Viimeinen kurssikerta ja jatkoa tulivuorikartoille

Viimeisellä kurssikerralla saimme varsin vapaat kädet karttojen tekemiseen: aineisto piti hakea itse, ja päättää, mitä halusi esittää kartallaan. Edellisellä kurssikerralla inspiroiduin kunnolla opetusmateriaalien tuottamisesta, ja keksin jo tuolloin, että tarpeisiini kuuluu myös kartta, joka havainnollistaisi kerros- ja kilpitulivuorten sekä hotspot-tulivuorten sijaintia. Lukion maantieteen oppikirjoissa yleensä esitellään tulivuorityypeistä kerros- ja kilpitulivuoret sekä kuumien pisteiden tulivuoret. Niiden sijainnista myös yleensä mainitaan, että kerrostulivuoret sijaitsevat tyypillisesti alityöntyvyöhykkeillä ja kilpitulivuoret tyypillisemmin erkanemisvyöhykkeillä (esim. Cantell ym. 2016). En kuitenkaan ole löytänyt tätä eroa järkevästi kuvaavaa karttaa, joten päätin siis itse luoda sellaisen. Lopputulos kerros- ja kilpitulivuorien osalta näyttää tältä:

Kuva 1. Kartta kerros- ja kilpitulivuorista sekä litosfäärilaattojen reunoista. Lähteet: laattatektoniikka, Earthquake Hazards Program, USGS, ja tulivuoridata, Smithsonian Institution, Global Volcanism Program (2013).

Datan karttaa varten latasin Smithsonian instituutin Global Volcanism -projektista. Palvelu antaa valitan tulivuoridataa katsoessa, minkä tyyppisiä tulivuoria valittuun dataan sisällytetään. Valitsin hakutoiminnon avulla aineistooni tulivuoret, joiden purkautumisen päivämäärä on selvitetty, ja joista on sivuston mukaan luotettavia todisteita. Tämän jälkeen rajasin hakuni ensin kerrostulivuoriin, ja sitten kilpitulivuoriin. Taustakarttana käytin samaa karttaa, kuin viime kurssikerralla, sillä halusin karttani sopivan tähän tulivuorikarttasarjaani.

Hotspot-tulivuorten visualisointi

Edellä kuvaamani osuus datan hankkimista meni siis aika kevyesti. Päätin kuitenkin, että kun nyt kerran teen tämän kartan, niin esitän sitten samalla hot spot -tulivuoretkin, sillä opiskelijoille havainnollisinta olisi käydä nämä asiat samantyyppisillä kartoilla, jotta tulivuorityyppien ero hahmottuu. Tässä kohtaa minulle kuitenkin valkeni kunnollisen datan löytämisen vaikeus: dataa hotspot-tulivuorista ei löytynyt sitten mistään. Ilmeisesti tämä johtuu siitä, että tulivuoren määrittelemisestä “hotspot”-tulivuoreksi ei olla kovin yksimielisiä, ja pelkän Wikipedian listauksen perusteella en kuitenkaan tohtinut alkamaan uskottavuuden vuoksi tuottamaan karttaa.

Arttu kuitenkin osasi vinkata, että Matti oli viime kurssikerralla käyttänyt “distance to nearest hub” -analyysityökalua visualisoimaan maanjäristysten ja tulivuorten etäisyyksiä. Idea oli loistava, ja Matti suostuikin avuliaasti näyttämään minulle, miten se toimii. Kiitos tästä! Artun idea oli, että voisin tämän työkalun avulla ikään kuin manuaalisesti selvittää, mitkä tulivuoret ovat laattojen keskikohdissa, ja siten määritellä ne hotspot-tulivuoriksi. 

Määrittelin siis hotspot-tulivuoriksi ne tulivuoret, joissa etäisyys litosfäärilaattojen reunoihin oli selvästi pitempi. Jokin bugi tässä distance to nearest hub -toiminnossa kuitenkin oli, sillä monesta yrityskerrasta huolimatta osa tulivuorista ei suostunut luomaan viivaa litosfäärilaattaan, ja esimerkiksi Islannin kohdalla viivat osoittivat jonnekin aivan muualle kuin laatan reunakohtaan. Toiminto kuitenkin auttoi hahmottamaan, mitkä tulivuorista voisivat olla kuumien pisteiden tulivuoria. Alla hotspot-tulivuorikarttani:

Kuva 2. Hotspot-tulivuoret. Lähteet: laattatektoniikka, Earthquake Hazards Program, USGS, ja alkuperäinen tulivuoridata, Smithsonian Institution, Global Volcanism Program (2013). Hotspot-tulivuoret määritelty itse.

Eihän tämäkäään metodi maailman tieteellisin ole, mutta lukiolaisille tämä tarkkuus on kuitenkin opetustarkoituksessa aivan riittävä: kartan tehtävä on kuitenkin vain havainnollistaa sitä, että hotspotit ovat kuumia pisteitä, joissa tulivuori muodostuu keskelle litosfäärilaattaa, eikä pohtia sitä, mitkä tulivuoret voidaan luotettavasti määritellä hotspot-tulivuoriksi.

Litosfäärilaattojen reunakohtien lisääminen

Yksi osa karttani tuottamista oli myös mannerlaattojen reunakohtien lisääminen. Helppo homma, tai niinhän sitä luulisi… Etsin kuitenkin todella pitkään ensinnäkin litosfäärilaatta-aineistoa, joka olisi opetustarkoitukseen sopiva. Päädyin käyttämää USGS:n materiaalia, joka oli kuitenkin mielestäni liian tarkka opetuskäyttöön tulevaan karttaan. Niinpä siistin litosfäärilaattojen (ja erityisesti mikrolaatta) toggle editing -työkalun avulla, jotta kartta olisi helpommin luettavissa. Vaikka USGS:n materiaali olikin hieman turhan yksityiskohtaista, halusin käyttää sitä, sillä siinä Afrikan laatan halki kulkeva Itä-Afrikan hautavajoama on kuvattu, ja kartassani se on olennaisena selittävänä tekijänä tulivuorten klusterille keskellä Afrikan laattaa.

Edelleen lopullisessa kartassa on kuvattuna joitakin litosfäärilaattojen reunoja, joita olisin halunnut yksinkertaistaa, sillä ajatuksissani karttani näytti vastaavalta kuin tämä Wikipedian kartta litosfäärilaatoista. Toisaalta nyt karttani tarjoaa mahdollisuuden keskustelun käymiseen siitä, miten litosfäärilaattojen rajat eivät ole aivan niin yksinkertaisia kuin oppikirjat antavat ymmärtää.

Alunperin ajattelin myös, että olisin visualisoinut kartassani myös litosfäärilaattojen kulkusuunnat alleviivaamaan kerros- ja kilpitulivuorien eroja. Päädyin kuitenkin siihen, että opiskelijoille on antoisampaa, mikäli he joutuvat itse merkitsemään nämä nuolet karttoihini (joko LibreDraw:lla tai vanhanaikaisesti monisteelle). Tämä lisätehtävä toimii hyvänä kertauksena ja auttaa tarkastelussa eteenpäin, minkä jälkeen muistijälki tulivuorityyppien sijainnista jää ehkä paremmin mieleen.

Loppusanat

Kaiken kaikkiaan olen tyytyväinen karttoihini. Tulen todennäköisesti käyttämään niitä lukion maantieteen syventävällä luonnonmaantieteen kurssilla, sillä kaikille pakollisella ykköskurssilla, jossa tulivuoriasiat ensimmäisen kerran käsitellään, ei näin yksityiskohtainen tieto tulivuorityypeistä ole mielestäni oleellista. Aion tehdä näistä kartoista tehtävämonisteen, jossa opiskelijan pitää lisätä laattojen kulkusuunnat, ja pyrkiä itse huomaamaan, mitä eroa kilpi- ja kerrostulivuorten sijoittumisella on. Myönnän, että tämä ero ei ehkä ole aivan heti päivänselvä karttaa katsoessa, mutta pidemmällä tarkastelulla trendit ovat kyllä mielestäni havaittavissa.

Nyt kun ajattelen asiaa näin jälkikäteen, olen oppinut tällä kurssilla aivan valtavasti. En olisi uskonut, että osaisin ikinä elämässäni tuottaa itse haluamastani datasta karttoja sähköisesti, mutta nyt pystyn visualisoimaan perusdataa valitsemallani karttapohjalla ja saamaan myös esille haluamiani ilmiöitä erilaisilla QGis:n työkaluilla. Koen, että opin kurssilla QGis:n käytöstä juuri tarpeeksi tulevaisuuden tarpeisiini: minulle riittää, että pystyn visualisoimaan suhteellisen simppeleitä juttuja haluamallani tavalla. Vaikka kurssin alussa minulla olikin aika epätoivoinen olo QGis:n käytöstä, koen nyt, että olen voittanut itseni. Lisäksi olen huomannut kurssin aikana, että kartoista aiemmin sen kummemmin piittaamattomana biologina kartat ovatkin yllättäen muuttaneet merkitystään silmissäni: kartat eivät todellakaan enää ole minulle vain nopealla vilkaisulla kuitattavia kuvia vaan valtavasti tietoa, valintoja ja  merkityksiä sisältäviä kokonaisuuksia. 

