Rosan geoinfo blogi

En päässyt 7. kurssikerralla paikanpäälle, mutta tämä ei toisaalta haitannut, koska työskentelyn oli joka tapauksessa tarkoitus olla itsenäistä. Viikolla 7 tehtävänä oli tehdä karttoja omavalintaisista ja itse etsityistä aineistoista. Oli mukavaa päästä kokeilemaan omia taitoja ja huomata, mitä kaikkea kurssin aikana on oppinut.

Onnellisuusindeksi ja HDI

Päätin vertailla kartoissani Euroopan maiden onnellisuusindeksejä ja HDI arvoja (Human Development Index). Etsin hyvää aineistoa onnellisuusindeksistä toista tuntia, jonka jälkeen olin jo luovuttamisen partaalla. Olin mm. ladannut hyvältä vaikuttavan aineiston, jossa osoittautui lopulta olevan niin paljon tavaraa, etten saanut siitä mitään selkoa. Päädyin lueskelemaan muiden kurssilaisten blogeja inspiraation toivossa ja bongasin, että Heikki Säntti oli myös käyttänyt onnellisuusindeksiä kartoissaan, joten sain hänen bloginsa kautta viimein toimivan aineiston.

HDI aineiston metsästämisessä ei onneksi mennyt yhtä kauan, vaan löysin soveltuvan aineiston kohtalaisen nopeasti. Aineisto oli Excel taulukko muodossa, eikä sen muuttaminen suoraan sellaisenaan CSV muotoon onnistunut. Kopioin siis aineiston alkuperäisestä taulukosta uuteen Excel työkirjaan ja muokkasin sen muodoltaan sellaiseksi, että muutos CSV tiedostoksi onnistui sujuvasti. Muokkasin myös muutamien maiden nimien kirjoitusasua yhtäläiseksi taustakartan taulukon kanssa, jotta Joins -liitos onnistuisi myöhemmin parhaalla mahdollisella tavalla. Näiden pikku kikkailujen jälkeen sain aineiston tuotua QGIS:iin,

Päätin tehdä molemmista kartoista koropleettikartat, jotta niiden vertaileminen olisi helppoa. Taustakartan maa- ja merialueet latasin Natural Earth sivustolta. Jouduin kuitenkin suodattamaan aineistoa Select by value -työkalun avulla, sillä halusin tarkastella vain Euroopan maita. Lisäksi rajasin aluetta myös Clip -työkalun avulla, sillä valintatyökalujen avulla alueelle jäi näkyviin vielä koko Venäjä (myös Aasiaan kuuluvat osat), sekä joitakin Euroopan valtioille kuuluvia alueita Etelä-Amerikasta.

Lataamani onnellisuusindeksiaineisto ja HDI aineisto eivät kumpikaan sisältäneet koordinaattitietoja, joten minun täytyi yhdistää ne taustakarttaan Joins -komennon avulla. Kummankin kartan kohdalla lopullisesta kartasta puuttuu tietoja muutamien maiden kohdalta, sillä kyseisistä maista ei ollut dataa valitulta vuodelta tai Joins -liitos ei onnistunut niiden osalta. Päädyin käyttämään vuotta 2022, sillä se oli kummastakin aineistosta tuorein vuosi, jonka löysin.

Kartoista tuli mielestäni ulkoasultaan onnistuneet. Niiden väritys kuvaa ilmiöitä ja niiden toteutumista maissa hyvin, sekä on myös visuaalisesti miellyttävä. HDI karttaan halusin lisätä myös hieman tietoa (Wikipedia, 2024) siitä, mistä asioista indeksi koostuu. Tarkemmin ajatellen olisin voinut lisätä myös onnellisuusindeksinkarttaan tiedon siitä, millaisella kysymysasettelulla tietoja ihmisten onnellisuudesta oli kyselyssä, johon aineisto perustuu, kysytty.

Onnellisuusindeksin kartasta (kuva 1) voidaan havaita, että Euroopan valtioista Suomessa, Tanskassa ja Islannissa näyttää asuvan koko maanosan onnellisimmat ihmiset valtioiden sijoittuessa välille 7,5-7,8 asteikolla 1-10. Ukrainassa, Bulgariassa, Pohjois-Makedoniassa ja Albaniassa taas näyttää asuvan Euroopan mittapuulla onnettomimmat ihmiset, valtioiden sijoittuessa välille 5,07-5,5. Tässä tulee kuitenkin huomata, että koko indeksin tarkasteluasteikolla (1-10) nämäkin maat sijoittuvat sen keskivaiheille, eli kyseisissä valtioissa asuvat ihmiset ovat kohtalaisen onnellisia elämäänsä. Yleisesti siis kaikki Euroopan valtiot ovat onnellisuusindeksin asteikolla paremmalla puolella.

