Raideliikenne

Suomessa rataliikenne on pienestä väestöntiheydestä huolimatta toimiva, etenkin kaukojunaliikenne. Lähijunaliikenne on tiivis ja toimiva Helsingin seudulla ja pääradalla kuljetaan miljoonia matkoja vuosittain.

Uudet rataprojektit, kuten Länsirata ja Itärata maksavat paljon, mutta niillä on hyviäkin puolia, kuten matka-aika vähennykset. Itseäni kiinnostaa infrastruktuuri ja koin, että raideliikenteestä saa hyvin tehtyä karttoja, joten se aiheena valikoitui kohteeksi.

Länsirata

Salon ja Espoon keskuksen välisen oikoradan suunnitellun rata-alueen 2km säteellä asuu tällä hetkellä n. 32 tuhatta ihmistä. Salo-Espoo oikoradan alueelle on suunniteltu uusia asuinalueita, mm. Hista Espoossa ja Veikkola Kirkkonummella ja kehitystä olemassa oleville alueille, kuten Nummelaan Vihtiin .

Tarkkoja suunnitelmia asukasmääristä alueille ei ole, mutta ne kulkevat kymmenissä tuhansissa, joten voidaan arvioida, että Salo-Espoo oikoradan 2km bufferialueella saattaisi asua 60-70 tuhatta ihmistä suunnitelmien tullessa valmiiksi.

Itärata

Malmin aseman ja Kouvolan välisen oikoradan suunnitellun rata-alueen 2km säteellä asuu tällä hetkellä n. 100 tuhatta ihmistä. Radan varrelle on etenkin Helsingissä suunniteltu suuria asuinalueita, näistä merkittävimmät Malmin lentokenttä ja Östersundom.

Malmin kenttää on suunniteltu 25 tuhannelle asukkaalle, kuten todetaan Helsingin kaupungin sivuilla Malmi, Rakentaminen (2024)  ja Östersundomia vähintään 40 tuhannelle asukkaalle. Kokonaisuudessaan siis alueilla saattaisi asua n. 170 tuhatta ihmistä suunnitelmien valmistuessa.

Rata on omalla kädellä digitoitu. Piirsin sen mahdollisimman suoraksi ja välttelin luonnonsuojelualueita (Suomen ympäristökeskus 2024), vedin radan väestötiheiltä alueilta (Väestöruutuaineisto 2024), Malmin kaava-alueen ja Östersundomin alueen keskiosista (Helsingin karttapalvelu 2024) ja yhdistin radan osuudet olemassa oleviin ratoihin (Suomen väylät 2024).

Lähijunaliikenne uusille radoille

Väkilukuja on hyvä selvittää lähijunaliikenteen kehittämisen valossa. Malmin lentokentän ja Östersundomin alueet saisi helposti yhdistettyä lähijunaliikenteeseen, jolloin matka-ajat lyhenisivät näiltä alueilta reilusti verrattuna olemassa oleviin suunnitelmiin (pikaraitiovaunut, bussit, auto jne.). Kuvasta 1. voi tutkia minkälaisia taajamia uusien ratojen varrella on ja miten suunniteltuja asutuskeskittymiä voidaan sijoitella ratojen varsille.

Ratojen päädyistä on otettu pois pieni osuus bufferointia (esim. kuva 2.), koska nämä ihmiset asuvat jo olemassa olevien asemien lähellä eikä heitä voida täten laskea mukaan ihmismääriin, jotka asuvat mahdollisen tulevan lähijunaliikenteen varrella. Sama on toteutettu Itäradalle.

Kuva 1. Länsi- ja Itärata väestöntiheysruudukolla. Legendassa valkoisen rataosuuden tulisi olla keltainen. Keltainen osuus Porvoon rata, vihreä osuus jatke Itäradalle.

 

Aikaisempien laskujen mukaan, etenkin Itäradan Helsingin päähän kaupunkirakenteen saisi toimimaan tiiviin lähijunaliikenteen pariin. Länsiradalle voi toki myös kehitellä lähijunatoimintaa, mutta väestömäärät ovat nyt ja tulevaisuuden ennusteissa kohtuullisen matalat ja kokonaisuutena väestö ei asu tiiviisti.

Kuva 2. 2km bufferointi, väestötietoruudukko ja oikorata punaisella.

Suomen radat

Hyvin yksinkertaisen bufferoinnin avulla Suomen rataverkosta saadaan selville, että n. 2,5km säteellä rautateistä Suomen rajojen sisällä asuu n. 3,6 miljoonaa ihmistä. Tämä bufferi ilmenee kuvasta 2.

