Itsenäistymiskipuja (kurssikerta 7)

Tällä kurssikerralla olin kipeänä enkä käynyt kuin kääntymässä luokassa. Onneksi se ei kuitenkaan mainittavasti haitannut, kun tavoitteena oli joka tapauksessa itsenäinen työskentely. Kurssin tiedotusblogissa Arttu varoittaa, että datan etsimiseen saa varata aikaa ja tämä on tullut jo aikaisemmin havaittua todeksi. Tietoa on valtavasti, mutta kaikki tieto ei ole aivan niin laadukasta kuin toivoisi tai siitä puuttuu vielä jotakin, mitä tarvittaisiin tai sitten vaaditaan rekisteröitymistä, mitä aina joutuu vähän aikaa miettimään.

Tällä kertaa datan löytäminen oli kuitenkin suhteellisen helppoa, sillä mieleeni juolahti etsiä aineistoa maailman inhimillisen kehityksen ja tasa-arvon tilasta. Ilokseni sainkin huomata, että YK:lla on paljon mielenkiintoista dataa valmiina ladattavaksi. Kaikki aineistoni tämän kurssikerran karttoihin sain siis YK:n raporteista (United Nations Development Programme 2018) sekä Natural Earth -palvelusta. Koska data oli kahdesta eri lähteestä, jouduin tekemään melkoisen paljon manuaalista korjailua, kun yritin saada valtioiden nimet yhteneväisiksi, jotta tietokantaliitos olisi mahdollinen. Samankaltaiseen nimien yhteensopimattomuuteen törmäsi myös Iina Rusanen Sveitsin alueiden kanssa.

Alueeksi valikoitui koko maailma, sillä tällaisten aiheiden tarkastelu globaalisti on mielestäni kiinnostavampaa kuin yhden maanosan tutkiminen kerrallaan. Alun perin ajattelin kyllä tehdä jonkin kartan Suomen tai Yhdysvaltojen tilastoista, sillä näistä alueista olisi hyvin tietoa tarjolla, mutta mielenkiinnonkohteeni johdattivat toisille urille. Pienempi alue olisi tosin mahdollistanut erilaisia karttoja paremmin. Yritin nimittäin lisätä piirakkakaavioita ja tekstiä valtioiden päälle kuvatakseni esimerkiksi imeväiskuolleisuuden suhdetta bruttokansatuotteeseen, mutta maailman kartalla diagrammeista ei mitenkään saanut tarpeeksi selkeitä. Ne joko menivät päällekkäin tai jäivät liian pieniksi, jotta niitä olisi voinut tulkita.

Vaikka YK:lla on paljon – ja luultavasti myös luotettavaa – dataa tarjolla, sen siirtäminen QGIS:iin ei sitten kuitenkaan ollutkaan niin yksinkertaista. Samaan excel-tiedostoon oli tungettu niin valtavasti  dataa, että sen muokkaaminen järkeväksi cvs-tiedostoksi oli melkoinen urakka. Myöhemmin tosin huomasin, että samat tiedot olisivat olleet saatavilla myös erillisinä cvs-tiedostoina. Omaa sähläämistä siis suurinosa ongelmista.

Ensimmäisessä kartassani kuvaan Inhimillisen kehityksen indeksiä maailmassa. HDI eli Human Development Index lasketaan odotettavissa olevan eliniän, keskimääräisen koulutuksen sekä bruttokansantuotteen pohjalta.

Kuva 1: Valtioiden inhimillisen kehityksen indeksit 2017.

Toisessa kartassani halusin tutkia naisten ja miesten koulutuseroja. Kartta kuvaa sitä, kuinka suuri on koulutusero eri sukupuolten välillä eri maissa. Punaisissa maissa naiset kouluttautuvat pidempään ja sinisissä maissa taas miehet.

Kuva 2: Naisten koulutuksen kesto suhteessa miehiin 2017.

Koin tämän kartan tarkastelun todella mielenkiintoiseksi, sillä en ole ennen vastaavanlaista karttaa nähnyt. Voidaan huomata, että yllättävän suuressa osassa maailmaa, naiset kouluttautuvat pidemmälle. Tosin ero miehiin on melkein poikkeuksetta korkeintaa vuosi eikä näin ollen ole kovin merkittävä. Erikoista on kuitenkin se, että pisimmän koulutuksen suhteessa miehiin naiset hankkivat Yhdistyneissä Arabiemiirikunnissa, jossa ero on 2,2 vuotta. En olisi tätä arvannut etukäteen, mutta juuri tällaisten ennakkoluulojen poistamisessa maailmankartat toimivat hyvin.

Jäljelle jäävissä 111 valtiossa miehet kouluttautuvat naisia pidemmälle ja 51 valtiossa ero koulutusten kestossa on yli vuoden. Kovin suurta yllätystä ei tarjonnut se tieto, että suurin suokupuolten koulutusero on Afganistanissa, jossa naiset käyvät koulua yli 4 vuotta miehiä vähemmän. Kun miehetkin ovat käyneet koulua keskimäärin vain kuusi vuotta, jää naisten koulutus todella surullisen vähäiseksi. Sukupuolten välisen koulutuseron merkitys korostuukin silloin, kun keskimääräisten kouluvuosien määrä jää vähäiseksi.

Ehkä hankalin osuus karttojen teossa on päättää käytettävistä väreistä ja asteikoista. Kuten Aino Peltolakin kirjoittaa, näitä asioita on joutunut pohtimaan paljon tämän kurssin puitteissa ja jokaisen kartan kohdalla edessä on sama ongelma. Tässä koulutuksen sukupuolijakaumaa kuvaavassa kartassa en jostain syystä onnistunut millään saamaan värejä miellyttäviksi, joten kohtalaisen täytyy nyt kelvata. Kokeilin monia vaihtoehtoja, mutta päädyin lopulta kuitenkin käyttämään perinteistä punainen/sininen (tai oikeastaan turkoosi)-jakoa kuvaamaan miesten ja naisten asemaa maailmassa. Kartan tulee kuitenkin olla ennen kaikkea selkeä ja niin kuluneelta kuin punainen ja sininen sukupuolia kuvaavina tuntuvatkin niin ainakin ne on helppo ymmärtää.

Kolmas karttani kuvaa sukupuolten tasa-arvoa maailmassa YK:n Gender development indexin (GDI) avulla. En valitettavasti löytänyt tälle indeksille suomennosta enkä keksinyt hyvää sellaista itsekään. Kutsuttakoon tätä nyt Sukupuolten tasa-arvon kehitys indeksiksi. Tämä indeksi pitää sisällään ylläolevassa kartassa olevan koulutustiedon, mutta lisäksi se huomioi  terveyden ja elintason.

