Kurssin loppuyhteenveto

Määränpää on aina matka

Kurssi on ollut haastava, monipuolinen, mielenkiintoinen, erittäin opettava ja monella tavalla rohkaiseva.  QGIS:n kanssa työskentely ja karttojen teko olivat oikeasti todella innostavia ja mukaansatempaavia, joka tietyllä tavalla yllätti. Vaikeuksilta ei vältytty oikeastaan yhdenkään kurssikerran aikana, mutta kaikista haasteista selvittiin. Ongelmien ratkaisu sekä niiden ylitse pääsy toi lisää energiaa ja luottamusta omaan tekemiseen. Tietokoneiden kanssa toimiminen on ollut itselle aina muutenkin haastavaa, sillä olen hyvin perinteinen kynän ja paperin kanssa toimija. Ilokseni tämä(kin) kurssi kuitenkin osoitti, ettei teknologiaa todellisuudessa ole niin vaikeaa käyttää, etenkin jos sille antaa aikaa. Rehellisesti sanottuna olen käyttänyt useita ja useita työ- ja yötunteja tämän kurssin suoritukseen. Eikä kyse ole ollut vain pelkästään jonkin kartan hiomisesta tai QGIS:n kanssa “taistelemisesta”, vaan todella olen pyrkinyt panostamaan myös blogini sisältöön. Koen myös olevani ollut aidosti kiinnostunut opetettavista asioista, minkä vuoksi olen halunnut myös syventää omaa ymmärtämiseni tasoa.

Kurssi on sisältänyt paljon täysin uusia asioita; isompina tietenkin jo pelkästään QGIS:n käyttö sekä blogin pitäminen. Oli yllättävää huomata, miten hyvin blogin pitäminen toimi osana kurssisuortusta. Hyödyt blogien pitämisestä olivat todellakin molemminpuoliset kanssaopiskelijoiden kesken, sillä toisten opiskelijoiden blogeista saatu vertaistuki on koettu hyvin tärkeäksi, kuten esim. Heikkinen ja Huttunen toteavatkin viimeisissä päivityksissään (Heikkinen 2021; Huttunen 2021). Myös itse voin allekirjoittaa vertaistuen merkittävyyden. Vertaistuen lisäksi blogin pitämisellä on ollut mielestäni myös valtava hyöty siinä, että on peräti kahdesti ellei jopa useampaan kertaan (ainakin omalla kohdalla) tullut mietittyä mitä oppimisestaan tulisi kirjoittaa. Koska kyseessä on ollut julkinen päivitys, on tekstiin myös sitä kautta panostanut mielestäni eri tavalla (en tosin väitä ettenkö olisi panostanut esim. yksityisiin oppimispäiväkirjoihin).

Mielestäni kurssin aikana on ollut tärkeää oppia oikeasti pohtimaan varsinaisen tehtävän suorituksen lisäksi omia tuloksiaan. Esimerkiksi jos olisin onnistunut tekemään jonkin loistavan tai mielestäni lähes täydellisen kartan, niin on ollut yhtä tärkeää (ellei peräti tärkeämpää), että omia aikaansaannoksia on pystynyt myös sanoittamaan ja arvioimaan, tietenkin myös kriittisesti. Oleellista on ollut oivaltaa, että omista tuotoksista ja omasta suorituksesta on voinut oppia ja saada tätä kautta myös paljon enemmän irti. Oppimiskokemus on näin kokonaisuudessaan tehostunut, kun on aidosti joutunut miettimään asioita vielä kertaalleen jälkeenpäin. En kuitenkaan väitä olleeni tässä kurssin alussa heti mestari. Huomaan nimittäin kehittyneeni hyvin selvästi niin kirjoittajana kuin QGIS:n taitajana. Ensimmäisistä blogipäivityksistäni näkee, miten mm. pohdinta on tietyllä tavalla vähäisempää ja ns. “pintapuolisempaa”. Toki tietysti huomaan myös toistelevani päivityksissä ja karttojeni pohdinnoissa paljon samoja asioita aivan viimeisiin ja tuoreimpiin päivityksiin asti. Esimerkiksi lähes jokaisessa päivityksessäni toin ilmi tehtyjen karttojen värien merkittävyyden tai ylipäänsä visuaalisen ilmeen. Tämä ehkä osin olikin varmasti tarkoitus, mutta tässäkin kohtaan jälleen tulee mietittyä, olisiko tuota omaa pohdintaa voinut koittaa vielä jotenkin monipuolistaa myös karttojen visuaalisessa tulkinnassa. Toisaalta osittain perustelu (ja puolustus) sille miksi esim. karttojen visuaalisen ilmeiden pohdinta jossain määrin toistuu päivityksissä on se, että olen kokenut tämän kyseisen asian – eli visuaalisen ilmeen – olevan kuitenkin merkittävä osa kartan tekoa.

Muutama erillinen sana vielä jokaiselle kurssilaiselle varmasti tutuksi tulleesta ohjelmasta eli QGIS:stä. Kyseisen paikkatieto-ohjelman käyttöä ja osaamista tulikin pohdittua jo ihan kivasti viidennellä kurssikerralla, joten en paneudu yhtä tarkasti siihen nyt. Sen verran täytyy silti todeta, että ohjelma tuntuu näin kurssin lopussa aivan erilaiselta käyttää. On hienoa huomata, että tiettyjä toimintoja ei tarvitse miettiä ja mm. karttojen teko onnistuisi ilman opastusta, kuten seitsemännellä eli viimeisellä kurssikerralla tuli todettua. QGIS on edelleen täynnä ominaisuuksia, joista en varmasti vielä tiedä tai osaa hyödyntää. Koska kyseessä oli kuitenkin Geoinformatiikan menetelmät 1 -kurssi (huom. 1), ei mielestäni esimerkiksi QGIS:n käyttöä olisi välttämättä tarvinnut edes osata vielä täydellisesti niin kuin vaikkapa itse ohjelman kehittäjä. Mielestäni tärkeää ja oleellisempaa oli tällä kurssilla hallita perusominaisuudet ja tietysti sitten osata jonkin verran myös soveltaa, jotta kykeni myös itsenäiseen työskentelyyn.

Tuntuu hiukan jopa oudolta myöntää, että kurssi todella veti mukanaan. Huomasin tosiaan tekeväni useasti joitain kurssitehtäviä, viimeisteleväni karttoja, hiovani blogia tai tutkivani muuten vaan QGIS:siä yömyöhään asti. Koin monia turhautumisia ja epätoivonhetkiä, mutta lisäksi paikoitellen suunnatonta iloa ja onnea, kun onnistuin jossain. Innostuin karttojen teosta jopa niin paljon, että olisin halunnut tehdä niitä viimeiseenkin kurssikertaan todellisuudessa paljon enemmän. Viimeisessä kurssikerrassa alkuperäinen ajatus olikin, että esitän muutamia eri asioita kartoilla (joihin olin hakenut jo materiaalia). Lopulta ensimmäisten karttojen valmistuttua ja varsinaisen kirjoitetun pohdinnan kohdalla kuitenkin huomasin, että sanottavaa alkuun koetusta yksinkertaisesta aiheesta sen kuin riitti. Viimeisen kurssikerran pohdinnasta tulikin jo sen verran pitkä, että jouduin pitäytymään siksi vain ensimmäiseksi tehdyissä kartoissa. Tämä on mielestäni hyvä esimerkki siitä, että en olisi tavallaan saanut tarpeekseni QGIS:n käytöstä tai saatujen tulosten pohdinnasta ja tulkinnasta. Kuten seitsemännen kurssikerran päivityksessä totesin, on harmillista, että kurssi päättyi näin “nopeasti” (hyvänä puolena voi pitää sitä, että nyt muillekkin koulutöille jää enemmän aikaa). Toisaalta uskon vahvasti, että geoinfomatiikan oppiminen tuskin jää tähän kurssiin.

Lopuksi haluaisin vielä kiittää kaikkia mahdollisia blogini lukioita (tai vilkuilijoita), kanssaopiskelijoita ja tietysti kurssin vastuuopettajaa. Opetus oli ensiluokkaista, etäjärjestelyt toimivat todella hyvin ja mielestäni kurssin materiaalit olivat laadukkaat. Kaikesta rasittavuudesta huolimatta kurssi oli oikein antoisa ja ennen kaikkea kehittävä niin teknisen osaamisen kuin oman työskentelyn sekä tulosten pohdinnan kannalta. Oikein ihanaa ja aurinkoista kevään jatkoa tulevine kukkasineen aivan jokaiselle. Kiitos!

Tekijä: Aarrelahti 2017

 

LÄHTEET

Heikkinen, S. (2021). Saaran GIS-blogi. https://blogs.helsinki.fi/heikkins/ (Viitattu: 16.03.2021.)

Huttunen, M. (2021). Martan kurssiblogi.  https://blogs.helsinki.fi/humartta/ (Viitattu: 16.03.2021.)

Kurssikerta 7

Karttoja liikenneonnettomuuksista

Viimeinen kurssikerta

Seitsemännellä eli viimeisellä kurssikerralla tehtävänä oli tehdä kartta itse valitusta alueesta ja aiheesta. Tehtävää varten valmistauduttiin etsimällä sopivaa materiaalia kyseisen aiheen toteutukseen. Paikkatietoaineistoinen työ suoritettiin siis oikeastaan täysin itsenäisesti ilman varsinaista opettajan opastusta. Tehtävän toteutukseen annettiin muutamia vaihtoehtoisia tapoja ja esimerkkejä. Itse päätin toteuttaa tehtävän laatimalla kartan, jossa esitetään vähintään kaksi muuttujaa per kartta. Kartan kohde sai olla mikä tahansa, josta vain löysi tarvittavat materiaalit tai oli muuten vain kiinnostunut. Tehtävässä pääsi haastamaan itseään ja hyödyntämään kurssilla opittuja asioita.

Tehtävän aiheen valinta ja materiaalin keräys

Mietin suhteellisen pitkään, mistä aiheesta haluaisin tehdä paikkatietoaineistoisen työn. Myöhemmin selatessani muiden blogeja huomasin, miten monipuolisesti tehtävänantoa oli sovellettu. Usea kanssaopiskelija, kuten mm. Heikkinen, Korpi ja Mattila olivat valinneet alueeksi Suomen, mutta esimerkiksi Lappalainen-Imbert oli valinnut alueekseen Australian, Harmonen Yhdysvallat, Väisänen Viatnamin ja Salmensuu puolestaan Euroopan (Harmonen 2021; Heikkinen 2021; Korpi 2021; Lappalainen-Imbert 2021; Mattila 2021; Salmensuu 2021; Väisänen 2021). Etenkin Jantunen oli valinnut mielestäni mielenkiintoisen alueen, nimittäin Isojärven kansallispuiston, joka sijaitsee Keski-Suomen ja Pirkanmaan rajamailla (Jantunen 2021). Engelhardt oli taas valinnut hyvin laajan tarkastelualueen, johon kuului Eurooppa, Lähi-Itä ja osa Afrikasta (Engelhardt 2021) . Alueen lisäksi kartoilla esitettyjä teemoja löytyi myös laidasta laitaan esimerkiksi näiden edellä mainittujen henkilöiden välillä. Autoilun suurystävänä sain ideaksi esittää kartalla jotain ajoneuvoihin ja liikenteeseen liittyvää. Halusin vertailla aihetta perinteisesti Suomen tasolla (joka teki aiheesta osittain henkilökohtaisemman ja tätä kautta itselle mielenkiintoisemman), ja siksi alueeksi rajautui Suomen kunnat. Tehtävään oli lisäksi annettu ohje, että alueita tulisi olla vähintään 20–30, jotta niiden alueellinen vertailu ja luokittelu olisi riittävän mielekästä. Siksi kuntataso oli sopiva valinta esitettäväksi alueeksi. Valitsin kaksi muuttujaa, jotta esitettyjen ilmiöiden lopputuloksen tarkastelusta ei tulisi kartalla liian vaivalloista. Karttojen muuttujina ovat siis liikennekäytössä olevat ajoneuvot ja tieliikenneonnettomuudet. Mielestäni valitsemani muuttujat sopivat hyvin toisiinsa ja niiden esittäminen samalla kartalla oli loogista. Samoin tutkimuksellinen valinta oli näin ollen mielekäs. Päätin valita aiheeksi esittää kartalla liikenneonnettomuuksien yhteyttä liikennekäytössä oleviin ajoneuvoihin. Sain tarvitsemani Suomen kuntapohjan Paitulista, josta aineiston lataus oli todella helppoa. Ajoneuvoihin ja liikenneonnettomuuksiin liittyvän tilaston löysin Tilastokeskuksen PxWeb -tietokannasta. Kyseisestä tietokannasta oli saatavilla haluttu data suoraan halutussa csv -muodossa.

Tehtävän suoritus

Olin kerännyt kyseistä kurssikertaa varten tarvitsemani aineiston etukäteen. En ollut kuitenkaan yrittänyt vielä avata sitä QGIS:ssä. Kun sitten aloitin työskentelyn QGIS:llä, Paitulista ladattu vektoriaineistoinen karttapohja Suomen kunnista aukesi kauniisti ja suoraan täysin ongelmitta. Sen sijaan StatFin -tietokannasta tallentamani csv -muotoinen data tuottikin yllättäviä ongelmia. Datan tuomisen jälkeen QGIS esitti attribuuttitaulukon tietoja väärin ja todella omituisesti. Tämä johti siihen, että en saanut myöskään liitettyä kuntapohjaan oikein tätä haluttua dataa. Ymmärsin lopulta ongelman liittyvän tuohon kyseiseen valmiiseen csv -tiedostomuotoon. Päätinkin siis avata kyseisen tiedoston tietokoneeni taulukointiohjelmassa ja muokata sitä hiukan (lähinnä ylimääräisten rivien poisto). Muokkausten jälkeen onnistuinkin tuomaan tarvitsemani aineistot QGIS:iin siten, että myös liittäminen Suomen kuntapohjaan sujui tällä kertaa ongelmitta. Alkuhaasteiden jälkeen pääsin lopulta visualisoimaan esitettäviä muuttujia kartalla.

Ensimmäisissä kartoissa päätin esittää vain kuolemaan johtaneita onnettomuuksia sekä liikennekäytössä olevia ajoneuvoja (kuvat 1-3). Vuosiksi valitsin alkuun 2020 (kuva 1) ja 2019 (kuva 2), jotta voisin myös hiukan vertailla mahdollisia vuosittaisia eroja. Näiden jälkeen tein vielä yhden kartan vuosilta 2015–2020 (kuva 3), sillä tahdoin tarkastella, miten hiukan pidempi valittu aikaväli vaikuttaisi kartalla esitettyihin ilmiöihin. Innostuin karttojen teosta niin paljon, että päätin näiden edellisten lisäksi toteuttaa vielä kartat, joissa esitettiin kaikki liikenneonnettomuudet, eli sekä kuolemantapaukset että loukkaantumiset yhteensä (kuvat 4-6).

Kuva 1. Kartalla esitettynä liikennekäytössä olevien ajoneuvojen ja tieliikenneonnettomuuksissa kuolleiden lukumäärä Suomessa kunnittain vuonna 2020. Lähteet: Tilastokeskuksen PxWeb-tietokannat 2021; Paituli 2021.

Kuva 2. Kartalla esitettynä liikennekäytössä olevien ajoneuvojen ja tieliikenneonnettomuuksissa kuolleiden lukumäärä Suomessa kunnittain vuonna 2019. Lähteet: Tilastokeskuksen PxWeb-tietokannat 2021; Paituli 2021.

Kuva 3. Kartalla esitettynä liikennekäytössä olevien ajoneuvojen ja tieliikenneonnettomuuksissa kuolleiden lukumäärä Suomessa kunnittain vuosina 2015-2020. Lähteet: Tilastokeskuksen PxWeb-tietokannat 2021; Paituli 2021.

Kuva 4. Kartalla esitettynä liikennekäytössä olevien ajoneuvojen sekä tieliikenneonnettomuuksissa kuolleiden ja loukkaantuneiden lukumäärä Suomessa kunnittain vuonna 2020. Lähteet: Tilastokeskuksen PxWeb-tietokannat 2021; Paituli 2021.

Kuva 5. Kartalla esitettynä liikennekäytössä olevien ajoneuvojen sekä tieliikenneonnettomuuksissa kuolleiden ja loukkaantuneiden lukumäärä Suomessa kunnittain vuonna 2019. Lähteet: Tilastokeskuksen PxWeb-tietokannat 2021; Paituli 2021.

Kuva 6. Kartalla esitettynä liikennekäytössä olevien ajoneuvojen sekä tieliikenneonnettomuuksissa kuolleiden ja loukkaantuneiden lukumäärä Suomessa kunnittain vuosina 2015-2020. Lähteet: Tilastokeskuksen PxWeb-tietokannat 2021; Paituli 2021.

Huomioita kartografisista valinnoista

Koska visualisoin kartalla kahta eri muuttujaa, päätin hyödyntää samaa esitystyyliä kuin kolmannen kurssikerran teemakartoissa. Toisen muuttujan esitin kartalla ympyrädiagrammein ja toisen kloropleettikarttana. Diagrammein esitettäväksi muuttujaksi valitsin tieliikenneonnettomuudet (yhteensä) tai niissä kuolleet, ja kloropleettikartan muuttujana toimi liikennekäytössä olevat ajoneuvot. Kyseiset muuttujat toimivat näin esitettävänä hyvin, sillä tieliikenneonnettomuuksien arvot olivat huomattavasti pienempiä kuin liikennekäytössä olevien ajoneuvojen määrä. Kartan luenta oli näin huomattavasti selvempää.

Alkuun valitsin karttojen värimaailmaksi melko neutraalin sinisen ja punaisen (todellisuudessa lähes beigen). Olin peräti niin varma värivalintojeni pysyvyydestä, että tein jokaisen kartan täysin valmiiksi näillä kyseisillä väreillä. Muiden blogeja myöhemmin lukiessani huomasin kuitenkin Huttusen valinneen kartoillensa hyvän värimaailman. Hän kuvasi kartoillaan harmaan eri sävyillä kasvihuonekaasupäästöjä ja punaisella teollisuuden energiankäyttöä (Huttunen 2021). Kyseiset värit sopivat erinomaisesti myös omiin karttoihini, ja siksi päätin tehdä jokaisen karttani vielä kertaalleen uudelleen. Koska toisessa muuttujassa kyseessä oli onnettomuudet ja kuolematapaukset, oli tämän muuttujan kohdalla voimakkaampi ja huomiota herättävä väri täysin perusteltua käyttää. Esitin täten ympyrädiagrammit tummanpunaisella alkuperäisen hailakan punaisen sijaan. Kloropleettikartan värin sinisestä vaihdoin harmaan eri sävyihin. Mielestäni värimaailma oli tällä kertaa kartoilla erittäin toimiva. Tummanpunainen väri toimi hyvin ympyrädiagrammeissa, sillä näin ne erottuivat alla esitettävistä harmaan sävyistä loistavasti. Ympyrädiagrammien väri tuli olla riittävän erilainen alla olleeseen väriin nähden, jotta esitettyjen ilmiöiden havainnointi olisi selvempää. Lisäksi koska kyseessä oli onnettomuuksien ja kuolemien visualisointi, ei esimerkiksi sininen (joka mielletään kuitenkin usein melko positiiviseksi ja neutraaliksi väriksi) olisi ollut ehkä paras väri kyseisten ilmiöiden kuvaamiseen. Siitä syystä punainen oli täydellinen valinta. Nyt valittu punaisen sävy ei mennyt myöskään liian vaaleanpunaiseksi tai pinkiksi, jolloin kyseinen väri olisi saattanut antaa taas liian positiivista vaikutelmaa esitettävän ilmiön luonteesta.

Tein jo kuudennella kurssikerralla pienen, mutta mielestäni hyvin olleellisen havainnon liittyen  ympyröiden visualisointiin. Tarkemmin sanottuna kyseinen havainto koskee ympyröiden reunuksia. Huomioin, että pdf -muotoisilta valmiilta kartoilta (vasta siis karttojen tallennuksen jälkeen) ikään kuin näyttäisi hävinneen ympyröiden reunat kokonaan. Ongelmana tässä on se, että jos ympyröitä esiintyy kartalla paljon ja tiiviisti, ne sekoittuvat lopulta toisiinsa, eikä ympyröiden rajoja ole enää havaittavissa. Tämä vaikeuttaa kartan luentaa huomattavasti. Kyseinen ongelma oli kuitenkin helposti korjattavissa, mutta tätäkin jouduin suorittamaan kantapään kautta useampaan kertaan, kun huomasin vasta pdf -muotoisissa kartoissa unohtaneeni lisätä ympyröiden reunojen paksuutta.

