Taustaa blogikirjoitukselle

Aloitetaan näillä samoilla hörinöillä tämän viikon blogi. Paarlahti piti meille jälleen kerran luennon. Aiheena oli kaksi karttaa, konfliktien, timanttien,  öljykenttien ja muiden internettiin liittyvien tekijöiden esiintyminen Afrikassa ja toisena kartta Suomesta, jossa esitetään tulvaindeksi eri jokien valuma-alueilla ja näiden valuma-alueiden järvisyys.

Nopea paljastus tähän väliin, tekemäni tulvakartta EI ole visuaalisesti mielekäs. Sitä on hankala muokata täältä Suomen Turusta, koska kartta on tehty yliopiston Z: asemalle ja toistaiseksi en ole Z: asemaan muodostanut yhteyttä omalla koneellani. Suottahapi siis olla, että maanantaina koululle päästyäni vaihtuu tuo mielenrauhaa häiritsevä hirvitys pois. (Ja kyllähän uusi tuli tehtyä).

Olen huomannut, että kun viikossa Paarlahti luennoi viisi kertaa samasta aiheesta niin me tiistain ryhmässä saadaan maanantain ryhmän kustannuksella hyödyt tästä irti. Syyhän on, että usein samat tekniset ongelmat ilmenevät eri ryhmissä ja kun maanantaina hommat on jo kertaalleen ratkaistu niin tiistaina ei tarvitse otsaa raapia sen enempää. Eli kiitos maanantailaiset, kun olette pioneereina aina päivää ennen. Sitten asiaan.

Afrikan konfliktit

Paarlahti näytti luennollaan attribuuttitaulukon avulla korrelaatiota konfliktien ja timanttien välillä. Jos nollahypoteesia käytettäisiin niin P-arvo ei välttämättä olisi alle 5% eli yleistä korrelaatiota ei olisi. Kartasta tämä myös ilmenee (kuva 1.). Toisaalta tässä onkin hyvä muistaa, että timanttikentät eivät automaattisesti tarkoita konfliktia – vaikka tässä on se oletus, että ne lisäisivät niiden mahdollisuutta – ja on lukuisia muita tekijöitä, jotka lisättynä karttaan johtaisivat positiiviseen korrelaatioon eli alle 5% P-arvoon.  Muutamia mainittuina nämä voivat olla etniset ongelmat, kuten Etiopiassa, muut kaivostyypit, kuten kobolttikaivokset tai mm. vesisodat (ei vesipyssyillä). Lisäksi itse kartalla olevat öljykentät näiden muiden tekijöiden kanssa yhteen tuupattuna voisivat jo muodostaa positiivisen korrelaation.

Pitkälti konflikteja syntyy kehittymättömiin maihin, jossa oikean tilanteen tullessa kohdalle, mahdollisuus parempaan elämänlaatuun voi sytyttää kunnon ruutitynnyrin. Blogissaan “Tietokantojen tunnelmissa – Konflikteja Afrikassa ja tulvia Suomessa” Jaakkola T. (2024) näytti teoksen tekemästään kartastaan internetin käyttäjien ja konfliktien välillä. Mielestäni kartta on hyvä, mutta olisi kiintoisaa nähdä, jos konfliktien määrää olisi suhteutettu esim. väestön kokoon. On oletettavaa, että väkiluvultaan pienessä maassa ei konflikteja ole yhtä lailla, kuin isossa maassa, varsinkin, kun on kyse Afrikasta, jossa suurin osa maista ei ole vankasti hallinnon toimesta kontrolloituja, kuten esim. Venäjä.

Kuva 1. Maaöljykentät, timanttikaivokset ja konfliktit Afrikassa.

Konfliktien ja internetin käyttäjien korrelaatiota verratessa on tärkeää huomioida aineistojen keräysvuodet (kuva 2.). Tässä työssä konfliktiaineisto on vuosilta 1947-2008 ja Internetin käyttäjien osuus vuosilta 2000 ja 2020. Ei voida siis suoraan päätellä internetin käyttäjien osuuden vaikutusta konflikteihin, koska a) internet on vasta 2000-luvulla yleistynyt b) aineistot eivät risteä päivämääriltään toistensa kanssa.

