7. Elinajanodotteita ja pitkäaikaissairauksia

Viimeisen kurssikerran aiheena oli tuottaa itse kartta itse etsityn aineiston pohjalta valitsemastaan aiheesta. Yksi suurimpia haasteita tässä tehtävässä oli päättää, mistä aiheesta haluaisin kartan tehdä. Päädyin siis selailemaan annettuja linkkejä, sekä etsiskelemään myös itse muualta aineistoja. Voin samaistua Aino Aallon seitsemännen kurssikerran blogipostauksessaan Viimeinen kurssikerta: Syntymä, kuolema ja muuttoliike kuvailemiin fiiliksiin aineiston etsinnästä. Aina kun keksin jonkun idean karttaesityksiin, huomasin sen jonkin ajan päästä ei niin toimivaksi ideaksi. Etsimiseen ja aiheen päättämiseen käytinkin melko paljon aikaa, mutta lopulta päätin, että haluaisin tehdä kartan jostakin Euroopan laajuisesta ilmiöstä. Euroopan mittakaavalla ei vielä tähän mennessä oltu karttaa tehty, ja siitä näytti löytyvän mielenkiintoista dataa.

 

Törmäsin kuitenkin pieniin haasteisiin jo heti Euroopan karttaa etsiessäni karttapohjaksi. Mistään ei tuntunut löytyvän hyvää valmista Euroopan karttaa, joten pienen pohdinnan jälkeen päädyin itse rajaamaan maailmankartta-aineistosta vain Euroopan maat. Maailmankartan löysin Natural Earthin sivuilta ja ladattuani aineiston avasin sen QGISissä, jossa rajasin siitä vain Euroopan maat Select by expression -toiminnolla ja tallensin saadun kartan omaksi layerikseen Save selected features -toiminnon avulla. Näin sain aikaiseksi toimivan kartan Euroopasta.

 

Seuraavaksi siirryin valitsemaan, mitä tietoja oikeastaan haluaisinkaan kartalla esittää. Tutkittuani erilaisia sivustoja ja erilaisia aineistoja, päädyin Tilastokeskuksen sivuilta saataviin Eurostatin sivuilta alun perin peräisiin oleviin avaintaulukoiden tietoihin. Sivustolla on saatavilla suuri määrä dataa koskien erilaisia aiheita, mutta itse päädyin ottamaan tarkastelun kohteeksi terveyteen liittyviä teemoja, ja tekemään kartat pitkäaikaissairauksia sairastavien prosentuaalisesta määrästä, sekä elinajanodotteista kussakin valtiossa.

 

Kun yritin liittää lataamiani aineistotietoja karttaan, huomasin aineistojen olevan epäyhteensopivia, eikä niitä saanut liitettyä yhteen kartan kanssa, sillä kartan ja aineiston yhdistävänä tekijänä toimivat valtioiden nimet olivat aineistoissa eri kielillä. Kartassa valtiot oli listattu englanniksi ja Tilastokeskuksen aineistoissa suomeksi. Jouduinkin siis ottamaan Tilastokeskuksen aineiston Exceliin muokattavakseni, ja kääntämään valtioiden nimet englanniksi. Tämän jälkeen kokeilin aineistojen yhdistämistä uudestaan, siinä tällä kertaa onnistuen. Tämän jälkeen kartat kaipasivatkin enää kuvattavien ilmiöiden luokittelua kartalla ja värittämistä, sekä tietysti legendan, pohjoisnuolen ja mittakaavan lisäämistä. Olisin voinut valita karttoihin jonkin muun, tälle mittakaavalle sopivamman projektion, mutta muuten olen karttoihin tyytyväinen. Kaikista maista ei myöskään ollut dataa saatavilla syystä tai toisesta, mikä on hieman harmillista.

 

Kuva 1. Elinajanodote Euroopassa valtioittain.

 

Ensimmäisessä kartassa (kuva 1) on esitettynä elinajanodote kussakin Euroopan valtiossa. Kartassa on kuvattu tummemmilla värisävyillä valtiot, joissa elinajanodote on alhaisempi ja vaaleammilla sävyillä valtiot, joissa se on korkeampi. Kartalla on huomattavissa selkeää jakautumista Länsi- ja Etelä-Euroopan maiden, sekä Itä-Euroopan maiden välillä. Keskimäärin pisimpään Euroopassa eletään Etelä-Euroopan maissa, Skandinaviassa, sekä Islannissa ja kaikista läntisimmissä Euroopan osissa. Tilanne alkaa huonontua itään päin mennessä, ja lyhimmät elinajanodotteet löytyvätkin kaikista itäisimmistä maista. Itäisimmissä osissa on myös enemmän maita, joista dataa ei ole ollenkaan saatavilla.

 

Kuva 2. Pitkäaikaissairauksia sairastavien prosentuaaliset osuudet valtioittain.

 

Toisessa kartassa jonka tein, on kuvattu pitkäaikaissairaiden prosenttiosuutta koko väestöstä valtioittain (kuva 2). Tummemmilla värisävyillä on kuvattu valtiot, joissa pitkäaikaissairauksista kärsiviä on suhteessa enemmän, ja vaaleammilla väreillä ne valtiot, joissa pitkäaikaissairauksista kärsitään vähemmän. Tästä kartasta ei ole huomattavissa yhtä selkeää koko Euroopan laajuista trendiä, kuin edellisessä kartassa, jossa itä-länsisuuntainen muutos oli hyvin selkeä. Tässäkin kartassa on kuitenkin huomattavissa, miten Etelä-Euroopanmaissa pitkäaikaissairauksia näyttäisi olevan keskivertoa vähemmän. Eniten pitkäaikaissairauksia näytetään sairastavan Suomessa, Virossa, Latviassa, Saksassa, Ranskassa ja Portugalissa. Tämän kartan aineiston heikkoutena on kuitenkin huomattavissa usealta valtiolta puuttuva data kyseisestä aiheesta ja erityisesti monesta Itä-Euroopan maasta tuntuu data puuttuvan.

 

Kartoilla kuvattujen ilmiöiden välillä ei karttoja tutkimalla ole huomattavissa ihmeempää korrelaatiota, vaikka niin voisi äkkiseltään odottaa. Oikeastaan vain Etelä-Euroopan maissa vaikuttaisi olevan sekä selvästi vähemmän pitkäaikaissairauksia, että keskivertoa pidempi elinajanodote. Voisi olla myös kiinnostavaa saada pitkäaikaissairauksista dataa laajemmin Itä-Euroopan maiden osalta ja tutkia, onko alueella huomattavissa korrelaatiota näiden asioiden suhteen, ja ylipäätään saada tietoa kyseisten alueiden pitkäaikaissairastavien määrästä. Pitkäaikaissairaita vaikuttaisi kuitenkin koko Euroopan tasolla olevan melko paljon, vaikka elinajanodotteet ovatkin yleisesti ottaen melko korkeita. Jos otetaan tarkasteluun esimerkiksi Suomi, voidaan huomata, että elinajanodote on 81 vuotta (The World Bank), mutta pitkäaikaissairauksia sairastaa silti 46,9% väestöstä (Tilastokeskus), mikä on melko huima luku. Toisaalta ilmiö selittyy osin juurikin korkealla eliniällä: kun ihmiset elävät vanhemmiksi, ilmenee heillä myös enemmän erilaisia sairauksia. Myös esimerkiksi maamme ikärakenne vaikuttaa tekemäni kartan kaltaisiin esityksiin pitkäaikaissairauksien yleisyydestä. Suomessa suuri osa pitkäaikaissairauksista johtuu myös huonoista elintavoista (Thl) ja niitä onkin pyritty vuosien varrella parantamaan. Uskoisinkin, että myös monessa muussa Euroopan maassa kohdataan samankaltaisia ongelmia samoista syistä. Pitkäaikaissairauksia tulisikin pyrkiä aktiivisesti vähentämään, sillä ne vaikuttavat niin suureen osaan ihmisistä ja heidän elämänlaatuunsa, ja ne ovat myös suuri kansantaloudellinen rasite (Yle).

