Annasofian blogi

SEITSEMÄS KURSSIKERTA

Viimeisellä kurssikerralla sai päästää luovuuden valloilleen ja luoda omanlaisen kartan. Kartalla oli tarkoitus esittää kahta muuttujaa sellaisella alueella, jonka voi jakaa osiin.

suuria haasteita

Edellisellä kurssikerralla annettiin kotitehtäväksi etsiä valmiiksi käytettävät aineistot. Tämä oli toinen suurimmista haasteistani kyseisellä kurssikerralla. Mikään löytämäni aineisto ei ollut sopiva ja selailin internetin ihmeellistä maailmaa tuntikausia vertaillen eri tietokantoja. Olisin halunnut tarkastella jotakin kansainvälistä ilmiötä, mutta eri tietokantojen määrä oli aivan valtava, enkä löytänyt sieltä miellyttävää aineistoa kartan pohjalle. Lopulta päädyin tekemään kartan vain Suomesta, koska aineistot olivat helpommin löydettävissäni.

Toinen suuri haaste kurssikerralla oli luovuuden puute. En millään keksinyt, millaisen kartan tekisin eikä yksikään aineistoista herättänyt erityistä mielenkiintoa. Kartta oli kuitenkin saatava tehtyä, joten valitsin Paituli-palvelusta WFS rajapinnan, josta löysin tietoa Suomen kunnista, väkiluvuista sekä oppilaitoksista. Näitä hyödyntäen tein väkiluvuista kunnittain koropleettikartan, johon liitin myös kaikkien Suomen lukioiden sijainnit pisteinä.

LÄMPÖKARTTA, PISTEKARTTA ja koropleettikartta

Halusin vähän testailla erilaisia esittämistapoja tällaiselle kartalle. Pidin todella paljon lämpökartan tekemisestä ajatuksena, mutta toteutus ei kuitenkaan lopulta ollut sitä mitä olisin halunnut (kuva 1). Koska Suomessa hyvin pitkälti jokaisessa kunnassa on lukio, ei lämpökarttaan jäänyt juurikaan tyhjiä alueita. Näin ollen koropleettikartta jäi ikävästi lämpökarttatason alle piiloon. Kokeilin erilaisia asetuksia, joilla voisi ratkaista tämän ongelman, mutta mikään ei tuottanut haluamaani lopputulosta.

Kuva 1. Lämpökartta Suomen luokioista ja kuntien väkiluvusta vuonna 2022.

Lämpökarttani ei ole parhaiten onnistunut, mutta siitä näkee hyvin, millä alueilla lukioita on eniten. Tummanpunaisena pallona erottuu pääkaupunkiseutu. Myös muiden suurempien kaupunkien, kuten Turun, Tampereen ja Oulun, on havaittavissa selvästi tiheämmin lukioita. Kartalta on haastavaa erottaa koropleettikarttaa, mutta kuntien väkiluku näyttää osittain vaikuttavan myös lukioiden määrään.

Koska lämpökartta ei toiminut haluamallani tavalla, päätin myös tehdä kartan, jossa lukiot ovat selkeästi vain pisteinä (kuva 2). Tällainen kartta kuvaa tarkemmin yksittäisten lukioiden sijaintia, mutta ei anna yhtä selkeää kuvaa siitä, missä lukioita on eniten. Tarkasti katsottuna voi huomata alueita, joilla pisteitä esiintyy tiheämmin kuin toisilla, mutta esitystapa ei ole yhtä selkeä ja helppolukuinen kuin lämpökartta.

Kuva 2. Suomen lukioiden sijoittuminen ja kuntien väkiluvut vuonna 2022.

Huomasin nyt jälkikäteen muiden blogeja selaillessani, että monet muut kurssilaiset olivat hyödyntäneet Our World in Data -sivustoa aineistojen hankkimiseen. Pidin erityisesti Laura Kaapun tekemästä kartasta, jossa hän kuvasi lukutaidottomuutta sekä köyhyysrajan alapuolella elävien ihmisten osuutta. Karttaa on helppo lukea, ja siitä pystyy huomata jonkinlaisen yhteyden kahden eri ilmiön välillä. Täytyy laittaa Our World in Data korvan taakse tulevia QGIS-aherruksia ajatellen!

