Kurssikerta 7

Viimeistä viedään tämän kurssin osalta! Viimeisen kurssikerralla annettiin niin sanotusti vapaat kädet ja tehtävänä oli luoda karttoja tai karttasarjoja. Itselleni luonnonmaantiede ja erityisesti hasardien tutkiminen osuu parhaiten omiin mielenkiintoihini, joten kartoilla esitetään hasardien vaikutuksia erityisesti ihmistoimintaan. Kuudennella kurssikerralla visualisoitiin jo tiettyjä ilmiöitä kartalla, mutta halusin syventyä tutkimaan kyseisiä ilmiöitä.

Lähdin hakemaan aineistoja samasta paikasta, kuin viime kurssikerralla, tosin tällä kertaa rajaten aineistoa hieman tiukemmin. Ensimmäiseksi tein kartan (kuva 1), jossa on esitetty suurinta taloudellista vahinkoa aiheuttaneet tsunamit vuodesta 1950 eteenpäin. Aineiston noutaminen onnistui jälleen kerran erittäin helposti ja sen lisääminen QGISiin ei tuottanut juurikaan ongelmia. Tiedon esittäminen visuaalisesti miellyttävästi vaati kuitenkin hieman hienosäätöä, jotta ympyrädiagrammien välille saataisiin havaittavia eroja. Havaittavien erojen saamiseksi piti diagrammien kokoa liioitella melko paljon, sillä kartalla voidaan huomata esiintyvän yksi erittäin poikkeava tsunami. Kyseessä on Japanissa vuonna 2011 tapahtunut 9,0 magnitudin laukaisema tsunami, joka aiheutti suuria vahinkoja etenkin Fukushiman ydinvoimalassa. Vaikka Japani on varakas hyvinvointivaltio ja infrastruktuuri on suunniteltu kestämään luonnonkatastrofeja, niin tämä katastrofi oli kooltaan liian massiivinen. Muita merkittäviä taloudellista vahinkoa aiheuttaneet tsunamit tapahtuivat Chilessä vuonna 2010 ja Indonesiassa vuonna 2004. Kaikissa kolmessa tapauksessa tsunamin laukaissut maanjäristys on ollut 9 magnitudin paikkeilla. On melko loogista, että mitä suurempi tsunami, sitä suuremmat vahingot.

Kuva 1. Suurimmat taloudelliset vahingot aiheuttaneet tsunamit.

Seuraavaksi hain tietoa tsunameista, jotka vaativat eniten kuolonuhreja. Kuvasta 2 voidaan huomata, että pisteitä löytyy useampia, kuin kuvan 1 kartasta. Tämän kartan tekeminen luonnistui huomattavasti nopeammin, sillä aineistossa ei ollut yhtään suuresti poikkeavaa arvoa. Ympyrädiagrammit ilmestyivätkin kartalle melko mukavasti jo ensimmäisellä yrittämällä. Eniten kuolonuhreja aiheutti vuonna 2010 Haitissa tapahtunut tsunami, joka vaati yli 300 000 kuolonuhria. Seuraavaksi eniten kuolonuhreja aiheutti vuonna 2004 Indonesiassa tapahtunut tsunami, joka vei yli 200 000 ihmishenkeä. Vertailtaessa kuvien 1 ja 2 karttoja voidaan huomata niiden eroavan melko huomattavasti toisistaan. Siinä missä Japanin katastrofi oli ylivoimaisesti suurin taloudellisia vahinkoja aiheuttanut katastrofi, niin kuolonuhreja kyseinen katastrofi ei vaatinut läheskään yhtä merkittävästi. Lisäksi ensimmäisestä kartasta ei löydy eniten kuolonuhreja aiheuttanutta Haitin tsunamia, joka osoittaa huonomman tulotason valtioiden olevan erityisen riskialttiita suurille tsunameille.


Kuva 2. Kuolonuhrien määrät tsunameissa vuodesta 1950 eteenpäin.

Kartat ovat mielestäni onnistuneita ja niissä esitettävät tieto on ainakin itselleni erittäin mielenkiintoista. Itselleni yllätyksenä tuli erityisesti Japanin tsunamin aiheuttamat taloudelliset tappiot. Tiesin niiden olevan suuret, mutta verrattuna muihin Japanin tsunami on omassa luokassaan taloudella mitattuna.

