Category: Uncategorized

____

Viimeisenä työnä oli kokonaan itsenäisesti toteutettu työ, jonka aiheen ja aineistot sai itse päättää. Halusin tehdä karttani hieman laajemmalta alueelta, joten valitsin alueeksi Euroopan. Pohja-aineiston latasin Natural Earth- sivustolta. Lataamani aineisto sisälsi kaikkien maailman maiden rajat, koska ei löytänyt pelkkää Eurooppaa kuvaavaa karttaa. Päätin siis poistaa maailmankartasta kaikki Euroopan ulkopuoliset kohteet, jolloin sain haluamani pohjan. Selailin mahdollisia aineistoja Eurostat- sivustolta ja päädyin valitsemaan kaksi ympäristönsuojeluun liittyvää kiinnostavaa aineistoa. Toinen koski Natura 2000- luonnonsuojelualueita ja toinen ympäristönsuojeluun institutionaalisen sektorin käyttämää rahamäärää. Nämä aineistot eivät kattaneet kaikkia Euroopan maita, mutta ison osan. Tekemäni kartta näkyy kuvassa 1.

Luonnonsuojelualueiden määrää halusin havainnollistaa ympyrädiagrammeilla, joista näkyy suojeltujen (maa)alueiden osuus koko pinta-alasta. Osuus vaihteli melko vähän maiden välillä, mutta selkeästi suurimpia osuuksia oli Balkanin alueella, josta oli valitsemassani aineistossa harmillisesti dataa vain osasta maista. Toinen hyvä tapa havainnollistaa luonnonsuojelualueiden osuutta olisi ollut koropleettikartta, jota Victoria Rumbin oli käyttänyt omassa blogissaan kuvatessaan Afrikan valtioiden suojeltujen alueiden osuutta. Tämä olisi auttanut erityisesti alueiden erojen vertailussa, joka olisi ollut siten nopeammin tulkittavissa.

Kuva 1. Joidenkin Euroopan maiden ympäristön suojeluun käyttämä rahamäärä sekä luonnonsuojelualueiden osuus pinta-alasta.

Toinen valitsemani muuttuja oli tosiaan ympäristön suojeluun käytetty rahamäärä miljoonissa euroissa, jota havainnollistin koropleettikartalla. Siinä suurimman rahamäärän oli kuluttanut Ranska, jossa suojellun alueen osuus on taas pienemmästä päästä. Sen sijaan esimerkiksi Kroatia ja Bulgaria kuuluvat pienimpään luokkaan tässä, vaikka niillä taas on suhteessa eniten suojeltua pinta-alaa. Tätä voidaan varmasti selittää sillä, että Ranska on vauraampi maa ja kulutettu rahamäärä on absoluuttinen, eikä siis suhteutettu esimerkiksi BKT:hen. Kun suojellun pinta-alan osuudessa ei ollut erityisen suuria vaihteluita, kulutetussa rahamäärässä niitä on todella paljon. Pienin luokka alkaa 169 miljoonalla ja suurin luokka alkaa 32 512 miljoonalla, eli eri on todella suuri. Ympäristön suojeluun vaikuttavat monet asiat, ja suhteellinen tarkastelutapa voisi olla näin jälkeenpäin mietittynä reilumpi ja se kertoisi paremmin totuudesta.

Kartasta tuli aika samanlainen kuin valuma-alueita ja järvisyyttä käsittelevästä kartasta, mutta olen tyytyväinen siihen, että sain diagrammit ja kahden asian esittämisen toimimaan. Diagrammien ongelmana on kuitenkin pienempien maiden kohdalla se, ettei maan kulutusta voida tulkita, sillä diagrammi peittää koko maan alueen. Toisaalta jos sitä pienentää enemmän, sen tulkinta voi vaikeuta. Hankalia päätöksiä tällaiset. Legendan kanssa pieni ongelma oli se, etten saanut diagrammin muuttujille otsikkoa järkevästi ja nyt se on hieman hämäävästi kuvaamassa laatikkoa, joka näyttää niiden maiden värin, joista ei ole dataa. Nyt kun miettii, olisi tämän värin voinut myös selittää, vaikka se itselle tuntuu helpolta tulkita. Kaiken kaikkiaan olen kuitenkin ihan tyytyväinen tähän karttaan.

Tykkäsin kaiken kaikkiaan tästä kurssista ja oli kiva päästä oppimaan niin paljon uutta. Myös haasteita tuli vastaan, mutta niistä selviäminen olikin sitten erityisen palkitsevaa. Kuitenkin tuntuu myös siltä, että kehittämisen varaa on ja voisi oppia mielellään vielä lisääkin. Ensi kursseja odotellessa, nyt on onneksi perusjutut ainakin joten kuten halussa 🙂

Lähteet:

Eurostat (2018). National expenditure on environmental protection by institutional sector. (Tieto haettu 03.03.2022). Osoitteesta https://ec.europa.eu/eurostat/databrowser/view/ENV_AC_EPNEIS__custom_2216607/default/table?lang=en