Kuva 3: Gender Development Index 2017

 

Kartasta voidaan nähdä, että tasa-arvo on Afrikkaa ja Etelä-Aasiaa lukuunottamatta ilmeisesti melko korkealla tasolla. Mielenkiintoista on se, että listauksen kärkisijaa pitää Qatar ja Suomi on vasta sijalla 21. Hmmm… En toki tiedä Qatarista kovinkaan paljoa, mutta voisi kuvitella kyseisessä maassa olevan vielä joitakin tasa-arvo-ongelmia. Ulkoministeriö kertoo Qatarista muuan muassa seuraavaa: “Sharia-laissa rikoksiksi luetaan muun muassa alkoholin käyttö, aviorikos (avioliiton ulkopuoliset suhteet) ja homoseksuaalisuus. “Sukupuolelle epäsovinnaisen vaatetuksen käyttö” on niin ikään kielletty. Avioliiton ulkopuolinen raskaus voi myös johtaa tuomioon.” (Ulkoministeriö 2018). Toisaalta, kun tätä indeksiä tarkastelee paremmin niin huomaa, ettei siinä ole mitään mainintaa oikeuksista tai vapaudesta. Ehkäpä ne eivät ole niin olellisia tasa-arvon kannalta…

Tämän kertaisessa kurssitehtävässä mielenkiintoista oli valinnanvapaus. Oli mukavaa valita aihe, joka todella kiinnosti ja lisäksi nähdä, mitä aiheita kurssitoverit ovat valinneet viimeiseksi työkseen. Esimerkiksi Julia Salmi oli valinnut tärkeän aiheen käsitellessään veden saatavuutta Afrikassa ja Saija Suihkon kartoissa vedensaatavuutta oli käsitelty globaalisti. Tämän aiheen olisin mielelläni liittänyt omaan karttasarjaani, sillä onhan vesi oleellisessa osassa hyvinvointia, mutta ei tätä työtä voinut kovin paljon paisuttaa. Puhtaan veden saatavuus olisi ollut myös mielenkiintoista esittää samassa kartassa tai sarjassa kuin imeväiskuolleisuus tai multidimensional poverty index. No, aika ei riitä kaikkeen ja tämä postaus alkaa muutenkin paisua liikaa.

Opin myös kaikenlaista nippelitietoa tätä työtä tehdessäni. Iina Rusaselta opin uutta tietoa Sveitsistä ja omaa aineistoa selaillessani ihmettelin, mikä ihmeen eSwatini aineistossa oli ja opinkin sitten, että Swazimaan virallinen nimi on nykyisin Eswatini (Kotimaisten kielten keskus).

Koska kurssin työt on tehty, pitäisi nyt kai viimeistään olla oppinut jotakin. Kyllä kai niin on vähän huomaamatta käynytkin. QGIS ei tunnu enää alkuunkaan tuntemattomalta ja paljon ongelmia olen saanut ihan omin voimin selätetyksi. Tästä huolimatta, en ole kokenut kovin kummoisia onnistumisen tuntemuksia. Ehkäpä rimani on vain tässäkin liian korkealla enkä osaa nauttia niistä pienistä onnistumisista, joita kuitenkin ihan säännöllisesti kohtaan. En siis ilmeisesti tämänkään kurssin myötä ole muuttunut tietokoneita rakastavaksi ihmiseksi, mutta olen ehkä tullut näitä raivostuttavia laitteita kohtaan kuitenkin myötämielisemmäksi. Yritän jatkossa ihan tosissani pitää yllä näitä vaivalla hankittuja taitoja ja kehittää niitä myös eteenpäin.

Lähteet:

Kotimaisten kielten keskus 2018.  Swazimaa eli Eswatini. https://www.kotus.fi/kielitieto/nimisto/ajankohtaista_nimista/swazimaa_eli_eswatini.28680.news Luettu 4.7.2019

Natural Earth 2019. https://www.naturalearthdata.com/downloads/ Data noudettu 04.07.2019

Peltola A. 2019. Mitä tahansa eli jättipalsamin levinneisyys. https://blogs.helsinki.fi/peltaino/ Luettu 9.7.2019

Rusanen I. 2019. Kielten kauneutta. https://blogs.helsinki.fi/iinarusa/ Luettu 9.7.2019

Salmi J. 2019. Osa 7: The shape of water – vettä ja voimaloita. https://blogs.helsinki.fi/jhsalmi/ Luettu 9.7.2019

Suihko S. 2019. Viikko 7 – Oma työ. https://blogs.helsinki.fi/ssuihko/ Luettu 9.7.2019

Ulkoministeriö 2018. Qatar: matkustustiedote. https://um.fi/matkustustiedote/-/c/QA Luettu 9.7.2019

United Nations Development Programme 2018. Human development reports. http://hdr.undp.org/en/data-explorer Data noudettu 04.07.2019

Hasardeja ja tiedonetsintää (kurssikerta 6)

Tällä kurssikerralla pääsimme jopa haukkaamaan happea raikkaaseen kevätaamuun (todisteena kevään saapumisesta oli ulkoilun jälkeen luokassakin pajunkissoja). Käytimme Epicollect5-sovellusta, johon olinkin jonkin aikaa sitten didaktiikan kurssilla tutustunut ja jota pidän erittäin loistavana työkaluna. Ainoa huono puoli siinä on se, että projektin nimeä keksittäessä täytyy olla todella kekseliäs, sillä melkein kaikki helpot nimet on jo varattu. Tällä kertaa se ei toki meidän ongelmamme ollutkaan, sillä teimme merkintöjä Artun valmiiksi luomaan projektiin.

Luokkatilaan päästyämme, pääsimme tutustumaan interpolation-lisäosaan. Tämä olikin mielestäni mainio lisä jo oppimieni työkalujen joukkoon. Kuvittelinsin, että interpoloimalla voi saada hyvinkin mielenkiintoisia visualisointeja aikaiseksi. Täytyy muistaa tämä ja kokeilla eri aineistoilla myöhemmin.