Kurssin viimeisenä postauksena koen olevan tarpeen tehdä jonkinlainen yhteenveto kurssista. Itselläni kurssi sujui melko hyvin ja suurempia kompastuskiviä ei esiintynyt, vaikka käytin ensimmäistä kertaa QGIS-ohjelmistoa. Käytännössä tämä oli kunnollinen ensikosketus paikkatieto-ohjelmien käyttöön, sillä ennen olen käyttänyt vain nopeasti ja pintaa raapaisten ArcGIS-ohjelmistoa. Nyt koen kuitenkin itse QGIS-ohjelmiston olevan edes jollain tasolla hallussa. Ainakin kurssilla käytettyjen työkalujen osalta voin todeta oppineeni paljon. Tietenkin valtava määrä ohjelman ominaisuuksista on edelleen täysi mysteeri, mutta niiden käytön oppii aivan varmasti samalla tavalla kuin kaikkien muidenkin – kokeilemalla ja harjoittelemalla. Eniten ongelmia kurssin aikana aiheutti aineistojen löytäminen ja tuominen ohjelmaan. Dataa löytyy aivan tolkuton määrä ja joskus se tuottaa hankaluuksia sen sopivan aineiston löytämisessä. Itsekin tutkin monia erilaisia vaihtoehtoja tehdessäni tämän kurssikerran karttoja, mutta lopulta en onnistunut luomaan niistä mieleistäni visualisointia.

All in all koin kurssin olevan erittäin hyvä ponnahduslauta paikkatieto-ohjelmiin. Vaikkakin opetus jouduttiin järjestämään kokonaan etänä, niin en kokenut sen rajoittavan opetuksen laatua melkeinpä millään tavalla.

Lähteet:

NOAA, https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search, viitattu 2.3.2021

Kurssikerta 6

Toiseksi viimeisellä kurssikerralla päästiin keräämään aineistoa itse Epicollect-sovelluksen avulla. Itse olin positiivisesti yllättynyt sovelluksen käyttöönoton ja käyttämisen yksinkertaisuudesta. Reippailun jälkeen kerätystä datasta interpoloitiin rastereita, joiden avulla visualisoitiin muun muassa turvattomuuden tunnetta eri osissa pääkaupunkiseutua.

Pääkaupunkiseudulta siirryttiin kuitenkin hieman isompaan mittakaavaan, kun tehtäväksi tuli tuottaa kolme teemakarttaa hasardeista. Itse päädyin tuottamaan kolme teemakartta koskien tulivuorien ja maanjäristyksiä. Perimmäisenä tarkoituksena teemakarttojen tekemisessä oli oppia tuomaan erilaisia pisteaineistoja QGIS:iin. Oikeastaan kaikkien tietokantojen osalta aineiston tuominen oli äärimmäisen helppoa, mutta yhdessä aineistossa vaadittiin hieman hienosäätöä, jotta QGIS ymmärtäisi aineiston oikein. Teemakarttoja tarkastellessa niitä piti tutkia opettajan silmien kautta ja pohtia niiden soveltuvuutta opettamistarkoituksiin.


Kuva 1. Yli 5,5 magnitudin maanjäristykset vuodesta 1900 eteenpäin.

Ensimmäisessä kartassa on esitettynä maanjäristysten esiintyvyyttä ja valitsin kaikki yli 5,5 magnitudin järistykset viimeisen vuosisadan ajalta. Voimakkuudeltaan 5,5 magnitudin järistykset ovat jo merkittäviä, sillä ne voivat aiheuttaa tuhoa erityisesti alueilla, jossa rakennuksia ei ole suunniteltu hyvin. Lisäksi kyseisen voimakkuuden järistyksiä esiintyy vuosittain huomattava määrä, joten niiden visualisoiminen antaa kuvan maapallon litosfäärilaattojen sijoittumisesta. Kuvan 1 kartasta on helppo huomata niin kutsuttu ”Tyynenmeren tulirengas”, joka on seismisesti maailman aktiivisinta aluetta. Kyseisestä kartasta olisi helppo osoittaa litosfäärilaattojen pääasiallinen sijoittuminen, sillä suuri osa järistyksistä tapahtuu laattojen reunavyöhykkeillä. Esimerkiksi Atlantin valtameren keskiselänne tulee esille kartasta melko selkeästi.