Lähteet:

Global Volcanism Program. Volcanoes of the World, v. 4.6.6. Venzke, E (ed.). Smithsonian Institution. (2013) Luettu 7.3.2018. <https://dx.doi.org/10.5479/si.GVP.VOTW4-2013>

Cantell, H., Jutila, H., Lappalainen, S. ja Sorvali, M. (2016). Geos 2: Sininen planeetta. 10. p. 157 s. Sanoma Pro Oy, Helsinki.

Hästbacka, Matti. (8.3.2018) Round VI: Paikkatiedon elämänkaari <https://blogs.helsinki.fi/madhastb/2018/03/08/round-vi/> Luettu 7.3.2018.

Earthquake Hazards Program. USGS. Luettu 7.3.2018 <https://earthquake.usgs.gov/learn/kml.php>

Tulivuorenpurkaus- ja maanjäristyskarttoja opetuskäyttöön

Lämmittelyä pakkasessa

Seitsemäs kurssikerta alkoi reippailulla kevyessä parinkymmenen asteen pakkasessa. Keräsimme aineistoa Epicollect5-nimisellä sovelluksella liittyen erilaisten julkisten tilojen viihtyvyyteen. Epicollect5 oli minulle jo toiselta kurssilta tuttu, ja sovellus on kyllä varsin kätevä. Näin opettajaopiskelijana näen paljon mahdollisuuksia sovelluksen hyödyntämiseen yläasteella ja lukiossa paikkatiedon opiskelussa: sovellus on nimittäin projektin luonnin jälkeen varsin helppokäyttöinen tiedon kerääjälle, ja tiedon kerääminen onnistuu kätevästi mobiililaitteilla. Testailimme sovelluksella keräämämme tiedon visualisoimista QGis:llä, mikä oli minulle uutta, ja varsin tervetullutta. Myös seuraava harjoitus, jossa teimme kaupunkitutkimusta QGis’n ja Googlen streetview’n kanssa oli mielestäni todella mielenkiintoinen, sillä harjoitus olisi sellainen, jota voisin ajatella varsin hyvin vetäväni esimerkiksi lukiolaisille.

Karttojen tuottamista maanjäristys- ja tulivuorenpurkausdatasta

Loppu kurssikerrasta kului kuitenkin omien karttojen tuottamisen parissa. Tälläkin kerralla saimme vapaat kädet sen suhteen, millaisia karttoja halusimme tuottaa annetuista aiheista. Koska blogitehtävänantokin ohjasi pohtimaan karttojen käyttöä opetuksessa, päädyin tuottamaan sellaisia karttoja, joita olisin itse kaivannut opettaessani tulivuorista lukiolaisille. Hassua, miten paljon tämä opetuslinkki karttojen tuottamisessa yhtäkkiä motivoikin minua Qgis:n käyttöön: ensimmäistä kertaa kurssilla olin aika innoissani siitä, mitä voisin ohjelmalla tuottaa. Tajusin nyt myös, miten hyödyllinen taito Qgis:n käytön osaaminen on maantieteen opettajalle. Ainakin ilmiöistä, joista on saatavilla Qgis:n helposti siirtyvää dataa, saa suhteellisen pienellä vaivalla juuri sellaisia karttoja kuin tarvitsee. Tällä kerralla opimmekin myös muuntamaan eri lähteistä peräisin olevaa taulukkomuotoista dataa sellaiseen muotoon, että QGis ymmärtää sen. Maanjäristyskarttani näyttävät tältä:

 

Kuva 1. Maanjäristykset 5 Richterista lähtien 1/2002–2/2018
Kuva 2. Maanjäristykst 6 Richterista lähtien 1/2002–12/2017
Kuva 3. Maanjäristykset 8 Richterista lähtien 1/2002–2/2018

Pidän karttojeni ulkoasusta ja selkeydestä. Osissa niistä tulivuorten ja maanjäristysten symbolit menevät paikoittain pahastikin limittäin ja lomittain, mutta koska kartat tulevat opetuskäyttöön, en näe siinä mitään ongelmaa. Mielestäni tämä on jopa ihan hyvä, sillä näitä nimenomaisia karttoja käyttäisin esittämään tulivuorten ja maanjäristysten sijoittumista laattojen reunakohdille, ja reunakohdat mallintuvat kartalle sitä tarkemmin, mitä enemmän kuvioita kartalla on. Mikäli oppilaiden tulisi tarkastella yksittäisiä maanjäristyksiä tai tulivuoria, eivät nämä kartat toki olisi kovin hyödyllisiä, mutta karttojen esittämien aiheiden esittelyyn ja suurten linjojen tutkimiseen ne sopivat loistavasti.

Plussana kartoissani on myös se, että niissä ei ole mitään ylimääräistä, joten ne ovat oppilaille kevyitä tarkastella. Esimerkiksi tämän linkin takaa löytyvä kartta (kuten monet Googlen kuvahausta nousevat kartat) on aika täynnä kaikenlaista käyttötarkoituksiini ylimääräistä tietoa, joka inhottavasti puurouttaa karttaa ja tekee tarkastelusta hankalampaa. Toisaalta esimerkiksi tämä National Science Foundationin maanjäristyskartta taas tarjoaa aika olennaista lisätietoa onnistuen silti säilymään selkeänä. Jättäisin kuitenkin tämänkin kartan aiheen syventämiseen, sillä uskon, että aiheeseen tutustuttaessa on parasta pitää esimerkit ja kartat mahdollisimman yksinkertaisina ja helposti lähestyttävinä.

Kokeilin tehdä maanjäristyskarttoja eri Richterin arvoilla, ja lisäsin ne kaikki tähän, sillä uskon voivani hyödyntää kaikkia tuottamiani karttoja opetuksessa. Ensimmäinen kartta (Kuva 1), jossa maanjäristykset on kuvattu viidestä Richteristä eteenpäin (vuodesta 2002 nykyhetkeen), on todella täynnä pisteitä. Tällä kartalla olisi erityisen hyvä havainnollistaa mannerlaattojen sijaintia suhteessa maanjäristysten tapahtumiseen, sekä herätellä oppilaita näkemään, miten yleisiä maanjäristykset oikeasti ovat. Olennainen trendi maanjäristysten sijoittumisesta erottuu kuitenkin myös jo toisesta kartastani (kuva 2), jossa maanjäristykset on esitetty samalta ajanjaksolta mutta kuudesta Richteristä lähtien. Saattaisin siis kartan selkeyden takia aloittaa tällä kartalla, ja näyttää sen jälkeen oppilaille, miten yleisiä maanjäristykset ovat, jos otetaan mukaan tarkasteluun vähemmän voimakkaat järistykset.

Kolmas maanjäristyskarttani (kuva 3) sen sijaan näyttää suoraan sanottuna vähän säälittävältä. Pisteitä on vain muutama, mutta suurentamalla niitä olisin peittänyt Japanin alueen maanjäristykset toistensa alle. Kartta olisi todennäköisesti ollut parempi, jos olisin ottanut mukaan aineistoa pidemmältä aikaväliltä kuin toisissa maanjäristyskartoissani. (kuvat 1 ja 2). Toisaalta sillä voi edelleen havainnollistaa oppilaille, miten paljon harvinaisimpia kahdeksasta Richteristä lähtevät maanjäristykset ovat. Kartta siis todennäköisesti päätyisi myös diaesitykseeni, sillä opetuksessa on mielestäni yleensä mielekästä verrata toisiinsa karttoja, joissa asiat on esitetty samassa suhteessa / samalta aikaväliltä. Tällaisten suoraan vertailukelpoisten teemakarttasarjojen löytäminen materiaaliksi on kokemusteni mukaan erityisen hankalaa, ja tämän kerran perusteella väittäisin, että on nopeampaa ja varmempaa tuottaa kartat itse, kuin yrittää kaivaa tällaisia selkeitä karttoja Googlen syövereistä.

Näiden kolmen kartan jälkeen halusin vielä tehdä kartan tulivuorten purkauksista, kun kerran olin jo datankin ehtinyt ladata. Tällaista tulivuorikarttaa olisin kaivannut opettaessani aihetta lukiolaisille, joten nyt tarjoutui hyvä hetki tuottaa sellainen (kuva 4). Kartta kuvaa jälleen hyvin litosfäärilaattojen reunakohtia, ja se olisi mielestäni loistava käydä esimerkiksi tulivuoritunnin aluksi.

Kuva 4. Tulivuorenpurkaukset 1/1964–2/2002

 

Tuotettuani tämän kartan mieleeni tuli, että voisin haluta vielä kartan, jossa olisi sekä tulivuorenpurkauksia että maanjäristyksiä. Niinpä valitsin maanjäristyskartoistani parhaan eli kartan, jossa on kuvattu maanjäristykset kuudesta Richteristä lähtien, ja yhdistin sen tulivuorikarttaan.

