Loppulausumia

Viimeisellä tunnilla kurssilla kartuttamiamme taitoja sovelletiin omavaltintaisen karttasarjan laadinnassa. Tehtävän aineistot oli siis tällä kertaa etsittävä verkosta itsenäisesti. Eksyin työvaiheessa pitkäksi aikaa aineistojen aavaan mereen, jossa en oikein osannut navigoida. Sain kuitenkin lopulta aikaiseksi kaksi kohtalaisen kelvollista esitystä.

Alkuperäisenä suunnitelmanani oli kartoittaa merenkulkuun – erityisesti tavaraliikenteeseen – liittyviä reittejä ja arvoja.  Uskoin vakaasti löytäväni jonkinlaista viiva-aineistoa tavaraliikenteen runkoreiteistä sekä muuta merenkulkuun liittyvää dataa, sillä laivaliikennettä paikannetaan jatkuvasti esimerkiksi AIS-järjestelmään. Minua olisi vastaavasti kiinnostanut esittää kuhunkin valtioon rekisteröityjen rahtilaivojen lukumääriä tuodakseni ilmi eräänlaisia mukavuuslippuja.

Minusta oli yllättävää, kuinka vähän käyttötarpeisiini soveltuvaa dataa lopulta löytyi. Yritin tarmokkaasti etsiä muun muassa laivareitteihin liittyviä aineistoja, mutta valtaosa niistä oli joko maksumuurien takana tai QGIS:iin soveltumattomissa tiedostomuodoissa. Lisäksi havaitsin, että maailman mittakaavassa oli haastavaa löytää tasalaatuista aineistoa, kuten Tiia Laisi jo totesi blogissaan (Laisi, 2020). Päädyin esimerkiksi lataamaan erään maailman tavarasatamia kuvaavan pisteaneiston, jonka yleistysaste vaihteli voimakkaasti alueittain. Aineistoon oli esimerkiksi Kiinan kohdalla koottu harvoja, maailmankaupan keskeisimpiä tavarasatamia, kun taas Kongon demokraattisesta tasavallasta löytyi kymmenittäin häviävän pieniä kohteita.

Kahden päivän onnettomat seilailut saivat minut nöyrtymään ja lähestymään tehtävää aineisto- eikä aihelähtöisesti. Lähdin siis kartoittamaan erilaisia maksuttomien aineistojen kokoelmia ja luotaamaan, mitä niiden avulla voisi saada aikaiseksi. Kiinnostoin eräästä UNDRR:n viiden neliökilometrin tarkkuudella tuottamasta pisteaineistosta, johon on arvioituna kunkin pisteen kohdalle sijoittuvan infrastruktuurin ja muun aineellisen pääoman arvo. Tämä aineisto on tuotettu luonnokatastrofien aiheuttamien aineellisten tuhojen ennakointiin, joten minusta tuntui luontevalta soveltaa sitä käyttötarkoitukseensa. Päädyin näin ollen sattuman kautta takaisin edellisen kurssikerran tunnelmiin. Hasarditematiikkaan palaaminen tuntui itsestäni alun perin hieman lattealta, jopa jonkinlaiselta rimanalitukselta. En kuitenkaan tässä vaiheessa vielä osannut ennakoida tulevia haasteita.

Päätin rajata kuvattavaksi kohteeksi Japanin, sillä otaksuin löytäväni riittävän moninaisia aineistoja tällä aluevalinnalla. Työvaiheen alkupuoli vaikuttikin lupaavalta. Päädyin esimerkiksi eräälle Japanin seismisen hasardin informaatiokseskuksen sivustolle, josta tuntui löytyvän kaikkea mistä olin osannut haaveilla – vektorimuodossa. Sain käsiini esimerkiksi Japanin seismistä hasardia kuvaavan pisteaineiston, joka osoittautui kuitenkin niin hienojakoiseksi, että QGIS lamaantui poikkeuksetta ihan vain yrittäessäni avata sen attribuuttitaulukkoa. Sama ongelma toistui usean muun aineiston kohdalla. Niinpä luovuin kunnianhimostani ja palasin ihan vain edellisen kurssikerran toimivaksi todettuun maanjäristystietokantaan.

Ensimmäisessä esityksessäni (kuva 1) on kartoitettu Japanissa kuluneen kahdenkymmenen vuoden aikana tapahtuneiden merkittävien maanjäristysten suhdetta alueen infrastruktuuriin ja ydinreakteaktoreihin. Kartasta on luettavissa, että Japanin seisminen riski on merkittävä. Japanin aineellisesti haavoittuvaisimpia kohteita ovat Tokion megakaupunki, Keihashinin megalopoli sekä Nagoyan metropolialue. Kuluneen kolmenkymmenen vuoden aikana merkittävimpiä aineellisia tuhoja on aiheutunut Tohokun (2011) sekä Koben (1995) maanjäristyksistä. Kartasta on vastaavasti havaittavissa, että useat ydinreaktorit ovat kuluneen kahdenkymmenen vuoden aikana altistuneet voimakkaille maanjäristyksille.

Kuva 1. Japanin infrastruktuurin sekä muun aineellisen pääoman arvo v. 2015 (arvio), voimakkaimmat ja/tai tuhoisimmat maanjäristykset v. 1990-2020 sekä alueen ydinreaktorit v. 2017.

Olisin toivonut pääseväni valjastamaan infrastruktuuritietokannan myös jonkinlaiseen laskennalliseen analyysiin, mutta en harmikseni löytänyt visioihini sopivia aineistoja. Lisäksi olin suunnitellut liittäväni karttaani kunkin maanjäristyksen aineellisia tuhoja kuvaavia arvoja, mutta niistä löytämäni arviot eivät vaikuttaneet täysin vertailukelpoisilta. Näkisin, että lopputulema on kuitenkin kaikessa kehityskelpoisuudessaan kohtalaisen havainnollinen. Olen tyytyväinen löytämiin aineistoihin, joiden parissa oli innostavaa työskennellä. Jäin kartan viimeistelyvaiheessa ihmettelemään erityisesti Tokion ylväimpien neliökilometrien rakennuskannan arvoa. Mitä megalomaanista suuruudenhulluutta.

Kuva 2. Japanin voimakkaimmat ja/tai tuhoisimmat maanjäristykset sekä niiden kuonuhrit v. 1990-2020 suhteutettuna alueen väentiheyteen v. 2015.  

Toisessa esityksessäni (kuva 2) samoja maanjäristyksiä ja niiden kuolonuhrien määrää on tarkasteltu suhteessa Japanin väentiheyteen. Kartasta on luettavissa, että kuluneen kolmenkymmenen vuoden aikana eniten kuolemia on aiheutunut Tohokun (2011) ja Koben maanjäristyksissä (1995). Koen, että esityksen ulkoilme on selkeä ja onnistunut. En kuitenkaan saanut purettua sinisen värigradientin selitteitä oikeaoppisesti kartan legendaan, sillä hyödyntämästäni väentiheysaineista puuttuivat metatiedot.

