Geoinformatiikan menetelmät 1

Kurssikerralla seitsemän saimme vapaat kädet oman kartan tekoon. Työtä varten meidän tuli etsiä itse aineistoja netistä, muuttaa ne oikeaan muotoon sekä luoda niillä jokin kartta. Heti työtä aloittaessani huomasin saman asian kuin Minerva Laitinen kertoo blogissa huomanneensa. Työn kannalta suurin vaiva piti nähdä aineistojen keruun eteen. Netistä löytyy paljon erilaisia tiedontuottajia, mutta läheskään kaikki tieto ei ole helposti käytettävissä. Halusin luoda tällä kurssikerralla nimenomaan maailmankartan, mutta monien tiedontuottajien ja -jakajien sivuilla haluamani tiedot oltiin esitetty valtioittain. Minun olisi siis pitänyt käydä jokainen valtio läpi yksitellen ja kerätä niistä haluamani tiedot. En uskonut tämän olevan järkevää ajankäyttöä, joten päädyin valitsemaan helpompia tietokantoja.

Kuva 1 esittää maailman valtioiden asukaslukuja vuoden 2018 tietojen perusteella. Samassa kartassa on myös esitetty yli miljoonan ihmisen kaupungit sinisillä pisteillä.

Kuva 1. Maailman valtioiden väkiluvut ja suurimmat kaupungit.

Tietokantojen työstäminen oli tällä kerralla suhteellisen työlästä. Minun piti korjata manuaalisesti esimerkiksi valtioiden nimiä, jotta ne vastaisivat pohjakarttani valtioiden nimiä. Tämän toimenpiteen yhteydessä havaitsin myös sen, että osa valtioista puuttui tietokannastani. Suurin osa puuttuvista valtoista oli niin pieniä, että niitä ei olisi muutenkaan nähnyt kartalta. Silmään kuitenkin pistää Tansanian tietojen puuttuminen. Tarkastin lataamani tietokannan useaan kertaan, mutta Tansaniaa ei tosiaan löytynyt sieltä. Päätin sijoittaa sen siis kategoriaan ”ei tietoa”.

Hankalaa oli myös päättää ilmiötä parhaiten kuvaavat luokkarajat. Halusin, että asukasluvultaan suurimmat ja pienimmät valtiot erottuvat selkeästi toisistaan. En myöskään voinut tehdä liian montaa luokkaa, sillä muuten luokkien erottaminen olisi ollut hankalampaa. Suurimmassa tekemässäni luokassa asukaslukuen välinen ero pahimmillaan on jopa miljardin ihmisen suuruinen. Olisin voinut luoda tässä tapauksessa vielä yhden luokan, johon kuuluisivat esimerkiksi yli miljardin ihmisen valtiot.

Karttani palvelee tarkoitustaan parhaiten, jos sitä tarkentaa esimerkiksi maanosiin tai valtioihin. Tällöin yksittäiset kaupungit ja niiden nimet erottuvat hyvin. Kokonaisuutena karttaa voi olla hieman haastavaa tulkita, sillä siihen on laitettu paljon tietoa pieneen tilaan. En taaskaan saanut mittakaavaa toimimaan, joten en viitsinyt laittaa tähän karttaan ollenkaan mittakaavaa. En tiedä miten saisin oikean mittakaavan näkyviin, mutta aion yrittää saada se vielä selvitettyä. Minulla on vielä paljon työtä edessä paikkatieto-ohjelmien parissa, mutta aion yrittää parhaani niiden kanssa tulevaisuudessakin!

 

 

Lähteet:

Laitinen, M. (2020). Levottomuuden Etelä-Afrikassa. Luettu 30.3.2020. https://blogs.helsinki.fi/minerval/

Natural Earth (2020). 1:110m Cultural Vectors. https://www.naturalearthdata.com/downloads/110m-cultural-vectors/

Kuudennella kurssikerralla saimme tehdä karttoja itse valitsemistamme hasardeista. Työn tarkoituksena on opetella netistä löytyvän datan muokkaamista siihen kuntoon, että sitä voidaan käkyttää Qgis:in kaltaisissa ohjelmissa. Tavoitteena oli luoda opetustarkoitukseen suunnattuja karttoja, jotka kuvaavat esittämiään ilmiöitä hyvin.