Kartassa (kuva 2.) näyttäisi silti olevan jonkinlainen korrelaatio internetin käytön ja konfliktien välillä. Taustalla on todennäköisesti, kuitenkin jokin muu syy, joka on alunperin johtanut internetin käytön lisääntymisen mahdollisuuteen esim. varallisuus ja stabiliteetti. Tästä syystä voi olla harhauttavaa verrata käyttöä konflikteihin.

Kuva 2. Internetin käyttäjien osuus väestöstä (2020) ja konfliktien määrät valtioittain 1947-2008.

Kuva 3. Internetin käyttö neliökilometriä kohden Afrikassa.

Tehtävänannossa pyydettiin myös ajattelemaan minkälaista päättelyä voisi kahdeksasta lisäaineistoista tehdä, jos ne olisi liitetty tässä työssä käytettyihin tietokantoihin. Mitään kontekstia pohdinnalle ei mainittu, mutta pysytään nyt aiheessa. Pohditaan siis hitusen:

Konfliktien tapahtumavuosi:

voidaan päätellä milloin konfliktit ovat yleisesti alkaneet (joku yhtenäinen tekijä niiden aiheuttajana?) tai esim. onko konflikti syttynyt nopeasti timanttikaivoksen perustamisen jälkeen

Konfliktin laajuus/säde kilometreinä:

alueen pinnanmuotoja voisi ehkä päätellä (vuoristoisempi -> rajoitetumpi ja pienempi konfliktialue?, tasankoa ja tyhjää tilaa -> suurempi konflikti?)

Timanttikaivosten löytämisvuosi:

löydetäänkö muitakin timanttikaivoksia lähialueilla samaan aikaan?

Timanttikaivosten kaivausten aloitusvuosi:

syntyykö konflikti?

Timanttikaivosten tuottavuusluokittelu:

kontrolloiko paikallinen hallinto vai ulkomainen kaivosfirma kaivosta?

Öljykenttien löytämisvuosi:

syntyykö sota?

Öljykenttien poraamisvuosi:

onko maa konfliktissa vai ei poraamisvuoden alkaessa?

Öljykenttien tuottavuusluokittelu:

porauksen aikamääräinen kesto eli onko tuotantoa ollut jo kauan vai onko se uutta alueelle? tekniikka oletettavasti kehittyy, kun poraamisesta on kokemusta ja tätä kautta tietysti tuottavuus

Internetkäyttäjien lukumäärä eri vuosina:

johtaako konfliktit käyttöasteen hidastumiseen?

Tulvat Suomessa

Ei ole suinkaan sattumaa, että Suomessa tapahtuu tulvia. Muistan toki vähän nuorempana järkyttyneeni, kun sain tietää, että Aurajoki on tulvinut Turun satamassa. Taitaa olla Turun Sanomien (2015) artikkeli “Turun satamassa tulvii…”, josta voi päätellä kyseisen tulvan kokoa. Voi tietysti olla, että jatkuva informaatiopommitus Yhdysvaltojen luonnonkatastrofeista ja etenkin tulvista sai minut kuvittelemaan, ettei muualla niitä olisi. Toki eivät Suomen tulvat olekaan mitään verrattuna vastakohtiin Atlantin toisella puolen.

Maallikkona piti karttaa tulkita, joten toimitaan ohjeiden mukaisesti ja leikitään hieman:

Kuvassa 4. näyttäisi olevan tulvaisuuskartta, mutta se on hyvin epäselvä. Kartasta kyllä huomaa tarpeeksi ympyrädiagrammeihin tarkentaessa, että järvisyys vaikuttaa tulvariskiin negatiivisesti. Pohjanmaa tunnetaan laakeuksistaan ja siellä näyttäisi tulvivan eniten. Toki jokiakin on eniten siellä ja myöskin Etelä-Suomessa. No voidaan ajatella, että suurempi järvien osuus vaikuttaa tulvariskiin negatiivisesti.

