Author: Liisa Ahokas

Heipparallaa

 

Viimeistä viedään! Tällä kertaa sai tuottaa itse kartan/karttasarjan valitsemastaan aiheesta. Valitsin tehtävän 1. sillä olen aivan loppu ja se vaikutti helpolta.

Halusin havainnollistaa kartassani kuntien välisiä eroja äänestämisessä ja koulutustasossa. Kuvaan näitä ilmiöitä kartassa kahdella muuttujalla: ylemmän korkeakoulututkinnon suorittaneiden osuutta (ympyrädiagrammi) ja eniten äänestetyt puolueet 2019 eduskuntavaaleissa. Kuntarajakartta löytyi jostain aikaisemman kurssikerran aineistosta ja dataa kätevästi Tilastokeskuksen StatFin tietokannoista. Sitten vain laskettiin vähän uutta tietoa ja joinattiin csv-tiedostojen attribuuttitieto vektorimuotoiseen pohjakarttaan! Näin helppoa se on, sain silti tähänkin uppoamaan n. 8 tuntia 😀  Kuitenkin, kuvassa 1. lopputulema.

Eniten ääniä saaneiden puolueiden esittäminen kartassa tapahtui melko itsestäänselvällä tavalla. Myös Saara oli ajatellut samoin, hänen kartassaan esitetään 2017 pidettyjen kuntavaalien tuloksia. Kahden muuttujan esittäminen kartassa tuntui haastavalta, varsinkin kun alueita on näin monta. Pie chart on tässä nyt se esittämistapa mihin päädyin korkeakoulututkintojen kanssa, mutta mielestäni se ei toimi ainakaan koko Suomen kartassa, ympyrät ovat liian pieniä. Mietin jopa, olisiko prosenttiosuudet voinut lätkäistä suoraan numeroina kuntiin (ehkä, jos tarkasteltaisiin vain yhden maakunnan kuntia tai jotain pienempää aluetta), mutta se näytti vielä enemmän sekamelskalta kuin tämä kuvan 1. tuotos.

Kokeilin myös ottaa lähempään tarkasteluun Pääkaupunkiseutua ja kehyskuntia(kuva 2.). Tästä kartasta on jo havaittavissa esim. korkeakoulutetun väestön keskittymisen pk-seudulle, erityisesti Espoon, Kauniaisten ja Helsingin alueille. Toinen merkillepantava asia on, että erityisesti kehyskunnissa Perussuomalaisia on äänestetty paljon, rannikolla taas RKP:tä. Helsinki on ainut alue, jossa Vihreät ovat saaneet eniten ääniä.

Kuva 1. Eniten äänestetyt puolueet eduskuntavaaleissa 2019 ja ylemmän korkeakoulututkinnon suorittaneiden osuus kunnittain.

Tässä tehtävässä oli mahdollisuuksia tosi moneen, Juliana on esimerkiksi tehnyt merkittävän määrän taustatyötä omaan projektiinsa ja havainnollistaa kartoissaan USA:n pikaruokaravintoloiden ja sydänsairauskuolemien yhteyttä. Lotta oli myös käyttänyt kunta-aineistoja tehtävässä ja tehnyt karttoja väestön ikääntymisestä ja huoltosuhteesta, työllisyydestä ja nettomuutosta. Kiva nähdä, miten erilaisia juttuja kaikki ovat tehneet!

Kivaa, että kurssi alkaa olla nyt paketissa! Välillä olen ollut aika hukassa ja turhautumistakin on koettu, mutta olen oppinut kurssin aikana huimasti, kiitos laadukkaan opetuksen ja inspiroivien blogien 🙂  isot tsempit kaikille seuraavaan periodiin ja aurinkoista kevättä!