Kuva 5. Tulivuorenpurkaukset 1/1964–2/2002 ja maanjäristykset 6 Richterista lähtien 1/2002–12/2017

Yhdistelmä on mielestäni loistava opetuskäyttöön, sillä mikäli esimerkiksi opettaa maanjäristykset yhdellä tunnilla ja tulivuoret seuraavalla, on tällaisen kartan avulla erittäin havainnollista kerrata vielä maanjäristykset ja alleviivata litosfäärilaattojen reunakohdille ominaisia hasardeja. Toisaalta karttani ei tarjoa yhtä paljon tulkittavaa kuin esimerkiksi Liisa Niemen, sillä hänen vastaavassa kartassaan tulivuorenpurkaukset ja maanjäristykset ovat järkevämmin samalta ajalta, ja siksi kartan lukija voi jopa vetää johtopäätöksiä ilmiöiden vuorovaikutussuhteista. Minun kartastanivoi tehdä lähinnä vain sen havainnon, että tulivuorenpurkaukset ja maanjäristykset sijoittuvat samoille alueille. Mielestäni ehkä mielenkiintoisin kartta tulivuorten ja maanjäristysten tarkasteluun on kuitenkin tämä USGS:n dataa hyödyntävä interaktiivinen ja reaaliajassa päivittyvä kartta, jolle perinteisten karttojen on vaikea pärjätä, ainakin jos halutaan herätellä oppilaiden mielenkiintoa siten, että korostetaan tulivuorenpurkausten ja maanjäristysten yleisyyttä ja ajankohtaisuutta. Uskon kuitenkin, että karttojeni selkeyden ja yksinkertaisuuden (ja täysien tekijänoikeuksien) vuoksi tulen käyttämään niitä tulevaisuudessa opetuksessani!

 

Lähteet:

Global seismicity. <https://www.nsf.gov/news/mmg/media/images/global_seismicity_h.jpg> Luettu 25.2.2018

Interactive Map of Active Volcanoes and recent Earthquakes world-wide. <https://earthquakes.volcanodiscovery.com/> Luettu 25.2.2018

Mapping Eartquakes. <https://www.mapping-tools.com/howto/maptitude/case-studies/mapping-earthquakes/> Luettu 25.2.2018

Niemi, Liisa. (22.2.2018) 6. Kurssikerta: kaupallisuudesta ja luonnonhasardeista mittakaavavirheisiin.  <https://blogs.helsinki.fi/nliisa/2018/02/22/6-kurssikerta-kaupallisuudesta-ja-luonnonhasardeista-mittakaavavirheisiin/> Luettu 25.2.2018.

 

 

Ongelmanratkaisua ja itsearviointia sen onnistumisesta

Kurssikerta alkoi lämmittelyharjoituksella, jossa laskimme perinteisesti opettajan perässä viivojen ja polygonien pituuksia tietyllä rajatulla alueella. Opettelimme myös bufferoinnin eli puskurivyöhykkeiden tekemisen. Tämä oli käytännössä sitä, että valitsimme jonkin kohteen kartta-aineistosta, ja piirsimme sille tietyn suuruisen kehän. Opin, että tällä tavalla voidaan esimerkiksi analysoida sitä, mitä ja minkä verran jää jonkin kohteen vaikutuspiirin alle. Erittäin monikäyttöinen työkalu siis! Pysyin tässä hyvin mukana, ja olinkin itsevarmana valmiina lähtemään seuraavaan harjoitukseen, jonka haastavuudesta ja itsenäisyydestä oli vähän varoiteltu jo edellisellä kurssikerralla.

Lentokenttien aiheuttama melusaaste

Itsenäistehtävät erosivat selvästi aikaisemmista kurssin harjoituksista siten, että ohjeita siihen, miten lopputulokseen pitäisi päästä, ei juurikaan ollut. Ensimmäisenä aloitimme piirtämään Malmin ja Helsinki-Vantaan lentokenttien kiitoratoja, ja mittailemaan niiden tuottamien meluhaittojen vaikutusalueita. Laskimme Helsingin ja Vantaan väestötiedoista, kuinka monta asukasta jäi minkäkin melutason vaikutusalueelle. Tämän jälkeen käsittelimme samalla tekniikalla vielä asemien sijaintia suhteessa asukkaisiin ja vielä eri ikäryhmiin. Vastaukseni löytyvät täältä: kk5 excel.

Tämä tehtävän vaihe oli minulle aika selvää ja mieluista: viivojen piirtäminen ei tuottanut vaikeuksia, ja puskurivyöhykkeiden piirtämisen ja analysoinnin toistaminen tässä harjoituksessa useaan otteeseen johti siihen, että koen nyt hallitsevani ne ongelmitta. Huomasin esimerkiksi, että Field Calculator -toiminto on muuttunut minulle perustyökaluksi, jonka perustoiminnot hallitsen hyvin. Ahaa-elämyksen koin, kun kilometrin levyisestä puskurivyöhykkeestä huomautettiin, että valinnaksi pitää luonnollisesti ottaa tekovaiheessa 500m:n eikä 1000m:n säde – olin tietysti siis tehnyt vahingossa 2km:n säteen kiitoradalleni.

Välillä huomasin ajattelevani aivan liian monimutkaisesti, ja jääväni jumiin ajatukseeni, jossa jokin toiminto pitäisi suorittaa tietyllä tavalla: en ollut ikinä tajunnut, että paikkatiedon käsittely voisi oikeasti olla tällaista ongelmanratkaisua. Ajattelin esimerkiksi aluksi, että verratessani asukkaiden sijaintia asemien sijaintiin minun pitäisi ensin rajata laajemmalta alueelta olevat asemat jonkin polygonin sisään, jotta tarkastelisin niitä samalta alueelta, kuin mistä asukastietoja on. En kuitenkaan tullut ajatelleeksi, että eihän nolla-arvoista ole mitään haittaa, joten voisin hyvin tehdä analyysin vain koko alueelle, kun aineisto ei nyt kuitenkaan niin valtava ollut.

Ongelmani alkoivat toisessa tehtävässä, jossa revin jo melkein hiuksia päästäni. Qgis kaatui koko ajan, ja taajama-aineiston yhdistäminen asukastietoihin ei vain onnistunut. Uudella aineistoilla ja uusilla valinnoilla ”join attributes by location” -toiminnossa yhdistäminen kuitenkin lopulta onnistui. ”Join attributes by location” on tässä kohtaa erittäin kätevä, sillä sen avulla voidaan yhdistää samaan sijaintiin merkityt pisteet ja polygonit toisiinsa sen perusteella, mihin ne sijoittuvat, ja tämän jälkeen on mahdollista analysoida, mitä informaatiota polygonien sisälle osuu. Turhautumiseni alkoi kuitenkin olla tässä vaiheessa tehtävien tekemistä aika suurta, kun tasojen yhdistäminen ei millään meinannut onnistua. Toisaalta ainakin minun mielestäni on edes hieman lohdullisempaa ajatella, että moka oli käytännössä minun ja korjattavissa (väärät valinnat…), kuin että olisin turhaan yrittänyt aineistolla, joka ei vain jostain mystisestä syystä toimi.

Onnistuttuani aineistojen yhdistämisessä pääsin vihdoin analysoimaan dataa ja selvittämään, kuinka moni alueen asukkaista asuu taajamissa (tulokseni: kk5 excel). Kouluikäisten prosenttiosuuksien selvittäminen oli helppoa, sillä se ei vaatinut kuin uuden sarakkeen väestötietotasoon Field Calculatorin avulla, samoin ulkomaalaisten osuudet. Kun tasot oli yhdistetty, oli helppoa verrata Spatial Queryn ja Statistics Panelin avulla alueiden arvoja, ja laskea prosenttiosuudet. Olin ylpeä itseeni, sillä tein oma-aloitteisesti oman kevennetyn tason väestötiedoista vain niillä tiedoilla, joita tarvitsin (kouluikäiset yhteensä, ulkomaalaisten määrä jne). Ylpeyteni oli ehkä turhaa, sillä eihän tätä välttämättä olisi tarvinnut tehdä, mutta mielestäni se selvensi kyllä viimeisten vaiheiden tekemistä, ja ainakin nopeutti QGis:n toimintaa.

Ulkomaalaisten prosenttiosuudet selvitin puhtaasti tason ominaisuustaulukosta järjestämällä ne prosenttiosuuksien mukaan järjestykseen ja katsomalla järjestysluvun mukaan kuinka moni taajama-alue kuului mihinkin prosenttiluokkaan. Osa ulkomaalaisten prosenttiosuuksista oli todella hurjia, mutta tätä selittää se, että väestötiedot oli kerätty rakennuksittain – eli on varsin todennäköistä, että ulkomaan kansalaisia on aina yhdessä talossa 100%, ja jos alueella ei ole montaa taloa, voivat prosentit pompata todella ylös, tai samalla periaatteella alas.

Koulun tulevaisuuden kartoittamista

Viimeisistä tehtävistä valitsin tehtävän, jossa selvitettiin koulupiirien odotettavissa olevia oppilasmääriä. Tämä tehtävä sujui jo paremmin aikaisemmin koetun henkisen romahduksen jälkeen. Tehtävässä piti osata pyöritellä analyysityökaluja siten, että saa tietoa tietyn polygonin sisälle jäävistä pisteistä. Piti esimerkiksi selvittää, kuinka moni on aloittamassa koulua Helsingin yhtenäiskoulun koulupiirin alueella seuraavana vuonna, ja laskea kouluikäisten lasten osuus koulupiirin asukasmäärästä, sekä vielä arvioida edellisten perusteella muunkielisten lasten osuus koulupiirin asukasmäärästä.