Kyseinen maallikkohan on asiasta kärryillä, toki paremmat karttavärit ja oikean aineiston visualisointi (taitaa olla väärä muuttuja käytössä) olisi helpottanut tulkintaa. Sadevesi on pääsyy jonka takia vettä ylipäätään on merenpinnan yläpuolella. Tämä valuu kuitenkin takaisin gravitaation seurauksena, tapahtuu se sitten perinteisesti jokien kautta tai ei. Järviä syntyy helposti sinne, jossa merenpinnan yläpuolisen maa-alueen keskikorkeuden alapuolinen korkeudenvaihtelu on suurta (aikamoinen sekalause), kuten toteaa Kuurne, J. (2024) blogissaan “How can less be more? More is more?

Pohjanmaan lakeuden voisi tottakai ajatella olevan syy järvien synnylle, mutta jos aikaisemmin mainittu asia – mpy maa-alue… – otetaan huomioon tajutaankin, että Pohjanmaalla tätä ei ole vaan sadevesi muodostaa itselleen hitaasti reitin gravitaation avulla kohti suurinta vesiallasta eli useimmiten merta. Tasaiset pinnanerot johtavat puolestaan hitaasti virtaaviin jokiin joiden uomat ovat leveämmät, mutta eivät kovin syvät. Nämä ovat juuri niitä jokia, jotka tulviessaan myös peittävät suurimman alueen veden alle.

PÄIVITYS: Kuvassa 5. päivitetty kartta tehtävänannosta.

Kuva 4. Tulvariski Suomen jokien valuma-alueilla luokitettuna ja järvisyys valuma-alueilla.

Kuva 5. Tulvaindeksi (MHQ/MNQ), Suomen valuma-alueiden järvisyys ja itse Suomen valuma-alueet. Diagrammien koko kuvaa järvisyyden osuutta valuma-alueen pinta-alasta.

 

Kaiketi kolmannen viikon kokonaisuus oli ihan ok. Lopputulokset eivät olleet aluksi miellyttäviä, mutta maanantaina 5.2 tuli päiviteltyä karttoja ja jopas näyttää paremmalta. Hyvää harjoitusta taas.

 

Lähteet:

Kuurne, J. (2024) How can less be more? More is more. Jaakon GIS-blogi. Viitattu 1.2.2024. Saatavilla: https://blogs.helsinki.fi/jaakongisblogi/2020/02/07/how-can-less-be-more-more-is-more/

Turun Sanomat (2015) Turun satamassa tulvii – katkoksia bussilinjoihin Hirvensalossa, Turun Sanomat. Viitattu 1.2.2024. Saatavilla: https://www.ts.fi/uutiset/833957

Jaakkola, T. (2024) Tietokantojen tunnelmissa – Konflikteja Afrikassa ja tulvia Suomessa, Taikamatkalla GIS-velhoksi. Viitattu 1.2.2024. Saatavilla: https://blogs.helsinki.fi/jztaika/2024/02/01/tietokantojen-tunnelmissa-konflikteja-afrikassa-ja-tulvia-suomessa/

Taustaa blogikirjoitukselle

Toisen viikon opettajajohtoinen luento ja kartanluonnin osuus alkoi heti alussa kartanteolla, toisin kuin ensimmäisellä kerralla. Suurin osa luennosta oli kartan valmistamista, mutta välissä Paarlahti piti myös lyhyen informaatiosession datalähteistä luennon aiheeseen liittyen. Tässä teoriaosuudessa käytiin läpi rajapintoja, erityisesti luennon työhön liittyviä WFS eli Web Feature Service aineistoja.

Päätavoitteena luennon loppuun mennessä oli saada valmiiksi kolme erillistä teemakarttaa, joissa korostuisi eri karttaprojektioiden vaikutus pinta-alaan Suomen kunnissa. Karttaprojektiot sai itse valita, mutta kaikki luennolla olleet tekivät Paarlahden johdolla Robinson world -projektiolla yhden kartan.