 

Lähteet:

Kurssimateriaali

StatFin, Tilastokeskus <https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__vaa__evaa__evaa_kar_2019/km_ku.px>

Heikkinen, S. 2021. Viimeinen kurssikerta <https://blogs.helsinki.fi/heikkins/2021/03/04/viimeinen-kurssikerta/>          Viitattu 7.3.2021

Häkkinen, J. 2021. 7: Omavalintaisen datan visualisoimista <https://blogs.helsinki.fi/julihakk/2021/03/03/7-omavalintaisen-datan-visualisoimista-paivittyy/> Viitattu 7.3.2021

Mattila, L. 2021. Omia karttoja väestön ikääntymisestä <https://blogs.helsinki.fi/lottmatt/2021/03/02/omia-karttoja-vaeston-ikaantymisesta/> Viitattu 7.3.2021

 

hyvää huomenta!

Tällä kertaa lähdettiin heti aamusta ulkoilemaan ja keräämään dataa Epicollect5-sovelluksen avittamana. En kerennyt henkisesti valmistautua tähän rämpimiseen, onneksi koira suostui lähtemään mukaani koluamaan Kallion katuja. Harjoitus oli kivaa vaihtelua ja pisti miettimään, mitä kaikkea samalla metodilla voisi toteuttaa. Alueiden turvallisuus/turvattomuus on mielestäni tosi kiinnostava ilmiö, koska koettuun turvallisuuteen vaikuttaa yllättävänkin moni tekijä.

Tällä kerralla opin, mitä on interpolointi ja miten se toteutetaan QGIS:sissä. Kuvassa 1. on pala kartasta joka tuotettiin kerätystä datasta. Kohteiden turvallisuutta tuli pisteitä kerätessä arvioida asteikolla 1-5. Laitoin karttaan keltaisella ne pisteet, joissa turvallisuudelle oltiin annettu 3 tai vähemmän, minkä tulkitsisin olevan jotain välillä ei niin turvallinen ja ei ollenkaan turvallinen. Hämmästyin, että näitäkin pisteitä oli melko monta! Itselläni turvattomuuden tunteeseen vaikutti eniten paikan julkisuus: paikassa, jossa on suhteellisen vilkasta tunnen olevani enemmän turvassa. Tämä kumpuaa kenties siitä ajatuksesta, että uskoisin julkisella paikalla saavani apua, mikäli jotain sattuisi. Toisaalta, jotkut pelkäävät väkipaljoutta ja siihen liittyviä vaaroja.

Itsenäistehtävät liittyivät tällä kertaa hasardeihin. Tehtävänä olisi tuottaa havainnollistavia karttoja, joita voisi mahdollisesti käyttää tuntiopetuksessa. Mahdollisuuksia olisi moneen, sillä ainestoa vaikkapa maanjäristyksistä voitaisiin kuvata esim. aineellisten vahinkojen näkökulmasta.

Otin maailmankartan sijaan tarkasteluun palan Aasiaa. Alueella järisee suhteellisen usein ja ne aiheuttavat toisinaan isojakin tuhoja. Infrastruktuurin laadulla on merkittävä vaikutus siihen, kuinka kestävä alue on maanjäristyksille. Kestämättömästi rakennetut, tiheään asutut kaupungit ovat alttiita isoille taloudellisille vahingoille ja helposti sortuvat rakennukset vaativat usein myös ihmishenkiä. Varautumalla maanjäristyksiin mm. rakentamalla turvallisempia ja kestävämpiä rakennuksia voidaan estää suurimmat aineelliset tuhot ja säästää ihmishenkiä. Paremman elintason valtioissa tämä onkin melko yleistä. Olisi mielenkiintoista esittää kartalla, millaisessa suhteessa ovat alueiden asukastiheys, maanjäristykset ja jokin taloudelliseen elintasoon liittyvä indikaattori. Tällaisia asioiden välisiä yhteksiä esittäviä karttoja voisi käyttää esim. ylppärikysymysten tukena.

