Month: January 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