Kartan teossa testasin myös visualisoida onnettomuus- ja kuolemantapauksia numeroin. Ympyröin esitettävässä diagrammissa heikkoutena juuri yllä todetusti on, että mikäli visualisoitua aluetta tarkastellaan kauempaa ja ympyrädiagrammeja esiintyy kartalla runsaasti, menevät esitetyt ympyrät myös helpommin toistensa päälle (sama ongelma huomattu myös pistemuotoisen aineiston kohdalla esimerkiksi jo kurssikerralla 6). Tällöin kokonaiskuvasta tulee usein sotkuinen ja esimerkiksi alueellinen tarkastelu vaikeutuu, vaikka ympyröiden reunukset olisivat selvästi näkyvillä. Tämä näkyy nyt kartoillani, koska esimerkiksi pääkaupunkiseudulla isot ympyrät peittävät allensa täysin koko kunnan alueen, eli kloropleettikarttaa ei edes pysty tulkitsemaan alta. Testaamani esitystyyli numeroin ei kuitenkaan ollut mielestäni visuaalisesti yhtä miellyttävä tai selkeä kuin ympyrät. Lisäksi numeroiden luku kartalta jokaisen kunnan kohdalla oli ehkä hitusen liian työlästä. Ympyröin esitetyn diagrammin etuna olikin kaikesta huolimatta se, että esim. pieni ympyrä ilman legendan lukua antoi jo mielikuvan esitetyn ilmiön pienemmästä arvosta. 

Täytyy tosin ottaa huomioon, että edellä mainitut asiat ovat usein lähes täysin kartantekijän päätettävissä, jolloin tekijän omat mieltymykset vaikuttavat lopullisiin valintoihin. Huomasin esimerkiksi Korven visualisoineen kartalla esitettyä ilmiötä juuri numeroin. Hän oli kokenut puolestaan ympyröiden olevan huonompi tapa esittää alueellisia eroja, joten valitsi siksi numerot (Korpi 2021). Toisin sanoen välillä kartografiset valinnat riippuvat voimakkaasti kartantekijän omista henkilökohtaisista näkemyksistä.

Karttoja tehdessä ajattelin ympäröidä Suomen pohjakartan vielä rajanaapurit esittävällä rantaviivalla. Testasin myös tätä, mutta lopullisissa kartoissa luovuin ajatuksesta. Syynä oli se, että näin muu ”turhuus” kartan ulkopuolelta ei vienyt vähäänkään huomiota kartalta esitettävältä ilmiöltä. Lisäksi koska kartan ideana oli havainnollistaa ainoastaan Suomessa esiintyviä ilmiöitä, oli vain Suomen valtiorajojen näkyminen kartalla mielestäni järkevämpää.

Karttojen visualisoinnissa pidin myös edelleen parhaimpana ratkaisuna sitä, että tein jokaisesta kartasta hyvin samanlaiset. Eli värimaailman, legendan, pohjoisnuolen ja mittakaavan paikka tuli jokaisessa kartassa toistua samanlaisena (poikkeuksena kuvat 7 ja 8). Kyseinen valinta esimerkiksi helpottaa karttojen vertailua keskenään, ja tästä olenkin pyrkinyt pitämään kiinni jo aivan kurssin alkupuolelta lähtien.

Mitä kartalla näkyy?

Karttojen lopputulos oli mielenkiintoinen. Oletetusti pohjoisemmassa Suomessa (kuva 7) kuolemaan johtaneiden tieliikenneonnettomuuksien sekä liikennekäytössä olevien ajoneuvojen määrä on pienempi kuin eteläisessä Suomessa (kuva 8), jossa myös liikenne on yleisesti suurempaa ja asutus tiheämpää. Oletin kartoilla näkyvän selvästi, että niillä alueilla, joilla on enemmän liikennekäytössä olevia ajoneuvoja, olisi myös enemmän kuolemaan tai yleisemmin kaikkiin onnettomuuksiin johtaneita liikennetapaturmia. Sen sijaan esimerkiksi kokonaisuudessaan vuoden 2020 Suomen kartalla (kuva 1) näkyykin hyvin selvästi alueita, joissa liikennekäytössä olevien ajoneuvojen lukumäärä on suuri, mutta tieliikenneonnettomuuksissa kuolleiden määrä on pieni. Esimerkiksi Tampereella liikennekäytössä olevien ajoneuvojen määrä vuonna 2020 on ollut 119 632–174 706, ja kuolematapauksia kyseisessä kunnassa on ollut ainoastaan 2. Vastaavasti Joensuussa liikennekäytössä olevien ajoneuvojen määrä on ollut vain 37 165–68 817, mutta kuolemaan johtaneita tieliikenneonnettomuuksia on ollut peräti 6.

Kuva 7. Kartalla havainnollistettu tarkemmin kunnittain pohjoinen Suomi, jossa esitetty liikennekäytössä olevat ajoneuvot ja tieliikenneonnettomuuksissa kuolleet henkilöt vuonna 2020. Lähteet: Tilastokeskuksen PxWeb-tietokannat 2021; Paituli 2021.

Kuva 8. Kartalla havainnollistettu tarkemmin kunnittain eteläinen Suomi, jossa esitetty liikennekäytössä olevat ajoneuvot ja tieliikenneonnettomuuksissa kuolleet henkilöt vuonna 2020. Lähteet: Tilastokeskuksen PxWeb-tietokannat 2021; Paituli 2021.

Tämä oli hyvin kiinnostava havainto, että alueet, joilla esiintyy vähemmän liikennekäytössä olevia ajoneuvoja eivät välttämättä silti omaa pienempiä kuolleisuuslukuja tieliikenneonnettomuuksissa. Ilmiötä selittää mahdollisesti parikin asiaa. Ensinnäkin esille tulee ongelma käyttämässäni datassa, jossa liikennekäytössä oleviin ajoneuvoihin lukeutui kaikki ajoneuvoluokat. Se tarkoittaa sitä, että kyseisessä datassa myös mm. perävaunulliset ajoneuvoluokat on otettu huomioon. Oletetusti esimerkiksi perävaunut eivät ole kuitenkaan mitä luultavammin suurimmassa osassa liikennetapaturmien aiheuttajista. Kyseistä asiaa olisi kuitenkin pitänyt tutkia tarkemmin erottaen kaikki eri ajoneuvoluokat ja siten tehdä sen jälkeen päätelmät siitä, mikä ajoneuvoluokka mahdollisesti on yhteydessä liikenneonnettomuuksien kuolemantapauksiin (huom. tämä ei ollut tutkimukseni kohde tällä kertaa). Pohdin poikkeavuuden selitykselle syytä myös alueellisista eroista, kuten esimerkiksi kuntien tieliikenneohjauksen järjestelyä. Lisäksi esimerkiksi työmatkaliikenne toiselta alueelta toiselle voi aiheuttaa poikkeavuutta tieliikenteen kuolleisuusluvuissa. Samoin esim. Tampereen kohdalla kuolemantapausten vähäisyyttä voisi selittää se, että ihmiset käyttävät alueella mahdollisesti ahkerasti julkista liikennettä tai liikuttavat etäisyydet kunnan alueella eivät vaadi välttämättä edes ollenkaan ajoneuvon käyttöä. Tietysti selitystä voisi hakea hiukan huumorimielessä myös siitä, että kartat osoittavat sen, missä Suomen kunnista ihmiset ovat parempia kuskeja ja muutenkin varovaisempia liikenteessä. Todellisuudessa järkevämpi ja asiallisempi selitys liittyisi silti ehkä esimerkiksi asukastiheyksien määrään kunnissa (jota sitten olisi voinut visualisoida esim. toisella kartalla ja vertailla näitä tuotoksia keskenään). 

Toinen erittäin kiinnostava havainto tekemistäni kartoista tuli esille vuoden 2019 ja vuoden 2020 karttoja vertaillessa. Nimittäin vuoden 2019 kartta (kuva 2) osoittaa, että kuolemaan johtaneita tieliikenneonnettomuuksia on huomattavasti vuotta 2020 (kuva 1) enemmän usean kunnan alueella. Ero on todella selvä, sillä vuoden 2019 kartalla esiintyy tieliikenteen kuolemantapauksia myös sellaisissa kunnissa, joissa vuoden 2020 kartalla ei ole yhtään tieliikenneonnettomuudessa kuollutta. Tätä eroa selittää hyvin vahvasti Suomessakin koronatilanteen vuoksi vallinneet poikkeusolot vuonna 2020. Koronatilanne näyttäytyy selvästi siis pudonneina määrinä tieliikenneonnettomuuksien kuolemantapauksissa, koska ihmiset vähensivät liikkumista mm. etäopiskelun ja -työskentelyn vuoksi.

Pidemmän aikavälin tarkastelussa näkyi mielestäni jo selvemmin ensimmäiseksi oletettu ajatus saaduista tuloksista (kuva 3). Tämä oli toivottava tulos, sillä nyt pidempi aikaväli osoittaa keskimääräisesti juuri sen, että alueet, joilla on enemmän liikennekäytössä olevia ajoneuvoja, on myös yleisesti ottaen suurempi kuolleiden määrä liikenneonnettomuuksissa (toki pieniä poikkeavuuksia lukuunottamatta, joiden merkitys on kokonaisuuden tarkastelussa tällä kertaa kuitenkin vähäisempi).

Viimeisimmäksi tehdyissä kartoissa oli esitettynä kaikki tieliikenneonnettomuustapaukset eli sekä kuolemat että loukkaantumiset yhteensä (kuvat 4-5). Kartat kuvastivat lähinnä vain sitä, että kun tieliikenneonnettomuuksiin otettiin huomioon nyt myös kuolemantapauksien lisäksi kaikki loukkaantuneet, niin samalla tieliikenneonnettomuuksien määrä alueellisesti ja aluemäärällisesti kasvoi. Toisin sanoen kyseisillä kartoilla tieliikenneonnettomuuksissa sekä kuolemaan että loukkaantumisiin johtaneita tapauksia esiintyykin melkein lähes koko Suomen alueella, kuten kuvassa 4, kun puolestaan esimerkiksi kuvassa 1 vuoden 2020 kartalla pohjoisessa Suomessa tieliikenneonnettomuuksien pelkät kuolemantapaukset olivat vähäisiä ja taas eteläisessä Suomessa runsaampia. Jälkimmäisissä kartoissa (kuvat 4-5) oli tärkeää osata lisäksi huomioida legendan selitys, jossa pienemmät ympyrät saivatkin jo verrattain selvästi isompia arvoja ensimmäisiin karttoihin nähden (kuvat 1-3). Tämä tietysti oletettavaa, koska nyt jälkimmäisille kartoille oli tosiaan laskettu kaikki tieliikenneonnettomuudet.

Loppupäätelmät

Viimeisen kurssikerran tehtävänanto tuntui alkuun todella hankalalta. Pelkästään jo aiheen päättämisessä koin suurta valinnanvaikeutta (löysin niin monta esitettävää aihetta). Lopulta kuitenkin keksin itseäni aidosti kiinnostavan aiheen, ja siksi karttojen teko tuntui myös todella mukavalta haasteista huolimatta. Kartoille visualisoitui mielestäni hyvin onnistuneesti esitetyt ilmiöt ja niissä kuvautuu juuri se mitä halusin kartoillani esittää. Vaikka olenkin päällisin puolin tyytyväinen karttojen lopputuloksiin, koen silti löytäväni kartoista edelleen muutamia kohtia, joita olisin voinut parantaa. Esimerkiksi legendassa esitetyt ajoneuvojen lukumäärät olisi voinut yrittää muokata vielä siistimpään ja selvempään muotoon. Nyt numerot ovat ikään kuin yhdessä “pötkössä”, mikä voi tehdä lukujen tarkastelusta vaivalloisempaa. Parempi merkintätapa olisi esimerkiksi ollut 119 632–174 706.

Ehkä yksi isoimmista kritiiikeistä kyseisten karttojen tarkastelussa kohdistuu silti käyttämääni dataan. Kartoilla on nimittäin aiemmin mainitusti esitettynä kaikki ajoneuvoluokat, joka tekee näin jälkeenpäin pohdittuna lopputulosten realistisesta tarkastelusta toisaalta hiukan hankalaa. Tässä tapauksessa olisi ollut mahdollisesti kaikkein järkevintä jättää esimerkiksi perävaunulliset ajoneuvoluokat pois ja ottaa huomioon luvuissa vain liikennekäytössä olevat henkilöautot, pakettiautot, rekat yms., joita todella ajetaan eikä vedetä ajoneuvon perässä. Näin liikennekäytössä olevien ajoneuvojen määrä olisi mitä luultavammin muuttunut jonkin verran pienemmäksi. Toisaalta on vaikea sanoa, kuinka suuren osuuden perävaunulliset ajoneuvot kattavat kokonaisuudessaan kaikista ajoneuvoluokista. Mielestäni kyseinen asia on kuitenkin erittäin tärkeä huomio, joka tulisi osata huomioida karttojen kriittisessä tarkastelussa.

Toinen asia, johon kohdistan kritiikkiä, on ympyrädiagrammien esittäminen kartoilla. Kuten jo kävi ilmi, nyt ympyrädiagrammien takia kartoilla ei esimerkiksi erotu pääkaupunkiseudun kloropleettikartan värit ollenkaan suurten ympyröiden alta. Tämä rajoittaa kartan lukemista merkittävästi. Halusin kuitenkin esittää kyseisen ilmiön juuri ympyröin, joten mielestäni hyvä ratkaisu kyiseiseen ongelmaan löytyi esimerkiksi tekemällä erikseen sekä eteläisen että pohjoisen Suomen kartat, jolloin alueet sai suuremmaksi ja ongelma käytännössä poistui täysin (kuten tein kuvissa 7 ja 8). Toisaalta huono puoli tässä esitystyylissä on, että nyt koko Suomen aluetta ei enää tietenkään esitetä yhdellä kartalla, ja kahden erillisen kartan tarkastelu voi käydä hiukan työlääksi. Siksi mahdollisesti monen kartan (kuten esim. kuuden kartan) esittäminen “tuplana” ei olisi välttämättä kovin miellyttävää.

Kaikesta huolimatta huomaan selvästi kehittyneeni. Karttojen teko ja varsinainen työskentely QGIS:llä on alkanut todella rutinoitua, jonka olen todennut jo aiemmilla kurssikerroilla. Viimeisen kurssikerran tehtävän kohdalla tuntui todella hyvältä se, että onnistui saamaan aikaiseksi jotain sellaista, johon ei oikeasti oltu opastettu käytännössä yhtään. Toisaalta tuo opastus on tullutkin jo aikasemmilla kurssikerroilla, joten nyt olikin tarkoitus osoittaa, että omaakin osaamista tulisi jo löytyä. Kurssikerran aikaansaannokset todistavatkin, että oppimista on tapahtunut aidosti ja myös omatoiminen työskentely sekä soveltaminen alkavat sujumaan (tietysti silti usein vielä kokeilun ja lukuisten yritysten kautta). Rehellisesti onkin hiukan sääli, että kurssi tuli päätökseen, sillä intoa geoinformatiikan oppimiseen olisi riittänyt vielä paljon.

 

LÄHTEET

Engelhardt, A. (2021). Alexander Engelhardt´s Blog. https://blogs.helsinki.fi/alwengel/ (Viitattu: 24.03.2021.)

Harmonen, R. (2021). Roosa Harmonen. https://blogs.helsinki.fi/harmoroo/ (Viitattu: 08.03.2021.)

Heikkinen, S. (2021). Saaran GIS-blogi. https://blogs.helsinki.fi/heikkins/ (Viitattu: 16.03.2021.)

Huttunen, M. (2021). Martan kurssiblogi.  https://blogs.helsinki.fi/humartta/ (Viitattu: 12.03.2021.)

Jantunen, S. (2021). Sannan blogi. https://blogs.helsinki.fi/smjantun/ (Viitattu: 16.03.2021.)

Korpi, S. (2021). sakorpi´s blog. https://blogs.helsinki.fi/sakorpi/ (Viitattu: 08.03.2021.)

Lappalainen-Imbert, H. (2021). Helmi Lappalainen-Imbert. https://blogs.helsinki.fi/laphelmi/ (Viitattu: 08.03.2021.)

Mattila, L. (2021). Lotta Mattilan blogi. https://blogs.helsinki.fi/lottmatt/ (Viitattu: 08.03.2021.)

Paituli (2021). Opetus- ja kulttuuriministeriö. https://paituli.csc.fi/download.html (Viitattu: 08.03.2021.)

Salmensuu, A. (2021). salmeama´s blog. https://blogs.helsinki.fi/salmeama/ (Viitattu: 08.03.2021.)

Tilastokeskuksen PxWeb-tietokannat (2021). Tilastokeskus, Helsinki. https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/ (Viitattu: 08.03.2021.)

Väisänen, V. (2021). Villen GIS-blogi. https://blogs.helsinki.fi/villvais/ (Viitattu: 08.03.2021.)

Kurssikerta 6

Ulkoilua ja pistemuotoisen aineiston esittämistä kartalla

Kurssikerran tavoitteet ja tehtävät

Kuudennella kurssikerralla päästiin konkreettisesti maastoon keräämään koordinaattipisteitä, joita sitten visualisoitiin kartalla. Matkapuhelimen paikannussovelluksen avulla voitiin kerätä koordinaattitietoihin perustuvaa sijaintitietoa. Tarkoituksena oli oppia käyttämään siis puhelimelle ladattavaa Epicollect5-sovellusta pisteiden keräämisessä ja siirtämään näitä kerättyjä tietoja kartalle. Kurssikerralla harjoiteltiin tuomaan pistemuotoista aineistoa kartalle eri tavoin, ja esimerkiksi itsenäisharjoituksessa tarkoitus oli tuoda pistemuotoista aineistoa valmiiksi annetuilta internetsivustoilta. Kurssikerran tavoitteina oli myös oppia muokkaamaan tätä muualta, esim. internetistä löytyvää dataa sellaiseen muotoon, että se voitaisiin sijoittaa kartalle. Keskeisenä muokkaamiseen liittyvänä asiana esille tuli csv-tiedosto. Tämän blogiartikkelin tarkoituksena on käsitellä pääasiallisesti itsenäistehtävään liittyviä karttoja.

Itsenäistehtävä

Kuudennen kurssikerran itsenäistehtävän tarkoituksena oli tuottaa kolme karttaa, joiden teemana oli hasardit. Tarkemmin määriteltynä tavoitteena oli tuottaa sellaista lopullista materiaalia, jota voisi opettajana käyttää tuntiopetuksessa. Itsenäistehtävässä oli ideana havainnollistaa muutamalla kartalla erilaisia hasardeja ja niiden sijoittumista tai sitten vaihtoehtoisesti keskittyä vain yhteen. Lähestymistavan sai päättää vapaasti. Tehtävää varten annettiin kurssin Moodle -sivuilla linkit muutamiin erilaisiin hasardeihin, joista löytyi pistemäistä tietoa.

Päätin visualisoida kartoillani maailman tulivuorten sijoittumisia, sekä vuosina 1921-2021 tapahtuneita maanjäristyksiä ja tsunameita. Aikavälin valintaa mietin pitkään ja alkuun valitsinkin esitettäväksi aikaväliksi 1960-2021. Huomasin kuitenkin Innasen esittäneen kartoillaan esim. maanjäristykset viimeisen sadan vuoden aikana (Innanen 2021). Hänen valitsema esitystyyli oli mielestäni hyvä ja toimiva. Aikavälin oli tärkeä olla erittäin selvä (kuten helposti laskettava) ja siksi päätin toteuttaa kartoissani tuon saman aikavälin tarkastelun. Ensimmäisten karttojeni tarkoitus oli havainnollistaa maanjäristysten erilaista voimakkuutta ja niiden sijoittumista kartalla sekä samalla verrata niitä maapallon tulivuorten sijainteihin. Aloitin esityksessä kohtuullisen pienistä Richerin arvoista (magnitudi), josta sitten etenin suurempiin maanjäristyksiin (kuvat 1-4). Kolmessa viimeisessä kartassa keskityin vertailemaan maapallolla tapahtuneita tsunameita sekä voimakkuudeltaan vähintään 6.0 magnitudin maanjäristysten sijoittumista toisiinsa (kuvat 5-7). Kyseiset tsunamikartat erosivat toisistaan hiukan visuaaliselta esitystyyliltään. Esimerkiksi toiseksi viimeisissä kartassa kokeilin visualisoida tuon pistemuotoisen aineiston luokittelemalla maanjäristysten voimakkuuden suoraan kartalle keltaisen eri sävyillä (kuva 6). Myöhemmin selatessani muiden kanssaopiskelijoiden blogeja huomasin, että esimerkiksi Turunen oli hyödyntänyt myös eri muotoisia ympyröitä magnitudien luokittelussa (Turunen 2021). Tästä innostuneena päätin vielä toteuttaa vertailua varten yhden kartan, jonka tein siis eri kokosin ympyröin (kuva 7).