Aloitin datan pyörittelyn siten, että tein väestötiedot sisältävälle tasolle uudet sarakkeet tarvittavista tiedoista (6-vuotiaat yhteensä, 12-vuotiaat yhteensä jne). Jatkoin edelleen tekemällä näille yksittäisille analyysia vaativille muuttujille omat tasot, sillä siten pystyin vertaamaan niitä ”join attributes by location” toiminnolla valittuna olevaan alueeseen eli haluamaani koulupiiriin. Kun esimerkiksi 6-vuotiaat olivat omana tasonaan, pystyin katsomaan, kuinka monta 6-vuotiasta on Helsingin yhtenäiskoulun alueella varsin kätevästi. 6-vuotiaita oli muuten vain 14, mikä on kummastuttavan vähän Helsinkiläiselle koululle. Sinin blogista selviääkin, että Helsinki on suunnitellut Yhtenäiskoulun, Käpylän peruskoulun ja Koskelan peruskoulun yhdistämistä. Ei ihme!  Nyt asiaa ajatellessani olisin toki voinut myös tehdä kokonaan uuden tason myös tästä yhdestä koulupiiristä, sillä näin olisin ainakin voinut olla varma analyysien osumisesta oikeaan kohtaan (nyt vähän hirvitti, että onhan oikea koulupiiri valittuna ja analysoihan Qgis nyt oikeita asioita). Kun selvitin kouluikäisten osuutta Helsingin yhtenäiskoulun koulupiirin asukkaista, Qgis aloitti jälleen kaatumisen, mutta kevennettyäni aineistoani tekemällä väestöaineistosta vähemmän dataa sisältävän tason alkoi homma jälleen helpotuksekseni toimia.

Pohdintaa omasta oppimisesta

Koen, että alan nyt ymmärtää maantieteellisen datan tasoajattelua huomattavasti paremmin, sillä tällä kertaa itsenäisiä tehtäviä tehdessäni osasin tehdä tarvittaessa uusia tasoja tarvitsemillani tiedoilla. Huomasin myös oppineeni joitakin keinoja Qgis:n temppuilun kanssa taistelemiseen: tajusin esimerkiksi keventää joitakin dataa pursuavia tasoja ennen analyyseja, ja ottaa vain tarvittavat mukaan. Kantapään kautta oppii hyvin, ja kun Qgis oli kaatunut riittävän monta kertaa ja aineistojen käsittely kesti tuhottoman kauan, ryhtyi sitä jostain kumman syystä miettimään keinoja välttää ongelmat. Tällä kerralla koen oppineeni erityisesti bufferoinnin siten, että uskon osaavani sen jatkossakin. Kurssilla on huomannut hyvin,  että vaiheet, joita on vain mekaanisesti toistettu useita kertoja, ovat jääneet ehdottomasti parhaiten muistiin, ja koen myös ymmärtäneeni ne parhaiten. Tekovaiheessa toki ärsyttää toistaa samaa useita kertoja, kun kuitenkin on jo nähnyt, miten asia toimii, mutta uuden ohjelman kanssa se vain kannattaa.

Itsenäiset harjoitukset kuitenkin yllättivät vaikeudellaan. Olin kokenut muilla kurssikerroilla pysyneeni aika hyvin menossa mukana, mutta tämän kurssikerran edetessä havaitsin, miten paljon olin vain toistanut opettajan perässä tajuamatta lopulta kovin syvällisesti, mitä oikeasti tein. Tämä kurssikerta osoitti hyvin, että minulla on vielä aikamoista hapuilua ihan perustoimintojenkin monipuolisessa hyödyntämisessä. Pienillä vihjeillä ja lunttaamalla edelliskertojen ohjeita pääsin kyllä pitkälle, ja koen, että olen silti oppinut paljon – lähdin kuitenkin kurssin alusta aivan nollasta Qgis:n kanssa.

Olen ylipäätään oppinut, millaisia analyysejä Qgis:llä voi tehdä ja miten, ja minulla on jonkinlainen käsitys siitä, milloin mikäkin analyysi toimii. Tiedän esimerkiksi, milloin minun pitää yhdistää tasot jonkin attribuuttitaulukon tiedon perusteella ja milloin sijaintitiedon perusteella, sekä osaan tuottaa tasoon lisää tietoa, sekä ominaisuustietoa attribuuttitaulukkoon Field Calculatorilla että piirtää vektoreita. Koen osaavani aika hyvin myös käyttää erilaisia valintatyökaluja. Tosin minulla oli tälläkin kertaa usein tunne, että teen hommat vaikeimman kautta. Tiedän siis, että olemassa olisi kätevämpikin tapa, mutta en vain muista, miten se toimi ja missä tilanteessa. Qgis:n eri toiminnot ovat siis varsin hajanaisina yksittäisinä palasina päässäni, mutta tämä kerta toi niihin vähän järjestystä, ja uskon, että lisätreeniä ei vaadittaisi valtavasti, jotta saisin kurssin aikana käydyt toiminnot päähäni siten, että osaisin lähteä oikeista jutuista liikkeelle ongelmanratkaisutilanteissa.

Lähteet:

Virtanen, Sini. Verta, hikeä ja puskureita (13.2.2018). <https://blogs.helsinki.fi/7k110738/> Luettu 23.1.2018

Valaistuminen informaatioköyhistä teemakartoista ja ensikosketus rasterimuotoiseen aineistoon

Ruututeemakartta, jonka sisällön olisi voinut valita paremmin

Tällä kertaa aloitimme ruututeemakarttojen parissa. Tuotin ruutuaineistokartan ulkomaiden kansalaisten sijoittumisesta pääkaupunkiseudulla, eli karttani kuvaa siis jokaisen 500 neliömetrin sisällä yhteensä asuvien ulkomaan kansalaisten lukumäärät (eli myös kaksoiskansalaiset). 500m2 ruutuaineisto toimi hyvin, ja olin tyytyväinen onnistumisestani erojen visualisoimisessa kartalle (kuva 1).

Kuva 1. Ulkomaan kansalaisten asuminen pääkaupunkiseudulla

Kartan perusteella näyttäisi siltä, että ulkomaalaistaustainen väestö keskittyy pääosin Helsingin alueelle siten, että luoteis- ja kaakkoisosissa on vähemmän ulkomaalaistaustaisia asukkaita. Vantaan ja Espoon ulkomaalaistaustaisten asukkaiden määrät näyttäisivät suhteellisen samankaltaisilta, ja niissäkin se on keskittynyt ennemmin lähempänä Helsinkiä sijaitseville alueille kuin siitä kauempana sijaitseville. Olin jo hyvää vauhtia tekemässä johtopäätöksiä näistä kuvioista, kunnes muistin ohjeistuksen siitä, että tämänkaltaista karttaa kannattaisi verrata ylipäätään väestön tiheyteen… Pettyneenä mahdollisista virhepäätelmistä tuotin vielä siis toisen samanlaisen kartan, joka kuvaa koko väestön sijoittumista pääkaupunkiseudulle (kuva 2).

Kuva 2. Asukastiheys pääkaupunkiseudulla

Ja kuinka ollakaan, ulkomaan kansalaisten osuus on käytännössä suurin juuri siellä, missä väestöntiheyskin. Nämä lukumäärät kulkevat oikeastaan hämmästyttävän hyvin samassa suhteessa, eikä ulkomaalaistaustaisten sijoittumista kuvaava kartta siis oikeasti tarjoa katsojalle juuri mitään uutta tai ainakaan kovin merkityksellistä tietoa. Yksi ero kartoista kuitenkin nousee – ulkomaalaistaustaisten asukkaiden suurimmat tiheyspiikit ovat eri paikoissa, kuin koko väestön suurimmat tiheyspiikit. Kaikkia pääkaupunkiseudun asukkaita tarkastellessa Helsingin kantakaupunki on selvästi tiheimmin asuttu. Pelkkiä ulkomaalaistaustaisten asukkaiden lukumääriä tarkastellessa taas tiheimmät piikit löytyvät kauempaa Helsingin keskustasta.

Itse asiassa, ulkomaalaistaustaisten asukkaiden korkeimmat piikit eli alueet, joilla heidän lukumääränsä on 380-820, ovat yhtä suuria, ellei suurempia, Helsingin itäosissa ja Espoon ja Vantaan asukastihentymissä, kuin ne ovat Helsingin keskustan alueella. Tätä voisi selittää orastava segregaatio tai mahdollisesti halvempien vuokra-asuntojen sijoittuminen – mutta oikeasti Helsingin ulkomaalaistaustaiset asukkaat ovat niin moninainen joukko erilaisilla taustoilla varustettuja ihmisiä, että liikaa johtopäätöksiä ei mielestäni ole järkevää vetää. Kuitenkin tämän kartan perusteella näyttäisi siltä, että ulkomaalaistaustaisella väestöllä on omia asuinkeskittymiään, jotka poikkeavat jonkin verran siitä, minne pääkaupunkiseudulla väestö on ylipäätään sijoittunut.

