Tekijä: Eevi Raappana

Seitsemännen ja viimeisen kurssikerran tehtävänä oli luoda vapaavalintainen kahden muuttujan kartta. Tehtävä osoittautui yllättävän haastavaksi, sillä aiheen ja alueen valintaan kului tuhottoman paljon aikaa. Oli kuitenkin mukavaa päästä tekemään karttaa aiheesta, joka oli itselle oikeasti kiinnostava ja oli myös kiva päästä testaamaan, mitä kaikkea kurssilta on loppujen lopuksi jäänyt mieleen!

Euroopan hiilidioksidipäästöt ja energiankulutus

Monien tuntien aineistojen selailun jälkeen päädyin lopulta tekemään kartan, jossa näkyy valtioiden hiilidioksidipäästöt asukasta kohden ja uusiutuvien energialähteiden käytön osuus kaikesta energian kulutuksesta Euroopassa. Aineistot löysin The World Bank -nettisivulta ja pohjakartta on Natural Earth -sivustolta. Hiilidioksidipäästöt on kuvattu koropleettikarttana, missä tummempi sinisen sävy kertoo suuremmista päästöistä. Valitsin kuvattavaksi hiilidioksidipäästöt asukasta kohden, jotta valtiot olisivat vertailtavissa keskenään. Kartalla diagrammit esittävät eri energialähteiden osuuksia kaikesta valtioiden käyttämästä energiasta vuonna 2018. Vihreä väri kuvaa uusiutuvia energialähteitä ja punainen muita energialähteitä. Valmis kartta näkyy alla (kuva 1).

 

Kuva 1. Euroopan hiilidioksidipäästöt/asukas (tonnia) ja uusiutuvien energialähteiden ja muiden energialähteiden osuus valtioiden käytetystä energiasta vuonna 2018

 

Kartalta nähdään, että hiilidioksidipäästöt ovat suurimpia Venäjällä, Virossa ja Luxemburgissa. Vähiten päästöjä on Albaniassa, joka on ainoa valtio ensimmäisessä, vähiten päästöjä omaavassa luokassa. Suurin osa valtioista kuuluu kahteen keskimmäiseen luokkaan. Euroopan eri osien välillä voidaan nähdä jakaumaa siten, että keskimääräisesti Etelä-Euroopan valtioissa on pienemmät päästöt kuin Keski- ja Pohjois-Euroopassa.

Lisäksi kartalta havaitaan, että melkein kaikissa valtioissa muiden energialähteiden osuus on suurempi kuin uusiutuvien energialähteiden osuus. Poikkeuksen tekevät Norja, Liechtenstein ja Islanti. Islanti on ainoa valtio, jossa uusiutuvien energialähteiden osuus on yli ¾. Vähiten uusiutuvia energialähteitä on käytetty Venäjällä. Kaikissa Pohjoismaissa uusiutuvien energialähteiden osuus on suurta verrattuna melkein kaikkiin muihin Euroopan valtioihin.

Uusiutuvien energialähteiden käytön määrän ja hiilidioksidipäästöjen välillä voidaan nähdä olevan vähän yhteyttä. Esimerkiksi Venäjän tapauksessa hiilidioksidipäästöt ovat Euroopan suurimpia ja uusiutuvien energialähteiden käyttö erittäin vähäistä. Päästöihin vaikuttaa kuitenkin myös muutkin tekijät kuin uusiutuvat energialähteet, sillä koska hiilidioksidipäästöt on kuvattu asukasta kohden, myös esimerkiksi asukasmäärä vaikuttaa päästöjen esiintymiseen.

Innostuin vielä tekemään toisen kartan, jossa näkyy uusiutuvien energialähteiden osuus käytetystä energiasta vuosina 1990 ja 2018 Euroopassa. Kartta näkyy alla (kuva 2). Kartalta voidaan nähdä, että melkein kaikissa valtioissa uusiutuvien energialähteiden käytön määrä on lisääntynyt vuosien välillä. Vain Turkissa ja Venäjällä näiden energialähteiden käyttö on vähentynyt, ja Venäjällä se on molempina vuosina melkeinpä olematonta. Norjassa ja Portugalissa määrä on pysynyt melkein samana vuosien välillä. Eniten uusiutuvien energialähteiden käyttö on noussut Liechtensteinissa.

 

Kuva 2. Uusiutuvien energialähteiden osuus valtioiden käytetystä energiasta vuosina 1990 ja 2018

Loppupohdintoja

Viimeisen kurssikerran jälkeen oli erityisen mielenkiintoista käydä tutkimassa muiden blogeja ja katsoa, mistä aiheista muut olivat keksineet tehdä karttoja. Pilvi Toijonen oli tehnyt erittäin hienot kartat Suomen tärkeistä lintualueista. Niissä oli hyödynnetty monia kurssilla opittuja tekniikoita ja saatu ne hyvin toimimaan yhdellä kartalla. Senja Mäkiaho oli puolestaan tehnyt hienoja karttoja mielenkiintoisesta aiheesta eli Helsingin viherkatoista. Myös Aleta Frimanin ruutukartta, joka kuvasi työpaikkojen saavutettavuutta pyörällä vuonna 2025 oli erittäin mielenkiintoinen ja hienosti tehty. Ainakin nämä luovat ja hienosti tehdyt kartat kannattaa käydä katsomassa!