 

Viimeisen kerran harjoitus sujui lopulta hyvin, vaikka muutamaan ongelmaan törmäsinkin. Tekemiini karttoihin olen melko tyytyväinen, vaikka niiden teemaa olisikin voinut vielä erilaisilla kartoilla ja aineistoilla tutkia syvällisemminkin. Jäin myös vähän miettimään, olisiko minun pitänyt vielä yrittää tehdä jokin hieman monimutkaisempi karttaesitys aineistojen pohjalta luettuani muiden blogeja.

 

Lähteet:

Aalto, Aino. Viimeinen kurssikerta: Syntymä, kuolema ja muuttoliike. 23.3.2018. https://blogs.helsinki.fi/aaltoain/2018/03/23/viimeinen-kurssikerta-syntyma-kuolema-ja-muuttoliike/ (Luettu 25.3.2018)

Natural Earth. Admin o – Countries. http://www.naturalearthdata.com/downloads/10m-cultural-vectors/10m-admin-0-countries/ (Luettu 26.2.2018)

Terveyden ja hyvinvoinnin laitos. Yleistietoa kansantaudeista. 28.4.2015. https://thl.fi/fi/web/kansantaudit/yleistietoa-kansantaudeista (Luettu 20.3.2018)

The World Bank. Life expectancy at birth, total (years). 2015. https://data.worldbank.org/indicator/SP.DYN.LE00.IN (Luettu 20.3.2018)

Tilastokeskus. Tilastokeskuksen PX-Web-tietokannat. Life expectancy at birth, by sex. 2015. http://pxnet2.stat.fi/PXWeb/pxweb/fi/Eurostat/Eurostat__vrm/tps00025.px/?rxid=2a427795-96b7-4f2e-9d57-579091520a66 (Luettu 26.2.2018)

Tilastokeskus. Tilastokeskuksen PX-Web-tietokannat. People having a long-standing illness or health problem, by income quintile. 2016. http://pxnet2.stat.fi/PXWeb/pxweb/fi/Eurostat/Eurostat__ter/tsdph280.px/?rxid=41ee634a-1151-402c-b0ad-5fcd21386363 (Luettu 26.2.2018)

Yle. Selvitys: Pitkäaikaissairauksien kustannukset yhteiskunnalle jopa neljä kertaa luultua suuremmat – hoitoa tehostettava. 12.7.2017. https://yle.fi/uutiset/3-9716843 (Luettu 21.3.2018)

6. Voihan luonnonhasardi

Tämänkertainen luento aloitettiin hieman tavallisesta poikkeavalla tavalla, ja ensimmäiseksi tehtäväksemme saimme lähteä raikkaaseen ulkoilmaan keräämään omaa paikkatietoaineistoa erilaisten julkisten tilojen viihtyvyydestä ja turvallisuudesta. Apuna oli tarkoitus käyttää Epicollect5 -sovellusta, jonka avulla saatiin tuotettua aiheesta pistemäinen aineisto, jota voitaisiin yhdessä tutkia myöhemmin tunnilla. Itse kuitenkin jouduin sattuneista syistä tämän työvaiheen jättämään väliin, mutta pääsin kuitenkin tutkailemaan muiden keräämää aineistoa ulkona retkeilytuokion päätyttyä. Lisäksi luennon aikana päästiin kokeilemaan QGISin Go2streetview -lisäosaa, minkä avulla on mahdollista tarkastella alueita käyttäen Googlen Street viewiä suoraan QGISissä. Tämän avulla kartoitimme kaupallisuuden määrää itse valitun parin korttelin alueella, ja teimme tästä pisteaineiston. Tehtävää tosin hankaloitti hieman Street viewin kaatuminen aina muutaman sekunnin päästä sen avaamisesta, mutta tästäkin lopulta selvittiin. Muodostetulla pisteaineistolla harjoiteltiin tämän jälkeen vielä interpolointia.

Näiden jälkeen päästiin harjoittelemaan aineiston lataamista netistä ja sen muuttamista sopivaan muotoon, jotta sitä voi käyttää QGISissä, tavoitteena saada aikaan erilaisista hasardeista kertovia karttoja. Itse päädyin ensin tekemään kartan tulivuorista ja suurten maanjäristysten sijainneista (kuva 1), minkä jälkeen tein vielä kartan meteoriittien aiheuttamista suurista kraattereista (kuva 3).

Mielestäni karttojen tekeminen sujui melko hyvin, enkä kokenut suurempia vastoinkäymisiä tehtäviä tehdessä. Datan kustakin hasardista sai ladattua annetuista linkeistä melko vaivattomasti ja sivustoilla sai kätevästi valittua, millaista aineistoa sivustolta halusi ladata. Aineistojen lataamisen jälkeen vaativat ne pientä Excelissä muuntelua, kuten pisteiden muuttamista pilkuiksi ja sen erillisiin sarakkeisiin asettelua. Tämän jälkeen aineiston saikin tuotua QGISiin, minkä jälkeen kartan sai valmiiksi muutamalla klikkauksella. Mittakaavan kohdilleen saaminen tuotti jostain syystä ongelmia, eikä QGIS osannut asettaa maanjäristys ja tulivuorikartan mittakaavaa oikein, vaikka mitä yritin.  Koittakaa siis olla välittämättä siitä.

 

Kuva 1. Kartalla on kuvattuna planeettamme tulivuoret, sekä tapahtuneet yli 7,5 magnitudin maanjäristykset.

 

Kuva 2. Kartta tulivuorien sijainnista maailmalla (Modern survival blog)

 

Tehdyille kartoille oli tarkoituksena keksiä myös jonkinlainen opetustarkoitus. Reetta Lehto on liittänyt blogiinsa melko samantyyppisen kartan, kuin tekemäni kuvan 1 kartta. Kartat siis näyttävät tulivuorten ja maanjäristysten sijainteja maailmalla. Kuten Reetta on blogissaan pohtinut, voisi tällaista karttaa hyödyntää nuorempien opiskelijoiden opetuksessa, ja yhdistää tähän litosfäärilaatoista kertomisen. Olisin voinut karttaan liittää hieman suuremman määrän maanjäristyksiä, jolloin kartasta olisi käynyt ilmi vielä selvemmin, mille alueille maanjäristykset sijoittuvat. Päätinkin siis etsiä blogiini vielä oman karttani lisäksi toisen tulivuorten sijainnista kertovan kartan (kuvassa 2) tukemaan omaa karttaani. Toisaalta myös tekemästäni kartasta on nähtävissä suurimpien järistysten sijainnit ja kaikista järistysherkimmät alueet tulevat siitä myös ilmi. Tämän kartan yhteydessä voisi esimerkiksi esittää toisen kartan avulla litosfäärilaattojen sijainnit, ja sen avulla havainnollistaa, miten tulivuoret ja maanjäristykset liittyvät niiden reunakohtiin. Myös Nelli Junttila on blogissaan esittänyt karttojen avulla tietoa maanjäristyksistä sekä tulivuorista ja hän on myös keksinyt tehdä kartan, jossa hän on interpoloinut maanjäristykset ja näin havainnollistanut kaikista seismisesti aktiivisimpia alueita. Tämä voisi toimia opetuskäytössä hyvänä lisänä ja auttaa opiskelijoita hahmottamaan ilmiötä.

