Kurssikerta 7: Omavalintainen analyysi koronaepidemian vaikutuksesta metroasemien käyttäjämääriin

Tämä gis-kurssi on nyt tullut päätökseensä, ja viimeisellä kurssikerralla pääsimme tutkimaan itse valitsemiamme aineistoja.

Kuten aiemmista blogipostauksista on saattanut käydä ilmi, suurimpia maantieteellisiä kiinnostuksenkohteitani ovat muun muun muassa kaupunkisuunnittelu ja segregaatio (tai sen ehkäiseminen). Lisäksi pidän jollain vaikeasti kuvailtavissa olevalla tavalla julkisista ja puolijulkisista sisätiloista, vaikka minulla ei oikeastaan koskaan ole ollut sen kummemmin tapana niissä hengailla, joten olen kiinnostunut myös niiden käyttämiseen ja hallintaan liittyvistä kysymyksistä. Näiden lisäksi olen myös ollut pienestä pitäen raideliikenteen suuri ystävä: yksi lapsuuden haaveammateistani oli metronkuljettaja. Siispä vielä yhdistin mukaan metroasemat, ja täydellinen aihe viimeiselle kurssikerralle oli valmis.

Tykkään liikkua kaupungeissa, seurata julkisten tilojen käyttöä ja tarkastella eri alueiden ja paikkojen väestörakenteita. Mielestäni on omasta taustasta ja yhteiskuntaluokasta riippumatta hyödyllistä nähdä erilaisia paikkoja ja samalla kyseenalaistaa (ja toki joskus myös vahvistaa) omaksumiaan stereotypioita ihmisryhmistä ja alueista. Jokaisella helsinkiläisellä on varmasti tietty mielikuva esimerkiksi Kontulasta, mutta yllättävän moni ei tosiasiassa ole käynyt siellä kertaakaan tai sitten piipahtanut enintään varttitunnin viisi vuotta takaperin. Jos kuulut tähän joukkoon, voin suositella lähtemään jonain kauniina väliviikon päivänä metroajelulle Kontulaan – tai jos se on jo ennestään tuttu, niin vaikka bussilla Westendiin katsomaan toista ääripäätä.

Nyt päivän varsinaiseen aiheeseen. Korona-aikana erilaiset rajoitustoimet ovat vaikuttaneet merkittävästi julkisen liikenteen ja sen asematilojen käyttöön. Etätyö on yleistynyt monissa ammateissa, toinen aste sekä etenkin korkeakoulut ovat olleet laajasti etäopetuksessa, ja muidenkin sulkujen takia ihmisten tarve liikkua on vähentynyt. Näiden seikkojen johdosta Helsingin metrolla tehtyjen matkojen lukumäärä keskimääräisenä arkipäivänä on laskenut yli kolmanneksen, vuoden 2019 noin 296 600 matkasta vuoden 2020 noin 188 800 matkaan. (Kaupunkiliikenne Oy, n.d.) Metroasemien vuoden 2021 käyttäjämääristä ei vielä löytynyt tilastoa.

Käyttäjämäärien lasku ei kuitenkaan jakaudu tasaisesti eri alueille. Fyysistä läsnäoloa vaativaa työtä tekevillä, kuten monilla kaupan alalla, matkailu- ja ravintola-alan työntekijöillä ja erilaisissa siivous- ja kunnossapitotehtävissä toimivilla ei ole ollut samanlaista mahdollisuutta etätyöhön kuin esimerkiksi korkeakoulujen, kunnan ja valtion virastojen ja vaikkapa it-alan yritysten henkilöstöllä. Ensimmäisenä mainitun luokan työt ovat usein matalapalkkaisempia ja vieraskielinen väestö on niissä yliedustettuna.

Ylempiin tuloluokkiin kuuluvat ovat myös saattaneet korona-aikana liikkua entistä enemmän omalla autollaan ja välttää joukkoliikenteen käyttöä, toisin kuin autottomat ihmiset. Lisäksi on huomattava, että huonosti integroituneet vieraskieliset ja usein samoilla alueilla asuvat huono-osaiset kantasuomalaisetkin ovat varakkaampaan ja koulutetumpaan väestöön verrattuna suhtautuneet välinpitämättömämmin koronaviruksen aiheuttamaan riskiin, eivätkä siten ole välttäneet julkisilla paikoilla liikkumista yhtä paljoa.

Nuorten osalta koronaepidemia on myös johtanut siihen, että monia harrastus- ja vapaa-ajanviettopaikkoja on suljettu, jolloin monet nuoret ovat alkaneet viettää entistä enemmän aikaa esimerkiksi ostoskeskuksissa, joihin on helppo saapua ja joiden välillä on helppo liikkua metrolla. (Helpinen, 31.1.2021). Tämäkin ilmiö on ollut merkittävämpi huono-osaisilla asuinalueilla, joissa asunnot ovat pienempiä ja kodin puitteet mielekkääseen vapaa-ajanviettoon heikommat kuin esimerkiksi suurissa omakotitaloissa.

Näiden asioiden vuoksi hypoteesini oli, että metroasemien käyttäjämäärät ovat laskeneet eniten hyväosaisilla alueilla, joilla myös vieraskielisten osuus on pääsääntöisesti verrattain alhainen. Vastaavasti oletin, että huono-osaisilla alueilla käyttäjämäärien lasku on ollut pienempi. Metroasemien kohdalta merkittävin poikkeus tästä lienee Aalto-yliopiston metroasema, jonka ympäristön väestörakenne on erittäin vahvasti opiskelijavaltainen, ja jota on muutenkin vaikea sijoittaa yksiselitteisesti hyvä- ja huono-osaisuuden väliselle akselille.

Kuva 1. Metroasemien ympärille luomani puskurivyöhykkeet.

Analysoidakseni alueellisia eroja latasin aiemmassa harjoituksessa käytetystä aineistosta Helsingin ja Espoon metroasemien sijainnit, ja halusin bufferoida asemien ympärille vyöhykkeet, jotka ulottuivat kilometrin säteelle asemasta. Puskurivyöhykkeet menivät kuitenkin useimpien asemien kohdalla päällekkäin, joten jouduin googlaamaan apua toisistaan erillisten, mutta ei-päällekkäisten puskureiden tekoon. Tämä osoittautui hieman haastavaksi, mutta Voronoi polygons -toiminnon ja intersection-työkalun avulla sain lopulta muodostettua haluamani vyöhykkeet (kuva 1).


Kuva 2. Helsingin metron asemien käyttäjämäärät ennen koronaepidemiaa ja sen aikana sekä vieraskielisten osuus asemien lähialueilla kuvan 1 puskurivyöhykkeiden mukaan.

Tiedot väestön jakautumisesta kieliryhmiin sain aiemmassa harjoituksessa käytetystä SeutuData-aineistosta. Selvitin jokaisen aseman puskurivyöhykkeen vieraskielisten osuuden ja yhdistin sen metroasemat sisältävään tietokantaan. Lisäksi lisäsin QGISiin Kaupunkiliikenne Oy:n (entinen HKL) verkkosivuilta löytämäni tiedot metroasemien käyttäjämääristä 2019 ja 2020. Lopputuloksena oli oheinen kartta (kuva 2), joka näyttää yhdistelmän kaikista näistä tiedoista.

Olen tyytyväinen karttaani, sillä se on mielestäni visuaalisesti miellyttävä ja kertoo haluamani asiat. Merkittävät erot asemien absoluuttisissa käyttäjämäärissä ja niiden sijainti varsin lähellä toisiaan ydinkeskustassa heikentävät kuitenkin kartan selkeyttä. Yksi vaihtoehto olisi voinut olla merkitä kaikki asemat samankokoisiksi ja kuvata käyttäjämäärän vähentymistä ainoastaan suhteellisesti vuosien välillä. Toisaalta jokaisen aseman kohdalle olisi voinut laittaa kaksi erillistä kaaviota kuvaamaan vieraskielisten osuutta ja matkustajamäärän laskua, mutta tällaisen asettelun tekeminen selkeällä tavalla osoittautui vaikeaksi, joten en siihen ryhtynyt.