Tavoitteena tällä kurssikerralla oli opetella noutamaan dataa internetistä ja muokkaamaan se sellaiseen muotoon, että sitä voi QGIS:issä käyttää. Koen tämän olevan kurssimme ehkä tärkein asia, sillä kaikki karttojen tekeminen lähtee siitä, että saat ongittua tarvittavan datan jostakin. Vaikeinta tällä kurssikerralla oli kuitenkin tehtävänanto, jonka mukaan tavoitteena on tuottaa materiaalia “jota voisit opettajana käyttää tuntiopetuksessa”.  Voi, apua! Toisten tuottamaa aineistoa on niin kiva kritisoida, mutta kuinka tehdä itse täydelliset kartat, joita kehtaisi esitellä oppilaille? Sitten tajusinkin, että itse asiassa mitä tahansa karttaahan voi käyttää opetuksessa, sillä sen puutteiden tai harhaanjohtavien ominaisuuksien pohdinta voi olla oikein hedelmällinen osa opetusta. No, nythän tästä tehtävästä tuli sitten helppo :D.

Päätin ensin tehdä kartan löydetyistä meteoriittien osumakohdista. Tässä kartassa mielenkiintoista on meteoriittien selkeä painottuminen tietyille alueille, joten päätin lisätä karttaan vielä valtioiden väestöntiheyden vähän antamaan osviittaa siitä, miksi tällaisia meteoriittisumia löytyy esimerkiksi Keski-Euroopasta ja Intiasta. Tosin kaikilla alueilla väestöntiheys ei selitä asiaa vaan oppilaiden kanssa pitäisi pohtia muitakin meteoriittilöytöihin vaikuttavia tekijöitä. Voisiko esimerkiksi vaikeakulkuisella sademetsällä olla jotakin tekemistä sen kanssa, että Brasilian länsiosiin ei ole kartan mukaan meteoriitteja pudonnut?

Kuva 1: Löydetyt meteoriittien osumat ja valtioiden asukastiheys

Toiseen karttaan tein pylväät kuvaamaan tulivuorten määrää valtioissa. Halusin tähänkin karttaan jättää väestöntiheyden, sillä se on myös erinomaista keskustelumateriaalia kouluopetuksessa. Tokikaan kaikissa tiheään asutuissa maissa ei ole tulivuoria, mutta erityisesti Kaakkois-Aasian saarivaltioissa huomaa hyödynnetyn tulivuorten purkausten muokkaamaa viljavaa maata.

Kuva 2: Tulivuorten määrä kuvattuna pylväinä valtioittain väentiheyttä kuvaavan koropleettikartan päällä

Kolmannesta kartasta selviää yksinkertaisesti tulivuorten sijainti suhteessa listosfäärilaattojen rajoihin. On mukava huomata, että tällaisen yksinkertaisen kartan tekeminen on jo todella helppoa. Kun kaikki materiaali on saatavilla, on karttojen teko lähinnä esteettisyyden pohdintaa. Huomattavasti vaikeampaa on uuden datan etsiminen. Huomaan kuitenkin kehittyneeni siinäkin, joten ehkäpä saan aikanaan merkityksellisiäkin karttoja aikaiseksi.

Kuva 3: Maailman tulivuorten sijainti ja litosfäärilaattojen rajat

Jätin kartoista mittakaavan pois, sillä eihän sitä useinkaan maailmankartassa käytetä ja tällaisen projektion kanssa se tuntuisi lähinnä vitsiltä. Mietin kovasti tarvitaanko pohjoisnuoltakaan, mutta päädyin sen sitten kuitenkin noihin laittamaan. Elisa Aho oli blogissaan sijoittanut pohjoisnuolen legendalaatikon sisään, mikä oli teki mielestäni kartasta miellyttävän yksinkertaisen näköisen. Emilia Ihalainen taas venytti legendan koko kartan levyiseksi, joilloin se ei jäänyt irrallisen näköiseksi laatikoksi kartan päälle.

Enempää karttoja en nyt ehtinyt tehdä, mutta oli mielenkiintoista katsella millaisia karttoja muut kurssilaiset olivat päätyneet tekemään. Esimerkiksi Pasi Okkosen heatmap voisi olla opetuksessa todella hyvä maanjäristysten ja litosfäärilaattojen liikkeeiden yhteyden havainnollistajana. Muiden kartoista saa kyllä hyviä ideoita omiin tuotoksiin. Toivottavasti nämä ajatukset löytyvät päästä vielä silloin, kun niille olisi tarvetta.

Lähteet:

Aho E. 2019. Melko hasardia. https://blogs.helsinki.fi/elqaho/ Luettu 27.6.2019

Fraxen/tectonicplates https://github.com/fraxen/tectonicplates

Ihalainen E. 2019. Viikko 6 -Hasardit. https://blogs.helsinki.fi/ihem/ Luettu 27.6.2019

Okkonen P. 2019. Viikko 6. Itsenäistä paikkatiedon tuottamista ja visualisointia. https://blogs.helsinki.fi/pasiokko/ Luettu 27.6.2019

 

Ongelmia ongelmien perään (kurssikerta 5)

Tämä kirjoitus on antanut odottaa itseään jo muutaman kuukauden. Aikamoisen masentavaa… Taistelin ensin  viidennen kurssikerran tehtävien kanssa pari viikkoa, mutta en vain onnistunut tekemään töitä valmiiksi, sillä QGIS kaatui JOKA PAHUKSEN KERTA. Onneksi Arttu antoi loppujen lopuksi vihjeen, että kannattaa tehdä tarvittavat toiminnot osissa niin, että valitsee ensin puolet attribuuttitaulukon riveistä ja tekee niillä halutun toiminnon ja toistaa saman sitten lopuilla riveillä. No, johan alkoi taas sujua.

Huomasin kuitenkin, etten ilmeisesti ollut onnistunut lataaman kurssikerran aineistoa virheettömänä ja tästä seurasi sitten omanlaisiaan ongelmia, kun en saanut esimerkiksi valittua tiettyjä taajama-alueita vaikka yritin kyllä aika pahuksen monella konstilla. Monta kertaa poistin kaikki tehtävään liittyvät tiedostot ja yritin ladata aineistot uudestaan, mutta aina vain entistä huonommalla menestyksellä. Aina jossakin tasossa tuntui olevan ongelmia ja tiedostojen joukosta löytyi joku error-tiedosto. Lopulta päädyin hakemaan tiedostot suoraan Artulta, että pääsisin tehtävässä eteenpäin ja tiedostot vaikuttivat olevan ihan kunnossa.