 

Anna

Lähteet:

 

Infrastruktuurin arvo, vektoriaineisto. 3.4.2020.<https://data.humdata.org/dataset/gar15-global-exposure-dataset-for-japan>

Japanin rantaviiva, vektoriaineisto. 4.4.2020.<https://www.gsi.go.jp/kankyochiri/gm_japan_e.html>

Kaupunkien nimistö, vektoriaineisto. 6.4.2020.<https://www.naturalearthdata.com/downloads/10m-cultural-vectors/10m-populated-places/>

Laisi, T. (2020). Kurssikerta 7. Omia Karttaesityksiä. 8.4.2020.<https://blogs.helsinki.fi/tlaisi/2020/02/26/viimeinen-kurssikerta/>

Maanjäristykset, csv-tiedosto. 5.4.2020.<https://earthquake.usgs.gov/earthquakes/search/>

Väentiheys, rasteriaineisto. 5.4.2020  <https://energydata.info/dataset/japan–population-density-2015/resource/c135be66-fbe6-4dde-bdf7-65a81b3638ed>

Maailman ydinvoimalat, vektoriaineisto. 5.5.2020.<https://datashare.is.ed.ac.uk/handle/10283/2464?show=full>

Mielenmaisemia ja laattatektoniikkaa

Kurssin kuudennella kerralla pääsimme ensi kertaa kenttätöihin, joissa tehtävänämme oli tuottaa pisteaineistoa omakätisesti ulkoilmassa. Tunnin alkupuolella jalkauduimme hetkeksi kampuksen läheisyyteen ja arvotimme ympäröivää kaupunkitilaa arkkitehti Jan Gehlin viiden aluesuunnittelun teesin pohjalta. Pisteytimme kiertämiämme kaupunkitilan kohteita järjestysasteikollisesti Epicollect5-sovelluksessa, jossa tuottamamme ominaisuustieto paikantui koordinaattipisteisiin.

Harmaa ja viimainen iltapäivä ei varsinaisesti ollut otollisin hetki julkisten ulkotilojen viihtyvyyden taikka hyödynnettävyyden arviointiin, eikä vajaan tunnin aikaikkuna tuntunut omalla kohdallani riittävän useiden eri alueiden herättämien mielenvireiden läpiluotaamiseen. Aineiston keruulla simuloitiinkin siis ensisijaisesti ohjelman sovellusmahdollisuuksia. Tuottamamme pisteaineisto tuotiin csv-muodossa QGIS:iin, jossa määrittämiämme arvoja interpoloitiin kartalle esimerkiksi turvallisuuden kokemuksen pohjalta. Menetelmä herätti minussa jokseenkin samankaltaista innostusta kuin korkeusmalleilla leikkiminen, joten interpoloitujen karttojen laatiminen sujui osaltani hempeässä huumassa.

Tunnin itsenäistehtävänä oli laatia opetukseen soveltuvia karttoja valinnaisten hasardien levinneisyydestä. Valitsin kuvattavaksi endogeenisia ilmiöitä, kuten maanjäristyksiä ja tulivuoria. Tehtävän ainoana haasteena oli hioa osa tarvittavista pisteaineistoista liitäntäkelpoiseen csv-muotoon, mikä luontui kuitenkin melko mutkattomasti. Päätin korvata aineistopaketin (sinänsä informatiivisen ja tarkoituksenmukaisen) fyysisen taustakartan yksinkertaisella vektoriaineistolla pelkistääkseni esityksieni yleisilmettä.

Ensimmäiseen karttaani (kuva 1) on koottu kuluneen viikon aikana tapahtuneet maanjäristykset, joiden voimakkuuden vaihtelua on kuvattu erivärisin pistein. Liitin esitykseen myös mannerlaattojen saumakohdat tuodakseni ilmi, että seisminen aktiivisuus on voimakkainta juuri niiden alueella. Kartan perimmäisenä tarkoituksena on havainnollistaa tektonisten liikuntojen jatkuvuutta sekä lievien maanjäristysten tavanomaisuutta.Kuva 1. Seitsemän vuorokauden aikana (24.2.2020 – 1.3.2020) tapahtuneet yli 3:n magnitudin maanjäristykset sekä litosfäärilaattojen saumakohdat maailman mittakaavassa.

Toiseen karttaani (kuva 2) on koottu vuoden 2019 aikana tapahtuneet yli 4:n magnitudin maanjäristykset. Tässä kartassa mannerlaattojen rajaviivat piirtyvät jo likimääräisesti pisteaineiston pohjalta. Esitys havainnollistaa erityisesti lievien ja voimakkaiden maanjäristysten välisiä määrällisiä suhteita. Kartan avulla voidaan vastaavasti tarkastella ajankohtaisia voimakkaita maanjäristyksiä, joista esimerkiksi Albanian maanjäristyksestä on uutisoitu laajalti myös Suomessa.Kuva 2. Yli 4:n magnitudin maanjäristykset vuonna 2019 maailman mittakaavassa.

Viimeiseen karttaan (kuva 3) on sommiteltu sekä sadan vuoden aikaikkunassa (1913 – 2013) tapahtuneet yli 8:n magnitudin maanjäristykset että vuoden 1964 jälkeen purkautuneet tulivuoret. Tämä esitys näyttää jälkeenpäin katsottuna melko rauhattomalta, ja uskoisin, että järistysten magnitudittaisen luokittelun olisi voinut jättää kartasta kokonaan pois. Lisäksi havaitsin lataamastani tulivuoriaineistosta vajeita ja paikannusvirheitä. Esimerkiksi Islannissa sijaitseva Lakagigarin tulivuori on kartallani eksynyt Ruotsiin. Peilasin esitystäni myös Otso Laakkosen samasta aineistosta tekemään karttaan ja havaitsin monia poikkeavaisuuksia (Laakkonen, 2020). Aineistostani näyttäisi puuttuvan erityisesti Afrikassa sijaitsevia aktiivisia tulivuoria, kuten viimeksi vuonna 2014 purkautunut Nyamuragira. Kuva 3. Yli 8:n magnitudin maanjäristykset vuosina 1913 – 2013 sekä vuoden 1964 jälkeen purkautuneet tulivuoret maailman mittakaavassa.

Olisin jälkeenpäin katsottuna voinut käyttää enemmän mielikuvitusta hyödyntäessäni kurssikerran aineistoja. Ihailin erityisesti Minerva Laitisen laatimaa karttaa, jossa voimakkaita maanjäristyksiä kuvaavaan aineistoon oli sommiteltu kuolonuhreja sekä taloudellisia vahinkoja kuvaavia arvoja (Laitinen, 2020).  Löysin verkosta myös havainnollisen kartan, jossa Euroopan seismisen hasardin vaihtelu on esitetty interpoloimalla.