Eurostat (2018). Natura 2000 protected areas. (Tieto haettu 03.03.2022) Osoitteesta https://ec.europa.eu/eurostat/databrowser/view/ENV_BIO1__custom_2209003/default/table?lang=en

Natural Earth. Countries medium scale. (Tieto haettu 03.03.2022). Osoitteesta https://www.naturalearthdata.com/downloads/50m-cultural-vectors/

Rumbin, V. (2022). Kurssikerta 7 – Viimeistä viedään. Matkani GIS-guruksi. (Luettu 17.03.2022). Osoitteesta https://blogs.helsinki.fi/vrumbin/

____

Kumpulan turvallisuus

Vietimme tunnin alkuosan hieman erilaisessa ympäristössä kuin tavallisesti: luokkahuoneen sijaan kiersimme ympäri Kumpulaa arvioiden erilaisia kohteita muun muassa niiden turvallisuuden ja viihtyisyyden mukaan. Käytimme tässä Epicollect 5-sovellusta, jonka käyttö samantyyliseen tarkoitukseen oli tuttua lukion mantsantunneilta. Tällä kertaa pääsimme tosin myös tutkimaan ja käsittelemään kerättyä tietoa pelkän aineiston tuottamisen lisäksi. Tuotoksena syntyi kuvan 1 kartta, jossa kohteiden ja niiden ympäristön turvallisuutta kuvaavat värit punaisesta tummansiniseen (vaarallisesta turvalliseen). Kartta on tehty interpoloimalla, joka oli minulle uutta.

Kohteita oli mielenkiintoista arvioida, mutta sitä tehdessä huomasi myös, miksi tuloksien taustaa kannattaa selvittää. Kohteiden viihtyisyyteen tai turvallisuuteen vaikuttivat esimerkiksi lyhytaikaisemmatkin olosuhteet, kuten sää (tie saattoi olla liukas tai kulku kohteeseen ei ollut mahdollista), vuorokaudenaika (vaikeaa arvioida turvallisuutta, koska sen tunne voi vaihdella huomattavasti päivän ja yön välillä) sekä mahdolliset työmaat, joilla voi olla merkittävä väliaikainen vaikutus kohteen käyttöön. Jos haluttaisiin hyvä ja kattava yleiskuva, kannattaisi tietoa olla siis monenlaisista olosuhteista ja pidemmältä ajalta. Toisaalta jotkin asiat, kuten suuren tien ylitys, todennäköisesti pysyy hieman epämiellyttävänä ajasta riippumatta.

Kuva 1. Turvallisuuden tunne Kumpulan alueella.

Maanjäristyksiä ja tulivuoria

Tehtyämme kävelylenkin tuloksista kartan, aloimme tekemään vapaavalintaisia karttoja maanjäristys-, tulivuori- ja meteoriittidatan avulla. Tein itse pari karttaa maanjäristyksistä, joista ensimmäisessä (kuva 2) on havaittavissa, missä päin maailmaa tapahtuu merkittäviä maanjäristyksiä (magnitudi vähintään 6 ). Aikaväli on pitkä kyseisessä kartassa, 122 vuotta. Siitä huolimatta aktiivisimmat alueet ovat havaittavissa. Kuvassa 3 on kartta, josta käy ilmi todella voimakkaat maanjäristykset ( magnitudi vähintään 9) samalta aikaväliltä. Tästä kartasta nähdään, että todella voimakkaat maanjäristykset ovat harvinaisia ja ne sattuvat alueilla, joissa maanjäristykset ovat yleisiä ensimmäisen kartan mukaan.

Kuva 2. Vähintään magnitudi 6 maanjäristykset.

Kuva 3. Vähintään magnitudi 9 maanjäristykset.

Tein maanjäristysten lisäksi muutaman kartan tulivuorista, joista kaksi on tässä alla. Ensimmäinen näistä kuvaa kaikkia maailman tulivuoria ja toinen taas tiettyä tulivuorityyppiä, kilpitulivuoria edustavia tulivuoria. Näitä voitaisiin vertailla maanjäristyksistä kertovaan karttaan ja opettaa, miksi näitä esiintyy samoilla alueilla. Taustalla on ilmiöiden keskittyminen litosfäärilaattojen saumakohtien läheisyyteen, mistä esimerkiksi Pilvi Toijonen on löytänyt blogiinsa hyvän ja havainnollistavan kuvan. Kilpitulivuorien kohdalla voitaisiin myös kertoa erilaisista tulivuorityypeistä ja millaisilla alueilla niitä esiintyy.

Kuva 4. Maailman tulivuoret.

Kuva 5. Maailman kilpitulivuoret.

Olisi ollut mielenkiintoista esittää tietoa tulivuorista ja maanjäristyksistä samalla kartalla, mutta ainakin silloin, kun kaikki kohteet ilmaistaan samankokoisilla pisteillä olisi tuloksesta tullut liian sekava. Jälkeenpäin mietittynä kartoista löytyy parannettavaa: pohjoisnuoli ja mittakaava olisivat olleet hyviä lisiä. Tekemäni kartat ovat myös melko yksinkertaisia ja mielenkiintoisemmat kartat olisivat olleet hyvä lisä.