Verrattaessa onnellisuusindeksin karttaa (kuva 1) HDI indeksin karttaan (kuva 2), havaitaan valtioiden noudattavan melko samaa “paremmuusjärjestystä” kummassakin kartassa. Kuitenkin esim. Portugalin, joka onnellisuusindeksin perusteella on häntäpäässä, HDI arvo kuuluu kolmanneksi korkeimpaan luokkaan. Voikin siis todeta, että yleisesti onnellisuuden ja HDI arvojen välillä tuntuu olevan riippuvuus, mutta poikkeuksiakin esiintyy. Indeksien välinen riippuvuus on sinänsä luontevaa, sillä HDI indikoi elämänlaadun tasoa, ja yleensä, jos ihmisten elämän perusedellytyksen ovat hyvällä mallilla, ja heillä on mahdollisuus kehittää itseään, he ovat onnellisia. Minulle ei myöskään tullut yllätyksenä, että keskimäärin Euroopan valtioissa ihmiset voivat hyvin, jonka kummankin indeksin arvot osoittavat. Odotin myös Itä-Euroopan maissa arvojen olevan hieman alempana, sillä monet maista olivat pitkään Neuvostovallan alla, mikä on mahdollisesti hidastanut niiden kehitystä, ja esim. Ukrainassa käynnissä oleva sotatila on varmasti vaikuttanut valtion asukkaiden onnellisuuteen.

Yleisiä ajatuksia kurssista

Mielestäni kurssi oli todella mielenkiintoinen ja opin kurssin aikana käyttämään monia QGIS:n työkaluja, vaikka toki opittavaakin on vielä paljon. Aika ajoin työkalujen ja aineistojen kanssa taistelu oli hermoja raastavaa ja vaikeaa, mutta on ollut palkitsevaa onnistua haasteista huolimatta.  Geoinformatiikka on minusta muutenkin kiinnostava aihealue, jossa haluan kehittyä. En tiedä vielä tuleeko minusta koskaan suoranaista GIS-velhoa, mutta haluaisin saada ainakin kattavat perustaidot GIS:stä, joita voisin mahdollisesti hyödyntää tulevaisuudessa työelämässä. Odotan siis innolla seuraavaa geoinformatiikan kurssia.

Lähteet:

Säntti, H. (2024). Seitsemäs kurssikerta. https://blogs.helsinki.fi/hksantti/

Viitattu 14.3.2024

World Happiness Report (2023) – processed by Our World in Data. “Self-reported life satisfaction – World Happiness Report – World Happiness Report” [dataset]. World Happiness Report, “World Happiness Report (2023)” [original data].https://ourworldindata.org/happiness-and-life-satisfaction

Ladattu 8.3.2024

Human Development Reports. (2022). Human Development Index (HDI) [dataset]. United Nations Development Programme. https://hdr.undp.org/data-center/human-development-index#/indicies/HDI

Ladattu 13.3.2024

Wikipedia. (2024). Inhimillisen kehityksen indeksi.

Luettu 13.3.2024

Taustakartta:

Made with Natural Earth. Free vector and raster map data @ naturalearthdata.com. 

Kuudes kurssikerta käynnistyi pienellä aamukävelyllä tihkusateisessa Kumpulan lähimaastossa. Keräsimme pienissä ryhmissä aineistoa Epicollect5 -sovelluksen avulla. Kurssikerran lopulla väsäilimme vielä itsenäisesti karttoja hasardiaineistoista. Jäin vielä kurssikerran jälkeen neljäksi tunniksi tuskailemaan karttojeni kanssa yliopistolle, mutta olen niihin lopulta melko tyytyväinen.

Turvallisuuskokemukset Kumpulan alueelta

Kuten jo aiemmin mainitsin, keräsimme pienryhmissä aineistoa Kumpulan lähimaastosta. Tehtävänämme oli kiertäessämme aluetta arvioida eri alueiden viihtyisyyttä ja kirjata vastaukset Epicollect5 -sovellukseen. Päästyämme takaisin yliopistolle latasimme kaikkien ryhmien keräämät aineistot yhteiskäyttöön ja aloimme interpoloimalla työstämään aineistosta karttaa, joka kuvastaa ihmisten turvallisuuskokemusta Kumpulan lähialueilla.

Olen melko tyytyväinen lopputulokseeni, toisaalta jälkikäteen ajatellen olisin voinut vaihtaa värityksen kulkemaan vihreästä keltaisen kautta punaiseen, jolloin väritys kuvastaisi ilmiötä paremmin. Olisin myös voinut tarkentaa kartassa millä asteikolla turvallisuuden kokemusta tutkittiin, kuten Siiri Lehtinen oli tehnyt blogissaan.

Karttoja hasardeista

Kurssikerran toisella puoliskolla oli tarkoitus tehdä itsenäisesti karttoja hasardiaineistojen pohjalta.

Päädyin tekemään ensimmäisen kartan tulivuorista. Esitän kartalla luokan D1 tulivuorien esiintymistä valtioittain. D1 tulivuoret ovat tulivuoria, joiden viimeisin purkautumisajankohta on ollut vuonna 1964 tai sen jälkeen (NOAA).  Tarkoituksenani oli esittää tämä tieto jo kartassa itsessään, mutta olen näköjään onnistuneesti unohtanut sen, hyvästä tähtimerkinnästä huolimatta…  Muuten kartta on kuitenkin onnistunut. Sain valittua värityksen, joka on selkeä ja luokkajaot ovat myös toimivat. Muistaakseni käytin jakona natural breaks -jakoa. Päädyin myös lataamaan Natural Earth -sivustolta pohjakartaksi vektorimuotoisena aineistona maailman valtiot ja merialueet, sillä koin esityksestä tulevan selkeämpi, kuin pitäytymällä valmiiksi annetussa maailmankarttapohjassa. Tuskailin myös pitkään, kuinka saisin esitettyä pisteiden määrän valtioittain, kun attribuuttitaulukosta ei löytynyt sopivia yhtäläisyyksiä. Kavereiden avustuksella löytyi kuitenkin Count points in polygon -työkalu, jolla sain aikaiseksi mitä halusin. Kartasta voidaan huomata, että Kaakkois-Aasiassa Malesian, Singaporen ja Indonesian alueilla on eniten D1 luokan tulivuoria.