Kuva 2. Tulivuorien sijoittuminen maapallolla, sekä lähihistorian suurimpien purkausten sijainti.


Kuva 3. Tamboran kaldera satelliittikuvassa. Lähde: Earthobservatory, NASA

Toisessa kartassa on esitetty tulivuorien sijoittuminen maapallolla, sekä pisteaineistosta löytyneet suurimmat purkaukset. Tulivuorten sijoittumisella voi jälleen esittää Tyynenmeren tulirenkaan alueen olevan kaikista merkittävin alue seismisesti maapallolla. Lisäksi kartassa voi huomata yksittäisiä tulivuoria litosfäärilaattojen keskellä (esimerkiksi Havaijin saaristo), joiden avulla olisi mahdollisuus opettaa muun muassa pluumien toimintaa. Esillä on myös ihmisen ”modernin ajan” suurin purkaus, joka oli Tamboran purkautuminen Indonesiassa vuonna 1815. Kyseinen vuosi on kuuluisa kylmyydestään ja purkauksen vaikutuksesta globaaliin ilmastoon. Vuotta nimitetäänkin englanniksi nimellä ”The year without summer”, joka kertoo olennaisimman purkauksen vaikutuksesta ilmastoon. Kartan kautta voisikin opettaa esimerkiksi yksittäisten purkauksien mahdollisista vaikutuksista koko maapallon ilmastoon. Kuvassa 3 on esillä Tamboran nykyinen kaldera, joka on halkaisijaltaan noin kuusi kilometriä.


Kuva 4. Tyynenmeren tulirenkaan länsiosissa sijaitsevat tulivuoret, sekä voimakkaiden maanjäristysten sijainti vuodesta 1900 eteenpäin.

Kuvassa 4 on esitetty kaakkois-Aasian saaristoa, joka on kuuluisa voimakkaista maanjäristyksistään ja tulivuorenpurkauksistaan. Kartasta on helppo havaita, että tulivuoria sijaitsee merkittävä määrä muun muassa Indonesian ja Japanin saarilla. Tulivuorten sijoittuminen kartassa seuraa melko hyvin litsofäärilaattojen reunoja ja voimakkaiden maanjäristysten määrästä voi päätellä alueen olevan hasardeilla erittäin riskialtis. Esimerkiksi Intian valtameren alla tapahtunut yli 9 magnitudin maanjäristys vuonna 2004, on surullisenkuuluisa sen aiheuttamista tuhoista. Erittäin voimakas maanjäristys laukaisi suuren tsunamin, joka surmasi 230 000 ihmistä ja aiheutti yhden 2000-luvun pahimmista luonnonkatastrofeista (Roos, D., https://www.history.com/news/deadliest-tsunami-2004-indian-ocean, 2020). Lisäksi Youtubesta löytyy havainnollistava animaatio vuoden 2004 tsunamista, jota voisi hyödyntää opetuksessa. Kuvan 4 kartalla voisikin opettaa juuri hasardien luomista riskeistä ja eri alueiden riskialttiuteen vaikuttavista tekijöistä.

Kokonaisuutena kokisin tuottamieni karttojen tarjoavan edes hieman valaistusta seismisen toiminnan sijoittumisesta maapallolla. Litosfäärilaattojen reunavyöhykkeillä tapahtuva liikehdintä on olennaista ymmärtää tutkittaessa seismistä toimintaa, joten karttojen avulla olisi helppo havainnollistaa sitä. Lisäksi muut litosfäärilaattojen liikehdinnästä syntyneet muodot, kuten syvänmerenhaudat tai suuret hautavajoamat, voisivat olla opetettavia asioita näitä karttoja käytettäessä.