Ensimmäisessä kartassani (kuva 1) halusin esittää tulivuorten räjähdyksien suuruutta ja sijaintia maailmankartalla. Vulkaaninen räjähdysasteikko eli VEI kuvaa tulivuorten räjähtävyyttä. Tekemässäni kartassa tummimmat värit kuvaavat suurimpia räjähdyksiä eli niiden logaritminen VEI-indeksi on siis suurin. Tuotostani voisi käyttää opetuksessa esimerkiksi aktiivisten tulivuorten sijainnin kuvaamisessa.

Suurin osa purkauksista on tapahtunut samoissa paikoissa, joten yksittäisiä purkauksia ja tulivuoria on hankala erottaa kartasta. Yksittäiset purkaukset olisi voinut saada näkyviin, jos olisin pienentänyt räjähdyksiä esittäviä pisteitä tarpeeksi. Kuvan luettavuus olisi kuitenkin kärsinyt liikaa, joten päätin säilyttää pisteiden koon informatiivisuuden kustannuksella. Kartta onnistuu kuitenkin kuvaamaan ilmiön esiintymistä maailmanlajuisesti melko hyvin. Lisäsin karttaani litosfäärilaattojen rajoja kuvaavat viivat, jotka auttavat kuvan katsojaa ymmärtämään litosfäärilaattojen ja tulivuorten sijaintien välisen yhteyden. Kuten Riina Hiltula myös toteaa blogissaan, suurin osa tulivuorista esiintyy laattojen rajakohdissa ja kuumien pisteiden läheisyydessä. Halusin kartassani korostaa erityisesti tätä aspektia.

Kuva 1. Tulivuorten sijainnit ja VEI-indeksit

 

Löysin netistä vulkaanista aktiivisuutta kuvaavan maailmankartan (kuva 2), joka ottaa myös huomioon litosfäärilaattojen liikesuunnat. Kyseinen kartta on kuitenkin hieman epäselvä, sillä siihen on pyritty kasaamaan suuri määrä tietoa. Kartassa esitetään niin vimeaikoina aktiivisena olleet tulivuoret, kuin myös koko holoseenin aikana aktiivisena olleet tulivuoret. Tämän takia kartan luettavuus ei ole parhaimmasta päästä. Tämän lisäksi osa litosfäärilaattojen rajojen väreistä ei erotu kunnolla toisistaan. Kartta kuitenkin antaa hyvän kokonaiskuvan siitä, mihin aktiiviset tulivuoret sijoittuvat ja ovat sijoittuneet.

Kuva 2. Tulivuorten sijainti maapallolla. Lähde: ResearchGate.net

 

Toisessa kartassani (kuva 3) halusin esittää erilaisten tulivuoprityyppien sijoittumista. Halusin esimerkiksi pohtia sitä, sijoittuvatko tietynlaiset tulivuoret tietyille alueille, jos ilmiötä tutkitaan maailmankartalla. Kartan toteuttamisessa ongelmia tuotti muun muassa englanninkielisten sanojen kääntäminen suomeksi. Kaikille tulivuorityypeille ei löytynyt sellaista käännöstä, jota voisin väittää huoletta oikeaksi. Suomensin siis osan käyttämistäni tulivuorityypeistä omien taitojeni varassa. Jätin myös osan tietokannan tulivuorityypeistä pois kartastani, sillä en kokenut niiden lisäävän karttaan mitään oleelliseta, enkä ollut edes tietoinen kaikkien niiden olemassaolosta.

Luomani kartan perusteella voidaan havaita, että suurin osa esittämistäni tulivuorista on kerrostulivuoria. Jälleen kerran tulivuoria kuvaavien pisteiden päällekkäisyys estää joillakin alueilla yksittäisten tulivuorten sijaintien tarkastelun, mutta pyrinkin tällä kartalla havainnollistamaan ilmiön yleistä luonnetta. En löytänyt juuri tätä ilmiötä kuvaavaa karttaa netistä, joten en voi vertailla oman karttani onnistuneisuutta.

Kuva 3. Tulivuorityyppien sijoittuminen maapallolla.