Lähteet:

Toijonen, P. (2022). 6.kurssikerta: interpolointia ja hasardeja. Pilvin GIS-blogi. (Luettu 17.03.2022) Osoitteesta https://blogs.helsinki.fi/pilvitoi/

_____

Viidennellä kerralla pääsimme tutustumaan puskurivyöhykkeisiin, mikä alkoi aikaisemmalla tunnilla tehdystä Pornaisten kartasta, josta tutkittiin tietyllä etäisyydellä eri kohteista, kuten terveyskeskuksesta, asuvien määrää. Tämä harjoitus sujui mukavasti ohjeiden avulla. Lopputunnista aloimme tekemään itsenäisiä tehtäviä, jotka tuntuivat jo paljon hankalammilta, kun oli tottunut tekemään tarkkojen ohjeiden mukaan. En myöskään tajunnut etsiä tarkempia ohjeita tiedostoista, joten kokeilin erilaisia tapoja ja sain ainakin jonkinlaisia tuloksia.

Lentokentät ja asemat

Ensimmäinen itsenäinen tehtävä liittyi Malmin ja Helsinki-Vantaan lentokenttien melualueisiin sekä juna- ja metroasemien saavutettavuuteen. Pääsin tekemään itse puskureita, mutta olennaista oli myös osata käyttää valintatyökaluja, jotta juuri näillä alueilla esiintyviä kohteita voitiin tarkastella. Myös statistiikkapaneeli oli ahkerassa käytössä. Aluksi oli vaikeaa hahmottaa, missä QGisissä saisi laskettua osuuksia koko asukkaista, mutta päädyin laskemaan ne Excelissä. En myöskään osannut tehdä linkkiä taulukkoon, joten liitän tekemäni taulukot kuvina.

Taulukko 1. Tilastoja Malmin ja Helsinki-Vantaan lentokentistä ja juna- sekä metroasemista.

Koulut ja koulupiirit sekä hieman putkiremonteista

Toinen itsenäinen työ, jossa laskettiin kouluihin ja koulupiireihin sekä taajamiin liittyviä asioita, meni ihan hyvin. Kouluikäisten määrittäminen oli vain hieman hankalaa, koska esimerkiksi kuusivuotiaat voivat olla esikoulussa tai ensimmäisellä luokalla riippuen siitä, missä vaiheessa vuotta he ovat syntyneet. Määrittelin tässä tehtävässä kouluikäiset 7-16-vuotiaiksi.

Vapaavalintaisena tehtävänä aloitin tekemään putkiremontteihin liittyvää tehtävää, joka kuitenkin tyssäsi viimeiseen kohtaan, jossa olisi pitänyt laskea remontti-indeksi. Päätin sitten pitkään mietittyäni vaihtaa koulupiirejä koskevaan tehtävään ja määrittelin kouluiän sinä ikänä, minkä ikäisenä suurin osa aloittaa kunkin luokan (17-15). Tämä sujuikin sitten jo paljon helpommin, mutta toisaalta olisi ollut kiva oppia myös, miten putkiremonttitehtävän olisi saanut tehtyä loppuun.

Taulukko 2. Tietoja taajamien asukkaista, putkiremonteista ja koulupiireistä.

QGisin ja puskurianalyysin käyttö

Tärkeitä työkaluja, joiden käyttö alkaa tuntua jo melko tutulta ovat jotkin valitsemistyökalut ja joidenkin laskujen laskeminen field calculatorilla. Puskureiden tekeminen sujuu tällä hetkellä ihan hyvin myös. Joitakin toimintoja, joita olemme opetelleet vain kerran, kuten suurten tietokantojen asioiden tiivistämistä sekä rinnevarjostusten tai korkeuskäyrien tekemistä en muista enää kunnolla ja ne kaipaisivat vielä kertaamista. Yleisesti ottaen ne asiat, joita on tehnyt usein, tuntuvat sujuvan parhaiten.

Puskurianalyysiä voidaan käyttää moniin tarkoituksiin, joissa etäisyydellä jostakin kohteesta on väliä. Esimerkkejä tällaisista tilanteista on esimerkiksi turva-alueet mahdollisesti vaarallisten tai saastuttavien kohteiden ympärillä ja saavutettavuuden tarkasteleminen, esimerkiksi kuinka moni asuu lähellä koulua. Toisaalta saavutettavuuteen vaikuttaa myös reitit ja liikkumismahdollisuudet kohteeseen, sillä puskurianalyysissä etäisyyksiä tarkastellaan osittain linnuntietä. Puskurianalyysillä voitaisiin myös tarkastella tietyn alueen asukkaiden eli mahdollisen asiakaskunnan ominaisuuksia, jos suunniteltaisiin uuden yrityksen, esimerkiksi ravintolan perustamista tiettyyn paikkaan.