Lähteet:

Earthobservatory, NASA, Mount Tambora Volcano, Sumbawa Island, Indonesia, 6.3.2009, https://earthobservatory.nasa.gov/images/39412/mount-tambora-volcano-sumbawa-island-indonesia, viitattu 26.2.2021

Roos, D., The 2004 Tsunami Wiped Away Towns With ‘Mind-Boggling’ Destruction, 18.9.2020, https://www.history.com/news/deadliest-tsunami-2004-indian-ocean, viitattu 26.2.2021

NOAA, NWS, Pacific tsunami warning center, Tsunami animation: Sumatra 2004, https://www.youtube.com/watch?v=4yFNOuo_YxI, viitattu 26.2.2021

Kurssikerta 5

Viides kurssikerta oli itselle ainakin selkeästi haastavin, mutta samalla myös opettavaisin kurssikerta. Toistoja tuli tehtyä jokaisessa tehtävässä ja tehtävissä tarvitsi laajaa ”työkalupakkia”, jota on kurssin aikana opeteltu. Vaikka välillä pinna kävi kireällä, useista eri syistä, niin lopulta sain hommat maaliin asti.

Tällä hetkellä QGISin käyttö alkaa, jokaisen käynnistyskerran jälkeen sujua sulavammin ja sulavammin. Työkalut löytyvät ja niiden käyttö luonnistuu, sillä suurinta osaa on melko helppo käyttää. Itselläni ehkä on vielä oppimista siinä mitä työkalua käyttää milloinkin. Välillä tuntuu, että kun siirtyy opettajajohtoisesta tekemisestä itsenäisiin harjoituksiin, niin hetken aikaa pää lyö tyhjää. Join attributes location -työkalua on tullut käytettyä mitä todennäköisimmin eniten ja alan saada sen toiminnasta pikkuhiljaa kiinni. Kurssikerralla uusista opiskelluista työkaluista bufferit osoittautuivat omasta mielestäni erittäin mukaviksi käyttää. Niiden käyttöön oppii erittäin nopeasti ja niiden avulla pystyy tekemään paljon kyselyitä aineistolle, sekä eristämään mitä mielenkiintoisinta dataa. Lisäksi bufferien luominen tapahtuu käytännössä silmänräpäyksessä, joten aikaa ei mene hukkaan, kun tutkii aineistoa bufferien avulla.

Uima-altaiden ja saunojen tutkailu pääkaupunkiseudulla osoittautui hieman tuskaisemmaksi, kuin oletin. Ensimmäiseen kompastuskiveen törmäsin, kun yritin liittää uima-altaita sisältävät rakennukset pienaluetasoon. Join attributes by location -työkalu päätti kuitenkin vain heittää erroria näkyviin. Onneksi ei tarvinnut kauaa tuskailla ongelman kanssa, sillä vastaus löytyi Ilari Leinon blogista (2021). Ongelma tuli kierrettyä Ilarin ohjeita noudattaen ja sen jälkeen alkoi armoton visualisointi. Hetken aikaa piti vääntää ja kääntää pylväiden leveyttä ja numeroiden sijoittelua, mutta lopulta päädyin kuvan 1 mukaiseen lopputulokseen. Taustalle lisäsin jälleen kerran OpenStreetMap standard -taustakartan, josta nyt tarkemmin ajateltuna ei hirveästi saa selvää, ainakaan tässä mittakaavassa. Mutta ainakin kartta on omaan silmään visuaalisesti miellyttävämpi, kun taustalla on jonkinlainen kartta.

Kuva 1. Uima-altaiden määrät alueittain pääkaupunkiseudulla.


Taulukko 1. Itsenäisharjoituksissa kysytyt arvot.

Lähteet:

Leino, I., https://blogs.helsinki.fi/ilarilei/

Kurssikerta 4

Kurssikerta 4

Neljännellä kurssikerralla lähdettiin tutkimaan, miten luodaan ruutukarttoja ja miten tuotetaan tietoa niille. Kurssikerran aineistot olivat peräisin SeutuCD’15:lta ja olivat pistemäistä tietoa. Aineisto on erittäin laaja, joten pieni karsiminen oli tarpeen, jottei laskutoimituksissa kestäisi niin tuhottoman kauan. Aineiston muokkaamisen jälkeen alkoi ruututeemakartan luominen.
Ruutukartan luomisessa melko oleellinen osa on itse ruudukon luominen, joka luonnistui melko helposti. Ruudukko tehtiin koossa 1 km x 1 km, joka soveltuu mielestäni tiedon esittämiseen oikein näppärästi pääkaupunkiseudulla. Toisaalta luettuani Annika Innasen blogia (2021), totesin puolet pienemmän ruutukoon olevan yhtä lailla toimiva vaihtoehto tiedon esittämisessä. Omana tavoitteenani oli saada hyvä yleiskuva asukkaiden keski-iän jakautumisesta pääkaupunkiseudulla. Toki yksityiskohtaiseen ja tarkempaan alueelliseen tarkasteluun neliökilometrin ruudut eivät välttämättä ole se kaikkein paras valinta.


