Month: January 2021

Toisella kurssikerralla käytiin läpi esimerkiksi WFS- eli Web Feature Service -datan liittämistä/avaamista QGISissä (Paarlahti, 2021, sivu 5). Netistä löytyykin paljon maksutonta ja kaikille avointa aineistoa. Aineistojen yhdistäminen QGISiin toimii erilaisten rajapintojen avulla, joita Elmo on eritellyt tarkemmin blogissaan – erinomainen tiivistelmä erilaisten rajapintojen ominaisuuksista.

WFS-aineistojen lisäksi harjoiteltiin pinta-alatiedon automaattista lisäämistä attribuuttitaulukkoon sekä tarkasteltiin, miten eri karttaprojektioiden pinta-alatiedot poikkeavat toisistaan. Koska täydellistä karttaa ei pallon muotoisesta maapallosta voi tehdä, vääristyy kartalla aina jokin tai jotkin ominaisuudet, esimerkiksi pinta-ala tai etäisyydet.

Suomessa on yleisesti käytössä ETRS-TM35FIN-projektio, joka kuvaa pitkänmallista maatamme melko tarkasti ja muotoa/pinta-alaa vääristämättä. Jos haluat hieman lisätietoa kyseisestä projektiosta, käy lukemassa Tapion postaus toisesta kurssikerrasta. Postauksessa kerrotaan lisää siitä, kuinka TM35 eroaa esimerkiksi Mercatorin projektiosta.

Tehtävänä oli siis verrata muiden projektioiden perusteella laskettuja Suomen kuntien pinta-aloja ETRS-TM35FIN-projektiosta laskettuihin ja katsoa, miten paljon muiden projektioiden pinta-alat poikkeavat tästä.

Erinomainen esimerkki pinta-alatiedon vääristymisestä on klassinen ja varmasti kaikille tuttu Mercatorin projektio, jossa pinta-alat vääristyvät sitä enemmän, mitä kauemmas päiväntasaajasta siirrytään. Kuvassa 1 näkyy hyvin, kuinka Mercatorin projektio moninkertaistaa (!) pinta-alat verrattuna TM35-projektioon.

Lisäksi tein vertailut käyttäen Winkel Tripel -projektiota (kuva 2) sekä Cassini-projektiota. Winkel Tripel on kompromissiprojektio, jossa mikään ominaisuus ei ole oikein, vaan on haettu tasapainoista kompromissia. Mercatorin projektioon verrattuna Winkel Tripelissä pinta-alat eivät TM35:een nähden vääristy juuri lainkaan. Toisaalta onhan puolitoistakertainen lukukin aika vääristynyt, mutta kahdeksankertaiseen verrattuna se tuntuu aivan mitättömältä. Kaikki on suhteellista.

Cassini-projektio oli itselleni aivan uusi tuttavuus. Siinä karttaa halkoo pitkittäissuunnassa nollameridiaani, joka kulkee molempien napojen kautta, ja pohjois- ja etelänapa on siis kuvattu suoraan ylhäältä päin (Wikipedia, 2019). Näin ollen voisi jo päätellä, ettei Suomi ole kovin vääristynyt, ja tämän voikin havaita myös kartan perusteella vertailussa TM35:een (kuva 3).

Karttoja tehtäessä ja lukiessa on myös hyvä muistaa, miten paljon esitystapa vaikuttaa kartan lopputulokseen ja mahdollisesti tulkintaankin. Itse päädyin jakamaan kaksi viimeistä karttaesimerkkiäni vain kolmeen eri luokkaan, sillä vääristymät olivat niin paljon vähäisempiä kuin Mercatorin projektiossa.

Nooran blogissa on erinomainen esimerkki toisenlaisesta ratkaisusta ja siitä, miten kartan värivalinnat ja muut visuaaliset ratkaisut voivat vaikuttaa kartan tulkintaan. Noora oli niin ikään vertaillut myös Winkel Tripel -projektiota TM35:een, mutta hänen karttansa lopputulos näyttää melko erilaiselta omaani verrattuna. Onkin todella mielenkiintoista nähdä kanssaopiskelijoiden tekemiä erilaisia versioita samasta kartasta, jonka itse on tehnyt. 