 

Kuva 3. Löydetyt yli 1000kg meteoriittien aiheuttamat kraatterit.

 

Maanjäristyksistä ja tulivuorista kertovan kartan jälkeen päätin tehdä vielä yllä olevan meteoriittikraattereista kertovan kartan. Kartalla on esitetty yli 1000kg meteoriitin aiheuttamat löydetyt kraatterit. Kartan avulla voisi opiskelijoille havainnollistaa, miten meteoriitti saattaa iskeä minne vain täysin sattumanvaraisesti. Kartasta on kuitenkin huomattavissa keskittymiä erityisesti kuumilla/kuivilla alueilla. Myös Sini Virtanen kertoo blogissaan huomanneen tietynlaista trendiä siinä, miten meteoriittikraatterit esiintyvät ja hän onkin asiaa lähtenyt tutkimaan ja selvittänyt ilmaston vaikuttavan asiaan. Jos ilmasto on erityisen kuiva tai kylmä, meteoriitit rapautuvat ja ruostuvat paljon hitaammin, minkä vuoksi sellaisilta alueilta löytyy hyvinkin vanhoja meteoriitteja. Uskoisin myös alueen saavutettavuuden ja yleisten ympäristöolojen, kuten esimerkiksi kasvillisuuden vaikuttavan siihen, miten hyvin miltäkin alueelta on niitä löydetty.

Tämän kertaiset harjoitukset tuntuivat sujuvan aika kivasti, eikä ihmeempiä hankaluuksia kummallisen mittakaavaongelman ja Street viewin änkyröinnin lisäksi ilmennyt. Uskon myös oppineeni keinoja, joilla dataa voi muokata Excelissä sopivaan muotoon, mistä on varmasti tulevaisuudessa hyötyä. Myös interpoloinnin uskoin oppineeni, kunhan en vain unohda, miten ja mistä se tehtiinkään.

 

Lähteet:

Junttila, Nelli. 6. Kurssikerta: Pisteaineistoa, interpolointia ja tulivuoria. 26.2.2018 https://blogs.helsinki.fi/junelli/2018/02/26/6-kurssikerta-pisteaineistoa-interpolointia-ja-tulivuoria/ (Luettu 13.3.2018)

Lehto, Reetta. Kurssikerta 6. 1.3.2018 https://blogs.helsinki.fi/rexlehto/2018/03/01/kurssikerta-6/ (Luettu 12.3.2018)

Modern survival blog. 2011 Earthquakes. 23.12.2011. https://modernsurvivalblog.com/earthquakes/2011-earthquakes/ (Luettu 15.3.2018)

Virtanen, Sini. Maailma vaarallinen, Kumpula turvallinen. 20.2.2018 https://blogs.helsinki.fi/7k110738/2018/02/20/maailma-vaarallinen-kumpula-turvallinen/ (Luettu 13.3.2018)

5. When you try your best but you don’t succeed

Tähän asti kurssi on sujunut suorastaan epäilyttävän mutkattomasti, enkä ole kummempia ongelmia joutunut kohtaamaan. QGIS ei ole juurikaan kaatuillut, olen saanut tehtävät suoritettua ilman sen suurempia tuskailuja ja homma ei ole mitenkään mahdottoman vaikealta tuntunut. Tämän kurssikerran myötä onneni on kuitenkin tainnut kääntyä, ja tehtävien teko ei tuntunut menevän ihan putkeen.

 

Kurssikerran aiheena oli siis itsenäinen tehtävien teko. Ensimmäisessä tehtävässä keskityttiin bufferoinnin ja erilaisten paikkatietoaineistojen osasten valitsemiseen erilaisin perustein. Tehtävä keskittyi pääkaupunkiseudulle, ja tarkemmin sen lentokenttiin, Malmin lentokenttään, ja Helsinki-Vantaan lentokenttään, sekä niiden aiheuttamiin meluhaittoihin. Tekeminen lähti liikkeelle lentokenttien kiitoratojen piirtämisestä ja niille bufferien luomisesta. Aluksi bufferit tuottivat hieman pään vaivaa, eivätkä ne halunneet ilmaantua kartalle oikean näköisinä, vaan värittivät koko ruudun. Pienen selvittelyn jälkeen kävi ilmi, että ongelman tuottivat eriävät koordinaattijärjestelmät ja asia korjaantuikin niitä säätämällä. Tämän johdosta jouduin toistamaan bufferoinnin muutamaan kertaan, minkä ansiosta se tuntuukin nyt sujuvan melko mallikkaasti. Näiden toimien jälkeen päästiin tutkailemaan, paljonko ihmisiä lentokenttien läheisyydessä asuukaan. Tuloksia voi tarkastella taulukosta 1. Laskimme myös erilaisilla lentomelualueilla asuevien ihmisten määriä, ja osuuksia. Tehtävää varten käytettiin erilaisia valintatyökaluja, esimerkiksi jo aikaisemmilta kurssikerroilta tuttua Spatial Querya. Tämän jälkeen päästiin vielä laskeskelemaan lentomelusta kärsivien määrää Helsinki-Vantaan lentokentän läheisyydessä, sekä tekemään saman tyyppisiä bufferointeja ja laskelmia julkisten kulkuvälineiden asemien ja niiden läheisyydessä olevista asukkaista.

 

Tehtävää tehdessä oli melko yllättävää huomata, kuinka moni oikeastaan asuukaan lentomelualueella. Muiden kanssa yhdessä tehtäviä tehdessämme huomasimme, että saimme keskenämme hieman erilaisia lukuja, mikä johtuu varmastikin erilaisista kiitoratojen rajauksista, mutta itse sain tehtävästä tulokseksi, että jopa 11913 ihmistä asuu Helsinki-Vantaan lentokentän 55dB melualueella. Luku kuulostaa melko suurelta ottaen huomioon miten suuresti haitallista melu todella on terveydelle. Juurikin 55dB on määritelty melun aiheuttamien terveyshaittojen riskirajaksi (Hyvä terveys 2013) ja jatkuvasti tätä kovemmalle melulle altistuminen aiheuttaa monenlaisia terveysongelmia. Kovat äänet muun muassa aktivoivat pelkoreaktioita sääteleviä aivojen alueita ja aiheuttavat täten stressireaktion, jonka myötä verenpaine nousee ja keho menee eräänlaiseen hälytystilaan. Esimerkiksi juuri lentomelualueilla asuminen aiheuttaa jatkuvaa alistumista tällaiselle. Jatkuva stressi aiheuttaa pitkällä aikavälillä sydän- ja verisuonisairauksia. Lisäksi melualtistuksen on todettu aiheuttavan keskittymisvaikeuksia, unihäiriöitä ja väsymystä.