 

Kolmannessa kartassani (kuva 4) päätin siirtyä tulivuorista meteoriitteihin. Maahan iskeytyneitä meteoriitteja oli käyttämässäni tietokannassa niin paljon, etten viitsinyt tehdä ilmiötä kuvaavaa maailmankarttaa. Koko maapallon kattava kartta ei myöskään olisi tuonut enempää oleellista tietoa kartan tulkitsijalle, sillä meteoriitit iskeytyvät maahan sattumanvaraisesti. Rajasin siis karttani alueeksi Australian.

Kuva 4. Australiaan pudonneet meteoriitit.

 

Päätin jakaa karttani meteoriitteja kuvaavat pisteet kolmeen ryhmään niiden koon mukaan. Pienimmät meteoriitit ovat alle kilon painoisia. Kartan mukaan suurin osa niistä sijoittuu Länsi- ja Etelä-Australiaan. En löytänyt niiden mielenkiintoiselle sijoittumiselle mitään tarkkaa syytä. Yksi mahdollisuus on se, että kyseisellä alueella tarkkaillaan enemmän meteoriittien putoamista tai sieltä on helpompi löytää pudonneita meteoriitteja.

Netistä löytämäni How to find a meteorite that’s fallen to Earth -artikkelin mukaan Australian syrjäisimpiin osiin on asetettu meteoriitteja havaitsevia laitteita. Artikkeliin liitetyn kuvan perusteella suurin osa meteoriittihavainnosta sijoittuu lähelle kyseisiä havaintolaitteita. Muualle tippuneet meteoriitit kuuluvat pääosin suurempiin meteoriitteihin. Tämän lisäksi moni niistä on tippunut alueelle, jossa on suhteellisen paljon asutusta. Nämä seikat ovat mahdollisesti edesauttaneet kyseisten havaintojen syntymistä juuri näillä alueilla.

Kuva 5. Australiaan sijoitettujen havaintolaitteiden sijainti kartalla. Lähde: The Conversation.

 

Muualla Australiassa on melko satunnaisesti meteoriittihavaintoja. Suurin osa näistä havainnoista kuuluu kuitenkin kahteen suurimpaan luokkaan, eli ne ovat suuruudeltaan yli kilon painoisia. Luomani kartta ei ota huomioon kauan aikaa sitten maahan pudonneita meteoriitteja, joten meteoriittien sijoittuminen on luultavasti tasaisempaa pitkällä aikavälillä tarkasteltuna.

Kartta kuvaa jokseenkin haluamaani ilmiötä. Havaintojen sijoittuminen tietylle alueelle antaa kuvan siitä, että jotkin alueet houkuttelevat meteoriitteja enemmän kuin toiset. Näin ei pitäisi olla ainakaan nykyisen tietämykseni perusteella. Itse ilmiötä voisi siis luultavasti kuvata paremmin jollakin toisella kartalla.

Kuudennes työkerta oli minulle kaikista työkerroista mieluisin. Oli hauskaa päästä miettimään itse mitä asioita haluan esittää kartalla sekä pääsin myös pohtimaan ilmiöiden syitä hieman tarkemmin. Netistä löytyvien tietokantojen muuttaminen oikeaan muotoon oli paikoittain hankalaa, mutta sain loppujen lopuksi haluamani asiat kartalle. Itse karttojen tekeminen oli todella miellyttävää ja jopa rentouttavaa.

Ainoa suuri ongelma tällä kurssikerralla oli mittakaavojen kanssa. Tekemissäni maailmankartoissa Australia on leveydeltään noin 500 kilometriä. Australiaan keskittyneessä kartassa Australia on sen sijaan leveydeltään lähemmäs 3000 kilometriä. Mittakaava ei luultavasti automaattisesti muuttunut, kun tarkensin alkuperäisen karttani vain Australiaan. En ole vielä aivan varma miten estäisin tällaisen kömmähdyksen ensi kerralla, joten oppimista riittää varmasti vielä paljon. Olen kuitenkin tyytyväinen aikaansaannoksiini ja uskon edistyväni kartantekijänä hitaasti mutta varmasti.