Anna

Lähteet:

Laakkonen, O. (2020). 6 kerta. 29.3.2020. <https://blogs.helsinki.fi/laxotso/2020/02/17/6-kerta/>

Laitinen, M. (2020). Happihyppelyn jälkeinen GIS-huuma. 30.3.2020.<https://blogs.helsinki.fi/minerval/2020/02/19/happihyppelyn-jalkeinen-gis-huuma/>

Maanjäristykset vuoteen 2013 saakka. 13.3.2020.                      <https://ncedc.org/anss/catalog-search.html>

Maanjäristykset vuodesta 2013 eteenpäin. 13.3.2020.<https://earthquake.usgs.gov/earthquakes/search/>

Mannerlaattojen saumakohdat, vektoriaineisto. 13.3.2020.<https://github.com/fraxen/tectonicplates>

Tulivuoritietokanta. 13.3.2020.                              <https://www.ngdc.noaa.gov/nndc/struts/form?t=102557&s=5&d=5>

Valtionrajat, vektoriaineisto. 13.3.2020.<http://www.naturalearthdata.com/downloads/110m-cultural-vectors/110m-admin-0-countries/>

Edestakaisin

Kurssin alkupuoliskolla kokemani kauhun tunteet lientyivät hieman viidennellä, yleisilmeeltään kertausluonteisella tunnilla. Opetuskerran itsenäistehtävät pitivät sisällään runsaasti toistoja, joiden avulla ohjelman keskeisimmät toiminnot näyttivät vakiintuvan vähitellen kaukomuistiini. Tehtävien edetessä tuntui, että osin sirpaleiset tiedon palaset alkoivat hiljalleen rakentua jopa jokseenkin hallittavaksi osaamisen kokonaisuudeksi.

Opetuskerta lähti käyntiin varsin lempeästi. Tunti pohjustettiin ohjatulla ja suoraviivaisella harjoituksella, joka toimi johdantona kurssikerran pääaiheeseen: puskurianalyysien tekemiseen QGIS:in toimintaympäristössä. Minusta oli mieleistä päästä kokeilemaan tätä menetelmää käytännössä, sillä puskurianalyysien sovellusmahdollisuudet ovat varsin moniulotteisia. Olen jo aikaisemmin yrittänyt hyödyntää Paikkatietoikkunan vastaavaa toimintoa – kuitenkaan tuloksetta –, jonka rinnalla QGIS:in analyysityökalut vaikuttivat erittäin selkeiltä ja helppokäyttöisiltä.

Harjoituksen aineistona oli edellisellä kerralla tutuksi tullut Pornaisten peruskarttalehti, peltoja kuvaava taso sekä karttalehden pohjalta digitoimamme tiestö- ja rakennuskantatasot. Karttalehden kohteista juonnettiin erikokoisia puskurivyöhykkeitä, joiden avulla tarkasteltiin esimerkiksi tienvarsien hypoteettista asukastiheyttä sekä alueen keskeisimpien palvelujen saavutettavuutta. Nämä harjoitukset loivat liukumapinnan opetuskerran itsenäistehtäviin.

Puskurointa päästiin soveltamaan tunnin ensimmäisessä itsenäistehtävässä, jossa tarkoituksena oli kartoittaa Malmin ja Helsinki-Vantaan lentoasemien ympäristössä asuvien ja lentomelulle altistuvien määrää (taulukko 1).  Tehtävän vaiheet sujuivat melko mutkattomasti ”Buffer”, ”Select by location” sekä ”Join attributes by location” -komentoja toistellen. Toiminnossa hyödynnettiin sekä valmista, meluvyöhykkeitä kuvaavaa vektoriaineistoa sekä itse laatimiamme ympyränmuotoisia vyöhykkeitä. Alex Nylander täsmensi blogissaan, että näistä jälkimmäiset eivät itsessään sovellu esimerkiksi melulle altistuneiden tarkasteluun, sillä todelliset lentomeluvyöhykkeet myötäilevät kiitoratojen suuntautuneisuutta (Nylander, 2020). Vyöhykkeiden itsenäinen laatiminen tarjosi kuitenkin kosketuspintaa puskurikomennon toimintaperiaatteeseen. Tehtävän toisessa osassa tarkasteltiin pääkaupunkiseudun väestön sijoittumissa suhteessa raidelinjojen asemien sijaintiin. Tämä vaihe eteni pitkälti samalla periaatteella, ja saamani tulokset näkyvät taulukossa 2.

 

Taulukko 1. Tehtävä 1. Asukasmääriä Helsinki-Vantaan ja Malmin lentoasemien lähialueilla.  

asukkaita
2 km säteellä Malmin lentoasemasta 57 207
1 km säteellä Malmin lentoasemasta 8 707
2 km säteellä Helsinki-Vantaan lentoasemasta 10 358
2 km säteellä Helsinki-Vantaan lentoasemasta ja 65 dB:n melualueella 31
Helsinki-Vantaan lentoaseman vähintään 55:n dB:n melualueella 11 913
vähintään 60 dB:n melualueella Helsinki-Vantaan tilapäisellä laskeutumisreitillä v. 2002 12 499

 

Taulukko 2. Tehtävä 1.2. Väestörakenteen avainlukuja pääkaupunkiseudun raideliikenteen asemien ympäristössä. 

asukkaat alle 500 m säteellä lähimmästä juna- tai metroasemasta 106 691
alle 500 m säteellä juna- tai metroasemasta asuvien osuus pääkaupunkiseudun kokonaisväestöstä 21,8 %
työikäisten osuus niistä, jotka asuvat alle 500 m säteellä juna- tai metroasemasta 69,7 %

 

Toisessa itsenäistehtävässä tarkasteltiin pääkaupunkiseudun taajama-alueiden ja väestörakenteen välistä suhdetta (taulukko 3). Tämän tehtävän kohdista ulkomaalaisväestön määrään pohjautuvien laskutoimitusteni tulokset eivät mitä ilmeisimmin pidä paikkaansa, mutta päätin inhimillisyyden nimissä liittää ne kirjoitukseeni.  Yritin ratkaista nämä kohdat yksinkertaisin ehtolausein – esimerkiksi ”(ULKOKANS / ASYHT) > 0.1” –, joiden pohjalta seuloin ehtoa vastaavat arvot ”Select by attribute” -komennolla. Suhteutin valitsemani kohteet lopulta taajamien sijaintiin. Epäilen, että olen toimituksien alkuvaiheessa epähuomiossani lähtenyt laskemaan suhdelukuja yksittäisten talojen tasolla, mikä selittänee jokseenkin eksentriset tulokseni.

 

Taulukko 3.  Tehtävä 2. Väestörakenteen avainlukuja taajama-alueittain.  

alueen taajama-aste 97,6 %
kouluikäisten (7 – 15-vuotiaiden) määrä haja-asutusalueilla 1 289
haja-asutusalueilla asuvien koululaisten osuus kaikista alueen kouluikäisistä 2,6 %
aineiston alueet, joilla ulkomaalaisen osuus ylittää 10 % 153
aineiston alueet, joilla ulkomaalaisen osuus ylittää 20 % 140
aineiston alueet, joilla ulkomaalaisen osuus ylittää 30 % 129

 

Suoritin vapaavalintaisista itsenäistehtävistä vaihtoehdot 3 ja 4. Kolmannessa itsenäistehtävässä pääkaupunkiseudun väestörakennetta peilattiin koulupiirien aluerajauksiin (Taulukko 4). Tässäkin tehtävässä hyödynnettiin samankaltaisia komentoja ja laskutoimituksia kuin edellisissä kohdissa. Koska tehtävässä tarvittavat välineet olivat jo tulleet hyvin tutuiksi, työvaiheessa pääsi esimerkiksi pohtimaan, mitä toimintoja ja välivaiheita kannattaisi suorittaa työnteon ja laskutoimitusten sujuvoittamiseksi.