Nyt tulkittuani karttojani olen sitä mieltä, että ulkomaalaistaustaisen väestön sijoittumisen kuvaaminen suhteellisten osuuksien avulla olisi paljon informatiivisempaa. Vaikka ruutuaineistosta voikin tuottaa kartan absoluuttisten lukumäärien pohjalta siksi, että standardoidut ruudut ovat keskenään vertailukelpoisia, voisi lukijalle silti olla havainnollisempaa esittää suhteellisia osuuksia koropleettikartan muodossa. Esittämällä yhdessä kartassa ulkomaalaisten suhteellisen osuuden koko väestöstä saisi ikään kuin fuusioitua nämä kaksi karttaa kätevästi yhteen. Rinnakkain suhteellisuuksia on vaikea verrata silmämääräisesti, erityisesti siksi, että karttojen luokkajaot ja asteikot ovat erilaiset. Suhteellisen esitystavan oli valinnut esimerkiksi Tuuli Lahin blogissaan, ja hänen karttansa eläkeikäisten sijoittumisesta onkin siten paljon informatiivisempi.

Ruutujen käyttäminen tiedon esittämiseen antaa ainakin tässä mittakaavassa asiasta varsin tarkan kuvan pienten havaintoalueiden ansiosta, mutta tällaista ruutuaineistoa on myös raskas katsoa. Kunnolla paneutumalla siitä voi kyllä saada paljon irti – ainakin, jos kartantekijä ymmärtää esittää kartallaan jotain mielekkäämpää sisältöä, kuten tässä tapauksessa esimerkiksi ulkomaalaisten asukkaiden suhteellisia osuuksia väestöstä. Pienenä viilauksena voisin myös lisätä jälkikäteen ajatellen ehkä kuntien nimet. Muuta en ehkä karttoihin lisäisi, sillä tällöin ongelmaksi alkaisi mielestäni tulla informaation liikatarjonta ja tämän johdosta sisällön vaikealukuisuus.

Mielestäni kartat ovat nyt visuaalisesti miellyttäviä, vaikka ruutuaineisto on ehkä hieman raskasta tulkittavaa lukijalle. Ainakin itse joudun ponnistelemaan ja miettimään, missä mikäkin ruutu tosielämässä on ja mitä mikäkin väri siis merkitsee. Tässä muut teemakartat, erityisesti isopleettikartat, vievät ruututeemakarttaa – niillä on helpompi luoda selvää ja nopeammin sisäistettävissä olevaa yleiskuvaa jostain ilmiöstä. Toki yleistämisellä on aina hintansa, ja ruutuaineiston tarkkuus on toisaalta myös kartan ehdoton etu.

Näiden karttojen tekeminen oli loistava havainnollistus minulle siitä, että teemakartta ei välttämättä oikeasti tarjoa katsojalle mitään merkityksellistä informaatiota, sekä siitä, miten tärkeää on pohtia sitä, mitä oikeasti haluaa esittää kartallaan.

Itse tuotetut korkeuskäyrät vs. MML:n korkeuskäyrät

Pääsimme tällä kerralla myös ensimmäistä kertaa käsiksi rasterimuotoiseen kartta-aineistoon. Yhdistelimme laserkeilauksella tuotettuja kuvia toisiinsa, ja lopuksi tuotimme näihin karttoihin vielä korkeuskäyrät viiden metrin välein. Mielestäni tuotokseni (kuva 3) Qgis:n toiminnoilla onnistui yllättävän hyvin, sillä verrattaessa sitä MML:n ammattilaisten tuottamaan korkeuskäyräaineistoon (kuva 4), eivät erot näytä olevan suuria.

Kuva 3. Itse QGis:llä tuotetut korkeuskäyrät
Kuva 4. MML:n aineistosta tuotetut korkeuskäyrät

Erot näkyvät myös seuraavasta kartasta, johon yhdistin nämä kaksi korkeuskäyräkarttaa (kuva 5). Siinä zoomailemalla voi huomata, että korkeuskäyrät ovat hyvin samoissa paikoissa, mutta pientä heittoa ja eroa yleistyksissä toki on havaittavissa. Punaisten itsetekemieni käyrien alta näkyy myös hyvin alueita, joihin on piirtynyt mustia käyriä, eli MML:n aineistossa on kyllä käyriä myös eri paikoissa. Näin aineistoja vertailemalla vaikuttaisi siltä, että MML:n aineistossa on yhdistelty ikään kuin yhdeksi korkeuskäyräksi pienempiä korkeampia alueita, jotka minun aineistossani näkyvät erillisinä pieninä kohoumina.

Mielenkiintoinen ero kartoissa on myös esimerkiksi koillisessa sijaitsevan pisaranmuotoisen luonnonmuodostuman puuttuminen MLL:n aineistosta. Kurssinvetäjämme epäili kyseessä olevan palsasuon kumpu, joten voisikohan eri kartoitusajankohta selittää eroa? Vai eikö tällaisia muodostumia merkitä peruskarttaan? Toisena erona on myös Qgis:n pohjoisreunan lähettyville piirtämät mielenkiintoiset ”piikkimäiset” korkeuskäyrät, jotka osoittavat muusta lähiympäristöstä poiketen etelään. Näitä ei löydy MLL:n kartasta, sillä ne on mitä todennäköisemmin siloteltu pois tarkoituksella.

Kuva 5. Itse Qgis:llä tuotetut korkeuskäyrät ja MML:n aineistosta tuotetut korkeuskäyrät.

 

Lähteet:

Lahin, Tuuli. (7.2.2018) Kerta 4: Vastoinkäymisiä, mutta ei voittoja. <https://blogs.helsinki.fi/lahintuu/2018/02/07/kerta-4-vastoinkaymisia-mutta-ei-voittoja/> Luettu 25.2.2018

Afrikan konflikteista ja Suomen tulvista

Kolmannella kurssikerralla pyörittelimme jo aika paljon erilaista dataa ja yhdistelimme eri lähteistä tulevaa tietoa toisiinsa. Treenailimme Afrikan kartalla, johon oli saatavilla mm. tietoa konflikteista ja luonnonvarojen hyödyntämisestä maanosassa. QGis:n pyörittely sujui tällä kerralla ongelmitta lähes loppuun asti, ja onnistuin aika kivuttomasti tuomaan dataa Excel-taulukosta QGis:iin, tekemään tietokantaliitokset ja saamaan kartalle konfliktialueet, öljykentät, timanttikaivokset ja konfliktit vuosittain. Olin tosin niiden onnekkaiden joukossa, joiden koneet eivät kaatuneet kesken kriittisten vaiheiden… Jossain kohtaa kuitenkin onnistuin mokaamaan, sillä polygonien määrän laskeminen polygonien sisältä ei vaan onnistunut. Tämä taisi johtua siitä, että tietokantatasoni eivät olleet yhdistyneet toisiinsa.

Afrikan konfliktit – syvempää ymmärrystä paikkatiedon avulla

Harjoitustehtävään valittu data oli kuitenkin erittäin mielenkiintoista, ja motivoi minua osaltaan myös tekemään itse karttaa. Olisi todella mielenkiintoista tutkia tarkemmin, miten suuri yhteys on Afrikan konflikteilla ja luonnonvarojen, kuten timanttien tai öljykenttien, löytymisellä. Tarkemmista analyyseista saattaisi löytyä viitteitä siitä, lisääkö timanttikaivoksen tai öljykentän läsnäolo konfliktien määrää valtioittain – vai lisääkö jommankumman läsnäolo jopa kenties valtion vakautta? Tai johtaako näiden läsnäolo laajempaan tai toisaalta pienempään konfliktiin?

Timantit ja öljykentät ovat resursseina varsin erilaisia, sillä yksittäisten ihmisten tai ihmisryhmien on huomattavasti helpompi yrittää saada osuutensa timanttikaivoksesta kuin öljykentältä. Lisäksi voisi ajatella, että öljykenttä saattaisi hyödyttää valtiota aivan eri tavalla kuin timantit. Timantit ovat toki loistava kaupankäynnin kohde valtiolle, mutta sitä ne ovat myös perinteisesti olleet erilaisille sisällissotaa valtioiden hallituksia vastaan käyville ryhmittymille, jotka ovat rahoittaneet toimintaansa laittomasti hankituilla raakatimanteilla eli ”konfliktitimanteilla” (www.timantit.com, luettu 31.1.2018). Öljyn sen sijaan voisi ajatella edistävän paremmin valtion teollistumista ja edelleen teknologistumista, minkä taas voisi nähdä johtavan yleiseen vakauden kasvuun – edellyttäen toki, että rahat menevät valtiolle, jossa öljykenttä on.

Harjoituksen datasta löytyy lisäksi tietoa siitä, milloin timanttikaivokset ja öljykentät on löydetty, milloin toiminta on alkanut sekä miten tuottavia ne ovat. Näitä tutkimalla voitaisiin saada myös varsin mielenkiintoisia linkkejä esiin. Vuosiluvut ensinnäkin mahdollistavat syy- ja seuraussuhteiden analysoimisen; johtavatko esimerkiksi vain tuottavat kaivokset tai öljykentät vakauteen, tai onko luonnonvarojen löytövuosien jälkeen usein konflikteja? Lisäksi löytämisvuosi saattaisi antaa viitteitä siitä, kuka löydön on tehnyt, ja kuka sitä hyödyntää – ensimmäisenä löytöjä hyödyntämässä olleet eurooppalaiset vai myöhemmin Afrikkaan tulvineet aasialaiset yritykset? Vai ovatko löydöt Afrikan omien valtioiden tekemiä? Lisäksi olisi mielenkiintoista tutkia, ovatko tiettyinä vuosina tehdyt luonnonvaralöydöt johtaneet todennäköisemmin konflikteihin.