Lähteet:

Hiltunen, L (2020). Epicollect5 ja pistetietoa. Luettu 20.3.2020. https://blogs.helsinki.fi/hiltular/

Bland, P (2016). How to find a meteorite that’s fallen to Earth. The Conversation. Luettu 25.3.2020. https://theconversation.com/how-to-find-a-meteorite-thats-fallen-to-earth-52906

Kurssikerralla viisi perehdyttiin enemmän QGis:in laskuominaisuuksiin sekä bufferointityökaluun. Työkerran aikana oli tarkoitus tutkia muun muassa pääkaupunkiseudun lentokenttiä, asemia ja taajamia.

Kurssikerran aikana havaitsin, kuinka kivaa QGis:in kanssa toimiminen voi olla. Itse töiden tekeminen oli miellyttävää, sillä olimme aikaisemmilla kurssikerroilla käyneet läpi tarvittavien komentojen käytön. Työtä tehdessä toki tuli kompasteltuakin. Huomasin esimerkiksi sen, kuinka välillä tunneilla keskityn liikaa tehtävien suorittamiseen ohjelmiston toimintojen ymmärtämisen sijaan. Kohtasin välillä työkaluja, joita olimme käyttäneet tunneilla aikaisemmin, mutten vain saanut muisteltua miten niitä käytetään oikein. Työn tekeminen olisikin ollut melko nopeaa, jos muisti vain olisi pelannut.

Tässä vaiheessa opiskelu-uraani havaitsin myös sen, ettei QGis osaamiseni riitä ongelmatilanteissa pitkälle. Osaan vasta muutamien tärkeimpin toimintojen käyttöä, mutta virheilmoitusten ilmestyessä olen pulassa. Ohjelma usein valitti esimerkiksi geometrian olevan vääränlainen, enkä päässyt aina eteenpäin tämän takia. Joitain vastauksia sain tunnin aikana koottua taulukkoon, mutta en ole yhtään vakuuttunut niiden todenmukaisuudesta. Koin myös ongelmia Uima-altaat ja saunat -osion yhteydessä asioiden visualisoinnissa. Iida Kokkisen tapaan en saanut aikaiseksi karttaa, jossa kaupunginosien uima-allas osuudet näkyisivät diagrammien avulla. Hänen tapaansa kokeilin kaikkia osaamiani komentoja ja toimintoja, mutten saanut mitään järin upeaa aikaiseksi. Joko tein jotain väärin toimintojen yhteydessä tai en vain osannut käyttää oikeita toimintoja.

QGis on hyvä työkalu ongelmien ratkaisuun ja niiden luonteen havainnollistamiseen. Ohjelmistolla on kuitenkin rajansa. Esimerkiksi työskentelyssä käytettyjen aineistojen rajottuneisuus vaikuttaa paljon myös lopputulokseen. Jos ohjelmaan lisätyt tiedot ovat puutteellisia tai vääriä, voi ohjelman luomus muodostaa ilmiöstä täysin vääränlaisen kuvan. Tämän lisäksi QGis on ohjelma, jota on melko hankala käyttää ilman kokemusta. Olemme nyt jo viidenessä kurssikerrassa, enkä usko osaavani lähes mitään ohjelmiston käytöstä. Jokaisen komennon toimimista varten on tiedettävä tasan tarkkaan mitä nappuloita on painettava, mitkä tasot on valittava ja mihin kansioon asiat tallentuvat. Pienetkin huolimattomuusvirheet voivat johtaa vääriin tuloksiin tai siihen, että työ tai sen vaihe on tehtävä uudestaan. Toisaalta ohjelma opettaa samalla käyttäjälleen kärsivällisyyttä.

Taulukko kurssikerran 5 tehtävistä

 

Lähteet:

Kokkinen, I. (2020). Alkoi mennä hermo. Luettu 21.4. https://blogs.helsinki.fi/iixkokki/

Neljännellä kurssikerralla opimme tekemään ruutukarttoja QGis:in avulla. Perusideana oli luoda ruudukko ja yhdistää siihen haluttua paikkatietoa. Kuvassa 1 on tekemäni ruutukartta, joka kuvaa naisten ja miesten määrää pääkaupunkiseudulla. Halusin yksinkertaistaa karttaa mahdollisimman paljon, jotta se olisi mahdollisimman helppolukuinen. Päätin siis luoda kuvan 1 karttaan vain kolme luokkaa. Punaiset ruudut kuvaavat alueita, joissa naisia on enemmän kuin miehiä ja siniset ruudut taas kohtia, joissa miehiä on enemmän. Harmaat sen sijaan kuvaavat alueita, joissa naisten ja miesten määrä on melkein sama. Kyseisissä ruuduissa naisten ja miesten määrä ei ole täsmälleen sama, sillä en usko kyseisen valinnan kuvaavan ilmiötä hyvin. Päätin siis tehdä harmaista alueita, joissa miehiä on joko 25 enemmän tai vähemmän kuin naisia.