 

Tehtävän valmiiksi saatuani lähdin siitä innostuneena lisätehtävän kimppuun, mutta jouduin kokemaan karvaan tappion sitä tehdessäni, ja jättämään tehtävän sikseen. Edellistä tehtävää tehdessäni olin vielä kokenut osaavani asian edes jollain tasolla, mutta lisätehtävää tehdessä ei sen tekeminen oikein ottanut sujuakseen.

 

Asukkaita 2km säteellä Malmin lentokentästä 57985
Asukkaita 1km säteellä Malmin lentokentästä 8970
Asukkaita 2km säteellä Helsinki-Vantaan lentokentästä 11268
Malmin lentokenttä perustettu 1936
65dB melualueella asuvia Helsinki-Vantaan läheisyydessä 324
65dB melualueella ja 2km Helsinki-Vantaasta asuvien prosenttiosuus 0,28
Vähintään 55dB melualueella lähellä Helsinki-Vantaata asuvia 11913
Väliaikaisen kiitotien alueella asuvia 12403
Alle 500m päässä lähimmästä asemasta asuvia 106691
Alle 500m päässä lähimmästä asemasta asuvien prosenttiosuus alueen väestöstä 21,8
Työikäisten prosenttiosuus alle 500m päässä asemasta asuvista 68,5

Taulukko1. Tuloksia ja vastauksia tehtävän 1 tehtävänantoihin ja kysymyksiin.

 

Seuraavaksi siirryinkin tekemään itsenäistehtävää 2, missä käsiteltiin saman aiheisia harjoitusteemoja, tällä kertaa taajamien tutkimisen kautta. Tehtävässä tutkin mm. Vantaalla taajamissa asuvien osuuksia, sitä miten moni kouluikäinen asuu taajamien ulkopuolella, sekä sitä miten ulkomaalaiset ovat sijoittuneet alueella asumaan. Tässä tehtävässä ei kuitenkaan tarvittu bufferointia, vaan siitä selvittiin pitkälti Spatial Queryn ja Field Calculatorin avulla. Tehtävän tulokset on kirjattu taulukkoon 2, josta niitä voi tarkastella. Tehtävän loppuun saamiseksi oli apu tarpeen, ja erityistä ongelmaa aiheuttivat viimeisten kohtien laskelmien tekemiset. Kuten Elli-Nora Kaarto on blogissaan pohdiskellut, olen huomannut myös suureksi haasteiden aiheuttajaksi sen, että en enää muista, mitä QGISin toimintoa tulisi milloinkin käyttää. Ehkä tämäkin vielä jonain päivänä helpottuu, kun ohjelman käyttöön tottuu ja tekemisen toistokerrat alkavat karttua.

 

Vantaalla taajamissa asuvien prosenttiosuus 97,6
Taajaman ulkopuolella asuvia kouluikäisiä 1289
Taajaman ulkopuolella asuvien kouluikäisten prosenttiosuus alueella 2,6
Alueita, joilla ulkomaalaisten osuus on yli 10% 38
Alueita, joilla ulkomaalaisten osuus on yli 20% 10
Alueita, joilla ulkomaalaisten osuus on yli 30% 6

Taulukko 2. Tuloksia ja vastauksia tehtävän 2 tehtävänantoihin ja kysymyksiin.

 

Viimeisimmän tehtävän sai valita kolmesta eri tehtävästä, ja itse päädyin tekemään tehtävää 4, missä tutkittiin uima-altaiden ja saunojen sijoittumista pääkaupunkiseudulla. Tehtävä lähti vahvasti liikkeelle, ja sain selville uima-altaallisten talojen määrän, sekä uima-altaallisessa talossa asuvien ihmisten määrän melko helposti edellisten tehtävien oppien avulla. Hitusen hankalampaa oli selvittää uima-altaallisten talojen talotyyppi, mutta siitäkin selvittiin, jälleen pienimuotoisella avustuksella. Olin nimittäin jo ehtinyt unohtaa siihen tarvittavan Search by Expressions -toiminnon olemassa olon. Näiden lisäksi tutkittiin saunallisten talojen määriä ja prosenttiosuuksia kaikista pääkaupunkiseudun taloista, mikä sujui sekin vanhan tutun kaavan mukaan. Kaikki tulokset näihin ovat nähtävissä tuttuun tapaan alla olevasta taulukosta (taulukko 3).

 

Uima-altaalla varustettuja taloja pääkaupunkiseudulla 856
Uima-altaallisessa talossa asuvien asukkaiden määrä 12170
Omakotitaloja, joissa on uima-allas 345
Paritaloja, joissa on uima-allas 158
Rivitaloja, joissa on uima-allas 113
Kerrostaloja, joissa on uima-allas 181
Saunallisia taloja 21922
Saunallisten talojen prosenttiosuus kaikista alueen taloista 24,2

Taulukko 3. Tuloksia ja vastauksia tehtävän 4 tehtävänantoihin ja kysymyksiin.

 

Todellisia haasteita kohtasin, kun yritin luoda karttaa uima-altaiden jakautumisesta pääkaupunkiseudulla. Ensinnäkään en taaskaan tiennyt mistä lähteä liikkeelle. Kun tämä oli selvitetty, ei tietokantojen yhdistäminen ottanut millään onnistuakseen. Jostain syystä QGIS ei halunnut tätä toimenpidettä tehdä, jolloin ei myöskään tehtävän teko edistynyt. Pitkän taistelun ja monien epätoivoisten yritysten jälkeen sain kuitenkin jotain aikaiseksi, ja jopa jonkinlaisia pylväitä ilmaantumaan kartalle. Tosin, lopputulos ei kyllä ole lähelläkään sitä mitä haettiin, ja kartta onkin aikamoinen epäonnistuminen. Voit tätä tuotosta ihailla kuvasta 1. En ymmärrä miksi, mutta QGIS onnistui löytämään koko pääkaupunkiseudulta vain kahdeksan uima-allasta ja kartta ei tämän vuoksi kovin hyvin niiden sijoittumista kuvaa. Kartan valmistumishetkellä olin kuitenkin sitä pakertanut jo niin pitkään ja oloni alkoi olla melko toivoton, että päätin jättää homman sikseen, ja tyytyä tulokseen.

 

Kuva 1. Erittäin epäonnistunut kartta uima-altaiden sijainneista.

 

Tämän kurssi kerran myötä huomasin, että osaamistasoni ei ehkä ole ihan sitä luokkaa, mitä toivoisin sen olevan ja itsenäisten harjoitusten tekeminen oli jossain määrin hieman lannistavaakin avun tarpeen vuoksi. Toisaalta on ihan kiva tietää, missä osaamisen kanssa oikein mennään, eikä tilanne kuitenkaan ihan täysin toivottomalta vaikuta. Huomasin kuitenkin selvästi jotain oppineeni, ja uskonkin, että lisää harjoittelemalla ja asioita toistamalla on jopa mahdollista oppia QGISsiä vielä jonain päivänä käyttämään.