Seuraavat ongelmat tulivat “Join attributes by location” -työkalun kanssa. Luulin osaavani kyseistä toimintoa käyttää, mutta se ei vain toiminut. En kerta kaikkiaan ymmärrä. Muissa projekteissa sain sen kyllä toimimaan, joten kuvittelisin osaavani sitä käyttää, mutta jokin ei nyt mennyt ihan niin kuin piti. Myöskään “Count points in polygon” ei toiminut vaikka sillä olisin saanut samat tiedot uima-altaista laskettua. Jouduin sitten siirtymään uima-allastehtävästä koulutehtävän tekoon, sillä se ei vaatinut karttaa. Luovuttaminen tässä tehtävässä oli tosin melkoisen masentavaa, kun on uhrannut tämän eteen valtavasti aikaa ja energiaa eikä silti saa työtä tehtyä, varsinkin, kun näkee, että muut kurssilaiset (esimerkiksi Eemil Haapanen) ovat saaneet kartat mallikkaasti valmiiksi. Loppujen lopuksi ajatukset olivat kuitenkin jo niin sekaisin, etten vähimmässäkään määrin tiedä, sainko yhteenkään kurssikerran tehtävään oikeaa vastausta – ja nyt en kyllä ala enää uudestaan näitä tekemään. Ei mennyt tämä tehtävä ihan putkeen.

No, QGIS käy joka tapauksessa viikko viikolta tutummaksi ja on mahtavaa huomata, että kykenee jo tekemään joitakin työvaiheita ilman apua. Mahtavinta on se, että keksii kaksi eri tapaa tehdä sama asia. Suosikkityökaluni tällä hetkellä on ehdottomasti “Invert Feature Selection”, jonka avulla saa helposti valittua niitäkin kohteita, joiden saaminen valituiksi muuten aiheuttaisi päänvaivaa.

Erityisesti tutustuimme tällä kurssikerralla bufferointiin ja “Spatial Query” -laajennusosan käyttöön. Molemmat työkalut osoittautuivat todella käteviksi.  Kuten Juho Kauppi kirjoittaa, molemmat työkalut ovat todella monikäyttöisiä ja käteviä käyttää.

Vaikka tunnen jo oppineeni QGIS:in käytön kohtuullisen hyvin, harmistusta aiheuttaa se, ettei kurssikerroilla ole aikaa kysellä mieltä askarruttavia asioita. Tahti on niin tiivis, että paljon asioita jää kysymättä ja näin ollen myös oppimatta. Vilma Kaukavuorikin totesi, että monia asioita jäi tunnin jälkeen vielä epäselväksi. Toki paljon asioita oppii itsekin, kunhan vain harjoittelee ja etsiskelee oikeita työkaluja, mutta joskus eteenpäin pääseminen olisi mukavampaa ammattilaisen avustuksella.

Toinen hieman työskentelyä hankaloittava tekijä on QGIS:n uudemmat versiot. GIS-luokissa käytettyä Las Palmas -versioita, kun ei kaikilla kirjaston tietokoneilla ole ja välillä tulee törmättyä Madeiraan. Suurin osa toiminnoista on tietysti samoja, mutta suureksi kauhukseni en aluksi löytänyt suosikkityökaluani “Invert Feature Selectionia” mistään. No, nyt sitten olen sen löytänyt, joten ongelma oli todennäköisesti vain se, etten käyttänyt silmiäni. Toinen ongelmani on se, etten löydä “Spatial Query” -laajennusosaa. Se olisi tälläkin hetkellä tarpeen, mutta en vain tiedä, mistä sen saisin. No, tästä ei ole suunta kuin ylös päin….toivottavasti.

Lähde:

Haapanen E. 2019. Kurssikerta 5 – buffereita ja putkiremontteja. https://blogs.helsinki.fi/hceemil/Luettu 14.5.2019

Kaukavuori V. 2019. Talojen suuret ikäluokat lähestyvät putkiremontti-ikää. https://blogs.helsinki.fi/vilmakau/ Luettu 3.4.2019

Kauppi J. 2019. Kurssikerta 5. https://blogs.helsinki.fi/juhokaup/ Luettu 3.4.2019

 

Ruutuaineistoa Helsingin väestöstä (kurssikerta 4)

Kerrankin on kurssikerran jälkeen oikeastaan ihan positiivinen olo. Taisin jopa oppia jotain. Hiljalleen alkaa herätä toivo siitä, että QGIS:n käyttö olisi mahdollista ilman äärimmäisen seikkaperäisiä ohjeita. Toistoja, toistoja, toistoja… Kyllä kai se tästä lähtee sujumaan.

Tällä kurssikerralla tutkittiin pääkaupunkiseudun väestötietoja ja muodostettiin niiden pohjalta omia ruututietokantoja. Oli sinänsä pelottavaa nähdä, kuinka tarkkoja aineistoja meillä on käytettävissä, sillä yleensähän yksityisyyden suojan vuoksi yksittäisistä ihmisistä ei saa tilastoista juuri mitään tietoa, mutta tällä kurssikerralla käytetty aineisto paljastaa yksittäisestä talosta, minkä ikäinen, minkä kielinen ja kumpaan sukupuoleen kuuluva henkilö siellä asustaa. Hieman karmivaa oikeastaan. Toivottavasti kaikilla tutkijoilla (ja opiskelijoilla) pysyy tutkimusetiikka mielessä.

Päätin tehdä karttani helsinkiläisten keski-iän vaihteluista eri alueilla. Helsinkiläisten keski-ikä on 40,6 vuotta (Helsingin kaupunki 2018), mutta koska eri asuinalueet vetoavat erilaisiin ihmisiin, on oletettavaa, että keski-ikä vaihtelee kaupungin sisällä merkittävästi. Onnistuin suureksi ilokseni valikoimaan mukaan vain Helsingin rajojen sisäpuolella olevat väestöpisteet ja valitsin ruutujeni kooksi 250 m x 250 m. Ajattelin, että pienemmät ruudut toisivat vaihteluita paremmin esille. Lopputuloksena oli kartta (Kuva 1), jolla ruutujen keski-iät vaihtelevat todella rajusti. Alhaisin keski-ikä on 11 vuotta ja korkein 90 vuotta. Voikohan tämä tosiaan pitää paikkaansa? Tekiköhän kukaan muu samankaltaista karttaa? Suurin osa ruuduista sentään asettui tutulle ja turvalliselle keskivälille.