Kuva 1. Pääkaupunkiseudun sukupuolijakauma – harmailla alueilla naisten ja miesten ero on korkeimmillaan 25 ihmistä

 

Kuvan 1 kartan avulla voidaan havaita, että pääkaupunkiseudulla on suhteellisesti enemmän naisia kuin miehiä. Kuvan 2 kartassa korostuu myös erityisesti Helsinki, jossa naisia on selkeästi enemmän.

Yksi mahdollinen syy pääkaupunkialueen sukupuolittuneisuuteen voi olla koulutus. Nuoret naiset hakeutuvat esimerkiksi Helsinkiin kouluttautumaan, kun taas nuoret miehet jäävät useammin pienempiin paikkakuntiin (Kansan Uutiset). Jonna Kääriäinen teki myös blogissaan huomion, että naisten osuus yliopistoissa on suurempi kuin miesten.

Ylen tutkimuksen mukaan naiset kuitenkin kannattavat kaupungistumisen hidastamista miehiä enemmän (Yle Uutiset). Toisaalta alle 30-vuotiaat kannattavat kaupungistumista enemmän kuin monet vanhemmat ikäluokat. Jos sukupuolijakauman yksi syy on naisten halu kouluttautua pääkaupunkiseudulla, tässä tuloksessa on järkeä. Suurin osa opiskelijoista on alle 30-vuotiaita, minkä takia he kuuluvat yleisesti ottaen ryhmään, joka ei ole yhtä kriittinen kaupungistumista kohtaan.

Tämä kurssikerta opetti minulle taas paljon. Tärkein opetus on ehdottomasti se, että yritän olla jokaisessa työn vaiheessa tarkkana. Tämä korostui tällä kurssikerralla, sillä jotkin käyttämäni toiminnot veivät aikaa suurehkojen aineistojen kanssa. Muutaman kerran aloin suorittamaan toimintoja, joita en edes tarvinnut. Kulutin siis mukavasti aikaa ohjelmiston suorittaessa minulle tarpeettomia laskuja. Tämä saattoi toisaalta olla ihan hyvä asia, sillä näissä väleissä pystyi pitämään pieniä taukoja. Lopputulos on mitä on, olen vain joka kerta tyytyväinen, jos saan jotain aikaiseksi.

 

Lähteet

Kääriäinen, J. (2020). Pisteainestosta ruututeemakataksi. Luettu 20.2.2020. https://blogs.helsinki.fi/kaarijon/

Virkunen, J. (2019). Naiset lähtevät kaupunkeihin, miehet jäävät pienille paikkakunnille – kaupungistuminen on pirullinen ongelma poliitikoille. Kansan Uutiset. Luettu 20.2.2020. https://www.kansanuutiset.fi/artikkeli/4084472-naiset-lahtevat-kaupunkeihin-miehet-jaavat-pienille-paikkakunnille-kaupungistuminen-on-pirullinen-ongelma-poliitikoille.

Pantsu, P. (2019). Kysely: Enemmistö haluaa valtion hidastavan kaupungistumista – naiset miehiä enemmän, aluetutkijan mukaan tulos kertoo alueiden kostosta. Yle Uutiset. Luettu 20.2.2020. https://yle.fi/uutiset/3-11020767.

 

Kolmannella kurssikerralla opimme käyttämään monia uusia QGis:in toimintoja. Tunnilla muutimme Exceliin tallennetun taulukon csv -muotoon ja liitimme kyseisen tietokannan projektimme tasoon. Yhdistimme myös tietokantoja join -toiminnon avulla. Aikaiseksi saimme kuvan 1 mukaisen kartan, joka kuvaa Afrikan konfliktien, timanttikaivosten ja öljykenttien esiintymistä. Tunnilla sain kartan valmiiksi ja ensimmäistä kertaa kurssin aikana koin onnistuneeni jossain työssä suhteellisen helposti. Teen kuitenkin kaikki tunneilla tehdyt työt uudestaan kotona auttaakseni muistijäljen syntymistä. Ilokseni onnistuin tuottamaan haluamani näköisen kartan myös itsenäisesti.