Kartasta voidaan huomata selvästi, että hypoteesini pitää ainakin osittain paikkansa. Suurin lasku matkustajamäärissä on Koivusaaren (65 %), Keilaniemen (63 %), Ruoholahden (49 %) ja Aalto-yliopiston (47 %) asemilla, pienin puolestaan Itäkeskuksen (16 %), Kontulan (18 %), Rastilan (20 %) ja Mellunmäen (21 %) asemilla. Kuten kartasta (kuva 2) voidaan nähdä, on juuri näiden neljän viimeksi mainitun metroaseman puskurivyöhykkeillä vieraskielisten osuus kaikkein korkein.

Tarkempia johtopäätöksiä tehdessä aineiston suhteen on kuitenkin huomioitava, että tietyn aseman matkustajat eivät aina läheskään samassa määrin ole lähialueen asukkaita. Etenkin metroverkon päädyissä merkittävä osa matkustajista voi saapua asemalle liityntäliikenteen bussilla, ydinkeskustan asemilla merkittävä osa käyttäjistä voi olla turisteja, ja esimerkiksi Keilaniemen asema palvelee enemmänkin alueen toimistoja kuin asuntoja. Ääriesimerkkinä Rautatientorin metroaseman käyttäjämäärä vuonna 2019 oli jopa 14-kertainen puskurivyöhykkeen väkilukuun verrattuna.

Lisäksi samalla puskurivyöhykkeellä voi olla keskenään hyvin erilaisia asuinalueita, jolloin samankin aseman käyttäjämäärän lasku voi keskittyä vahvasti hyväosaisille alueille ilman, että se erottuu aineistossa.

Jos kuitenkin oletetaan metroasemien käyttäjien väestörakenteen vastaavan täydellisesti puskurivyöhykkeen väestörakennetta, voidaan aineistosta laskea suomen- ja ruotsinkielisten metromatkustajien määrän laskeneen koronan vaikutuksesta 36,9 % ja vieraskielisten puolestaan 33,2 %, eli 3,7 prosenttiyksikköä ja noin 10 prosenttia enemmän kuin ei-vieraskielisten. Mainitsemieni aineistoa vääristävien seikkojen perusteella arvioin, että ero väestöryhmien välillä voi tosiasiassa olla merkittävästi tätäkin suurempi.

––––

En haluaisi leimata korkeaa vieraskielisten osuutta suoranaiseksi huono-osaisuuden mittariksi, mutta käytännössä se korreloi useimmilla pääkaupunkiseudun alueilla myös alhaisen koulutus- ja tulotason kanssa, ja siitä on helpompi löytää kattavaa ja yksityiskohtaista tietoa kuin koulutuksesta ja tuloista. Esimerkiksi käyttämässämme SeutuData-tietokannan otoksessa koulutukseen tai tulotasoon liittyviä muuttujia ei ollut mukana, joten tällainen lähestymistapa oli tällaisessa verrattain lyhyeksi tarkoitetussa tehtävässä mielestäni tarpeeksi hyvä.

Korona-aikana esimerkiksi metroasemilla ja kauppakeskuksissa on myös tehty käytännön toimenpiteitä ihmisten tarpeettoman oleskelun vähentämiseksi, esimerkiksi sulkemalla tai jopa kokonaan poistamalla penkkejä, soittamalla erilaisia korona-aiheisia kuulutuksia ja pystyttämällä ohjeistuskylttejä. Vaikka ymmärrän toki näiden toimenpiteiden lähtökohtaisen tarkoituksen, tulisi niiden vaikutusta selvittää tarkemmin etenkin nyt, kun epidemia on väistymässä, mutta monet sen aikana opitut uudet tavat jäämässä elämään.

Koronan johdosta uskon hyväosaisten ihmisten liikkumisen julkisilla paikoilla vähentyneen monesta syystä: paitsi, että heillä ei esimerkiksi työn puolesta ole enää yhtä suurta tarvetta liikkua, on myös verkkokauppa erilaisine kotiinkuljetuspalveluineen aina ruokaostoksia myöten yleistynyt merkittävästi.  Tämä edelleen saattaa etenkin pitkällä aikavälillä vaikuttaa negatiivisesti julkisten tilojen viihtyvyyteen ja turvallisuuteen, sillä niihin panostetaan usein enemmän paikoissa, joissa hyväosainen väestö liikkuu ja samalla myös tuo rahaa.

Monet koronatoimenpiteet vähentävät edelleen hyväosaisten liikkumista ja etenkin oleskelua julkisissa sisätiloissa, kun taas huono-osaisiin ne eivät vaikuta samalla tavalla. Lisäksi koronarajoitusten haittavaikutukset iskevät usein huono-osaisiin enemmän, jolloin he saattavat enenevissä määrin tulla jopa tietoisesti viettämään aikaa julkisiin tiloihin. Esimerkiksi penkkien poistaminen tehoaa varmasti hyvin niihin, jotka eivät halua istua muualla kuin penkillä, mutta hengaavat nuorisoporukat, syrjäytyneet ihmiset ja asunnottomat sen sijaan saattavat siirtyä istumaan lattialle tai portaikkoihin jopa entistä enemmän.

Lyhyesti sanottuna julkisten tilojen käyttäjäkunnan painopiste voi koronan myötä siirtyä yhä voimakkaammin huono-osaisiin päin, minkä en usko olevan loppupeleissä hyvä kenellekään. Päin vastoin kehitys voi johtaa julkisten tilojen  rappeutumiseen, mikä vähentää edelleen niiden houkuttelevuutta hyväosaisten silmissä ja toisaalta madaltaa kynnystä häiriökäyttäytymiseen tai ilkivaltaan. Olisi jokaisen väestönosan etu, että julkisissa tiloissa olisi viihtyisää ja turvallista liikkua ja oleskella.

Tätä kirjoittaessani kello on neljä aamuyöllä ja lähipäivien aikataulu on minulla melko tiukka, joten eiköhän tämä reilun 1200 sanan blogipostaus ala kohta olla tässä. Samalla pahoittelen, että suuri osa paikoittain aika lennokkaistakin pohdinnoistani ovat (ainakin toistaiseksi) lähteistämättömiä ja muistutan, että niitä saa myös ehdottomasti kyseenalaistaa niin omissa blogeissanne kuin vaikka myös ihan kasvotusten. Tämä aihepiiri on kuitenkin mielestäni niin kiinnostava, että johonkin tässä tekstissä käsittelemiini asioihin liittyvään aiheeseen voisi myöhemmin perehtyä tarkemminkin.

Lopuksi haluan vielä kiinnostuneille ja hieman erilaista näkökulmaa kaipaaville vinkata joskus aiemmin sattumalta bongaamani jutun Saako tähän istua? Isosta Numerosta, joka ainakin jossain määrin liittyy myös tämän postauksen aiheeseen. Jutussa käsitellään julkisen ja yksityisen tilan välistä harmaata aluetta, pohditaan asematilojen merkitystä kaupunkiympäristössä ja kuullaan myös usein heikommin äänensä kuuluviin saavien näkemyksiä aiheeseen.

Kiitos kurssista ja hyvää kevättä!