Toisen kartan tein maanjäristyksistä. Esitän kartalla maa-alueilla sattuneiden maanjäristysten voimakkuuksia viimeisen 30 päivän aikana (laskettu päivämäärästä 21.2.2024). Käytin tässäkin kartassa Natural Earth sivustolta vektorimuotoisia maailman valtio ja merialue aineistoja. Hyödynsin tiedon esittämiseen ruudukkoa, sillä pisteaineisto oli todella epäselvä alueilla, joissa järistyksiä oli paljon. Laskin yhteen ruutuun sen alueelle osuneiden maanjäristysten magnitudien keskiarvon. Lisäsin karttaan vielä valtioiden rajat näkyviin, jotta maanjäristysten asettumista eri valtioiden alueilla voi myös tutkia kartasta. Mielestäni kartasta tuli kohtalaisen onnistunut, vaikkakin jäin pohtimaan, oliko magnitudien esittämien keskiarvona paras vaihtoehto oikeellisen tiedon välitykseen.

En itse ole kiinnostunut (ainakaan vielä, en sulje mitään kuitenkaan kokonaan pois) opettajan urasta, mutta tehtävänä oli pohti karttojen käytettävyyttä opetustarkoituksessa. Mielestäni ensimmäistä karttaa pystyisi ainakin kohtalaisen hyvin hyödyntämään opetustarkoitukseen. Se kertoo selkeästi viimeisen 70 vuoden aikana aktiivisena olleiden tulivuorten määrän eri valtioissa. Näin ollen tulivuorten toiminnan vaikutuksia valtioissa, joissa niitä on paljon, voisi tutkia ja mahdollisesti verrata ristiin ihmismaantieteen ilmiöiden kanssa, ja pohtia millaisia haasteita tai toisaalta hyötyjä aktiiviset tulivuoret aiheuttavat alueille. Toisen kartan hyödynnettävyys taas on kyseenalainen, sillä se esittää tietoa vain viimeisen 30 päivän ajalta kartan tekohetkestä, eli vanhenee melko nopeasti.

Lähteet:

Lehtinen, S. (2024). Kurssikerta 6. https://blogs.helsinki.fi/lcsiiri/ Viitattu 7.3.2024

NOAA (n.d.) Global volcano locations database. [dataset] National Centers for Environmental Information, NESDIS, NOAA, U.S. Department of Commerce. https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-data

Julkisen liikenteen lakon takia en päässyt kampukselle viidennellä kurssikerralla, joten oli pärjäiltävä pelkästään omilla tiedoilla ja taidoilla. Toisaalta lakko osui sen puolesta hyvään kohtaan, että kurssikerralla oli tarkoitus testailla omaa osaamista, eikä harjoiteltu uusia komentoja. Tehtävät olivat haastavuudeltaan sopivia, vaikka toisia kohtia pitikin pohtia pidempään.

Lentokenttiä, asemia ja puskurialueita

Ensimmäisenä tehtävä oli luoda puskurialueita Malmin ja Helsinki-Vantaan lentokentille. Puskurialueilla esitettiin melualueita, jotka muodostuvat lentokenttien ympärille (kuvat 1 ja 2). Alueita tehtiin yhden ja kahden kilometrin säteelle lentokentän kiitoradoista.

Tässä tietoja melualueilla asuvista ihmismääristä:

Vastaavanlaisia harjoituksia tehtiin myös pääkaupunkiseudun juna- ja metroasemista, sekä niiden läheisyydessä asuvista ihmisistä.

Koin puskurialueiden ja analyysien tekemisen kohtalaisen helpoksi, vaikka jotkin kohdat vaativat hieman pidempää pohdintaa. Mielestäni oli myös hyödyllistä päästä tekemään harjoituksia itsenäisesti ja kokeilemaan omia taitoja, sillä komennot jäivät paremmin mieleen ja sai syvempää ymmärrystä työkalujen toiminnoista.

Taajamien tutkimusta

Tässä vielä vastauksia joita sain taajamatehtävän kysymyksiin:

Kurssin neljännen viikon teoriaosuuden aikana tutustuimme piste- ja ruutuaineistoihin. Pisteaineistoista oli esimerkkinä Physicumin aulasta tuotettu laserkeilauskuva, jonka korkea tarkkuus yllätti minut. Itse saimme kosketusta ruutukarttojen tekoon QGIS:n avulla.