Karttojen käyttökelpoisuus opetuksessa

Kartat ovat mielestäni oikein havainnollistavia. Siitä huolimatta löytäisin niistä muutamia kriittistä pohdintaa vaativia kohtia. Ensinnäkin karttoja tehdessä oli paikoitellen hankala päättää, kumman karttatason nostaa toisen päälle, kun esitettäviä ilmiöitä (mm. tulivuoret ja maanjäristykset) oli kaksi. Tekovaiheessa kokeilin myös toisen ilmiön karttatason läpinäkyvyyden säätämistä, mutta en kokenut tätä toimivaksi, joten luovuin ideasta lopullisissa kartoissani. Pisteiden esittämisen varsinainen ongelma ei siis liittynyt siihen, että pisteet olisivat menneet todellisuudessa päällekkäin. Kuitenkin kauempaa karttaa havainnoidessa pisteet toki näyttäytyvät isompana, ja siksi ne myös sivuavat sekä menevät näin toistensa päältä helpommin. Tämä tekee kartasta paikoitellen haastavan tulkita, mikäli pisteitä on erityisen paljon. Esimerkiksi 5.0 magnitudin maanjäristysten pisteitä oli niin paljon, että kartan tekijänä piti tehdä päätös jättääkö tulivuorten sijainneista osan maanjäristysten ”alle” vai nostaako tulivuorten sijainnit maanjäristysten päälle. Lopullisissa kartoissa päätin sijoittaa tulivuoret aina maanjäristysten päälle, mikäli maanjäristyksiä esiintyi kartalla hyvin runsaasti. Perustelin valintani sillä, että koin loogisemmaksi näyttää tulivuorten sijainnit jokaisella kartalla riittävän selkeästi ja näkyvästi, koska karttoja kuitenkin pääasiallisesti tarkasteltiin koko maailman mittakaavasta kokonaisuutena. Näin kartan katsojalle, eli oppilaalle, ei vahingossa syntyisi esimerkiksi väärää mielikuvaa siitä (tai riski väärään mielikuvaan olisi pienempi), että tulivuoret jotenkin ”katoaisivat” mystisesti osalla kartoista. Sen sijaan mielestäni maanjäistysten kuvaamisessa näin opetusmielessä oleellisempaa oli kokonaisuuden hahmottaminen eli missä maanjäristyksiä on esiintynyt runsaasti ja missä vähemmän, eikä se, missä jokin yksittäinen maanjäristys mahdollisesti on tapahtunut.

Toinen asia, jonka totesin pienimuotoiseksi ongelmaksi, oli valitsemani Richerin arvot. Valitsin alkuun esimerkiksi vähintään 6.0 arvoja ja sitten vähintään 7.0 jne. Haasteeksi tässä osoittautui se, että tajusin vasta karttoja visualisoidessa pienempien arvojen tietysti sisältävän aina myös niitä ylempiä arvoja, kuten 6.0 eteenpäin yli 8.0 arvoihin. Siispä jokaisella kartalla näkyi myös suurempia arvoja jo valmiiksi, vaikka olisin halunnut esittää alkuun vain ainoastaan matalampia magnitudeja. Tein siis jokaisen kartan (tyypillisesti jälleen) täysin alusta alkaen ja kävin etsimässä netistä uudet aineistot, mutta tällä kertaa valitsin voimakkuuden arvoksi tasan sen arvon, mitä olin päättänyt esittää. Näin myös ongelma siitä, että hakutuloksia olisi ollut kerralla liikaa ja hakusivusto ei olisi onnistunut näyttämään kaikkia hakutuloksia kerralla, poistui. Lopullisissa kartoissa esitän siis ensin tasan 5.0 magnitudin (kuva 1), 6.0 magnitudin (kuva 2) ja 7.0 magnitudin (kuva 3) maanjäristykset. Kyseisessä karttasarja -esityksessäni poikkesin kuitenkin viimeisen arvon kohdalla, jolloin esitin kaikki vähintään 8.0 magnitudin esiintyvät maanjäristykset (kuva 4). Kaikkein voimakkaimpia arvoja (yli 8.0) oli sen verran vähän muihin pienempiin arvoihin nähden, että niiden esittäminen ns. “yhdessä” oli huomattavasti järkevämpää.

Kuva 1. Maailmankartta, jossa esitetty tulivuorten sijainnit ja viimeisen sadan vuoden aikana (1921-2021) tapahtuneet, voimakkuudeltaan 5.0 maanjäristykset. Lähteet: NOOA 2021; USGS 2021.

Kuva 2. Maailmankartta, jossa esitetty tulivuorten sijainnit ja viimeisen sadan vuoden aikana (1921-2021) tapahtuneet, voimakkuudeltaan 6.0 maanjäristykset. Lähteet: NOOA 2021; USGS 2021.

Kuva 3. Maailmankartta, jossa esitetty tulivuorten sijainnit ja viimeisen sadan vuoden aikana (1921-2021) tapahtuneet, voimakkuudeltaan 7.0 maanjäristykset. Lähteet: NOOA 2021; USGS 2021.

Kuva 4. Maailmankartta, jossa esitetty tulivuorten sijainnit ja viimeisen sadan vuoden aikana (1921-2021) tapahtuneet, voimakkuudeltaan vähintään 8.0 maanjäristykset. Lähteet: NOOA 2021; USGS 2021.

Kolmessa viimeisessä kartassa esitin aiemmin mainitusti vuosina 1921-2021 maailmalla tapahtuneet tsunamit sekä maanjäristykset, joiden voimakkuus oli vähintään 6.0 (kuvat 5-7). Tsunamikartat esittivät kaikki täysin saman asian, mutta jokainen visuaalisesti vaan hiukan eri tyylein. Kyseisissä kartoissa en valinnut esitystavaksi varsinaisesti karttasarjaa (esim. eri magnitudeilla), koska tsunamikarttojen tarkoituksena oli vertailla ainoastaan yleisemmin maanjäristysten ja tsunamien mahdollista sijainnillista yhteyttä. Siksi koin hyödylliseksi valita edellisestä magnitudi -karttaesityksestä poiketen tsunamikarttoihini kaikki vähintään 6.0 voimakkuuden maanjäristykset. Mielestäni kohtalaisen voimakkaat ja voimakkaat, eli vähintään 6.0 Richerin arvot sopivat esitykseen oikein hyvin.

Kaksi viimeistä karttaa toteutin siis lähes samalla tavoin kuin niitä edeltävän (kuva 5), poikkeuksena kuitenkin esittämällä magnitudiarvot värein tai eri ympyräkokoina luokiteltuina. Lopputuloksia vertaillessa jokaisessa kolmessa tsunamikartassa on sekä omat vahvuutensa että heikkoutensa. Ensimmäinen kartta (kuva 5) ei kerro katsojalle magnitudin tarkempia alueellisia arvoja, joka voisi toisaalta olla hyödyllistäkin, jos esim. haluttaisiin arvioida vain yleisemmin voimakkuuden yhteyttä tsunamin esiintyvyyteen. Toiseksi viimeiseksi tehty kartta puolestaan antaa magnitudiarvojen erojen vertailuun mahdollisuuden keltaisen eri värisävyjen ansiosta, mutta samalla kartan luenta vaikeutuu jonkin verran, koska erillisiä valööriasteita ja niiden eroja on hiukan vaikeampi yrittää havaita kokonaisuudessaan koko kartan alueelta (kuva 6). Viimeisin kartta erottelee yli 6.0 magnitudin arvoja ympyröiden eri muodoilla ja on siksi ehkäpä edelliseen verrattuna helpommin luettava (kuva 7). Toisaalta viimeisen kartan heikkoutena voidaan pitää sitä, että eri kokoerot (varsinkin isot) menevät entistä helpommin ja näkyvämmin toistensa päälle, joka tekee kokonaiskuvasta tällöin osittain sotkuisen. Kummankin viimeisen tsunamikartan kohdalla voi silti todeta, että mahdollisuus magnitudiarvojen vertailuun ja niiden yhteydestä tsunamiin tekee alueellisesta tarkastelusta huomattavasti mielenkiintoisempaa.

Kuva 5. Maailmankartta, jossa esitetty viimeisen sadan vuoden aikana (1921-2021) tapahtuneet tsunamit ja voimakkuudeltaan vähintään 6.0 maanjäristykset. Lähteet: NOOA 2021; USGS 2021.

Kuva 6. Maailmankartta, jossa esitetty viimeisen sadan vuoden aikana (1921-2021) tapahtuneet tsunamit ja voimakkuudeltaan vähintään 6.0 maanjäristykset. Magnitudiarvot eroteltu keltaisen eri sävyillä. Lähteet: NOOA 2021; USGS 2021.

Kuva 7. Maailmankartta, jossa esitetty viimeisen sadan vuoden aikana (1921-2021) tapahtuneet tsunamit ja voimakkuudeltaan vähintään 6.0 maanjäristykset. Magnitudiarvot eroteltu eri kokoisilla ympyröillä. Lähteet: NOOA 2021; USGS 2021.

Kaikki tehdyt kartat sisältävät myös mielestäni onnistuneita (kartografisia) valintoja, jotka helpottavat ilmiöiden  esittämistä. Hyvä valinta oli esimerkiksi merkata tulivuoret, maanjäristykset ja tsunamit kaikki erilaisin symbolein. Toinen vaihtoehto olisi ollut esittää kaikki pisteinä. Sen sijaan nyt tulivuoret on esitetty kolmioina ja tsunamit tähdillä. Näistä molemmat erottuivat selvästi maanjäristyksistä, jotka esitin perinteisin pistein. Lisäksi valitsemani symbolit kullekin hasardille olivat onnistuneet, sillä esimerkiksi kolmioilla usein esitetäänkin kartoilla vuoria ja korkeita kohtia. Samoin tsunameille valittu tähti oli kohtuullisen hyvä symboli kuvaamaan hasardin tapahtumapaikkaa. Myös värivalinnat (oranssi ja punainen) jokaiselle esitetylle ilmiölle oli mielestäni onnistuneet ja ilmiöitä selvästi kuvaavat. Muutkin kurssilaiset, kuten Pikkarainen, Puodinketo ja Salmensuu olivat käyttäneet ilmiöiden esittämisessä muitakin symboleja kuin pisteitä (Pikkarainen 2021; Puodinketo 2021; Salmensuu 2021). Huomasin esimerkiksi Väisäsen esittäneen maanjäristyksiä (salmiakki) ruuduin (Väisänen 2021). Loo oli taas puolestaan esittänyt tsunameja vinoilla kolmioilla (Loo 2021).

Väisänen oli myös pohtinut blogissaan pohjoisnuolen merkitystä maailmankartoissa. Hän oli tullut siihen tulokseen, että parempi (ja mahdollisesti ehkä toisaalta myös riski) valinta oli jättää pohjoisnuoli kartoista pois (Väisänen 2021). Itse tein myös näin, eli jätin jokaisesta kartastani pohjoisnuolen pois, tosin aivan tietoisesti ja tarkoituksella. Joku kanssaopiskelija oli nimittäin juuri kysynyt sekä pohjoisnuolesta että mittakaavan sijoittamisesta maailmankarttoihin juuri tämän viikon kurssikerralla. Opettaja olikin vastannut, että kyseisiä elementtejä ei tarvitse tässä tapauksessa välttämättä laittaa kartalle. Etenkin mittakaava olisi ollut peräti ongelmallinen (eli jätin ehdottomasti pois), sillä maailmankartassa jokainen maa on kuitenkin tietyllä tavalla hiukan eri suhteessa kuvattu. Tässä tapauksessa siis esimerkiksi pohjaruudukon käyttäminen olisi ollut parempi, joka olisi antanut kuvan kartassa käytetystä projektiosta.

Pohdin lisäksi jonkin verran opettajan näkökulmasta, että miten vaikeita esitettävät ilmiöt mahdollisesti ovat oppilaille. Esimerkiksi lukiolaisilla on selvästi parempi tietämystaso kuin yläasteikäisillä, etenkin siis jos on opiskellut maantieteen kursseja enemmänkin. Näin ollen kartoilla voisikin lukiolaisille esittää jo vähän haastavampia aiheita ja kartoissa saisi olla myös informatiivisuutta mahdollisesti enemmän. Sen sijaan yläasteikäisille valitsisin selvästi yksinkertaistetut kartat juuri sen mukaan, mikä on esitettävä aihe. Samoin koin hyödylliseksi Innasen tavoin esittää kartoissa otsikon, koska kyseessä oli kuitenkin opetuskäyttöön tarkoitetut kartat ja täten otsikko lisäsi esimerkiksi karttojen informatiivisuutta (Innanen 2021). Lisäksi usealle yläasteikäisille saattaisi olla vielä esimerkiksi käsite Richerin asteikko täysin vieras. Tästä syystä valitsinkin legendaan voimakkuuden kuvaamiseen sanan magnitudi kuin Richerin asteikko. Toisin sanoen karttojen tekoon vaikuttaa mielestäni hyvin paljon se, minkä ikäisille oppilaille karttoja on tekemässä ja mikä on näiden oppilaiden tietämystaso.

Karttojen monikäyttöisyys opetuksessa

Kartoillani voisi samalla havainnollistaa esimerkiksi maapallon laattatektoniikan esiintymistä. Laattatektoniikka selittääkin esimerkiksi usean tulivuoren sijoittumista ja maanjäristysten syntyä. Niin litosfäärilaatoista kuin yleisesti maan laattatektoniikasta löytyikin paljon ilmiötä kuvaavia karttakuvia ja tavallisia kuvia internetistä. Internetistä haettuja kuvia ja karttakuvia voisikin hyödyntää opetuksen tukena. Opettajana voisin esimerkiksi yhdessä oppilaiden kanssa vertailla saamiani karttatuotoksia internetin kuva-aiheisiin. Alla listattuna muutamia hyödyllisiä linkkejä, joissa on kuvia laattatektoniikka -aiheeseen liittyen.

Englanniksi:

https://www.geolsoc.org.uk/Plate-Tectonics/Chap2-What-is-a-Plate

https://www.learner.org/wp-content/interactive/dynamicearth/tectonicsmap/index.html

https://www.nationalgeographic.org/encyclopedia/lithosphere/8th-grade/

Suomeksi:

https://www.geologia.fi/2018/05/20/laattatektoniikka/

https://www.seismo.helsinki.fi/pdf/Maatarinaa.pdf

Lisäksi päätinkin tehdä vielä muutaman kartan, joissa esitetty etenkin Maapallon litosfäärilaattojen sijoittumista. Ensimmäisessä kartassa on esitetty pelkät litosfäärilaatat (kuva 8), seuraavassa puolestaan litosfäärilaatat ja tsunamien sijoittuminen (kuva 9). Kolmannessa kartassa on esitetty vielä kerrostulivuoret ja litosfäärilaatat (kuva 10). Ensimmäisen kartan on tarkoitus toimia lähinnä hyvin yksinkertaisena informatiivisena karttana, jossa näkyy selvästi litosfäärilaattojen rajat. Toisen kartan tarkoitus on taas osoittaa hiukan sitä, miksi usein puhutaan tsunamien ja litosfäärilaattojen yhteydestä. Kolmanteen karttaan sain idean Turpeiselta, joka oli omalla kartallaan myös visualisoinut kerrostulivuoria ja litosfäärilaattoja (Turpeinen 2021). Turpeisen, mutta myös mm. Silvennoisen blogissa oli lisäksi mainittu Github.com -sivusto, josta litosfäärilaatat löytyisivät, mikäli ne haluaisi itse myös esittää kartalla (Fraxen/tectonicplates 2021; Silvennoinen 2021; Turpeinen 2021). Kolmas kartta kuvaakin hyvin sen, miten etenkin moni kerrostulivuorista sijoittuu juuri litosfäärilaattojen kohdille.

Kuva 8. Kartalla esitetty maapallon litosfäärilaattojen sijoittuminen. Lähteet: Github.com 2021; Natural Earth 2021.

Kuva 9. Kartalla esitetty maapallon litosfäärilaatat ja vuosina 1921-2021 tapahtuneet tsunamit. Lähteet: Github.com 2021; Natural Earth 2021; NOOA 2021.

Kuva 10. Kartalla esitetty maapallon litosfäärilaatat ja kerrostulivuorten sijainnit. Lähteet: Github.com 2021; Natural Earth 2021; NOOA 2021.

Loppupäätelmät kurssikerrasta

Kuudes kurssikerta oli erittäin monipuolinen ja oli kivaa päästä itse kerämään paikkatietoa. Pisteiden keruu havainnollisti ja konkretisoi todella hyvin sen, miten paikkatietoa voi esimerkiksi tuottaa itse. Varsinaiset kurssikerran itsenäistehtävätkin tuntuivat miellyttäviltä tehdä, ja ne toivat uutta pohdittavaa karttojen tekoon, sillä nyt kohderyhmä esitettäville kartoille oli tarkasti rajattu.

Karttojeni lopputulokset olivat melko onnistuneet. Mielestäni tekemäni kartat soveltuisivat hyvin opetuskäyttöön, sillä ne ovat tarpeeksi informatiiviset ja selkeät. Esimerkiksi maailmankartan värivalinnaksi tai karttapohjaksi olisin voinut voinut valita tyystin jonkin toisen käyttämäni värillisen sijaan. Itse asiassa testasin mm. mustaa maailmankarttapohjaa, mutta se ei ollut mielestäni opetuskäyttöön riittävän soveltuva. Kartta oli ehdottomasti tyylikäs mustapohjaisena, mutta maantieteen opetuksessa (peruskoulussa tai lukiossa) olisi ehkä mielestäni parempi kuitenkin käyttää noita värillisiä ja “perinteisiä” karttapohjia. Perinteisten värikarttojen etuna mm. on, että mantereet ja meret erottuvat selvästi. Kolmeen viimeiseen litosfäärilaattoja esittävään karttaan lisäsin myös vielä lopuksi napapiirien ja kääntöpiirien rajat. Oikeastaan löysin kyseisten rajojen tiedoston netistä jo aikaisemmin, mutta arastelin ensimmäisissä magnitudikartoissani (kuvat 1-7) käyttää näitä, jottei kokonaisuudesta tulisi liian sotkuisen näköinen. Litosfäärilaattojen kohdalla (kuvat 8-10) rohkaistuin kuitenkin lopulta esittämään nuo napa- ja kääntöpiirit, kun totesin Turpeisen blogista näiden toimivan kartalla oikeastaan ihan hyvin (Turpeinen 2021). Mielestäni karttojen infomatiivisuus lisääntyi napapiirien ja kääntöpiirien ansiosta, mutta en koe niiden olleen kuitenkaan välttämättömiä esittää tällä kertaa, vaikkakin kartat olisivat opetuskäyttöön. Napapiirien ja kääntöpiireissä olisin nimittäin henkilökohtaisesti kaivannut vielä esimerkiksi selitystä jokaiselle viivalle (esim. pienellä tekstillä kartan sivuun jokaisen viivan yläpuolelle), koska nyt tietämätön voi ihmetellä vain “kartan poikki kulkevia” tasaviivoja.

Vaikka kurssikerran itsenäistehtävä olikin miellyttävä, ei haasteilta vältytty tälläkään kertaa. Kipuilin pitkään esimerkiksi datan tuomisessa QGIS:iin (ongelma vain USGS aineiston tuomisen kanssa), ennen kuin ymmärsin, että kyseinen aineisto kannatti tuoda tekstimuodossa. Samoin minulla rehellisesti kesti todella pitkään tehdä karttojani (tosin tämä jo tyypillistä). Hyvä puoli kurssikerran karttojen teossa oli, että opin tietysti paljon uutta ja lisäksi tulin myös pohtineeksi karttojen tekoa jälleen kerran hyvin paljon.