Itse kartan ulkonäköön voi vaikuttaa monin tavoin. QGis sisältää useita eri vaihtoehtoja kartan ulkoasun muokkaamiseen ja kotona perehdyinkin näihin perusteellisemmin. QGis:illä kartoista voi tehdä hyvinkin persoonallisia, mutta vaarana tällöin on karttojen liiallinen monimutkaisuus. Tämän  takia halusin pitää karttani mahdollisimman tylsänä, mutta helppolukuisena.

Kuva 1. Afrikan timanttikaivosten, öljykenttien ja konfliktien sijoittuminen

 

Kotona oli tarkoitus myös tehdä itsenäisesti kartta Suomen valuma-alueiden tulvaindekseistä ja järvisyydestä. Tulvaindeksien havainnollistaminen kartalla oli helppoa. Myös jo tunnilla käyty excel -tiedoston tuominen osaksi projektia sujui suhteellisen helposti. Ongelmia kuitenkin syntyi, kun järvisyyttä piti yrittää havainnollistaa histogrammien avulla. Aluksi en saanut yhtään diagrammia näkymään kartallani. Hetken pohdinnan jälkeen sain niistä kaksi näkymään. Muutin muun muassa palkkien pituutta suuremmaksi, sillä oletin etteivät lyhyimmät palkit näy liian pienen palkkikoon takia. Tämä ei kuitenkaan onnistunut. En tiedä miksi muut pylväät eivät tulleet näkyviin ja toistinkin oikeiksi uskomani vaiheet uudestaan useaan kertaan.

Muutaman päivän jälkeen onnistuin kuin onnistuinkin saamaan histogrammit näkyviin. En vieläkään ymmärrä mitä tein aikaisemmilla kerroilla väärin. Mielestäni toistin samat vaiheet kuin aikaisemminkin, mutta tulos oli eri. Olen kuitenkin tyytyväinen siihen, että sain histogrammit näkyviin. Kuvassa 2 on tuottamani kartta. Olen suhteellisen tyytyväinen kartan ulkonäköön. Minulle kävi samanlainen moka kuin Emma Wardille, sillä unohdin itsekin lisätä järvisyyttä kuvaavien histogrammien selitteet karttaani. Se olisi voinut helpottaa kartan tulkintaa huomattavasti…

Kuva 2. Valuma-alueiden tulvaindeksi ja järvisyys

 

Pyrin tekemään mahdollisimman yksiselitteisen ja selkeän kartan. Alkuperäisessä kartassa esimerkiksi joet ja rantaviiva oli kuvattu melko paksuilla tummilla viivoilla, jotka tekivät kartasta raskaan näköisen. Päädyin siis muokkaamaan esimerkiksi objektien viivojen paksuuksia. Tämän takia jotkin kartan osat, kuten järvet eivät kuitenkaan erotu yhtä hyvin kuin haluaisin. Sain kuitenkin tärkeimmät tiedot, tulvaindeksit ja järvisyyden, näkymään ihan mukavasti.

Kuvan 2 kartan perusteella havaitaan, että suurimman tulvariskin omaavat alueet ovat rannikkoalueilla. Kyseiset alueet ovat pinta-alaltaan pieniä ja niiden järvisyysprosentit ovat suhteellisen matalia. Järvet toimivat hyvinä väliaikaisina vesivarastoina, minkä takia suuri järvisyysprosentti pienentää tulvariskiä.

 

Lähteet:

Ward, E. (2020). Kolmas kerta toden sanoo? Tuuletustanssi ja hälyyttävän tyhjä teekuppi. Luettu 10.2.2020. https://blogs.helsinki.fi/emmaward/

Toisella kurssikerralla tutustuimme rajapintoihin ja ehtolausekkeisiin sekä projektioiden valinnan merkitykseen. Aloitimme tuomalla Tilastokeskuksen tuottamaa kuntadataa WFC-palvelun kautta. Datan avaaminen QGis:issä osoittautui hämmentävän helpoksi ja tiedostot oli helppo saada toimimaan ensimmäisellä yrityksellä.