 

lähteet

Kaapu, L. (2024). Kurssikerta 7. https://blogs.helsinki.fi/lakaapu/2024/02/27/kurssikerta-7/. Viitattu 7.3.2024

Epicollect5 ja Kumpulan turvallisuus

Toiseksi viimeisellä kurssikerralla, loskaisena torstai aamuna, pääsimme yllätyksekseni ulkoilemaan. Tehtävänämme oli kiertää Kumpulan kampuksen lähialueilla noin tunnin ajan ja poimia ylös Epicollect5-sovellukseen paikkoja ja vastata alueen kokemuksen perusteella muutamiin kysymyksiin jokaisesta kohteesta. Ryhmien keräämistä kohteista Epicollect5-sovellus muodosti taulukon, jossa oli vastaukset kysymyksiin sekä paikan koordinaatit. Epicollect5-sovellus vaikuttikin hyvin kätevältä ja sitä voisi hyvinkin käyttää jossakin tutkimuksessa, jossa sijainnin tarkkuudella ei ole niin suuresti väliä, sillä kännykän paikannus voi heittää aika paljonkin.

 

Palattuamme luokkaan uitettuina loskarekteltämme, meille esiteltiin hieman Epicollect5-sovellusta. Tiedot sai ladattua sovelluksesta kätevästi ja pisteet voitiin siirtää taustakartan päälle QGIS:iin. Harjoittelimme tällä kurssikerralla käyttämään interpolointi työkalua. interpoloinnin lopputulos näkyy kuvassa 1. Kuvasta 1 näkee, miten turvalliseksi Kumpulan ympäristön alueet on kuvattu. Siniset alueet koettiin ryhmässämme hyvin turvallisiksi ja punaisemmat alueet puolestaan turvattomammiksi.

Kuva 1. Ei-valmis kartta, josta näkyy, miten turvalliseksi ryhmämme koki Kumpulan alueen.

Tulivuoret ja maanjäristykset

Kurssikerran toisena tehtävänä oli leikkiä opettajaa ja luoda itsenäisesti QGIS:illä haluamansa karttasarja, jolla voisi havainnollistaa oppilaille koko maapallon tulivuoria sekä maanjäristyksiä. Aineiston käyttöä oli rajoitettu siten, ettei kaikkia maanjäristyksiä saanut kartalle, sillä kohteita olisi ollut niin paljon. Näin ollen kartalla on vain yli 6 magnitudin maanjäristykset vuosilta 1980-2024.

Kuva 2. 6-6,3 magnitudin maanjäristykset vuosina 1980-2024

Kuva 3. 6-6,9 magnitudin maanjäristykset vuosina 1980-2024

Kuva 4. 6-9,1 magnitudin maanjäristykset vuosina 1980-2024

 

Kartoista voidaan huomata alueellinen yhteys tulivuorten sekä maanjäristysten välillä ja ne havainnollistaisivat oppilaille hyvin mannerlaattojen reunojen sijainteja. Samalla oppilaille voisi opettaa Tyynenmeren tulirenkaasta, sillä monet tulivuoret ja maanjäristykset voi huomata sen reunoilla. Tähän olisi vielä parempi saada kartta, jossa Tyynivaltameri on keskiössä, jolloin on helpompaa hahmottaa tulirenkaan yhtenevä rengasmainen muoto.

 

Kartat onnistuivat kohtalaisesti, mutta eivät ole parasta jälkeäni. Jälkikäteen mietittynä olisi ehkä kartan selkeyden kannalta ollut järkevämpää esittää tulivuoret esimerkiksi lämpökarttana kuten Armida Wanström oli blogissaan tehnyt, koska tällöin ne eivät jäisi maanjäristysten jalkoihin yhtä paljon ja silti kartasta ymmärtäisi missä alueilla tulivuoria on huomattavasti eniten. Omat kolmioina merkatut tulivuoreni erottuvat toki pyöreiden maanjäristyspisteiden joukosta, mutta jäävät kyllä niiden peittoon.

 

Opettajan olisi myös hyödyllistä selittää magnitudein merkitys ja kuvailla, kuinka voimakas on kuuden magnitudin maanjäristys verrattuna yhdeksän magnitudin maanjäristykseen. Karttojen maanjäristysten jaottelun olisi voinut myös tehdä eri tavalla, esimerkiksi 6-7 magnitudia, 7-8 magnitudia sekä 8-9 magnitudia, jolloin oppilaille olisi selkeämpää, miten ylieisiä minkäkin suuruiset maanjärsitykset ovat. Nyt käytin luonnollisia lukuja, mikä voi tehdä sellaisen vaikutelman, että erittäin voimakkaita yli 8 magnitudin maanjäristyksiä tapahtuu yhtä usein kuin 6 magnitudin maanjäristyksiä. Tämä häiritsee minua näin jälkeenpäin aika paljon, mutta seuraavalla kerralla muistan ajatella asiaa vähän syvemmin enkä vain laittaa luonnollisia lukuja, koska niitä käytän yleensä.