 

Lähteet

Helpinen, V. (31.1.2021). Korona-aika kypsyttää nuoria, kun ”kaikki on kiinni eikä ole festareita eikä keikkoja” – Huomisesta lähtien harrastuksia avataan pääkaupunkiseudulla. Yle Uutisethttps://yle.fi/uutiset/3-11765338

Kaupunkiliikenne Oy (n.d.). Metroasemien käyttäjämäärät. https://kaupunkiliikenne.fi/liikennointi/metrolla/metroasemien-kayttajamaarat/

Vehkasalo, V. (28.1.2021). Saako tähän istua? Iso Numerohttps://www.isonumero.fi/fi/saako-tahan-istua/

Kurssikerta 6: Sään ääri-ilmiöitä ja maanjäristyksiä

Viime viikkoina tätä blogia on tullut päivitettyä harvemmin kuin GIS-luokan koneiden pakollisia Windows-päivityksiä, joten hypätäänpä hetkellisesti jo kurssikertaan 6. Pari puuttuvaa postausta ilmestyy myöhemmin tämän postauksen alapuolelle.

Tällä kurssikerralla pääsimme tutustumaan niin sään ääri-ilmiöihin kuin maanjäristyksiin, joista ensimmäisenä mainittuihin aivan oikeassa elämässä. Olin luonnollisesti unohtanut edellisellä viikolla mainitun ulkoiluretken, ja lähtenyt kotoa kampukselle ilman hanskoja. Kovassa tuulessa ja sakeassa lumipyryssä (Kumpulan sääaseman lumensyvyys kasvoi 30 cm maanantaista tiistaihin) lähdimme kuitenkin heti alkuun keräämään Epicollect5-paikkatiedonkeruusovelluksen avulla tietoa lähiympäristön kohteista.

Kohteiden kerääminen osoittautui haastavaksi, sillä Kumpulan kampuksen lähellä on varsin vähän selkeästi rajattavissa olevia kohteita, jotka ovat yksittäistä penkkiä tai bussipysäkkiä merkittävämpiä. Lisäksi kohteiden viihtyisyyttä ja houkuttelevuutta oli hankalaa arvioida objektiivisesti sääolosuhteiden takia.

Kurssilaisten keräämien pisteiden analysointi reippailun jälkeen oli mielenkiintoista, vaikka aineisto olikin ehkä hieman epäluotettava. Lisäksi aineiston koko oli hieman turhan pieni, etenkin kun suurin osa pisteistä keskittyi muutamaan helposti saavutettavissa olleeseen hotspotiin. Aineistosta pystyi kuitenkin interpoloimaan karttoja, jotka epätarkkuuksistaan huolimatta opettivat hyvin, mitä tällaisen aineiston interpolointi käytännössä tarkoittaa ja mitä sillä voi saavuttaa.

Kokeilun yhteydessä huomasin sovelluksessa yhden heikkouden. Tallennettavaa kohdetta paikannettaessa sovellus tekee paikannuksen hyvin nopeasti ja epätarkasti, ensimmäisellä painalluksella accuracy-arvo oli omalla puhelimellani usein jopa yli 20 metriä. Muutama painallus lisää heti perään täsmensi paikannuksen vain muutamaan metriin, mutta tätä täsmennystä sovellus ei kuitenkaan osannut tehdä automaattisesti, mikä oli mielestäni ikävää ja hieman yllättävää.

––––

Lisäksi pääsimme tunnilla melko itsenäisesit tuottamaan omia hasardikarttoja maanjäristyksistä, tulivuorista ja meteoriittien putoamispaikoista. Itse keskityin tutkimaan maanjäristyksiä ja tulivuoria, sillä ne ovat toisiinsa liittyviä ilmiöitä ja yleisesti järkevämmin kartalle sijoittuvia. Toki myös meteoriittien putoamispaikkoja tunnetaan enemmän joiltain alueilta kuin toisilta, mutta tämä kertonee enemmän helppokulkuisesta maastosta tai tutkimusinstituutioiden toimivuudesta kuin itse ilmiön alueellisista eroista.


Kuva 1. Kartta aktiivisten tulivuorten sijainnista.

Tiedot tulivuorista latasin melko suoraviivaisesti Yhdysvaltain valtiollisen säätutkimuslaitoksen NOAA:n sivuilta. Tulivuoret jaetaan purkausaktiivisuuden mukaan eri luokkaan, joista uusimpaan kuuluvat vuoden 1964 jälkeen aktiivisena olleet tulivuoret. Niiden sijainneista tein oheisen kartan (kuva 1), johon merkitsin myös litosfäärilaattojen sijainnit, sillä suurin osa tulivuorista sijaitsee niiden rajavyöhykkeillä.

Monilla rajavyöhykkeillä vulkaanista aktiivisuutta ei kuitenkaan ole, koska esimerkiksi sivuuttavien laattojen rajalla tulivuorenpurkauksia harvemmin esiintyy. Toisaalta kartta voi herättää mielenkiinnon etsiä tietoa niistä tulivuorista, jotka poikkeuksellisesti sijaitsevat kaukana rajavyöhykkeistä. Lisäksi pitää ottaa huomioon, että monet tulivuoret sijaitsevat merenpohjassa, jolloin pienistä purkauksista voi olla puutteellisesti tietoa.


Kuva 2. Kartta magnitudin ≥ 6,0 maanjäristyksistä vuodesta 1990 lähtien.

Myös maanjäristykset kuvasin samanlaisella karttapohjalla, johon on niin ikään merkitty litosfäärilaattojen rajat (kuva 2). Aineiston koon vuoksi valitsin tähän hieman lyhyemmän ajanjakson, sillä merkittävän kokoisia maanjäristyksiä on ollut paljon enemmän kuin tulivuorenpurkauksia. Karttoja vertaamalla voi havaita niin yhtäläisyyksiä kuin eroja näiden kahden endogeenisen ilmiön alueellisessa esiintymisessä.

Pienenä sivuhuomiona haluan mainita, että useimmissa tapauksissa kun maailmankartta esitetään tasomuotoisena, on kartta luontevaa jakaa Tyynen valtameren kohdalta. Tämä hyvin yleinen esitys sopii kuitenkin hieman heikosti juuri tähän käyttötarkoitukseen, sillä noin 75 % tulivuorista ja jopa 90 % maanjäristyksistä sijoittuu Tyynenmeren tulirenkaan alueelle (National Geographic Society, 2019), joka ikävästi jakautuu kartalla kahtia heikentäen täten hahmottamista.


Kuva 3. Useassa Wikipedian kieliversiossa käytetty kartta merkittävistä maanjäristyksistä viimeisen noin 120 vuoden ajalta. Lähde: Wikimedia Commons (https://commons.wikimedia.org/wiki/File:Map_of_earthquakes_1900-.svg)

Maanjäristyksien suuren määrän takia kuvan 2 kartta antaa hieman harmillisen vähän informaatiota lukijalle. Wikipediassa käytetyssä kartassa maanjäristyksistä järistykset on luokiteltu magnitudin mukaan ja esitetty sen mukaisesti erikokoisina ja -värisinä.


Kuva 4. Kartta magnitudin ≥ 6,0 maanjäristyksistä vuodesta 1990 lähtien, isoimmat (magnitudi ≥ 7,5) järistykset korostettuina.

Teinkin jo kurssikerralla Wikipedian karttaa muistuttavan esityksen, jossa merkittävimmät järistykset on korostettu hieman vastaavalla tavalla (kuva 4). Jo magnitudin 6–7 järistykset voivat aiheuttaa vahinkoa etenkin tiheään asutuilla alueilla, mutta laajoja ja vakavia seurauksia aiheutuu enemmän vasta magnitudin 7 ylittävistä järistyksistä. (Michigan Tech University, n.d.)