Kaiken kaikkiaan Geoinformatiikan menetelmät 1 -kurssi on ollut erittäin mielenkiintoinen ja opettavainen. Olen kehittynyt QGis:sin käytössä valtavasti ja on ollut kiva päästä oppimaan uutta geoinformatiikasta. Välillä on ollut myös turhautumisen hetkiä, ja koneen ääressä on tullut vietettyä lukuisia tunteja, mutta nyt kurssin jälkeen olen kuitenkin QGis:sin käytön suhteen varmempi ja osaan ainakin ohjelman perustoiminnot. Odotan innolla seuraavia Gis-kursseja, jotta pääsen kehittämään osaamistani lisää!

 

Lähteet

Friman A. (2022). Viikko 7: Luovuus valloilleen. Aletan GIS-blogi. (viitattu 24.3.2022). saatavilla: https://blogs.helsinki.fi/alfriman/

Mäkiaho S. (2022). Viikko 7: Itsenäistä työskentelyä ja viherkattoja. Senjan seikkailut GIS maailmassa. (viitattu: 24.3.2022). saatavilla: https://blogs.helsinki.fi/senjamak/

Natural Earth. Admin 0 – Countries. (viitattu: 24.3.2022). saatavilla: https://www.naturalearthdata.com/downloads/10m-cultural-vectors/10m-admin-0-countries/

The World Bank. CO2 emissions (metric tons per capita). (viitattu: 24.3.2022). saatavilla: https://data.worldbank.org/indicator/EN.ATM.CO2E.PC?view=chart

The World Bank. Renewable energy consumption (% of total final energy consumption). (viitattu: 24.3.2022). saatavilla: https://data.worldbank.org/indicator/EG.FEC.RNEW.ZS?view=chart

Toijonen P. (2022). 7. Kurssikerta: Karttoja Suomen tärkeistä lintualueista. Pilvin GIS-blogi. (viitattu 24.3.2022). saatavilla: https://blogs.helsinki.fi/pilvitoi/

Kumpulan alueen turvallisuus

Kuudes kurssikerta alkoi reippailulla Kumpulan talvisissa maisemissa. Tehtävänämme oli kerätä dataa Epicollect5 -sovelluksen avulla. Jokaisen opiskelijan tuli tallentaa koordinaatit sekä vastata kysymyksiin paikan turvallisuudesta ja viihtyvyydestä yhteensä 10 eri paikasta. Kiersimme kurssikavereiden kanssa Kumpulan alueella ja keräsimme tietoa esimerkiksi teiden varsilta, bussipysäkiltä, työmaiden läheisyydestä sekä puistoista.

Luokkaan palattuamme tarkastelimme kaikkien keräämää dataa QGis:sissä. Teimme kartan eri paikkojen turvallisuudesta interpoloimalla. Valmis kartta näkyy alla (kuva 1). Punainen väri kuvaa turvattomalta tuntuvia paikkoja ja sininen turvallisimmilta tuntuvia paikkoja. Kartalla nähdään punaisia keskittymiä esimerkiksi isojen teiden varsilla. Siniset alueet keskittyvät puistomaisille ja luonnontilaisille alueille. Karttaa tulkittaessa on hyvä ottaa huomioon myös olosuhteet. Emilia Oinas oli blogissaan nostanut hyvin esille lyhytaikaiset olosuhteet, kuten sään, vuorokaudenajan sekä työmaat, jotka voivat vaikuttaa alueiden turvallisuudentunteeseen. Hän toteaa myös hyvin, että ” Jos haluttaisiin hyvä ja kattava yleiskuva, kannattaisi tietoa olla siis monenlaisista olosuhteista ja pidemmältä ajalta” (Oinas, 2022).

Kuva 1. Interpoloitu kartta Kumpulan turvallisuudesta

Maanjäristykset ja tulivuoret

Seuraavaksi siirryimme tekemään itsenäisesti karttoja hasardeista. Päädyin tekemään kolme karttaa maanjäristyksistä, tulivuorista ja tulivuorenpurkauksista. Karttojen oli tarkoitus olla sopivaa oppimateriaaliksi, jota voidaan käyttää hasardien sijoittumisen tutkimiseen. Alla näkyy kaikki kolme tekemääni karttaa.

 

Kuva 1. Tulivuoret ja yli 6 magnitudin maanjäristykset vuosilta 1900–2022

 

Kuva 2. Tulivuorenpurkaukset ja yli 6 magnitudin maanjäristykset vuosilta 1900–2022

 

Kuva 3. Yli 6 magnitudin maanjäristykset vuosilta 1900–2022 

 

Ensimmäisessä kartassa näkyy tulivuorten sijoittuminen sekä yli 6 magnitudin maanjäristykset vuosilta 1900–2022 (kuva 2). Toisessa kartassa on kuvattu yli 6 magnitudin maanjäristyksiä sekä tulivuorenpurkauksia vuosilta 1900–2022 (kuva 3). Kartoilta nähdään, että maanjäristykset, tulivuoret sekä tulivuorenpurkaukset sijoittuvat litosfäärilaattojen saumakohtiin. Oppilaiden kanssa voitaisiin pohtia esimerkiksi syitä sille, miksi kyseiset hasardit tapahtuvat juuri näillä alueilla. Etsin vielä netistä kartan, jossa näkyy litosfäärilaattojen rajat, ja yhteneväisyys on selkeää. Kartta litosfäärilaatoista näkyy alla (kuva 4). Jälkikäteen ajateltuna olisin voinut lisätä karttoihini litosfäärilaattojen rajat, kuten Roosa Kotilainen on omissa kartoissaan tehnyt, jotta kaiken informaation olisi saanut yhteen karttaan.