 

Lähteet:

Hyvä terveys. Melu uhkaa terveyttä. 22.6.2013. https://www.hyvaterveys.fi/artikkeli/terveys/melu_uhkaa_terveytta (Luettu 21.2.2018)

Kaarto, Elli-Nora. 5. kurssikerta: Altaita ja arviointia. 16.2.2018. https://blogs.helsinki.fi/elkaelka/2018/02/16/5-kurssikerta-altaita-ja-arviointia/ (Luettu 21.2.2018)

4. Ruutuja, ruutuja, ruutuja

Kurssikerta aloitettiin tavalliseen tapaan yhdessä tehden, pisteaineistoja tutkien ja ruutukarttaa tehden. Eveliina on blogipostauksessaan Neljäs kerta toden sanoo kertonut pisteaineistojen ominaisuuksista. Pisteaineistojen avulla voidaan kuvata tietoa sijainnillisesti hyvin tarkasti ja niihin voidaan kerätä kaikenlaista tietoa hyvin kattavasti. Esimerkiksi tämän kertaisen kurssikerran harjoituksessa käytetyssä pistemäiseen väestöaineistoon oli liitetty tietoja mm. väestön iästä ja äidinkielestä. Myös esimerkiksi laserkeilaamalla tuotettu aineisto on pisteaineistoa (Maanmittauslaitos). Eveliinan blogista löytyy myös tietoa kurssikerralla suuressa osassa olleista ruutuaineistoista. Ne ovat yleinen tapa esittää alueellista tieota, niillä on monia hyödyntämismadollisuuksia ja ne ovat tehokas tapa esittää tietoa. Niiden avulla voidaan hyvin tarkastella myös erilaisten ilmiöiden alueellista jakaantumista, ruutukoosta riippuen melko tarkastikin. Ruutuaineistojen kääntöpuolena on usein kalliinpuoleinen hinta.

 

Yhteisen tekemisen tavoitteena oli tällä kertaa saada aikaan ruudukkoteemakartta ruotsinkielisen väestön sijoittumisesta pääkaupunkiseudulla. Tehtävä aloitettiin tuttuun tapaan lataamalla tarvittavat aineistot Moodlesta. Kartan teko aloitettiin luomalla 1km x 1km ruudukko ja karsimalla turhat asumattomat ruudukot pois kartalta ja johon tämän jälkeen liitettiin väestötietokanta. Tämän jälkeen käytettiinkin tekemiseen esimerkiksi Spatial Query -laajennusta ja yhdisteltiin tietokantoja ja lopputulokseksi saatiin luotua kuvan 1 mukainen karttaesitys. Näin jälkikäteen mietittynä kartasta olisi paremmankin voinut saada toisenlaisella luokkajaottelulla sekä ruutujen toisenlaisella värityksellä. Myös legendan, pohjoisnuolen ja mittakaavan olisi karttaan toki voinut lisätä, mutta ne jäivät nyt tällä kertaa uupumaan, tunnilla vallinneen kiireen vuoksi. Kartasta on kaikesta huolimatta jollain tasolla nähtävissä, miten ruotsia äidinkielenään puhuva väestö oikein sijoittuu kyseisellä alueella. Mitä tummempi sinisen sävy ruudussa on, sitä suurempi osa on ruotsinkielisiä. Helsingin keskusta ja muut tiheämmin asutut alueet näyttäisivät kuvassa painottuvan, mikä selittyy varmasti juurikin suuremmalla ihmismäärällä. Toinen selkeästi erottuva alue on Kauniaisissa. Kunnan sivujen mukaan kyseisellä alueella on perustamisesta asti ollut suuri määrä ruotsinkielistä väestöä, välillä jopa 70% asukkaista. Nykyään luku on 34%, mikä on sekin melko suuri määrä, kun verrataan sitä muuhun pääkaupunkiseutuun.

 

Kuva 1. Ruotsinkielisen väestön jakautuminen pääkaupunkiseudulla 1km x 1km ruudukoittain

 

 

Yhteisharjoituksen jälkeen oli jälleen aika tuottaa oma kartta itse valitusta aiheesta. Itse päätin tuottaa kartan yli 65-vuotiaiden sijoittumisesta pääkaupunkiseudulla (kuva 2). Kartan toteuttaminen toimi pitkälti samaan tapaan, kuin tunnillakin tuotetun kartan. Tämän kartan päädyin kuitenkin tekemään 500m x 500m ruudukkoa käyttäen. Aluksi harkitsin myös 250m x 250m kokoisten ruudukoiden käyttämistä, mutta sitä kokeiltuani, tuntui se turhan liian pieneltä ruutu koolta tässä mittakaavassa. Kartantekohetkellä olivat tunnin opit vielä hyvässä muistissa, ja kartan teko sujui melko hyvin, jos pientä QGISin hidastelua ja ajoittaista niskurointia ei oteta huomioon. Lopputulokseen olen melko tyytyväinen, ja tällä kertaa muistin karttaan laittaa kaikki tarvittavat asiat mukaan, ja väristystäkin tuli säädettyä sopivammaksi. Luokkajaoitusta olisin voinut hieman muuttaa, ja laittaa karttaan pari luokkaa lisää, jotta alueiden erot olisivat paremmin nähtävissä. Nyt luokat eivät tunnu ehkä ihan loogisimmilta mahdollisilta ja kauempana tiheimmin asutuista alueista alueiden erot eivät oikeastaan ole nähtävissä.

 

Tässäkään kartassa lukuja ei ole esitetty suhteellisina lukuina, vaan kartta kuvaa absoluuttisia lukuja, mistä johtuen alueet, joilla on enemmän asutusta korostuvat kartassa. Tällaisia alueita ovat esimerkiksi kuntien keskustat. Mitään kovin erikoista tai yllättävää kartalta ei ole huomattavissa. Karttaa tehdessäni jäin hetkeksi miettimään, olisiko luvut sittenkin tullut esittää suhteellisina lukuina, niin kuin esimerkiksi koropleettikartoissa, mutta tarkemman mietiskelyn seurauksena tulin siihen tulokseen, että se ei tällä karttatyypillä oikein toimi, tai ainakaan tätä asiaa kuvatessa. Se ei oikeastaan kertoisi yli 65-vuotiaiden todellisista määristä, ja hyvällä tuurilla johonkin ruutuun voisi osua vaikkapa vain yksi talo, jossa asuisi esimerkiksi vain yksi ikäihminen, jolloin kartan mukaan kyseisessä ruudussa asuvista 100% olisi yli 65-vuotiaita, mikä taas saisi kartan lukijassa aikaan mielikuvan hyvinkin suuresta yli 65-vuotiaiden määrästä alueella.