 

Lähteet

Wanström, A. (2024). Tehkää minusta opettaja! viikko 6. https://blogs.helsinki.fi/armida/2024/02/22/tehkaa-minusta-opettaja-viikko-6/. Viitattu 1.3.2024

 

VIIDES KURSSIKERTA

Julkisen liikenteen lakko osui itselläni aika huonoon paikkaan, enkä päässytkään kampukselle viidenneksi kurssikerraksi. Edellisellä kurssikerralla peloteltiin jo siitä, että seuraavaksi olisikin meidän itse osattava tehdä tehtäviä aiemmilla kerroilla opitun pohjalta. Sain työmaan lopulta valmiiksi, vaika aikaa kului hyvin monta tuntia ja meinasin välillä repiä hiukset päästäni, mutta se taitaa kuulua asiaan.

LENTOKENTÄT JA ASEMAT

Lämmittelyksi tein alkutehtävät, jossa harjoiteltiin buffer-työkalun käyttöä. Tehtävä auttoi valtavasti seuraavissa itsenäistehtävissä. Ensimmäisessä itsenäistehtävässä selviteltiin Helsinki-Vantaan sekä Malmin lentokenttien aiheuttamaa meluhaittaa sekä juna- ja metroasemien saavutettavuutta Vantaalla. Ensimmäisessä itsenäistehtävässä ei tullut vastaan suurempia ongelmia, enkä jäänyt jumiin missään kohtaa. Käytin enimmäkseen buffer-työkalua sekä Join Attributes By Location -työkalua. Kaikki tarvittavat vastaukset sain helposti luettua Statistics -paneelista. Vastaukset lentokenttiin liittyvän itsenäistehtävän kysymyksiin löytyvät taulukosta 1 ja asemakysymysten vastaukset ovat taulukossa 2.

Taulukko 1. Lentokenttien melun vaikutus asukkaisiin Vantaalla.

Taulukko 2. Juna- ja metroasemien saavutettavuus Vantaalla.

 

VANTAAN TAAJAMAT

Toisessa itsenäistehtävässä tutkittiin taajama-alueita Vantaalla. Tämän tehtävän tekeminen ei alkanut kovin hyvin ja heti alkuun tuli ongelma. Taajama-tietokanta ei jostakin syystä halunnut tehdä yhteistyötä. Taistelin sen kanssa hyvän tovin, kunnes olin hermoromahduksen partaalla ja päätin lopettaa tehtävien teon siltä päivältä. Kun kahden päivän kuluttua yritin uudestaan, tietokannan kanssa ei ollutkaan mitään ongelmia ja tehtävän teko lähti käyntiin sujuvasti. Kaksi ensimmäistä kohtaa sain tehty ongelmitta. Muistin myös näissä tehtävissä Select-työkalun olemassa olon ja aloinkin hyödyntää sitä. Kolmannessa kohdassa tulikin haasteita, joissa kurssikaverini onneksi osasivat auttaa. Haasteena oli se, etten saanut valittuja kohteita näkymään Statistics-paneelissa. Kyseessä oli kuitenkin vain oma tyhmyyteni, enkä tajunnut valita laatikkoa ”Selected Features Only” :D. Lopulta sain toisen itsenäistehtävän tehtyä ja vastaukset tehtävän kysymyksiin löytyy taulukosta 3.

Taulukko 3. Vantaan taajamat

HELSINGIN KOULUPIIRIT

Tässä kohtaa hommat alkoivat sujua jo hyvin. Vapaavalinnaisessa itsenäistehtävässä ei ollut suurempia haasteita ja löysin mutkattomasti vastaukset kaikkiin kysymyksiin. Vastaukset kysymyksiin on listattu taulukkoon 4.

Taulukko 4. Helsingin yhtenäiskoulu sekä sen koulupiiri.

Pohdintoja kurssikerrasta

Buffer-työkalun käyttö oli kurssikerran uusi asia, mutta se sujui oikein mukavasti. Bufferit ovat kätevä tapa tehdä tietyn kokoisia vyöhykkeitä tiettyjen kohteiden ympärille. Anna Seppälä oli blogissaan pohtinut buffer-alueiden visuaalista ilmaisua kartalla. Tehtävästä ei tehty lopullisia karttoja eivätkä työvaiheeni kartat olisi julkaisukelpoisia epäselvyytensä vuoksi. Kuvan 1 kartasta ei kukaan osaisi sanoa mistä on kyse ilman selitteitä. Seppälä olikin blogissaan kokeillut täyttää buffer-alueensa raidoilla, jolloin myös bufferin alle peittyvät alueet oli selkeämmin nähtävissä. Tällöin lukija voisi paremmin ymmärtää, millainen alue bufferin alle jääkään. Silti rakennuksiin liittyvät pisteet kartalla sotkevat kuvaa valtavasti, mikä haittaisi edelleen sen lukemista.