QGisillä ratkaistavissa oleviin ongelmiin vaikuttaa se, millaisia analyysejä tällä ohjelmalla voidaan tehdä ja mitä aineistoja sen kautta voidaan hyödyntää. QGis vaikuttaa hyvältä ohjelmalta, mutta todennäköisesti siinäkin on joitakin virheitä tai puutteita. Eri ohjelmissa voi myös olla erilaisia mahdollisuuksia analyyseille ja jos analyysi on jotenkin harvinaisempi ja sillä on tarkat vaatimukset, voi olla, että oikeanlaisen ohjelman etsiminen saattaa olla hankalampaa. Aineistoja tuntuu olevan hyvin ja monipuolisesti saatavilla, mutta välttämättä ihan kaikkeen ei ehkä löydy valmista ja kattavaa aineistoa. Aineistoissa saattaa myös esiintyä virheitä tai yleistyksiä, jotka eivät välttämättä sovi haluttuun käyttöön. On kuitenkin käyttäjän vastuulla löytää sopivia aineistoja, vaikka se ei välttämättä aina ole helppoa. Ohjelman käyttäjän asettamat reunaehdot ovat hänen osaamisensa rajat ja mahdolliset virheet. Myös ohjelman monimutkaisuus voi vaikuttaa käyttäjän rajoihin, jolloin voidaan miettiä, olisiko myös ohjelmassa parantamisen varaa. Taru Tornikoski mainitsee blogissaan QGisin neuvovan käyttäjiä huonosti ja komentojen toimivan toisin, kuin käyttäjä voisi luonnostaan olettaa. Tämä on myös minunkin mielestäni olennainen ongelma QGisin käytössä, sillä kuten hän mainitseekin, QGisin käyttö ilman ohjeita on tästä syystä todella vaikeaa.

Tämä kurssikerta oli ajoittaisista vaikeuksista huolimatta kiva ja tärkeimpänä opetuksena jäi mieleen kertauksen tärkeys. Vaikka monet toiminnot sujuvat hyvin tunnilla, voi olla ettei niitä enää muista myöhemmin.

Lähteet:

Tornikoski, T. (2022). Bufferointi on mukavaa. Geoinformatiikkaa tutkimassa 🙂 (luettu 28.02.2022). Osoittesta: https://blogs.helsinki.fi/tornitar/

____

Ruutu- ja pisteaineistot

Neljännellä kerralla tutustuimme piste- ja ruutuaineistoihin ja pääsimme myös käyttämään niitä. Ruutuaineistot olivat mielenkiintoinen tapa jakaa alueita samankokoisiin ruutuihin sen sijaan, että käytettäisiin valmiita alueita.

Ensimmäisenä tarkasteltavana ruutuaineistona toimi kartta pääkaupunkiseudusta , jonka päälle loimme ruudukon. Näiden ruutujen sisältämää tietoa tarkasteltiin ruuduittain, tässä tapauksessa tietoa ruotsinkielisten osuudesta. Käytimme alueen väestöstä kertovaa aineistoa, jossa oli paljon tarkkaa tietoa. Pääsimmekin opettelemaan vain tärkeimpien sarakkeiden valitsemista ja näistä yksi oli juuri ruotsinkielisten määrä.

Loin tämän tiedon pohjalta kaksi karttaa: toinen ruotsinkielisten absoluuttinen määrä (kuva 1)  ja toinen heidän suhteellinen osuutensa ruudun asukkaista (kuva 2). Tulokset olivat luokiteltu viiteen luokkaan.

Kuva 1. Ruotsinkielisten lukumäärä pääkaupunkiseudulla.

Kuva 2. Ruotsinkielisten suhteellinen osuus asukkaista pääkaupunkiseudulla.

Absoluuttisia määriä tarkastellessa suurin määrä ruotsinkielisiä oli Helsingin keskustassa, jossa asuu muutenkin paljon ihmisiä. Syy suurelle määrälle ei siis välttämättä ole alueen suosio ruotsinkielisten keskuudessa vaan tilastollinen todennäköisyys sille, että suuressa määrässä ihmisiä on myös suurempi todennäköisyys sille, että osa on ruotsinkielisiä. Suhteellinen kartta taas näytti melko erilaisen kuvan alueesta: keskusta ei ollutkaan enää suurin keskittymä, vaan yksittäisissä paikoissa erityisesti pääkaupunkiseudun reuna-alueilla saattoi yllättäen olla suuria osuuksia ruotsinkielisiä. Toisaalta osalla näistä alueista ruotsinkielisten absoluuttinen määrä kuului pienimpään luokkaan, joten näillä alueilla asuvien ruotsinkielisten määrä kaikista pääkaupunkiseudun ruotsinkielisistä voi olla kuitenkin aika pieni.

Mielestäni kartoistani näkee ainakin melko selkeästi ruutujen väliset erot, mutta näin jälkeenpäin mietittynä siitä myös löytyisi parannettavaa. Jos ei tunne pääkaupunkiseutua hyvin, voi olla vaikeaa hahmottaa, mille alueelle kyseiset ruudut ja niiden tulokset sijoittuvat. Sara Virtanen oli jakanut tekemänsä kartan suuralueisiin ja nimennyt ne, mikä helpottaa huomattavasti kartan hahmottamista. Hän oli myös muuttanut asumattomat alueet eri värisiksi ja ilmoittanut sen legendassa. Minun kartoissani asumattomat alueet ovat hämäävästi saman värisiä kuin eräs luokka, joka voi aiheuttaa hämmennystä. Hyvä ainakin oppia, mitä kannattaisi seuraavalla kerralla parantaa.