 

Väestö Suomessa on yleisesti ottaen ikääntymässä, ja eläkeikäisten määrä suhteessa työikäisten määrään on kasvussa suurten ikäluokkien siirtyessä kohti eläkeikää. Myös Liisa Niemi on samasta aiheesta tehdyn kartan pohjalta kirjoitetussa blogitekstissään pohtinut asiaa. Hän on blogissaan kertonut, miten huoltosuhde Suomessa on heikkenemässä ja miten se vaikuttaa talouteen verotulojen pienentyessä. Suurten ikäluokkien ikääntyessä myös terveys- ja sosiaalipalvelut kuormittuvat entisestään. Suomea uhkaakin tällä hetkellä väestön väheneminen. Toisaalta tarkastelunkohteena olleella pääkaupunkiseudulla tilanne ei ole yhtä paha, kuin esimerkiksi joissain pienemmissä kunnissa. Pääkaupunkiseutu onkin Suomen elinvoimaisimpia alueita: kun maaseudulla väestö vähenee juurikin ikääntymisen, sekä poismuuton seurauksena, kohdistuu pääkaupunkiseudulle ja muihin suurempiin kuntiin muuttoliikettä niin maan sisältä kuin ulkomailtakin. Pääkaupunkiseudulla eläkeikäisten määrä ei siis ole suhteessa muuhun Suomeen yhtä hälyyttävän suuri.

 

Kuva 2. Yli 65-vuotiaiden sijoittuminen pääkaupunkiseudulla

 

Lopputunnista pääsimme vielä hieman harjoittelemaan QGIS-ohjelmalla piirtämistä, ja piirsimme rasterimuotoisen kartan päälle viiva- ja pistemuotoista aineistoa. Pääsimme siis jälleen tekemän pienimuotoista digitointia, sitä olikin jo ikävä! Piirtäminen itsessään ei kovin hankalaa ollut, vaikka se ei ihan yhtä kätevästi käynytkään, kuin esimerkiksi Corelilla. Ongelmia aiheutui lähinnä, jos erehtyi klikkaamaan viivan tai pisteen väärään kohtaan, ja jos näistä harhaklikkauksista halusi päästä eroon.

 

Kokonaisuudessaan hommat hoituivat ihan hyvin, ja nyt ollaankin selvitty jo yli kurssin puolivälin ilman suurempia vastoinkäymisiä, hiphei!

 

 

Lähteet:

Kauniainen. Tietoa kaupungista. http://www.kauniainen.fi/kaupunki_ja_paatoksenteko/tietoa_kaupungista (Luettu 15.2.2018)

Maanmittauslaitos. Laserkeilausaineisto. http://maanmittauslaitos.fi/kartat-ja-paikkatieto/asiantuntevalle-kayttajalle/tuotekuvaukset/laserkeilausaineisto (Luettu 15.2.2018)

Niemi, Liisa. 4. Kurssikerta: pään lyömisestä positiiviseen yllätykseen. 9.2.2018. https://blogs.helsinki.fi/nliisa/2018/02/09/4-kurssikerta-paan-lyomisesta-positiiviseen-yllatykseen/ (Luettu 17.2.2018)

Sirola, Eveliina. Neljäs kerta toden sanoo. 7.2.2018. https://blogs.helsinki.fi/evsirola/2018/02/07/neljas-kerta-toden-sanoo/ (Luettu 15.2.2018)

3. Africaa ja tulvia

Tälläkin kertaa QGISin parissa työskentely aloitettiin yhdessä yrittäen. Harjoituskohteena toimi tällä kertaa tietokanta, joka sisälsi Afrikan valtiot sekä niiden alueilla olevat öljykentät, timanttikaivokset ja tapahtuneet konfliktit. Näiden lisäksi tutkittiin myös tietokantaa internetin ja Facebookin käyttäjämääristä Afrikassa. Miia Farstad on kerrannut blogikirjoituksessaan hyvin kattavasti harjoituksen sisällön ja tavoitteet hienojen karttojen kera. Tiivistetysti harjoittelimme tietokantojen yksinkertaistamista ja niiden yhdistämistä. Harjoituksen tekeminen sujui yllättävän hyvin, vaikka paikoin perässä pysyminen olikin hieman työlästä.

 

Valmiista lopputuloksesta tuli ihan toivotunlainen, vaikka siitä ei kuvaa olekaan saatavilla (saatoin epähuomiossa sulkea QGISin ennen tallentamista tai kuvan ottamista) ja tulosten analysointi tapahtuukin nyt muistikuviini ja muiden vastaaviin karttoihin pohjautuen. Valmiin karttatuotoksen pohjalta pystyi tarkastelemaan luonnonvarojen ja konfliktien sijoittumista Afrikassa, ja aineiston pohjalta olikin kivasti mahdollista tutkia onko niiden välillä havaittavissa korrelaatiota. Paikoin luonnonvarat ja konfliktien tapahtumapaikat näyttivät osuvan yhteen melko selvästi, mutta eivät kuitenkaan aina. Onkin muistettava, että konflikteille on myös monia muita syitä, esimerkiksi köyhyys, eriarvoisuus ja huonot olot alueella ylipäätään. Konfliktit ovat usein myös useamman tekijän summa, eivätkä vain yksittäisestä tekijästä johtuvia asioita. Kia Kivisilta on myös blogissaan tehnyt hyvän havainnon luonnonvarojen ja internetin käyttäjämäärien suhteesta. Internetin käyttäjämäärät kertovat jossain määrin valtion varakuudesta, ja alueilla, joilla internetin käyttäjiä on suhteellisen vähän ja luonnonvaroja esiintyy paljon, on tulojen jakautuminen todennäköisesti hyvinkin epätasaista.

 

Afrikka harjoituksen jälkeen siirryimme takaisin Suomen tutkiskeluun. Tehtäväksemme annettiin tuottaa kartta tulvaindekseistä ja järvisyysprosenteista Suomen valuma-alueilla. Alun hämmennyksen jälkeen homma alkoikin sujua yllättävän hyvin, ja Afrikka harjoituksen oppien pohjalta kartanteko onnistui melko mukavasti. En tosin saanut karttaa valmiiksi ennen luennon loppua, eikä harjoituksen siirtämien omalle läppärilleni jostain syystä onnistunut, joten jouduin toistamaan harjoituksen vielä kokonaan uudelleen. Vaikka tämä laittoikin aluksi hieman ärsyttämään, saattoi harjoituksen toistamisesta silti olla hyötyäkin. Nyt tietokantojen yhdistäminen käy leikiten. Lopputulokseksi sain kartan, jota voi tarkastella kuvasta 1.

 

Kuten voisi olettaakin, sijaitsevat suurempien tulvariskien alueet lähellä merialueita. Niillä alueilla maa on matalammalla, jolloin tulviminen on todennäköisempää. Myös esimerkiksi suuret joet lisäävät tulvariskiä. Järvisyysprosenteista kertovien pylväiden avulla on nähtävissä, mille alueille järvet Suomessa sijoittuvat. Tulvaindeksi ja järvisyysprosentti vaikuttavat kartan perusteella olevan yhteydessä toisiinsa. Alueilla, joilla on vähemmän järviä on suurempi tulvariski, ja alueilla joilla järviä on enemmän on pienempi tulvariski. Tämä johtuu järvien virtaamahuippuja tasaavasta vaikutuksesta, kuten Saku Saarimaa on blogissaan kertonut.