Kuva 1. Esimerkki bufferisotkusta, jonka pohjalta tein tehtävää.

Lopulta olenkin hyvin tyytyväinen siihen, miten hyvin tehtävien teko sujui. Itsenäisesti sopivasti haastavien tehtävien tekeminen tuo paljon itsevarmuutta, kun huomaa, että osaa jotain ilman opettajan mallia. Tehtäviä tehdessäni huomasin myös, kuinka tärkeää on tuntea aineistot etukäteen. On todella vaikeaa lähteä laskemaan uutta saraketta attribuuttitaulukkoon, jos ei entuudestaan tiedä, mitä taulukko pitää sisällään. Tätä en ole aiemmin niinkään joutunut pohtimaan, koska ohjeissa on pitkälti kerrottu kaikki tarvittava ja opettajajohtoisesti tehtäessä tarvittavat ilmaisut annetaan suoraan nenän eteen.

Lähteet

Seppälä, A. (2024). 5. viikko – Bufferointia Helsinki-Vantaalla. https://blogs.helsinki.fi/sexanna/2024/02/16/5-viikko-bufferointi-helsinki-vantaalla/. Viitattu 21.2.2024

 

Kolmas kurssikerta

Kolmannella kurssikerralla kuunneltiin pitkästä aikaa opetusta piste- ja ruutuaineistoista sekä laserkeilauksesta aineistonkeruumenetelmänä. Esimerkkinä oli myös Physicumin aulasta laserkeilattu kuva, joka oli tarkkuudeltaan hyvin vakuuttava. Ruutuaineistoissa hämmästyttii aineistojen hintojen lisäksi niiden sisältämät erittäin tarkat tiedot.

Pisteet, ruudut ja futiskentän kokoiset attribuuttitaulukot

Kurssikerralla harjoittelimme ruutujen käyttöä QGIS:llä. Opettelimme myös karsimaan valtavista attribuuttitaulukoista turhia tietoja pois, mikä helpottaa ohjelman työtä erilaisten toimintojen suorituksessa. Epäonnistuinkin tässä vaiheessa kahdesti, mutta kolmannella kerralla, kuin taikaiskusta, karsinta onnistui. Harjoituksena tehtiin kartta (kuva 1) ruotsinkeilisten määrästä neliökilometrin kokoisissa ruuduissa pääkaupunkiseudulla. Aineistona käytettiin pääkaupunkiseudun väestöön liittyviä tarkkoja tietoja, jotka oli merkattu pisteinä. Aineistossa yksi piste kuvasi asuttua rakennusta. Valintatyökalua hyödyntäen saimme rajattu ruudukosta vain ne ruudut, joissa oli pisteitä. Näin ollen saimme valittua juuri ne alueet, joilla on asutusta.

 

Kuva 1. Ruotsinkielisten määrä pääkaupunkiseudulla neliökilometrin kokoisissa ruuduissa.

Kuvan 1 kartta kuvaa ruotsinkielisten määrää yhden ruudun alueella. Määrässä ei oteta huomioon sitä, kuinka paljon alueella ylipäätään asuu ihmisiä. Näin ollen esimerkiksi Helsingin keskustan alueella näyttää olevan eniten ruotsalaisia, mikä ei sinäänsä yllättä, sillä alueella on myös varmasti eniten asukkaita. Tästä syystä teinkin vielä toisen kartan, johon laskin ruotsinkielisten osuudet koko ruudun väestöstä (kuva 2). Ensimmäisessä kartassa asumattomat alueet näkyvät myös hyvin samanlaisena vihreänä, kuin ruotsalaisten määrää kuvaava vihreä, mikä tekee kartan lukemisesta vaikeaa ja kartta on myös jollain tasolla harhaanjohtava. Päätin tämänkin asian korjata toista karttaa tehdessäni.

 

Kuva 2. Ruotsinkielisten osuudet kaikista asukkaista neliökilometrin kokoisilla ruuduilla.

Kuvan 2 kartta antaakin hyvin erilaisien kuvan ruotsinkielisten sijoittumisesta pääkaupunkiseudulle. Enää Helsingin keskustan alueella ei näytäkkään olevan eniten ruotsinkielisä vaan ruotsinkeiliset ovat jakautuneet vähän joka puolelle. Eniten ruotsinkeilisiä näyttäisi olevan pääkaupunkiseudun länsipuolella ja jonkun verran itäisessä kärjessä. Kuvasin asumattomia alueita harmaalla, jolloin ne erottuvat hyvin asutuista alueista eikä aiheuta sekaannusta kuten ensimmäisessä kartassani. Heini Tolvanen kirjoittaa blogissaan, miten kunta-rajojen lisääminen karttaan helpottaisi sen luettavuutta. Olen tästä täysin samaa mieltä enkä Tolvasen tapaan itse hahmota yhtää, missä pääkaupunkiseudun kuntien rajat todellisuudessa kulkevat.