 

LÄHTEET

Downloads. (2021). Natural Earth. https://www.naturalearthdata.com (Viitattu: 24.03.2021.)

Fraxen/tectonicplates. (2021). Github.com. https://github.com/fraxen/tectonicplates (Viitattu: 24.03.2021.)

Hazard Vlolcano Location Search. (2021). National Oceanic and Atmospheric Administration (NOOA). USA, 2021. https://www.ngdc.noaa.gov/nndc/struts/form?t=102557&s=5&d=5 (Viitattu: 26.02.2021.)

Innanen, A. (2021). Annikan GIS-blogi. https://blogs.helsinki.fi/anninnan/ (Viitattu: 26.02.2021.)

Kurssimateriaali, kerta 6 (2021). Geoinformatiikan menetelmät 1. Helsingin yliopisto.

Laattatektoniikka. (2018). Geologia.fi. https://www.geologia.fi/2018/05/20/laattatektoniikka/ (Viitattu: 26.02.2021.)

Lithosphere. (2021). National geographic. https://www.nationalgeographic.org/encyclopedia/lithosphere/8th-grade/ (Viitattu: 26.02.2021.)

Loo, J. (2021). joloo´s blog. https://blogs.helsinki.fi/joloo/ (Viitattu: 24.03.2021.)

Miksi maapallolla tärisee?. (2005). Dimensio. https://www.seismo.helsinki.fi/pdf/Maatarinaa.pdf (Viitattu: 26.02.2021.)

Pikkarainen, P. (2021). Pinjan blogi (maa-202). https://blogs.helsinki.fi/pinjapik/ (Viitattu: 26.02.2021.)

Plate Tectonics. (2021). The Geological Society. https://www.geolsoc.org.uk/Plate-Tectonics/Chap2-What-is-a-Plate (Viitattu: 26.02.2021.)

Plates & Boundaries. (2021). leaner.org. https://www.learner.org/wp-content/interactive/dynamicearth/tectonicsmap/index.html (Viitattu: 26.02.2021.)

Puodinketo, L. (2021). Lotan blogi. https://blogs.helsinki.fi/lottapuo/ (Viitattu: 26.02.2021.)

Salmensuu, A. (2021). salmeama´s blog. https://blogs.helsinki.fi/salmeama/ (Viitattu: 26.02.2021.)

Search Earthquake Catalog. (2021). USGS. USA, 2021. https://earthquake.usgs.gov/earthquakes/search/ (Viitattu: 26.02.2021.)

Silvennoinen, L. (2021). Laurin hieno GEM 2021-blogi :). https://blogs.helsinki.fi/laurisil/ (Viitattu: 24.03.2021.)

Turpeinen, T. (2021). Tapion kurssiblogi. https://blogs.helsinki.fi/tapiotur/ (Viitattu: 24.03.2021.)

Turunen, I. (2021). Iiriksen GIS-blogi. https://blogs.helsinki.fi/iiristur/ (Viitattu: 26.02.2021.)

Väisäinen, V. (2021). Villen GIS-blogi. https://blogs.helsinki.fi/villvais/ (Viitattu: 26.02.2021.)

Kurssikerta 5

Todellinen QGIS osaaminen testissä

Kurssikerran tavoitteet

Viidennellä kurssikerralla harjoiteltiin bufferointia ja analyysien tekoja QGIS:llä. Varsinaisiin oppimistavoitteisiin kuului QGIS:in piirtotyökalujen ja -logiikan tutuksi teko (kertausta), laskeminen kohteiden avulla, bufferointitoiminnon hyötykäyttö lukumäärien ja etäisyyksien laskemisessa sekä lyhyimmän etäisyyden määrittäminen. Kurssikerralla käytiin alkuun yhteisesti läpi muutamia uusia ja tärkeitä asioita, joita tarvittiin myöhemmin itsenäistehtävien ratkaisussa. Kurssikerran varsinaisesta opetusajasta reilu puolet suoritettiin käytännössä yksin itsenäistehtävien parissa. Itsenäistehtävissä täytyi osata käyttää hyödyksi sekä tällä viidennellä kurssikerralla opittujen asioiden lisäksi myös edellisten kertojen aiheita, mutta hiukan soveltaen. Itsenäistehtävien osittainen tarkoitus oli testata omaa osaamista ja QGIS:in ymmärtämystä. Tällä kurssikerralla ei välttämättä ollut tarkoitus tuottaa blogiin uutta karttaesitystä, jollei sitten valinnut itsenäistehtävästä 3 joko saunoihin ja uima-altaisiin tai putkiremontteihin liittyvää tehtävää (vapaavalintainen). Tämän blogimerkinnän tarkoituksena onkin käsitellä ja pohtia sanallisesti itsenäistehtävien suorittamiseen liittyviä ongelmia ja oivalluksia.

Itsenäistehtävien teko

Itsenäistehtävien tarkoitus oli tarjota analyysityökaluja ja kannustaa etsimään myös itse erilaisia reittejä ongelmanratkaisuun. Oikeita vastauksia tärkeämpää oli täten siis osoittaa, että on ymmärtänyt mitä on tehnyt. Osa itsenäistehtävistä, etenkin ensimmäiset lentokenttiin liittyvät tehtävät, tuntuivat melko helpolta suorittaa. Myöskään asemiin liittyvissä tehtävissä en kokenut suurempia vaikeuksia. Taajamia koskevat kysymykset sen sijaan aiheuttivat jo enemmän ongelmia. Pohdin tehtävien ratkaisuja todella pitkään ja suoritin samoja toimintoja QGIS:llä moneen kertaan (turhaankin). Varsinaisesti ongelmani keskittyivät enemmän tehtävistä saatuihin lukumääriin. Sain siis silti laskettua esimerkiksi kaikki tarvittavat prosenttilaskut ja vastaukset vaikuttivat jotenkin ensialkuun loogisilta. Tarkastellessani kuitenkin esimerkiksi Harmosen, Jantusen ja Puodinkedon blogeja, huomasin heidän vastausten poikkeavan täysin omistani (Harmonen 2021; Jantunen 2021; Puodinketo 2021). Tämä oli todella hämmentävää, koska noudatin mielestäni kurssilla neuvottuja oppeja oikein (mm. Select by location ja sitten Statistics -paneelista selected features only). Tosin Leinolla näytti olevan melko samanlaisia vastauksia monessakin kohtaa, ja hänen vastauksistaan viimein ymmärsin, että olin koko ajan  katsonut Statistics -paneelista vain valittujen pisteiden yhteismäärää enkä pisteiden sisäisten lukujen yhteenlaskettua määrää (Leino 2021). Suuri kiitos siis Leinolle! Uskon vastausten pienten erojen johtuneen opiskelijoiden välillä etenkin siitä, oliko esim. leikannut ylimääräiset kartan ulkopuoliset kohteet pois (Intersection) tai miten tarkkaan oli piirtänyt lentokenttien kiitoradat. Valitsin tehtävästä 3 kouluja käsittelevän aiheen. Edellisten taajamatehtävien ongelmien jälkeen nämä tuntuivat paljon helpommalta ratkaista. Tosin tässäkin huomasin tehtävien teon jälkeen saaneeni hiukan muista opiskelutovereistani poikkevia vastauksia, lukuunottamatta Puodinketoa, jolla oli melkein tismalleen samat vastaukset kyseisessä tehtävässä (Puodinketo 2021). Tässä tehtävässä arvelen pienimpien erojen johtuvan lähinnä esimerkiksi siitä, minkä ikäluokan on katsonut kuuluvan (seuraavana vuonna) ylä-asteikäisiin. Itse arvioin kyseiseen luokkaan kuuluvan 12-15-vuotiaat nuoret. Kaikkien tehtävien vastaukset on liitetty alle (tehtävät taulukoituna pdf-tiedostossa):

Kurssikerran 5 harjoitustehtävät

QGIS osaamiseeni

Tämänhetkisen paikkatieto-osaamiseni perusteella QGIS:in keskeisimmät työkalut, joiden käytön hallitsen joko auttavasti tai hyvin, on mm. Field Calculator, Select by location (tai melkein mikä vain Select by…), Export, Buffer, Create Grid, Add Feature, New Print layout (tulosteikkuna, jossa suoritetaan karttojen viimeistely), Contour, Hillshade, Statistics -paneeli, Add Geometry Attributes, Toggle Editing, Add Layer (Vector, Raster, WMS/WMTS, Delimited Text), Create Layer, ja Measure Line. Mainitsemani työkalut soveltuvat mielestäni hyvin juuri perustietokantojen tutkimiseen ja analysointiin, kuten: tiedostojen lisäämiseen, laskutoimituksiin, uusien attribuuttitietojen luomiseen vanhoihin tietokantoihin ja asioiden mittaamiseen kartalla. Lisäksi pystyn hyödyntämään työkaluja jos haluan esim. valita tiettyjä asioita eri karttakerroksista (layer) ilman tietokantojen yhdistystä tai sitten suoraa yhdistää tietokantoja toisiinsa. Ruutujen avulla voin tehdä ruututeemakarttoja, ja esimerkiksi korkeuskäyrien ja rinnevarjostuksen avulla voin helposti tarkastella alueiden korkeusvaihteluita. Field calculatoria käyttämällä pystyn selvittämään tietokannasta suhteellisen monia tietoja laskutoimituksin. Statistics -paneeli on hyödyllinen puolestaan siinä vaiheessa, kun tarkoituksena on esim. tarkastella Select by location -toiminnolla valittujen kohteiden määriä. Jos taas haluan tallentaa esimerkiksi oman erotellun tietokannan vaikkapa näistä valituista kohteista, se onnistuu Export -toiminnolla.

Uusia analyysimenetelmiä, joita opin viidennellä kurssikerralla, olivat etenkin bufferointi ja Intersection -toiminto. Bufferointi auttaa siinä, jos haluan selvittää tai tutkia mm. etäisyyksiä tai miten paljon joitain tiettyjä kohteita bufferoidun alueen lähellä on. Intersection -toiminnolla pystyn karsimaan ”epäolennaiset tai ylimääräiset” kohteet esimerkiksi kartalta (myös Clip -toiminto kätevä). Niin bufferointityökalu kuin Intersection olivat todella helppo käyttöisiä. Itsenäistehtävien teossa Join attributes by location (Join attributes by location (summary) entuudestaan tutumpi) tuli myös tutummaksi. Lisäksi vahvistin osaamistani siinä, miten hakea ja mahdollisesti vielä erotella joitain tiettyjä kohteita (suurestakin) tietokannasta valintatyökaluja hyödyksi käyttäen.

Monista kokeilluista ja kurssin aikana tutuksi tulleista työkaluista helpoiten osaan ehkä kuitenkin käyttää vain niistä kaikista yksinkertaisempia (omasta mielestä). Toisin sanoen sujuvammin työskentelen melko yksinkertaisilla perustyökaluilla, kuten mm. Field Calculator, Select by location, Export, Buffer, Create Grid ja Add Feature (polygonien, viivojen tai pisteiden luominen). Parhaiten osaan käyttää mielestäni tulosteikkunaa (New Printout layout), ja pidänkin karttojen visualisoinnista erittäin paljon!

Kaikesta opitusta huolimatta myös hankaluuksia on riittänyt paljon. Useaan kertaan on tullut huomattua, että jokin yksinkertaiselta vaikuttava asia ei mene jostain syystä niin kuin sen ajatteli ja toivoi menevän. Esimerkiksi tietokantojen yhdistäminen on tuottanut monesti suuria hankaluuksia. Myös asioiden esittäminen kartalla ei ole aina onnistunut. Esimerkiksi kurssikerran 3 tehtävässä kohtasin ongelman sekä itse tietokantojen liitossa että diagrammien visualisoinnissa (jotka onnistuin myös lopulta ratkaisemaan!). Koen tarvitsevani ehdottomasti lisäharjoitusta perusharjoituksissa, mutta myös soveltavammissa tehtävissä. Kurssin aikana on tullut hyvin selväksi, että toisto on avainsana oikeastaan kaikkeen tekemiseen. Vaikka siis olenkin ehdottomasti rutinoitunut jo joidenkin työkalujen käytön suhteen (niiden helppojen), en koe kertausta koskaan pahitteeksi.

Bufferoinnin monipuolisuus

Bufferointia voisi hyödyntää kurssilla esille tulleiden asioiden lisäksi suojavyöhykkeiden tekemiseen. Suojavyöhykkeellä tarkoitetaan rakennetun alueen ja vesistön tai pellon välistä viljelemätöntä, pysyvän kasvillisuuden peittämää vyöhykettä tai kaistaa. Suojavyöhyke tulisi tehdä etenkin sortumaherkkien, kaltevien, herkästi tulvivien tai vettyvien peltojen läpi virtaavan vesistön tai valtaojan varteen. Ympäristötuki edellyttää kolmen metrin levyisiä suojakaistoja purovesistöjen varrelle (Suojakaistat ja -vyöhykkeet 2014).

Bufferointia pystyisi mahdollisesti käyttää laajemminkin ympäristönsuunnitteluun, kuten suojelualueiden tekemiseen tai ekologisten käytävien tutkimiseen (mm. riittävän kokoiset metsävyöhykkeet). Samoin bufferointi saattaisi olla hyödyllinen kaupunkisuunnittelussa, eli miten lähelle kannattaisi sijoittaa vaikkapa tärkeitä palveluita, kouluja ja työpaikkoja yms. Bufferointia voisi myös soveltaa esimerkiksi maanjäristysriskien kartoittamisessa tai vaikka Korven mainitsemassa marja-alueiden kartoituksessa (Korpi 2021).

Jotta QGIS:llä voisi ratkaista minkään tasoista ongelmaa, olisi käyttäjän hyvä olla perehtynyt keskeisimpiin paikkatietoon liittyviin asioihin edes jonkin verran. Merkittävimpiin tekijöihin kuuluu käyttäjän oman kokemuksen ja tiedon lisäksi se, millaista aineistoa on käytettävissä, eli onko aineistoa riittävästi tutkimukseen ja pystytäänkö siitä selvittämään haluttuja asioita. QGIS:llä on varmasti myös omat heikkoutensa paikkatieto-ohjelmanakin siinä, millaisia ongelmia sen avulla voitaisiin ratkaista. QGIS tarjoaa lukuisia analysointityökaluja ja ominaisuuksia, mikä on tietysti vahvuus ongelmien ratkaisussa. Toisaalta kyseisen paikkatieto-ohjelman kanssa voitaisiin samalla kyseenalaistaa se, onko analysointityökaluja ja ominaisuuksia mahdollisesti jo liikaakin tarjolla, ja tekeekö se ohjelmasta paikoitellen hiukan liian sekavan käyttää?

Myös analyysin reunaehdot asettuvat vahvasti edellä mainittujen tekijöiden mukaan. Esimerkiksi kokematon paikkatieto-ohjelman käyttäjä ei pysty suorittamaan mahdollisesti haluttua analyysiä ollenkaan. Annika totesikin blogissaan paikkatieto -ohjelman käyttäjän olevan monesti suurin rajoite analyysejä tehdessä (Innanen 2021).

Yhteenvetoa opitusta

Vaikkei viidennellä kurssikerralla täytynyt tuottaa karttaesitystä, niin tehtävien suorittaminen ei ollut yhtään sen nopeampaa. Tehtävien suorittaminen on todellisuudessa tuntunut paikoitellen melkein ylitsepääsemättömän vaikealta. Tosin olen päässyt näiden haasteiden yli (jotenkin edes) ja ne ovat opettaneet samalla paljon. Lisäksi on tuntunut erityisen hyvältä, kun vaikeuksien jälkeen on lopulta saanut tehtävän ratkaistua. Ongelmista huolimatta koen hallitsevani jo suhteellisen hyvin myös monia perusasioita, kuten esim. ruututeemakartan, kloropleettikartan, korkeuskäyrien tai rinnevarjostuksen teon. Osaisin jopa hiukan soveltaa oppimiani tietoja ja käyttää näitä hyödyksi arkisemmissakin asioissa, kuten esimerkiksi jos haluaisin vaikkapa selvittää asuinalueeni ruokakaupat 2 km säteeltä kodistani.

Kuten muissakin edeltävissä kurssikerroissa, sain tosiaan silti kokea hetkittäisiä onnistumisiakin. Vaikka en mahdollisesti onnistunut saamaan oikeita vastauksia aivan jokaisesta tehtävästä, niin yritin niitä oikeasti pitkään ja useaan kertaan. Paneuduin tehtävien tekoon ja yritin suorittaa ne erittäin huolellisesti. Kurssikerran tehtävät opettivat jälleen QGIS:n käytöstä, jonka lisäksi sain syvennettyä ja vahvistettua osaamistani paikkatieto-aineistojen analyysien teossa.

 

LÄHTEET

Harmonen, R. (2021). Roosa Harmonen. https://blogs.helsinki.fi/harmoroo/ (Viitattu: 23.02.2021.)

Innanen, A. (2021). Annikan GIS-blogi. https://blogs.helsinki.fi/anninnan/ (Viitattu: 23.02.2021.)

Jantunen, S. (2021). Sannan blogi. https://blogs.helsinki.fi/smjantun/ (Viitattu: 23.02.2021.)

Korpi, S. (2021). sakorpi´s blog. https://blogs.helsinki.fi/sakorpi/ (Viitattu: 23.02.2021.)

Kurssimateriaali, kerta 5 (2021). Geoinformatiikan menetelmät 1. Helsingin yliopisto.

Leino, I. (2021). Ilarin Maantiedotusblogi. https://blogs.helsinki.fi/ilarilei/ (Viitattu: 23.02.2021.)

Suojakaistat ja vyöhykkeet (2014). Ympäristöhallinto, Helsinki. 18.12.2014. (Päivitetty: 07.01.2020.) https://www.ymparisto.fi/fi-fi/vesi/vesien_kaytto/maankuivatus_ja_ojitus/luonnonmukainen_peruskuivatus/Suojakaistat_ja_vyohykkeet (23.02.2021.)

Kurssikerta 4

Ruututeema- ja rasterikartta -molemmissa ruutuja, mutta hiukan eri tavoin

Kurssikerran tavoitteet ja tehtävät

Kurssikerralla käsiteltiin ruutuja ja rasterikarttoja sekä kartta-aineiston tuottamista piirtämällä. Oppimistavotteisiin kuuluivat ruutukarttojen tekeminen ja tiedon esittäminen, uuden tiedon tuottaminen tietokantaan maantieteellisiä kohteita hyödyntämällä, rasteriaineistojen kanssa operoiminen, piirtäminen QGIS:ssä rasterikartan avulla ja pistemuotoisiin aineistoihin tutustuminen. Kurssikerran alkupuolella kävimme läpi ruutukarttoja sekä niihin liittyviä analyysejä, kun taas loppupuoli keskityttiin rasteriaineistojen kanssa toimimiseen ja harjoiteltiin esimerkiksi korkeuskäyrien tekoa QGIS:llä. Kurssikerran lopulla aloitettiin myös uusien tietokantojen (talot ja tiet) luomista Pornaisten karttapohjalle, jota hyödynnetään myös kurssikerralla 5. Kurssikerran kotitehtävä liittyi ruutukartan tekoon ja siihen itse valitun teeman tulkintaan.

Ruututeemakartan tekeminen ja itsenäinen harjoitustehtävä

Ruudukon luominen QGIS:ssä ei itsessään pitänyt olla kovin vaikea prosessi. Itselläni tuli kuitenkin muutamia hankaluuksia vastaan, kun en saanut tallennettua jo luotuja, mutta vain väliaikaisia, karttalehtiä pysyviksi. Ongelma liittyi siihen, että en onnistunut suorittamaan/valitsemaan kaikkia haluamiani toimintoja QGIS:llä tietokoneeni kosketuslevyn avulla (mm. Export -toiminnon valinta ei onnistu). Olen kärsinyt samasta ongelmasta ennenkin (kurssikerta 2). Yritinkin kurssikerran aikana nopeasti keksiä ongelmalleni jonkin ”kiertotien” opettajan neuvoessa samanaikaisesti jo seuraavia tehtäviä. Kaikesta huolimatta onnistuin saamaan aikaiseksi kaikki tarvittavat sen hetkiset tehtävät, ja kurssikerran itsenäistä kotiharjoitustehtävää suorittaessa sain viimein kauan kaipaamani hiiren tietokoneelleni. Käytin vielä kurssikerran jälkeen useita tunteja aikaa pelkästään perehtyen uudestaan esimerkiksi ruutukarttojen tekoon, sillä halusin oikeasti ymmärtää syvällisemmin näitä opetettuja asioita.