 

Kuva 4. Litosfäärilaatat (Science Sparks)

 

Kuvan 2 kartalta voidaan myös havaita, että maanjäristyksiä tapahtuu huomattavasti enemmän kuin tulivuorenpurkauksia. Opetuksessa voitaisiin myös miettiä, mistä maanjäristyksien suurempi määrä voisi johtua. Lisäksi karttojen avulla voisi miettiä, missä maanjäristyksiä ja tulivuorenpurkauksia tapahtuu eniten. Suurin osa näistä hasardeista tapahtuu Tyynenmeren tulirenkaan alueella. Alla on kuva Tyynenmeren tulirenkaasta (kuva 5), jonka alueella sijaitsee noin 75 prosenttia tulivuorista ja tapahtuu noin 90 prosenttia maanjäristyksistä (National Geographic).

 

Kuva 5. Tyynenmeren tulirengas (WorldAtlas)

 

Kolmas kartta kuvaa yli 6 magnitudin maanjäristyksiä vuosilta 1900–2022 (kuva 5). Kartalla on merkattu maanjäristykset eri värein sen mukaan, kuinka voimakkaita ne ovat. Luokat on jaettu yhden magnitudin välein eli ensimmäinen luokka on 6–7 magnitudia, toinen luokka 7–8 magnitudia jne. Kartalta nähdään hyvin, että pienempien magnitudien järistyksiä tapahtuu paljon enemmän kuin suurempien magnitudien järistyksiä. 9–9,5 magnitudin maanjäristyksiä on kyseisellä aikavälillä tapahtunut vain 4. Tätä karttaa voisi käyttää maanjäristyksien voimakkuuksien tarkastelussa. Oppilaat näkisivät selkeästi, kuinka harvoin suuria ja erittäin tuhoisia maanjäristyksiä tapahtuu ja toisaalta kuinka yleisiä pienemmät maanjäristykset ovat, vaikka jo 6 magnitudin järistyksetkin aiheuttavat tuhoa.

Kurssikerta oli mielenkiintoinen ja oli kiva saada vaihtelua normaaliin pelkästään koneella istumiseen ulkoilun merkeissä. Myös hasardikarttoja oli hauska tehdä, sillä sai itse miettiä mistä karttoja tekisi ilman tarkkoja ohjeita. Ensi kerralla on viimeinen kurssikerta, palataan siis vielä silloin asiaan!

 

Lähteet

Kotilainen R. (2022). Viikko 6: Ulkoilua ja hasardeja. Roosan blogi. (viitattu 9.3.2022). saatavilla: https://blogs.helsinki.fi/rokoro/

National Geographic. Plate Tectonics and the Ring of Fire. (viitattu 9.3.2022). saatavilla: https://www.nationalgeographic.org/article/plate-tectonics-ring-fire/?utm_source=BibblioRCM_Row

Oinas E. (2022). Turvallisuutta, tulivuoria ja maanjäristyksiä. Emilian GIS-blogi. (viitattu 9.3.2022). saatavilla: https://blogs.helsinki.fi/elmoinas/

Science Sparks: Orange peel plate tectonics. (viitattu 9.3.2022). saatavilla: https://www.science-sparks.com/orange-peel-plate-tectonics/

WorldAtlas: Pacific Ring of Fire. (viitattu 9.3.2022). saatavilla: https://www.worldatlas.com/geography/pacific-ring-of-fire.html

Tällä kurssikerralla opimme jälleen kasan uusia asioita, ja lisäksi pääsimme kertaamaan vanhoja asioita lukuisten itsenäisten tehtävien kanssa. Aloitimme tunnin jo viime kerralta tutun Pornaisten kartan kanssa, ja harjoittelimme bufferointia eli puskurointia. Tarkastelimme buffereiden avulla teiden, koulun sekä terveyskeskuksen läheisyydessä asuvia ihmisiä. Bufferoinnin avulla luodaan siis kartalle puskurivyöhykkeitä, joiden avulla voidaan tarkastella asioiden ja ilmiöiden vaikutusalueita. Näissä tehtävissä bufferointia käytettiin muun muassa etäisyyksien ja melualueiden tutkimiseen, mutta se voisi sopia myös esimerkiksi ympäristövaikutuksien tarkasteluun.

Lentokentät, asemat ja taajamat

Seuraavaksi siirryimme tekemään itsenäisiä tehtäviä. Ensimmäisessä tehtävässä tutkittiin Malmin ja Helsinki-Vantaan lentokenttien meluhaittoja ja niiden läheisyydessä asuvia ihmismääriä sekä asemia. Avainasemassa oli buffereiden sekä valintatyökalujen käyttö. Ensiksi tutkittiin Malmin lentokentän ympäristössä 1 km ja 2 km säteellä asuvien ihmisten määrää, mikä sujui helposti. Seuraavaksi siirryttiin Helsinki-Vantaan lentokentälle, jossa lentokentän läheisyydessä asuvien ihmisten lisäksi tutkittiin lentokentän meluhaittoja. Melualueiden tutkiminen vaati jo hieman enemmän ajattelua, mutta niistäkin selvisin yllättävän helposti.