Kuva 1: Helsinkiläisten keski-ikä 250 m x 250 m -ruutuaineistossa

Koska oli mielestäni erikoista löytää Helsingistä näitä ääriarvojen ruutuja, päätin tietenkin yrittää selvittää, mikä näitä arvoja voisi selittää. Open Street Map ei tunnilla suostunut toimimaan, mutta myöhemmin onnistuin saamaan sen ruutuaineistoni taustalle (ja toki myös kaatamaan QGIS:n sen kanssa). Työskentely muuttui kuitenkin niin hitaaksi Open Street Mapin kanssa, että jouduin luopumaan koko yrityksestä.

Ruutuja, joiden keski-ikä oli alle 20 vuotta, oli 10. Ensimmäinen ajatukseni oli, että näissä ruuduissa saattoi olla päiväkoteja tai kouluja, joka selittäisi suurperheiden sijoittuminen näille alueille. Näin tosiaan näytti joissakin tapauksissa olevan. Erikoisin tapaus oli kuitenkin ruutu, jolla asui vain yksi lapsi eikä ketään muuta. Kuinkakohan tämä on käytännössä mahdollista? Kuvittelisin, että lapsen on ihan lain mukaankin asuttava jonkun toisen henkilön kanssa. Aika hämmentävää. Edelleenkin herää epäilys siitä, että onnistuin tekemään jotakin hieman pieleen. Ikähaitarin yläpäässä olevat ruudut selittyivät asukkaiden vähyydellä. Käytännössä kaikissa korkean keski-iän ruuduissa asui vain muutama ihminen, jolloin tietysti keskiarvokin määräytyy näiden yksittäisten ihmisten iän mukaan.

250 m x 250 m -ruudut ovat kuitenkin sen verran pieniä, että päätin selvittää myös, miten ruutujen suurentaminen muuttaisi karttaa. Kun ruutujen koko oli 500 m x 500 m, tuli kartasta hieman selkeämpi, mutta ruutujen väliset erot myös vähenivät huomattavasti (Kuva 2). Pienemmät ruudut siis tosiaankin sopivat parhaiten erojen havaitsemiseen, mutta ehkäpä tällöin pitäisi tutkia pienempää aluetta kuin koko kuntaa.

Kuva 2: Helsinkiläisten keski-ikä 500 m x 500 m -ruutuaineistossa

Nyt, kun jälkeen päin katselen tekemiäni karttoja, huomaan, että niiden olisi ehkä kannattanut vielä muokata. Kirsi Ylinen on tehnyt mielestäni hienoja karttoja, joissa väestöruutujen reunat on poistettu, jolloin kartasta saa huomattavasti pehmeämmän vaikutelman (toki vaaleanpunaisella värilläkin voi olla osuutensa asiaan). Myös tietön lisääminen karttaan oli mielestäni Kirsiltä hyvä idea, sillä se helpottaa alueen hahmottamista huomattavasti.

QGIS:n perustoiminnot alkavat vihdoin olla jotakuinkin hallussa ja näyttää siltä, että tällä ohjelmalla pystyy tekemään melkoisen hyviä karttoja, kunhan on vaan mielenkiintoiset aineistot saatavilla.

Lähteet:

Helsingin kaupunki 2018. Tilastotietoja Helsingistä 2018. https://www.hel.fi/hel2/tietokeskus/julkaisut/pdf/18_11_15_tasku18_su_net.pdf Luettu 6.2.2019

Ylinen K.  2019. Ruudun takaa. https://blogs.helsinki.fi/yxkirsi/ Luettu 3.4.2019

Haasteena järvisyys (kurssikerta 3)

Kolmannella kurssikerralla opettelimme tekemään tietokantaliitoksia. Tietokantojen muokkaaminen tulee varmasti tulevaisuudessa tarpeeseen, sillä aina aineistoa ei löydä juuri siinä muodossa kuin sen toivoisi olevan. Hyödyllinen taito siis. Kunpa vain muistaisin siitä jotain. Nämä uudet opit tuntuvat häviävän aivoista yllättävän nopeasti.

Ensimmäiseksi muokkasimme ja yhdistelimme tietokantoja, jotka antoivat meille informaatiota Afrikan valtioista, timantti- ja öljyvaroista sekä kyseisen mantereen konflikteista. Vaikka esimerkiksi Henni Wessmann, koki, että timanttikaivosten ja konfliktien välillä oli selvä yhteys, itse koin aika mielenkiintoisena sen, miten vähän öljy- ja timanttiesiintymillä tuntui olevan yhteyttä konfliktien sijoittumisen kanssa. Tämä kertoo toki konfliktien moninaisista syistä.

Mielenkiintoista olisi ollut saada samaan karttaan vielä jotakin informaatiota vesivaroista, sillä vesihän on tunnetusti aiheuttanut pahoja konflikteja. Mieleeni on jäänyt viime syyskuulta Markku Löytösen luento, jolla hän väitti veden olevan tekijä vielä huomattavasti suuremmassa osassa konflikteista kuin mitä asian tilastoinnissa on myönnetty. Jos aikaa olisi enemmän, näiden tietokantojen kanssa voisi viettää enemmänkin aikaa tutkien, millaisia vaikutuksia esimekiksi timanttiesiintymien löytymisellä on valtiolle ollut tai onko öljylähteiden löytyminen nopeuttanut valtion kehitystä.

Seuraavaksi siirryimme vesistöaiheisten karttojen tekoon. Tutustuin ensin tarjolla oleviin aineistoihin ja tein niiden pohjalta kartan Suomen valuma-aluiesta (Kuva 1). Päätin tällä kertaa kokeilla, miltä näyttää mittakaava kartan yläosassa. Yleensä se on mielestäni parempi alhaalla, mutta siellä ei vain tällä kertaa tuntunut olevan tilaa.

Kuva 1: Suomen valuma-alueet

Toiseen karttaan laitoin värit tulvaindeksien mukaan (Kuva 2). Uutisista on tullutkin jo selväksi, että Suomen suurimmat tulvat koetaan Pohjanmaan alueella ja tämä kartta näyttää vahvistavan asian. Päädyin tekemään erilliset kartat järvisyydestä ja valuma-alueista, sillä en kokenut pylväitä koropleettikartan päällä kovin selkeiksi. Paremmin näistä arvoista saa mielestäni selvää katsomalla karttoja vierekkäin.