Ruututeemakarttoja pääkaupunkiseudun ruotsinkielisistä

Tein aluksi ruututeemakartan ruotsinkielisten absoluuttisesta määrästä pääkaupunkiseudulla. Ruudut ovat neliökilometrin kokoisia. Teemakartan teko sujui mutkitta Artun ohjeita seuraamalla. Kuten luennolla opimme, ruutuaineistot pohjautuvat usein pisteaineistoihin ja näin oli myös meidän tekemämme ruututeemakartan kohdalla. “Select by location” -valintatyökalun avulla saimme rajattua ruudukosta käyttöömme vain ne ruudut, jotka sisälsivät pisteitä. Tämän jälkeen yhdistimme ruudukkoon “join attributes by location (summary)” -työkalun avulla pistetietokannasta tietoja. Olimme myös aiemmin rajanneet pistetietokannasta vain ne tiedot, jotka kiinnostivat meitä, jotta liitos olisi mahdollisimman sujuva eikä ohjelma kaatuisi liian suuren datamäärän takia.

Tämän jälkeen pääsinkin visualisoimaan karttaani. Valitsin luokkajaoksi “natural breaks” -jaon, sillä tämä etsii aineistosta luonnollisia katkoksia ja toimii sen vuoksi hyvin vinoutuneille aineistoille, jollainen tämäkin oli. Päätin jättää lopullisesta esityksestä joet ja järvet pois, sillä ne tekivät kartasta mielestäni sekavan, eikä niille varsinaisesti ollut tarvetta. Halusin kuitenkin saada kartalle näkyviin pääkaupunkiseudun kuntajaon, jotta ruotsinkielisten jakautumista voisi tarkastella kunnittain. En kuitenkaan halunnut kuntaviivojen häiritsevän kartan tarkastelua, joten tein niistä hieman läpikuultavat. Kartan visualisointi onnistui mielestäni hyvin.

Karttaa (kuva 1) tarkasteltaessa voidaan huomata, että ruotsalaisten määrä on suurin ydinkeskustan alueella ja yleisesti ottaen pienenee, mitä kauemmas ydinkeskusta mennään. Kartta kuitenkin esittää ruotsinkielisten asukkaiden absoluuttista määrää, eikä suhteuta sitä mihinkään. Kuten Stella Syrjänen blogissaan toteaa, on loogista, että ruotsinkielisten määrä on suuri siellä, missä on yleisestikin eniten asukkaita. Hän myös toteaa, että mikäli haluamme vertailla ruutuja/alueita keskenään, pitäisi luvut esittää suhteutettuna. Tämän vuoksi teinkin pääkaupunkiseudun ruotsinkielisistä myös toisen esityksen.

Tässä kartassa (kuva 2) olen visualisoinut ruotsinkielisen väestön määrän suhteutettuna ruudun/alueen koko väestön määrään. Tätä karttaa tarkasteltaessa voikin havaita, että ruotsinkielisten jakautuminen alueittain onkin lähes päinvastainen kuin kuvan 1 kartta antaa ymmärtää. Vaikka määrällisesti ruotsikielisiä on eniten ydinkeskustan alueella, suhteutettuna muuhun väestöön, heitä on eniten pääkaupunkiseudun reuna-alueilla.

Pitääkin siis olla tarkkana, millaisia arvoja esittää kartalla absoluuttisina, jotta ei anna kartan lukijalle vahingossa vääristynyttä kuvaa ilmiöstä. Syrjänen nostaa blogissaan esille myös toisen tärkeän seikan ruututeemakarttoja tehdessä, nimittäin ruutujen koon. Hän mainitsee, että niiden kokoa muuttumalla alueiden välisiä eroja voidaan joko kärjistää tai neutralisoida. Mielestäni onnistuin ruutukoon valitsemisessa kohtalaisen hyvin, alueet eivät ole liian pieniä, jolloin kartasta tulisi epäselvä, mutta ei myöskään liian suuria, jolloin kartan esittämä informaatio yleistyisi liikaa.

Rasteriaineistoja

Kurssikerran lopuksi pääsimme tarkastelemaan vielä rasteriaineistoja. Rasteriaineistojen kanssa pelaaminen liittyi seuraavaan kurssikertaan, ja valmistelimme aineistoa sitä varten. Yhdistimme neljä rasterimuotoista korkeusmallia yhdeksi korkeusmalliksi ja teimme sen avulla kartalle rinnevarjostuksen. Mielenkiintoinen fakta, joka jäi rinnevarjostuksista mieleeni oli se, että valo on niissä asetettu tulemaan 300 asteen kulmasta, sillä tällä tavoin useimmat ihmiset hahmottavat kuopat ja kohoumat oikein. 300 asteen tulokulma on valolle hyvin harvinainen luonnollisesti, joten tämä fakta oli hämmentävä ja jäin pohtimaan mistä moinen mahtaa johtua.

Kun korkeusmalli oli saatu tehtyä siirryimme digitoinnin pariin. Olen jo aiemmalla kurssilla päässyt digitoimaan, tosin Corel Draw -ohjelman avulla. Digitoinnista on jäänyt minulle ihan jees fiilikset, se oli mielestäni mukavan meditatiivista. Kuitenkin QGIS:n digitointityökalut olivat mielestäni hieman kömpelöitä käyttää, eikä digitointi näin ollen tuonut minulle tällä kertaa toivottua zen-olotilaa.