Mielenkiintoisia ovat  myös aineistosta löytyvät Internet- ja Facebook-käyttäjien määrät. Internetin käyttäjien määrää voisi pitää suhteellisen hyvänä vihjeenä siitä, miten pitkälle teknologisoitunut valtio on. Vaikka Facebookin vaikutuksesta ihmisten hyvinvointiin voidaankin olla montaa mieltä, antaisi internetin käyttäjien määrä hyvin todennäköisesti osviittaa siitä, millaiseksi valtion inhimillinen kehitys on edennyt. Facebookin käyttäjien määrän vertaaminen internetin käyttäjien määrään antaisi myös vähän kuvaa siitä, mihin internetiä pääosin käytetään. Konfliktien määrää voisi siis pienellä varauksella jopa verrata internet-käyttäjien määrään, sillä näin voitaisiin spekuloida sitä, onko vakaus johtanut yhteiskunnan modernisaatioon.

Suomen järvisyys ja tulvaindeksit

Koska viime kerralla tekemäni haastavampien tehtävien luokkaan kuuluneen kartan oikeellisuudesta jäi niin epävarma fiilis, päädyin tällä kertaa tekemään karttatehtävistä perusversion, eli tuotin kartan, jossa visualisoin Suomen valuma-alueet ja niiden järvisyysprosentit ja tulvaindeksit. Tulvaindeksi on luku, joka voidaan laskea useammallakin tavalla, mutta kartassani se on laskettu jakamalla keskiylivirtaama keskialivirtaamalla. Keskiylivirtaamalla tarkoitetaan uoman läpi kulkevan vesimäärän ylimpien arvojen keskiarvoa, ja keskialivirtaamalla taas kuivan kauden alimpien arvojen keskiarvoa. Siinä siis verrataan virtaaman maksimien ja minimien keskiarvojen suhdetta toisiinsa. Tämän voisi ajatella antavan alueelle varsin hyvän arvion siitä, miten suuri riski tulvaan on, sillä suuri vaihteluväli arvojen välillä kertoo todennäköisesti nopeasta vaihtelusta vesimäärässä, mikä helposti johtaa tulviin.

Tulvaindeksiä visualisoin kartassani koropleettikarttana ja järvisyysprosenttia taas havainnollistavat diagrammit. Mielestäni kartta on visuaalisesti muuten ihan hyvä, mutta järvisyysdiagrammeja on kyllä hieman hankala lukea länsi- ja etelärannikolla, jossa pylväät ovat suhteellisen matalia ja sekoittuvat muutenkin tummempaan pohjaväriin näiden alueiden korkeamman tulvaindeksin vuoksi. Lisäksi alimman tulvariskin kategoria sekoittuu taustakarttaan hieman liikaa, sillä tämä vaalea sinisävy on jo aika lähellä valkoista. Tämä ei kuitenkaan mielestäni oikeastaan haittaa kartan tulkitsemista, sillä taustakartasta ei ole rajattu minkäänlaisia alueita, joten lukijan on silti helppo erottaa, mitkä ovat käsittelyssä olevat valuma-alueet.

Karttaa katsomalla vaikuttaisi siltä, että pahimmat tulvariskialueet painottuvat Suomen eteläisimpiin ja läntisimpiin osin siten, että aivan rannikolla tulvaindeksi on todella matala eikä tulvariskiä siis juurikaan ole. Pohjanmaan alavilla seuduilla tunnetusti tulvii erityisesti keväisin. Nopeasti kartasta erottuva trendi on myös korkean järvisyysprosentin kulkeminen käsi kädessä matalan tulvaindeksin kanssa – tämä käy toki järkeen, sillä joet tulvivat yli äyräidensä huomattavasti todennäköisemmin kuin tilavuudeltaan suuret järvet. Kuten Sanni Hannula ja Liisa Niemi pohtivat blogeissaan, ovat tulvat todennäköisimpiä paikoilla, joissa sade- tai sulamisvedellä ei ole paikkaa (kuten järveä) jonne kertyä. Kartta vaikuttaa siis varsin todenmukaiselta!

 

Lähteet:

Hannula, Sanni. 31.1 (3.2.2018). <https://blogs.helsinki.fi/sannihan/31-1/> Luettu 17.2.2018

Niemi, Liisa. 3. Kurssikerta: syvissä vesissä(kö)?<https://blogs.helsinki.fi/nliisa/2018/02/04/3-kurssikerta-syvissa-vesissako/> Luettu 17.2.2018

http://www.timantit.com/kimberley.asp luettu 31.1.2018

Projektioiden vertailua

Toisella kurssikerralla perehdyimme pinta-alojen ja etäisyyksien mittaamiseen Qgis:llä. Kartan tekemisessä käytetyn projektion pitäisi alkaa kiinnostamaan kartan kanssa työskentelevää viimeistään tässä vaiheessa, sillä projektiolla on suuri vaikutus siihen, miten suuriksi alueiden pinta-alat tai etäisyydet kuvautuvat kartalla. Alla on esimerkkinä kolme kuvaa siitä, miten erilaiselta Suomi näyttää eri projektioilla.

Kuva 1. Lambertin oikeapintainen tasoprojektio (ETRS-LAEA)
Kuva 2. Mercatorin projektio
Kuva 3. Robinsonin projektio

 

Lienee aika selvää, että mikäli kaikista näistä kartoista (Kuvat 1-3) mitataan punaisella viivalla havainnollistettua etäisyyttä Vaasasta suoraan itään Venäjän rajalle asti, tai Lappiin merkityn punaisen alueen pinta-alaa, tulos tulee eroamaan karttojen välillä. Alla olevassa taulukossa (Taulukko 1) on listattuna nämä edellä mainitut (kts. Kuva 1-3) mittaustulokset eri projektioilla.

 

Taulukko 1. Etäisyyden ja pinta-alan muuttuminen Suomessa eri projektioilla.

Projektio km² Etäisyys km
ETRS89 / ETRS-TM35 6839,886 521,074
ETRS89 / ETRS-LAEA 6857,1 521,133
Mercator 57012,003 1141,859
Robinson 9771,407 766,422
Lambert I 246185663,8 1233,204

 

Kuten Taulukko 1:stä näkyy, eri projektioiden käyttö aiheuttaa etäisyyksiin ja pinta-aloihin varsin dramaattisia eroja. Euroopan komissio on suositellut, että Lambertin oikeapintaista tasoprojektiota (ETRS-LAEA) tulisi käyttää aina, mikäli kartassa käsitellään pinta-alaan liittyvää dataa. Tämä oli minulle uutta (tai aikaisemmasta unohtamaani) tietoa, mutta hyvänä kertauksena tuli, että Suomessa on käytössä pääasiassa ETRS-TM35, joka on Mercatorin projektioon perustuva tasoprojektio, jossa projisoitava taso on asetettu juuri Suomen kohdalle. Näiden projektioiden voidaan siis suhteellisen luottavaisesti olettaa olevan lähinnä totuutta. ETRS-TM35:ssa etäisyysmittaus on melkein sama kuin ETRS-LAEA:ssa, mutta Lapissa tehdyssä pinta-alamittauksessa on jo lähes kahdenkymmenen metrin heitto. Tämä johtuu todennäköisesti siitä, että ETRS-TM35:ssa Suomi on jaettu neljään pituussuuntaiseen projektiokaistaan. Näiden kaistojen väliin jää kuitenkin itä-länsisuunnassa rakoja, jotka ovat pohjoisessa suurempia – siksi siis pohjoisemmassa tehdyssä mittauksessa heitto on suurempi.

Kerrassaan törkeät vääristymät aiheutuvat Robinsonin, Mercatorin ja Lambertin koko maailmaa kattavista projektioista. Robinsonin projektio on mm. National Geographicin käyttämä sovinnainen lieriöprojektio, jonka oikeapintaisuuden pitäisi riittää n. 70 leveyspiiriin asti (Kartografian oppimateriaalit, 24.1.2018). Ei siis ole yllättävää, että Suomen pohjoisosissa tehdyt pinta-alamittaukset heittävät lähes 3000km2. Kuitenkin myös n. 62 leveyspiirin korkeudella tehty etäisyysmittaus on ilmeisesti jo tarpeeksi lähellä 70 leveyspiiriä aiheuttaakseen vääristymiä lukemiin, sillä siinäkin Robinsonin projektion antama luku on yli 40% suurempi kuin ETRS-LAEA:n.