Projektioiden vaikutus pinta-alaan Suomessa

Osa 1. Excel taulukko

Suomi on pinta-alaltaan normaalin kokoinen maa – ei pieni eikä suuri -, mutta pituudeltaan n. kaksi kertaa pidempi, kuin leveydeltään (riippuen mittaako mantereen vai Ahvenanmaan läntisimmistä koordinaateista). Tämä tarkoittaa sitä, että pinta-ala vääristymä on keskimäärin suurempi pohjoiseen mentäessä, kuin itään mentäessä päiväntasaajalta tai Greenwichin meridiaanilta laskettaessa. Tässä toki vaikuttaa itse karttaprojektio, mutta yleisesti arvot menevät näin.

Kuvassa 1. näkyy eri karttaprojektioiden eroja pituuksissa ja pinta-aloissa. Kuvissa 2. ja 3. näkyy mittauksen kohteena olleet alueet. Tulokset ovat selkeät.

Kuva 1. Excel taulukko mittauksista eri projektioissa.

Taulukosta olisi voinut todellakin tehdä väriluokitellun, kuten Hoberg J. (2024) teki blogissaan “Toinen kurssikerta”. Visuaalisuus luo paljonkin miellyttävämmän kokonaisuuden.

Kuva 2. Pinta-ala ja pituus mittauksessa yksi. Pituus näkyy kolmion kannassa vahvistettuna värinä verrattuna muihin kolmion reunoihin.

 

Kuva 3. Pituus mittauksessa kaksi.

Osa 2. Kartat kuntapohjassa

Luennolla tehdyt kolme karttaa ovat esillä kuvissa 5., 6. ja 7. Jokaisen kartan kuntapohjana on käytetty aineistoa Tilastokeskus (2023) vuodelta 2020.

Kuvassa 5. käytetty Portugal TM06 projektio on näistä kolmesta kartasta väärin tehty. Kuvasta 1. näkyy, että Portugal TM06 projektion pituudet ja pinta-ala ovat pienempiä, kuin TM35FIN projektion. Tämän tulisi näkyä myös kuvassa 5., jossa olen verrannut väärin päin projektioiden pinta-ala vääristymiä Suomen kuntiin, tarkoituksena oli käyttää pohjana TM35FIN projektiota ja näin mallintaa Portugal TM06 projektion vääristymät kartalle. Nyt kartalla näkyy, että pinta-alat nousisivat kaakkoon mentäessä vaikka ideana oli visualisoida niin, että ne laskisi. Legendan otsikkona olisi pitänyt täten olla ensin TM35FIN vs. Portugal TM06, kuten kuvissa 6. ja 7.

Joka tapauksessa kuvasta pinta-ala vääristymä kohdistuu kaakkoon päin. Tämä syystä, että Portugal TM06 on projisoitu lieriöprojektiona, tällä kerralla transverse mercatorina – toisin sanoen Gauss-Krugerin projektio – (kuva 4.), jossa lieriön sivuamispisteenä on Greenwichin meridiaanin sijaan jokin mahdollisimman keskeltä Portugalin alueita kulkeva pituuspiiri, todennäköisesti väliltä 0-10 astetta länteen tai, jos Azorit ovat mukana niin 0-30 asteen väliltä.

Kartta on mielestäni visuaalisesti onnistunut. Luokkajakoja on seitsemän, jotta erot näkyisivät paremmin ja käytin tässä luonnollisia välejä (Natural Breaks, Jenks). Kartalta pystyy siis lukemaan, että verrattuna Portugal TM06 projektioon, nostaa TM35FIN pinta-aloja kaakkoon mentäessä.

Kuva 4. Transverse-Mercator, jossa sivuamispisteenä Greenwichin meridiaani. Lähde: ESRI

Kuva 5. TM35FIN projektion vaikutus pinta-alaan Suomen kunnissa verrattuna projektioon Portugal TM06.