Olen lähtökohtaisesti tyytyväinen karttoihini, mutta näiden kahden ilmiön välistä alueellista korrelaatiota voisi esittää tehokkaammin yhdistämällä molempia ilmiöitä samalle kartalle, kuten Juulia Salakka (23.2.2022) esittelee blogissaan. Tällöin haasteeksi voi kuitenkin nousta kartan vaikeaselkoisuus, jolloin aineiston kokoa olisi ehkä entistä tärkeämpi rajoittaa.

Viimeisenä haluan lisätä, että maanjäristysten moninaisuutta ilmiönä voisi havainnollistaa kattavammin, jos tekisi esityksen esimerkiksi Pohjoismaiden maanjäristyksistä. Myös Suomen alueella esiintyy ajoittain maanjäristyksiä, jotka kuitenkin johtuvat pääsääntöisesti jääkauden jälkeisestä maankohoamisesta eivätkä laattatektoniikasta. Näiden järistysten magnitudi on niin pieni, etteivät ne käytännössä koskaan erotu maailmanlaajuisilla kartoilla.

Ensi kertaan!

 

Lähteet

Michigan Technological University (n.d.). Earthquake Magnitude Scale. UPSeishttps://www.mtu.edu/geo/community/seismology/learn/earthquake-measure/magnitude/

National Geographic Society (2019). Ring of Fire. Resource Library. https://www.nationalgeographic.org/encyclopedia/ring-fire/

Salakka, J. (23.2.2022). 6. kurssikerta. Geoinformatiikkaa oppimassahttps://blogs.helsinki.fi/gis-juulia/2022/02/23/6-kurssikerta/

Kurssikerta 5: Lentomelua ja bufferointia

Viidennellä kurssikerralla jatkoimme työskentelyä SeutuData-aineiston parissa, nyt itse väestötietojen sijaan tutkittiin kuitenkin Helsingin lentokenttiä ja niiden lähiympäristöä.

Ensimmäisenä tarkastelussa oli Malmin lentokenttä, jonka alueen muuttaminen asuinalueeksi aiotaan aloittaa lähivuosina. Kenttä sijaitsee verrattain keskeisellä paikalla ja on muiden asuinalueiden kuten Jakomäen ja Tapanilan ympäröimä. Tunnilla opimme käyttämään bufferointityökaluun, joka osoittautui hyödylliseksi myös viimeisellä kurssikerralla tekemässäni omavalintaisessa tutkimuksessa, ja jolle voisi olla käyttöä myös itseäni kiinnostavissa analyyseissä vapaa-ajalla.

Bufferoinin perusteella 2 km säteellä kentän kiitoradoista asuu lähes 60 000 henkeä ja 1 km säteelläkin noin 9 100. Kilometrin säteellä kentästä sijaitsevista asuinrakennuksista yli 90 % on kuitenkin rakennettu vasta kentän valmistuttua vuonna 1937,  joten meluhaitat eivät kuitenkaan ole tulleet yllätyksenä. Kentän lentomelu on silti voinut vaikuttaa merkittävästi lähialueen asukkaisiin, joskin kaupallinen liikenne on pääasiassa siirtynyt Helsinki-Vantaalle jo 1950-luvulla.


Kuva 1. Helsingin kaupungin suunnitelma Malmin lentokentän alueen rakentamiselle. Kuva: Helsingin kaupunki.

Malmin lentokentän alueelle suunnitellaan asuntoja noin 25 000 asukkaalle. Uudisrakentamiselle kaavoitettu alue (kuva 1) on kooltaan noin 2,5 km, mikä tarkoittaa noin 10 000 as./km² asukastiheyttä. Moodleen ladattu aineisto sisälsi pääkaupunkiseudun pohjoisosien väestötiedot, joten lähes vastaavan kokoinen alue oli mahdollista rajata Myyrmäestä, missä 2,0 km² alueella asui tietojen mukaan noin 16 000 asukasta, eli väestötiheys oli noin 8 000 as./km². Myös Kontulassa tiheys oli vastaavaa luokkaa, eli Malmin lentokentän alueesta on tulossa varsin merkittävän kokoinen urbaani asuinalue. Lähin raideliikenneyhteys löytyy Malmin asemalta, minne on kuitenkin lentokentältä lähes kahden kilometrin matka linnuntietä. Uudella alueelle onkin suunniteltu pikaraitiotietä.

Malmin lentokentän kohdalla lentomelua tarkasteltiin puhtaasti etäisyyteen perustuvilla puskureilla, mutta tosiasiassa lentomelun vaikutusalueeseen vaikuttavat maastonmuodot, sääolosuhteet ja etenkin lentokoneiden nousu- ja laskeutumissuunnat. Helsinki-Vantaan lentokentän osalta näistä oli tarkka aineisto, mitä pystyin hyödyntämään: 2 km säteellä kentästä asuu jopa 12 000 henkeä, mutta > 65 dB lentomelualueella asukkaita on vain noin 300 ja > 55 dB alueellakin hieman alle 12 000 (huom!. > 55 dB alue ulottuu myös Keravan puolelle, mutta väestöaineisto sisältää vain pääkaupunkiseudun kaupungit, joten tiedot eivät ole täydellisen kattavia). Huomionarvoista on myös, että kaikista 2 km säteellä asuvista vain 28 henkeä eli alle 0,23 % asuu > 65 dB lentomelualueella.

Nämä seikat osoittavat, että lentomelualueet ulottuvat paikoittain hyvin kauaskin kentästä, mutta vain tiettyihin suuntiin. Asuinalueiden sijaintia ja kiitoratojen suuntia tarkasteltaessa onkin huomattavissa, että melun vaikutus on otettu huomioon suunnittelussa. Tehtävänannossa kerrotaan, että kentällä tehtyjen rakennustöiden yhteydessä erään kiitoradan käyttösuunta on aiemmin jouduttu kääntämään niin, että koneet ovat lentäneet suoraan Tikkurilan ylitse. Tästä tilanteesta tehty bufferointi kertoo, että lentomelu on tällöin vaikuttanut yli 13 000 sellaiseen henkilöön, joihin se ei normaalisti vaikuta.

––––

Lentokenttien lisäksi tutkimme asukkaiden sijoittumista juna- ja metroasemien läheisyyteen. Noin 112 000 asukasta eli noin 22 % aineiston alueen asukkaista asuu alle 500 metrin päässä asemista. Tämä on mielestäni varsin pieni osuus, mutta esimerkiksi suurin osa metroverkosta jääkin aineiston rajauksen ulkopuolelle. Lisäksi vuodelta 2015 olevan väestöaineiston tuottamisen jälkeen muun muassa Kivistöön, Leinelään ja Koivukylään on rakennettu paljon uusia asuinrakennuksia radan läheisyyteen.

Asemien lähellä asuvasta väestöstä työikäisiä oli noin 67 %, mikä vastaa varsin tarkkaan koko Vantaan kaupungin 67,3 % osuutta. (Tilastokeskus, 2021) Itse olisin ehkä olettanut asemien läheisyydessä asuvan hieman enemmän työikäisiä.

––––

Lisäksi tarkastelin taajama-aluetietokantaa ja väestöä taajama-alueilla. Näistä kirjoitan vain lyhyesti, että noin 96,2 % väestöstä asui taajama-alueella. Kouluikäisistä noin 3,9 % asui taajama-alueen ulkopuolella, joten kouluikäisten taajama-aste oli suurin piirtein sama kuin koko väestön taajama-aste. Taajamatietokannan aluejaon mukaan 14 alueella yli 30 % väestöstä oli ulkomaan kansalaisia, 22 alueella yli 20 % ja 56 alueella yli 10 %.

Näiden tietojen pohtimiseen en käytä sen enempää aikaa, sillä taajama-alueen jako eri alueisiin oli mielestäni hieman outo eikä antanut paljoa lisätietoa.