Mercator ja Lambert ovat oikeakulmaisia projektioita, mutta niissä oikeakulmaisuuden hinta maksetaan napojen lähellä sijaitsevien alueiden pinta-alueiden huomattavina vääristyminä. Niinpä on varsin selvää, että Mercatorin ja Lambert I:n antamat lukemat Taulukossa 1 ovat kaikkein suurimmat. Kuitenkin, kuten Matti Hästbacka alleviivaa blogissaan, tulisi esimerkiksi Mercatorin projektiota arvostellessa muistaa antaa sille vähän meriittiäkin, sillä olihan se 1500-luvulla varsin edistyksellinen kartta. Toki nykyään lukijalla on  hyvä syy epäillä kartantekijän motiiveja törmätessään Mercatorin projektioon, kun valinnnanvaraa projektioista kuitenkin riittää. Tein alla olevat koropleettikartat (kuva 4 ja 5) havainnollistamaan sitä, miten suuri vääristävä vaikutus Mercatorin projektiolla on Suomen kuntien pinta-aloihin.

Kuva 4. Mercatorin projektion aiheuttamat vääristymät verrattuna kuntien pinta-aloihin, esitettynä Mercatorin projektiolla.
Kuva 5. Mercatorin projektion aiheuttamat vääristymät kuntien pinta-aloihin, esitettynä Lambertin oikeapintaisella tasoprojektiolla (ETRS89/ETRS-LAEA)

Mielestäni kartat (Kuvat 4 ja 5) onnistuivat hyvin ja ne ovat visuaalisesti miellyttäviä. Päädyin tuottamaan kartat samalla datalla molemmilla projektioilla, eli niissä ruodittavana olevalla Mercatorilla sekä sillä ”oikealla” projektiolla eli ETRS-LAEA:lla. Molemmissa kartoissa kuntien pinta-alat on siis laskettu Mercatorin projektiolla, ja näitä pinta-aloja on verrattu ETRS-LAEA:lla laskettuihin kuntien pinta-aloihin. Mielestäni on täysin makuasia, kummalla projektiolla kartan datan haluaa tässä yhteydessä esittää. Toisaalta on hyödyllistä nähdä samalla Suomen kunnat oikeissa mittasuhteissa, mutta toisaalta on myös hyvä nähdä Mercatorin aiheuttamat vääristymät itse teossa, kun legenda kuitenkin avaa lukijalle tämän vääristymän suuruuden. Kartat toimivatkin mielestäni hyvin yhdessä.

Kartoissa (Kuva 4 ja 5) näkyy selvästi Mercatorin projektion aiheuttama napa-alueiden vääristyminen gradienttina pohjois-eteläsuunnassa siten, että pohjoisessa vääristymät ovat pahimmillaan yli 700% luokkaa ja etelässä parhaimmillaan alle 300%. Muutaman testailun jälkeen päädyin jakamaan aineiston kartoissani kahdeksaan luokkaan, sillä jakaumassa oli niin selvä gradientti, että visualisoitavaa olisi riittänyt vielä suuremmallakin luokkajaolla. Tässä vastaan tuli kuitenkin luettavuus, mutta kahdeksalla luokalla kartat ovat vielä mielestäni hyvin luettavissa. Hieman hämäävää kartoissa saattaa olla alimman luokan valkoinen väri; lukijan täytyy huomata, että tämä ei ala nollasta, vaan myös valkoisilla alueilla vääristymä on todella suurta.

Käsittelin vielä Mercatorin projektion aiheuttamia vääristymiä vertailemalla kuntien alueilla sijaitsevien Natura 2000 -alueiden suhdetta kuntien pinta-aloihin. Kartassa 6 (Kuva 6) vertasin Natura-alueiden pinta-alojen suhteita ETRS-LAEA:lla laskettuihin ”oikeisiin” kuntien pinta-aloihin ja kartassa 7 (Kuva 7) taas Mercatorin projektiolla laskettuihin kuntien pinta-aloihin. Kartat ovat mielestäni visuaalisesti selkeitä ja miellyttäviä katsoa, ja mielestäni vihreä väri toimii luonnonsuojeluteemassa hyvin. Päädyin jakamaan aineistoni viiteen luokkaan molemmissa kartoissa, sillä siten se toimi mielestäni visuaalisesti selvimmin.

Kuva 6. Natura-alueiden suhteellinen pinta-ala verrattun kuntien pinta-alaan. Projektiona ETRS89 /ETRS-LAEA
Kuva 7. Natura-alueiden suhteellinen pinta-ala verrattun kuntien pinta-alaan. Projektiona Mercator

Natura 2000 -alueet painottuvat Suomessa molempien karttojen perusteella kaikkein pohjoisimpiin osiin, sillä niissä Natura-alueen pinta-ala on jopa 8-14% kunnan pinta-alasta. Molemmissa kartoissa vaikuttaisi siltä, että Suomen keskiosissa Natura-alueiden osuus kuntien pinta-alasta on pienin. Itä-Suomesta löytyy hieman lisää kuntia, joissa Natura-alueen pinta-ala on prosentin tai yli kunnan pinta-alasta. Hieman kyllä pohdin, yhdistyikön minulla jokin sarake nyt Qgis:ssä väärin. Olisin nimittäin olettanut, että verrattaessa pinta-aloja Mercatorin projektioon erot olisivat olleet suurempia siten, että erityisesti etelässä Natura-alueiden pinta-alat olisivat näyttäytyneet huomattavasti suurempina suhteessa kunnan kokoon – siksi, että pohjoisessa Mercatorin projektio suurentaa kuntien pinta-aloja suhteessa etelään huomattavasti enemmän, ja kun Natura-alueiden pinta-alat pysyvät samoina, pitäisi pohjoisten alueiden prosenttien laskea. Toki on mahdollista, että Natura-alueiden pinta-alat vain ovat niin suuria pohjoisessa, että edes Mercatorin projektiolla tätä prosenttia ei saada laskemaan verrattaessa etelään.

Jos siis verrataan Mercatorin projektion mukaan laskettuja Natura-alueiden suhteita ETRS-LAEA:lla laskettuihin suhteisiin, karttojeni perusteella näyttäisi siltä, että Mercatorin projektiolla lasketussa kartassa (kuva 7) suojeltujen alueiden osuus on suurempi koko Suomea tarkastellessa. Suojeluprosentti on nollassa huomattavasti suuremmassa osassa kunnista ETRS-LAEA:lla tehdyssä kartassa (kuva 6). Tämä on tärkeä huomio, sillä mikäli jossain lähteessä haluttaisiin esittää Suomen kuntien suojelualueiden merkittävyyttä tietyssä mielessä, voitaisiin projektion valinnalla pelata siinä, miten suojelualueet näkyisivät kartalla. Kartalla 7 (kuva 7) voitaisiin esittää suojelualueiden olevan jo varsin kattavia, kun taas kartta 6 (kuva 6) vihjaisi siihen suuntaan, että suojelualueita tulisi vielä laajentaa.

On kuitenkin tärkeää huomata, että oikeasti kartan 7 (kuva 7) vertailu Mercatorin projektioon ei ole reilu. Natura-alueiden pinta-alalukemat ovat nimittäin ETRS-LAEA:n mukaiset – eli kartassa 6 (kuva 6) näitä ETRS-LAEA:n mukaisia lukemia verrataan ETRS-LAEA:n mukaisiin kuntien pinta-aloihin, ja kartassa 7 (kuva 7) taas Mercatorin projektion mukaisiin kuntien pinta-aloihin. Mikäli myös Natura-alueiden pinta-ala-aineisto olisi Mercator-kartassa Mercatorin mukaisesti laskettu, tulisi karttojen olla periaatteessa identtiset, sillä kartoissa on esitetty suhdeluvut. Nyt kartassa 7 (kuva 7) kuntien pinta-alat kasvavat (sitä enemmän, mitä pohjoisemmassa ollaan, kts. kuvat 4 ja 5), mutta Natura-alueet eivät. Suhteessa kuntien kokoon pohjoisessa Natura-alueiden prosenttien siis tulisi olla hieman pienempiä Mercatorin projektiolla kuin ETRS-LAEA-projektiolla. Etelässä taas Mercatorin projektio saa prosentit näyttämään suuremmilta, mikä selittyisi sillä, että kuntien pinta-alat ovat suhteessa pienempiä verrattuna pohjoisen alueen kuntiin.

Voidaan toki lisäksi pohtia, onko Natura-alueen pinta-alan vertaaminen kunnan pinta-alaan järkevää, sillä Natura-alueet muodostetaan aina tyypin luontotyypin mukaan, eivätkä ne siksi noudata kuntarajoja. Natura-alueilla pyritään myös suojelemaan EU:n erityisiksi määrittämiä luontotyyppejä, joten toisten kuntien alueille näitä luulisi osuvan enemmän kuin toisten. Uskon, että kunnan pinta-alaan vertaaminen antaa kuitenkin suhteellisen hyvän yleiskuvan Natura-alueiden sijoittumisesta. juuri sopivasti harvemmin asutuilta seuduilta on onnistuttu suojelemaan huomattavasti laajempia alueita (Pohjois- ja Itä-Suomi).