Nyt kuitenkin asiaan! Kuvissa 1-3 olen havainnollistanut tulivuorien ja maanjäristysten esiintyvyyttä suhteessa toisiinsa. Vaihtelin kartoissa myös magnitudin voimakkuutta. 6 M maanjäristykset määritellään Mercallin asteikon mukaan “hyvin voimakkaaksi”, niitä esiintyy kartassa melko paljon. Toisaalta nämä ovat sadan vuoden aikana tapahtuneita. Kuitenkin, kuten myös Sanna pohtii blogitekstissään, tällaisia karttoja voitaisiin käyttää laattatektoniikan opetuksen tukena. Ilmiöiden tarkastelu visuaalisesti voi olla hyödyllistä syy-seuraussuhteiden ymmärtämisen kannalta. Kartoilla voidaan myös  havainnollistaa Richterin asteikkoa: Kuvia 1 ja 3 vertaillessa voidaan havaita, että vaikka lukujen 6 ja 8 välillä ei luulisi olevan paljon eroa, 8 magnitudin järistykset ovat merkittävästi harvinaisempia kuin 6 magnitudin.

Kuva 2. Tulivuoret ja yli 7 magnitudin Aasian kaakkois- ja länsiosissa.

Tässä vielä litosfäärilaattoja ja niiden liikettä kuvaava kuva, mitä täytyisi varmaan käyttää opetuksessa yhdessä näiden tuottamieni karttojen kanssa. Laattojen liikesuunnat ovat osaltaan tekemisissä sen kanssa, minne on syntynyt tulivuoria ja missä järisee, niin tämä kuva litosfäärilaatoista olisi aika kiva aasinsilta sitten näihin hasardeihin 🙂

 

Lähteet:

Kurssimateriaali

Jantunen, S. (2021) Hasardihommia  <https://blogs.helsinki.fi/smjantun/2021/02/25/hasardihommia/> (26.2.2021)

NOAA 2021. <https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search>(26.2.2021)

USGS 2021. <https://earthquake.usgs.gov/earthquakes/search/> (26.2.2021)

morjensta

 

Tällä kurssikerralla harjoiteltiin bufferointia ja siihen liittyvää aineistojen hallintaa. Tämä kerta tuntui jo melko helpolta ja itsenäisetkin tehtävät sujuivat hyvin! (ainakin aluksi…)

 

Kuvassa 1. on itsenäisissä tehtävissä vastaan tullut ongelma: Distance kohtaan ei pysty valita mittayksikköä. Tämä johtui siitä, että luodessani uutta tasoa Helsinki-Vantaan kiitoradoista, unohdin vaihtaa projektion oikeaksi. Tästä puhuttiin jo luennolla mutta tietenkin se oli ehtinyt jo unohtua siinä vaiheessa kun aloin tehdä tehtäviä. Helposti korjattavissa, onneksi!

Kuvassa 2. onnistunut bufferointi, jee! Aloin miettiä, vaikuttaako meluhaittaan esim. tuulensuunta/nopeus tai jokin muu tekijä. Nopealla googlauksella äänen etenemiseen vaikuttaa tuulen lisäksi ilmankosteus sekä lämpötila. Mitenköhän nämä tekijät ja kenties jotkin muutkin vaikuttaisivat meluhaittaan tai miten ne voitaisiin huomioida tämäntyyppisessä aineiston analysoinnissa?

Opin myös käyttämään Select by location-työkalua, joka on hyödyllinen, jos halutaan esim. etsiä kuinka paljon ihmisiä asuu tietyllä alueella. Kuvassa 2. näkyy keltaisina pisteitä kaikki Malmin lentokentän kiitoradasta 1km säteellä asuvat. Näin voidaan siis esittää kuinka moneen ihmiseen lentomelu vaikuttaa, jos oletetaan melun haittaavan kaikkia 1km säteellä kiitoradasta asuvia. Bufferointi mahdollistaa monenlaisten asioiden tarkastelun aineistojen avulla, hauskaa että se on myös melko helppoa! Uskon että tulen tarvitsemaan tätä tulevaisuudessa paljon.