 

Taulukko 4. Tehtävä 3. Avainlukuja Yhtenäiskoulun koulupiirin väestöstä.

ensimmäisen luokan oppilaita ensi vuonna (koulupiirin 6-vuotiaat) 14
yläasteikäisiä ensi vuonna (koulupiin 12 – 14-vuotiaat) 62
kouluikäisten (7 – 15-vuotiaat) osuus koulupiirin asukkaista 8,39 %
muunkielisten kouluikäisten määrä koulupiirin kouluikäisistä 9

 

Viimeisenä tehtävänä oli mallintaa kartalle pääkaupunkiseudun uima-altaiden ja saunojen sijoittumista. Tämän tehtävän perimmäiseksi haasteeksi osoittautui muuttujien esittäminen selkeällä ja visuaalisesti miellyttävällä tavalla. Onnistuin jotenkuten käyttämään neljä päivää laatimieni karttojen ilmeen mukauttamiseen, mutta olen tästä huolimatta melko tyytymätön aikaansaannoksiini.

Kuva 1. Uima-altaalla varustetut talot pääkaupunkiseudulla. 

Ensimmäisessä kartassa (kuva 1) pääkaupunkiseudun rakennuskantaa kuvaavasta pisteaineistosta on seulottu kaikki kohteet, joissa on uima-allas. Toisessa kartassa (kuva 2) näiden talojen rinnalle on ilmoitettu niiden asukaslukumäärä. Tästä kartasta on pääteltävissä, että esimerkiksi Helsingin kantakaupungin ja Lauttasaaren uima-altaat sijoittuvat pääasiassa kerrostaloihin.

Kuva 2. Uima-altaalla varustetut talot ja niiden asukasmäärä pääkaupunkiseudulla. 

Seuraavassa kartassa (kuva 3) uima-altaiden sijoittumista on havainnollistettu kaupunginosittain. Tämän kohdan varsinaisena tehtävänantona oli kuvata muuttujan vaihtelua sekä histogrammein että absoluuttisin lukumäärin, mutta niiden yhtäaikainen esittäminen ei onnistunut omalla kohdallani. Pylväiden ja lukuarvojen yhteensommitelmani näytti sen verran onnettomalta, että päätin vaihtoehtoisesti havainnollistaa uima-altaiden sijoittumista yksinkertaisen koropleettikartan muodossa.

Kuva 3. Uima-altaalla varustettujen talojen lukumäärä kaupunginosittain pääkaupunkiseudulla. 

Viimeinen teemakartta (kuva 4) kuvaa saunojen jakautumista pääkaupunkiseudulla. Esitys tuo ilmi, että esimerkiksi Espoossa on erityisen paljon saunalla varustettuja taloja muuhun pääkaupunkiseutuun nähden. Kartan ilmentämiä eroja selittänevät esimerkiksi talojen rakennusajankohdille ominaiset rakentamisen trendit.

Kuva 4. Saunattomien ja saunalla varustettujen talojen jakautuminen pääkaupunkiseudulla. 

Kurssikerran tehtävät toivat esiin toistaisen osaamistasoni vahvuuksia ja vajeita. Koska aineistoja oli runsaasti ja tehtäviä paljon, ajatusjuoneni ei edennyt katkoksitta työvaiheesta toiseen. Analyysien perimmäisenä haasteena olikin ymmärtää, missä suhteessa työstettävät aineistot olivat toisiinsa nähden. Tehtävät etenivät kuitenkin kokonaisuudessaan melko vaivattomasti, useimmiten erehdyksen ja oivalluksen kautta.

Anna

 

Lähteet:

Nylander, A. (2020). Buffereita ja väestöanalyysejä. 20.3.2020. <https://blogs.helsinki.fi/alny/2020/02/18/kurssikerta-5-buffereita-ja-vaestoanalyyseja/>

Selviä säveleitä

Kurssin neljäs opetuskerta sujui poikkeuksellisen suoraviivaisesti. Tunnin tehtävät tuntuivat ymmärrettäviltä ja johdonmukaisilta, enkä tällä kertaa kohdannut selittämättömiä vastoinkäymisiä. Tunnilla päästiin muun muassa laatimaan ruututeemakarttoja sekä käsittelemään rasterimuotoista topografia-aineistoa.

Ruututeemakarttojen laadinnassa sovellettiin pääkaupunkiseudun rakennuskantaa kuvaavaa pisteaineistoa, johon sisältyi mitä moninaisimpia tietoja rakennusten ominaisuuksista ja asukkaista. Pisteaineisto soveltui tarpeisiimme hyvin, sillä se on rakenteellisesti kevyttä. Tietokannan kohteiden yksinkertainen geometria edisti näin ollen hienojakoisen ominaisuustiedon käsittelyä.

Tunnilla pisteaineiston päälle luotiin ruutumatriisi, johon laskettiin kunkin aluerajauksen sisälle jääneet kohteet sekä niiden asukaslukumäärä. Seulotun aineiston pohjalta laadittiin pääkaupunkiseudun asukastiheyttä kuvaava ruututeemakartta. Tehtävän vaiheet eivät tuntuneet haastavilta tai vaikeaselkoisilta, mutta ne edellyttivät tarkkaavaisuutta. Suorittamiemme toimintojen valinnat oli punnittava harkitusti, jotta järjestelmä ei olisi kuormittunut tarpeettomasti.

Laadin itsenäistyönä pääkaupunkiseudun vieraskielisen väestön jakautumista kuvaan ruutukartan (kuva 1). Valitsin kartan ruutukooksi 500 m², sillä tämä rajaus toi esiin paikon hyvinkin voimakasta keskittyneisyyttä. Kokeilin aluksi myös pienempää ruutukokoa, mutta se osoittautui aivan liian hienosäikeiseksi kartan mittakaavaan nähden.

Pyrin tekemään esitykseni taustakartasta mahdollisimman rauhallisen ja pelkistetyn, sillä ruutumatriisi on itsessään hyvin vallitsevan ja raskaan näköinen. Esitys on tästä huolimatta melko vaikeaselkoinen, sillä siinä on niukasti paikantavaa tietoa. Tulin työvaiheessa pohtineeksi, että pääkaupunkiseudun osat olisi voinut jäsentää jokseenkin tunnistettaviksi kappaleiksi tiestön ja raideverkoston avulla, mutta en lopulta onnistunut sommittelemaan niitä ruutuaineistoon kovinkaan selväpiirteisesti. Havaitsin, että esimerkiksi Vilma Koljonen on kuitenkin omassa kartassaan yhdistänyt verkoston toimivasti osin läpinäkyvään ruutumatriisiin (Koljonen, 2020).