Pornaisten kartta

Pääsimme myös työskentelemään rasteriaineistojen kanssa piirtäessämme korkeuskäyriä Pornaisten alueen karttaan rasteriaineiston pohjalta. Oli mielenkiintoista päästä käyttämään myös rasteriaineistoja, mistä minulla ei ollut juuri aiempaa kokemusta. Minulle tuli myös yllätyksenä se, miten kätevästi ja helposti QGisillä sai piirrettyä korkeuskäyrät. Osasta tuli tosin aika mielenkiintoisia ja olisi hauska nähdä, miten niiden korjaaminen tapahtuu.

Pääsimme myös tunnin lopulla digitoimaan merkitsemällä karttaan teitä ja taloja, mikä oli aika rentoa ja mukavaa. Pisteaineistona olevia taloja oli tosin aika monta klikattavaa, mutta yllättävän nopeasti sekin hoitui. Tiet ja talot saatiin digitoitua ja on mielenkiintoista nähdä, miten kartta jatkuu seuraavalla kerralla.

Lähteet:
Virtanen, Sara. (2022). 4.viikko: Rruutuja, rrastereita ja digitointia. Sara Virtanen – Geoinformatiikan menetelmät (luettu 20.2.2022). Osoitteesta: https://blogs.helsinki.fi/virsara/

___

Kolmannen kurssikerran alussa opimme siistimään ja tiivistämään attribuuttitaulukkoa, jossa pienetkin saaret Afrikan rannikolla olivat omia rivejään, vaikka ne kuuluivat samaan valtioon. Taulukosta tulikin paljon helpompi tulkita ja käsitellä, kun kohteiden määrä väheni huomattavasti. Ensimmäinen tapa yhdistellä tuntui sujuvan, mutta vaikka sitä oli helppo tehdä, olisi koko aineiston läpi käyminen tullut kestämään melko kauan. Onneksi opimme myös muita tapoja, mutta niissä voisin tarvita vielä hieman toistokertoja. Toinen uusi asia oli Excelistä tuodun datan siirtäminen QGisiin ja sen liittäminen attribuuttitaulukkoon, mikä tunnilla meni hyvin ja alkoi onneksi muutaman mutkan jälkeen  sujumaan myös myöhemmin itsenäisesti tehdyssä tehtävässä sen jälkeen, kun tajusin vaihtaa välimerkkejä. 

Timantit, öljy ja konfliktit Afrikassa

Kuva 1. Timanttiesiintymät, mantereella sijaitseva öljy sekä konfliktit Afrikassa usean vuosikymmenen ajalta (1940-luvulta  2000-luvulle).

Harjoittelimme aiemmin kuvattuja erilaisia toimintoja aineistolla, joka kuvasi timanttien ja öljyn esiintymistä sekä konflikteja Afrikassa 1940-luvulta eteenpäin (kuva 1). Tätä karttaa tarkastellessa on muutamia alueita, joilla luonnonvarat sekä konfliktit näyttäisivät keskittyvän samaan paikkaan mutta toisaalta on myös useita alueita, joissa on joko vain näitä luonnonvaroja tai konflikteja. On myös tilanteita, joissa saman valtion sisällä on esimerkiksi timantteja sekä konflikteja, mutta ne ovat eri puolella valtiota. Mielikuva on siis erilainen kuin tarkastellessa konfliktien ja luonnonvarojen suhdetta pelkästä attribuuttitaulukosta. Voi toisaalta myös olla, ettei konfliktin sijainti maan sisällä suoraan kerro siitä, liittyykö se timantteihin tai öljyyn, mutta hyvin läheinen sijainti saattaisi mahdollisesti kertoa yhteydestä. On myös vaikea sanoa ainakin vain karttaa katsomalla, ovatko timantit tai öljy ylipäätään kuinka monien konfliktien syitä, sillä todennäköisesti taustalla vaikuttavat myös useat muut tekijät.

Taulukoista löytyvät tiedot konfliktien alkuvuosista ja kestosta sekä timanttien ja öljyn havaitsemisvuosista ovat tärkeitä tutkiessa niiden välisiä yhteyksiä. Toinen hyödyllinen attribuuttitaulukosta löytyvä tieto on konfliktien säde, sillä kartalla ne on merkitty saman kokoisilla pisteillä, mutta todellisuudessa niiden kattamien alueiden koko vaihtelee ja konfliktit voivat olla paljon laajempia kuin kartalta voisi olettaa.