Kuva 2: Koropleettikartta Suomen valuma-aluiden tulvaindekseistä

Kiinnostaisi tietää, kuinka moni sai laskettua annetusta aineistosta järvisyyden? Se oli nyt tällä kurssikerralla tavoitteena, mutta itse en ainakaan onnistunut keksimään, kuinka se oli tarkoitus saada annetun aineiston pohjalta laskettua. Osittain ongelmana on se, että nuo attribuuttitaulukoiden otsikot ovat niin lyhyitä, ettei kaikista oikein ymmärrä, mitä lukuja ne ovat. Loppujen lopuksi käytin siis valmiiksi laskettua dataa ja sain aikaan alla olevan kartan (Kuva 3).

Kuva 3: Koropleettikartta järvien osuudesta Suomen valuma-alueilla

Kenellekään tuskin tuli yllätyksenä, että järvisyys oli suurinta Järvi-Suomen alueella. Kun verrataan tätä karttaa edelliseen tulvaindeksikarttaan, nähdään, että ne ovat oikeastaan toistensa negatiivit. Kuten Meri-Helmi Viinikainenkin toteaa, selityksenä on varmastikin, se, että järvien kyky varastoida vettä vähentää jokien tulvimistodennäköisyyttä. Tästä kartasta näkee kyllä aika hienosti Suomen jakautumisen vesistöjen mukaan. Olisin ehkä voinut muokata vielä luokkavälejä hieman, mutta on hankala päättää, mikä olisi paras luokkajako. Jotenkin haluaisin, että luokkavälit olisivat tasaiset, ettei karttaa lukiessa tarvitsisi koko ajan vilkuilla selitettä, mutta sitten kuitekin olisi hyvä, että jokaiseen luokkaan osuisi suunnilleen tasamäärä kohteita, että kartta olisi tasapainoisen näköinen. Tähän ongelmanratkaisuun yritänkin jatkossa panostaa, jotta voisin tulevaisuudessa olla ihan rehellisesti ylpeä tekemistäni kartoista.

Mukavaa tällä viikolla oli huomata, että attribuuttitaulukon muokkaaminen sujui hyvin. Viime viikon kertailu on siis ilmeisesti tuottanut tulosta. Tämän lisäksi tajusin vihdoinkin kirjoittaa joitakin ohjeita ylös tunnilla niin, että itsenäinen harjoittelu helpottuu huomattavasti. Eiköhän tämä tästä…

Lähteet:

Viinikainen M. 2019. Viikko 3 – Tietokantaliitokset. https://blogs.helsinki.fi/merihevi/ Luettu 3.4.2019

Wessmann H. 2019. Viikko 3 – Timantteja ja tulvia. https://blogs.helsinki.fi/henniwes/ Luettu 3.4.2019

Mahtaileva Mercator ja muita projektioita (kurssikerta 2)

Toisen kurssikerran tarkoitus oli tutustuttaa meidät attribuuttitaulukon muokkaamiseen ja samalla projektioiden eroihin. Tätä aihetta tuskin voi käsitellä liikaa. Vaikka tiedostankin, että projektion valinta vaikuttaa merkittävästi siihen, minkälaisen käsityksen kartasta saa, olen silti hieman laiska selvittelemään, mikä projektio milloinkin on käytössä ja mitä se vääristää. Yksikään projektiohan ei ole täydellinen ja meidän tehtäväksemme jää vain valita parhaiten kulloiseenkin käyttötarkoitukseen sopiva projektio ja yritettävä pitää mielessä sen vääristämät asiat. Niin kuin Elisa Aho hienosti asian muotoili: “katsoessamme kaksiulotteista karttaa, voimme aina sanoa ainakin, että tässä on jotakin hyvin pielessä”. Ei myöskään voi olettaa, että kartoista olisi edes pyritty tekemään todenmukaisia, sillä kuten Elina Huhtinen sanoo: “yleensä tiedon esittäjä valitsee itselleen parhaan projektion”.

Ensimmäiseksi tutustuimme tunnilla sellaisiin kirjainyhdistelmiin kuin WMS, WMTS, WCS ja WFS. Kuten Elina Huhtiselle, nämä olivat minullekin täysin uusia, mystisiä lyhenteitä. Valitettavasti, kuten Nestori Grönholmille, rajapintojen käsite jäi minullekin kurssikerran jälkeen edelleen hieman hämärän peittoon, mutta toisin kuin Nestori, en Wikipediaan perehtymisen jälkeenkään aivan ymmärrä, mitä rajapinnoilla tarkoitetaan. Susanna Kukkavuori oli tosin kirjoittanut tunnilla selitetyistä asioista mukavan yhteenvedon, joka auttoi hieman.

Pääosan kurssikerroista kuitenkin keskityimme vertailemaan projektioita sen pohjalta, kuinka paljon ne vääristävät pinta-aloja. Vertailukohdaksi otin Suomessa käytettävän ETRS-TM35FIN projektion, jonka pitäisi Suomen kohdalla olla varsin tarkka. Tein vertailua ensin rajaamalla Lapista Savukosken kunnan (Kuva 1) ja laskemalla sen pinta-alan. Projektiota vaihtamalla selvisi, kuinka pinta-ala muuttui samalla. Samoin mittasin Suomen leveyden Pohjois-Lapissa (Kuva 1) ja vertasin lukuja eri projektioissa.

Kuva 1: Projektioiden vertailussa käytetty alue ja suora

Taulukosta voidaan nähdä, että sekä pituuksissa että pinta-aloissa oli merkittäviä eroja. Ei ihme, että Mercatorin projektiota on kovin kritisoitu, sillä sen mukaan Savukoski olisi pinta-alaltaan melkein seitsemänkertainen todellisuuteen verrattuna. Tietenkin pohjoisen kansoille Mercator on siitä mukava projektio, että pienetkin valtiot voi erottaa maailmankartalta. Monissa (pinta-alaltaan realistisemmissa) projektioissa Suomikin jää kovin mitättömään asemaan. Juuri tämä pohjoisen korostaminen on tietenkin se, mistä Mercator saakin kritiikkiä. Suurin osa maailman ihmisistä, kun ei kuitenkaan asu täällä. Taulukosta kuitenkin selviää, että Mercator ei suinkaan ole ainoa – eikä edes pahin – pinta-alojen vääristäjä. Mercatorin projektion saama kritiikki liittyykin oleellisesti siihen, että se lienee maailman tunnetuin projektio.

projektio pinta-ala (km²) pituus (km)
ETRS89 / ETRS-TM35FIN 6422,053 217,007
sphere robinson 8723,685 349,758
sphere stereographic 14466,957 323,511
sphere mercator 44435,081 584,012
sphere Miller Cylindrical 58853,848 889,835

Kuten niin monessa muussakin asiassa, kartta toimii hyvänä havainnollistajana myös projektioiden eroissa. Koropleettikarttojen käyttäminen pinta-alojen vääristymien esittämisessä toimii kuitenkin parhaiten ehkä juuri pienemmillä, korkeintaan yhden valtion kokoisilla alueilla. Koko maailman mittakaavassa sen sijaan koen, että Tissotin indikaattorit (Interactive Albun of Map Projections 2.0) toimivat paremmin ja itse olen näistä ellipsien muodoista saanut suurimmat projektioita koskevat ahaa-elämykseni. Ilmeisesti en ole ajatukseni kanssa yksin, sillä myös Susanna Kukkavuori on käyttänyt Tissotin indikaattoreita blogissaan.