Ennen karttoja teimme myös mittauksia (etäisyys ja pinta-ala) itse valitsemillamme projektioilla. Näistä koostin pienen taulukon (taulukko 1), jossa näkyy suuntaa-antavasti eri projektoiden antamat erilaiset mittaustulokset samasta kohdasta mitattuna. Erot projektioiden välillä voivat olla todella suuria, kuten tässäkin esimerkissä Mercatorin projektion ja TM35-projektion vertaileminen osoittaa.

Pinta-aloja analysoidessa ja määrittäessä saakin olla tarkkana projektioiden kanssa, tai voi mennä aika pahastikin pieleen. Erityisesti koska kartoissa muita muuttujia suhteutetaan usein juuri pinta-alaan, tulee pinta-ala osata laskea oikein. Tästä todella hyvä esimerkki löytyy Lotan blogista. Lotta on verrannut yli 65-vuotiaiden lukumäärää suhteuttuna pinta-alaan kunnittain käyttäen Lambertin ja Mercatorin projektioita. Lambertin oikeapintaisessa projektiossa yli 65-vuotiaiden määrä / km2 on moninkertaisesti suurempi eli heitä on enemmän neliökilometrillä, koska Mercatorin projektiossa pinta-alat ovat niin paljon todellisuutta suuremmat. Vaikka visuaalisesti kartoissa ei juuri huomaa eroa, kertoo kartan selite oleellisen.

Karttojen tekeminen alkoi sujua jo melko näppärästi, kun toisti samoja asioita useampaan kertaan. Olisi ollut vielä mielenkiintoista saada nämä kolme karttaa rinnakkain ja luokiteltua samalla asteikolla ja väreillä, jolloin karttojen vertaaminen keskenään olisi ollut vielä havainnollisempaa. Tätä en ainakaan äkkiseltään vielä itse osannut tehdä.

Lähteet:

Holopainen, E. (2.2.2021). Syventyminen QGIS -ohjelmistoon (vk. 4). Haettu osoitteesta https://blogs.helsinki.fi/elmblog21/2021/02/02/syventyminen-qgis-ohjelmistoon-vk-4/

Paarlahti, A. (2021). Datan lähteitä [PowerPoint-esitys]. Haettu Moodlesta.

Puodinketo, L. (27.1.2021). 2. kurssikerta: Toimintojen kertausta. Haettu osoitteesta https://blogs.helsinki.fi/lottapuo/2021/01/27/2-kurssikerta-toimintojen-kertausta/ 

Turpeinen, T. (28.1.2021). Kurssikerta 2 (27.1.): Pohjois-Karjalaa ja projektioita. Haettu osoitteesta https://blogs.helsinki.fi/tapiotur/2021/01/28/kurssikerta-2-27-1-pohjois-karjalaa-ja-projektioita/

Peräniemi, N. (29.1.2021). Projektiot ja pinta-alojen vääristymät. Haettu osoitteesta https://blogs.helsinki.fi/noorablog/2021/01/29/projektiot-ja-pinta-alojen-vaaristymat/

Wikipedia. (1.11.2019). Cassini projection. Haettu osoitteesta https://en.wikipedia.org/wiki/Cassini_projection

 

 

Kurssin ensimmäisenä itsenäisenä harjoituksena oli hyödyntää Suomen kuntien tietokantaa ja tuottaa itse valitsemastaan aineistosta koropleettikartta. Koropleettikartta? Ensin piti muistuttaa itseään siitä, mikä onkaan koropleettikartta (vaikka tämähän pitäisi olla tuoreessa muistissa…). Onneksi asiaa oli käsitelty edellisessä periodissa Tiedon esittäminen maantieteessä -kurssilla. Löysinkin saman tien hyvän Powerpoint-sliden aiheesta.