Tein siis alusta alkaen jokaisen toimenpiteen mitä harjoitustehtävän ruututeemakartta vaati. Valitsin ruutukooksi ensin 1 km x 1 km, sillä se vaikutti riittävän hyvältä kuvaamaan esitettävää ilmiötä (kuva 4). Epäilyksenäni oli, että esim. vaihtoehtoinen 250 m x 250 m olisi ollut hiukan turhan pieni, jolloin ilmiön tarkastelusta olisi tullut jonkin verran vaivalloisempaa. Siksi päätin alkuun tehdä kartat tuolla isommalla ruutukoolla. Myös esimerkiksi Jalonen oli valinnut kartoillensa 1 km x 1 km ruutukoon ( Jalonen 2021). Useampi kanssaopiskelija, kuten Innanen, Puodinketo, Savolainen ja Salmensuu näyttivät kuitenkin valinneen jopa 250 m x 250 m ruutukokoja kartoillensa (Innanen 2021; Puodinketo 2021; Salmensuu 2021; Savolainen 2021). Päätinkin lopulta rohkaistua kokeilemaan 1 km x 1 km ja 250 m x 250 m ruutukoon väliltä 500 m x 500 m kokoa (kuvat 1-3), vaikkei se esimerkiksi Tilastokeskuksen Tilastoteemakartat -sivuston mukaan ole ruututeemakartalle vakiintunut ruutukoko (Tilastoteemakartat 2021). Valmiista kartoista huomasi, että esitetty ilmiö näyttäytyikin loppujen lopuksi vielä riittävän selvänä ja olin ihan tyytyväinen valitsemaani ruutukokoon tällä kertaa. Pienempi ruutukoko antoi tarkemman kuvan alueellisista eroista esitettävän ilmiön suhteen. Valittu 1 km x 1 km sen sijaan yleisti esitettävää ilmiötä selvästi enemmän 500 m x 500 m ruutukokoon nähden. Tärkeä huomio, joka tuli tehtyä ruutukokojen vertailussa oli se, että ruutukoon valinta riippuu pitkälti tutkittavan ilmiön luonteesta.

Innostuin kokeilemaan ruutukarttoja eri teemoilla. En halunnut valita suoraan esimerkiksi asukkaiden keskiarvoa alueittain, vaan haluisin päästä myös laskemaan jotain muuttujia. Myös tietynlaiset selvät ikäryhmäerot, kuten iäkkäimpien ja täysi-ikäisten välillä, vaikuttivat kiinnostavalta tutkimuskohteelta. Siksi valitsin 18-vuotiaiden asukkaiden osuuden kaikkiin asukkaisiin nähden, yli 85-vuotiaiden asukkaiden osuuden kaikkiin asukkaisiin nähden ja yli 65-vuotiaiden asukkaiden osuuden kaikkiin asukkaisiin nähden (kuvat 2-4). Viimeisemmäksi mainitussa tarkoitus oli selvittää iäkkäimpien ihmisten osuuksia laajemmalta ikäskaalalta, vaikka kyseisen teeman luominen vaati hiukan enemmän yhteenlaskua. Lisäksi laskin samalla jokaiselle teemalle prosenttiosuudet, sillä mielestäni prosenttierojen tarkastelu oli lopulliselta kartalta miellyttävämpää.

Kuva 1. Ruututeemakartta, jossa valittuna ruutukokona  500 m x 500 m. Kartalla esitetty pääkaupunkiseudun 18-vuotiaiden osuus kaikista asukkaista prosentteina. Tiedot vuodelta 2015. Lähde: Kurssikerran 4 materiaali.

Kuva 2. Ruututeemakartta, jossa valittuna ruutukokona  500 m x 500 m. Kartalla esitetty pääkaupunkiseudun yli 85-vuotiaiden osuus kaikista asukkaista prosentteina. Tiedot vuodelta 2015. Lähde: Kurssikerran 4 materiaali.

Kuva 3. Ruututeemakartta, jossa valittuna ruutukokona  500 m x 500 m. Kartalla esitetty pääkaupunkiseudun yli 65-vuotiaiden osuus kaikista asukkaista prosentteina. Tiedot vuodelta 2015. Lähde: Kurssikerran 4 materiaali.

Kuva 4. Ruututeemakartta, jossa valittuna ruutukokona 1 km x 1 km. Kartalla esitetty pääkaupunkiseudun yli 85-vuotiaiden osuus kaikista asukkaista prosentteina. Tiedot vuodelta 2015. Kartta toimi vertailukohtana ruutukokonsa puolesta muille harjoitustehtävän ruutukartoille. Kartta myös selvempi puuttuvan tiestö-tietokannan vuoksi. Lähde: Kurssikerran 4 materiaali.

Tuotettujen karttojen tulkinta

18-vuotiaiden ja yli 85-vuotiaiden kartoista on nähtävissä, että 18-vuotiaat (kuva 1) ovat levittäytyneet pääkaupunkiseudulle huomattavasti laajemmalle alueelle, kun taas yli 85-vuotiaat (kuva 2) ovat asuttaneet pääkaupunkiseutua enemmän keskitetymmin. Eron huomaa erityisesti kun tarkastelee ja vertaa legendassa esitettyjä prosenttiosuuksia kartalla. 18-vuotiaiden osuus kaikkiin asukkaisiin nähden on suurimmaksi osaksi lähes joka ruudulta 0-1% (toiseksi pienin luokka-arvo), joka kuvastaa sitä, että 18-vuotiaita on pääkaupunkiseudun alueella tasaisen hajanaisesti, mutta hyvin vähän. Puolestaan yli 85-vuotiailla pienin luokka-arvo ( 0-1%) esiintyy kartalla laajemmin kuin 18-vuotiailla, ja sen sijaan suuremmat luokka-arvot ovat kartalla ilmeisempinä aluekeskittyminä, kuten esimerkiksi lähempänä rannikkoa. Tätä ilmiötä yli 85-vuotiailla selittää varmasti osittain se, että tärkeät palvelut ja muut suuret keskittymät ovat pääkaupunkiseudulla lähempänä rannikkoa, jossa sijaitsee mm. Helsingin keskusta. Sen sijaan 18-vuotiaiden laajempi alueellinen levittäytyminen selittyy varmaankin sillä, että ensinnäkin 18-vuotiaita on jo oletetusti enemmän kuin yli 85-vuotiaita väestöstä (selittää siis hajautuneisuutta, kaikilla ei mahdollisuutta keskittyä asumaan yhdelle alueelle), mutta lisäksi 18-vuotiaat asuvat monesti vielä kotona vanhempien kanssa, ja siksi heidän kotipaikkansa sijoitus pääkaupunkiseudulla voi vaihdella selvästi enemmän kuin 85-vuotiailla. 85-vuotiaat saattavat oletetusti tarvita enemmän tärkeimpien palveluiden läheisyyttä ja lyhyitä kulkuetäisyyksiä, kuin 18-vuotiaat. Viimeisenä tekemäni kartta kuvaa vain yleisemmin iäkkäämpien ihmisten osuuksia kaikista pääkaupunkiseudun asukkaista (kuva 3). Kyseiseltä kartalta on nähtävissä enemmän laajempaa alueellista esiintymistä etenkin keskimmäisissä luokissa (mm. 15-25%), kuin yli 85-vuotiailla. Tämä selittyy sillä, että nyt kuvattu iäkkäämpien ihmisten ikäryhmä on laajempi, eli jo 65-vuotiaista alkaen, jolloin myös asukkaita on kuvattu kartalla luonnollisesti enemmän. Iäkkäiden ihmisten (yli 65-vuotiaat ja yli 85-vuotiaat) alueelliselle jakautumiselle pohdin myös syyksi esimerkiksi hoivakoteja, johon ikäihmiset olisivat keskittyneet asumaan, mutta nopealla pääkaupunkiseudun hoivakotipaikkojen googlettamisella tämä ei syy täysin selittänyt kaikkia mm. rannikon keskittymiä.

Ruutukartassa ruuduittain esitettävät lukuarvot ovat usein absoluuttisia määriä kuvaavia arvoja (Tilastoteemakartat 2021). Ruututeemakartan etuna on, että ruutukartassa kuvattavana alueen tilastotiedot esitetään tasakokoisin ruuduin ja siten niiden keskinäinen vertailu on täten helpompaa. Lisäksi koska karttaesityksessä käytetään tavallisesti vain yhdenkokoisia ruutuja, voidaan absoluuttisia arvoja esittää myös perustellusti. Kuitenkin jos samassa kartassa haluttaisiin esittää lukumäärätietoja erikokoisilla ruuduilla, olisi arvot siinä tapauksessa suhteutettava, jotta ne voisivat olla verrattavissa keskenään (Tilastoteemakartat 2021). Toisaalta ilmiöiden esittäminen yleisemmin voisi toimia joissain tutkimustapauksissa paremmin, jolloin absoluuttisten arvojen esittäminen ei ehkä olisi niin kannattavaa.

Ruututeemakartan informaation oleellinen ero verrattuna esimerkiksi kloropleettikarttaan on, että ruututeemakartalla pystyy esittämään helpommin absoluuttisia arvoja. Ruututeemakartta antaakin siis tarkempaa informaatioita esitetystä ilmiöstä. Samoin ruututeemakartan alueiden, eli ruutujen, vertailu on huomattavasti helpompaa toisiinsa nähden kuin esimerkiksi kloropleettikartassa.

Muihin teemakarttoihin verrattuna ruututeemakartan luotettavuus on melko hyvä. Esimerkiksi viimekerralla (kurssikerta 3) tehty teemakartta, jossa hyödynnetiin kloropleettikarttaa, ei anna yhtä tarkkaa tietoa alueista tai yksityiskohtaisista pienistä vaihteluista alueiden sisällä kuin mitä vastaavasti ruututeemakartta antaisi. Toisaalta täytyy myös huomioida, että ruututeemakartankin teossa voi aina syntyä tahattomia virheitä (mm. esitettävä ilmiö ei kuvaudu oikein kartalle yms.). Lisäksi vääränlaiset ja huolimattomat kartografiset valinnat vähentävät kartan luotettavuutta, oli kyseessä sitten mikä tahansa teemakartta.

Harjoitustehtävän kartat onnistuivat visuaalisesti ihan hyvin. Ruutujen väriksi sopi paremmin yksi väri eri sävyasteineen kuin monta eri väriä (esim. päävärit samassa kartassa vaikeuttavat osittain tulkintaa). Yhden värin eri tummuusasteet helpottivat esitetyn ilmiön tarkastelua kartalta, koska lukijan on helppo havaita, millä alueilla esimerkiksi esitetty asukastiheys kasvaa ja laskee. Tämä johtuu siitä, että useimmille ihmisille syntyy luonnostaan mielikuva siitä, että vaaleammilla alueilla esitetty ilmiö on vähäisempää, kun taas tummemmilla alueilla tuo esitetty ilmiö on voimakkaampaa. Kuten aiemmissa kurssitehtävissä on tullut todettua jo useampaan kertaan, koen yhden värisävyn valööriasteikon kuvaamisen tietyllä tavalla kuitenkin haasteena. Vaadin kartoiltani helppolukuisuutta, enkä siksi halua kartalla esitettyjen värisävyjen olevan kuitenkaan liian lähellä toisiaan. Esimerkiksi mielestäni QGIS antaa välillä automaattisesti eri luokille liian saman sävyiset värit, etenkin siis jos luokkajako on yhtään isompi. Siksi karttojen teossa suuri aikaa vievä asia omalla kohdalla on tuo värisävyjen valinta (lopulta yksitellen) eri luokille.

Olen tehnyt huomion, että mielestäni QGIS antaa luokkien lukuarvot legendaan välillä osittain virheellisesti. On hämmentävää, että ensimmäinen luokkaraja on 0 ja seuraava 0-1 ja sitä seuraava 1-3, koska tavallaan tämä sekoittaa sitä, mihin luokkaan todellisuudessa kuuluvat vaikka arvot 1 (0-1 vai 0-3). Luokkarajojen arvot voisi itse määrittää QGIS:ssä, mutta en ole toisaalta keksinyt vielä varmuudella luotettavaa tapaa esittää noita arvoja toisinkaan.

Lisäsin kurssikerran 4 materiaaleissa valmiina olevan tiestö-tietokannan kaikkiin karttoihini. Tiet lisäsivät kartan informatiivisuutta, sillä nyt karttaa katsova pystyy hahmottamaan suuret päätiet ja arvioimaan asukasjakautumia alueittain myös niiden perusteella. Liian moni elementti teki kartasta vain sotkuisemman oloisen, enkä siksi jättänyt kokeilemiani suur- ja pienalueita ollenkaan kartalle näkyviin. Kartoilla kokeilemani, mutta lopulta poistamani maankäyttö oli myös hiukan turha tässä tapauksessa, vaikka säädin kyseisen karttatason läpinäkyvyyttä vielä alkuperäistä pienemmäksi. Karttaa katsova ei ehkä olisi ymmärtänyt riittävästi esitetyn maankäytön ideaa kartalla, minkä vuoksi kyseisen ilmiö oli parempi jättää pois.

Kartan informatiivisuutta lisäsi myös ruutukartan päälle nostettu järvi- ja jokikarttataso. Lisäksi pääkaupunkiseudun harmaalla värjätty raja-alue oli hyvä jättää kartalle, sillä se auttoi hiukan käsiteltävän teeman sijainnin tarkastelua. Informatiivisuutta lisäsi myös legenda, johon jätin tarkoituksella selityksen esim. merialueesta. Huomasin myös Innasen toimineen näin ja selittäneen karttojensa legendassa muitakin karttaelementtejä kuin vain ruutujen värit (Innanen 2021).

Muutama sana rasterikartoista

Kurssikerta 4 -materiaaleissa oli vielä edellisen ruututeemakartan lisäksi tehtävä rasterikarttoihin liittyen. Tehtävää varten latasin Maanmittauslaitoksen aineistosta peruskarttalehden, joka kuvasi samaa Pornaisten aluetta kuin kurssikerralla yhdessä tutkittu alue. Varsinaisen kurssikerran aikana Pornaisten alueelle laadittiin korkeusmallin perusteella korkeuskäyrät. Laaditut korkeuskäyrät olivat QGIS:ssä vain väliaikaiset karttalehdet, enkä ollut tallentanut niitä aikaisemmin, joten jouduin tekemään nuo korkeuskäyrät uudelleen. Kotitehtävän tarkoituksena oli verrata korkeusmallin perusteella laadittuja korkeuskäyriä 5 metrin välein ja verrata näitä peruskarttalehden käyriin.

Kurssimateriaalin ohjeista ei selvinnyt suoraan, miten peruskarttalehteä ja laadittuja korkeuskäyriä tulisi käytännössä verrata. Mattila ja Turpeinen olivat kuitenkin esimerkiksi kaikessa yksinkertaisuudessaan vertailleet näitä kahden eri kuvan avulla (Mattila 2021; Turpeinen 2021). Koska kaksi erillistä kuvaa selvensi hyvin vertailtavaa asiaa, päätin myös itse toteuttaa tehtävän samalla tavalla (kuvat 5 ja 6).

Korkeuskäyrien vertailusta huomaa, että itse laaditut 5 metrin käyrät korkeusmallista vastaavat hyvin paljon valmiin peruskarttalehden korkeuskäyriä. Muodot vaihtelevat hiukan vertailtavien käyrien välillä. Tarkemman tarkastelun jälkeen vaikutti oikeastaan siltä, että itse laaditut korkeuskäyrät kuvasivat maastoa jopa hivenen tarkemmin. Lisäksi jo kurssikerran aikana todettu kiinnostava havainto oli, että alueen Lampisuo (koho- eli keidassuo) kuvautui hyvin tarkkapiirteisenä itse laadituissa korkeuskäyrissä (kuva 6), kun taas peruskarttalehdellä (kuva 5) kyseinen luonnonmuodostuma ei erotu kartalta ollenkaan.

Kuva 5. Pornaisten alueen peruskarttalehti 1:50 000. Kuva keskittynyt Pornaisten Lampisuon alueen korkeuskäyrien tarkasteluun. Lähde: Maanmittauslaitos.

Kuva 6. Korkeusmallin avulla laaditut viiden metrin korkeuskäyrät Pornaisten Lampisuon alueelta. Taustalla näkyvissä myös rinnevarjostus. Lähde: Kurssikerran 4 materiaali.

Yhteenveto opituista asioista

Kurssikerran 4 harjoitukset vaativat monta uutta toimintoa QGIS:llä. Tehtävien tekoon kului paljon aikaa, koska jouduin tekemään sekä ruutukartta- että rasterikarttaharjoituksessa lähes kaiken alusta asti uudestaan. Toistoilla ja kertauksella oli kuitenkin hyväkin puoli, sillä nyt esimerkiksi ruutukarttojen teko sujuu jo melko vaivattomasti. Koin ehdottomasti oppivani paljon itsenäisesti tehtyjen harjoitustehtävien ansiosta. Ruututeemakartat onnistuivat loppujen lopuksi hyvin esitetyn ilmiön osalta. Visuaalisesti karttoja olisi tosin voinut vielä yrittää yksinkertaistaa ja selventää. Esimerkiksi mielestäni Pääkaupunkiseutua kuvaava pohjaväri olisi voinut olla pienempiruutuisissa (500 m x 500 m) kartoissa vielä hiukan vaaleamman harmaa. Värivalintoihin liittyi myös se, että kartoissa esitetty tiestö olisi saanut olla kuvattuna ruskean sijaan karttatiestöille tyypillisemmällä punaisen sävyllä (unohtui vaihtaa). Lisäksi ruutukoon valinnassa merkittävää erityisesti oli se, että nyt 1 km x 1 km pienemmässä ruutukoossa esitettävästä ilmiöstä saatiin tarkempi, mutta samalla fragmentoituneempi kuva. Ruutukoon valinnassa voisi kuitenkin tietysti jatkossa pyrkiä noudattamaan vakiintunempia ruutukokoja, kuin käyttämääni 500 m x 500 m (eli sen sijaan esim. 250 m x 250 m) (Tilastoteemakartat 2021).

Positiivista on, että kaikki annetut kurssitehtävät tuli suoritettua jälleen kerran, minkä lisäksi  opittuja asioita jäi myös muistiin. Toivottavasti pystyisin vielä lisäksi soveltamaan näitä oppimiani asioita seuraavilla kurssikerroilla. Opittuja asioita pääseekin varmasti kokeilemaan ja soveltamaan seuraavien kurssikertojen tehtävissä.

 

LÄHTEET

Innanen, A. (2021). Annikan GIS-blogi. https://blogs.helsinki.fi/anninnan/ (Viitattu: 16.02.2021.)

Jalonen, M. (2021). Maijan blogi.  https://blogs.helsinki.fi/mmjalone/ (Viitattu: 16.02.2021.)

Kurssimateriaali, kerta 4 (2021). Geoinformatiikan menetelmät 1. Helsingin yliopisto.

Mattila, L. (2021). Lotta Mattilan blogi. https://blogs.helsinki.fi/lottmatt/ (Viitattu: 16.02.2021.)

Puodinketo, L. (2021). https://blogs.helsinki.fi/lottapuo/ (Viitattu: 16.02.2021.)

Salmensuu, A. (2021). samleama´s blog. https://blogs.helsinki.fi/salmeama/ (Viitattu: 16.02.2021.

Savolainen, H. (2021). sadhelmi´s blog. https://blogs.helsinki.fi/sadhelmi/ (Viitattu: 16.02.2021.)

Tilastoteemakartat (2021). Tilastokeskus. Helsinki, 2021. https://tilastokoulu.stat.fi/verkkokoulu_v2.xql?page_type=sisalto&course_id=tkoulu_teemak&lesson_id=4&subject_id=3 (Viitattu: 16.02.2021.)

Turpeinen, T. (2021). https://blogs.helsinki.fi/tapiotur/ (Viitattu: 16.02.2021.)