Tunnilla loin kuvan 1 kartan, jossa vertaillaan TM35FIN -projektion ja Mercator Sphere -projektion aiheuttamia pinta-alaeroja. Kartan työstämisen aikana koin monia hankaluuksia. Ensimmäisellä kerralla onnistuin laskemaan TM35FIN -projektion pinta-alan, mutten jostain syystä onnistunut laskemaan toisen projektion pinta-alaa. Törmäsin ilmeisesti samaan ongelmaan kuin Mathilda Carpelan, joka kertoo blogissaan saaneensa projektioiden pinta-aloista hyvin samanlaisia tuloksia. En vieläkään ole varma miksi ensimmäinen kerta epäonnistuin, mutta toisella kerralla pinta-alan lasku toimi.

Kuva 1. Mercatorin projektion ero TM35FIN -projektioon.

 

Seuraavassa laskussa laskin pinta-alojen prosentuaaliset erot. Jostain syystä onnistuin tämän laskemaan ongelmitta, vaikka tuskailin aikaisemmin helpomman laskutoimituksen kanssa.

Tämä kurssikerta on ehdottomasti opettanut minulle jotain. QGis:issä on paljon pieniä nappeja ja ne on usein piilotettu hyvin. Tämän lisäksi havaitsin olevani erityisen huonomuistinen. Kuten Laura Hynynenkin havaitsee blogissaan, työn teossa on monia vaiheita ja ne on kaikki tehtävä tietyssä järjestyksessä. Kotona karttoja tehdessäni sain kyllä pariin otteeseen pitää rauhoittumistaukoja työskentelyn seassa, sillä turhauduin kykenemättömyyteeni muistaa joitakin vaiheita. Lopulta sain kuin sainkin puristettua kuvan 1 kartan ulos.

Kuva 2. Robinsonin projektion kokoero suhteessa TM35FIN -projektioon.

 

Kuvan 2 kartta sen sijaan kuvastaa TM35FIN -projektion kokoeroa suhteessa Robinsonin projektioon. Jos kuvan 2 eroja vertaa kuva 1 eroihin, voidaan havaita suurta vaihtelua alueiden ko’oissa. Robinsonin projektio toki vääristää mittasuhteita jonkin verran, mutta ei läheskään yhtä pahasti kuin Mercatorin projektio. En ole varma laskujeni todenmukaisuudesta, mutta uskon niiden olevan tämän perusteella ainakin oikeaan suuntaan osoittavia.

Pientä kritiikkiä antaisin itselleni ainakin karttojen ulkonäöstä. Tein kyseiset kartat eri ajankohtina, joten käytin erimerkiksi erilaisia pohjoisnuolia kuvissa. Tämä ei sinällään ole virhe, mutta se silti iskee ainakin omaan silmääni. Legendojen numerot olisi myös voinut pyöristää esimerkiksi kokoluvuiksi, sillä kymmenesosien tietäminen ei tässä tapauksessa lisää mitään arvokasta karttojen tulkintaan. Kaiken kaikkiaan olen ihan tyytyväinen aikaansaannoksiini, vaikkeivat ne ole läheskään täydellisiä.

 

Lähteet:

Carpelin, M. (2020). Kursgång 2: Jamförelse av olika projektioner. Luettu 31.1.2020. https://blogs.helsinki.fi/carpmath/

Hynynen, L. (2020). Projektiot suurennuslasin alla. Luettu 31.1.2020. https://blogs.helsinki.fi/lauravel/

Ensimmäinen kurssikerta oli minun ensikosketukseni QGis -ohjelmistoon. Alussa koin uuden ohjelman käytön uhkaavana ja näin jo mielessäni kuinka monella tavalla voisin söhliä tämän kurssin aikana. Päätin siis aloittaa kurssin oikein kunnolla alusta alkanen ja sössin jo ekalla kerralla!