Koropleettikartta laaditaan valmiita aluejakoja käyttäen eli hyödynnetään hallintoalueita. Kolme oleellista asiaa ovat:

1. esitetyn asian suhteuttaminen toiseen (esim. väentiheys: väestön määrä suhteessa pinta-alaan)
2. ei saa esittää pinta-alaan sidottuja absoluuttisia arvoja
3. luokittelun vahva vaikutus kartan ulkonäköön. (Paarlahti, 2020, sivu 20.)

Näillä eväillä koropleettikartan tekoon! Luonnollisesti ajattelin sukeltaa suoraan syvään päähän ja aloittaa vaikeustasosta kolme. Tuskailtuani hetken rajapinnan kautta ladattavan kuntapohjan kanssa ja sen jälkeen vaikeustason kaksi kanssa aloin ymmärtää, että ehkä tehtävät tuli kuitenkin aloittaa vaikeustasosta yksi ja sitten edetä askel kerrallaan eteenpäin. Tässä ensimmäinen oppi: aloita tehtävien teko järjestyksessä aloittaen ensimmäisestä.

Kuntapohja rajapinnasta QGISiin

Aloitin siis kuitenkin kohdasta kolme. Askel 1: avaa pdf-ohjeen linkki. Askel 2: kauhistu, kun näet, mitä linkistä avautuu. Ehkä sittenkin palataan edelliselle vaikeustasolle? En edes tiedä, mikä on rajapinta.

Hetken ihmettelyn jälkeen QGISistä löytyi kuitenkin painike, jolla sain tuon pelottavan näköisen koodin avautumaan karttana ohjelmassa. Mahdollisesti kyse oli jostakin nimeltä WMS (Web Map Service), tai näin ainakin päättelin Maanmittauslaitoksen (n.d.) sivuille Googlen kautta päädyttyäni. Joka tapauksessa sain kartan avattua QGISin Add WMS/WMTS Layer -painikkeella. Mutta… Miksi kartta näyttää tältä? Siis litistyneeltä.

Ehkä ongelman voisi ratkaista muuttamalla projektiota. Valitsin listasta projektioksi EUREF_FIN_TM35FIN, koska se kuulostaa etäisesti tutulta. Ja, tadaa: litistynyt Suomi on vaihtunut kauniin sopusuhtaiseksi!

Tälle ei kuitenkaan pysty tekemään ilmeisesti yhtään mitään. Siis ei voi valita yksittäisiä kuntia, ei voi liittää muuttujia csv-tiedostosta, ei yhtään mitään. Ainakaan minun taidoillani. Tähän mennessä olin siis jo siirtynyt takaisin päin vaikeustasolle kaksi ja onnistunut lataamaan Sotkanetistä väestötietoa csv-tiedostona, jopa onnistunut avaamaan sen uutena tasona QGISiin yllä olevan karttapohjan lisäksi.

Csv-tiedoston liittäminen valmiiseen aineistoon

Lopulta päädyin vihdoin kohtaan yksi ja avasin Suomen kunnat -kartan, joka oli ainoa kartta, josta oli mitään iloa. Sotkanetistä (2019) latasin tiedon ”Työkyvyttömyyseläkettä saavat 25–64-vuotiaat, % vastaavanikäisestä väestöstä” csv-tiedostona. Useiden yritysten jälkeen sain muokattua csv-tiedostosta tarpeeksi simppelin, jotta se näyttäisi järkevältä myös liitettäessä sitä kuntapohjaan. Tarkastin valmiin aineiston attribuuttitaulukosta, miten eri sarakkeet on otsikoitu, ja otsikoin omaan csv-tiedostooni kunnan nimen ja numeron samalla tavalla, jotta ohjelma osaisi paikantaa näitä kahta taulukkoa yhdistävän sarakkeen.