Ratseriaineistot

Kurssikerran lopuksi aloitimme seuraavan kurssikerran tehtävän valmistelua. Lisäsimme hyvin tarkkoja rasteritiedostoja Pornaisten korkeuseroista. Ensimmäinen tehtävä olikin yhdistää nämä tiedostot yhdeksi, jotta niiden käsittely ei kävisi ohjelmalle liian raskaaksi. Tähän toimi hyvin QGIS:n “Virtual raster” -työkalu. Käytimme myös “Hillshade”-työkalua rinnevarjostuksen luomisessa. Kurssikerralla kerrottiin mielenkiintoinen fakta siitä, että rinnevarjostuksen valon tulokulma on yleensä noin 300 astetta, sillä tällöin suurin osa ihmisistä tulkitsee korkeuserot kohoumina eikä kuoppina. Kun säädettiin hieman kerroksen ominaisuuksia, saatiin lopulta Pornaisten karttalehdelle rinnevarjostus. Seuraavaksi harjoiteltiin korkeuskäyrien tekemistä “Contour”-työkalulla, jonka käyttö vaikutti hyvin selkeältä. Joku kuitenkin minulla taisi olla pielessä, sillä korkeuskäyrät eivät valmistuneet edes puolessa tunnissa.

Aivan viimeiseksi piirsimme Pornaisiin kulkevat suurimmat tiet rasteriaineiston pohjalta kokonaan uutena vektroitasona, mistä jatketaankin sitten seuraavalla kerralla. Ehdimme tosiaankin tehdä vain tiet ja muiden kurssilaisten blogeja selaillessani huomasin, että minua taitaakin odottaa ensikerralla vielä lisää näperrystä kuten rakennusten merkitsemistä kartalle.

 

Lähteet

Tolvanen, H. (2024). Neljäs viikko – Ruutukarttoja ja nivelvaurioita aiheuttavaa näpertämistä (eli digitointia). Viitattu 8.2.2024

 

KOLMAS KURSSIKERTA

Kolmannen kurssikerran alussa tehtiin harjoituksen vuoksi kartta Afrikassa esiintyvistä konflikteista, timanteista sekä öljyvaroista. Tämä edellytti tietokantojen muokkaamista ja käsittelyä, jotta kaikki tarvittavat tiedot kartan laatimiseen on saatavilla. Lopputuloksena saadusta kartasta (kuva 1) nähdään, miten konfliktit, timantit ja öljyvarat jakautuvat Afrikan mantereella.

Kuva 1. Kartta Afrikan öljyvaroista, timanteista sekä konflikteista.

Kartalta nähdään, että konflikteja esiintyy paljon alueilla, joilla ei ole timantteja eikä merkittäviä öljyvaroja. Esimerkiksi Etiopian alueella on ollut paljon konflikteja, vaikka siellä ei ole merkittäviä öljyvaroja eikä timantteja. Näin ollen voidaan olettaa näiden konfliktien syttymisen taustalla olevan jokin muu syy.

SUOMEN VALUMA-ALUEIDEN TULVAINDEKSIT SEKÄ JÄRVISYYS

Melkein koko kolmannen kerran kestäneen intron jälkeen oli aika tehdä itsenäinen harjoitus Afrikka-tehtävässä opittujen asioiden pohjalta. Tavoitteena oli siis luoda teemakartta, josta käy ilmi Suomen valmua-alueiden tulvaindeksi, sekä järvisyys (kuva 2). Kartan teko sujui aika mutkattomasti, kunnes jäin jumiin siihen, että QGIS ei tunnistanut ä- ja ö-kirjaimia, jolloin en saanut Excel-taulukon tietoja yhdistettyä QGIS:n attribuuttitaulukkoon oikein. Onneksi tämä ongelma ratkesi nopeasti vinkkien avulla ja pääsin eteenpäin. Lopulta kartan tekeminen sujui aika hyvin, toki haastavinta oli jälleen saada kartasta riittävän selkeä luettavaksi. Karttaan on merkattu niin paljon vesistöjä ja esimerkiksi valuma-alueiden rajat olivat hyvin huomaamattomat. Olen kuitenkin ihan tyytyväinen lopputulokseen ja eri elementit erottuvat kartasta selkeästi.

Kuva 2. Teemakartta Suomen valuma-alueiden tulvaindeksistä sekä järvisyydestä.