Ensimmäisen tehtävän viimeisessä osassa tutkimuskohteena olivat asemat ja niiden läheisyydessä asuvat ihmiset. Asemien ympärillä asuvien ihmisten laskeminen sujui samaan tapaan kuin edellisissä tehtävissä, mutta työikäisten määrän laskeminen tuotti aluksi vaikeuksia ja turhautumisen hetkiä. Tästäkin selvisin, kun jaksoin rauhassa miettiä ja kokeilla eri työkaluja.

Toinen itsenäinen tehtävä keskittyi taajamien tarkasteluun. Tehtävässä tarkasteltiin taajamissa asuvien ihmisten määrää sekä taajaman ulkopuolella asuvien kouluikäisten määrää. Tehtävä sujui käyttäen samoja toimintoja kuin aikaisemmissa tehtävissä. Molempien tehtävien tulokset löytyvät alla olevasta taulukosta (taulukko 1).

 

Taulukko 1. Lentokentät, asemat ja taajamat

Uima-altaat

Kolmannessa ja haastavimmassa itsenäisessä tehtävässä aiheena oli uima-altaiden ja saunojen sijoittuminen pääkaupunkiseudulla. Tässä tehtävässä avainasemassa oli oikeiden valintatyökalujen käyttö. Tehtävänä oli muun muassa laskea uima-altaalla varustettujen rakennusten määrää, erotella minkä tyyppisissä rakennuksissa uima-altaita oli sekä laskea saunallisten rakennusten määrää. Alla olevasta taulukosta (taulukko 2) löytyy tämän tehtävän vastaukset.

 

Taulukko 2. Uima-altaat ja saunat

 

Nämä laskutehtävät sujuivat vielä hyvin ja kuvittelin tehtävän hoituvan suhteellisen nopeasti, kunnes pääsin kohtaan, jossa tehtävänä oli tehdä kartta uima-altaiden määrästä eri alueilla. Kartan tekeminen osoittautui haastavaksi, sillä en saanut yhdistettyä uima-altaiden määrää kuvaavaa tietoa kaupunginosiin liittyvään tietoon. Lukuisten yritysten jälkeen lähdin hakemaan apua muiden blogeista, ja onneksi sitä myös sain. Katri Hämäläinen kertoi blogissaan samasta ongelmasta, ja ratkaisun siihen. Ratkaisu oli laittaa pois päätä eräs asetus ”(settings > options > prosessing > general > invalid features filtering > skip)”, jolloin sain yhdistettyä tiedot ja jatkettua kartan tekoa. Kiitos siis Katrille ja muille asiaa pohtineille! Tämän jälkeen vuorossa oli enää uima-altaiden määrää kuvaavien pylväiden lisääminen kartalle, mikä oli ennestään tuttua. Valmis kartta näkyy alla (kuva 1).

 

Kuva 1. Uima-altaiden määrä pienalueittain pääkaupunkiseudulla

Pohdintaa

QGis:sin käyttö tuntuu sujuvan viikko viikolta paremmin, mutta palatessani takaisin edellisten kurssikertojen aiheisiin, tuntuu lähes kaikki tieto unohtuneen. Kurssikerroilla yhteisiä tehtäviä tehdessä uudet toiminnot tuntuvat selkeiltä (tai ainakin melkein), mutta tämän viikon itsenäisissä tehtävissä huomasin, että itse tehdessä ja tehtäviä ratkoessa monet vanhat asiat olivat unohtuneet.

Tällä hetkellä tunnen osaavani parhaiten valintatyökalujen käytön sekä karttojen visualisoinnin, sillä nämä ovat asioita, jotka ovat toistuneet monissa tehtävissä läpi kurssin. Myös digitointi sujuu hyvin ja tietenkin bufferointi tuntuu näiden monien bufferi-harjoitusten jälkeen selkeältä. Fiiliksiäni bufferoinnista kuvaa hyvin Victoria Rumbinin toteamus ” Puskurivyöhykkeiden tekeminen iskostui myös mieleeni loppu elämäkseni, koska toistelin samoja vaiheita kerta toisensa jälkeen uudestaan ja uudestaan” (Rumbin, 2022).

Vaikeimmalta tuntuu tehtävien ratkaisujen keksiminen. Esimerkiksi näitä tehtäviä lukiessa saattoi välillä tuntua siltä, että en tiedä mistä aloittaa ratkaisemista, mutta lopulta löysin kuitenkin oikeat työkalut tehtävien tekoon. Tämä kurssikerta osoitti erittäin hyvin, että kertaus todellakin on opintojen äiti!

 

Lähteet

Hämäläinen K. (2022). QGIS – buffereita ja uima-altaita. GIS-velhoksi. (viitattu 28.2.2022). saatavilla: https://blogs.helsinki.fi/katriham/

Rumbin V. (2022). Kurssikerta 5 – Tuskaisia työtunteja Helsingin seudun parissa. Matka GIS-guruksi. (viitattu 28.2.2022). saatavilla: https://blogs.helsinki.fi/vrumbin/

Neljännellä kurssikerralla aiheena oli ruutukartat, rasteriaineistot sekä pisteaineistot. Aluksi tutustuimme piste- ja ruutuaineistoihin. Pisteaineistot ovat tarkimpia paikkatietoaineistoja, joilla voidaan kuvata yksittäisiä kohteita, kuten rakennuksia, tai laajempia kokonaisuuksia. Laserkeila-aineisto on tarkin pisteaineisto, ja sillä voidaan mallintaa esimerkiksi maastoa ja rakennuksia jopa senttien tarkkuudella. Ruutuaineistot ovat kätevä tapa kerätä alueellista tietoa silloin, kun käytössä ei ole valmista aluejakoa. Ruutuaineistojen taustalla käytetään usein pisteaineistoa, kuten myös tämän viikon tehtävässä.  