Liittämisessä tuli useampi mutka matkaan. Ensin yritin liittämistä yksikertaisesti tuplaklikkaamalla Layers-valikosta tasoa ja liittämistä kuntapohjaan valikon Joins-kohdasta. Onnistuin lisäämään näin valmiin kunta-aineiston ominaisuustiedot omaan työkyvyttömyyseläke-taulukkooni, mutta toisin päin sama ei onnistunutkaan. Ei muuta kuin hakemaan apua Googlesta. Löysinkin hyvän sivun, jonka ohjeilla kuin ihmeen kaupalla onnistuin tehtävässä: https://www.qgistutorials.com/en/docs/3/performing_table_joins.html (Gandhi, n.d.).

Koropleettikartan teko

Sitten pääsin vihdoinkin varsinaisen tehtävän kimppuun eli tuottamaan koropleettiaineistoa. Halusin tietenkin tehdä kartan itse lataamastani aineistosta, jolloin törmäsin seuraavaan ongelmaan: kun yritin muokata kuntien värejä Graduated-muotoon aineiston perusteella, selvisi että oma aineistoni oli tekstimuodossa. Sehän olikin käynyt luennolla selväksi, ettei luokitella voi muuta kuin numeroaineistoa.

Ajattelin, että tiedon muodon (teksti vai numero tms.) voisi muuttaa yksinkertaisesti jotain nappia painamalla, mutta näin helposti se ei sitten käynytkään. Taas oli haettava apua Googlesta. Ja tällä ohjeella onnistuin itse muuttamaan tekstin numeroksi: https://silverspringenergy.com/converting-a-string-field-to-a-numerical-field-in-qgis/ (Pubben, 2019). Tai oikeastaan sain luotua uuden sarakkeen, jossa tieto oli numeromuodossa. Ja tässä siis pystyi käyttämään apuna QGISin laskinta. Ei olisi tullut itselle mieleen.

Vihdoinkin sain monien pulmien jälkeen koropleettikartan valmiiksi, huh! Ja tässä valmis tuotos:

Pohdintaa ja tulkintaa omasta kartasta

Kuten tekstin alussa todettiin, luokittelu vaikuttaa vahvasti kartan ulkonäköön. Itse käytin Natural Breaks -vaihtoehtoa, joka mielestäni tuo eroja aika hyvin ja sopusuhtaisesti esiin. Tosin muokkasin vielä ensimmäistä luokkaa itse alkamaan nollasta, koska tuntuu jotenkin oudolta, että se ei ala. En tiedä, oliko tämä sallittua tai fiksua.

Yksi itseäni mietityttänyt asia oli se, että seuraava luokka alkaa samasta luvusta, mihin edellinen päättyy. Ei kai näin oikeasti pitäisi olla, koska silloin joku kunta voisi kuulua samaan aikaan kahteen luokkaan? En kuitenkaan uskaltanut alkaa sörkkiä tätä sen enempää, ettei mene ojasta allikkoon.

Kartasta näkyy, että työkyvyttömyyseläkettä saavien 25–64-vuotiaiden osuus kunnan saman ikäisestä väestöstä on suurin joissakin Pohjois-Pohjanmaalla, Kainuussa ja Pohjois-Karjalassa sijaitsevissa kunnissa, esimerkiksi Puolangalla, Pudasjärvellä ja Posiolla. Kohti etelää ja länttä työkyvyttömyyseläkkeellä olevien osuus pienenee. Tähän voisi perehtyä lisää esimerkiksi selvittämällä, mitkä ovat työkyvyttömyyseläkkeen yleisimmät syyt ja näiden sairauksien/syiden esiintyminen kunnittain suhteessa väestömäärään, mikäli tällaista kuntatason tietoa on saatavilla.

Oma karttani on mielestäni ihan kelvollinen, enkä itse ainakaan keksi mitään kardinaalivirhettä. Kartasta löytyy selite, mittakaava ja pohjoisnuoli. Itse asiassa nyt kun mietin selitettä, siihen olisi voinut lisätä sanan ”kunnittain” tai jossakin kohtaa tuoda esille, että kyseessä on kunnat. Arvioisin, että aineistoa tuntematonkin lukija saa kartasta suuntaa antavaa tietoa aiheesta eikä kartta pahasti johda harhaan. Luokittelulla olisi voinut vaikuttaa kartan tulkintaan paljonkin.