Järvisyyttä päätin kuvata palkeilla, koska en onnistunut saamaan ympyrädiagrammeja järkevästi ja lopulta en jaksanut edes yrittää enää, kun kurssikerta oli jo loppunut jokin aikaa sitten ja seuraavan kurssin opiskelijat alkoivat valua luokkaan. Palkit kuvaavat kuitenkin mielestäni ihan kohtuullisen hyvin alueen järvisyyttä. Niistä on kuitenkin vaikeampi hahmottaa, kuinka paljon järviä on suhteessa maa-alaan. Ympyrädiagrammista tämän näkee huomattavasti selkeämmin. Palkeista on myös vaikea hahmottaa, mitä valuma-aluetta ne kuvaavat. Osalla alueista on niin vähän järviä, että palkki näkyy pelkkänä mustana viivana, jolloin sitä on vaikea nähdä kartasta.

Tulvaindeksi ja järvisyys valuma-alueilla -kartasta (kuva 2) voidaan nähdä, että tulvaindeksi on kaikista suurin Suomen etelä- ja länsi-osissa. Näillä tulvaherkimmillä alueilla järvisyys on huomattavasti pienempi. Rosa Elomaa selvittikin blogissaan, mistä ilmiö johtuu. Hänen käyttämien lähteiden mukaan syynä on se, että alueilla, joilla on vähemmän jokia ja järviä, ei ole myöskään alueita, joihin ylimääräinen vesi voisi varastoitua. Elomaa pohti myös tulvaherkimpien alueiden sijainteja rannikolla ja meriveden vaikutusta tulvimiseen. Hän tuli siihen tulokseen, että tulvaindeksi on laskettu jokien virtaamista, jolloin meriveden ei pitäisi vaikuttaa kyseiseen tulvaindeksiin. Itse kiinnitin myös huomiota siihen, kuinka suuria eroja valuma-alueiden pinta-aloissa on keskenään. Tulvaherkimmät valuma-alueet näyttäisivät olevan pinta-alaltaan pienempiä kuin pienemmän tulvaindeksin valuma-alueet.

Lähteet

Elomaa, R. (2024). Viikko 3 – tietokantojen siistimistä ja yhdistelyä. https://blogs.helsinki.fi/elomrosa/2024/02/06/viikko-3-tietokantojen-siistimista-ja-yhdistelya/ Viitattu 7.2.2024

toinen kurssikerta

Toisen viikon luennolla jatkettiin QGIS:n käytön harjoittelua. Opettelimme esimerkiksi käyttämään ohjelman valinta- ja mittaustyökaluja, lisäämään WFS kerroksia sekä käyttämään erilaisia projektioita. Luennolla tutkittiin QGIS:n avulla, miten eri projektiot vääristävät alueiden pinta-aloja.

Projektiot pyörityksessä

Suomessa käytetään nykyään pääasiassa ETRS-TM35FIN-projektiota. Projektio on todettu hyväksi ja se on todella tarkka verrattuna esimerkiksi moniin maailmankartoissa käytettäviin projektioihin. Vertasimmekin muita projektioita ETRS-TM35FIN-projketioon, koska sen tiedetään olevan aika lähellä todellisuutta, vaikka aina projektioissa esiintyy vääristymiä.

Ennen karttojen tekemistä, kokeilimme QGIS:n mittaustyökalujen avulla mittaustulosten vääristymiä projektiota vaihtaessa. Tulokset taulukoitiin (taulukko 1) ja niistä voi huomata selkeitä eroja.

Taulukko 1. Mittaustulosten vaihtelut eri karttaprojektioiden välillä.

Tehtävänä oli esittää vääristymäkertoimia koropleettikartoilla. Pohjalla on Suomen kartta, josta erottuu eri Suomen kunnat. Tehtävään sopi parhaiten värit, joissa on jaettu niin, että löytyy voimakkaan virheen ääripää (tässä tapauksessa punainen) ja pienemmän virheen ääripää (tässä tapauksessa sininen). Kaikkien eri projektioiden virheet esitetään kartalla, jossa on käytetty samaa ETRS-TM35FIN-projektiota, jotta niiden keskinäinen vertailu olisi mahdollista.

Kuva 1. Mercatorin ja ETRS-TM35FIN projektioiden väliset vääristymäkertoimet koropleettikartalla.

Kuva 2. Robinsonin ja ETRS-TM35FIN projektioiden väliset vääristymäkertoimet koropleettikartalla.

 

Kuva 3. Winkel Tripel ja ETRS-TM35FIN projektioiden väliset vääristymäkertoimet koropleettikartalla.