Kuva 2: Tissotin indikaattorit osoittavat vääristymät Equidistant Conic -projektiossa

Jotta saisin hieman harjoitusta attribuuttitaulukoiden muokkauksesta, päätin tehdä omat karttansa kaikista neljästä vertailemistani projektioista. Niin kuin Sini-Maaria Ahtinenkin toteaa, asiat jäivät paremmin mieleen, kun toimintoja toisteli useampaan kertaan.

Pääpiirteissään Mercator (Kuva 3), Miller Cylindrical (Kuva 4) ja Robinson (Kuva 5) -kartat näyttävät lähes identtisiltä, vain suuruusluokka vaihtelee. Stereographic projektio (Kuva 6) sen sijaan viistoine muutoslinjoineen selkeästi erilainen.

Kuva 3: Koropleettikartta, jossa Mercatorin projektion esittämät pinta-alat suhteessa ETRS-TM35FIN projektioon
Kuva 4: Koropleettikartta, jossa Miller Cylindrical projektion esittämät pinta-alat suhteessa ETRS-TM35FIN projektioon
Kuva 5: Koropleettikartta, jossa Robinsonin projektion esittämät pinta-alat suhteessa ETRS-TM35FIN projektioon
Kuva 6: Koropleettikartta, jossa Stereographic projektion esittämät pinta-alat suhteessa ETRS-TM35FIN projektioon

Hieman enemmän vaihtelua karttojen välille olisi voinut saada käyttämällä projektioita, joiden leikkauspiste on Suomea pohjoisempana, niin kuin Eemil Haapanen oli tehnyt. Myös Nestori Grönholm oli saanut Mollweidin projektiosta aikaan mielenkiintoisen kartan, jonka suuruusvirheet eivät vaikuttaneet noudattavan itse tekemieni karttojen logiikkaa.

Viisi luokkaa näissä koropleettikartoissa kuvaa mielestäni hienosti tätä pinta-alojen vääristymän muutosta. Kokeilin jokaiseen karttaan eri värimaailmaa ihan vain testatakseni, löytyykö jokin erityisesti omaa silmääni miellyttävää vaihtoehtoa. Näköjään QGIS tarjoaa ihan mukavasti vaihtoehtoja, sillä yksikään väriskaala ei ole mielestäni ylitse muiden ja asia tulee niissä kaikissa kyllä selkeästi esille. Ei muuta kuin seuraaviin töihin.

Lähteet:

Aho E. 2019. Kartan kolme valhetta ja pinta-aloja. https://blogs.helsinki.fi/elqaho/ Luettu 13.3.2019

Ahtinen S. 2019. QGIS ja hermoromahduksen ensiaskeleet. https://blogs.helsinki.fi/ahtisini/ Luettu 13.3.2019

Grönholm N. 2019. Luku 2. QGIS, tuo ikuinen mysteeri. https://blogs.helsinki.fi/nestorig/ Luettu 13.3.2019

Haapanen E. 2019. Kurssikerta 2 – Karttaprojektiot. https://blogs.helsinki.fi/hceemil/ Luettu 13.3.2019

Huhtinen E. 2019. Viikko 2 -projektion vaikutus karttaan. https://blogs.helsinki.fi/huhelina/ Luettu 13.3.2019

Interactive Album of Map Projections 2.0 http://projections.mgis.psu.edu/ Luettu 13.3.2019

Kukkavuori S. 2019. Datan lähteistä ja karttaprojektioiden vertailusta. https://blogs.helsinki.fi/kukkasus/Luettu 3.4.2019

 

Itämeren typpipäästöt, lasten osuus Suomen kunnissa ja ensikosketus QGIS:iin (kurssikerta 1)

Koska QGIS oli ennen viime keskiviikkoa minulle vielä täysi tuntemattomuus, pelkäsin, että tästä saattaa vielä tulla työläs kurssi. Onneksi kyseinen ohjelmisto vaikuttaa (kattavien ohjeiden ollessa saatavilla) kuitenkin ihan hallittavalta. Ensimmäisenä harjoituksena teimme valmiin aineiston pohjalta kartan, joka kuvaa Itämeren typpipäästöjä.

Itämeren typpipäästöjen prosenttiosuudet valtioittain 2016

Tämä karttahan oli heti järkytys ilmestyessään näytölle. Miten on mahdollista, että Viro on onnistunut ainoana valtiona pääsemään alimpaan luokittelukategoriaan. Ja miksi Suomi ei ole siinä!?! Sentään pistemäinen typpikuorma on meillä vuoden 1990 jälkeen vähentynyt merkittävät 56% (Ymparisto.fi), mutta tehtävää näyttää vielä olevan ennen kuin päästään alimpaan päästökategoriaan. Toki nämä luokkarajat ovat myös melko sattumanvaraisia ja ehkäpä niitä olisi vielä pitänyt säätää.

Vilma Pylkkö oli tehnyt kartassaan mielestäni mainion valinnan ja käyttänyt ympyrädiagrammeja typpipäästöjä kuvaamaan. Tämä ratksaisu havainnollistaa valtioiden välisiä eroja aivan eri tavalla. Vilman kartasta voidaan huomata, että päästömäärät eivät pääsääntöisesti vaihtele kovinkaan paljon valtioiden välillä, mutta Puola pistää negatiivisessa mielessä pahasti silmään. Toisin kuin Vilma en kuitenkaan koe, että oma karttani vääristäisi informaatiota, se vain kiinnittää huomion eri asioihin. Esimerkiksi Viron onnistuminen päästöjen rajoittamisessa tulee koropleettikartassa ehkä jopa paremmin ilmi.