Kuva 1. Vieraskielisen väestön jakautuminen pääkaupunkiseudulla.

Aikaansaamani ruututeemakartta ilmentää, että vieraskielistä väestöä on keskittynyt erityisesti raideliikenteen runkolinjojen läheisyyteen esimerkiksi Itä-Helsingin ja Länsi-Vantaan alueille. Useita kartalla korostuvia kaupunginosia – esimerkiksi Vuosaarta, Mellunmäkeä, Hakunilaa, Myyrmäkeä, Suvelaa ja Matinkylää – leimaavat huonomaineisuus sekä kielteiset kaupunkitilan eriytymisen piirteet. Näiden alueiden asumiskustannukset ovat pääsääntöisesti alhaisia, minkä takia niihin on sijoittunut erityisesti pienituloista ja huono-osaista maahanmuuttajaväestöä. Kartalta on toisaalta havaittavissa myös muunlaista jakautumista. Esimerkiksi Helsingin eteläisessä ja itäisessä kantakaupungissa asuu todennäköisesti korkeasti koulutettua väestöä sekä eräänlaista luovaa luokkaa. Otaniemen vieraskelisen väestön keskittymä ilmentää vuorostaan tehokkaasti opiskeluperäistä maahanmuuttoa.

Tunnin teoriaosuudessa kävi ilmi, että ruututeemakartta on toimiva tapa tuottaa mahdollisimman yhdenmukainen ja hallintorajoista riippumaton aluejako. Laatimani kartan tulkinnassa on kuitenkin huomioitava, että ruutumatriisin rajaamat alueet ovat homogeenisiä ainoastaan mittakaavansa puolensa. Vieraskielisen väestön jakautumista määrittää luonnollisesti esimerkiksi rakennuskannan sijoittuminen, minkä takia kartan kuvaamat ruudut eivät ole kovinkaan vertailukelpoisia. Esitystä olisikin luontevinta tarkastella suomen- ja ruotsinkielisen väestön jakautumista kuvaavaan kartan rinnalla.

Koetin mallintaa vieraskielisen väestön jakautumista myös suhtellisin arvoin. Tämä esitystapa ei osoittautunut kovinkaan kuvaavaksi, sillä asukastiheydeltään alhaiset alueet toivat näkymään suurta sattumanvaraisuutta. Absoluuttiset lukuarvot suhteutuivat sen sijaan toimivasti vakiomittaisiin ruutuihin.

Tunnin loppupuolella käsittelimme ensi kertaa rasterimuotoista aineistoa, mikä osoittautui melkoisen autuaalliseksi kokemukseksi. Toimme ohjelmaan Pornaisten peruskarttalehden sekä neljä hienosäikeistä pistepilvitasoa, joiden pohjalta laadittiin vinovalovarjostettu korkeusmali. Rasteriaineistosta johtamamme korkeuskäyrät piirtyivät kartalle niin käsittämättömän tarkasti, etteivät ne hienosyisyytensä puolesta olisi soveltuneet useimpiin käyttötarpeisiin. Isopleettikäyrien sääntelemä Pornainen näytti kuitenkin kovin kauniilta.

Lopullisen vinovalovarjostemallin laatiminen johdatti minut hienoisen heureka-hetken äärelle. Minusta tuntui kovin kosmiselta, kun aineiston lukemattomat pisteet verhosivat ohjelman työnäkymälle mitä moninaisimpia muotoja. Oli myös mitä ihmeellisintä päästä säätämään varjosteen ominaisuuksia, kuten valon säteilykulmaa.

Anna

 

Lähteet:

Koljonen, V. (2020). Ruudut ja rasterit tutuiksi. 21.2.2020.<https://blogs.helsinki.fi/vilmakol/2020/02/07/tiedon-esittaminen-ruutukartalla-ja-vahan-asiaa-rastereista/>

Ikuisuuskysymyksiä

Kurssin kolmannella tunnilla pureuduttiin entistä syvemmälle tietokantojen rakenteisiin. Pääsimme jalostamaan hiomattomia aineistoja eheään ja käytettävään muotoon sekä harjoittelemaan tietokantojen välisiä yhteenliitoksia. QGIS:in arvoituksellisuus pääsi oikeuksiinsa tunnin itsenäistehtävän parissa.

Kurssikerran lähtöaineistona oli vektorimuotoinen tietokanta, joka kuvasi Afrikan mannerta valtiorajoittain. Tämän aineisten kaikki polygonit – kuten valtion saaret – olivat kuitenkin tyypiteltyinä tietokantaan tosistaan erillisinä objekteina. Koska tämä ryhmittelytapa oli tarpeettoman hienojakoinen kurssikerran tarpeisiin, lähdimme liikkeelle tietokannan rakenteen yksinkertaistamisesta. Jäsensimme aineiston valtiokohtaisesti, jolloin yksittäisten aluekohteiden lukumäärä pieneni merkittävästi.

Tietokannan rakenteen muuttaminen osoittautui hyödylliseksi tehtävän seuraavassa vaiheessa, jossa aineistoon oli tarkoituksena lisätä valtiokohtaista ominaisuustietoa toisesta ohjelmasta. Toimme tietokantaan internetin ja Facebookin käyttäjämääriä kuvaavaa aineistoa Excel-taulukosta, joka esikäsiteltiin ja formatoitiin QGIS:in tukemaan csv-muotoon. Hiottujen ja jäsennettyjen aineistojen yhdistäminen luonnistuikin melko vaivattomasti niille yhteisen liitäntäkappaleen, eli valtionnimiä sisältävän sarakkeen avulla.

Laskimme tietokantaan internetin valtiokohtaista läpäisevyyttä kuvaavat prosenttiarvot uuden aineiston pohjalta. Lisäksi toimme tietokantaan konflikteja, öljykenttiä ja timanttiesiintymiä kuvaavia piste- ja vektoriaineistoja. Nämä aineistot jäsennettiin liitäntäkelpoiseen muotoon siten, että kullekin muuttujalle laskettiin valtiokohtainen esiintyvyys sijainnin perusteella. Konflikti-, öljykenttä- ja timanttiesiintymätietojen pohjalta laadittiin teemakartta, joka näkyy kuvassa 1.

Kuva 1. Uniikit konfliktit, timanttiesiintymät ja öljykentät Afrikassa. Lähde: Peace Research Institute Oslo.

Kartta ilmentää, että monet aineiston konflikteista sijoittuvat luonnonvaroiltaan rikkaisiin valtioihin. Konfliktien ja valittujen luonnonvaraesiintymien sijainnin välillä vallitsee vahva korrelaatio pääsääntöisesti Länsi- ja Keski-Afrikan alueilla. Vastaavasti esimerkiksi Etelä-Afrikassa, Botswanassa ja Tansaniassa ei runsaista luonnonvaroista huolimatta ole juurikaan konflikteja. Koska kukin konflikti nivoutuu aina omanlaiseen, kompleksiseen viitekehykseensä, karttaesityksen pohjalta ei voida tehdä kovinkaan yksiselitteisiä johtopäätöksiä kaivannaisvarantojen suhteesta konfliktialttiuteen. Päällekkäisanalyysi tarjoaa kuitenkin hedelmällisiä lähtökohtia näiden muuttujien väliseen tarkasteluun.