 

Karttaan olen aika tyytyväinen. Tulvaindeksi kuvautuu kartan värien avulla hyvin ja järvisyysmäärän näkee sinisistä pylväistä. Päätin jättää järvi- ja jokiaineistot pois näkyvistä valuma-alueilta kartan selkeyttämiseksi. Legendassa tulvaindeksien kanssa on kuitenkin pientä ongelmaa ja tulvaindeksistä kertovat luvut ovat rajautuneet hieman oudosti. Rajalla olevat luvut, esimerkiksi 67, ovat jostain syystä joutuneet kahteen luokkaan. Myöskään järvisyydestä kertovat pylväät eivät ehkä prosenttiosuuksien kuvaamiseen sovi yhtä hyvin, kuin ympyrädiagrammit olisivat sopineet. Päädyin kuitenkin pylväisiin, sillä ympyrät tuntuivat peittävän karttaa liikaa ja kaikkien alueiden tulvaindeksit eivät olisi olleet enää näkyvillä.

 

Kuva 1. Kartta kuvaa tulvaindeksejä ja järvisyysprosentteja valuma-alueittain.

 

Kaiken kaikkiaan, tämän viikon hommat tuntuivat sujuvan ihan kivasti

 

Ps. Kaikki ne monet Toton Africa linkkaukset helpottivat kummasti kirjoittamisen tuskaa.

 

 

Lähteet:

Farstad, Mia. Viikko 3: työskentely tietokantojen parissa. 1.2.2018. https://blogs.helsinki.fi/miiafar-gis1/2018/02/01/viikko-3-tyoskentely-tietokantojen-parissa/ (Luettu 1.2.2018)

Kivisilta, Kia. 3. kerta – Kohti parempaa tulevaisuutta. 6.2.2018. https://blogs.helsinki.fi/kiakivis/ (Luettu 8.2.2018)

Saarimaa, Saku. 3. Kurssikerta. 1.2.2018. https://blogs.helsinki.fi/ssaku/2018/02/01/3-kurssikerta/ (Luettu 8.2.2018)

2. Projektioiden tutkiskelua

Toisella kurssikerralla jatkettiin QGISin parissa työskentelyä. Tällä kertaa huomio kiinnitettiin erilaisiin projektioihin, sekä niiden vaikutuksiin karttoja tehdessä. Projektioiden merkitystä ei varmastikaan moni tule miettineeksi, ja olikin kiva, että eri projektioiden aiheuttamia eroja tutkittiin tämän kurssikerran harjoitusten avulla. Kolmiulotteista maapalloa esitettäessä tasona kartalla tarvitaan kartan luomiseen jokin projektio, sillä kolmiulotteisia asioita ei suoraan voi asettaa tasoon. Tätä varten on kehitelty erilaisia projektioita. Erilaisilla projektioilla voidaan saada aikaan oikeapintaisia, -pituisia tai -kulmaisia karttoja. Näiden lisäksi on olemassa kompromissikarttoja, joissa kaikki mainitut ominaisuudet vääristyvät, mutta eivät niin pahasti.

 

Tunnilla tehtiin yhdessä kuvan 1 mukainen kartta Lambertin ja Mercatorin projektioiden välisistä pinta-alaeroista. Kartta kuvaa siis sitä, miten paljon suurempana Mercatorin projektio näyttää mitkäkin alueet Suomessa, verrattuna Lambertin projektioon. Alueiden kokoerot vaihtelevat 295 prosentista 724 prosenttiin. Erot ovatkin siis aikamoisen huomattavia ja syynä tähän ovat erityyppiset projektiot. Kuten Vivi Tarkka on blogipostauksessaan Projektioita ja vääristymiä kirjoittanut, on Lamberin projektio oikeapintainen, kun taas Mercator oikeakulmainen, mikä aiheuttaa tehdystä kartasta huomattavissa olevat erot. Lambertin projektiossa alueiden pinta-alat pysyvät oikeina, kun taas Mercatorin projektiossa ne vääristyvät, ja varsinkin lähellä napa-alueita vääristymät alkavat olla melko suuria, sillä se on lieriöprojektio, joka sivuaa maapalloa päivätasaajalla, missä se on tarkimmillaan ja venyttää maa-alueita napoja lähellä. Tämän harjoitus todella konkretisoi projektioiden aiheuttamat vääristymät. Mercatorin projektio on ollut ja on yhä laaja-alaisesti käytössä maailmankartoissa, mikä aiheuttaakin monille vääristyneen mielikuvan eri alueiden koista. Onneksi nykyään ollaan alettu ymmärtää huonosti maailmaa kuvaavan projektion ongelmallisuus, ja esimerkiksi juuri koko maapalloa esitettäessä on ainakin osin alettu käyttää todenmukaisempia kompromissiprojektioita, esimerkiksi Winkel tripel -projektiot, kuten Johdatus geoinformatiikkaan maantieteessä -kurssilla joskus syksyllä kerrottiin.

 

Kuva1. Kartta kuvaa Mercatorin projektion aiheuttamia koko vääristymiä.

 

Tämän kurssikerran ensimmäinen kartta saatiin kasattua kokoon ensimmäisen kahden tunnin aikana, minkä jälkeen jokainen pääsi itsenäisesti työskentelemään seuraavan tehtävän kartan parissa. Vaikeustaso oli jälleen valittavissa ja päätökseni oli sama kuin viime kerralla: yksinkertaisempi tehtävä vaikutti paremmalta vaihtoehdolta, sillä sen avulla pääsi kertaamaan ensimmäisen kartan teon, mikä tuntui melko hyödylliseltä tehtävältä tähän väliin ja tällä osaamistasolla. Päädyin siis vertailemaan Lambertin projektion ja Robinsonin projektioiden pinta-alaeroja (kuva 2). Alkuun tehtävän teko oli hieman haparointia, mutta tarpeeksi monen yrityksen ja erehdyksen jälkeen sain kuin sainkin tehtävän tehtyä, ja uskon jopa ymmärtäväni ja muistavani (ainakin toistaiseksi), miten kyseisenlainen kartta tehdään. Lopputulos on ensisilmäyksellä hyvin samannäköinen, kuin edellisessä kartassa, mutta legendoja vertaillessa on huomattavissa, että kartat eroavat melko suuresti. Robinsonin projektiolla alueiden koko vääristymät ovat huomattavasti paljon pienempiä (15,5 prosentista pahimmillaan 29,1 prosenttiin). Tämä johtuu siitä, että vertailussa käyttämäni Robinsonin projektio on eräänlainen kompromissiprojektio (Wikipedia 2017), jossa kaikki kartan ominaisuudet ovat jokseenkin vääristyneitä, mutta eivät yhtä radikaalisti, kuin ensimmäisessä kartassa käytetyssä Mercatorin projektiossa. Täten myös pinta-alojen vääristymä on pienempi.

 

Kuva 2. Robinsonin projektion aiheuttamat koko vääristymät.

 

Tästä kurssikerrasta jäi hieman parempi fiilis, kuin ensimmäisestä ja QGIS ei tuntunut enää ihan yhtä vaikeaselkoiselta, kuin viimekerralla. Toivoa tämän kurssin suhteen on siis havaittavissa.