––––

Viimeisenä tarkastelin pääkaupunkiseudun asuntoja putkiremonttitarpeen mukaan. Pääkaupunkiseudun yhteensä 90 725 asuinrakennuksesta 6 286 on rakennettu vuosina 1965–1970. Tätä ajanjaksoa rakennettujen asuntojen mielletään tässä tehtävässä olevan putkiremontin tarpeessa. Näistä rakennuksista 1 206 on kerrostaloja, ja niissä on yhteensä 39 002 asuntoa.

Yhteensä pääkaupunkiseudulla ajanjakson rakennuksissa asuu jopa 88 929 henkeä, joten putkiremontit tulevat vielä lähivuosina, niin kuin myös viime vuosina, vaikuttamaan monen ihmisen elämään.


Kuva 2. Kartta vuosina 1965–1970 rakennettujen asuinrakennusten lukumääristä ja osuuksista pääkaupunkiseudun eri alueilla.

Tein aineiston pohjalta kartan (kuva 2), joka näyttää millä alueilla kyseisenä ajanjaksona rakennettuja asuinrakennuksia on eniten niin absoluuttisesti kuin myös suhteellisena osuutena alueen rakennuskannasta. Piilotin aineistosta alueet, joilla asuinrakennuksia oli alle kymmenen, sillä muutama tällainen alue vääristi tilastoa ja sen luokkajakoa merkittävästi.

Tapulikaupungin ja Pakkalan alueilla aineistojen yhdistäminen tuotti virheen. Tähän olivat blogien perusteella törmänneet monet muutkin, kuten Henry Hemtman (25.2.2022) tehdessään tehtävää uima-altaista. Hänen mukaansa puutteelliset aineistot tai ongelmat niiden yhdistämisessä ovat olleet ongelma myös aiemmissa tehtävissä. Hemtman kertoo niiden myös heikentävän mahdollisuuksia aineistojen kattavaan analysointiin, mistä olen samaa mieltä.

Koroplettikartastani korostuvat etenkin Itä-Helsingin ja Länsi-Vantaan lähiöt sekä pientalopainotteisemmista alueista Pakila, Lauttasaari ja Kauniainen. Absoluuttisia lukumääriä tarkasteltaessa merkittäviä määriä remontointikohteita löytyy myös pääradan varren lähiöistä sekä monilta Etelä-Espoon alueilta.

Kantakaupungin alueella kohteita näkyy kartalla varsin vähän, sillä rakennuskanta on pääosin paljon vanhempaa. On kuitenkin huomionarvoista, että yhden putkiremontin jälkeenkään putket eivät kestä ikuisuuksia, vaan esimerkiksi 1930-rakennettuun taloon voi olla pian aika tehdä jo toinen putkiremontti. Tällaisia tapauksia kartta ei ota huomioon.

 

Lähteet

Helsingin kaupunki (n.d.). Malmin entisen lentokentän alue. Uutta Helsinkiähttps://www.uuttahelsinkia.fi/fi/malmi/lentokentänalue

Hemtman, H. (25.2.2022). Kursomgång 5: Buffert-analyser. GIS-vandring.

Tilastokeskus (2021). Tunnuslukuja väestöstä alueittain, 1990–2020. StatFinhttps://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__vrm__vaerak/statfin_vaerak_pxt_11ra.px/table/tableViewLayout1/

Kurssikerta 4: Tilastotietoa rakennustasolla – analyysejä SeutuData-tietokannasta

Pääkaupunkiseudun paikkatietoaineistoja sisältävä SeutuData-paketti, entiseltä nimeltään SeutuCD, on tarkin aineisto, johon olemme tällä kurssilla päässeet tutustumaan. Siinä kirjaimellisesti jokaisella ihmisellä on väliä, ja itse asiassa myös jokaisella talolla, sillä tietokanta sisältää kaikki pääkaupunkiseudun asuinrakennukset väestötietoineen.

Loimme aineiston päälle ruudukon ja Select by location ja join attributes by location -toimintojen avulla tuotimme ruututeemakarttoja erilaisista aiheista. Väestötietojen osalta aineisto sisälsi tiedon asukkaiden kansalaisuudesta (Suomi, muu), äidinkielestä (suomi, ruotsi, muu) ja iästä. Mielenkiintoista olisi ollut tarkastella myös esimerkiksi tulotietoja, joita ei kuitenkaan ollut saatavilla.


Kuva 1. 18–29-vuotiaiden osuus pääkaupunkiseudun väestöstä 1 x 1 km ruuduittain. Kartassa vain ruudut, joissa vähintään 10 asukasta.

Tein aineistosta kartan, joka esittää nuorten aikuisten osuutta väestöstä pääkaupunkiseudulla (kuva 1). Kartasta voidaan nähdä, että nuori väestönosa on keskittynyt pitkälti kantakaupungin alueelle sekä paikoittain lähijuna- ja metroverkon varrelle. Kaikkein tummimpina erottuvat Kallio lähialueineen sekä muutamat vahvasti opiskelija-asuntopainotteiset alueet, kuten Otaniemi ja Viikki.


Kuva 2. Vieraskielisten osuus pääkaupunkiseudun väestöstä 1 x 1 km ruuduittain. ”Jakajana” toimiva osuus 13,7 % on vieraskielisten osuus koko pääkaupunkiseudun väestöstä. Kartassa vain ruudut, joissa vähintään 10 asukasta.

Lisäksi tein kartan vieraskielisten osuudesta samassa ruudukossa. Usein tällainen muuttuja esitetään puhtaasti kasvavana asteikkona nollasta aina korkeimpiin osuuksiin asti, esimerkiksi valkoisesta punaiseksi muuttuvalla värityksellä. Vaikka segregaatiosta puhuttaessa keskitytään yleensä huono-osaisiin alueisiin – joilla tyypillisesti myös vieraskielisten osuus on korkea – on mielestäni tärkeää huomata myös hyväosaisten eriytyminen omille asuinalueilleen.

Alueellisesta eriytymisestä puhutaan usein esimerkiksi kouluihin liittyen, sillä koulut ovat yhä enenevissä määrin alueellisesti eriytyneitä. (Kuokkanen, 31.5.2021) Monissa Itä-Helsingin kouluissa, joissa vieraskieliset lapset ovat paikoittain jopa enemmistössä, on kieltämättä paljon haasteita, mutta koulu lähes sataprosenttisen kantasuomalaisella asuinalueella voi toisaalta johtaa siihen, että oppilaat eivät tapaa koulussa juuri yhtään maahanmuuttajia. Kuten monessa muussakin asiassa, niin myös tässä uskon kultaisen keskitien olevan monella tapaa hyvä vaihtoehto.

Siispä tein kartan niin, että pääkaupunkiseudun keskiarvoa suuremman osuuden vieraskielisiä sisältävät ruudut ovat oranssin (yli 50 % keskiarvoa enemmän vieraskielisiä) ja punaisen (yli 100 % keskiarvoa enemmän vieraskielisiä) sävyillä, ja keskimääräistä kantasuomalaisemmat ruudut puolestaan vihreällä (0–50 % keskiarvoa vähemmän vieraskielisiä) ja sinisellä (yli 50 % keskiarvoa vähemmän vieraskielisiä). Värivalinnat saattavat ehkä tahattomasti vaikuttaa puolueellisilta ja antaa negatiivisen kuvan korkeasta vieraskielisten osuudesta, mutta tämä väriskaala sopi parhaiten tällaiseen keskeltä jaettuun asteikkoon.