Kehittyvien ja luonnonvaroiltaan rikkaiden valtioiden elinkeinorakenne nojaa usein kaivannaisten vientiin. Tällaiset taloudet ovat haavoittuvaisia ja alttiita maailmanmarkkinahintojen vaihtelulle, minkä voisi uskoa peilautuvan yhteiskunnalliseen vakauteen. Arvomineraaleista ja maaöljystä juontuva vauraus tapaa myös keskittyä harvoille, minkä takia valtaväestön ja taloudellisen eliitin välillä voi ilmetä jännitteitä. Tällainen epätasapainoinen yhteiskuntarakenne on leimannut esimerkiksi Sierra Leonen valtiota, jossa konfliktien ja timanttiesiintymien välinen korrelaatio on vahva.  Dupuyn ja Binningsbøn raportissa (2007) todetaan, että maan sisällissota juonsi juurensa hallintatapaan, jossa arvomineraaliesiintymät olivat pitkälti valtion hallussa, eikä maaseudun sosioekonomiseen kehitykseen kanavoitu juurikaan varoja.

Sosioekonominen epätasapaino on taustoittanut myös Etelä-Sudanin sisällissotaa, joskin konfliktin varsinaisena sytykkeenä pidetään poliittisen johdon eri etnisiin ryhmiin kohdistamaa vihamielistä retoriikkaa. Breidlidin ja Arensenin tutkimuksessa (2014) todetaan, että sota on edetessään saanut entistä monisyisempiä piirteitä ja siirtynyt yhä etäämmälle poliittisen johdon hallinnasta. Raportin mukaan maan hallituksen legitimiteettiä on heikentänyt erityisesti öljyteollisuuteen juontuva korruptio sekä maaseudun toimeentulon epävarmuus. Tutkimuksessa todetaankin, että maaseudulla siviilien mobilisaatiota avittaa eritoten oman elannon turvaaminen.

Kotsadamin, Østbyn ja Rustadin tutkimus (2017) tuo vuorostaan ilmi, että taloudelliseen eriarvoisuuteen kytkeytyvä väkivalta voi skaalautua myös kodin tasolle. Tutkimuksen mukaan orastavan kaivosteollisuuden on havaittu lisäävän naisiin kohdistuvaa parisuhdeväkivaltaa lähinnä sellaisissa Saharan eteläpuolisen Afrikan paikallisyhteisöissä, joissa se on ollut entuudestaan hyväksyttyä. Tutkimuksessa esitetään, että elinkeinorakenteen muutos omavaraismaataloudesta teollisuuteen voi esimerkiksi ajaa naisen taloudellisesti alisteiseen asemaan mieheensä nähden, sillä kaivostoiminta työllistää enimmäkseen miehiä. Toisaalta tutkimuksessa havaittiin myös päinvastaista kehitystä, eikä kaivosteollisuuden ja parisuhdeväkivallan välillä ilmennyt korrelaatiota koko otantaa tarkasteltaessa.

Sotia voidaan vastaavasti rahoittaa luonnonvaroilla, mikä tarjoaa selitysvoimaa erityisesti timanttiesiintymien ja konfliktien sijoittumisen välisille yhtymäkohdille. Arvomineraalit ovat kokonsa puolesta helposti salakuljetettavissa, joten timanttikauppaa voidaan harjoittaa pitkälti hallinnollisten elinten ulottumattomissa. Esimerkiksi Kongon demokraattisen tasavallan konflikteissa ja Sierra Leonen sisällissodassa kapinallisryhmät ovat rahoittaneet asevarustelua hallitsemiensa kaivosalueiden tuotoilla. Timanttikaupasta juontuvat tulot ovat molemmissa tapauksissa pitkittäneet konflikteja.

Työstämäämme tietokantaan oli koottuna runsaasti attribuuttitietoa kartan eri muuttujista. Kullekin aineiston konfliktille oli määritetty tapahtumavuosi, jonka avulla samalla alueella lyhyellä aikavälillä tapahtuneet konfliktit voitiin yksilöidä yhdeksi uniikiksi konfliktiksi. Kuten tunnilla kävi ilmi, tällainen  tyypittely antaa alkuperäisaineistoa paremman kuvan tietyn alueen pitkäaikaisesta vakaudesta. Konfliktien ajoittumista voidaan myös peilata aineistoin tietoihin kaivostoiminnan ja öljynporauksen aloittamisvuosista. Näin voidaan arvioida, onko muuttujien välillä mahdollista syy-seuraussuhdetta. Timanttikaivosten ja öljykenttien tuottavuusluokittelu voisi vuorostaan havainnollistaa luonnonvarojen painoarvoa elinkeinorakenteessa tai mahdollisen konfliktin motiivina. Internetin vuosikohtainen läpäisevyys antaa sen sijaan jonkinlaisen kuvan alueen taloudellisesta kehittyneisyydestä. Sen avulla voidaan tarkastella suurpiirteisesti, onko esimerkiksi kaivostoiminnan aloittaminen hyödyttänyt taloudellisesti valtaosaa väestöstä. Mielestäni aineistojen rinnalla olisi ollut kiinnostavaa tutkia myös jonkinlaista varallisuuden jakautumista kuvaavaa indikaattoria, kuten gini-kerrointa.

Kurssikerran itsenäistehtävässä sovellettiin valintoihin ja tietokantojen yhteenliitoksiin kytkeytyviä toimintoja. Tarkoituksena oli laatia tulvaindeksikartta valuma-aluekohtaisia tunnuslukuja käsittäviä aineistoja yhdistelemällä. Tehtävän alkuvaihe sujui ongelmitta, mutta aluekohtaisen järvisyysprosentin esittämisessä ilmeni haasteita. Pyrin mukauttamaan tietokannan asetuksia itsenäisesti noin kuuden tunnin ajan, mutta järvisyyttä kuvaavat histogrammit eivät tästä huolimatta kohonneet paikoilleen. Kokeilin vastaavasti verrata asetuksiani tehtävässä onnistuneen kanssakurssilaiseni kanssa, emmekä havainneet eroavaisuuksia. Valmistuinkin pyytämään apua tehtävään seuraavalla tuntikerralla selvittääkseni, jäikö katveeseeni jokin välivaihe. Jostain syystä komentoni menivät kuitenkin läpi juuri tuolloin.  Minua jopa suretti se, että ohjelma lähti lopulta toimimaan, sillä olisin halunnut saada asiaan jonkinlaisen selvyyden. Olinhan viettänyt tunteja jossain todellisuuden äärirajoilla.

Voi QGIS – miksi koettelet minua näin?

Kuva 2. Suomen valuma-aluekohtainen tulvaindeksi ja järvisyysprosentti.   