Kurssikerta 3

Yhteistä ja omatoimista harjoittelua tietokantojen parissa

Kurssikerran tavoitteet

Kolmannella kurssikerralla käytiin opettajan opastuksella läpi monta uutta asiaa, johon tosin liittyi osittain myös aiemmin opittuja tietoja. Käytimme työskentelyn pohjana internetistä löytynyttä Afrikan valtiot sisältävää tietokantaa, johon haluttiin liittää osaksi muutakin tietoa kuin valtioiden nimet ja rajat. Työskentelimme tämän tietokannan kanssa QGIS:llä käytännössä koko kurssikerran ajan. Kurssikerran oppimistavoitteisiin kuului tietokannan valmistelua tehokkaaseen käyttöön, ulkoisen tiedon liittämistä tietokantaan muista ohjelmista, tiedon hakua ja tietokantojen yhdistämistä erilaisten kyselyiden avulla sekä sarakkeiden tietojen päivittämistä muiden tietokantojen tietojen perusteella. Lisäksi kurssikerran lopussa saimme itsenäisen harjoitustehtävän, jossa tarkoitus oli tehdä tulvaindeksikartta (teemakartta) annetun aineiston perusteella. Tämä blogiartikkeli käy ensin hyvin lyhyesti läpi kurssikerran yhteisen Afrikkaan liittyvän tehtävän ja sen jälkeen siirtyy käsittelemään tätä varsinaista itsenäistä harjoitustehtävää.

Afrikka – konflikteja ja mahtavia luonnonvaroja

Kurssikerran ensimmäinen tehtävä liittyi Afrikan valioiden tietokantaan. Kyseiseen tietokantaan oli tarkoitus liittää lisää tietoa kuten esimerkiksi valtioiden väkimäärät. Lopullisessa tietokannassa oli mm. tietoa valtioiden konflikteista ja rajoista, mutta myös tiedot timanttikaivosten ja öljykenttien sijainneista. Tästä kurssikerralla yhdessä tehdystä harjoituksesta tuli pohtia, mitä muuta tiedoilla voisi tehdä tai päätellä, kun tietokantoihin on tallennettu tietoa mm. konfliktin tapahtumavuodesta, timanttikaivosten löytämisvuodesta, öljykenttien tuottavuusluokittelu, internetkäyttäjien lukumääristä eri vuosina jne. Tietokanta sisälsi edellä mainitusti siis lopulta paljon informaatiota, jota voisikin hyödyntää melko monipuolisesti. Esimerkiksi konfliktien tapahtumavuosia voitaisiin verrata hyvin timanttikaivosten tai öljykenttien löytövuosiin, samoin myös öljykenttien poraamisvuosiin ja timanttikaivoksen kaivausten aloitusvuosiin. Toisin sanoen konfliktien tapahtumisvuosia voitaisiin tarkastella ja vertailla oikeastaan melkeimpä kaikkiin öljykenttiin ja timanttikaivoksiin liittyviin muuttujiin. Samoin tiedoista voitaisiin myös tarkastella konfliktin laajuutta/sädettä suhteessa timanttikaivosten tai öljykenttien muuttujiin. Tietojen avulla voitaisiin tehdä päätelmiä ehkä mahdollisesti siitä, miten kiisteltyjen ja arvokkaiden luonnonvarojen jakautuminen näkyy konfliktien laajuudessa ja runsaudessa kussakin Afrikan valtiossa. Lisäksi timanttikaivosten ja ölykenttien välistä keskinäistä suhdetta toisiinsa voitaisiin tarkastella tietyillä muuttujilla.

Lisäksi tietokannan tiedoista olisi kiinnostavaa tutkia esimerkiksi sitä, miten internetin käyttäjien määrä jakautuisi valtioiden kesken ja suhteessa esim. asukaslukuun. Kurssin kanssaopiskelijoista Salmensuu olikin visualisoinut kartalla juuri internetin käyttäjiä Afrikassa suhteutettuna valtioiden kokonaisväestöön (Salmensuu 2021). Tiedoista voitaisiin myös yrittää selvittää, olisiko internetin käyttäjillä mahdollisesti jokin yhteys valtion luonnonvarojen esiintymisiin tai konflikteihin (esim. ovatko tietyillä alueilla esiintyvät luonnonvarat mahdollisesti tarjonneet myös helpompaa mahdollisuutta internetin käyttöön kyseisillä alueilla). Toki muuttujissa täytyisi huomioida erityisesti se, että konfliktit olivat ajalta 1947-2008, kun taas internetkäyttäjien määrään liittyvä tieto oli tuoreempaa, kuten vuodelta 2020. Tällöin tarkastelu voisikin kohdistua siihen ajatukseen, miten esimerkiksi aiemmin tapahtuneet konfliktit näyttävät olevan yhteydessä internetin käyttäjien määrään myöhemmin. Salmensuu olikin lisäksi todennut blogissaan mielestäni erinomaisesti, että voitaisiin tutkia hyvin esimerkiksi sitä, miten konfliktit ovat vaikuttaneet internetin käytettävyyteen ja toisaalta sitä onko internetin saatavuus mahdollisesti vähentänyt konflikteja, etenkin jos tätä pidetään kehityksen mittarina (Salmensuu 2021). Lopuksi tein Väisäsen ja Salmensuun kartoista innostuneena myös oman kartan (kuva 1), jossa esitän Afrikan valtioiden internetin käyttäjien prosentuaalisen osuuden suhteessa väestöön sekä vuosina 1947-2008 tapahtuneet konfliktit (Salmensuu 2021; Väisänen 2021).

Kuva 1. Kartalla esitetty internetin käyttäjien prosentuaalinen osuus Afrikan valtioiden väestöstä vuonna 2020 ja vuosina 1974-2008 tapahtuneet konfliktit.

Harjoitustehtävä ja valmiin kartan analysointi

Harjoitustehtävän tavoite oli  vertailla Suomen vesistöalueiden tulvaherkkyyttä ja valuma-alueominaisuuksia. Kyseistä karttaa tullaan käyttämään ja analysoimaan tarkemmin myöhemmin kevään yhdellä luonnonmaantieteen harjoitustyökurssilla. Erona tämän viikon tehtävään oli, että aiempien kurssiviikkojen aikana harjoitustehtävät on tehty osittain ”yhdessä opettajan johdolla” kurssikerran yhteydessä. Tällä viikolla tuo tehtävä tehtiin käytännössä kuitenkin kokonaan yksin annettujen kirjallisten ohjeiden perusteella (lisäksi kurssikerran lopussa opettaja avasi tehtävänantoa hiukan suullisesti ja näytti, miten tiedosto avataan QGIS:iin). Koin kartan teon hyvin haastavaksi. Ensimmäinen ongelmia tuli attribuuttitaulukon tietojen kanssa. Sain liitettyä ohjeiden mukaan halutut aineistot (tulvaindeksi ja järvisyysprosentti) valuma-alue -tietokantaan, mutta jostain syystä nuo attributtitaulukon tiedot esim. järvisyysprosenteista eivät näkyneet täysin halutulla tavalla. Samoin laskemani tulvaindeksi (keskiylivirtaama jaettuna keskialivirtaamalla eli MHQ/MNQ) ei näkynyt kaikkien vesistöjen kohdalla, vaikka olin suorittanut laskutoimituksen oikein. Pitkän pohdinnan ja monen yrityksen jälkeen sain lopulta tuon attribuuttitaulukon oikeanlaiseksi. Ongelma oli johtunut siitä, että olin yksinkertaisesti liittänyt valuma-alueen tietokantaan järvisyysprosentin sekä tulvaindeksin hiukan väärällä tavalla. Tietokanta ei kyennyt löytämään vastaavuutta liitetyistä tietokannoista.

Teemakartan laadinta, jossa tarkastelin alueiden tulvaherkkyyttä (tulvaindeksi) kloropleettikarttana, onnistui alkuvaikeuksien jälkeen täysin ongelmitta. Kloropleettikartan teko ja sen vaatimien toimintojen käyttö oli jo entuudestaan tuttua QGIS:llä muilta kurssikerroilta (kurssikerrat 1 ja 2), minkä vuoksi alueiden tulvaindeksi syntyikin nopeasti kartalle näkyviin. Tästä vaiheesta päästiin sitten seuraavaan haasteeseen, eli järvisyyden esittämiseen diagrammina. Samalle kartalle piti siis vielä saada näkyviin järvisyysprosentti joko pylväs- tai ympyrädiagrammina. Katselin muiden opiskelijoiden blogeja kyseisestä kurssitehtävästä 3 ja totesin, ettei tehtävän todellakaan pitäisi olla mahdoton jos kerran muutkin olivat onnistuneet saamaan hienojakin lopputuloksia. Olin erityisen vakuuttunut esimerkiksi Harmonen teemakartasta, jossa hän oli esittänyt järvisyyden ympyrädiagrammin avulla (Harmonen 2021). Myös Väisänen oli tehnyt vastaavanlaisen kartan ympyrädiagrammein, mutta hän kuvasi legendassaan järvisyysprosentin sisäkkäisin ympyröin (Väisänen 2021). Innanen ja Ylä-Oijala olivat puolestaan lisänneet omiin karttoihinsa järvisyyden sekä maapinta-alan samaan ympyrädiagrammiin, joka oli visuaalisesti hyvin kaunis, vaikkei se esittänyt prosenttimääriä selvästi (Innanen 2021; Ylä-Oijala 2021). Kyseisen diagrammin teko vaati hiukan lisää laskemista, mutta kuvasi hienosti maapinta-alan suhteen järvisyyteen. Lisäksi pidin Annikan tavasta esittää kartoilla pohjoinen ja eteläinen Suomi erillään (Innanen 2021), joten inspiroiduin itsekin käyttämään tätä tyyliä (kuvat 3 ja 4).

Alkuun testasin tehtäväohjeiden pylväsdiagrammia. Korven ja Lappalainen-Imbertin blogeja lueskellessa tulin heidän toteamansa perusteella siihen tulokseen, ettei pylväsdiagrammeja saisi selitettyä järkevästi kartan legendassa (Korpi 2021; Lappalainen-Imbert 2021). Tosin poikkeuksiakin näytti löytyvän, sillä Nyström oli saanut pylväät legendaan näkymään mielestäni kohtuullisen selvästi. Hän oli kuitenkin esittänyt järvisyyden myös ympyrädiagrammein toisella kartalla (Nyström 2021). Lopulta päätin esittää omassa kartassa tuon järvisyysprosentin ympyrädiagrammein ja tuo esitystyyli olikin kartalla huomattavasti selkeämmin luettava (kuva 2). Ympyröiden koko selvensi hyvin alueellista vaihtelua. Lisäksi legendaan valitsemani kuvaus eri kokoisten ympyröiden selityksestä (ympyrät peräkkäin, ei sisäkkäin) helpotti myös kokoerojen tarkastelua varsinaisella kartalla, koska erikokoiset ympyrät vastasivat suoraan eri prosenttiosuuksia. Sisäkkäinen selitys legendassa olisi ollut mielestäni epäselvempi, tai muutoin ympyröiden reunat olisi pitäneet erottua hyvin selvästi toisistaan. Kloropleettikartan luokkajaon valitsin kuudeksi, sillä koin sen kuvaavan tarkasteltavaa ilmiöitä esim. viittä luokkajakoa paremmin. Huomasin jälkeenpäin muutaman muunkin kurssilaisen, esim. Korven, Lappalainen-Imbertin ja Väisäsen valinneen saman luokkajaon (Korpi 2021; Lappalainen-Imbert 2021; Väisänen 2021). Kuutta suurempi luokkajako olisi tullut omalla kohdallani hankalammaksi tulkita, ellen olisi sitten valinnut selvemmin toisistaan erottavia värisävyjä.

Mielestäni onnistuin valitsemaan oikein miellyttävän värimaailman kartalleni (kuva 2). Värimaailma valikoitui siniseksi, sillä teemat liittyivät vesistöihin, jotka yleensä kuvataankin kyseisellä värillä. Kloropleettikartan teossa pohdin kuitenkin hyvin tarkkaan tummansinisen värisävyjen erottavuutta toisistaan. Kohtasin siis jälleen saman ongelman mitä ensimmäisen kurssikerran kloropleettikarttojen teossa. Näkemykseni on, että mitä enemmän luokkajakoa tulee, sen vaikeampaa on myös eri luokkien tulkinta saman värin pienistä sävyeroista. Tosin vaikka kritisoinkin oman karttani valööriasteikon käyttöä, niin mielestäni yksi väri kuvasi tässä tapauksessa esitettävää ilmiötä tulvaindeksistä parhaiten, enkä olisi halunnut tuoda värimaailmaan enää lisäksi toista väriä, kuten kurssikerran 2 kartoissani (sininen ja punainen). Kartan diagrammeihin valikoitui myös sininen väri, mutta sävynä selvä vaalean turkoosi. Valitsin tarkoituksella riittävän vaalean ja kirkkaan värin, jotta diagrammit erottuisivat kloropleettikartan päällä vielä selvästi.

Kuva 2. Tulvaindeksi ja järvisyysprosentti Suomessa valuma-alueittain. Lähde: Kurssikerran 3 materiaali.

Karttoja visualisoidessa on tullut myös mietittyä muutamia pieniä kartografisia yksityiskohtia. Aikaisemmilla kurssikerroilla olen valinnut vähän vaihdellen esimerkiksi pohjoisnuolen kuvaamiseen sekä P että N -kirjaimen kartasta riippuen. N -kirjaimen etu on, että se on kansainvälisesti huomattavasti parempi vaihtoehto. Koska tämän kurssikerran itsenäisessä harjoitustehtävässä on kuitenkin pääosassa vain Suomen kartta ja legendankin selitys on suomenkielellä, on P -kirjain varmasti parempi kuvaamaan myös pohjoisnuolta. Sen sijaan N -kirjan sopii hyvin Afrikan kartan yhteyteen (kuva 1). Tämän kerran itsenäisen harjoitustehtävän kohdalla mietin myös pitkään, mitä elementtejä jätän kartalta kuvaamatta. Aluksi jätin pois joet sekä järvet, sillä ne tekivät kartasta yksityiskohtaisemman, mutta samaan aikaan vaikeammin tulkittavan. Rantaviivan, joka selvensi osittain Suomen rajanaapurien asemaa, jäi kuitenkin vielä kartalleni. Rantaviiva ei suuremmin häirinnyt muuten kartan ilmiöiden esitystä, mutta esimerkiksi pohjoisnuolen ja mittakaavan sijoittaminen järkevästi oli haastavampaa. Yksi vaihtoehto oli säätää kyseisen karttatason voimakkuutta läpinäkyvämmäksi. Päätin toteuttaa tämän vaihtoehdon, ja samalla huomasin, että myös järvien jättäminen kartalle onnistui läpinäkyvyyttä säätelemällä. Karttojen vertailussa rantaviivan häilyttäminen olikin lopulta hyvä ratkaisu, koska se ei vaikuttanut kartan informatiivisuuteen esimerkiksi muuttamalla esitettävien ilmiöiden luonnetta.

Mitä tuotettu teemakartta esittää ja mitä siitä voidaan tulkita?

Kartta esittää Suomen valuma-alueiden tulvaindeksin ja järvisyysprosentin (kuva 2). Tulvaindeksin suurimmat ja merkittävimmät alueet sijaitsevat selvästi länsi- ja etelärannikolla eli Pohjanlahden ja Suomenlahden vieressä. Mielenkiintoinen havainto on, että kaikkein voimakkaimman tulvaindeksin edustajia oli vain yksi, joka löytyy lounaaseen päin mentäessä aivan etelärannikon tuntumasta (arvot 500-1100). Järvisyysprosentista huomaa vastaavasti, että kaikkein järvisimmät alueet ovat pohjoisessa, idässä ja keskisessä Suomessa. Järvisyysprosentti vaikuttaisi vähenevän sitä mukaa, mitä edemmäs rannikkoa ja suuria tulvaindeksimääriä mennään.

Tulva on vesistö- ja sääolosuhteista seurannut luonnonilmiö. Tulvan muodostumiseen vaikuttaa niin valuma-alueen maankäyttö kuin maastonmuodot. (Tulvien esiintyminen 2013) Rannikon valuma-alueita voi selittää siis osittain esimerkiksi tiheämpään rakennettu infrastruktuuri, sekä mm. kaupunkialueiden hulevedet. Lisäksi tulvaindeksiin vaikuttaa esim. lumien ja jään sulamisista aiheutuvat tulvat (tyypillisiä keväällä), erityisen sateisista jaksoista seuranneet nousseet vedenpinnankorkeudet sekä rankkasateiden aiheuttamat tulvat, jotka selittävät suurta osaa etenkin länsi ja etelärannikon tulvista Suomessa (Seppälä 2005). Kartan perusteella voidaan tulkita, että tulvia näyttäisi siis esimerkiksi esiintyvän alueilla, jossa järvialtaat ja niiden virtaamavaihteluita tasaava vaikutus ovat vähäistä (Tulvien esiintyminen 2013). Järvialtaat ovatkin merkittäviä tasaamaan tulvia, ja sen vuoksi myös valuma vähenee. Esimerkiksi juuri keväällä lumien sulaessa järvet hidastavat sekä tulvien että valuman syntyä. Kartan valuma-alueiden muodostumisessa keskeistä on myös Suomen geomorfologiset ominaisuudet, kuten mm. pinnanmuodot. Esimerkiksi Pohjanmaa on tyypillisesti etenkin rannikkoseudun maastolta matalaa, joka selittää täten alueen suurempaa tulvaindeksiä (Pinnanmuodot ja vesistöt 2019).

 

Kuva 3. Tulvaindeksi ja järvisyysprosentti esitettynä valuma-alueittain tarkemmin pohjoisesta Suomesta. Idea kartan esitystyyliin saatu Annika Innasen blogista. Lähde: Kurssikerran 3 materiaali.

Kuva 4. Tulvaindeksi ja järvisyysprosentti esitettynä valuma-alueittain tarkemmin eteläisestä Suomesta. Idea kartan esitystyyliin saatu Annika Innasen blogista. Lähde: Kurssikerran 3 materiaali.

Vaikeuksien kautta voittoon

Kurssikerran tehtävä opetti paljon. Työskentely QGIS:n kanssa oli selvästi hankalampaa, koska harjoitustehtävä vaati joidenkin uusien toimintojen löytämistä aivan itse (kuten diagrammien teko). Pari päivää kurssikerran jälkeen alkoi huolestuttamaan tulisiko tehtävästä mitään. Sinnikkyydellä, päättäväisyydellä ja muiden kanssaopiskelijoiden blogien avulla tehtävä onnistui lopulta paremmin kuin osasin odottaa. Kartografisia huomioitavia asioita on edelleen paljon, ja kohtaan yhä samoja haasteita visuaalisessa esitystyylissä kuin aiemmissa kartoissani. Tästä huolimatta kurssikerran harjoitustehtävän kartta kuvaa kuitenkin ilmiön halutulla tavalla ja noudattaa pääpiirteiltään suhteellisen hyvin kartografisia sääntöjä.

 

LÄHTEET

Harmonen, R. (2021). Roosa Harmonen. https://blogs.helsinki.fi/harmoroo/ (Viitattu: 06.02.2021.)

Innanen, A. (2021). Annikan GIS-blogi. https://blogs.helsinki.fi/anninnan/ (Viitattu: 06.02.2021.)

Korpi, S. (2021). sakorpi´s blog.  https://blogs.helsinki.fi/sakorpi/ (Viitattu: 06.02.2021.)

Kurssimateriaali, kerta 3 (2021). Geoinformatiikan menetelmät 1. Helsingin yliopisto.

Lappalainen-Imbert, H. (2021). Helmi Lappalainen-Imbert. https://blogs.helsinki.fi/laphelmi/ (Viitattu: 06.02.2021.)

Nyström, H. (2021). Geoinformatiikan menetelmät 1. https://blogs.helsinki.fi/nystrhen/ (Viitattu: 06.02.2021.)

Pinnanmuodot ja vesistöt (2019). Ympäristöhallinto, Helsinki. 15.07.2019. (Päivitetty: 05.11.2019.)  https://www.ymparisto.fi/fi-FI/Vesi/Tulviin_varautuminen/Olenko_tulvariskialueella (Viitattu: 06.02.2021.)

Salmensuu, A. (2021). salmeama´s blog.  https://blogs.helsinki.fi/salmeama (Viitattu 16.03.2021.)

Seppälä, M. (2005; toim.): The physical geography of Fennoscandia. 432 s.Oxford University Press, Oxford.

Tulvien esiintyminen (2013). Ympäristöhallinto, Helsinki. 24.06.2013. (Päivitetty: 12.09.2020.) https://www.ymparisto.fi/fi-FI/Vesi/Tulviin_varautuminen/Olenko_tulvariskialueella/Tulvien_esiintyminen (Viitattu: 06.02.2021.)

Väisänen, V. (2021). Villen GIS-blogi. https://blogs.helsinki.fi/villvais/ (Viitattu: 06.02.2021.)