Ruutukartta pääkaupunkiseudulta 

Ensimmäisenä tehtävänä oli luoda ruutukartta pääkaupunkiseudulta. Valitsin kartalla kuvattavaksi ruotsinkielisten osuuden väestöstä. Tein aiheesta kaksi karttaa, joissa ensimmäisessä on kuvattu ruotsinkielisten määrä absoluuttisesti eli lukumäärällisesti (kuva 1) ja toisessa on kuvattu ruotsinkielisten suhteellinen osuus väestöstä (kuva 2). Kartat on jaettu ruutuihin, jotka ovat 1 km x 1 km kokoisia. Tiedot väestöstä on saatu erillisestä väestötietokannasta, josta löytyy muun muassa koko väestön sekä ruotsinkielisten väestön lukumäärät. Kartan ruutujen värit kuvaavat ruotsinkielisten osuutta, ja mitä tummempi ruutu on, sitä enemmän alueella on ruotsinkielisiä.  

 

Kuva 1.  Ruotsinkielisten lukumäärä pääkaupunkiseudulla

 

Kuva 2. Ruotsinkielisten osuus väestöstä prosentteina pääkaupunkiseudulla

 

Kuvien 1 ja 2 kartat näyttävät hyvin erilaisilta. Kuvan 1 kartasta nähdään, että lukumäärällisesti ruotsinkielisiä on eniten Helsingin kantakaupungin alueella. Tämä voisi johtua siitä, että keskustan alueella asuu paljon ihmisiä, joten todennäköisyys sille, että alueella on ruotsinkielisiä, on suurempi kuin harvaan asutetuilla alueilla. Lukumäärät eivät silti ole kovin suuria verrattuna koko Helsingin väkilukuun, joka on yli 600 000. Kuvasta 2 nähdään ruotsinkielisten suhteellisten osuuksien olevan suuria täysin eri alueilla, kun lukumäärät olivat suuria ensimmäisessä kartassa. Salla Kärkkäinen oli myös pohtinut näiden kahden kartan eroja blogissaan ja tullut siihen tulokseen, että alueilla, joissa on pieni väestöntiheys, ruotsinkielisten osuus korostuu ja näyttää suurelta kartalla (Kärkkäinen, 2022).   

Molemmat kartat ovat mielestäni visuaalisesti onnistuneita ja hyvän näköisiä. Olen merkannut karttoihin pääkaupunkiseudun kuntien rajat, mutta olisin myös voinut tehdä enemmän. Sara Virtanen on merkinnyt omissa kartoissaan pääkaupunkiseudun suuralueet ja nimennyt ne. Tämä on mielestäni erittäin selkeä ratkaisu, jota lukijan on helppo tulkita ja eri alueet hahmotuvat paremmin kuin omassa kartassani. 

Rasteriaineisto 

Tunnin lopuksi pääsimme ensimmäistä kertaa käsittelemään rasteriaineistoa. Tarkastelimme Pornaisten aluetta ja loimme rinnevarjostuksia ja korkeuskäyriä. Lopuksi pääsimme vielä takaisin digitoinnin maailmaan, kun digitoimme teitä ja rakennuksia kartalle. Ensi kerralla jatkamme Pornaisten kartan parissa. Tämä kurssikerta opetti taas lukuisia uusia toimintoja QGis:sistä, jotka toivottavasti muistan vielä kurssikerran jälkeenkin. Ensi kertaan! 

 

Lähteet  

Kärkkäinen S. (2022). Viikko 4: Flashbackit TEMMI:lle ja muuta mukavaa. Sallan kurssiblogi. (viitattu 14.2.2022). saatavilla: https://blogs.helsinki.fi/karkkais/ 

Virtanen S. (2022). 4. viikko – Rruutuja, rrastereita ja digitointia. Sara Virtanen. (viitattu 14.2.2022). saatavilla: https://blogs.helsinki.fi/virsara/ 

Kolmannella kurssikerralla tutustuimme tarkemmin tietokantojen käyttöön. Opettelimme tietokantojen yhdistämistä sekä ulkopuolisen tietokannan liittämistä olemassa olevaan tietokantaan. Lisäksi tutustuttiin Excelin käyttöön QGis:sin näkökulmasta, kun muokkasimme Excel-tiedoston oikeaan muotoon eli csv-tiedostoksi tuotavaksi QGis:siin. Uutta asiaa oli siis paljon, ja tunti eteni vauhdikkaasti uutta opetellessa.

Afrikka

Tunnilla teimme kartan konfliktien, timanttikaivosten ja öljykenttien sijoittumisesta Afrikassa (kuva 1). Hyödynsimme tässä eri tietokantojen tietoja yhdistellen ja muokaten niitä. Lisäksi yhdistelimme tietokannoista löytyvien maiden eri kohteita yhdeksi. Esimerkiksi Egypti koostui monista kymmenistä eri osista, jotka yhdistimme samaksi kohteeksi, jotta maiden tietoja olisi helpompi tutkia ja käsitellä.