Lähteet:

Syrjänen, S. (2024). 4 viikko, Ruututeemakartta. https://blogs.helsinki.fi/stellasy/ Viitattu 14.2.2024

Kurssin kolmannella viikolla pääsimme harjoittelemaan tietokannan sisäisten tietojen yhdistämistä ja ikään kuin tietokannan “siistimistä”, sekä tietokantojen yhdistämistä toisiinsa. Yllätyin iloisesti, että aikaisemmilla kurssikerroilla harjoitellut toiminnot, kuten kartan värien muokkaus ja koropleettikartan teko  alkoivat jo luonnistua. Pystyin siis keskittyä paremmin uuden opetteluun.

Valuma-alueiden tulvaherkkyys ja järvisyys

Kurssikerran itsenäisessä harjoituksessa, josta valitsin helpomman version, pääsimme tekemään koropleettikartan Suomen jokien valuma-alueiden tulvaherkkyyksistä. Koropleettikartan päälle lisättiin vielä ympyrädiagrammi jokaisen valuma-alueen järvisyydestä. Näin ollen muodostui kumpaakin ilmiötä kuvaava teemakartta.

Kartan (kuva 1) tekeminen oli kohtalaisen helppoa, sillä olimme juuri kurssikerran alkupuolella harjoitelleet tehtävässä tarvittavia toimintoja toisella aineistolla. Pääsin siis heti tekemisen makuun. Ensin piti yhdistää toisesta tietokannasta keskiylivirtaaman tiedot, valuma-alueiden tietokantaan. Tämän jälkeen keskiylivirtaaman ja keskialivirtaaman avulla laskettiin (ylivirtaama jaettuna alivirtaamalla) valuma-alueiden tulvaindeksit uudeksi sarakkeeksi valuma-alueiden attribuuttitaulukkoon. Sitten tuotiin Excel-tiedostosta csv-muotoon tallennettu tiedosto kyseiseen QGIS-projektiin. Tästä tiedostosta saatiin tiedot alueiden järvisyydestä.

Ajattelin, että nythän minulla on kaikki tiedot mitä tarvitsen ja siirryin kartan visualisointiin. Koropleettikartan teko onnistui vaivatta, ja päädyin käyttämään Natural Breaks -jaottelua valuma-alueiden tulvaherkkyyden esittämisessä. Törmäsin kuitenkin ongelmaan yrittäessäni tehdä kartalle ympyrädiagrammeja, diagrammit olivat kaikilla alueilla samannäköisiä. Hetken asiaa pähkäiltyäni vieruskaverini Siiri Lehtisen kanssa, päädyimme siihen, että meidän täytyi laskea vielä maa-alueen osuus omaan sarakkeeseensa. Tämän tehtyämme alkoi homma vihdoin pelittää ja eri alueiden järvisyydet tulivat selkeästi näkyviin.

Tuskailin tuhottoman kauan kartan värien kanssa, eikä tulos vieläkään miellytä silmää. Mielestäni Taika Jaakkolan visualisointi on todella onnistunut, sillä värit miellyttävät silmää ja kartasta nousee selkeästi esille se tieto mitä, sillä halutaan esittää. Jäin pohtimaan myös olisiko minunkin ollut järkevämpi esittää tulvaindeksi keskiylivirtaaman ja keskivirtaaman suhteena. Jälkeenpäin karttaani tutkiessa huomasin, että kohdassa “alueiden tulvaherkkyys” pitäisi kylläkin lukea tulvaindeksi. Minun olisi myös Taikan tavoin pitänyt laittaa teemakarttaan selite siitä, miten tämä tulvaindeksi on laskettu ja mitä se kuvaa. Kartassa on siis paljon paranneltavaa. Lisäksi en ole tyytyväinen diagrammien esitykseen. Ne sotkevat mielestäni karttaa ja peittävät olennaista tietoa tulvaindeksistä. Tämän lisäksi ne ovat niin pieniä, ettei suurinta osaa pysty lukea ja ne menevät osin päällekkäin. Huomasin, että Laura Vitikka oli omassa kartassaan tehnyt diagrammeista hieman läpikuultavia, joka helpotti alla olevan koropleettikartan lukua jokseenkin. Tätä olisi kenties voinut hyödyntää lopputuloksen selkiyttämiseksi tai sitten asioista pitäisi vain tehdä kaksi rinnakkaista karttaa.

Kartasta (kuva 1) voidaan huomata, että kovin tulvaherkkyys on Suomen lounais- ja länsirannikolla. Sellaisilla alueilla, joilla järvisyysprosentti taas on suurempi, on tulvaherkkyys kovin alhainen. Tämä hämmensi minua enkä keksinyt asialle itse selitystä, päätin siis selvittää asiaa. Päädyin löytämään tiedon, että jos alueella on vähemmän järviä varastoimassa vettä ja tasaamassa jokien virtaamia, tulvii alueella herkemmin (vesi.fi, 2021). Toisaalta, kun asiaa ajattelee pidemmälle on aivan luontevaa, että jos vedellä ei ole niin suurta aluetta levitä jokien ja järvien sallimissa rajoissa, tulvii se helpommin yli äyräiden. Vesi.fi -sivustolla (2021) mainitaan myös, että meriveden korkeusvaihtelut voivat aiheuttaa tulvimista rannikoilla. Mietinkin siis voisiko tämä selittää osin kartalla (kuva 1) esiintyvää rannikkoalueiden tulvaherkkyyttä. Tulin kuitenkin siihen tulokseen, että koska tässä tulvaindeksi on laskettu jokien virtaamista, ei merenpinnan korkeusvaihteluilla ole osaa tai arpaa kyseisessä esityksessä.