LAEA Europe 3035 projektiossa on hyödynnetty ainakin yhtä keskimeridiaania, joka kulkee kartassa Suomen etelärannikon itäosasta Suomineidon pään kohdalle, kuten näkyy kuvassa 6. Koska LAEA Europe 3035 pyrkii luomaan yhtenäisen projektion Euroopan maille, käytetään datumina mahdollisimman hyvin Euroopan korkeuseroja kuvaavaa ETRS-1989 mallia. LAEA Europe 3035 on oikeapintainen tasoprojektio (CRS EU, n.d.), joten pinta-ala erot ovat minimoituina. Tästä huolimatta niitä ilmenee kartalla.

Kartta on mielestäni taas visuaalisesti miellyttävä. Luokkia on viisi ja luokkarajat on muodostettu luonnollisten välien avulla (Natural Breaks, Jenks). Kartasta erottuu se, että mitä idemmäs tai lännemmäs kartan keskimeridiaanista kuljetaan, sitä enemmän pinta-ala vääristyy. Erot eivät kuitenkaan ole suuret, kuten ylempänä todettu, koska kyseessä on oikeapintainen projektio.

Kuva 6. LAEA Europe 3035 projektion vaikutus pinta-alaan Suomen kunnissa verrattuna projektioon TM35FIN.

World_Robinson projektio on lieriöprojektio, jossa sivuamiskohdat ovat 38N ja 38S (Denis J., n.d.). Tästä syystä karttavääristymät ja tämän työn tapauksessa pinta-ala erot nousevat näistä sivuamiskohdista poispäin mentäessä.

Jälleen kerran, mielestäni kartta on visuaalisesti onnistunut, kuten myös teknisesti. Pohjois-Lapin kunnissa pinta-ala erot ovat suurimpia kuntia vertaillessa ja tästä syystä se on tummanpunaisella värjätty. Luokkavälejä on seitsemän ja taas käytössä luonnolliset välit (Natural Breaks, Jenks). Luokkien järjestyksen olisi toki voinut muuttaa legendassa niin, että ylimpänä olisi punaiset ja alimpana valkoiset värit. Tavallinen lukija ymmärtää, kuitenkin värien merkityksen (oletettavasti).

Kuva 7. World_Robinson projektion vaikutus pinta-alaan Suomen kunnissa verrattuna projektioon TM35FIN.

Kartat näyttävät kokonaisuudessaan mielestäni hienoilta ja pidin valtavasti kurssikerran töistä, aivan kuten ensimmäisestä kurssikerrasta. Tutkiskelin toisten blogeja ja huomasin, että Väätäjä S. (2024) oli maininnut blogissaan luokkavälien määrät eri karttoja vertaillessa. Tästä tuuminkin, että ajatus on hyvä ja näin teinkin kahdessa kartassa kolmesta, mutta välttämättä kuvan 6. luokkiin ei olisi näin montaa luokkaa tarvinnut, koska pinta-ala erot ovat niin pieniä.

En myöskään käyttänyt samoja värejä kartoissa vaikka moni muu on näin tehnyt. Syynä tähän on se, että pinta-ala erot ovat erilaisia eri kartoissa, joten epätarkka kartanlukija saattaisi tulkita, että erot ovat samat kartoissa, suuntautuen vain eri suuntiin. Toki samojen värien käyttö olisi miellyttänyt silmiä visuaalisen vertailtavuuden kannalta.

Kurssikerta oli kokonaisuudessaan miellyttävä ja toivon, että tulevat luennot jatkavat samalla tavalla tekemisen suhteen.