 

Kuva 1. Konfliktien, timanttikaivosten ja öljykenttien esiintyminen Afrikassa

 

Kuvan 1 kartasta nähdään, miten öljykentät, timanttikaivokset ja konfliktit noin toisen maailmansodan jälkeiseltä ajalta sijoittuvat Afrikassa. Kartalta voi nähdä timanttikaivosten ja öljykenttien määrän olevan yhteydessä konfliktien määrään. Karttoja analysoidessa täytyy kuitenkin muistaa, että kartalla näkyvien tietojen välillä ei välttämättä ole syy-seuraussuhdetta ja että konfliktien määrään voi vaikuttaa myös moni muu asia. Ronja Sonninen on blogissaan pohtinut hyvin muita konflikteja selittäviä tekijöitä, joita ovat esimerkiksi ”valtion kehitys- ja taloustilanne, tulonjaon tasaisuus, poliittinen tilanne, muiden luonnonvarojen esiintyminen tai esiintymättömyys sekä etenkin tulevaisuudessa yhä vahvemmin ilmastonmuutos” (Sonninen, 2022).

Tulvaindeksikartta

Seuraava harjoitus tehtiin täysin itsenäisesti. Tehtävässä käytettiin samoja taitoja, joita opittiin tunnilla, mutta tehtävän tekeminen aiheutti silti hieman hankaluuksia. Tehtävänä oli tehdä tulvaindeksikartta, jossa näkyy Suomen valuma-alueiden tulvaindeksit ja järvisyysprosentti. Varsinkin järvisyysprosenttia kuvaavat pylväät eivät meinanneet suostua toimimaan, mutta useiden kertojen yritykset tuottivat lopulta tulosta, ja sain kartan valmiiksi! Valmis kartta näkyy alla (kuva 2).

 

Kuva 2. Valuma-alueiden tulvaindeksi ja järvisyysprosentti Suomessa

 

Kartasta nähdään, että tulvaherkkiä alueita löytyy varsinkin Etelä- ja Lounais-Suomesta sekä Pohjanmaalta. Näitä kaikkia yhdistää meren läheisyys, joka voi selittää tulvien määrää. Meren lähellä esimerkiksi myrskyt voisivat olla yksi syy tulvien esiintymiseen. Kartasta voidaan myös päätellä, että alueilla, joilla järvisyysprosentti on suuri on pienempi tulvariski. Esimerkiksi Itä- ja Keski-Suomessa voidaan havaita tulvaindeksin olevan todella pieni ja järvisyysprosentin puolestaan suuri. Tulvariskiin liittyy myös muita tekijöitä, kun järvisyys tai meren läheisyys. Eeva Raki on listannut näitä tekijöitä blogissaan, ja hänen mukaansa tulvariskiin ”vaikuttaa myös esimerkiksi virtaama, topografia, korkeuserot ja valuma-alueen koko” (Raki, 2022).

Kaiken kaikkiaan kurssikerta oli opettavainen ja päällimmäisenä mieleen jäi kertauksen tärkeys. Mitä enemmän eri työvaiheita tuli kotona kerrattua, sitä helpommilta ne tuntuivat ja nyt tietokantojen käsittely sujuu jo huomattavasti paremmin kuin Gis-luokassa. Ensi tunnille mennään taas hieman viisaampana ja luottavaisempana!

 

Lähteet

Raki E. (2022). Kurssikerta 3: Paineen alla. Oppimassa geoinformatiikkaa. (viitattu 7.2.2022). saatavilla: https://blogs.helsinki.fi/eevaraki/

Sonninen R. (2022). Tietokantojen parissa työskentelyä. Ronjan GIS-blogi. (viitattu 7.2.2022). saatavilla: https://blogs.helsinki.fi/sronja/

Toisella kurssikerralla jatkoimme QGis-ohjelmaan tutustumista. Aiheena oli projektiot ja niiden vaikutus esimerkiksi alueiden pinta-aloihin ja pituuksiin. Ennen projektioihin syventymistä tutustuimme muutamaan QGis:sin ominaisuuteen, joita olivat muun muassa valintatyökalujen sekä rajapintapalveluiden käyttö. Lotta Sainio on tiivistänyt blogissaan hyvin näiden rajapintapalveluiden idean. ”Niiden avulla siis haetaan erilaista dataa suoraan palvelimelle ja osoitteet voidaan tallentaa myöhempää käyttöä varten ohjelmaan. Tyypillisiä rajapintapalveluita ovat WFS, WMS, WMTS sekä WCS.” (Sainio, 2022)

Projektiot ja niiden aiheuttamat vääristymät

Tutustuimme myös erilaisiin karttaprojektioihin ja niiden käyttöön. Projektioiden tehtävänä on kuvata kolmiulotteinen maapallo kaksiulotteisella tasolla. Projektioista pyritään tekemään mahdollisimman tarkkoja, mutta niissä on aina joitain virheitä, sillä pallon pintaa on mahdoton levittää suoraan tasoksi. Karttaprojektiot voivat olla joko oikeapintaisia, oikeakulmaisia tai oikeapituisia riippuen siitä, minkä ominaisuuden suhteen ne ovat totuudenmukaisia. Lisäksi on olemassa kompromissiprojektioita, jotka eivät ole minkään ominaisuuden suhteen oikein, mutta ne pyrkivät minimoimaan vääristymät.