Lähteet:

Jaakkola, T. (2024). Tietokantojen tunnelmissa – Konflikteja Afrikassa ja tulvia Suomessa. https://blogs.helsinki.fi/jztaika/2024/02/01/tietokantojen-tunnelmissa-konflikteja-afrikassa-ja-tulvia-suomessa/ Viitattu 6.2.2024

Vitikka, L. (2024). Kolmas kurssikerta. https://blogs.helsinki.fi/viclaura/ Viitattu 6.2.2024

Suomen ympäristökeskus. (2021). Tulvariskialueet. Vesi.fi https://www.vesi.fi/vesitieto/tulvariskialueet/ Viitattu 6.2.2024

Kurssin toisella viikolla pääsimme tutustumaan tarkemmin projektioihin ja siihen, millaisia vääristymiä eri projektiot aiheuttavat karttoihin. Teoriaosuudessa puhuttiin siitä, mistä käyttämämme data oikein tulee ja onko kaikki data avointa. Opin, että suurin osa datasta on kaikkien saatavilla, lukuun ottamatta joitakin hyvin tarkkoja tai arkaluontoisia aineistoja. Mieleen painui myös, että dataa pystyy ladata omalle koneelle helposti erilaisten rajapintojen, kuten WFS:n (Web Feature Service) kautta.

Pinta-alojen ja pituuksien vääristymiä eri projektioissa

Kurssikerran alussa opettelimme QGIS:n mittaustyökalujen käyttöä. Hetken mittaustyökaluilla “leikittyäni”, siirryin oikean tehtävän pariin. Tarkoituksena oli tutkia, kuinka paljon eri projektiot vääristävät Suomen kartan päälle piirretyn alueen pinta-alaa ja viivan pituutta ETRS-TM35FIN projektioon verrattuna.

ETRS-TM35FIN projektiota käytetään nykyään suurimmassa osassa Suomen alueesta tehdyistä kartoista. Kyseisessä projektiossa Suomen alueeseen kohdistuvat vääristymät on pyritty mahdollisimman hyvin minimoimaan, vaikka toki parhaimmissakin projektioissa esiintyy aina pieniä vääristymiä.  Tästä syystä kyseinen projektio valikoitui vertailukohteeksi harjoituksessa.

Kuten taulukosta 1 voidaan havaita, kaikki vertailukohteiksi valitut projektiot vääristävät sekä kuvan 1 alueen pinta-alaa, että viivan pituutta suuremmiksi, kuin ne oikeasti ovat. Kaikkein räikein vääristymä on Mercatorin projektiossa, jossa pinta-ala vääristyy yli seitsemän kertaiseksi TM35FIN projektioon verrattuna.

Seuraavaksi siirryimme tutkimaan, kuinka eri projektiot vääristävät Suomen pinta-alaa. Vääristymät laskettiin taas vertaamalla niitä TM35FIN projektioon. Tarkoituksena oli esittää vääristymäkertoimet koropleettikartalla.

Sain tehtävän lähes valmiiksi jo tunnilla, mutta siirsin tiedostot OneDriveen, jotta pystyisin jatkaa tehtävän viimeistelyä vielä kotona. Kuitenkin koneellani ja OneDrive:lla oli selkeästi muita suunnitelmia, sillä kun avasin tiedoston kotona oli kaikki data attribuuttitaulukoista kadonnut. Jouduin siis aloittamaan homman alusta… Kertauksesta oli kuitenkin hyötyä, sillä jouduin tarkemmin perehtymään QGIS ohjelman käyttöön, kun en voinutkaan seurata ohjeita reaaliajassa taululta. Hankaluuksia kuitenkin tuotti, että kirjalliset ohjeet poikkesivat hieman siitä, mitä olimme tunnilla tehneet. Onneksi sain kuitenkin apua kurssikaveriltani, Sohvilta.

 

Käytin tehtävässä Mercatorin projektiota ja Natural Earth projektiota. Laura Vitikka oli myös käyttänyt kyseisiä projektioita tehtävässä. Hänen blogistaan minulle selvisi, että Mercatorin projektiossa, joka on oikeakulmainen, vääristymä kasvaa päiväntasaajalta loitotessa, ja Natural Earth projektio taas pyrkii minimoimaan kaikki vääristymät ja yrittää kuvata maapallon kartalla mahdollisimman todenmukaisesti. 