Ylhäällä näkyy tehtävien vastauksista koostamani taulukko, jonka tiedot oli melko helppo löytää. Kaikki meni hyvin siihen asti, kunnes yritin alkaa tehdä karttaa, jossa näkyisi uima-allasrikkain osa-alue. Tässä vaiheessa en voinut enää painaa ainuttakaan nappulaa ilman, että koko QGIS olisi kaatunut. Olen kuitenkin ahkerasti lueskellut muiden blogeja (suuret kiitokset perusteellisesta ohjeistuksesta, Ilari!) kyseiseen tehtävään liittyen ja uskon, että olisin onnistunut luomaan jonkinnäköisen kartan suhteellisen ongelmattomasti, jos ohjelma olisi halunnut tehdä yhteistyötä 😀 tällä kertaa en kuitenkaan voittanut taistelua, mutta koitan saada QGIS:sin toimimaan ennen seuraavaa kurssikertaa!

Lueskelin myös Roosan blogia, ja ilokseni huomasin että hänellä on samoja arvoja taulukossaan, kuin minulla! Oppimisen suhteen samaistun myös Roosan fiiliksii siitä, että koen tarvitsevani harjoitusta vähän kaikessa. Koen olevani ylipäätään oppijana sellainen, että tarvitsen paljon toistoa ja aktiivista kertaamista, eikä aika tai jaksaminen tunnu riittävän tähän. Myös epäonnistumiset kolahtavat turhankin pahasti ja oma osaamattomuus turhauttaa, tuntuu etten ole tarpeeksi tyytyväinen yhteenkään tuottamaani karttaan. Toisaalta, kuten Roosakin toteaa, QGIS:sin perusteellinen hallitseminen vaatii hirmuisesti harjoitusta.

Tähän mennessä kaikki on sujunut mielestäni kuitenkin tarpeeksi hyvin, vaikka gis ei ole lemppaeriasoitani mantsassa. Olen tyytyväinen siihen, että olen jaksanut keskittyä vaikealtakin tuntuviin juttuihin ja sen ansiosta oppinut paljon uutta! Suurena motivaation ja inspiraation lähteenä on olleet muiden blogit, kiitos kaikille jotka ovat panostaneet blogiteksteihin ja jaksaneet vääntää juttuja rautalangasta! 😀

 

Lähteet:

 

Kurssimateriaali

 

Harmonen, R. (2021) Viides kurssikerta, bufferointia

<https://blogs.helsinki.fi/harmoroo/2021/02/18/viides-kurssikerta-bufferointia/>

 

Leinonen, I. (2021) Viides kurssikerta

<https://blogs.helsinki.fi/ilarilei/2021/02/19/viides-kurssikerta/>

 

 

heissan

 

Tällä kertaa harjoiteltiin juttuja rasteriaineiston kanssa. Opeteltiin mm. luomaan ruudukko (Grid) ja keräämään sinne dataa. Lopuksi harjoiteltiin vielä piirtämistä rasterikartan avulla, mikä olikin jo ennestään melko tuttua Tiedon esittäminen maantieteessä-kurssilta.

Blogitehtävänä tuli tällä kertaa tuottaa ruututeemakartta valitsemastaan aiheesta. Valitsin muunkielisten määrän Pk-seudulla, josta tuotettu kartta näkyy kuvassa 1. Kartasta voidaan suurpiirteisesti nähdä, että muunkielinen väestö(sisältyykö ruotsinkieliset?) väestö keskittyy Itä- ja Pohjois-Helsinkiin, Vantaan keskustan lähettyville sekä muutamaan eri pisteeseen Espoossa. Tällaisenaan alueen tunteva ihminen voi saada selvää siitä, mitä kartta yrittää esittää ja havaita eroavaisuuksia eri alueiden kesken. Toisaalta, jos tuntee Pääkaupunkiseudun alueita yhtään, varmaan myös tietää jo valmiiksi, mihin paikkoihin muunkielinen väestö on keskittynyt, joten kartta ei sinänsä tuo mitään uutta informaatiota koska se on melko yleistävä (pieni resoluutio). Toisaalta taas sellaiselle henkilölle, joka ei tunne Pääkaupunkiseutua ollenkaan olisi hyvin vaikeaa saada kartasta mitään irti, koska siinä ei esim. kerrota paikannimiä eikä siitä näe alueiden rajoja. Karttaa voisi parannella siten, että siihen tuotaisiin näkyviin kuntarajat sekä tärkein nimistö, eli isoimpien alueiden nimiä ja vaikka lentokenttä. Kokeilin tehdä tätä QGIS:sissä siten, että säädin ruutukartan läpinäkyvyyttä ja asetin pohjakartan värin valkoiseksi, sekä poistin näkyvistä joet. Näin kartta näytti hieman selkeämmältä ja olisi informatiivisempi myös ummikolle.