Kuva 1. Asukkaiden keskimääräinen ikä pääkaupunkiseudulla 1 km x 1 km ruuduissa.

Lopputulokseen päädyin lisäämään taustalle OpenStreetMap-pohjakartan, sillä koen sen olevan hieman selkeämpi alueiden erottelussa. Eri kaupunginosien tai alueiden jaottelu olisi ehkä kuitenkin ollut vielä tarpeen, jotta lukijan olisi helpompi tulkita esimerkiksi missä asuu vanhempi väestö. Ruututeemakartta soveltuu hyvin absoluuttisten arvojen esittämiseen, sillä ruudut ovat kaikki samankokoisia. Koropleettikarttaan verrattuna ruututeemakartta voi olla lukijan silmään hieman karkeampi, eikä visuaalisesti niin miellyttävä. Pisteteemakarttaan ruudut toimivat huomattavasti paremmin, erityisesti näin suurta aluetta tutkailtaessa. Pisteteemakartta soveltuu pienien alueiden tarkkaan tutkimiseen, mutta suuressa mittakaavassa pisteet vain ”puurotuvat” yhteen.
Itse väestön keski-iän jakautumisesta voidaan huomata suuressa mittakaavassa muutamia trendejä. Vanhempi väestö on pitkälti keskittynyt pääkaupunkiseudun laitamille, erityisesti Espoon länsi- ja luoteisosiin. Nuorempi väestö on puolestaan keskittynyt suurimmalta osin Helsingin keskustan alueelle ja Vantaalla rautatien ympärille.

Kurssikerran jälkimmäisellä puoliskolla siirryttiin tutkimaan rasteriaineistoja ja niiden kanssa operoimista. Tutkittavan alueena toimi Pornaisten kunnan alue, josta muodostettiin rinnevalovarjostuskuvien avulla aluetta kuvaava korkeusmalli ja vieläpä korkeuskäyrät. Kotitehtäväksi jäi ladata peruskarttalehti alueelta ja päädyin itse lataamaan Maanmittauslaitoksen tekemän peruskarttalehden Paitulista.


Kuva 2. Maanmittauslaitoksen peruskarttalehden korkeuskäyrät (ruskea) ja korkeusmallin mukaiset korkeuskäyrät 5 metrin väleillä (vihreä).

Kuvassa 2 nähdään kuinka korkeuskäyrät Maanmittauslaitoksen peruskartassa ja korkeusmallin pohjalta piirretyt käyrät eroavat toisistaan. Suuripiirteisesti käyrät näyttävät noudattavan toisiaan melko hyvin, mutta eroja löytyy, kunhan tutkitaan hieman lähemmin. Korkeusmallin pohjalta piirretyt käyrät esittävät korkeuserot paljon tarkemmin ja peruskarttalehti yleistää pienet korkeusvaihtelut. Suurimman osan ajasta peruskarttalehden korkeuskäyrät täyttävät varmasti kaikki lukijan tarpeet, sillä yksityiskohdat 5 metrin välein piirretyillä korkeuskäyrillä ovat ”liian” tarkkoja kartan ja alueen korkeusprofiilin tutkimiseen. Tietysti näilläkin tarkoilla käyrillä voisi olla käyttötarkoitusta, mutta itse luen mieluummin peruskarttalehden korkeuskäyriä.

Lähteet:

Innanen, A., https://blogs.helsinki.fi/anninnan/, 2021

Kurssikerta 3

Kolmannella kurssikerralla pääasiassa opeteltiin muodostamaan tietokantoja, joiden avulla on tehokasta työskennellä. Dataa yhdisteltiin eri lähteistä ja yhdistettiin kyselyiden avulla tietokantoja yhdeksi. Kurssikerralla keskityttiin Afrikan valtioihin, joita tutkittiin monien eri muuttujien kautta. Itsenäiseksi harjoitustyöksi jäi tulvaindeksikartan luominen.