Kuvista 2-4 voidaan huomata, että kaikissa kartoissa vääristymä kasvaa pohjoista kohti mentäessä. Kuitenkin Mercatorin projektiossa (kuva 2) vääristymä on merkittävästi suurempi, kuin Natural Earth projektiossa (kuva 3).  Mercatorin projektiossa vääristymä on TM35FIN projektioon nähden pahimmillaan jotakin n. 7-8 kertaisen väliltä, kun taas Natural Earth projektiossa vain jotakin n. 1,5-1,6 kertaisen väliltä. Tämä ero projektioiden vääristymissä ei kuitenkaan pikaisella silmäyksellä tule ilmi, kun verrataan kuvaa 2 ja 3. Kun käytän kummassakin kartassa samaa väriskaalaa ja luokkien määrää, vaikuttaa äkkiseltään siltä kuin Natural Earth projektion vääristymät olisivat Mercatorin projektion vääristymiä suurempia.

Niinpä tämän huomattuani päätinkin tehdä Natural Earth projektion vääristymistä vielä toisen koropleettikartan (kuva 4). Tällä kertaa vähensin luokkien määrän seitsemästä viiteen ja vaihdoin väritykseksi vaalean kellertävästä vihreään menevän skaalan. Tämä visualisointi on mielestäni onnistuneempi kuin kuvan 3 visualisointi, sillä nyt vääristymät eivät vaikuta enää niin drastisilta. Myös, kun kuvan 4 karttaa vertaa nyt kuvan 2 Mercatorin projektion vääristymistä tehtyyn karttaan, ei heti ajattele skaalan olevan sama, vaan projektioiden vääristymien suuruudet hahmottaa helpommin. Jälkeenpäin ajateltuna olisin voinut vähentää luokkia vielä jopa vain neljään, sillä erot niiden välillä ovat edelleen kuvassa 4 hyvin pieniä.

Kurssikerta oli mielestäni mielenkiintoinen ja oli hauska pyöritellä eri projektioita ja katsoa, miten ne vaikuttivat Suomen kartan pinta-alaan. Opin myös lisää QGIS:n käytöstä, vaikkakin kehitettävää ja opittavaa on vielä paaaaaljon.

Lähteet:

Toivonen, A. (2024). Viikko 2: karttaprojektioiden syöväreihin QGIS:n kanssa. Viitattu 30.1.2024.  https://blogs.helsinki.fi/annasoto/

Vitikka, L. (2024). WFS ja projektiot 24.1. Viitattu 30.1.2024. https://blogs.helsinki.fi/viclaura/

Kurssi MAA-202 käynnistyi paikkatiedon perusteiden kertaamisella. Erot erilaisten paikkatietoaineistotyyppien välillä olivat minulla vielä kohtalaisen hyvin mielessä, mutta kertauksesta ei voi koskaan olla haittaa. Kun paikkatiedon perusteet oli kertailtu, siirryimme QGIS -ohjelmiston pariin. Olin käyttänyt ohjelmistoa kerran aikaisemmalla kurssilla, mutta en muistanut siitä käytännössä enää mitään. Joten QGIS:n kohdalla kertaus tuli todellakin tarpeeseen.

Typpipäästöt Itämerellä

Ensimmäisenä harjoituksena oli tehdä koropleettikartta Itämerta ympäröivien valtioiden aiheuttamista Itämereen kohdistuvista typpipäästöistä (kuva 1). Kartan tekeminen sujui melko mutkattomasti, sillä koko ajan pystyi seurata taululta, miten pitää edetä. Opettajan näyttämästä mallista ja ohjeistuksesta oli valtavasti hyötyä, sillä ohjelmiston perustoiminnot olivat päässeet jo unohtumaan. Käytimme harjoituksen aineistona HELCOM:in vuonna 2013 tehdystä raportista peräisin olevaa dataa.

Olen kohtalaisen tyytyväinen tekemääni karttaan. Hioin tunnilla kartan väristystä todella pitkään, enkä ole vieläkään varma, onko se paras mahdollinen. Mielestäni typpipäästöjä tarkasteltaessa merkityksettömien valtioiden esittäminen vaaleanharmaalla on onnistunut, sillä näin ollen huomio keskittyy kartassa olennaiseen. En kuitenkaan ole täysin tyytyväinen punaiseen väriskaalaan, jonka valitsin esittämään typpipäästöjen osuutta valtioittain. Punainen on sinällään toimiva värivalinta, sillä se korostaa ilmiön vakavuutta. Kahden suurimman luokan sävyt ovat kuitenkin niin lähellä toisiaan, että niitä voi välillä olla haastava erottaa toisistaan. Jätin karttaan näkyville myös syvyyskäyrät. Kuitenkin luettuani Taika Jaakkolan blogista hänen pohdintojaan syvyyskäyrien merkityksellisyydestä, tulin siihen tulokseen, että minäkin olisin voinut jättää syvyyskäyrät kokonaan pois. Ne sekavoittavat turhaan kartan ilmettä, enkä ainakaan äkkiseltään keksi syytä, minkä vuoksi ne olisivat kartassa tarpeelliset. Järvet oli mielestäni kuitenkin hyvä jättää kartassa näkyviin, sillä niiden ja niihin yhtyvien jokien/ojien kautta kulkeutuu Itämereen hajakuormituksena maatalouden lannoitteista lähtöisin olevia typpipäästöjä (MTK, 2021).