Blogissa tuli myös pohtia ruututeemakartan ja koropleettikartan sekä pisteteemakartan erilaisia mahdollisuuksia. Ruutu- eli rasteriaineiston luettavuus kärsii, kun sitä tarkastellaan muussa mittakaavassa, kuin mihin se on tarkoitettu. Toisaalta niiden tuottaminen on suhteellisen helppoa ja edullista verrattuna vektorimuotoiseen aineistoon. Isona etuna rasteriaineiston käytettävyyden kannalta on myös se, että niillä voidaan esittää jatkuvia ilmiöitä. Ruutukartassa voidaan esittää myös absoluuttisia arvoja, koska kaikki ruudut ovat samankokoisia. Kuitenkin, jos ajatellaan esim. tällä harjoituskerralla tuotettua ruututietokarttaa muunkielisten määrästä, olisi mielestäni infomatiivisuuden kannalta parempi esittää tieto vaikka pisteteemakarttana.

Ruututeemakartoilla voidaan havainnollistaa jos jonkinlaista aineistoa, esimerkiksi Roni oli kartassaan esittänyt, missä vanhimmat asutetun kiinteistöt sijaitsevat pääkaupunkiseudulla. Käy kurkkaamassa, mistä päin löytyvät pk-seudun vanhimmat asuinrakennukset ja lukemassa Ronin pohdintaa kartan tuottamisesta!

 

Tehtävänä oli myös pohtia itse kuvattavaa ilmiötä ja sitä, miksi se näyttää tältä kartalla. Muunkielisen ja kenties siten myös maahanmuuttajataustaisen väestön keskittymistä voidaan nimittää segregaatioksi, eli sosiaalisten ryhmien eriytymistä kaupungin sisällä. Ilmiöön liittyy paljon rakenteellisia syitä: ihmisten muuttopäätökset pohjautuvat erilaisiin syihin (taloudelliset syyt, elämäntilanne ym.) ja siten myös suuntautuvat eri alueille. Segregaation syitä voidaan tulkita eri tavoin, mutta keskeisesti siihen kuitenkin liittyy erot väestön tulotasossa, mihin toisaalta taas vaikuttavat useat eri tekijät. Aihe on mielestäni hyvin kiinnostava ja myös ajankohtainen.

Tässä vaiheessa alkaa jo tuntua siltä, että luennoilla kaikki ei ole täyttä hepreaa ja itsenäinenkin työskentely sujuu jotenkuten. Olen alkanut kirjoittaa luennon aikana ylös joitain vaiheita muutamalla sanalla, jotta en samantien unohda kaikkea kun luento on ohi. Tämä on ainakin minulla auttanut paljon ja suosittelen muitakin huonomuistisia harrastamaan tällaista!:) Tsemppiä kaikille<3

 

Lähteet:

Kurssimateriaali

 

Kurvinen, R. (2021)  Neljäs kurssikerta 12.2.2021, viitattu 13.2.2021

<https://blogs.helsinki.fi/ronikurv/2021/02/12/neljas-kurssikerta-12-2/>

 

heisulivei

Kolmannella kurssikerralla tuotiin QGIS:siin Afrikan kartta sekä aineistoja mm. timanttikaivoksista sekä tapahtuneista konflikteista. Aluksi laskettiin Field calculator ohjelmalla alueiden pinta-alat. Sitten harjoiteltiin niputtamaan yhden valtion kohteita yhteen, tällä ominaisuudella voitaisiin esim. muokata vanhoja Suomen karttoja joissa ei näy vielä kuntaliitoksia, vastaamaan nykyisiä aluejakoja.