Tulvariskit ja järvisyys Suomessa

Itsenäisenä tehtävänä oli luoda kartta Suomen ympäristön valuma-alueiden tulvaindekseistä ja järvisyydestä. Kuten aiemmin mainitsin, myös tässä pääsi harjoittelemaan tietojen liittämistä Excelistä, missä oli alkuun hieman ongelmia, koska olin unohtanut vaihtaa välimerkit pisteistä pilkuiksi tai toisinpäin. Onneksi ongelma kuitenkin selvisi ja kartan teko alkoi jo tuntua paljon helpommalta. Muokkasin pohjakartasta yksinkertaisemman, jotta sitä olisi helpompi tulkita. Olisin halunnut pitää kartassa joet, mutta niiden kanssa kartta tuntui liian sekavalta. Joidenkin valuma-alueiden pienen koon takia kuitenkin tiettyjen pylväiden ja diagrammien koko pieneni niin paljon, että osaa alueista on aika vaikeaa tulkita, erityisesti diagrammien kohdalla. Sen sijaan taustalla olevan koropleettikartan tulkitseminen onnistuu helpommin. 

Tein kaksi versiota tästä kartasta, joista ensimmäisessä näkyy tulvaindeksin lisäksi valuma-alueiden järvisyysprosentti pylväinä (kuva 2) ja toisessa näkyy järvisyyden ja maapinta-alan osuus valuma-alueen pinta-alasta (kuva 3). Halusin pitää myös ensimmäisen kartan, koska sitä on mielestäni helpompi tulkita.

Kuva 2. Tulvaindeksi ja järvisyysprosentti Suomen alueen valuma-alueilla.

Kuva 3. Tulvaindeksi sekä järvien ja maan osuus valuma-alueen pinta-alasta Suomen alueella.

Karttoja tarkastellessa vaikuttaa siltä, että suurin osa Suomesta kuuluu matalimpaan tulvaindeksiluokkaan. Pohjanmaalla on valuma-alueita, joilla riski kohoaa jo jonkin verran. Myös etelärannikolla on alueita, joilla riski on kohonnut. Ainoa selkeä alue, jonka huomaan kuuluvan suurimpaan riskiluokkaan Lounais-Suomessa, myös rannikolla. Sijainti rannikolla vaikuttaisi olevan korkeamman tulvariskin alueita yhdistävä tekijä, mutta toisaalta rannikolla on myös joitakin alueita, joissa tulvariski on matala. Vaikuttaisi myös siltä, että suuremman tulvariskin alueella järvisyysprosentti on hyvin pieni ja alueilla, joilla on eniten järviä tulvariski on pieni. Olettaisin siis, että ainakin sijainti suhteessa merenrantaan ja järvien määrä vaikuttavat tulvariskiin. Sanni Tiainen on pohtinut blogissaan järvisyyden tasaavan tulvia, koska vesi kerääntyy niihin ei pääse tulvimaan siten yhtä helposti (Tiainen 2022). Tämä kuulostaa mielestäni olennaiselta taustasyyltä muiden mahdollisen tekijöiden joukossa. 

Molemmat tämän kerran aineistot olivat mielenkiintoisia ja niistä olisi myös kiva tietää lisää. On myös mukava huomata, kuinka QGisin käyttö alkaa tuntua tutummalta harjoittelun myötä vaikkakin kerrattavaa ja opittavaa vielä löytyy.

Lähteet:

Tiainen, Sanni (2022). MAA-202 Geoinformatiikan menetelmät, viikko 3. Sanni Tiainen – Geoinformatiikan menetelmät. (Luettu 12.02.2022). Osoitteesta https://blogs.helsinki.fi/santiain/?lang=en

____

Toisella tunnilla tutustuimme erilaisten projektioiden eroihin käyttämällä jälleen QGis-ohjelmaa. Nyt viime kerralla uusien asioiden tekeminen, kuten attribuuttitaulukon muokkaaminen ja laskujen tekeminen olivat jo helpompia, kun oli päässyt aiemmin jo tutustumaan näihin ominaisuuksiin. Projektioiden lisäksi tutustuimme siihen, miten erilaisia valintoja tehdään. Myös projektion valitseminen on myös tärkeä valinta, sillä sen vaikuttaa kartan tulkintaan ja mielikuviin huomattavasti, mikä havainnollistui luennolla.

Muita projektioita vertailtiin ETRS TM35FIN-projektioon vertailemalla eri alueiden pinta-alan kokoa kyseisellä projektiolla tuotetulla kartalla. Laskin, kuinka suuri alue on verrattuna ETRS TM35FIN-projektioon siten, että luku 1 tarkoittaisi alueiden olevan samankokoisia ja esimerkiksi luku 3 kertoisi toisen projektion tekevän alueesta kolme kertaa suuremman. Pohjakartat ovat tehty ETRS TM35FIN-projektiolla, jolloin niitä on selkeämpi tulkita ja vertailla keskenään.

Kuva 1. Mercator-projektion kuvaamat pinta-alat verrattuna ETRS TM35FIN-projektioon.

Selkeimmät erot alueiden koossa verrattuna ETRS TM35FIN-projektioon oli Mercatorin projektiolla. Koska projektio kuvaa päiväntasaajaa tarkimmin, siitä kaukana olevat alueet vääristyvät etäisyyden kasvaessa. Tämä onkin selkeästi nähtävissä myös kuvassa 1, jossa suuruuserot kasvavat etelästä pohjoiseen melkein kaksinkertaisesti. Etelässä alueiden suuruus on nelinkertainen verrattuna ETRS TM35FIN-projektioon ja pohjoisessa jopa kahdeksankertainen.