 

Lähteet:

Väätäjä S. (2024) Toinen kurssikerta, Sampon blogi. Viitattu 25.1.2024. Saatavilla: https://blogs.helsinki.fi/vsampo/2024/01/24/kurssikerta-2/

Hoberg, J. (2024) Toinen kurssikerta, Jeron blogi. Viitattu 1.2.2024. Saatavilla: https://blogs.helsinki.fi/hoberg/2024/01/30/toinen-kurssikerta/

Denis J. (n.d) The Robinson Projection, The Arthur H. Robinson Map Library. Viitattu 25.1.2024. Saatavilla: https://geography.wisc.edu/maplibrary/the-robinson-projection/

CRS EU (n.d) Description of CRS – ETRS89-LAEA, CRS EU. Viitattu 25.1.2024. Saatavilla: https://www.crs-geo.eu/crs/eu-description.php?crs_id=Y0VUUlM4OS1MQUVB

ESRI (2023) Transverse Mercator: ArcMap, ESRI. Viitattu 24.1.2024. Saatavilla: https://desktop.arcgis.com/en/arcmap/latest/map/projections/transverse-mercator.htm

Tilastokeskus (2023) Kuntien avainluvut, Tilastokeskus. Viitattu 24.1.2024. Saatavilla: https://www.stat.fi/tup/alue/kuntienavainluvut.html#?year=2023&active1=SSS

Taustaa blogikirjoitukselle

Kolmannen periodin GIS-kurssi MAA202 alkoi luennolla. Luennon ensimmäisessä osiossa kuuntelimme teoriaa kartoista ja toisessa osiossa loimme koropleettikartan Itämeren valuma-alueen maiden typpipäästöistä itse Itämereen. Työ oli tietysti helppo tehdä opettajan ohjeistuksella, mutta keskittymiskyky herpaantui satunnaisin aikavälein, joten silloin tällöin ojeennuin vieressä olevien kurssilaisten puoleen ja kysyin “niin mitä piti painaa”. Luennon lopuksi opettaja kertoi omatoimisen tehtävän ohjeet ja toivotti hyvää loppupäivää. Ihan mukava luento kokonaisuudessaan.

Kurssikerran opettajajohtoinen tehtävä

Luennon ensimmäisen osuuden eli kalvoesityksen jälkeen siirryimme tositoimiin. Tarkoituksena oli toteuttaa typpipäästökartta Itämeren valuma-alueelta, mutta mitenkähän ihmeessä me sellainen osattaisiin tehdä ja vain kahdessa tunnissa. Opettaja Paarlahti tietysti opasti meitä, näyttämällä vaihe vaiheelta miten kartta saadaan kuosiin.

Kuva 1. Typpipäästöt Itämeren valuma-alueella maittain.

Kartta on omasta mielestäni ihan ok. Voisin käyttää samoja värejä (keltainen-punainen), jos loisin monta eri karttaa ja haluaisin silmien katsottavaksi vaihtelua, mutta yksittäisenä karttana en näin tekisi. Tarkoituksena oli testailla sellaisia värejä, joita en tyypillisesti käyttäisi, kuten tällaista räikeää punainen-keltainen yhdistelmää. Parempi värikokonaisuus olisi voinut olla esim. punainen-vihreä, kuten Niskanen A. (2024) on tehnyt bloginsa “Ensimmäinen kurssikerta” kuvassa 1.

Kartta tehtiin QGIS-sovelluksella ja pohja-aineistot tulivat ladatuksi kurssin moodlesta. QGIS ei ole minulle uusi sovellus, mutta ei erityisen entuudestaan tuttukaan. Sovellusta on käytetty yhdellä kurssilla aikaisemmin, nimittäin MAA104 eli harjoitusta ei ole tähän mennessä kertynyt paljoakaan. Teki siis hyvää osallistua luennon opetukselle sovelluksen käytöstä.