Ylä-Oijala, E. (2021). Geoinformatiikan menetelmät 1 – Emman kurssiblogi. https://blogs.helsinki.fi/ylaoemma/ (Viitattu: 26.03.2021.)

Kurssikerta 2

Karttaprojektioiden parissa ja QGIS:n käyttöön syventymistä

Kurssikerran pääaiheet

Toisella kurssikerralla päästiin tarkastelemaan karttaprojektioiden vääristymiä käytännössä QGIS -ohjelmaa hyödyntäen. Samalla tuli kerrattua edellisen kurssikerran (teknisen puolen) asioita kyseisen paikkatieto-ohjelman osalta, mutta lisäksi nyt päästiin tarkastelemaan hiukan enemmän muitakin QGIS:n tarjoamia mahdollisuuksia. Esimerkiksi rajapintojen tuominen ja käsittely QGIS:ssä oli aivan uusi asia. Olikin hienoa huomata, miten edellisen kurssikerran kotitehtävässä mainittu rajapinta -käsite selventyi. Toisen kurssikerran alussa käytiin myös varsinaisella luennolla läpi erilaisia datan lähteitä, jotka selvensivät yhä tuota rajapinta asiaa. Tuntui erityisen hyvältä kun ymmärsi uusia asioita ja oppi esimerkiksi lisäämään QGIS:iin valittuja rajapintoja sekä käyttämään tämän jälkeen niiden tarjoamia karttapohjia ja aineistoja.

Yritykset ja aikaansaannokset

Tehtävä 1

Kurssikerralla tehtiin parikin eri tehtävää, joista ensimmäisessä oli tarkoitus testata konkreettisesti, miten projektiot vaikuttavat kartalla tehtäviin mittauksiin eri koordinaattijärjestelmissä/projektioissa. Kyseinen jo kurssikerran aikana aloitettu tehtävä ei ollut mielestäni  hankala, mutta itsellä tuli lähinnä yksi tekninen ongelma vastaan, jonka takia tehtävän teko hidastui huomattavasti. Tämä koski varsinaista mittaustapahtumaa, jonka suoritin tietokoneen kosketuslevyä käyttäen. Tein kyseisen tehtävän siksi vasta myöhemmin. Lyhyesti tehtävän tuloksista: kun porjektiota tarkasteltiin ellipsoidin pinnalta (ellipsoidi), olivat havaitut erot huomattavasti pienempiä. Siksi vertailu keskittyi pääasiallisesti tason pinnalta (cartesian) tarkasteltaviin projektioihin. Etenkin pinta-alojen vertailu Suomea hyvin kuvaavaan ETRS89-TM35FIN -projektioon osoittaa, miten paljon jokin muu yksittäinen projektio voi vääristää Suomessa kuvattavaa todellista pinta-alaa. Projektion vaikutus esitettävään tietoon ja sen luotettavuuteen on hyvin siis mahdollisesti hyvin merkittävä. Esimerkiksi Mercator suurentaa Pohjois-Suomesta otettua pinta-alaa runsaasti, kun taas vastaavasti mm. Robinson pienentää jonkin verran kyseistä pinta-alaa (taulukko 1). Tästä johtuen käytetyn projektion kanssa tulisikin olla erittäin tarkkana. Tehtävän vastaukset esitettynä (talukot 1 ja 2) alla.

Tehtävä 2

Toinen kurssitehtävä oli tällä kertaa esittää kartalla käytetyistä koordinaattijärjestelmistä johtuvat alueelliset erot ja visualisoida ne luokiteltuna kartalla. Varsinaisesti tarkoituksena oli siis kokeilla eri koordinaattijärjestelmiä ja verrata niitä sen jälleen ETRS89-TM35FIN -projektioon. Kurssikerran aikana nuo alueelliset erot visualisoitiin vain suhteellisina eroina eikä prosentteina, vaikka kurssin tehtäväohjeissa (Moodle) neuvottiin juuri prosentein ilmoittamista. Tein tehtävän täten oikeastaan kahdesti, eli jokaisen kartan ensin suhteellisina alueellisina eroina ja sitten jokaisen kartan erot vielä uudestaan prosentteina ilmaistuna. Tähän blogipäivitykseen on kuitenkin liitetty vain prosenttilasketut kartat (”kuvavyöryn” välttämiseksi), jotka ovat tutkimuksellisesti lopulta parempi valinta kuvaamaan haluttua ilmiötä.

Kokeilin tehtävän vertailussa yhteensä neljää eri karttaprojektiota: Mercator, Winkel tripel, Robinson ja Mollweide. Lopputuloksista on selvästi huomattavissa etenkin kolmella ensimmäisellä kartalla selvää samankaltaisuutta värien jakautumisessa (kuvat 1-3). Mollweiden projektio puolestaan erottuu täysin omanaan, ja kyseisen kartan kohdalla punaisin värisävy näyttää selvästi tummentua kaakkoon päin mentäessä (kuva 4). Kiinnostava havainto lisäksi on, että Mollweidessä kartalla erottuu vielä aivan pohjoisessa yksi erillinen tummanpunainen alue. Ensimmäisen kolmen karttaprojektion, eli Mercatorin, Winkel tripelin ja Robinsonin kohdalla tuo punainen väritys leviää suhteellisen tasaisesti ja säännöllisen raidallisesti pohjoisesta kohti etelään, vaihtuen siis lopulta sinisen väriseksi.

Kurssikerralla yhteisesti tehdyn kartan esimerkkivärinä toimi sateenkaaren värit, ja osa kurssilaisista, kuten Harmonen, Korpi, Loo, Mattila ja Turunen  olivat käyttäneet näitä värejä kuvaamaan myös lopullisia karttojaan (Harmonen 2021; Korpi 2021; Loo 2021; Mattila 2021; Turunen 2021). Itse päätin lopulta valita sinisen ja punaisen, joka mielestäni yksinkertaistivat kartan hahmottamista, koska värejä oli vain kaksi käytössä. Valitsemani värit edustivat osittain myös sateenkaaren värien ”ääripäitä”. Koska punaisella voidaan usein kuvata karrikoidusti negatiivista asiaa tai sen ilmentymistä, niin siksi punainen toimi mielestäni tässä onnistuneesti kuvaamaan vääristymisen astetta huonompaan suuntaan. Eli mitä enemmän punaista kartalla on, sen suurempi vertailtujen karttaprojektioiden välinen ero on, ja sitä vääristyneempi vertailussa oleva karttaprojektio myös on. Esimerkiksi Mercatorin projektioista huomaa selvästi, että suuremmat vääristymät ovat pohjoisemmassa (kuva 1). Sininen väri valikoitui vastaavasti kuvaamaan neutraalimpaa tasoa vääristymissä eli ns. parempaa tulosta, kuten kurssilla tehdyn esimerkin sateenkaaren värityksessä. Vihreä ei olisi ollut yhtä hyvä valinta punasen rinnalle, sillä joku karttaa katsova saattaisi olla punavihersokea. Koin, että valitsemani väritys toi onnistuneesti esille karttojen dramaattisempia eroja. Toinen vaihtoehto sinisen tilalle olisi voinut olla myös esimerkiksi valkoinen, jolloin tuo kartta olisi ollut vain yhdellä värillä ja sen valööriasteikolla kuvattuna. Osa kurssilaisista, kuten Engelhardt, Innanen ja Puodinketo näyttivätkin käyttäneen kurssitehtävissä vain yhtä väritystä erojen kuvaamisessa, mikä toisaalta oli omasta mielestäni visuaalisesti kaunis lopputulos (Engelhardt 2021; Innanen 2021; Puodinketo 2021). Lonkainen oli taas käyttänyt kartoissaan vain kahta väriä. Hän oli valinnutkin kartoilleen hyvin mielenkiintoiset väriparit, jotka kuitenkin erottuivat hyvin toisistaan (Lonkainen 2021). Edellisen kurssikerran pohjalta halusin kuitenkin itse rohkaistua kokeilemaan selvästi kahta eri väriä, jolloin erottavuutta tulisi selvästi enemmän. Väriluokkia kategorisoidessa QGIS:llä täytyi kuitenkin olla tarkkana, että muisti laittaa värit ikään kuin oikein päin, eli siten, että punainen kuvasi pahempaa vääristymää ja sininen lievempää. Tämä oli yksi erityishuomio, joka täytyi tehdä jokaisen karttaprojektion kohdalla.

Edellisen kurssitehtävän tavoin testasin tämänkin kerran karttojen visualisoinnissa erilaisia luokkajakoja (kts. Kurssikerta 1). Aloitin kurssilla neuvotusti kahdeksalla luokalla, joka tuntui heti oikein hyvältä ja kuvaavalta karttojen kohdalla. Tästä johtuen käytin tätä kahdeksaa luokkajakoa jokaisessa kartassa pääasiallisesti, mutta Mollweidenin projektiosta otin parin muunkin testaamani luokkajaon talteen (kuvat 5-6). Mollweiden valikoitui ”erikoisen” värijakautumisensa takia tähän mielestäni sopivaksi esimerkiksi. Luokkajaosta havaitsi, että mitä vähemmän luokkia oli, sen epätarkempi esitetty tieto tietysti myös oli (kuvat 4-6). Lisäksi pienempi luokkajako toisaalta yksinkertaisti karttaa huomattavasti ja teki kartan tulkinnasta nopeampaa ja siten helpompaa. Tämä oli todettavissa jo viimeksi erikokoisia luokkajakoja tarkastellessa (Kurssikerta 1). Siksi mielestäni esimerkiksi Mollweiden karttaprojektion vertailussa suurempi luokkajako oli tässä tapauksessa huomattavasti parempi, sillä se toi karttaprojektioiden eroavaisuutta enemmän esille (kuva 4).

Kartalla nähdyn alueellisen jakautumisen selittää jokaisen karttaprojektion vääristymien esiintyminen, ja se miten siis esitetyt projektiot on verrattu suhteessa ETRS89-TM35FIN -projektioon (liittyy edellä käsiteltyyn värien jakautumiseen kartalla). Esimerkiksi Mercatorin projektiossa vääristymät kasvavat sitä mukaa, mitä enemmän pohjoisempaan mennään (kuva 1). Siksi alueellinen jakautuminen ja mm. pohjoisessa olevat erot ovat suurempia kuin etelässä. Tämä on siis seurausta siitä, että Mercator vääristää pinta-aloja sitä pahemmin, mitä kauemmaksi päiväntasaajasta edetään kohti napoja. Erinomainen huomio kurssilla olevalla Korvella kyseisestä projektiosta oli se, että vääristymä voikin olla jopa kaksinkertainen verrattaessa Etelä-Suomen ja Pohjois-Suomen vääristymiä toisiinsa (esim. etelässä nelinkertainen vääristymä ja pohjoisessa kahdeksan) (Korpi 2021). Mercator on vain oikeakulmainen projektio.

Kuva 1. Mercantorin projektion pinta-ala verrattuna ETRS89-TM35FIN -projektion pinta-alaan.

Winkel tripel -projektion tarkoitus on minimoida kolme karttaprojektiossa esiintyvää vääristymää, eli pinta-alan, etäisyyden ja suunnan vääristymät. Se on siis sovinnainen projektio. Ainoastaan Suomea kuvattaessa kyseinen projektio ei kuitenkaan täysin toimi, ja alueellisista eroista voidaankin huomata, että suhteelliset erot verrattujen karttaprojektioiden välillä kasvavat jälleen sitä mukaan, mitä pohjoisempaan edetään (kuva 2). Legendan prosenttilukuja tarkastellessa voi silti huomata, miten vääristymisen virhe on Mercatorin projektioon verraten jo selkeästi vähäisempi.

Kuva 2. Winkel tripel -projektion vääristymät verrattuna ETRS89-TM35FIN -projektioon. Alueelliset erot on visualisoitu prosentteina.

Robinsonin projektio on tyypillisesti maailmankarttoja varten suunniteltu projektio. Tissotin indikaattoreilla kuvattuna Robinson on myös sovinnainen projektio, eikä tällöin siis sovellu  Winkel tripel -projektion tavoin havainnollistamaan kovin pientä aluetta, kuten Suomea, täysin todellisuuden mukaisena. Robinsonin projektio noudattaa samanlaista kaavaa kuin edellä olevat kaksi projektiota, eli vääristymät kasvavat pohjoisempaan päin mentäessä, mutta vääristymät ovat kuitenkin huomattavasti pienempiä kuin Mercatorin projektiossa, mikä havaitsee hyvin legendan prosenttiluvuista (kuva 3). Korpi mainitsikin blogissaan, että mittavirhe on Robinson projektiossa etelän ja pohjoisen välillä vain noin 1,16-kertainen, eikä Mercatorin tavoin kaksikertainen (Korpi 2021).

Kuva 3. Robinson projektion vääristymät verrattuna ETRS89-TM35FIN -projektioon. Alueelliset erot on visualisoitu prosentteina.

Mollweide on oikeapintainen projektio, jonka vääristymät ilmentyvät ETRS89-TM35FIN -projektioon verrattuna alueittain mielenkiintoisesti (kuva 4). Alueellisen eron voi erottaa helposti värien avulla. Suurimmat verratut suhteelliset erot karttaprojektioiden välillä ikään kuin tiivistyvät kaakkoa kohti, mutta lisäksi kartalla erottuu yksi suurempi suhteellinen ero pohjoisessa punaisella värillä. Toisin sanoen kiintoista värijakautuma kuvaakin nimenomaan hyvin sen, kuinka vääristymiä esiintyy alueellisesti enemmän mentäessä kohti kaakkoa ja tämän lisäksi yksittäisesti ja voimakkaasti aivan pohjoisessa.

Kuva 4. Mollweiden projektion vääristymät verrattuna ETRS89-TM35FIN -projektioon. Alueelliset erot on visualisoitu prosentteina ja käyttäen kahdeksaa luokkaa.

Kuva 5. Mollweiden projektion vääristymät verrattuna ETRS89-TM35FIN -projektioon. Alueelliset erot on visualisoitu prosentteina ja käyttäen kuutta luokkaa.

Kuva 6. Mollweiden projektion vääristymät verrattuna ETRS89-TM35FIN -projektioon. Alueelliset erot on visualisoitu prosentteina ja käyttäen neljää luokkaa.

Tehtävä 3

Kurssikerran kolmas tehtävä oli alkuun todella hankala ymmärtää. En päässyt millään kiinni tehtävänantoon, mutta Korven ja Puodinkedon blogeja tarkastellessa ymmärsin tehtävän idean sekä sain jollain ihmeellä tuon tehtävän suoritettua (Korpi 2021; Puodinketo 2021). Varsinainen tehtävän teko ei lopulta sitten vienyt kuin yhden illan, ja onnistuminen tuntui erityisen hyvältä. Eli lyhyesti tehtävän tarkoituksena oli tarkastella pinta-alaan suhteutetun tiedon esittämistä (valitulla muuttujalla) eri projektioilla. Valittuina projektioina toimivat Mercator (kuva 7) ja Lambert (kuva 8). Pidin molemmissa kartoissa sekä värimaailman että luokkajaon samana kuin tehtävässä 2. Ensimmäisellä vilkaisulla karttoja verratessa on huomattavissa, ettei projektioiden välillä ole kovin suurta merkittävää eroa visuaalisesti ja kartat vaikuttavat uskottavilta. Legendojen lukuarvoja verratessa voi kuitenkin havaita projektioiden välisen selvän eron jälleen. Korpi tiivisti hyvin blogissaan saman havainnon kuin minkä totesin siis itse, eli 0-14 vuotiaita näyttäisi asuvan pinta-alaltaan erittäin harvassa Mercatorin projektiota käytettäessä (Korpi 2021). Lambertin projektiota käytettäessä 0-14 vuotiaiden väestötiheys on jo selvästi suurempi pinta-alaan nähden. Ero johtuu jo tehtävässä 2 todetusti siitä, että Mercator vääristää pinta-aloja selvästi enemmän.

Kuva 7. Kartalla visualisoitu koko Suomen 0-14 vuotiaiden väestötiheys/km² vuonna 2020 Mercatorin projektiota käyttäen.

Kuva 8. Kartalla visualisoitu koko Suomen 0-14 vuotiaiden väestötiheys/km² vuonna 2020 Lambertin projektiota käyttäen.

Suoritusten loppupäätelmät

Toisella kurssikerralla tuli opittua jälleen lisää QGIS:n tarjoamista ominaisuuksista ja lisäksi karttaprojektiot vääristymineen selvenivät entisestään. Huomaan selvästi, kuinka varmuus karttojen teossa kasvaa ja rutinoituu myös tietenkin sitä mukaa, mitä enemmän QGIS tulee tutummaksi. Etenkin kun tein arviolta yhteensä yli 12 erilaista karttaa tällä kurssikerralla (tuli hiukan tehtyä ehkä ekstraa, sillä tein erikseen tehtävässä 2 kaikki kartat alusta uudelleen prosentein), niin ainakin tietyt toiminnot ja niiden käyttö QGIS -ohjelmalla alkoi sujua jo aika vaivattomasti. Mielestäni myös tuotokset ja tulokset kartoista olivat suhteellisen onnistuneita loppujen lopuksi. Jokainen kartta visualisoi ja esittää kuvatun ilmiön halutulla tavalla. Kartat ovat miellyttävät visuaalisesti ja niistä löytyy tärkeimmät karttaelementit. Kartografisista valinnoista  lisäksi vielä sen verran mainittakoon, että tosiaan näissä kyseisissä karttatuotoksissa tuo suurempi luokkajako oli mielestäni toimivampi, vaikka se ehkä teki karttojen tarkastelusta hiukan enemmän aikaa vievää. Myös valittu värimaailma oli hyvä, sillä yksivärisyys ja sen valööriasteikko ei olisi välttämättä tuonut haluttua dramaattisuutta kartalla verrattuihin suhteellisiin eroihin. Nyt ero oli kuitenkin selvä punaisen ja sinisen värin ansiosta. Mielestäni hyvä kartografinen valinta oli samoin se, että valitsin esim. värit ja niiden sävyt suhteellisen samaksi jokaisessa kartassa. Tällöin karttojen vertailustakin tuli helpompaa, kun luokkajaot, mutta myös värit olivat samat jokaisessa kartassa.

Se mitä tosin olisin voinut vielä miettiä uudestaan, on legendassa kuvattu esitettävä ilmiö sanallisesti. Esitetyn ilmiön olisi voinut selittää esim. vielä lyhyemmin ja selkeämminkin, kuin mitä se on nyt selitettynä. Lisäksi kaipaan vielä ehdottomasti harjoittelua QGIS:llä, jotta saisin tuotetuista kartoista selvästi samanlaiset (pohjoisnuolet tismalleen samassa kohtaan ja värisävyt täysin samat yms.). Onnistuin tekemään kartoista täysin toisiaan vastaavat viime kurssikerralla, mutta nyt tällä kertaa tuo tulosteikkunan kanssa toimiminen QGIS:llä ei sujunut täysin viime kerran tavoin. Toivon, että toistoilla ja riittävällä hajoituksella olen viimeistään kurssin lopussa saanut vastaavanlaiset vähäisetkin perusasiat hallintaan. Uskon myös niin, että vastoinkäymiset ovat toisaalta hyödyllisiä, koska ne osaltaan opettavat ja kehittävät eteenpäin. Lisäksi tällä kerralla tuli todella huomattua, miten hienoa on oppia sekä oivaltaa muiden tekemisistä!

Lisäksi: kurssikertaan 2 liittyvän artikkelin pohdinta

Toiseen kurssikertaan liittyvä artikkeli havainnollistaa ja käsittelee kahden muuttujan kloropleettikarttojen etuuksia. Kahden muuttujan kloropleetti -menetelmä määritellään yksinkertaisen kloropleettikartan muunnelmana, joka mahdollistaa kahden erillisen ilmiön esittämisen samanaikaisesti. Artikkelin väitteiden perusteluissa hyödynnetään koetta, jossa verrattiin yhden muuttujan ja kahden muuttujan kloropleettikarttojen esittämistehokkuutta (Lenowicz 2006).

Ensimmäisen kurssikerran kotitehtävä käsitteli kloropeettikartan tekoa ja sen esitystapaa, mutta itse tekemissäni kartoissa lähinnä vain yhdellä muuttujalla. Sen sijaan toisen kurssikerran kartat edustivat näitä kahden muuttujan kloropeettikarttoja. Artikkeli summaa, että kahden muuttujan kloropeettikartat tekevät maantieteellisestä suhteesta huomattavan visuaalisen ilmentymän kartalla. Kahden muuttujan kloropleettikartan etuna onkin, että molemmat ilmiöt tulee kuvattua vielä lisäksi niin, että karttaa katsova kykenee havaitsemaan molemmat ilmiöt samanaikaisesti (Lenowicz 2006). Tämän saman huomaisin omissa kartoissani, kun valitsin väreiksi sinisen ja punaisen.