Aikaansaamani kartogrammi (kuva 2) ilmentää sekä tulvaindeksin että järvisyysprosentin valuma-aluekohtaista vaihtelua. Tulvaindeksiarvojen ja järvisyyden vuorovaikuttussuhdetta tarkasteltaessa on pääteltävissä, että suuri järvisyys tasaa tulvahuippuja, kuten Jaakko Kuurne toteaa perusteellisessa blogikirjoituksessaan (Kuurne, 2020). Pyrin tekemään esityksestä mahdollisimman informatiivisen, mikä osoittautui hieman haastavaksi toivotulla muuttujamäärällä. Kartan alhaisimmat tulvaindeksiarvot eivät esimerkiksi erotu vesistöistä ihanteellisimmalla tavalla valitsemassani väripaletissa, mutta kokonaisuus on mielestäni melko selkeä ja harmoninen. Havaitsin, että esimerkiksi Aino Sainius on laatinut erittäin pelkistetyn ja selväpiirteisen esityksen, joka on erilaisesta lähestymistavastaan huolimatta hyvin toimiva (Sainius, 2020).

Anna

 

Lähteet:

Breidlid, I. & M. Arensen. (2014). “Anyone who can carry a gun can go”. PRIO Paper 2014.

Dupuy, K. & H. Malmin. (2007). Power-sharing and Peace-building in Sierra Leone. CSCW Papers.

Kotsadam, A. & G. Østby, S. Rustad. (2017). Structural change and wife abuse: A disaggregated study of mineral mining and domestic violence in sub-Saharan Africa, 1999-2013. Political Geography 65, 53-65.

Kuurne, J. (2020). How can less be more? More is more. 15.2.2020.  <https://blogs.helsinki.fi/jaakongisblogi/2020/02/07/how-can-less-be-more-more-is-more/>

Sainius, A. (2020). Tietoa tulviva kolmas kurssikerta. 15.2.2020. <https://blogs.helsinki.fi/sainius/2020/02/04/tietoa-tulviva-kolmas-kurssikerta/>

Ulapalla

Kurssin toisella opetuskerralla QGIS:in ohjausnäkymä ei enää tuntunut aivan yhtä vieraalta kuin edeltävällä viikolla. Tunnin alussa tutuistumme ohjatusti erilaisiin tietokantoihin ja valintatyökaluihin, joihin liittyvät harjoitukset sujuivatkin melko virtaviivaisesti. Ohjelman projektioasetukset johdattivat minut kuitenkin sakeaan sumuun, mistä lisää myöhemmin.

Kurssikerran harjoituksissa hyödynnettiin Tilastokeskuksen vektorimuotoista kunta-aineistoa, joka haettiin ohjelmaan rajapinnan välityksellä. Kuten tunnin teoriaosuudessa kävi ilmi, rajapinta voidaan määrittää eräänlaiseksi sidoskappaleeksi käyttöliittymän ja taustajärjestelmän välillä. Tämän sidoskappaleen avulla paikkatieto-ohjelmaan voidaan tuoda aineistoja ilman, että niitä tarvitsisi alustavasti ladata tietokoneelle.

Tutustuimme eri projisointimenetelmien aiheuttamiin vääristymiin latamaamme kunta-aineiston pohjalta. Aloitimme tarkastelun ETRS89-TM35FIN-projektiosta, joka oli valitsemamme aineiston oletusasetuksena. Kuten aikaisemmilla geoinformatiikan kursseilla on todettu, TM35FIN kuvaa koko Suomen melko oikeellisella tavalla. Projektion pohjalta lasketut kunnittaiset pinta-ala-arvot toimivatkin vertailukohtana maailmankarttaprojektioiden vääristymille, joita tarkastelimme seuraavaksi.

Loimme työstämästämme aineistotasosta kopion, jonka projektiotyypiksi oli tarkoituksena valita jokin maailmankarttaprojektio. Toiminnon eri vaiheet onnistuivat kuitenkin ylittämään ymmärrykseni, ja jäin tehtävässä hieman jälkeen muusta ryhmästä. Hämmennystä aiheuttivat eritoten projektioiden kaksi erillistä valintapaikkaa, kuten Mikko Kangasmaa totesi blogissaan (Kangasmaa, 2020).

Koetin vaihtaa aineiston projektiotyyppiä sekä ohjelman yleisestä ohjausnäkymästä että tarkasteltavan tason source-kohdasta. Lisäksi käynnistin järjestelmän uudestaan useaan otteeseen. Laskutoimituksieni tulokset näyttivät tästä huolimatta määräytyvän TM35FIN-projektion mukaan. Tuloksettomien kokeilujen sarja johdatti minut hieman neuroottiseen mielentilaan, ja aloin hiljalleen kyseenalaistamaan kaikkea tekemääni. Harmillisinta oli, etteivät onnettomat yritykseni tuntuneet lisäävän ymmärrystäni ongelman juurisyistä, vaan lähinnä kylvämään epäuskoa omaan tekemiseeni.

Laskukaavani tuottivat tulosta pidemmän tovin jälkeen, mutta en tässä vaiheessa enää ymmärtänyt, minkä komennon kautta ongelma oikeastaan ratkesi. Aikaansaamani koropleettikartta (kuva 1) ilmentää Robinsonin projektion pinta-alaeroja suhteessa TM35FIN-projektioon. Kartta osoittaa ennalta odotetusti, että vääristymät kasvavat asteittain projektiokeskuksesta eli päiväntasaajalta navoille edettäessä.

Kuva 1. Robinsonin projektion pinta-ala (%) suhteessa ETRS89-TM35FIN-projektioon. 2015. Lähde: Tilastokeskus.

Vaikka koropleettikartoissa suositaan tyypillisesti maltillisia luokkamääriä, tavanomaista pienempi yleistysaste ei tässä tapauksessa heikennä esityksen luettavuutta. Suuri luokkamäärä kuvaa tarkasteltavaa muuttujaa hyvin, sillä se korostaa pinta-alaerojen kasvun vaiheittaisuutta ja jatkuvuutta. Vääristymiä olisikin luontevinta kuvata isopleetein, sillä pinta-alerojen asteittainen kasvaminen luo kartalle liukuvan pinnan.

Havaitsin, että useat kanssakurssilaiseni ovat asettaneet karttaesityksiensä väriksi punaisen korostaakseen pinta-ala-arvojen virheellisyyttä. Tämä värivalinta olisi jälkeenpäin katsottuna ollut perustellumpi kuin käyttämäni violetti. Esimerkiksi Elias Hirvikoski on valinnut karttaansa murretun punaisen väriskaalan, joka kuvaa muuttujan vaihtelua tehokkaasti ja harmonisesti (Hirvikoski, 2020). Lisäksi pohdin, että karttani olisi voinut olla havainnolisempi, mikäli olisin valinnut lopullisen tulosteen projektioksi Robinsonin. Tomi Kiviluoma totesikin ansiokkaassa blogikirjoituksessaan, että tarkasteltavan projektion vääristymien olisi syytä näkyä sekä kartan väriarvoissa että pinta-aloissa (Kiviluoma, 2020).