Afrikan valtioihin liittyen oli tietokantoja, jotka sisälsivät tietoa konfliktien määrästä ja niiden laajuudesta, timanttikaivosten löytämisvuodesta ja kaivosten aloittamisvuodesta, öljykenttien löytämisvuosista ja niiden poraamisen aloittamisvuosista ja internetin käyttäjien määristä. Eri muuttujat kertovat paljon eri asioita ja vaihtelua valtioiden välillä löytyi melko paljon. Konfliktien määrästä voi päätellä paljon valtion sisäisestä vakaudesta, sekä suhteesta naapurivaltioihin, jonka toteaa myös Harmonen (2021) omassa blogissaan. Joidenkin valtioiden kohdalla pystyi havaitsemaan öljykenttien ja timanttikaivosten suuren määrän olevan joissain tapauksissa mahdollinen konfliktien lietsoja. Toisaalta oli myös valtioita, joissa ei ollut lainkaan konflikteja luonnonvaroista huolimatta. Konfliktit ovatkin eri alueilla luonteeltaan erilaisia, joten jonkinlaisen yleistämisen tekeminen on melko haastavaa.

Tietokannoista löytyi myös tietoa liittyen internetin ja Facebookin käyttäjämääristä Afrikan valtioissa. Eniten internetin käyttäjiä vuonna 2020 suhteessa väkilukuun oli Keniassa (n. 85 %), kun taas monissa valtioissa samainen luku oli erittäin alhainen, sen ollessa alhaisin Eritreassa (n. 1,4 %). Niin sanotun kolmannen maailman valtioiden välillä on siis voimakasta vaihtelua kehitysasteessa, sillä internetin käyttäjämäärä on melko hyvä muuttuja, kun tulkitaan valtion kehittyneisyysastetta.

Tulvaindeksikartta

Kuva 1. Tulvaindeksikartta, jossa esitettynä myös järvisyysprosentti valuma-alueiden sisällä.

Kurssikerran lopuksi aloin työstämään tulvaindeksikarttaa, joka löytyy kuvasta 1. Kartan teko tuntui sujuvan jo melko hyvin, tosin diagrammien lisäämisessä oli omat haasteensa, jotka aiheuttivat muutamien voimasanojen käytön. Pylväiden lisääminen kartalle ei vaikuttanut omasta mielestäni loogiselta, sekä niiden esittäminen legendassa tuntui melko mahdottomalta. Päädyinkin siis käyttämään ympyrädiagrammeja ja lopputuloksesta tuli ainakin omaan silmään huomattavasti miellyttävämpi. Samaan ratkaisuun oli päätynyt omassa kartassaan myös muun muassa Mattila (2021).

Tulvaindeksi oli itselleni hieman vieras käsite, ennen kuin aloin työstämään aineistoa. Vaikkakin tulvaindeksi ei varmasti käsitteenä kerro paljoa ja pelkät lukuarvot siitä vielä vähemmän, niin koen silti, että kartta kertoo melko hyvin mitkä paikat ovat herkkiä tulville. Itse en ainakaan saisi selvää pelkästään tulvaindeksien lukuarvoja tuijottamalla. Kartalta onkin helppo huomata, että suurimmat tulvaindeksin arvot löytyvät rannikon valuma-alueilta, jossa jokien kuljettama vesi päätyy mereen.

Järvisyys on taas puolestaan melko yksinkertainen käsite ymmärtää, mitä suurempi prosentti niin sitä enemmän järviä. On oletettavaa, että järvisyys on suurempi suuremmilla maa-alueilla, jossa valuma-alueen tulvaindeksi on melko pieni, sillä täällä vesi ei pääse pakenemaan ja järvissä pysyy tarpeeksi vettä. Tämä on helppo todeta kuvasta 1, joka osoittaa järvisyysprosentin olevan suurin Etelä-Suomen suurilla valuma-alueilla.