Ensimmäisessä kartassa (kuva 1) korostuu selkeästi Puolan merkitys Itämeren typpipäästöjen “suurvaltana”, muodostaen yksinään kolmasosan päästöistä. Tämä korostuu kartalla kirkkaan punaisena, jotta kartan tulkitsija eli “lukija” ymmärtäisi Puolan päästöjen osuuden. Muita osuudeltaan suuria päästäjiä ovat Venäjä, Latvia ja Ruotsi. Tässäkin tapauksessa voisi päästöt suhteuttaa pinta-alaan kyseisen maan Itämeren valuma-alueesta, väestön kokoon ja bruttokansantuotteeseen, jotta saadaan reilu vertailu. Ruotsin väestö on yli 5 kertaa suurempi, kuin Latvian väkiluku ja sen pinta-ala Itämeren valuma-alueella on reilusti suurempi, mutta silti molemmat maista kuuluvat samaan päästökategoriaan eli 8-13,3% kokonaispäästöistä. Latviassa saattaa olla vanhempia maanviljelyn käytäntöjä, jonka takia päästöt ovat reilusti suurempia henkilöä kohden verratessa.

Kurssikerran omajohteiset tehtävät

Harjoitus 1. Suomen kunnat, esivalikoidut muuttujat

Ensimmäinen omajohteinen tehtävä ei ollut hankala toteuttaa. Työn vaiheissa käytettiin samoja asioita, kuin ensimmäisellä luennolla tuli esille. Itselle tuli kuitenkin pieni harha, jonka takia en päässyt tehtävässä eteenpäin; tehtävässä puhuttiin kunta aineistosta, joka on vuodelta 2015, mutta kurssikansion kunta-aineisto on vuodelta 2021. Tehtävänanto on kuitenkin vuodelta 2023, joten oletin, että tekstin tietoja olisi myös päivitetty. Tästä syystä en edes avannut kunta-aineistoa QGIS-sovellukseen vaan etsin aineistoa muualta. Ongelmasta eteenpäin päästyäni kartan tekeminen oli helppoa, sillä vaiheet olivat kutakuinkin samat, kuin luennolla. Pohja-aineistona toimii tilastokeskuksen kuntien avainluvut (Tilastokeskus 2023).

Valitsin pohjaväriksi vihreän paletin, koska se näytti hienolta. Luokkaväleinä ovat tasaiset intervallit. Luokat olisi voinut myös toteuttaa luonnollisilla väleillä (Natural Breaks, Jenks) jolloin ilmiö itse olisi näkynyt paremmin. Tästä voikin edetä tulevaisuuteen paremmin oppineena. Itse pidän kartan väreistä ja visuaalisuudesta ja sen yksinkertaisuus helpottaa luettavuutta.

Kartasta (kuva 2) ilmenee hyvin selkeästi ulkomaalaisten kansalaisten keskittyminen rannikkoseudulle lännessä ja etelässä. Pääkaupunkiseudun ja Ahvenanmaan konsentraatiot ovat ilmeisimpiä, mutta myös outoja tapauksia löytyy, kuten Varsinais-Suomen ja Satakunnan välinen alue länsirannikolla ja Pohjanmaan eteläinen kärki. Kyseessä voi olla luokitteluvälit länsirannikon tapauksessa, mutta pohjoisempaan mentäessä on kyseessä Närpiö, jossa suuri osa väestöstä on ulkomaalaistaustaisia. Yle on tehnyt artikkelin kunnan tilanteesta – tietysti hieman vanha, mutta se kuvaa silti ilmiötä – vuonna 2015 “Maahanmuuttajat asialla Närpiössä: pelastivat kunnan talouden ja kyläkoulut”.

Kuva 2. Ulkomaalaisten kansalaisten osuus Suomen kunnissa (2021).

Harjoitus 2. Suomen kunnat, omatoimisesti valitut muuttujat

Harjoituksen toinen osio vaati paljon enemmän teknistä näppäilyä. Suurimmaksi ongelmaksi ilmeni aineiston tuonti QGIS sovellukseen ja sen liittäminen olemassa olevaan kunta-aineistoon (Tilastokeskus 2024). Tämä vaihe vei muutamia tunteja, koska aineiston tuonnin ja liittämisen osuudet hankaloittivat työtä kahdesta näkökulmasta:

1. kaikki pienet osuudet dataa tuodessa Tilastokeskuksen sivustolta, Excelistä ja koneen pilvikansiosta vaativat tarkkuutta eli oikean tiedoston valitseminen, sen tallentaminen oikeassa muodossa (moneen kertaan), oikeiden asetuksien käyttö QGIS:issä, tiedostovirheet Excelissä, aineistossa oleva ylimääräinen data jne.