 

Lähteet:

Hästbacka, Matti. Intermission: Mercator (13.2.2018). <blogs.helsinki.fi/madhastb/> Luettu 17.2.2018

Kartografian oppimateriaalit (2008). Helsingin yliopisto, maantieteen laitos. 24.1.2018 <http://www.helsinki.fi/maantiede/kurssit/TAK/Kartografian%20oppimateriaali/testi/paasivu.html> 

Qgis ja kartta Itämeren typpipäästöistä

Kuva 1. Itämeren typpipäästöt valtioittain

Ensimmäisellä kurssikerralla tutustuimme Qgis-nimiseen paikkatieto-ohjelmaan, ja tuotimme valmiista aineistosta vektorimuotoisen kartan. Qgis on kaikille avoin paikkatieto-ohjelma, johon pystyy lataamaan todella paljon erilaisia lisäosia, kuten vaikkapa Google-mapsin tarjoamat kartat. Olen käyttänyt Qgis:iä muutaman kerran elämässäni, mutta en juuri muista tästä muuta, kuin miten paikkatietoaineisto tuodaan ohjelmaan – opin siis ohjelmasta ja sen käyttöliittymästä paljon uutta, vaikka emme itse paikkatiedon käsittelemisessä vielä kovin syvälle päässeetkään.

Koin ensimmäisen perustavaa laatua olevan ahaa-elämyksen teorian tuomisesta käytäntöön pyöritellessäni Google Mapsia ja harjoitellessani alueen pinta-alan mittaamista Qgis:n avulla – tässä kohtaa täytyy olla todella tarkka käyttämänsä kartan projektiosta, jotta pinta-alamittauksesta tulisi mahdollisimman tarkka. Esimerkiksi Google Maps hyödyntää perinteistä Mercatorin projektiota, joten sen avulla tuotetusta kartasta ei kyllä kannata lähteä mittailemaan ainakaan Suomen pinta-aloja projektion takia vääristyneiden pinta-alojen vuoksi.

Kartta Itämeren typpipäästöjen tuottajista

Tämän kurssikerran aiheena oli tuottaa kartta Itämereä ympäröivien valtioiden typpipäästöistä. Tuottamamme kartat olivat vektorimuotoisia, mikä tarkoittaa sitä, että kartan sisältämä paikkatieto on eri tasoilla sen tyypin tai kohteen mukaan. Esimerkiksi tuottamassamme kartassa typen päästöt olivat yhdellä tasolla, järvet toisella ja valtioiden rajat kolmannella ja niin edelleen. Vektorimuotoisessa aineistossa huomionarvoista on myös se, että kartan kohteet kuvataan pisteinä, monikulmioina tai viivoina. Rasterimuotoisessa tiedossa tasot sen sijaan esittävät kaikki objektit samalla tasolla; tasot vain voivat erota toisistaan esimerkiksi kuvaustavan mukaan.

Ensimmäinen askel kartan tuottamisessa oli luonnollisesti paikkatietoaineistojen tuominen Qgis:iin. Tämän jälkeen edessä oli näiden aineistojen käsittely siten, että lopputuloksena olisi visuaalisesti hyvännäköinen ja selkeä kartta, josta kävisi ilmi Itämeren ympärysvaltioiden osuus typpipäästöistä. Muuttamalla värejä ja luokittelemalla typpipäästödataa oli mahdollista tuottaa alla näkyvä kartta suhteellisen kivuttomasti. Koska GIS:istä ja sen käytöstä on vain aina kuullut kaikilla luennoilla, oli oikeastaan aika mielenkiintoista päästä itse käyttämään sitä. Opin esimerkiksi, miltä näyttää, kun paikkatieto sisältää ominaisuustietoa: kyseessä on taulukko, jossa eri sarakkeissa voi olla esimerkiksi yhdestä maasta mitatut typpipäästöt, mittausajankohta ja muuta tietoa. Qgis:n käyttäjän vastuulla on päättää, mitä näistä tiedoista visualisoi kartalla, ja me laskimme typpipäästöjen suhteelliset arvot Itämeren ympärysvaltioille, sillä tuotimme koropleettikartat, joissa absoluuttisia arvoja ei saa käyttää.

Selvä kartta ─ epäselvä sisältö?

Mielestäni tuottamani kartta onnistui visuaalisesti yllättävän hyvin. Ongelmallista siinä on ehkä lähinnä rantaviivojen puuroutuminen kauemmas zoomatessa, mutta muutoin se on mielestäni varsin selkeä ja väreiltään miellyttävä. Syvyyskäyrät saattavat tuntua aihetta heikommin tuntevista katsojista turhilta, mutta niiden olemassaoloa voidaan perustella sillä, että typpi varastoituu meren pohjasedimentteihin sekä sillä, että luonnollisesti typpipäästöt aiheuttavat pahempia rehevöitymisongelmia matalammilla alueilla, kun typen osuus suhteessa veden määrään on suurempi. Valtiot erottuvat kartalta hyvin, ja mielestäni on helppo tulkita, mikä valtio kuuluu mihinkin kategoriaan. Oranssinpunainen siirtymä typpipäästöjen mukaan tosin on hieman aggressiivinen, mikä kyllä sinänsä sopii aiheeseen ympäristönsuojelun näkökulmasta – maa on sitä punaisempi, mitä suurempi osuus sillä on typpipäästöistä. Kartta on myös mielestäni helppolukuinen, ja uskon sen tarjoaman informaation olevan helposti luettavissa suurimmalle osalle katsojista. Viro erottuu kartasta positiivisesti, tuottaen pienimmän osuuden typpipäästöistä eli 3,2%. Liettua, Saksa, Tanska ja Suomi sijoittuvat seuraavaan kategoriaan, eli valtioihin, jotka tuottavat 3,2─8% päästöistä. Norja, Latvia ja Venäjä taas tuottavat 8─13,3%, ja Puola pahimpana saastuttajana 13,3─33,7%.

Kartan informaatioarvoa sen sijaan tulisi ehkä pohtia tarkemmin. Ensinnäkin, kartan lukija ei tiedä, mitkä ovat olleet typen päästöjen absoluuttiset arvot valtioittain. Toisenlaisella luokkajaolla ”pahiksia” olisi voinut olla muitakin kuin Puola – lukija ei voi tietää kartasta, sijoittuuko esimerkiksi Venäjä luokkansa ylä- vai alarajalle. Toiseksi, kartan tekotarkoitus on aika selvästi osoittaa, ketkä ovat pahimpia Itämeren saastuttajia. Onko kuitenkaan reilua verrata pinta-alaltaan ja väkiluvultaan moninkertaisesti suuremman Venäjän tuottamaa typpikuormaa Viron tuottamiin päästöihin? Toisaalta tätä argumenttia voitaisiin tarkastella myös painottaen sitä, miten suuri osuus valtion tuottamasta typestä päätyy lopulta Itämereen. Näin ajatellen yhdeksi loogiseksi tekijäksi voitaisiin nostaa esimerkiksi rantaviivan pituus pintavalunnan vuoksi – tällöin suurimmaksi suhteelliseksi vastuunkantajaksi nousisivat Suomi ja Norja, ja esimerkiksi Venäjän taakka huojentuisi huomattavasti. Typpeä kuitenkin päätyy Itämereen myös ilmalaskeuman kautta, joten aivan näin helpolla Venäjää ei voida päästää. Toisaalta, kuten Nelli Junttila huomauttaa blogissaan, ei koko valtion alue ei välttämättä vaikuta Itämeren typpimäärän lisääntymiseen, sillä esimerkiksi pinnanmuotojen määrittämät valuma-alueet vaikuttavat suuresti siihen, miten paljon typpeä päätyy mereen. Junttila huomauttaa myös, että näin tarkastellen esimerkiksi Suomen pohjoisosilla on todennäköisesti varsin pieni vaikutus Itämeren typpikuormaan.

Koska kartalla kuitenkin osoitellaan syyllisiä, voisi sen ”reiluutta” pohtia vielä tarkemminkin. Kartalla esitetyt valtiot eroavat toisistaan huomattavasti esimerkiksi elinkeinorakenteensa puolesta. Esimerkiksi pahimmaksi saastuttajaksi nousevassa Puolassa raskas teollisuus ja maatalous ovat tärkeitä elinkeinoja, ja siellä tuotetaan paljon energiaa ja elintarvikkeita myös muiden valtioiden tarpeisiin. Esimerkiksi pelkästään Saksaan Puolan viennistä kohdistuu 27,3% (Washington, DC: Central Intelligence Age, 19.1.2018 ), mutta syyttävä sormi saasteiden tuottamisesta jää silti osoittamaan Puolaan. Toki typpipäästöt ovat silti ongelma, joiden vähentämiseksi täytyy tehdä töitä, ja siksi tämänkaltaiset kartat ovat tärkeitä. Kartantekijällä vain on suuri vastuu siinä, miten tämä päättää koostaa kartan – kenen vastuuta kartalla halutaan viestiä? Miten vastuu oikeasti jakautuu, eli keneen vastuu kannattaa kohdistaa? Kartantekijän olisikin siis hyvä olla perillä myös itse kuvaamastaan ilmiöstä. Pelkät luvut eivät yleensä kerro koko totuutta, vaan on otettava huomioon ilmiö kokonaisuudessaan ja siihen vaikuttavat muut tekijät.

 

Lähteet:

The World Factbook. (2017). Washington, DC: Central Intelligence Agency. 19.1.2018 <https://www.cia.gov/library/publications/the-world-factbook/geos/pl.html>

Junttila, Nelli. 1. Kurssikerta: Qgis ja Itämeren typpipäästöt (22.1.2018). <https://blogs.helsinki.fi/junelli/> Luettu 23.1.2018