Ensisilmäyksellä kartoista (kuvat 1-3) voidaan huomata, että jokaisella projektiolla pinta-alojen vääristymää on sitä enemmän, mitä pohjoisemmaksi edetään. Kuitenkin legendaa lukiessa voidaan huomata, että vääristymäkertoimissa on eri projektioiden välillä huomattaviakin eroja. Mercatorin projektion (kuva 1) pienin esiintyvä vääristymäkerroin on 3,95 ja suurin 8,26. Tämä tarkoittaa siis sitä, että Mercatorin projektiossa Suomen pohjoisimmat alueet esiintyvät pinta-alaltaan noin kahdeksankertaisina. Mercatorin projektio vääristääkin valtavasti napa-alueiden läheisiä pinta-aloja. Verrattuna Robinsonin projektioon (kuva 2) ja Winkel Tripel -projektioon (kuva 3), on Mercatorin kartassa pinta-alojen vääristymät huomattavasti suuremmat. Molemmissa Robinsonin ja Winkel Tripel -projektioissa vääristymäkerroin on noin 1,2 ja 1,6 väliltä. Nämä molemmat projektiot ovatkin siis huomattavasti tarkempia pinta-alan suhteen kuin Mercatorin projektio, jossa suunnat ovat oikein. Molemmissa Winkel Tripel sekä Robinsonin projektioissa onkin yritetty minimoida vääristymiä, mutta myöskään mikään ei ole projektiossa täysin oikein (Snyder, J. P. and Voxland, P. M. (1989)).

Viimeisenä projektiona kokeilin Equal Area projektion vääristymiä pinta-alassa (kuva 4). Kuten projektion nimestäkin voi päätellä, projektiossa pinta-alojen pitäisi kuvata todellisuutta (Šavrič, B., Patterson, T., and Jenny, B., 2018). Kuvan 4 kartan legendasta voidaan nähdä, että pinta-alan vääristymäkerroin projektiolla on suurimmillaan vain 1,005 ja pienimmillään 0,997. Projektion pinta-alat ovatkin siis todella lähellä ETRS-TM35FIN-projektioiden pinta-aloja.

Kuva 4. Equal Area ja ETRS-TM35FIN projektioiden väliset vääristymäkertoimet koropleettikartalla.

 

Gaius Eriksson pohti blogissaan värien käyttöä kartoissaan, joissa vertaillaan eri projektioiden aiheuttamaa virhettä pinta-aloissa. Hän oli käyttänyt kaikissa kartoissaan eri värejä, jotta lukija ymmärtäisi nopeasti karttaa katsomalla, että kyseessä on eri kartat. Mielestäni tämä oli hyvä idea, sillä omat karttani ovat keskenään todella samannäköisiä ja lukematta tekstejä ei huomaisi kartoissa (kuvat 1-3) välttämättä mitään eroja ilman niiden tarkempaa tutkiskelua.

 

Lähteet

Eriksson, G. (2024). MAA202 Toinen viikko. https://blogs.helsinki.fi/ezgaius/. Viitattu 30.1.2024

 

Šavrič, B., Patterson, T., and Jenny, B. (2018). “The Equal Earth map projection.” International Journal of Geographical Information Science, 33(3)

Snyder, J. P. and Voxland, P. M. (1989). An Album of Map Projections. U.S. Geological Survey Professional Paper 1453. Washington, DC: United States Government Printing Office.

Ensimmäinen kurssikerta

Enismmäisellä kurssikerralla harjoiteltiin QGIS-ohjelman perustoimintojen käyttämistä tekemällä koropleettikarttoja. Luulin, että QGIS oli aivan uusi ohjelma, mutta muiden blogeja lukiessani muistin, että sitä käytettiin kerran eräällä aikaisemmalla kurssilla. Toisin sanoen, minulla ei ollut jäänyt mitään mieleen ohjelman käytöstä, joten kaikki kertaus luennolla oli hyödyksi. Kurssikerralle tehtiin kaksi erilaista karttaa, joista ensimmäinen tehtiin ohjatusti luennolla ja toinen itsenäisesti.

Itämeren Typpipäästöt Kartalla

Ensimmäisenä tehtvänä oli tehdä koropleettikartta Itämereen suuntautuvista typpipäästöistä. Tein kartan kokonaan kotona uudestaan, koska luennolla tekemässäni kartassa oli tullut jokin virhe. Tulipahan kerrattua kartan tekeminen ainakin vielä itsenäisesti 😀