Kurssikerralla käytetty aineisto oli mielestäni erittäin mielenkiintoinen tarkkuutensa takia, mutta ruututeemakartoissa on myös omat ongelmansa. Vaikka pääkaupunkiseutu on maamme merkittävin kaupunkialue, on siitäkin suuri osa melko harvaan asuttua pientaloaluetta. Jos ruututeemakartassa haluaa esittää ilmiöitä suhteellisina osuuksina, syntyy harvaan asuttuihin ruutuihin helposti vääristymiä jo muutaman poikkeuksellisen tapauksen johdosta.

Itse poistin kartoista alle kymmenen asukasta sisältäneet ruudut, mutta Tuomas Hartikainen kertoo blogissaan (8.2.2022) menneensä vielä pidemmälle ja poistaneensa kaikki alle 100 asukkaan ruudut. Omissa kartoissani pääkaupunkiseudun reunoilla on havaittavissa yksittäisiä alueen yleisilmeestä poikkeavia ruutuja: esimerkiksi jos 15 asukkaan ruutuun osuu yksi 5 hengen vieraskielinen perhe, lasketaan ruutu jo huomattavan vahvasti vieraskieliseksi. Tällaisia ruutuja Hartikaisen kartoissa on paljon vähemmän, mikä voi antaa selkeämmän kuvan lukijalle.

Ongelmallista on kuitenkin, että samalla kartasta katoaa jo merkittävä osa etenkin harvaan rakennetuista omakotitaloalueista mm. Pohjois-Espoossa, mikä voi johtaa lukijaa harhaan ja antaa myös kuvan siitä, ettei tietyillä alueilla olisi asutusta yhtään. Lisäksi ruutujako on täysin satunnainen siinä mielessä, että se voi halkoa esimerkiksi esimerkiksi yhtenäisen kerrostaloalueen neljään osaan tai pitää sen kokonaisena riippuen ruudukon asettelusta karttapohjalle.

Näiltä haasteilta säästytään, jos käytetään jotain tilastollista aluejakoa, joka ottaa paremmin huomioon asukastiheyden erot ja yleisestikin kaupunkirakenteen. 1 x 1 km ruudukoidussa Helsingissä on hieman yli 200 yli kymmenen asukkaan ruutua, kun taas pienimpiä tilastollisen aluejaon alueita eli Helsingin osa-alueita on 148 kappaletta, joten osa-alueiden käyttö voisi tässä tapauksessa antaa yhtä mielekkään tai jopa mielekkäämmän tuloksen. Esimerkki osa-aluejakoa noudattavasta kartasta on nähtävissä ensimmäisen kurssikerran blogipostaukseni lopussa.

 

Lähteet

Hartikainen, T. (8.2.2022). 4. kurssikerta. Maa-gis-ta menoahttps://blogs.helsinki.fi/tuomhart/2022/02/08/4-kurssikerta/

Kuokkanen, K. (31.5.2021). Mitä koulujen voimakkaasti kasvaville eroille pitäisi tehdä? Näin Helsingin johtavat poliitikot vastaavat. Helsingin Sanomat.
https://www.hs.fi/kaupunki/art-2000007991979.html

Kurssikerta 3: Sambesilta Siikajoelle – luokittelua ja yhdistelyä

Kolmannella kurssikerralla etenimme perustyökaluista hieman syvemmälle QGIS:n ihmeelliseen maailmaan, tutkimaan erilaisia valintoja ja taulukoiden yhdistämistä. Pöytä oli laitettu koreaksi maanantai-iltaa varten, ja tarjolla oli monenmoista tietokantaa muun muassa öljykentistä, timanttikaivoksista ja alueellisista konflikteista. Yhdistämällä tietoja eri tietokannoista pystyimme tarkastelemaan esimerkiksi konfliktien määrän ja timanttikaivosten määrän välistä korrelaatiota.

Aineistosta totesimme, että monissa timantintuottajamaissa oli huomattavan paljon konflikteja, joskin poikkeuksiakin löytyi niin suuntaan kuin toiseen. Esimerkiksi yksi Saharan eteläpuolisen Afrikan vakaimmista valtioista, Botswana, on vaurastunut ja kehittänyt yhteiskuntaansa pitkälti timanteista saaduilla tuotoilla. Lisäksi ajattelen, että timanttikaivosten ja konfliktien määrän tarkastelun sijaan kuvaavampaa olisi katsoa esimerkiksi konflikteissa kuolleiden tai loukkaantuneiden lukumäärää ja louhituista timanteista saatuja kokonaistuloja, sillä yksittäistä konfliktia on usein vaikea rajata ja timanttikaivokset ovat keskenään hyvin erikokoisia.

Lisäksi tarkasteltavana oli tilasto internetin ja Facebookin käyttäjistä Afrikan eri valtioissa eri vuosina. Tällaisia tilastoja tarkastelemalla voi yleisellä tasolla tutkia ja vertailla kehityskulkuja eri maissa, sekä pohtia esimerkiksi luonnonvaroilla vaurastumisen vaikutusta internetin käytön yleistymiseen. Tilanteeseen vaikuttavia tekijöitä on kuitenkin lukuisia, ja kuten Olivia Timisjärvi (7.2.2022) kertoo blogissaan, monissa maissa varallisuuden epätasainen jakautuminen tai jopa kulkeutuminen valtioiden ulkopuolelle hidastaa kehitystä.  Aineistojen tulkintamahdollisuuksia heikentää myös niiden epätarkkuus ja epäluotettavuus etenkin vähiten kehittyneissä maissa.

––––

Afrikan maiden jälkeen katse siirrettiin takaisin Suomeen tarkastelemaan Suomen järviä. Luonnonmaantiede ei ole omaa huippuosaamisalaani, joten esimerkiksi ali- ja ylivirtaaman sekä tulvaindeksin tarkat määritelmät olivat uutta asiaa.

Tehtävänä oli tuottaa kartta Suomen päävaluma-alueista ja niiden tulvaindeksistä ja järvisyydestä. Päädyin kokeilemaan haastavampaa versiota ja laskemaan valuma-alueiden järvisyyden manuaalisesti annetuista aineistoista, mikä osoittautui kuitenkin hyvin ärsyttäväksi: aineistojen rajat eivät täsmänneet ja paikoittain sama järvi ulottui osittain useammalle valuma-alueelle, mikä tuotti suuria ongelmia.

Kun olin lopulta saanut luvut vastaamaan suurin piirtein oikeaa järvisyysprosenttia, ei QGIS:in kaaviotoiminto ollut kovin yhteistyökykyinen ja kieltäytyi näyttämästä pylväitäni. Sammutin GIS-luokan koneen ja lähdin kotiin, missä myöhemmällä yrittämällä pylväät tietysti toimivat ongelmitta.


Kuva 1. Suomen päävaluma-alueiden tulvaindeksit, keskiylivirtaama jaettuna keskivirtaamalla. Merkitty myös alueiden järvisyysaste.

Lopulta sain siis esitettyä tulvaindeksin oheisen näköisellä kartalla (kuva 1). Omassa kartassani olen käyttänyt keskiylivirtaamaa keskivirtaamaan vertaavaa indeksiä, jonka tulokset ovat hieman erilaiset kuin keskiylivirtaamaa keskialivirtaamaan verrattaessa, sillä käyttämäni indeksi ei huomioi erityisen kuivia kausia. ne eivät Joka tapauksessa kartta näyttää, että tulvaindeksi on selvästi suurin niillä alueilla, missä järvisyysaste on alhainen. Erityisen tulva-alttiita ovat monet Pohjanmaan joet.

Selkeyden vuoksi poistin valmiilta kartalta joet sekä pienimmät järvet. Jokien poistaminen oli hieman harmillista, sillä ne ovat melko olennaisia kartan aiheen kannalta, mutta niiden suuri määrä sai kartan vaikuttamaan hyvin sekavalta. Yritin myös poistaa pienimpiä saaria, mutta niiden karttataso oli rakennettu jollain erikoisella tavalla, mikä teki tehtävästä turhan vaikean.