Kuva 2. Mollweiden projektion kuvaamat pinta-alat verrattuna ETRS TM35FIN-projektioon.

Kuvassa 2 esiintyvä Mollweiden projektion kuvaamat pinta-alat ovat jo selkeästi lähempänä ETRS TM35FIN-projektion pinta-aloja, ja ne ovatkin itseasiassa kaikki hieman pienempiä. Mielenkiintoista tässä kartassa on se, että vaihtelut alueiden välillä sijoittuvat osittain satunnaisesti, eivätkä vaihtelut mene samalla tavalla asteittain kuin Mercatorin kohdalla. Eri alueiden väliset erot ovat kuitenkin todella pieniä, niissä on vain tuhannesosien ero. Tämän vuoksi olen myös pyrkinyt kuvaamaan niitä väreillä, joiden välillä ei ole suuria eroja. Myös Sara Virtanen pohti luokkia kuvaavien värien merkitystä blogissaan (Virtanen, 2022) ja hän mainitsi kartan tekijän mahdollisuuden vaikuttaa siihen, miten voimakkaalta ilmiöt näyttävät tekemällä erilaisia valintoja. Tämä vaikutusmahdollisuus on havainnollistunut hyvin, kun olemme tehneet kurssilla erilaisia valintoja esimerkiksi värien, luokittelutapojen ja luokkien määrän kohdalla.

Kuva 3. Robinsonin projektion esittämät pinta-alat verrattuna ETRS TM35FIN-projektioon.

Kuvassa 3 on Robinsonin projektio verrattuna ETRS TM35FIN-projektioon. Robinsonin projektio esittää pinta-alat hieman suurempina kuin ETRS TM35FIN, mutta ero on silti paljon pienempi esimerkiksi Mercatoriin verrattuna. Mercatorin kaltaisesti tässäkin projektiossa vääristymät kasvavat pohjoiseen mentäessä, mutta erot luokkien välillä ovat silti hyvin pieniä.

Tällä tunnilla pääsi mukavasti kertaamaan QGisin käyttöä ja koropleettikarttojen tekoa, varsinkin kun kokeilin erilaisia projektiota ja niistä karttojen tekemistä useamman kerran blogissa esiintyvien karttojen lisäksi. Perusjutut alkavatkin tuntumaan onneksi jo sujuvilta 🙂

Lähteet:

Virtanen, Sara. 2. kurssikerta – toinen koettelemus. Sara Virtanen – Geoinformatiikan menetelmät (luettu 6.2.2022). Osoitteesta: https://blogs.helsinki.fi/virsara/

___

Ensimmäisellä tunnilla pääsimme harjoittelemaan paikkatiedon visualisoimista QGis-ohjelmalla, joka oli minulle entuudestaan jo hieman tuttu. Olin aiemmin käyttänyt sitä pari kertaa: geoinformatiikan peruskurssilla sekä lukiossa maantieteen tunnilla, jossa saimme pientä esimakua paikkatieto-ohjelmien käytöstä. Vaikka olin aiemmin käyttänyt kyseistä ohjelmaa, oli hyvä, että työn vaiheet kerrottiin yksityiskohtaisesti, sillä olin kertauksen tarpeessa. Uskoisin, että Qgisiä oppii parhaiten käyttämään kertaamalla tarpeeksi, jotta kaikki toiminnot jäävät vahvemmin mieleen. Täysin uutena asiana tuli attribuuttitaulukon muokkaaminen, jonka sai tehtyä yllättävän näppärästi kirjoittamalla vain yhden laskutoimituksen.

Teimme tunnilla kartan HELCOMin merialueen eli Itämeren ympärillä sijaitsevien valtioiden typpipäästöjen osuuksista (kuva 1). Valtiot jaettiin neljään eri luokkaan sen mukaan, kuinka suuri niiden osuus päästöistä oli. Nämä valtiot olivat kartalla väriltään punaisen eri sävyjä, vaalean ollessa pienin luokka ja kirkkaanpunaisen ollessa suurin luokka. Muut ympäröivät valtiot, joilla ei ollut rantaviivaa Itämerellä, olivat samaa vaaleanvihreän sävyä, joka symboloi niiden neutraaliutta tässä kartassa. Vihreä väri voi kuitenkin hieman hämätä, sillä todellisuudessa näillä mailla on myös päästöjä, vaikka niitä ei tässä tilanteessa tarkastellakaan. Myös selitteen otsikko “Typen päästöjen osuus valtioittain” olisi ehkä kannattanut muokata niin, että lukija varmasti ymmärtää tarkastelun koskevan vain tiettyjä valtioita. Sen sijaan valtiot, joiden päästöjä tarkasteltiin, oli merkattu juuri punaisella, koska sen voidaan katsoa symboloivat negatiivista asiaa. Punaiset valtiot myös erottuvat hyvin muista valtioista värien erojen vuoksi. Toisaalta nämä värivalinnat saattavat sulkea joitakin lukijoita ulkopuolelle, sillä kaikki eivät erota vihreää ja punaista toisistaan. Kartasta nähdään, että Puola on ainoana suurimmassa luokassa, joka on huomattavasti muita luokkia laajempi sen kattamien prosenttiosuuksien suhteen. Koska Puola on ainoa tässä luokassa ja alarajat näyttävät luokilla lähtevän edellisen luokan suurimmasta arvosta, voidaan päätellä Puolan osuuden olevan paljon suurempi kuin kaikkien muiden maiden. Suurimman luokan laajuus tekee kuitenkin tulkinnasta hieman haastavaa.