Jaottelin typpipäästöjen osuudet “natural breaks” -jaottelulla, joka mielestäni osoittautui toimivaksi. Tein jaottelun kahteen suurimpaan luokkaan vielä pientä hienosäätöä, sillä suurimman luokan alkuperäinen väli 13,3-33,7 oli mielestäni liian laaja. Tämän muutoksen johdosta Puola erottuu tarkastelussa selkeästi ainoana valtiona, jonka tyyppipäästöt ovat yli 20 %. Annasofia Toivonen nostaa blogissaan esille, kuinka lukijan kannalta olisi mielekkäämpää, jos luokkien luvut olisivat tasalukuja. Olen tässä asiassa hänen kanssaan samoilla linjoilla. Jälkeenpäin ajatellen olisin voinut valita luokkien rajoiksi tasaluvut tai 0,5 desimaalin tarkkuudella ilmoitetut arvot. Näin luokittelu olisi tullut lukijaystävällisemmäksi. Vaikka luokittelustani tulikin melko hyvä, jäin pohtimaan pitäisikö kartasta saada vielä tarkempi kuva valtioiden osuuksista. Väli 20-33,7 on edelleen kuitenkin kohtalaisen laaja.

Ikääntyneen väestön jakautuminen Suomessa kunnittain

Toinen harjoitus tehtiin kotona itsenäisesti. Valitsin tehtävistä helpomman, sillä koin sen soveltuvan paremmin omaan tämänhetkiseen taitotasooni. Tein koropleettikartan yli 64-vuotiaiden osuudesta väestössä kunnittain (kuva 2).

Tehtävän alussa minulla oli käynnistysvaikeuksia. Tuskailin kauan (jälkeenpäin ajateltuna säälittävän kauan) sen kanssa, etten saanut karttaa näkyviin. Onneksi tajusin viimein tämän johtuvan siitä, etten ollut muuttanut muuttujan jakauman jaottelua. Kun muutin jaottelua, kartta tuli näkyviin ja pääsin jatkamaan. Valitsin jaotteluksi “pretty breaks” -jaottelun, sillä siinä jaottelu oli mielestäni toimiva; jaotteluluokat olivat järkevän kokoisia ja erot kuntien välillä tuli hyvin näkyviin.

Myös tämän kartan kohdalla värityksen pohdintaan kului aikaa. Halusin kiinnittää huomiota siihen, että luon kartasta mahdollisimman puolueettoman. En tämän vuoksi halunnut käyttää esim. punaista väriskaalaa, sillä se olisi antanut sellaisen kuvan, että suuri ikääntyneen väestön osuus kunnassa olisi jotenkin negatiivinen piirre. Näin ollen päädyin lopulta siniseen väriskaalaan, sillä se esittää ilmiön mielestäni neutraalisti. Jälkeenpäin karttaa tarkasteltaessa, jäin jälleen pohtimaan, olisiko neljännen, viidennen ja kuudennen luokan väreistä pitänyt tehdä toisistaan paremmin erottuvia. Nopeasti karttaa tarkasteltaessa, ne sekoittuvat herkästi toisiinsa. Muuten olen kartan ulkomuotoon ja tyytyväinen.

Ikääntynyt väestö on selkeästi keskittynyt Suomessa eniten itäisiin kuntiin. Pohdin voisiko tämä johtua siitä, että väkiluku on ollut laskussa kaikissa Suomen itäisissä kunnissa vuosina 2007-2018, eli kunnat ovat kärsineet muuttotappiosta (MDI, 2020). Yleensä kuntien välisen muuttoliikkeen keskiössä on etenkin työikäinen väestö. Joten jos työikäinen väestö on muuttanut Itä-Suomen kunnista esim. Etelä-, Länsi- tai Keski-Suomen kuntiin, selittäisi tämä sen miksi väestö on ikääntyneempää Itä-Suomessa kuin muualla.  Etelä-, Länsi- ja Keski-Suomessa sijaitsevat useimmat Suomen yliopistoista ja korkeakouluista, jotka varmasti myös houkuttelevat nuorta väestöä alueille. Suomen mittapuulla suurissa kaupungeissa, kuten Helsingissä, Turussa ja Tampereella voi olla myös parempi työtarjonta, kuin muuttotappioista kärsineissä Itä-Suomen kunnissa.

Lähteet

Jaakkola, T. (2024). QGIS for dummies ja karttojen laatimisen perusteita. Viitattu 23.1.2024. https://blogs.helsinki.fi/jztaika/

Toivonen, A. (2024). Viikko 1: QGIS:n käytön opettelua ja koropleettikarttoja. Viitattu 23.1.2024. https://blogs.helsinki.fi/annasoto/

MTK. (2021). Maatalouden vesiensuojelu. Viitattu 23.1.2024. https://www.mtk.fi/-/maatalouden-vesiensuojelu

MDI, aluekehittämisen konsulttitoimisto. (2020). Alueellistamisen strategian valmistelun tietopohja – Itä-Suomen alue. Valtiovarainministeriö. Viitattu 23.1.2024. https://vm.fi/documents/10623/16264889/Alueellistamisen+strategian+tietopohja,+It%C3%A4-Suomi/f35b6ebe-ee09-17eb-fa49-c380b77b8c4c/Alueellistamisen+strategian+tietopohja,+It%C3%A4-Suomi.pdf?t=1578565906000