Turunen, 2022. Geoinformatiikan mystiset menetelmät. https://blogs.helsinki.fi/janneturunen/

Ensimmäisen kurssikerran tehokkaiden työtuntien jälkeen koin olevani varmoilla vesillä QGIS-ohjelman maailmassa. Sehän on työkaluna yksinkertainen, jos sitä vain osaa käyttää. Luentokerralla sain selkeällä ohjeistuksella klikkailtua valmiin kartan, joka kertoo olennaisen suhteellisen selkeästi.

Kartta kuvastaa typen päästöjen prosenttiosuuksia Itämerta ympäröivissä valtioissa. Vaikka kartta on suhteellisen selkeä, paranneltavaakin siinä olisi. Mielestäni visuaalisesti eniten häiritsevää on kartan järvien esittäminen, sillä ne tuntuvat leijuvan irrallisina ja massiivisina esitetyn tiedon päällä. Toisaalta en ole varma, miten niiden esittäminen onnistuisi paremminkaan. Ehkä olen värjännyt järvialueiden rajat sinisellä, joka on jättänyt jälkeensä liioitellun kokoisia vesistöalueita. Karttaa tehdessä ilahduin sen meriaiheesta, joten objektiivisuus jäi heti alkuvaiheessa narikkaan.

Toinen oivallus kartan selkeytystarkoituksiin löytyi toisen kurssilaisen, Johanna Enströmin blogista. Hän kertoo jättäneensä kartasta syvyyskäyrät pois, sillä ne eivät kuvaa typpipäästöjen määrää ja niiden pois jättäminen selkeyttää karttaa. Oikeassahan hän on, ehkä seuraavalla kerralla osaan itsekin ajatella kartan sisältämää tietoa kriittisemmin.

Lähteet: 

J. Enström, 2022. Johannan -Geoinformatiikan menetelmien blogi. https://blogs.helsinki.fi/joen/

Blogipostausta muokattu 24.1. 15:10