Koropleettikarttasäännöstön mukaisesti kartassa ei esitetä absoluuttisia lukuja vaan väestömäärään suhteutettua tietoa. Värien käytön osalta voi miettiä, olisivatko sävyerot pitäneet olla vielä suuremmat, jotta oranssin eri sävyt eivät vain vilisisi silmissä. Mielestäni kartalta saa kuitenkin suhteellisen vaivattomasti yleiskäsityksen muuttujan alueellisesta esiintymisestä.

Mielenkiintoinen esimerkki koropleettikartasta löytyy esimerkiksi Martta Huttusen blogista (2021), jossa on esitetty saamenkielisen väestön osuus kunnittain. Aihetta on myös pohdittu ja taustoitettu kattavasti kartan antaman informaation lisäksi.

Yhteenvetona voisi ensimmäisestä kotitehtävästä todeta, että QGISissä on loputtomasti ominaisuuksia ja opeteltavaa, mutta Googlesta löytyy aika paljon apua, kun törmää johonkin ongelmaan. Myös ihan vaan kokeilemalla voi onnistua, mutta itselleni kokeilut eivät tuottaneet suurta menestystä. Opin kuitenkin joitain asioita aineistojen liittämisestä toisiinsa, vaikken vieläkään ihan ymmärrä, mitä tein – seurasin vain ohjeita. Jäin miettimään, olisiko avoimesta rajapinnasta ladatun kuntakartan saanut jotenkin toimimaan kunnolla niin, että siitä olisi voinut valita yksittäisiä kuntia jne. Onnistuiko joku tässä, vai onko se ylipäätään mahdollista?

 

Lähteet:

Gandhi, U. (N.d.). Performing table joins (QGIS3). QGIS tutorials and tips. Haettu osoitteesta https://www.qgistutorials.com/en/docs/3/performing_table_joins.html

Huttunen, M. (22.1.2021). Harjoitus 1. Haettu osoitteesta https://blogs.helsinki.fi/humartta/2021/01/22/harjoitus-1/

Maanmittauslaitos. (N.d.). Katselu- ja latauspalvelut. Haettu osoitteesta https://www.maanmittauslaitos.fi/kartat-ja-paikkatieto/paikkatietojen-yhteentoimivuus/inspire/katselu-ja-latauspalvelut

Paarlahti, A. (2020). Teemakarttojen lukeminen [PowerPoint-esitys]. Haettu Moodlesta.

Pubben, K. (23.4.2019). Converting a string field to a numerical field in QGIS. Silver Spring Energy Consulting Ltd. Haettu osoitteesta https://silverspringenergy.com/converting-a-string-field-to-a-numerical-field-in-qgis/

Sotkanet. (2019). Työkyvyttömyyseläkettä saavat 25 – 64-vuotiaat, % vastaavanikäisestä väestöstä. Haettu osoitteesta https://sotkanet.fi/sotkanet/fi/taulukko/?indicator=szbxBwA=&region=VVC7DgMxCPujSDyi04nv6NIlQ6Wu_f_twM61VJEA2Q4YQocucQ0dstTiVSmOjB6GGsSuzy9iMX8asfAhiWvl5bKV4jJF6wE3ppQDvIf2CeJ_87R11SqNNNBlxFsXJ9E-7bbMDtxo5cAWjJTmRknm91qolN3eu-LcvozH8nYORtLAJ_3auM1CcWL58M964oKPCw==&year=sy6rAgA=&gender=t&abs=f&color=f&buildVersion=3.0-SNAPSHOT&buildTimestamp=202010160741

Ensimmäisellä luentokerralla laadittiin yhdessä QGISillä kartta typen päästöjen osuudesta valtioittain Itämeren alueella.

Tämän kartan tarkoituksena oli lähinnä toimia johdatuksena QGIS-ohjelman käyttöön, joten ei siitä sen enempää. Näyttää kartalta.