Tunnilla tehtävänä oli verrata eri projektioiden aiheuttamia vääristymiä pituuksiin ja pinta-aloihin verrattuna Suomessa yleisesti käytössä olevaan ETRS TM35FIN -projektioon. Tarkastelin ETRS TM35FIN -projektion lisäksi Mercatorin, Winkel Tripel, sekä Bonnen projektioita. Mittausalue on Pohjois-Lapista (kuva 1 ja 2), sillä monet projektiot vääristävät varsinkin Suomen pohjoisosia, jolloin erot ovat selkeästi havaittavissa. Tulokset mittauksista nähdään taulukossa 1. Taulukon arvot on merkattu vain suorakulmaisen (cartesian) koordinaatiston mukaan, sillä ellipsoidisen koordinaatiston tulokset olivat kaikissa koordinaatistoissa samat.

 

Kuva 1. Pohjois-Lapista mitattu pituus

Kuva 2. Pohjois-Lapista mitattu pinta-ala

 

Taulukko 1. Mitattujen pituuksien ja pinta-alojen eroja eri projektioissa

 

Taulukosta 1 nähdään, että arvot vaihtelevat pituudessa sadoilla kilometreillä. ETRS TM35FIN -projektiota lähimpänä on Bonnen projektio ja eniten mittaustulosta vääristi Mercatorin projektio. Pinta-aloissa arvot vaihtelevat tuhansilla kilometreillä ja myös tässä lähimpänä on Bonnen projektio. Kauimpana oikeasta tuloksesta on Mercatorin projektio, jonka avulla mitattuna pinta-ala oli yli 8-kertainen verrattuna ETRS TM35FIN -projektioon.

Projektioiden vääristymien visualisointi

Seuraavaksi havainnointiin projektioiden vaikutuksia Suomen kuntien pinta-aloihin visuaalisesti kartalla. Tarkastelin jälleen Mercatorin, Winkel Tripelin ja Bonnen projektioita. Ensimmäisenä tarkastelussa on Mercatorin projektio (kuva 3). Elida Peuhu on blogissaan tiivistänyt hyvin Mercatorin projektion pääpiirteet. ”Mercator puolestaan on oikeakulmainen projektio, eli pituus- ja leveyspiirit kuvautuvat yhdensuuntaisina, mutta pinta-ala ja etäisyydet vääristyvät. Pinta-ala on päiväntasaajalla lähimpänä oikeaa, mutta napoja lähestyessä se venyy ja vääristyy.” (Peuhu, 2022). Kuvasta 3 nähdään, että erot pinta-aloissa kasvavat pohjoiseen mentäessä ja nämä erot ovat aika suuria. Pohjoisimmissa kunnissa Mercatorin projektio vääristää pinta-aloja jo yli 8-kertaisesti, kun taas eteläisemmissä kunnissa vääristymät ovat noin nelinkertaisia.

 

Kuva 3. Kuntien pinta-alat Mercatorin projektiolla verrattuna ETRS TM35FIN -projektioon

 

Winkel Tripel -projektio (kuva 4) on kompromissiprojektio, sillä sen tavoitteena on tavoitteena on ollut minimoida projektiossa esiintyviä vääristymiä pinta-alan, etäisyyksien ja suuntien suhteen. Myös tässä projektiossa vääristymät kasvavat pohjoiseen päin mentäessä, kuten Mercatorin projektiossa. Winkel Tripel -projektiossa vääristymien koko on kuitenkin pienempi ja se vääristää pinta-aloja noin 1,2–1,5-kertaisiksi verrattuna ETRS TM35FIN -projektioon.

 

Kuva 4. Kuntien pinta-alat Winkel Tripel -projektiolla verrattuna ETRS TM35FIN -projektioon

 

Viimeisenä tarkastelin Bonnen projektiota (kuva 5) suhteessa ETRS TM35FIN -projektioon. Olivia Timisjärvi kertoo blogissaan kyseisen projektion ominaisuuksista. Hänen mukaansa Bonnen projektio ”esittää keskileveyspiirit ympyräkaarina, joissa etäisyydet ovat oikeassa suhteessa” ja projektiossa ”kartan keskimeridiaanin kohdalla alueiden muodot eivät vääristy” (Timisjärvi, 2022). Kuvan 5 kartta näyttää hyvin erilaiselta verrattuna Mercatorin ja Winkel Tripel projektioihin. Siinä vääristymät kulkevat itä-länsi-suunnassa. Vähiten vääristymiä on kartan keskiosassa ja suurimmat vääristymät ovat Ahvenanmaan kohdalla. Erot ovat kuitenkin erittäin pieniä ja Ahvenanmaankin kohdalla Bonnen projektio näyttää pinta-alat 0,997-kertaisena. Tässä kartassa käytin vain viittä luokkaa, sillä se teki kartasta mielestäni selkeämmän.

 

Kuva 5. Kuntien pinta-alat Bonnen projektiolla verrattuna ETRS TM35FIN -projektioon

 

Kurssikerta oli mielenkiintoinen ja opettavainen. Opin QGis:sissä uusien työkalujen käytöstä ja ohjelman käyttö sujuu muutenkin jo paremmin. Käsittelemämme aihe oli myös mielenkiintoinen ja oli hauska nähdä eri projektioiden eroja visuaalisesti kartoilla. Katsotaan mitä seuraava kurssikerta tuo tullessaan!