Lähteet:
Harmonen, R., https://blogs.helsinki.fi/harmoroo/, viitattu 8.2.2021
Mattila, L., https://blogs.helsinki.fi/lottmatt/, viitattu 8.2.2021

Kurssikerta 2

Toisella kurssikerralla tarkoituksena oli tutkia erinäisiä projektioita ja niiden vaikutuksia muun muassa pinta-aloihin ja pituuksiin. Karttaprojektioiden ymmärtäminen on erityisen tärkeää tuotettaessa paikkatietoa ja analysoidessa sitä. QGIS-ohjelman käyttö alkoikin tuntua viikon harjoitusten jälkeen sujuvan jo melko hyvin, toki ohjeita melko tarkkaan seuraten.

Taulukko 1. Pinta-alojen ja pituuksien muutoksia erilaisilla karttaprojektioilla.

Lähdin tutkimaan pinta-alojen ja pituuksien muutoksia viidellä eri projektiolla, jotka olivat itselleni ainakin nimen perusteella tuttuja. Taulukossa on esitettynä ETRS89/TM35FIN projektion mukaiset arvot, jotka pitävät melko tarkasti paikkansa. Ensimmäisenä tutkittavan projektiona on Mercatorin lieriöprojektio, joka lienee yksi maailman kuuluisimmista projektioista. Mercatorin projektio on oikeakulmainen projektio, jossa vääristymien määrä kasvaa napa-alueita kohti siirryttäessä. Vääristymien määrä voidaan havaita helposti, kun tutkitaan taulukossa esitettyjä pinta-alojen ja pituuksien arvoja. Mercatorin projektio kasvattaa pituutta eniten kaikista taulukossa olevista projektioista ja pinta-alaa huomattavasti eniten. Saman havainnon on tehnyt myös Jantunen omassa blogissaan (2021). Tähän vaikuttaa loogisesti Suomen maantieteellinen sijainti, sillä Mercatorin projektion vääristymät kasvavat napa-alueita kohti mentäessä.

Seuraavana taulukossa on esillä Plate carree projektio, joka on niin ikään lieriöprojektio. Kyseisessä projektiossa mittakaava on kuitenkin pohjois-etelä suunnassa vakio, joka erottaa sen esimerkiksi Mercatorin projektiosta. Kyseinen projektio esittää etäisyydet päiväntasaajaan nähden oikein, mutta vääristää itä-länsi suunnassa etäisyyksiä. Tämä on helppo havaita taulukossa olevasta pituuden virheestä, joka on lähes yhtä suuri kuin Mercatorin projektiossa.

Eckert VI ja Mollweiden projektio pyrkii esittämään alueiden pinta-alat mahdollisimman todenmukaisina. Näissä kahdessa projektiossa pinta-alojen ero on häviävän pieni verrattuna esimerkiksi Mercatorin projektioon. Lisäksi näissä projektioissa pituuden erot ovat huomattavasti pienempiä verrattuna muihin taulukon projektioihin.

Robinsonin projektio on taulukon projektioista ainoa, jossa yksikään kartan kolmesta perusominaisuudesta ei ole oikein. Projektio pyrkii kompromisseihin ja esittämään visuaalisesti miellyttävästi koko maapallon. Tämä voidaan todeta taulukon arvoista, jossa Robinsonin projektio sijoittuu joukon keskelle arvoja vertailtaessa.

Voidaan todeta, että projektioilla on valtava merkitys tietoa esitettäessä tietoa. Projektiot ovat aina jollain tavalla todellisuutta vääristäviä ja projektion tekijän näkemys maapallosta. Tiedon esittäjällä onkin suuri vastuu valittaessa oikeanlaista projektiota esittämään haluttua tietoa.


Kuva 1. Mercatorin projektion aiheuttamat vääristymät Suomen kuntien pinta-aloissa. Luku osoittaa moninkertaisena Mercatorin projektion mukaiset pinta-alat esiintyvät todellisuudessa.

Kuvassa 1 on esitettynä Suomen kuntien pinta-alojen vääristymiä Mercatorin projektiossa. Kartan voidaan helposti huomata olevan luokittunut etelä-pohjois suunnassa. Käyttämällä kuutta luokkaa ja luonnollisia välejä kartasta sai melko selkeän ja samalla myös erottelevan. Suurimmissa vääristymissä kunnan pinta-ala on Mercatorin projektiossa yli 8-kertainen verrattaessa todellisuuteen. Oletettavasti suurimmat vääristymät havaitaan pohjoisimmassa Suomessa. Pienimmät vääristymät taas havaitaan eteläisimmässä Suomessa, jossa vääristymän määrä on paikoin melkein puolet vähemmän, kuin pohjoisessa. Vääristymien muodostuminen kartan mukaisesti on oletettavaa, sillä Mercatorin projektiossa vääristymät kasvavat napa-alueita lähennyttäessä.