Itse kurssikerran tuotos katosi matkalla teille tietämättömille, joten aloitin kotona uuden työn tekemisen. Kuvassa 1 onkin pitkän työni tuotos. Yksinkertaiselta vaikuttava tuotokseni laatiminen repi sieluani koko tekoprosessin ajan. Homma tietenkin tyssäsi prosenttilaskuihin. Aluksi tein kartan, joka tylysti kuvasi pelkästään kuntien avioerojen määrää eli käytin absoluuttisia arvoja. Aikaiseksi saamani kartta näytti kuitenkin hieman oudolta. Suurin osa avioeroista keskittyi Helsinkiin, Tampereelle, Turkuun, Espooseen ja Vantaalle. Tajusin vasta tässä vaiheessa, että näissä kunnissa on muutenkin paljon asukkaita, joten myös avioerojen määrä on suhteellisen suuri. Vaikka kartta onkin todenmukainen, se ei kuvaa valitsemaani ilmiötä haluamallani tavalla.

Kuva 1. Avioerojen absoluuttinen määrä Suomen kunnissa 2015. Lähde: Tilastokeskus

 

Seuraavaksi lähdin pohtimaan miten saisin aikaiseksi kartan, joka kuvaa kuntien avioerojen määrän suhteutettuna koko kunnan asukaslukuun. Tämä lasku oli vielä suhteellisen helppo toteuttaa, mutta laskun tulokset olivat hämmentävän pieniä. Syvällisen pohdinnan jälkeen tajusin, että laskemani luku kertoikin kuinka monta asukasta eroaa puolisostaan suhteessa yhteen asukkaaseen. Kokeilin kertoa saamani luvut sadallatuhannella toivoen saavani helpommin tulkittavia lukuja. Karttani legendan perusteella onnistuin tässä ainakin jokseenkin määrin. En vieläkään ole täysin varma saamieni tulosten todenmukaisuudesta. Jälkeenpäin katsottuna tulokset olisi myös pyöristää kokonaisluvuiksi.

 

Halusin tarkistaa laskujani tutkimalla työni ominaisuustaulukkoa tarkemmin. Valitsin aluksi työkalupalkista Select Features -painikkeella kuntia, jotka kuuluivat eri luokkiin. Tämän jälkeen vertailin näitä kuntia ominaisuustaulukon avulla (kuva 2). Taulukon perusteella uskallan väittää, että laskuni eivät ole menneet aivan metsään. Sijoitin taulukkoon valitsemani kunnat niiden kartassa näkyvä värin tummuden perusteella. Kyseisistä kunnista Sysmä on siis mekritty tummimmalla värillä ja Luhanka vaaleimmalla.

Kuva 2. Attribuuttitaulukon ja kartan tietojen vertailua.

 

Kartta ulkoasultaan on jokseenkin onnistunut. Ensi vilkaisulla teokseni voi antaa katsojalle kuvan, että koko Suomi kärsii karmeasta avioerojen aallosta. Yritin miettiä miten saisin kartastani hieman rauhoittavamman näköisen. Aluksi pohdin luokkarajojen muuttamista tai luokkien vähentämistä. Pian kuitenkin havaitsin, että karttani informatiivisuus kärsisi suurista muutoksista. Myös Siiri Nyman mainitsee blogissana sen, kuinka hankalaa välillä oikeanlaisten luokkajakojen tekeminen on.  Vähennettyäni luokkien määrää viidestä kolmeen karttani näytti vieläkin järkyttävämmältä (kuva 3).  Melkein puolet Suomesta oli tummanvihreän peitossa. Yhtäkkiä aikaisempi tuotokseni ei vaikuttanutkaan aivan kamalalta. Kuva 4 kartta on tämän opintohetkeni viimeinen anti ja voin sanoa olevani suhteellisen tyytyväinen siihen.

Kuva 3. Avioerojen määrä jaettuna kolmeen luokkaan.

Kuva 4. Eronneiden määrä vuonna 2015 kunnittain.

 

Tämän työn tekeminen oli opettavaista monella tapaa. Möhlin monta kertaa ja jouduin toistamaan helpotkin työn vaiheet välillä useaan kertaan. Näen tämän kuitenkin vain plussana, sillä nyt olen todella sisäistänyt kyseisen työn tekemiseen vaaditut taidot. Karttojen tekemistä oppii vain tekemällä karttoja, joten kaikki mokat ovat oikeasti tosi hyviä oppimistilaisuuksia!

 

Lähteet:

Nyman, S. (2020). Ensimmäinen kurssikerta. Luettu 26.1.2020. https://blogs.helsinki.fi/nymsiiri/