Kartan tekemisessä oli aika monta eri vaihetta, mutta selvisin siitä hyvin itsenäisesti luennon jälkeen ohjeiden kanssa. Minulla oli hieman haasteita värien kanssa. QGIS laittoi automaattisesti vähiten typpipäästöjä tuottavat maat valkoiseksi, mikä ei mielestäni ole paras vaihtoehto, sillä maa-alueiden rajoista huolimatta, nämä alueet sulautuivat kartan valkoisiksi jääneisiin muihin merialueisiin liikaa. Luennolla mainittiin myös siitä, etteivät värit saisi olla negatiivista ilmiötä kuvatessa liian positiivisia. Näin ollen valitsin hälyttävän punaisen värit. En ole kuitenkaan vieläkään täysin tyytyväinen sävyihin, mutta näillä mennään. Myös värien voimakkuudella voi vaikuttaa siihen mielikuvaan, joka lukijalle tulee kartalla kuvattavasta ilmiöstä. Jos pienimmän luokan typpipäästöjä kuvattaisiin QGIS:n ehdottamalla valkoisella värillä, tulisi ainakin itselleni ensivaikutelma siitä, että nämä maat ovat ilmiön suhteen neutraaleja. Lopputuloksena saamani kartta on kuvassa 1.

Kuva 1. Itämereen päätyvien typpipäästöjen suhteelliset määrät valtioittain koropleettikartassa. Datan lähde: The Baltic Marine Environment Protection Commission (HELCOM) raportti, 2013.

Karttani onnistui lopulta ihan kohtuullisen hyvin. Vesistöt erottuvat selkeästi sekä muut maat erottuvat Itämerta saastuttavista maista hyvin. Typpipäästömaita olisi voinut kuvata vielä paremmilla väriellä. Mielestäni värit ovat jotenkin liian hailakoita. Monet muut kurssilaiset värittivät muut maat kartassaan harmaalla, mikä tavallaan olisi neutraalimpi värivaihtoehto kuin vihreä. Karttaani sen enempää tulkitsematta voisikin ajatella, että punaiset maat ovat jollain tapaa huonoja ja vihreät hyviä. Heini Tolvasen blogin (2024)  kuvassa 3 on hänen lopputuloksena saamansa kartta, joka on mielestäni visuaalisesti todella onnistunut. Tolvasen kartassa on neljä luokkaa kolmen sijaan, mikä antaa tarkempaa tietoa typpipäästöjen osuuksien jakautumisesta valtioiden välillä. Myös värit sopivat hyvin yhteen ja eri luokat on helposti erotettavissa toisistaan.

Karttaa lukiessa huomataan, että Puolasta tulee Itämereen suurimmat typpipäästöt. Kuitenkaan tarkkaa määrää ei kartta kerro, vaan lukija saa hyvin laajan tiedon siitä, että puolan typpipäästöjen osuus on jotakin 13,3-33,7 % väliltä. Olisi myös mukavampaa ja lukijaystävällisempää, että luokkien luvut olisivat tasalukuja.

Ruotsinkielisten osuus Suomen kunnissa

Ensimmäisen kurssikerran jälkeisessä kotitehtävässä oli tarkoituksena kerrata QGIS-ohjelman käyttöä tekemällä koropleettikartta Suomen kunnista jostakin muuttujasta. Kuvassa 2. on lopputuloksena saatu kartta ruotsinkielisten osuuksista.

 

Kuva 2. Koropleettikartta ruotsinkielisten osuudesta kunnan väestöstä.

 

Kuvan 2. kartasta voidaan huomata, että ruotsinkielisten osuus suurimassa osassa suomea on välillä 0-12 % koko kunnan väestöstä. Eniten ruotsinkielisiä näyttäisi olevan länsi- sekä eteläosissa. Kaikista eniten ruotsinkielisiä on Vaasan ympäristössä sekä Turun saaristossa. Myös Suomen eteläkärjessä on kuntia, joissa ruotsinkielisiä on noin 43-72 %. Suurin syy ruotsinkielisyyden keskittyminen Suomen länsiosiin tulee varmasti Ruotsin läheisyydestä. Läntisessä Suomessa on suuria eroja itäiseen Suomeen esimerkiksi siten, että itäisessä Suomessa paikoilla ei ole läheskään yhtä usein ruotsinkeilisiä nimiä kuin taas läntisessä Suomessa.

Muiden blogejani selaillessa huomasin, että osa oli samassa tehtävässä ruotsinkielisten osuuksista karttaa tehdessään käyttänyt kvantiililuokittelua kun taas itse käytin luonnollisia välejä luokitteluun. Kvantiileissa kussakin luokassa on yhtä monta aluetta, jolloin kartalla jokaista väriä on myös yhtä monta. Tämä vääristää hieman kartalla esitettävää ilmiötä ja saa sen helposti näyttämään todellisuutta dramaattisemmalta.

 

Lähteet

Tolvanen, H. (2024). First steps to QGIS (ja siitä eteenpäin…). https://blogs.helsinki.fi/heinitol/2024/01/first-steps-to-qgis/  Viitattu: 23.1.2024