Luennolla harjoiteltiin myös tekemään Join-operaatio, eli liittämään taulukkodataa karttaan. Tässä kohtaa piti muistaa, mikä merkitys on kohdalla Join field, eli minkä perusteella liitetään ja Target eli mikä vastaa valittua saraketta. Näihin kohtiin pitää siis valita samanmuotoista tietoa sisältävät sarakkeet. Tässä vaiheessa alkaa jo tuntua siltä, että harjoituskerroilta on jäänyt jopa jotain mieleen. Harjoittelimme vielä ns. läpäisevyysluvun laskemista Afrikkatiedoilla (Internet2020/Population2020est), jota myöhemmin sovellettiin tulvaindeksin laskemisessa. Opettelimme myös, miten pystyy hakemaan pisteitä polygonista.

Blogissa tuli tällä kerralla pohtia, millasia juttuja tällaisilla aineistoilla voisi tehdä. Muistaakseni luennolla puhuttiin mm. siitä miten voitaisiin tarkastella vaikkapa timanttikaivosten tai öljykenttien esiintyvyyttä suhteessa konflikteihin. Tällaisilla aineistoilla voidaan siis karttamuodossa esittää suurempia yhteiskunnallisia ilmiöitä ja ehkä siten myös havainnollistaa, millainen yhteys vaikkapa timanttien louhimisella ja alueella syntyvillä konflikteilla on ja nostaa muutenkin esille asiaan liittyvää epäeettisyyttä. Mineraalien louhimiseen liittyvistä ongelmista Saharan eteläpuolisessa Afrikassa kannattaa käydä lukemassa lisää ainakin artikkelista Structural change and wife abuse: A disaggregated study of mineral mining and domestic violence in sub-Saharan Africa, 1999e2013, joka löytyy Moodlesta kurssikerta 3. alta. Koen poliittisen maantieteen ehkä yhdeksi kiinnostavimmista maantieteen suuntauksista, joten tällaiset käytännön esimerkit geoinformatiikan hyödyntämisestä motivoivat harjoittelemaan ahkerammin.

Kuvassa 1. on itsenäisenä harjoituksena tuotettu koropleettikartta, jossa on esitetty valuma-alueiden tulvaindeksi sekä järvisyys pylväsdiagrammina. QGIS:sin käyttäminen alkaa jo tuntua melko kivalta eikä sen kanssa ollut suurempia ongelmia. Tällä kertaa pieniä hankaluuksia tuli siinä, että aluksi laskettuja arvoja ei näkynyt ollenkaan (kuva 2.), mutta poistettuani layerin ja laskettuani ne uudestaan (mielestäni täysin samalla tavalla), arvot tulivat näkyviin ihan nätisti.

Värien valitseminen tuntui tällä kertaa erityisen hankalalta, koska ajattelin että vesistöihin liittyviä juttuja olisi kiva esittää sinisen sävyillä. Samaa oli blogissaan pohtinut Ville, hänen kartassaan erona tosin se, että joet, järvin ja rantaviiva eivät olleet mukana kartassa, mikä selkeytti ilmettä tosi paljon! Mulle tuli ehkä snadisti liikaa sinistä, kun päätin jostain syystä pitää nuo kaikki kartassa 😀 Pidän tämän siis mielessä seuraavaa vesistöpainotteista karttaa tehdessä!

Diagrammijuttu on taas asia, mikä tuotti enemmänkin päänvaivaa. Aluksi pylväät eivät millään halunneet tulla kartalle, mutta aikani nappeja paineltua Layer Diagram-ikkunan Rendering ja Size sivuilla tolpat tulivat ihan ok näköisinä kartalle, joten sillä mentiin. Hiukan jäi epäselväksi, miten saisin legendaan näkymään erikokoisten pylväiden arvot. Sen lisäksi mun tulvaindeksin arvot on ihan kummallisia ja tulvaindeksi on myös käsitteenä melko tuntematon. Vaikka legendassa näkyy pylväs tai joku mötikkä, siinä ei ole tietoa mistään asiaa koskevista arvoista ja tällä kertaa jäi mysteeriksi, miten sen olisi siihen saanut.