Pyrin vielä jatkamaan ohjedokumentin tehtäviä, mutta yritykseni vaihtaa projektiota näyttivät menevän jälleen karille. Tulin pohtineeksi, ettei mahdollinen onnistuminenkaan olisi välttämättä osoittautunut käytetyn ajan arvoiseksi, joten päätin armahtaa itseni ja lykätä kohtaamistani projektioasetusten kanssa jonnekin tulevaan. Voisikohan hienoisen etäisyyden ottaminen selventää ajatuksia?

Anna

 

Lähteet:

Hirvikoski, E. (2020). Toinen. 1.2.2020.
<https://blogs.helsinki.fi/eliashir/2020/01/27/toinen/>

Kangasmaa, M. (2020). Projektioita ja valintatyökaluja (Kurssikerta 2). 1.2.2020.
<https://blogs.helsinki.fi/kanmikko/2020/01/26/projektioita-ja-valintatyokaluja-kurssikerta-2/>

Kiviluoma, T. (2020). Tietokantoja, tykytystä ja toiveita tulevasta. 1.2.2020.
<https://blogs.helsinki.fi/tomingeoblogi/2020/01/24/tietokantoja-tykytysta-ja-toiveita-tulevasta/>

Hyppy haaleaan veteen

Blogissani tarkastellaan kehitystaivaltani ”Geoinformatiikan menetelmät 1” -kurssilla, jonka tavoitteena on perehdyttää opiskelija paikkatiedon käytön perusteisiin. Tätä kurssia edeltäneet geoinformatiikan opintoni ovat olleet pääsääntöisesti teoriavetoisia. Niillä käytännön harjoittelu sekä maantieeteellisten esitysten laatiminen on nojannut lähinnä sellaisiin paikkatieto- ja vektorigrafiikkaohjelmiin, joiden toimintaperiaatteet eivät edellytä käyttäjältä perinpohjaista harjaantuneisuutta. Erotuksena aikaisempiin opintoihini, tämän kurssin toimintaympäristönä on ammattikäyttöinen paikkatietojärjestelmä.

Minun on toistaiseksi ollut vaikea innostua geoinformatiikasta, vaikka sen merkitystä korostetaan opetuksessa tuntuvasti. Koska paikkatieto-osaamista voidaan pitää maantieteellisen tutkimuksen erottomattomana kappaleena, toivoisinkin, että kurssin edetessä minulla heräisi nykyistä vilpittömämpi kiinnostus geoinformatiikkaan. Ihanteellisinta olisi, että oppisin viihtymään paikkatieto-ohjelmien ja laskentataulukoiden parissa.

Kurssin ensimmäisellä opetuskerralla geoinformatiikan osaamispalettia lähdettiin laajentamaan tutustumalla QGIS:in toimintaympäristöön. Ensikosketukseni järjestelmään osoitti, että QGIS:issä on haastavaa navigoida silkan intuition varassa. Ohjelman peruselementit ja tärkeimmät toimintaperiaatteet käytiinkin läpi ohjatusti. Opimme muun muassa lisäämään hallintanäkymään erilaisia työkalujoukkoja, tuomaan ohjelmaan vektoriaineistoja sekä muokkaamaan niiden ominaisuuksia ja esitystapaa.

Lataamamme vektoriaineistot toimivat pohjana Itämeren typen lähteitä kuvaavalle koropleettikartalle, joka laadittiin opettajan ohjeistuksella harjoittelun lomassa. Tehtävän mekaanisesta luonteesta huolimatta minulla oli vaikeuksia pysyä opetuksen tahdissa, sillä en onnistunut alkutunnista kirjautumaan tietokoneelleni ja päädyin näin ollen lataaman QGIS:in jälkijunassa.  Tarkkaavaisuuteni ja työmuistini joutuivat koetukselle, enkä päässyt etenemään kartan viimeistelyvaiheeseen tunnin aikana.

Päätin laatia kartan itsenäisesti omalla ajallani. En harmikseni onnistunut avaamaan tunnilla aloittamaani työtä jälkikäteen, vaikka uskon tallentaneeni kaikki sen osat asianmukaisesti. Ohjelman tallennusominaisuudet herättivätkin minussa melkoista epävarmuutta, enkä tiedä uskaltaudunko vastedes jättämään töitäni keskeneräisiksi. Karttaharjoituksen toistaminen oli kuitenkin hedelmällistä oppimisen kannalta, eikä vienyt minulta paljoa aikaa. Minusta oli huojentavaa päästä tarkastelemaan ohjelmaa kiireettömästi kurssisivuille ladatun ohjedokumentin avulla. Myös Tiina Aalto totesi tehneensä tehtävän uudestaan kerratakseen tunnilla oppimansa (Aalto, 2020).

Aikaansaamani koropleettikartta (kuva 1) kuvaa kunkin Itämeren rannikkovaltion typpipäästöjen osuutta meren kokonaistyppikuormasta. Kartassa tummat sävyt kuvaavat korkeaa osuutta Itämeren typpikuormasta, vaaleat matalaa. Kartta osoittaa, että merkittävin typen päästövaltio on Puola.

Kuva 1. Itämeren rannikkovaltioiden typpipäästöjen osuus meren kokonaistyppikuormasta.

En rohjennut seulomaan aineistopaketin eri tasoja viimeistellessäni lopullista karttaesitystä, vaikka tämä olisi jälkeenpäin katsottuna ollut tarpeen. Työni yleistysaste on jäänyt riittämättömäksi, ja esitykseni näyttääkin hieman raskaalta ja rauhattomalta. Kartan luettavuutta olisi voinut edistää karsimalla aineistoista syvyyskäyrät, järvet sekä typen lähteitä kuvaavat pisteet, joiden välittämä informaatio ei tuo merkittävää lisäarvoa kokonaiskuvaan. Uskoisinkin, että minun olisi vastedes luotettava intuitiooni tehdessäni kartografisia yleistyksiä.

Kuva 2. Suomen taajama-aste kunnittain. 2015. Lähde: Tilastokeskus.

Pääsin soveltamaan juuri oppimaani seuraavan harjoituksen parissa. Tehtävänä oli laatia uusi koropleettikartta Suomen kunta-aineiston pohjalta. Erotus edelliseen tehtävän suoritustapaan oli, että kartan muuttuja piti valita itse aineiston attribuuttitaulusta. Sain laadittua kartan melko vaivattomasti, ja lopputulema näkyy kuvassa 2. Valitsin kartan suhteelliseksi muuttujaksi taajama-asteen, jonka kunnittainen vaihtelu on esitetty sinisen eri sävyillä. Mielestäni esitys on kokonaisuudessaan melko selkeä. Aineistosta löytyi kuitenkin yksi kunta, jonka arvot puuttuivat attribuuttitaulusta. Kartassa tälle kunnalle on määräytynyt oma luokka, minkä takia aineiston muiden kohteiden väliset suhteellisuuserot eivät tule esille ihanteellisimmalla tavalla.

Anna

Lähteet:

Aalto, T. (2020). Tutustuminen QGIS-ohjelmistoon. 29.1.2020. <https://blogs.helsinki.fi/tidaalto/2020/01/23/tutustuminen-qgis-ohjelmistoon/>