 

Lähteet

Timisjärvi, O. (7.2.2022). Suoraan syvään päätyyn. Olivian Blogihttps://blogs.helsinki.fi/tfolivia/2022/02/07/viikko-3-suoraan-syvaan-paatyyn/

Kurssikerta 2: Mittailua, perustyökalujen opettelua ja projektioiden vertailua

Toisella kurssikerralla QGISin käyttö lähtikin jo selvästi helpommin käyntiin, ja luennolla kävimme läpi lukuisia hyödyllisiä perustyökaluja. Esimerkiksi erilaisten valintatyökalujen käyttö jäi melko pintapuoliseksi, mutta antoi hyvän ensikosketuksen myöhempiä harjoituksia ja luentoja varten.

Päivän varsinaisena aiheena oli eri karttaprojektioiden ja niistä aiheutuvien pituus- ja pinta-alavääristymien vertailu. Koordinaattijärjestelmän ja projektion vaihtaminen käy QGISissä varsin nopeasti, mutta mittatyökalun käyttö ja saman mitattavan alueen säilyttäminen mittauksesta toiseen aiheutti hieman päänvaivaa.

Taulukko 1. Pituuksien ja pinta-alojen vääristymät Pohjois-Suomessa sijaitsevalla alueella eri karttaprojektioissa.

Taulukko 1 kuvaa eri projektioiden aiheuttaman virheen suuruutta mitattaessa Pohjois-Lapissa sijaitsevan kohteen pituutta ja pinta-alaa. Suomen kuvaamiseen erityisesti tarkoitettu ETRS-TM35FIN antaa lähes täydellisen todenmukaiset mitat, kun taas Robinsonin projektio tuottaa jo huomattavan virheen antaen lähes puolitoistakertiasen pinta-ala-arvon.

Robinsonin projektio kuului kuitenkin kauan suosituimpien projektioiden joukkoon ja sen voisi sanoa pitäneen ajoittain jopa suosituimman projektion titteliä maailmankarttatasolla. Merkittävästä vääristymästä huolimatta se voidaan kuitenkin todeta selvästi paremmaksi vaihtoehdoksi kuin Mercatorin projektio, joka vääristää alueen pinta-alan peräti kahdekankertaiseksi todelliseen verrattuna.

Rajapintaa käyttämällä QGISiin voitiin tuoda karttataso Suomen kunnista, jonka avulla karttaprojektioiden välisiä eroja oli mahdollista esittää selkeämmin. Esimerkiksi Mercatorin projektio aiheuttaa sitä suuremman vääristymän mitä lähempänä pohjois- (tai etelä)napaa alue sijaitsee, mikä näkyy oheisessa kuvassa 1.


Kuva 1. Suomen kuntien pinta-ala Mercator-projektiossa (kertaa ETRS-TM35FIN mukainen pinta-ala). Vääristymä on suurin Pohjois-Suomessa.

Samansuuntaisia vääristymiä voidaan nähdä useimmissa muissakin maailmankartoista tunnetuissa projektioissa, kuten Eeva Rakin (26.1.2022) blogissaan havainnollistamassa Winkel-Tripel-projektiossa. Poikkeuksellisen näköisen kartan sain kuitenkin tuotettua vertaamalla YK:n lipustakin tuttua pohjoisnapaan keskitettyä oikeakeskipituista tasoprojektiota, jossa pinta-alavääristymät pohjoisessa ovat erittäin pienet, ja mikä olennaisinta, riippuvaisia ainoastaan leveyspiiristä.

ETRS-TM35FIN käyttää poikittaista Mercatorin projektiota. Siinä missä perinteinen Mercator laajentaa napa-alueet suhteettoman suuriksi, laajentaa ETRS-TM35FIN lievästi keskimeridiaanistaan 27° E kauimpana olevia alueita eli Suomen läntisimpiä ja itäisimpiä osia.


Kuva 2. Suomen kuntien pinta-ala oikeakeskipituisessa tasoprojektiossa (kertaa ETRS-TM35FIN mukainen pinta-ala). Projektioiden välinen suhde tuottaa kaarevat vyöhykkeet.

Koska oikeakeskipituisen tasoprojektion aiheuttamat vääristymät Suomen leveysasteilla ovat hyvin vähäisiä, voidaan näiden kahden projektion vertailusta huomata myös ETRS-TM35FIN-järjestelmän aiheuttama vääristymä lännessä ja idässä. Lopputuloksena on kuvassa 2 esitetyn kaltainen kartta kaarevine vyöhykkeineen, sillä reunoilla ETRS-TM35FINin aiheuttama pituuspiiristä johtuva laajentuma on samansuuntainen kuin oikeakeskipituisen tasoprojektion aiheuttama leveyspiiristä johtuva laajentuma, mikä häivyttää projektioiden välistä eroa. Vielä selkeämpi esimerkki tästä on nähtävissä Lotta Sainion (27.1.2022) blogissa, missä hän vertaa ETRS-TM35FIN-järjestelmää Bonnen projektioon.

Projektioiden välisten suhteiden ja ajoittain toisiaan vahvistavien, toisinaan toisiaan kumoavien, vääristymien hahmottamisessa meni itsellänikin hyvä tovi, mutta se on samalla hyvä esimerkki siitä, ettei edes ETRS-TM35FIN kaikessa tarkkuudessaan pysty kuvaamaan Suomen pinta-aloja täydellisesti.

 

Lähteet

Raki, E. (26.1.2022). 2. Kurssikerta: Aineistojen pyörteissä. Oppimassa geoinformatiikkaahttps://blogs.helsinki.fi/eevaraki/2022/01/26/2-kurssikerta/

Sainio, L. (27.1.2022). Viikko 2: projektioiden maailma. Mantsailua – Lotta Sainiohttps://blogs.helsinki.fi/salotta/2022/01/27/viikko-2-projektioiden-maailma/

Kurssikerta 1: QGISiin tutustuminen ja siitä innostuminen

Fuksisyksyn aikana MAA-104- ja osin myös MAA-201-kurssilla saatu pintaraapaisu geoinformatiikkaan sai minut kiinnostumaan entistä enemmän tästä maantieteen osa-alueesta, jota ei lukion maantieteen kursseilla paljoa ehditty käsittelemään. Siispä myös odotukseni tätä kurssia kohtaan olivat melko korkeat.

Ilman turhia viivyttelyjä aloimme jo ensimmäisellä kurssikerralla tutustumaan QGIS-paikkatieto-ohjelmaan ja sen käyttöön. Yhdessä tehtävässä olin QGISiä käyttänyt jo eräällä aiemmalla kurssilla, mutta ohjelma oli silti vielä varsin vieras minulle. Yleisellä tasolla koen myös, etteivät avoimen lähdekoodin ohjelmat aina anna kovin käyttäjäystävällistä tai selkeää ensivaikutelmaa, mutta pienen harjoittelun jälkeen huomaa niiden tarjoavan lähes yhtä hyvät ellei paremmat työkalut kuin kaupalliset vastineensa.


Kuva 1. Itämeren typpipäästöt valtioittain.

Ensimmäisen luentokerran harjoitus Itämeren typpipäästöjen alueellisen jakautumisen esittämisestä koropleettikartalla (kuva 1) sujui melko suoraviivaisesti ja onnistui hyvin. Esitystavassa on kuitenkin joitain seikkoja, joita muuttamalla kartasta voisi tulla vielä parempi. Järvet erottuvat kartalla mielestäni turhan tarkasti ja tekevät kokonaisuudesta esteettisesti hieman sekavan, antamatta kuitenkaan kovin paljoa olennaista tietoa.