 

Lähteet:

Kurssimateriaali

 

Väisänen, V. (2021) Valuma-alueiden tulvaindeksikartta <https://blogs.helsinki.fi/villvais/2021/02/02/valuma-alueiden-tulvaindeksikartta/>

Moikku!

Tällä kurssikerralla käsiteltiin erilaisia datan lähteitä. Rajapintoihin, eli ladattaviin aineistoihin, kuten WFS ja WMS saatiin pientä tuntumaa. Luennolla kokeiltiin myös ladata näitä aineistoja QGIS:siin ja treenailtiin esim. valinta- ja mittaustyökalujen käyttöä. En koe, että olisin sisäistänyt näitä juttuja täydellisesti, mutta ehkä ajan kanssa nämä tulevat tutummiksi. Tämä teksti sisältää hyvin vähän kuvailua siitä, mitä käytännössä olen tehnyt, sillä en ole itsenkään aivan varma.

Tällä kerralla vertailtiin myös erilaisten projektioiden vaikutusta kartan ulkoasuun. Kuvassa 1. on luennon aikana tuotettu vertailu Mercatorin projektion vertailu ETRS89-TM35FIN projektioon. ETRS89-TM35FIN on Suomessa käytetty tasokoordinaattijärjestelmä, joka pohjautuu poikittaiseen Mercatorin projektioon ja pyrkii kompromissiin. Pinta-alojen vääristymää voidaan tarkastella suhdelukujen perusteella: Lapin punaisilla alueilla pinta-alat ovat yli 8 kertaiset. Tämä johtuu siitä, että Mercatorin projektiossa pinta-alat ja etäisyydet kasvavat napoja kohti.

Todistuaineistoa itse mittailusta en kerännyt, mutta jos asia kiinnostaa, suosittelen tsekkaamaan Tapion blogi, jossa on havainnollistettu asiaa sekä kuvien että taulukon muodossa!

Itsenäisessä harjoituksessa vertasin ETRS89-TM35FIN tasokoordinaatistoa Winkel Tripel-projektioon. Winkel Tripel on tasavälinen lieriöprojektio, joka pyrkii minimoimaan pinta-alan, suunnan ja etäisyyden vääristymiä. Tämän vuoksi kuvassa 2. näkyvät suhdeluvut eivät ole läheskään samaa luokkaa kuin Mercatorin projektion vertailussa kuvassa 1.

 

En pysty sanomaan, että tämä kurssikerta olisi tuonut varmuutta omiin GIS-taitoihini, mutta ehkä löydän vielä jostain motivaatiota harjoitella vielä ahkerammin. Tämän viikon harjoitus ei tuntunut kuitenkaan yhtä turhauttavalta kuin ensimmäinen mutta harjoituksen tekemiseen oli vaikeaa ryhtyä. Uskon kuitenkin, että vertaistuen ja sinnikkään harjoittelun avulla QGIS voi vielä jonain päivänä selkeytyä myös minulle 🙂

Koen karttaprojektiot ja niiden vaikutuksen kartoista syntyviin mielikuviin erittäin kiinnostavana aiheena. Melkein pelottaa ajatella, miten vääristynyt kuva ihmisillä voi maailmasta olla ja miten suuri vaikutus sillä on esimerkiksi poliittiseen päätöksentekoon.

 

Lähteet:

Kurssimateriaali

 

Turpeinen, T. (2021) Viitattu 29.1.2021

<https://blogs.helsinki.fi/tapiotur/>

19.1.2021 

GEM-2021 Harjoitus 1.  