 

Lähteet

Peuhu E. (2022). Vääristävät karttaprojektiot. Geoinformatiikan menetelmät -blogi. (viitattu 31.1.2022). saatavilla: https://blogs.helsinki.fi/elida/

Sainio L. (2022). Viikko 2: projektioiden maailma. Mantsailua – Lotta Sainio -blogi. (viitattu 31.1.2022). saatavilla: https://blogs.helsinki.fi/salotta/

Timisjärvi O. (2022). 2. kurssikerta: Projektioita ja karttoja. Olivian blogi. (viitattu 31.1.2022). saatavilla: https://blogs.helsinki.fi/tfolivia

MAA-202 Geoinformatiikan menetelmät 1 -kurssin ensimmäisellä kurssikerralla harjoittelimme QGis-ohjelmiston käyttöä ja teimme koropleettikartan HELCOM-merialueen typpipäästöistä. Olin käyttänyt QGis-ohjelmistoa vain kerran Johdatus geoinformatiikkaan -kurssilla, joten kertaus tuli tarpeeseen. Kurssikerralla ohjeet olivat selkeät ja ohjelmiston käyttäminen onnistui huomattavasti sujuvammin kuin viime kerralla. Opin kurssikerralla QGis-ohjelmistosta muun muassa statistics-palkin käytöstä, visualisoinnista sekä laskutoimitusten tekemisestä laskiessamme typpipäästöjen suhteellisia osuuksia päästöjen kokonaismäärästä.

HELCOM-merialueen typpipäästöt

Tunnilla teimme yhdessä kartan, jossa kuvataan HELCOM-merialuetta ympäröivien valtioiden typpipäästöjen suhteellisia osuuksia. Alla on tekemäni kartta valtioiden typpipäästöistä (kuva 1). Kartalta nähdään, että suurin saastuttaja on Puola. Puolan suuria päästöjä voi selittää esimerkiksi suurella väestöllä ja maataloudella, jota Puolassa harjoitetaan paljon ja josta syntyy paljon typpipäästöjä. Seuraavaan luokkaan kuuluvat Ruotsi, Venäjä ja Latvia, joiden osuus typpipäästöistä on 8–13,3 %. Varsinkin Ruotsin suurta osuutta voisi selittää varsin pitkällä rantaviivalla, joka Ruotsilla on Itämerellä. Pienimpään luokkaan kuuluvat valtiot ovat Suomi, Viro, Liettua, Tanska ja Saksa, joiden osuus päästöistä on välillä 3,2–8 %.

 

Kuva 1. HELCOM-merialuetta ympäröivien valtioiden suhteelliset typpipäästöt prosentteina

 

Lopputulos on mielestäni onnistunut ja kartalta löytyy kaikki vaadittavat elementit, kuten legenda, mittakaava ja pohjoisnuoli. Päästöjen määrää kuvaava väri eli punainen sopii mielestäni hyvin typpipäästöjen kuvaamiseen, sillä typpipäästöt ovat negatiivinen ilmiö, johon punainen väri viittaa. Kartassa on mielestäni yksi turha elementti, joka on syvyyskäyrät, sillä ne eivät varsinaisesti liity typpipäästöihin ja ilman niitä kartta olisi hieman selkeämpi.

Kuntien työttömyyttä kuvaava kartta

Toisena tehtävänä oli tehdä kartta Suomen kunnista. Päätin tehdä kartan kuntien työttömyydestä, sillä se on teema, joka varmasti näkyy selkeästi kartalla. Tekemäni kartta näkyy alla (kuva 2). Kartan tekeminen sujui hyvin, sillä käytössä oli samoja työkaluja, joita olimme oppineet käyttämään jo tunnilla, ja kartta on myös visuaalisesti mielestäni onnistunut. Kartalla kunnat, joissa työttömyysprosentti on pienin on merkitty vaaleammilla väreillä ja kunnat, joissa työttömyysprosentti on suurempi on merkitty tummemmilla sävyillä. Värinä oranssin ja punertavan sävyt kuvaavat mielestäni työttömyyttä hyvin. Käytin aineiston lajitteluun luonnollista luokkajakoa (natural breaks) ja 5 luokkaa. Kokeilin myös muita lajittelutapoja, mutta luonnollinen luokkajako sopii mielestäni tähän karttaan parhaiten, ja se antaa realistisen kuvan työttömyydestä.

 

Kuva 2. Työttömyys prosentteina kunnittain

 

Kartalta nähdään, että työttömyys keskittyy maaseudun kuntiin. Vähiten työttömyyttä esiintyy kasvukeskuksissa, kuten pääkaupunkiseudulla. Kasvukeskuksissa on eniten ihmisiä, mikä johtaa työpaikkojen ja yritysten keskittymiseen niille alueille, joissa on eniten työvoimaa. Tämä havainto voidaan nähdä hyvin vertaamalla työttömyyttä kuvaavaa karttaa väestöntiheyskarttaan. Heta Suutari oli blogissaan tehnyt hyvän väestöntiheyskartan, jota voidaan verrata tekemääni työttömyyskarttaan, jolloin nähdään hyvin työttömyyden ja väestöntiheyden korrelaatio (Suutari, 2022). Esimerkiksi juuri pääkaupunkiseutu on yksi tiheimmin asutetuista alueista, ja myös työttömyys on siellä pientä.

 

Lähteet:

Suutari H. (2022). 1. viikko: tutustuminen. Heta VS GIS -blogi. (viitattu 24.1.2022). saatavilla: https://blogs.helsinki.fi/suutarih/