Kahden muuttujan kloropleettikartassa värien tulisikin mahdollistaa jokaisen muuttujan arvojen luenta ja erottavuus toisistaan oikein, samalla kun näiden kahden värin suhdetta voitaisiin tulkita. Kahden muuttujan värimaailma muodostetaan yleensä kahden värisarjan yhdistelmänä, eli esimerkiksi vaaleanpunaisen ja sinisen (jolloin väliarvot voivat olla myös näiden värien yhdistelmänä kuvattuja, kuten violetti) (Lenowicz 2006). Kahden värin käytössä piilee mielestäni osittain myös riskinsä, eikä tämä liity vain valööriasteikon käyttöön keskiarvojen kohdalla (palaan tähän myöhemmin). Esimerkiksi punainen ja vihreä voi väriyhdistelmänä tuntua paikoitellen hyvältä ratkaisulta, sillä punainen mielletään usein kuvaamaan ”negatiivisempaa” ja vihreä ”positiivisempaa” ilmiötä. Ongelma näiden värien kohdalla tulee kuitenkin siinä, että kartankatsoja voikin olla mahdollisesti punavihersokea. Tästä syystä olisikin hyvin tärkeä karttoja tehdessä valita myös sellaiset värit, jotka jokainen karttaa katsova pystyisi helposti erottamaan.

Artikkelissa kuitenkin todetaan myös, että kahden muuttujan kloropleettikarttojen luotettavuuteen vaikuttaa merkittävästi kartografinen esitystapa. Oikeiden kartografisten valintojen tekeminenja esimerkiksi sopivan luokkamäärän valitseminen onkin tärkeää, jotta karttaa katsovalle välittyisi helposti kartan informatiivisuus ja kuvattu ilmiö (Lenowicz 2006). Mielestäni nämä asiat ovatkin hyvin perusteltuja, sillä näin vältyttäisi myös kartanlukijan harhaanjohtamiselta ja mahdollisilta väärinymmärryksiltä. Omissa kloropleettikartoissa olen myös monesti pohtinut värien erottavuutta toisistaan, erityisesti ns. ”keskivälin” arvojen kohdalla. Käsitellyssä artikkelissa tuotiin kuitenkin esille juuri esimerkki, jossa oli käytetty väreinä sinistä ja (vaalean)punaista. Artikkelin kyseisessä esimerkissä nämä kaksi väriä oli eroteltu kartalla siten, että välimuotosävy edustikin violettia (Lenowicz 2006). Tällä esitystavalla vältyttiin siltä, että keskivälin arvot eivät menneet yhtä herkästi keskenään sekaisin ja ne olisivat vielä helposti luettavissa. Myös kartan visuaalisuus säilyy mielestäni kauniina, kun värimaailma ei vaihtele merkittävästi, vaan värit sen sijaan sopivat harmonisesti toisiinsa. Näin jälkeenpäin ajateltuna olisikin voinut esimerkiksi toteuttaa kartoissani tuota ideaa, eli käyttää väliarvojen kohdalla kahden käyttämäni värin sekoitusta – esimerkiksi punaisen ja sinisen kohdalla juuri violettia.

Kokonaisuudessaan artikkelin teksti oli lyhyt, mutta samanaikaisesti se sisälsi paljon myös hyviä havaintoja ja huomioita liittyen kahden muuttujan kloropleettikarttoihin. Toistoa oli jonkin verran, tai siltä se ainakin paikoitellen tuntui, sillä osa artikkelin käsittelemistä asioista oli jopa aika itsestäänselvyyksiä. Toisaalta artikkeli toi myös uusia asioita esille ja sai pohtimaan entisestään esimerkiksi värien merkittävyyttä sekä käyttöä omissa vastaavissa kahden muuttujan kloropleettikartoissa.

 

LÄHTEET

Engelhardt, A. (2021). Alexander Engelhardt´s Blog. https://blogs.helsinki.fi/alwengel/ (Viitattu: 24.03.2021.)

Harmonen, R. (2021). Roosa Harmonen. https://blogs.helsinki.fi/harmoroo/ (Viitattu: 31.01.2021.)

Innanen, A. (2021). Annikan GIS-blogi. https://blogs.helsinki.fi/anninnan/ (Viitattu 31.01.2021.)

Korpi, S. (2021). sakorpi´s blog. https://blogs.helsinki.fi/sakorpi/ (Viitattu: 31.01.2021.)

Kurssimateriaali, kerta 2 (2021). Geoinformatiikan menetelmät 1. Helsingin yliopisto.

Lenowicz, A. (2006). Two-variable choropleth maps as a useful tool for visualization of geographical relationship. GEOGRAFIJA 42:1, 33-37.

Loo, J. (2021). joloo´s blog. https://blogs.helsinki.fi/joloo/ (Viitattu: 24.03.2021.)

Lonkainen, P. (2021). Geoinformatiikan salat. https://blogs.helsinki.fi/petrajageoinformatiikka/ (Viitattu: 24.03.2021.)

Mattila, L. (2021). Lotta Mattilan blogi. https://blogs.helsinki.fi/lottmatt/ (Viitattu: 31.01.2021.)

Puodinketo, L. (2021). Lotan blogi. https://blogs.helsinki.fi/lottapuo/ (Viitattu: 31.01.2021.)

Turunen, I. (2021). Iiriksen GIS-blogi. https://blogs.helsinki.fi/iiristur/ (Viitattu: 26.02.2021.)

Kurssikerta 1

Perehdytystä kurssin asioihin ja QGIS -maailmaan

Mitä oikein tuli siis tehtyä?

Ensimmäisellä kurssikerralla aloitettiin tutustumalla QGIS -paikkatieto-ohjelmistoon. Käytin ensimmäisen kerran kyseistä ohjelmaa, mutta oli ilo huomata, että QGIS oli loppujen lopuksi suhteellisen helppo käyttää. Attribuuttitiedon eli ominaisuustiedon käsitteleminen ja karttojen teko oli yllättävän miellyttävää, vaikka ohjelma sisälsi monia eri toimintoja. Positiivisen kokemuksen syntymiseen liittyi myös hyvin ohjattu opetus ohjelman käyttöön ensimmäisen kurssikerran aikana.

Kurssilla tehty ensimmäinen yhteinen harjoitus (kuva 1) sujui siis lopulta aika jouhevasti. Putosin viimeisissä viimeistelyvaiheissa kuitenkin kärryiltä opetuksen aikana, joten jouduin palaamaan tuohonkin tehtävään vielä myöhemmin uudelleen kurssikerran jälkeen. Onnistuin silti saamaan mielestäni ihan kelpo tuotoksen lopulta!

Kuva 1. Ensimmäisen kurssikerran yhteinen harjoitustehtävä, jossa kuvattu Itämeren lähivaltioiden osuudet typen päästöistä prosentteina. Lähde: kurssimateriaali.

Harjoitus 1 eli ensimmäisen kurssikerran kotitehtävä onnistui lopulta ihan kohtalaisen hyvin, vaikka pääsin itse toteuttamaan tehtävän teon vasta pari päivää myöhemmin ensimmäisestä opetuskerrasta. Uskoin ensimmäisen kurssikerran jälkeen osaavani ymmärtää vähän paremmin geoinformatiikan maailmaa, ja miksi sitä tarvitaan. Lisäksi uskoin osaavani QGIS:in perusteita ainakin osittain, ja harjoitus 1 vahvisti edelleen tätä tunnetta, sillä onnistuin tekemään kyseisen kotitehtävän QGIS:llä melkein lähes täysin omin päin sen perusteella mitä kurssilla oli opetettu.

Alun perin olisin halunnut valita tehtävään liittyen kuntapohjan latauksen rajapinnan avulla nettipalvelusta. Ohjeissa annettu linkki ei kuitenkaan ikävästi jostain syystä toiminut koneellani, mutta esimerkiksi kurssilla oleva Innanen oli onnistunut avaamaan bloginsa perusteella tämän linkin ja vielä tekemään lopullisen tehtävän (Innanen 2021). Innanen oli lisäksi liittänyt avautuneesta linkistä kuvakaappauksen, josta näki selvästi ettei oman koneeni avausnäkymä vastannut yhtään kyseistä linkkiä. Toisena vaihtoehtona olisi ollut myös etsiä netistä lisää muuttujia, joissa tieto on esitetty kuntatasolla. Löysinkin Sotkanet.fi -sivulta hyvän ja kiinnostavan tiedoston pienhiukkaspitoisuuden väestöpainotetusta vuosikeskiarvosta vuodelta 2015 (Sotkanet.fi 2021). Yritin tehdä tällä tiedostolla tuota tehtävää (hyvin pitkään), mutta erittäin harmillisesti en saanut tuota valitsemaani csv-tiedostoa näkymään QGIS:ssä kuntakartallani. Tarkennuksena siis, että sain tuon tiedoston liitettyä täysin vaivatta, enkä törmännyt täysin vastaavanlaiseen ongelmaan kuin esimerkiksi Väisänen, jonka tavoin silti toivoisin tutustumista vielä tällaisiinkin asioihin myöhemmin kurssilla (Väisänen 2021). Omalla kohdallani ison haaste ja ”stoppi” tuli siinä kohtaa, kun olisin halunnut esittää nuo tiedot kartalla. Pääsyin siis tekemään tehtävän kaikesta huolimatta (kovan työn, vaivannäön ja yrityksen jälkeen) sitten yksinkertaisemmin valmiilla kunta-aineistolla. Tehtävän toteutus näin olikin oikein mieluisa ja helppo (huolimatta muutamista pienistä takkuiluista tässäkin), ja siksi innostuin tekemään parikin erilaista krolopleettikarttaa (kuvat 2-4).

Ensimmäisellä kartallani näkyy väestön määrä kuntatasolla vuonna 2015 (Kuva 2). Kokeilin esittää tiedon myös useammalla eri luokkajaolla (kuva 3), mutta mielestäni huomattavasti selkeämmän kuvan suurista ja pienistä kuntien asukasmääristä antoi hiukan pienempi luokkajako. Toki huomion arvoista oli se, että kyseinen pienempi luokkajako ei tietysti antanut enää välttämättä yhtä tarkkaa kuvaa. Eli mitä suurempi luokkajako oli, sitä tarkempi esitys tiedoista kartalla oli. Tarkempi tiedon esittäminen ei olisi kuitenkaan ollut yhtään sen järkevämpää, sillä erot olivat lopulta kuntien välillä suhteellisen vähäisiä, eikä merkittävää eroa olisi syntynyt vasta kuin selvästi suuremmalla luokkajaolla. Kartan helppo ja vaivaton tarkastelu olisi vain kärsinyt liian monesta luokkajaosta ja niiden havainnoimisesta kartalla.

Kuva 2. Harjoitus 1, jossa esitetty kloropeettikartalla väestömäärä Suomen kuntatasolla vuonna 2015. Esitetty viidellä luokkajaolla. Lähde: kurssimateriaali.

Kuva 3. Harjoitus 1, jossa esitetty kloropeettikartalla jo toisen kerran väestömäärä Suomen kuntatasolla vuonna 2015. Esitetty tällä kertaa kuudella luokkajaolla. Lähde: kurssimateriaali.

Toinen tehty krolopleettikartta esitti elävänä syntyneiden määrän kuntatasolla vuonna 2015 (kuva 4). Pitäydyin muutamassa luokkajaossa kartan teossa, johtuen juuri edellisistä tekemistäni huomioista. Kartan visuaalinen esittäminen oli selkeä ja sopivan yksinkertainen. Erityisesti pehmeämpi ja hiukan tummaan taittuva sävytys teki kartasta kauniin ja miellyttävän tarkastella. Värien erottavuutta ja etenkin siis kontrasteja mietin pitkään, mutta mielestäni valitut värit erottuivat kuitenkin valmiissa kartoissa ihan kohtuullisen hyvin toisistaan. Tuleviin karttoihin voisin yrittää kuitenkin hakea vielä hiukan enemmän tuota kontrastierottuvuutta, joka edelleen selkeyttäisi kartanlukua.

Kuva 4. Harjoitus 1, jossa esitetty kloropleettikartalla elävänä syntyneet Suomen kuntatasolla vuonna 2015. Lähde: kurssimateriaali.

Lopputulokset ja niiden analysointi

Saadut lopputulokset ensimmäisen harjoituksen kartoista olivat tasapainoisia ja visuaalisesti selkeitä, kauniita sekä miellyttäviä tarkastella. Kartat onnistuivat pääosin oikein hyvin myös teknisesti, vaikkakin jo mainittua kontrastien erottavuutta voisi edelleen työstää tulevia karttoja ajatellen. Itse aihe on esitetty selvästi jokaisessa kartassa, ja karttaa katsova pystyykin nopeasti havainnoimaan mistä on kyse ja kuinka esitetty tieto jakautuu Suomen kuntien kesken. Kartoista voidaan päätellä ehkäpä jopa hiukan oletettavasti juuri se, että miten kyseinen tieto on jakautunut. Esimerkiksi väestömäärä kuvaa ennustettavasti sen, että suurin asukasluku on painottunut mm. pääkaupunkiseudun alueelle ja etenkin isot kunnat Suomessa, kuten Oulu, Tampere, Turku ja Helsinki erottuvat selvästi. Elävänä syntyneiden määrää vuonna 2015 kuvaavasta kartasta voidaan myös huomata tämä sama asia, eli suurimmat syntyvyydet ovat painottuneet Suomen suurimpiin kuntiin. Tätä tietysti selittää kyseisten kuntien suuret asukasluvut, josta seuraa luonnollisesti usein myös suurempi syntyvyys tarkastellulla alueella.

Kuvattu ilmiön luotettavuus vaikuttaakin ainakin kuntien väestömäärissä suhteellisen luotettavalta ja loogiselta (kuva 2). Sen sijaan erityisesti syntyvyys kartalla on tietyllä tavalla harhaanjohtava, sillä nyt suurin osa Suomesta on kuvattu vaaleimmalla sävyllä, eli pienimmällä esitetyllä syntyvyydellä eli 0-167 (kuva 4). Täten ajateltuna syntyvyys voisi jossain kunnassa mahdollisesti olla jopa lähellä nollaa. Tämä on kuitenkin osittain selvästi vääristävää kartan esityksessä, sillä nyt karttaa katsova ei osaa sanoa, että mitkä kunnat ovat oikeasti vain vähäsen syntyvyyden kuntia ja missä kunnissa ei taas todellisuudessa ole syntyvyyttä lähes yhtään. Tilannetta olisi saattanut parantaa etenkin suurempi luokkajako, mutta kuten edellä jo mainittiin, olisi tämä mahdollisesti saattanut tehdä kartasta taas vaikeammin hahmotettavan. Tästä tulikin opittua, että karttoja laatiessa kannattaakin aina miettiä hyvin tarkkaan miten määrittää luokkarajat kullekin esitetylle tiedolle. Nyt esim. jälkeenpäin mietittynä olisi esitetyssä syntyvyydessä voinut oikein hyvin ottaa hiukan isomman luokkajaon (tai tätä olisi voinut testata). Kuntien väestömäärissä vastaava tilanne pienestä luokkajaosta ei tuntunut yhtä ongelmalliselle vaan suurempaa luokkajakoa yrittäneenä (kuva 3) olisi isompi luokkajako vain aiemmin todetusti tehnyt kartan tulkinnasta raskaampaa.

Kartograninen taso on harjoituksen 1 laadituissa kartoissa ihan hyvä. Täytyy kuitenkin muistaa se, että kartat kuitenkin esittävät vain joitakin todellisuuden piirteitä ja näitäkin vain suurin piirtein oikein. Siksi näihinkin karttoihin on osattava suhtautua osittain riittävän kriittisesti. Jotta kartan lopputulos voisi antaa mahdollisimman luotettavaa kuvaa esitetystä ilmiöstä, olisikin oleellista vahvistaa kartografista osaamista ja hahmotusta. Hyvä puoli on, että juuri tämäkin kurssi esimerkiksi vastaavine tehtävineen toivottavasti vie omaa kartografista kehitystä eteenpäin.

Oivalluksia ja opittuja asioita

Oivalsin ja opin paljon uusia asioita, oleellisempana ja ehkäpä ilmeisempänä etenkin sen, että karttojen tekoon löytyy muitakin oikeasti toimivia ohjelmia (kuin aiemmin käyttämäni CorelDRAW). Lisäksi oli hienoa huomata, miten attribuuttitietoa pystyi hyödyntämään konkreettisesti omien karttojen teossa. Muiden ajatuksia lueskellessa kurssin ensimmäisestä kerrasta huomasin, että esim. Korpi oli samoilla linjoilla sen kanssa, että oppiin jäi lisäksi ajatus siitä, miten asiat kannattaisi esittää ja mitä kartalla kannattasi kertoa. Samoin oli lohduttavaa kuulla, että esimerkiksi karttojen parissa työskentelystä ei välttämättä ole vielä suurta kokemusta ja näissä onkin vielä opittavaa (Korpi 2021).

Lisäksi vaikka itse harjoitus 1 ei onnistunutkaan csv-tiedostomuodon kautta lopulta, vaan viime metreillä sattui jokin jymähdys ohjelman kanssa, niin opin tästäkin yrityksestä paljon. Uteliaisuudellani, sinnikyydellä ja omatoimisuudella pääsin lopulta yllättävän pitkälle. Siksi uskon, että jos minulla olisi vain riittänyt vielä aikaa tähän, (muilta opinnoilta ja kurssitehtäviltä yms.) niin olisin saattanut jopa onnistua saamaan tuon tehtävän suoritettua jollain tavalla myös tuotakin kautta.

Kaiken kaikkiaan kurssikerrasta ja sen tehtävistä jäi hyvä tuntuma, vaikka selvästi on vielä paljon opittavaa ja sisällytettävää asioissa. Kurssi vaikuttaa kuitenkin mielenkiintoiselta, joten odottavin mielin kohti seuraavia tehtäviä!

PS. Hyvä lukija, huomasithan sen, että osan artikkelissa esitetyistä kartoista sai suuremmaksi kuvaa klikkaamalla!

Lisäys 28.03.2021:

Tässä vielä todiste siitä, että kurssilla tullut todellakin opittua, koska onnistuin myöhemmin tekemään tuon pienhiukkaspäästöihin liittyvän kartan (kuva 5), mitä yritin aiemmin epätoivoisesti tällä ensimmäisellä kurssikerralla! Ja rehellisesti sanoen, ei se lopulta niin vaikeaa ollutkaan…

Vielä erityis lyhyt tiivistelmä siitä, mitä kyseisessä kartassa näkyy. Kartta osoittaa juuri sen, mitä ehkä voisikin olettaa. Eli pienhiukkaspitoisuuden väestöpainotettu vuosikeskiarvo on selvästi suurempi eteläisessä Suomessa, jossa mm. asukkaita, rakennettuja alueita ja liikennettä on enemmän, kun taas pohjoisessa arvot ovat huomattavasti vähäisempiä. Kartan arvot vaihtuvat oikeastaan melko tasaisesti juuri eteläisestä pohjoiseen, mikä näkyy hienosti myös kartan väreissä. Kaikista suurimmat arvot ovat painottuneet etenkin pääkaupunkiseudun alueelle.

Kuva 5. Kloropleettikartalla esitetty kunnittain Suomen pienhiukkaspäästöt väestöpainotettuna keskiarvona vuonna 2015. Lähde: Sotkanet.fi

 

LÄHTEET

Innanen, A. (2021). Annikan GIS-blogi. https://blogs.helsinki.fi/anninnan/ (Käytetty: 22.01.2021.)

Korpi, S. (2021). sakorpi´s blog. https://blogs.helsinki.fi/sakorpi/ (Käytetty: 22.01.2021.)

Kurssimateriaali, kerta 1 (2021). Geoinformatiikan menetelmät 1. Helsingin yliopisto.

Sotkanet.fi (2021). Terveyden ja hyvinvoinninlaitos, Helsinki. 22.01.2021. https://sotkanet.fi/sotkanet/fi/haku

Väisänen, V. (2021). Villen GIS-blogi. https://blogs.helsinki.fi/villvais/ (Käytetty: 22.01.2021.)