 

Lähteet:

Johdatus geoinformatiikkaan maantieteessä. Kurssikerta 6. 11.10.2018 https://moodle.helsinki.fi/pluginfile.php/1784388/mod_resource/content/1/JGM2017_Luento6.pdf (Luettu 28.1.2018)

Tarkka, Vivi. Projektioita ja vääristymiä. 25.1.2018. https://blogs.helsinki.fi/vivitark/2018/01/25/projektioita-ja-vaaristymia/ (Luettu 27.1.2018)

Wikipedia. Robinsonin projektio. 28.11.2017 https://fi.wikipedia.org/wiki/Robinsonin_projektio (Luettu 28.1.2018)

1. Ensikohtaaminen QGISin kanssa

Ensimmäisellä kurssikerralla lähdettiin tutustumaan QGIS-ohjelmaan, jota ilmeisesti kurssilla tullaan käyttämään useamman kartan tekoon. Aikaisemmin vastaavalla kurssilla on karttojen tekoon käytetty ainakin MapInfoa, mutta nyt ohjelma on vaihdettu käyttöliittymältään parempaan QGISiin. Petja Partanen kertoo lyhyessä Faris Alsuhailin haastatteluun perustuvassa artikkelissaan, miten QGIS on kehittynyt vuosien varrella (Partanen 2017). Artikkelissa Alsuhail kertoo, miten vielä noin 10 vuotta sitten paikkatietoa oli Suomesta saatavilla melkoisen huonosti, ja miten QGISkin oli vielä kehittely vaiheessa. Nykyään ohjelma on hänen mukaansa kuitenkin varsin käyttökelpoinen ja käyttölogiikkakin on parempi kuin aikeisemmin tälläkin kurssilla käytössä olleessa MapInfossa. Onkin siis jännittävää nähdä, millaista QGISin parissa työskentely tulee olemaan.

Ensimmäisen tunnin alkuun kerrattiin vanhoja teemoja paikkatiedosta ja paikkatieto-ohjelmista, mikä toimi hyvänä muistin virkistyksenä ennen kuin lähdettiin itse kartantekoon ja siirryttiin QGISin pariin. Tällä kurssikerralla opeteltiin aikalailla perusasioita: miten kuvia ja aineistoja saa ladattua QGISiin, millaisia aineistojen ominaisuustietotaulukot ovat ja miten niitä muokkaamalla saadaan aikaiseksi teemakarttoja. Tunnin aikana tehtiinkin kartta Itämerta ympäröivien valtioiden typpipäästöistä harjoituskarttana. Kartan teko opastettiin vaihe vaiheelta, ja sen vuoksi uskonkin kartan olevan ihan luettavissa, vaikka parantamisen varaa olisikin. Valmis tuotos on nähtävissä kuvassa 1. Syvyyskäyrien värien saaminen oikein tuotti hieman ongelmia, sillä syvyysluvut eivät aluksi jostain syystä halunneet asettua haluttuun järjestykseen. Lisäksi niiden värit ovat ehkä hieman liian vaaleita ja karttaselitteeseen jäi jostain syystä yksi ylimääräinen syvyysarvon väri, joka ei vastaa mitään syvyysarvoa. Tanskan, Saksan ja Latvian värit olisin voinut myös säätää vähemmän Itämeren värisiksi. Päätin kartan selkeyden vuoksi jättää järviaineiston pois kartalta.

Kartasta on huomattavissa, miten eri maiden aiheuttamat typpipäästöt Itämereen jakautuvat. Reilusti kaikista eniten typpipäästöjä Itämereen aiheuttaa Puola. Kuten Tuuli Lahin on blogikirjoituksessaan kertonut, typpi vaikuttaa vesistöjen rehevöitymiseen, ja on suurina määrinä hyvinkin haitallista. Pitkälle edenneen rehevöitymisen myötä esiintyy Itämeressä esimerkiksi happikatoa, mikä taas voi johtaa joidenkin lajien kuolemaan. Tuuli oli blogissaan ottanut huomioon myös kunkin valtion rataviivan pituuden vaikutuksen typpipäästöjen määrään, mikä toi asiaan vielä uuden näkökulman.

 

Kuva 1. Itämerta ympäröivien valtioiden typpipäästöt valtioittain.

 

Kurssikerran jälkeen saatiin vielä tehtäväksi tuottaa itse koropleettikartta Suomen kuntien tietokannan pohjalta. Tehtävässä sai itse valita vaikeustason ja päädyin valitsemaan helpoimman, sillä ohjelman käyttö tuotti hieman vaikeuksia jo tunnilla, enkä muutenkaan mikään GIS-velho ole. Jopa tällä vaikeustasolla tehtävän tekoon aikaa kului melkoisesti, ja tarvitsin pientä avustusta päästäkseni alkuun. Kun alun vaikeudet oli selätetty, vaati tehtävä enää ohjelman tyyli-osiosta erilaisten asetusten säätämistä ja legendan, mittakaavan ja pohjoisnuolen lisäämistä, sekä niiden säätämistä. Lopputulos on nähtävissä kuvassa 2.

Tekemäni kartta siis kuvaa eläkeläisten prosentuaalista osuutta kunkin kunnan väestöstä. Aineisto perustuu vuoden 2015 tilastotietoihin. Tummempi väri kuvaa suurempaa osuttaa ja vaaleampi pienempää osuutta. Valitsin luokitukseksi tasavälisen luokituksen ja luokkia on 6 kappaletta. Kartasta on huomattavissa, miten suuremmissa kaupungeissa ja niiden ympäryskunnissa eläkeläisten osuus on pienempi muuhun maahan verrattuna. Erityisesti Itä- ja Keski-Suomessa on havaittavissa monia kuntia, joissa eläkeläisiä on melko huomattava osa väestöstä. Selvästi eniten eläkeläisiä muuhun väestöön nähden on Luhankalla, jossa jopa 47,3% väestöstä on eläkkeellä. Kartasta on huomattavissa esimerkiksi kaupungistumisilmiön vaikutus kuntien ikärakenteeseen. Nuorempi väestö on muuttanut ja muuttaa yhä pois pienemmistä kunnista suurempiin keskuksiin muun muassa opiskelupaikan ja töiden perässä, jolloin vanhemman väestön suhteellinen osuus kunnassa kasvaa. Pienempien kuntien näkökulmasta tämä kehityssuunta onkin melkoisen uhkaava.

Mielestäni tekemäni kartta on hyvin luettavissa. Aineisto jota käytin, oli valmiiksi suhteellisina lukuina ja antaa todellisen kuvan eläkeikäisten määrästä kussakin kunnassa. Pyrin valitsemaan kartan värit sopiviksi ja mahdollisimman järkeviksi. Karttaselitteen tekstit olisin voinut ehkä ilmaista hieman eritavalla, ja mittakaavan olisi voinut sijoittaa alemmaksi kuvassa.

 

Kuva 2. Kartassa on kuvattuna eläkeläisten suhteelliset osuudet väestöstä kunnittain. Mitä tummemmalla värillä kunta on väritetty, sen suurempi osa kunnan asukkaista on eläkeläisiä.

 

Lähteet:

Lahin, Tuuli. Ensimmäinen kurssikerta. 17.1.2018. https://blogs.helsinki.fi/lahintuu/2018/01/17/ensimmainen-kurssikerta/ (Luettu 22.1.2018)

Partanen, Petja. QGIS kelpaa jo ammattilaisellekin. 2017. Helsinki region infoshare. http://www.hri.fi/fi/ajankohtaista/qgis-kelpaa-jo-ammattilaisellekin/ (Luettu 19.1.2018)