2. puuttuva taito käyttää QGIS-sovellusta.

Näkökulman yksi vaiheet tuli toteututtua monta kertaa, jonka takia virheitä sai helposti tehtyä. Ilmeisesti myös Hoberg J. (2024) kohtasi samanlaisia ongelmia aineiston tuonnissa blogikirjoituksessaan “Ensimmäinen kurssikerta”. Olen myös samaa mieltä hänen kanssaan siitä, että motivaatiolla oli tässä osassa iso merkitys, koska on helppo luovuttaa muutaman epäonnistumisen jälkeen, saatikaan monen sellaisen. Lisäksi yhteistyössä on voimaa ja kaverilta avun saaminen auttoi, kun itse ei huomannut jotain virhettä.

Lopputuloksiin olen kuitenkin tyytyväinen. Osaan nyt hyödyntää aineiston tuontia ja liittämistä QGIS-sovelluksessa ja ymmärrän sen käytännön tasolla paremmin. Lisäksi kaksi tekemääni karttaa ovat visuaalisesti miellyttävät. Käytin toisessa kartassa sinistä väriä (asuntokuntien määrä, kuva 3) ja toisessa punaista väriä (perheiden määrä, kuva 4), joten päällekkäin laitettuna kartat ovat miellyttävät.

Kartoissa näkyvät eri ilmiöt, mutta samat kunnat korostuvat melkein täysin samalla tavalla, koska kyseessä molemmissa teemoissa on väestön kokonaismäärä ja väestö on suurempi kaupungeissa. Oletin itse, että Pohjanmaalla olisi saattanut näkyä jonkinlainen perheyhteisön vaikutus kuvassa 4, mutta tämänkin ilmiön saattaa piilottaa luokkajakaumat, jotka näissä kahdessa kartassa ovat luonnolliset välit (Natural Breaks, Jenks).

Kuva 3. Asuntokunnat Suomessa kunnittain (2023).

Kuva 4. Perheiden määrä Suomessa kunnittain (2023).

Kokonaisuudessaan kurssikerran tehtävät ja luento toivat haasteita, mutta ei ylitsepääsemättömiä sellaisia. Olen odottanut oikean kartan valmistuksen vaihetta maantieteen opetuksessa ja nyt siihen ollaan selkeästikin päästy. Tykkään tämän tyyppisestä tekemisestä, jossa mennään suoraan asiaan.

 

Lähteet:

Hoberg J. (2024) Ensimmäinen kurssikerta, Jeron blogi. Viitattu 22.1.2024. Saatavilla: https://blogs.helsinki.fi/hoberg/2024/01/22/ensimmainen-kurssikerta/

Kerkkäinen, T. (2015) Maahanmuuttajat asialla Närpiössä: pelastivat kunnan talouden ja kyläkoulut, Yle. Viitattu 22.1.2024. Saatavilla: Maahanmuuttajat asialla Närpiössä: pelastivat kunnan talouden ja kyläkoulut | Yle

Tilastokeskus (2024) Kunnat 1 : 4 500 000, GeoServer. Viitattu 22.1.2024. Saatavilla: GeoServer: Layer Preview (stat.fi)

Tilastokeskus (2023) Kuntien Avainluvut muuttujina alue 2023 ja tiedot, Tilastokeskus. Viitattu 22.1.2024. Saatavilla: Kuntien avainluvut muuttujina Alue 2023 ja Tiedot. PxWeb (stat.fi)

Niskanen, A. (2024) Ensimmäinen kurssikerta, Auran blogi geoinformatiikan menetelmistä. Viitattu 22.1.2024. Saatavilla: Ensimmäinen kurssikerta – Auran blogi (helsinki.fi)