 

Ensimmäinen harjoituskerta oli positiivinen kokemus. Koin, että harjoituksen etenemistä oli helppo seurata, vaikka ollaankin etäopetuksessa. Henkilökohtainen haasteeni pitkillä luennoilla on keskittymisen vaikeus, mutta onneksi reipas etenemistahti auttoi ylläpitämään keskittymistä ja mielenkiintoa. Luento eteni itse kurssin sisällöstä QGISin perusteisiin ja sitten itse tekemiseen. Ohjelmiston kanssa harjoittelu sujui luennolla melko hyvin, kun ohjeet olivat selkeät ja niitä oli helppo seurata ja tehdä itse samalla harjoitusta. Luennon harjoituksen lopullisesta tuotoksesta ei tässä tekstissä ole kuvaa koska sen kanssa tuli ongelmia eikä lopullinen tuotos näytä siltä miltä pitäisi. QGIS vaikuttaa vaikealta ja ahdistaa jo valmiiksi mitä tästä tulee, mutta olen kuitenkin motivoitunut opettelemaan sen käyttöä. Haluaisin myös yleisesti ymmärtää paremmin tietotekniikkaa. Uskon, että kärsivällisesti harjoittelemalla ja itse tekemällä oppii parhaiten.  

Tein itsenäisistä tehtävistä vaikeustason 1. tehtävän, sillä oma tekeminen tuntuu vielä epävarmalta ja halusin päästä helposti alkuun. Tehtävässä laadin Suomen kuntien tietokantaa hyödyntäen koropleettikartan. Vaikeuksia oli jo heti alussa aineiston avaamisessa, mutta lukemalla ohjeita tarkasti ja kokeilemalla sain aineiston avautumaan ohjelmistosssa. Uskon ymmärtäväni nyt paremmin esim. eri tiedostomuodoista ja niiden merkityksestä. Koen oppivani paremmin siten, että harjoittelen samaa asiaa useana eri päivänä, jotta tekemiseen tottuisi ja asiat jäävät paremmin mieleen. Uusilla silmillä näkee myös helpommin omat virheet: uskoinkin ensimmäisenä päivänä tehneeni harjoituksen oikein, mutta muutaman päivän päästä huomasin, että asioita oli jäänyt tekemättä ja lopputulos olisi voinut olla parempi. Ensimmäisestä yrityksestä olivat jääneet pois mm. lukuarvojen suhteuttaminen, pohjoisnuoli ja mittakaava(hups).

Kuvassa 1. näkyy tuottamani kartta kunnassa asuvien maahanmuuttajien määrästä suhteutettuna maahanmuuton kokonaismäärään. Kuten voidaan arvata, suurimmat osuudet keskittyvät Pääkaupunkiseudulle, Jyväskylään, Tampereelle ja Turkuun eli suuriin kaupunkeihin. Mielestäni karttaa on helppo tulkita, mutta värit eivät ehkä ole parhaat mahdolliset. Olisin myös halunnut muuttaa luokkavälien suuruutta jotenkin järkevämmäksi, mutta en ollut varma miten sen tapahtuu. Kaiken kaikkiaan harjoituksen teko ei loppujen lopuksi ollutkaan niin vaikeaa, mutta liikkuvia osia on paljon ja tekemiseen upposi paljon aikaa, kun kaikki on vielä niin uutta.

 

Koen, että oppimista ja kommunikaatiota on tukenut myös muiden blogien lukeminen. Esimerkiksi Saaran kokemukset ensimmäisestä itsenäisestä harjoituksesta olivat oivallista vertaistukea ja myös hauskaa luettavaa! Myös Martan blogitekstissä on inspiroivasti ja perusteellisesti käsitelty Saamenkielisyyttä Suomessa, joka kannattaa käydä lukemassa.

 

Lähteet:

Kurssimateriaali

 

Heikkinen, S (2021). Eka kurssikerta Viitattu 28.1.2021

<https://blogs.helsinki.fi/heikkins/2021/01/26/eka-kurssikerta/>

 

Huttunen, M (2021). Harjoitus 1. Viitattu 28.1.2021

<https://blogs.helsinki.fi/humartta/2021/01/22/harjoitus-1/>