Visuaalisessa mielessä koen karttani onnistuneen kohtuullisesti vaikka monia valintoja jouduinkin pohtimaan pitkään.  Iina Rusanen pohti blogissaan omaa karttaansa analysoidessaan, että järvet “vaikuttavat hyvin irrallisilta muuhun karttaan nähden”. Iina arveli sen johtuvan väristyksestä, joka toki on varmasti osa syy, mutta luulen, ettei järviä saada täydellisesti sopimaan tämän tyyliseen karttan mitenkään. Itse pohdin pitkään, pitäisikö järvet jättää kartasta kokonaan pois, sillä ne eivät oikeastaan anna Itämeren typpitilanteesta mitään informaatiota eikä tästä kartassa toisaalta saa juuri mitään muuta maastokarttaan kuuluvaa tietoa irti, joten järvet jäävät väkisinkin hieman irrallisiksi – ei niinkään värityksensä vaan aiheensa puolesta. Jos järviä olisi vähemmän, ne eivät varmastikaan muodostaisi niin hallitsevaa elementtiä. Lopulta päädyin kuitenkin jättämään järvet näkyville ilmeisesti liian pelkistäminen pelossa.

Harkitsin myös syvyyskäyrien poistamista näkymästä, sillä kuten Johanna Mölsä, koen, että ne ovat tässä mittakaavassa melko turhat ja niiden tarkka ilmaiseminen legendassa on lähinnä oudon näköistä. Koska syvyyskäyrillä sentään on jotakin tekemistä Itämeren sekä sen saastekulkeumien kanssa, annoin niidenkin lopulta jäädä karttaani.

Yksi merkittävimmistä kartan ulkonäköön ja toki luettavuuteenkin vaikuttavista asioista on valittu värimaailma. Vaikka esimerkiksi Vilma Kaukavuori on valinnut karttaansa kauniin ja rauhallisen vihreän värimaailman, koin itse, että typpipäästöistä kertovan kartan värit saavatkin hieman räväyttää kunhan eivät nyt sentään migreeniä saa aikaan katsojille. Suurempi kontrasti Itämeren typpipäästöjä aiheuttavien ja muiden taustamaiden välillä korostaa kuitenkin kartan päätarkoitusta.

Muutaman päivän tauon jälkeen avasin QGIS:n uudelleen ja valmistauduin tekemään koropleettikarttaa Suomen kunta-aineiston pohjalta. Vaikka kaikki tieto edelliseltä oppitunnilta tuntuikin valuneen johonkin aivoista johonkin ihan muualle, yllätyin siitä, kuinka helposti sain luotua tämän kartan lapsien (0-14 -vuotiaat) osuudesta Suomen kunnissa.

0-14 -vuotiaiden osuus (%) asukasluvusta Suomen kunnissa vuonna 2015

Lopputuloksen koen ihan mielenkiintoiseksi. Kuten arvata saattaa, suurimpia lasten osuudet olivat kasvukeskittymien lähellä, jotka koetaan ehkä hyviksi asuinpaikoiksi lapsiperheille, joiden vanhemmista vähintään yksi on usein työelämässä. Näiden lisäksi kuitenkin myös Pohjanmaa erottuu selkeästi korkeilla osuuksillaan jokaista pientä ja suurta kuntaa myöten, kun taas Itä-Suomessa lapset loistavat poissaolollaan. Mielenkiintoista on myös se, että tekemäni kartta lasten suhteellisista osuuksista näyttää melkein käänteiseltä Juuso Kervisen eläkeläisten osuuksia kuvaavaan karttaan verrattuna.

Tähän karttaan valitsin violetit värit ihan vain kokeillakseni, kuinka ne toimivat ja ihan mukavaltahan tuo näyttää, melko rauhalliselta luulisin. Kuten Ida Lehtonen, toivon myös itse onnistuvani kehittämään värisilmääni tämän kurssin aikana. Muiden opiskelijoiden tekemät kartat antavat varmasti ideoita ja havahduttavat uusiin mahdollisuuksiin kartan teossa. Tai sitten annan QGIS:ille joku päivä vapaat kädet ja katson, kuinka hulvattoman värimaailman se onnistuukaan luomaan sattumanvaraisilla väreillään…

Koska olen lähtökohtaisesti tietotekniikan kanssa heikosti toimeentuleva ja kärsimätön ihminen, yllätyin siitä, miten kivuttomasti ensimmäinen QGIS-tunti ja itsenäinen kartan teko sujui. Suurimmaksi vaikeudeksi osoittautui QGIS:in hermoja raastava hitaus, jonka Tuomas Hietarantakin oli huomannut. Ilmeisesti Suomessa on järviä sittenkin muutama liikaa, kun jokaisen muutoksen tehdessään joutui hieman odottelemaan koneen reagointia. Kurssikerralla tehty kartta muotoutui lopulliseen muotoonsa kuitenkin melko nopeasti, samoin kuin lasten osuudesta kertova karttakin ja siitä voisi päätellä, että tällä ohjelmistolla voisi kokeneempana saada melkoisen hienoja tuotoksia aikaan. Tämä vaatii kuitenkin varmasti paljon harjoittelua, että käytöstä tulee rutiinia. Siinäpä siis tavoitetta tälle kurssille. 

Lähteet:

Hietaranta T. 2018 Itämeren typpipäästöt kartta. https://blogs.helsinki.fi/hietatuo/ Luettu 18.1.2019

Kaukavuori V. 2018. Ensiaskelia geoinformatiikan menetelmäkurssilla. https://blogs.helsinki.fi/vilmakau/ Luettu 18.1.2019

Kervinen J. 2018. Ensiaskeleet QGIS-ohjelman parissa. https://blogs.helsinki.fi/kejuuso/ Luettu 21.1.2019

Lehtonen I. 2018. Blogi 1 – QGIS:n käytön harjoittelua https://blogs.helsinki.fi/lida/ Luettu 18.1.2019

Mölsä J. 2018. Kurssikerta 1. https://blogs.helsinki.fi/johannmo/ Luettu 18.1.2019

Pylkkö V. 2018. Ensiaskeleet QGISillä. https://blogs.helsinki.fi/vipy/ Luettu 18.1.2019

Rusanen I. 2018. QGIS tutuksi. https://blogs.helsinki.fi/iinarusa/ Luettu 18.1.2019

Ymparisto.fi. 2018. Itämeren typpikuorma Suomesta. https://www.ymparisto.fi/fi-FI/Meri/Mika_on_Itameren_tila/Itameren_typpikuorma_Suomesta(31457) Luettu 18.1.2019