Kuva 1 HELCOMin merialueita ympäröivien valtioiden typpipäästöjen osuus.

Itsenäisenä tehtävänä tein ensimmäisen vaikeustason tehtävän, koska se vaikutti hyvältä kertaukselta tunnilla opittujen asioiden jälkeen. Päätin tehdä koropleettikartan alkutuotannon osuudesta elinkeinorakenteessa, koska elinkeinorakenteen vaihtelu vaikutti mielenkiintoiselta. Tämä kartta näkyy kuvassa 2. Luokiksi valitsin luonnolliset välit, koska niitä on usein kehuttu parhaaksi tavaksi luokitella sen näyttäessä todelliset arvojen kerääntymät. Kun vertasin sitä kvantiileihin, ero oli selkeä. Kvantiileja käyttäessä kartan aiheuttama mielikuva oli hyvin erilainen, sillä kartassa oli paljon enemmän tummalla alueella merkattuja alueita, eli alueita, joilla alkutuotannon määrä oli suuri. Kvantiilijaolla kolme ensimmäistä luokkaa vastasivat arvoiltaan melko tarkalleen kahta ensimmäistä luokkaa luonnollisella jaolla, mikä kertoi luokittelutapojen eroista. 

Kuva 2 Alkutuotannon osuus elinkeinorakenteesta kunnittain vuonna 2015.

Luokkien määrän kanssa oli hieman pohdittavaa, sillä mielestäni viisi luokkaa tuntui hieman liian suurelta määrältä helppolukuisuuden kannalta, mutta lopulta päädyin kuitenkin valitsemaan sen. Tämä johtui siitä, että neljään luokkaan jaettuna kartan ulkoasu ja sen aiheuttamat mielikuvat muuttuivat paljon verrattuna viiteen luokkaan, sillä viimeisessä ja suurimmassa luokassa oli niputettuna yhteen arvoja yhtä suurelta prosenttiosuudelta kuin kolmessa aikaisemmassa luokassa yhteensä (molemmissa noin 20 prosenttia). Sen sisällä oli siis selkeästi suuria vaihteluita, joten päädyin korostamaan erottuvia alueita, joilla alkutuotannon osuus oli paljon muita suurempi. Suurimpaan luokkaan kuuluvia alueita löytyi ympäri Suomea, mutta melko suurten alkutuotanto-osuuksien keskittymä erottui Suomen keskiosissa, jossa monet kunnat kuuluivat toiseksi suurimpaan luokkaan. Suomen sisällä oli muutenkin yllättävän paljon vaihtelua kunnittain. Kun vertasin tekemääni karttaa Heta Suutarin tekemään väestöntiheyskarttaan, huomasin, että monin paikoin juuri vähiten tiheästi asutut alueet ovat usein niitä, joissa alkutuotannon osuus on korkea. Tämä ei ole erityisen yllättävää, koska alkutuotannon oas-alueet, kuten maanviljely, usein vievät paljon tilaa. Toisaalta löytyi myös alueita, joissa sekä väestöntiheys että alkutuotannon osuus on pientä. Näissä syynä todennäköisesti voisi olla esimerkiksi haastavat luonnonolosuhteet.

Itsenäisessä tehtävässä oli vähemmän vaiheita kuin tunnilla tehdyssä ja se tuntui helpommalta erityisesti siksi, että uutena tullut attribuuttitaulukon muokkaaminen puuttui. Tehtävän tekeminen oli kuitenkin hyvää kertausta ja se auttoi muistamaan perusvaiheita ja toimintoja. Olen melko tyytyväinen tekemääni karttaan ja mielestäni se on silti helposti tulkittavissa, vaikka luokkia onkin paljon. Kartta on myös suhteellisen informatiivinen henkilölle, joka ei tunne aineistoa. Siitä voisi kuitenkin saada vielä enemmän irti esimerkiksi siten, että alkutuotannon sisältämät alat olisi selitetty jossakin.

Ensimmäisen tunnin ja itsenäisen tehtävän avulla QGisin käyttö saatiin hyvin käyntiin ja tästä on hyvä lähteä rakentamaan parempaa osaamista 🙂

Lähteet: Suutari, Heta. 1. viikko: tutustuminen. Heta VS GIS. (Luettu 31.1.2022). Osoitteesta https://blogs.helsinki.fi/suutarih/.