Toisaalta Eemil Sillankorva (24.1.2022) huomauttaa blogissaan, että karttaan ei ole merkitty jokia. Tämä on mielestäni hyvä huomio, ja olen samaa mieltä Sillankorvan kanssa siitä, että ne havainnollistaisivat typpipäästöjen reitit Itämereen hyvin ja olisivat siksi ehkä hyödyllisempiä merkitä karttaan kuin pienimmätkin järvet.

Vasta blogikirjoitusta tehdessäni huomasin, että karttaan on merkitty esimerkiksi Saksan järviä vain maan koillisosasta, mutta toisaalta myös aineiston ulkopuolelle jääneellä Valko-Venäjällä näkyy paljon järviä. Tutkittuani asiaa selvisi, että aineistossa ovat mukana kaikki järvet koko Itämeren valuma-alueelta, joka ulottuu aina Tšekkiin ja Slovakiaan asti. Tällöin voi myös arvella, että esimerkiksi Valko-Venäjältä virtaavat typpipäästöt on saatettu kirjata osaksi esimerkiksi Liettuan ja Latvian päästöjä, jos ne lopulta kulkeutuvat jokia pitkin näiden maiden läpi mereen. Toisaalta voi myös olla, ettei niitä ole otettu mukaan tilastoon ylipäätään.

Valuma-alueen merkitseminen karttaan voisi myös helpottaa kartan tulkitsemista. Nyt esimerkiksi Venäjän päästöt näyttäytyvät selvästi pienempänä kuin Puolan, mutta tämä johtunee pitkälti siitä, että Venäjästä vain pieni osa kuuluu Itämeren valuma-alueeseen, kun taas Puola kuuluu lähes kokonaan. Lisäksi tulkinnassa tulee huomioida, että eri valtioiden väkiluvut eroavat merkittävästi toisistaan: Puolan väkiluku on noin seitsemänkertainen Suomeen verrattuna, joten myös isompia kokonaispäästöjä voidaan ehkä siten pitää oikeutettuina.

Karttani on mielestäni ulkoasultaan selkeä. Ajattelen kuitenkin, että syvyyskäyrät eivät tuo siihen juurikaan hyödyllistä lisätietoa, ja että ne voisi näin ollen jättää pois selkeyden lisäämiseksi. Punaisen sävyt sopivat hyvin kuvaamaan lähtökohtaisesti negatiivista ilmiötä eli typpipäästöjä.

Typpipäästökartan lisäksi pääsin tekemään Suomen kunnista vapaavalintaisen koropleettikartan. Latasin karttapohjan QGISiin Tilastokeskuksen WFS-rajapinnan kautta ja etsin sitten Tilastokeskuksen sivuilta mielenkiintoisia tilastoja kartalla esitettäväksi.


Kuva 2. Eduskuntavaalien 2019 äänestysprosentti kunnittain. (Tilastokeskus, 2019)

Päädyin tuottamaan kartan eri kuntien äänestysaktiivisuudesta vuoden 2019 eduskuntavaaleissa (kuva 2). Latasin aineiston Excel-muotoisena Tilastokeskuksen StatFin-tietokannasta ja muokkasin sitä niin, että sain käytettyä kolminumeroista kuntanumeroa yhteisenä sarakkeena ja siten yhdistettyä tiedot karttapohjaan Join-toiminnolla. Tämän harjoituksen tein itse asiassa vasta kolmannen kurssikerran jälkeen, joten tämä haastavampikin vaihtoehto sujui hyvin.

Kartasta voidaan huomata, että äänestysaktiivisuus on keskimäärin selvästi korkeampi Länsi- kuin Itä-Suomessa. Kaikkein aktiivisimpana alueena erottuu selvästi Pohjanmaa. Tällainen selkeä ero tuntui aluksi hieman yllättävältä, mutta toisaalta myös ymmärrettävältä, sillä monilla muillakin mittareilla maamme läntiset osat menestyvät itää paremmin. Esimerkiksi Arttu Granat (20.1.2022) esittelee blogissaan kartan Suomen kuntien työttömyysasteesta, ja karttoja vertaillessa voi huomata yleisen trendin: matala työttömyysaste ja korkea äänestysaktiivisuus kulkevat pitkälti käsi kädessä.

Blogin kirjoittamisen aloittaminen ei aivan kurssin alussa meinannut innostaa, mutta itse QGIS innosti sitäkin enemmän: tämän blogipostauksen julkaisen vasta nyt, mutta jo ensimmäisellä kurssiviikolla päädyin omalla ajalla testailemaan esimerkiksi rajapintojen käyttöä ja tekemään Helsingin seudun avoimien tilastotietokantojen aineiston pohjalta esimerkiksi kartan nuoren vieraskielisen väestön alueellisesta jakautumisesta pääkaupunkiseudulla (kuva 3).


Kuva 3. Vieraskielisten osuus alle 16-vuotiaasta väestössä Helsingin osa-alueittain vuonna 2020. (Helsingin kaupunginkanslia, 2021)

Alueellinen eriytyminen pääkaupunkiseudulla on minua kiinnostava ilmiö, joten ajattelin tällaisen kartan olevan kiinnostava. Lisäksi valitsin tarkasteltavaksi alle 16-vuotiaat, sillä nuoressa väestönosassa eriytymistrendit näkyvät yleensä selkeämmin ja aikaisemmin kuin koko väestöä tarkasteltaessa. Kartasta voidaan huomata kuinka suurimmassa osassa kantakaupunkia ja kaupungin pohjoisosia vieraskielisten nuorten osuus on alle 20 %, mutta viidellä Itäisen suurpiirin osa-alueella he muodostavat jopa enemmistön ikäluokasta.

Datan muokkaaminen QGISille ja Join-toiminnolle sopivaan muotoon oli aikaavievää, mutta uskon senkin nopeutuvan ja helpottuvan ajan myötä, kun harjoitusta tulee enemmän. Arvelen, että tulen tekemään erilaisia karttoja kiinnostavista aiheista myös tulevaisuudessa ja mahdollisesti myös keräämään niitä jollekin sivulle.

Erityisesti haluaisin tehdä koko pääkaupunkiseudun kattavia karttoja, joissa eri kaupunkien aluejakojen mukaiset tiedot yhdistyvät yhtenäiseksi kokonaisuudeksi. Tällaisia karttoja näkee harmi kyllä melko harvoin, vaikka pääkaupunkiseutu on melko yhtenäinen kaupunkialue, missä alueellisen eriytymisen trendit eivät juuri välitä kaupunkien välisistä rajoista.

Tähän päättyy tämä huomattavan pitkäksi paisunut ensimmäinen blogipostaukseni. Pyrin alkavan viikon aikana jakamaan blogiin myös toisen ja kolmannen kurssikerran fiilikset.

 

Lähteet

Granat, A. (20.1.2022). Ensimmäisen viikon harjoitukset. Garttu’s bloghttps://blogs.helsinki.fi/garttu/2022/01/20/hello-world/

Helsingin kaupunginkanslia (2021). Helsingin väestö äidinkielen ja iän mukaan 31.12. Helsingin seudun avoimet tilastotietokannathttps://stat.hel.fi/pxweb/fi/Aluesarjat/Aluesarjat__vrm__vaerak__pksoa/A03S_HKI_Vakiluku_aidinkieli.px/

Sillankorva, E. (24.1.2022). Ensimmäinen kurssikerta – QGIS lämmittelyä, typpeä ja kuntadataa. Eemilin mantsa-blogihttps://blogs.helsinki.fi/sillanko/2022/01/24/ensimmainen-kurssikerta-qgis-lammittelya/

Tilastokeskus (2019). Äänestystiedot eduskuntavaaleissa 2019. StatFinhttps://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__vaa__evaa__evaa_2019/120_evaa_2019_tau_102.px/