Tutkin muutamia erilaisia projektioita samalla periaatteella, kuin kuvan 1 kartalla. En kuitenkaan löytänyt muita projektioita, joissa erot esittäytyisivät huomattavasti eri tavalla. Erot esittäytyivät samalla tavalla pohjois-etelä suunnassa, ja itä-länsi suuntaista jakautumista ei juurikaan ollut havaittavissa. Vääristymien suuruudessa muut projektiot eivät kuitenkaan päässeet Mercatorin projektion tasolle, eli vääristymät olivat pienempiä. Esimerkiksi Winkel tripel -projektiossa vääristymien suhdeluvut olivat noin 1,2 ja 1,6 välissä, mutta merkittävää visuaalista eroa kartalla ei tapahtunut.

Lähteet:
Jantunen, S. (2021), Projektioita ja karttaharjoituksia, https://blogs.helsinki.fi/smjantun/, viitattu 1.2.2021

Kurssikerta 1

Ensimmäisellä kurssikerralla tarkoituksena oli tutustua QGIS-ohjelmistoon, joka oli itselleni täysin uusi ohjelma. Kokemusta muista paikkatieto-ohjelmista oli melko vähän, joten ohjelman opiskelu alkoi lähes puhtaalta pöydältä. QGIS-ohjelman alkunäkymä vaikutti aluksi melko monimutkaiselta sillä erinäisiä työkaluja ja ikkunoita oli valtava määrä. Ohjeistuksen avulla ohjelmasta pääsi kuitenkin hyvin perille ja tarvittavat työkalut alkoivat löytyä melko hyvin. Tietysti ohjelmasta oppii paljon pelkästään kokeilemalla, että mitä mistäkin tapahtuu.
Koen että ensimmäisten muutamien käyttökertojen jälkeen osaan tuoda ohjelmaan dataa ja kykenen analysoimaan sitä, jokseenkin vielä melko yksinkertaisella tasolla. Datan tuomisen ja analysoinnin lisäksi, omien tuotosten esittely luonnistunee melko hyvin, sillä ohjelman ”tulostus”-ikkuna on erittäin selkeä ja helppokäyttöinen. Eli esityskelpoisten karttojen tekeminen onnistuu jo pelkästään muutaman käyttökerran jälkeen.

Kuva 1. Itämeren typpipäästöihin vaikuttavien maiden osuudet kokonaispäästöistä.

Kuvassa 1 on esitettynä kartta, joka luotiin ensimmäisen kurssikerran aikana. Kartta on mielestäni melko selkeä vaikkakin järvien suuren määrän takia ne näyttävät hieman puuroutuvan erityisesti Etelä-Suomen kohdalla. Kartan tarkoituksen eli typpipäästöjen esittämisessä, esitys toimii, sillä päästöihin vaikuttavat maat pomppaavat esiin kartalta värien vuoksi.


Kuva 2. Eläkeläisten osuus kuntien väestöstä vuonna 2015.

Seuraava kartta luotiin itsenäisesti ja päätin itse luoda kartan, joka esittelee eläkeläisten osuutta Suomen kunnissa vuonna 2015. Kartan luominen oli huomattavasti nopeampaa nyt, sillä perusominaisuudet olivat jo hallussa ohjelmasta. Kuvan 2 kartta on mielestäni melko selkeä ja kuvaa selkeästi haluttua ominaisuutta. Vaikka suurin osa kunnista on jollain punaisen sävyllä, niin se kuvaa silti todellista tilannetta melko hyvin. Luonnollinen väestönkasvu on Suomessa melko hidasta alhaisen syntyvyyden ja väestön vanhenemisen takia. Väestö vähenee ja vanhenee maaseuduilla ja kaupunkiseutujen väkiluku kasvaa. Kyseinen kartta myötäilee todellisuutta myös tällä saralla.