Bufferointi ei ole täysin tarkka, koska väestöaineisto on 1kmx1km ruudukkoaineisto ja laskin väestön tavalla, jossa kaikki bufferoinnin sisällä olevat ja bufferointiin osuvat ruudukot lasketaan mukaan eli keskiarvo etäisyys on ehkä n. 2,5km.

Jos tätä verkostoa haluttaisiin kehittää lähijunaverkostoksi, tulisi huomioida mm., että kartassa olevista radoista kaikki ei ole käytössä, osa radoista ovat huonossa kunnossa ja nopeusrajoitukset ovat paikoittain matalia.

Suomessa olisi joka tapauksessa hyvä mahdollisuus lähijunaliikenteelle useiden eri seutujen alueilla. Turun ja Tampereen välillä kulki ennen lähijuna, joka pysähtyi pieniinkin taajamiin, kyliin ja asutuskeskittymiin. Samankaltaista pientaajamalähijunaliikennettä kulkee nykyään mm. Kotkan seudulla. Ainoastaan pääkaupunkiseutu ei siis toimi lähijuna-alueena.

Ottamatta kantaa siihen olisiko lähijunaliikenne ympäri Suomea järkevää, on selvää, että siihen olisi potentiaalia.

Kuva 3. Suomen rataverkko, joka bufferoitu 2km etäisyydellä radasta.

Omaan aiheeseeni liittymätön, selailin eri blogijulkaisuja viimeisestä kurssikerrasta. Julkaisussa Seitsemäs kurssikerta, Leisola L. (2024) on visualisoinut lapsikuolleisuutta ja turvattomien vedenlähteiden osuutta aiheutetuista kuolemista. Kiehtovan näköinen kokonaisuus.

Lopetusta kurssille:

Opettava ja mielenkiintoinen paketti ollut nämä seitsemän viikkoa.. Näinkin “nopeasti” voi opetella käyttämään monimutkaiselta näyttävää sovellusta, QGIS:iä. Ei jää käyttämättä QGIS taidot, se on selkeä asia se.

 

Lähteet:

Seitsemäs kurssikerta (2024) Seitsemäs kurssikerta, Liinan blogi. Viitattu 29.2.2024. Saatavilla: https://blogs.helsinki.fi/liinalei/

Malmi, Rakentaminen (2024) Malmin kaava, Helsingin kaupunki. Viitattu 27.2.2024. Saatavilla: Malmi | Helsingin kaupunki

Helsingin karttapalvelu (2024) Helsingin karttapalvelu, Helsingin kaupunki. Viitattu 27.2.2024. Saatavilla: Helsingin karttapalvelu

Suomen väylät (2024) Suomen väylät, Väylävirasto. Viitattu 27.2.2024. Saatavilla: Suomen Väylät (vayla.fi)

Väestöruutuaineisto (2024) Väestöruutuaineisto, Tilastokeskus. Viitattu 27.2.2024. Saatavilla: https://www.stat.fi/org/avoindata/paikkatietoaineistot/vaestoruutuaineisto_1km.html

Suomen ympäristökeskus (2024) Luonnonsuojelualueet, Natura2000 ja Erityislaeilla suojellut rakennusperintökohteet, Suomen ympäristökeskus. Viitattu 27.2.2024. Saatavilla: https://www.syke.fi/fi-FI/Avoin_tieto/Avoimet_rajapinnat/INSPIREdirektiivin_mukaiset_rajapinnat

 

 

Taustaa blogikirjoitukselle

Kiehtova kurssikerta, joka alkoi lyhyellä briiffauksella kaupunkisuunnittelun ihanteisiin ja EpiCollect5 -sovelluksen käyttöön, jonka jälkeen lähdimme keräämään aineistoa n. tunnin ajaksi Kumpulan ympäristöön. Loput ajasta opettajajohtoisesti ja itsenäisesti karttojen luontia.

Hasardit

Maanjäristykset

Maanjäristykset ovat yksi tunnetuimmista luonnonhasardeista ja ne aiheuttavat luonnonkatastrofeista tsunamien, tulivuortenpurkausten, kuivuuden ja trooppisten myrskyjen ohella eniten tuhoa ihmisen luomaan yhteiskuntaan.

Magnitudin seitsemän ja yli maanjäristyksiä vuodesta 1970 eteenpäin näkyy kuvassa 1. Kartta toimisi kyllä yksinkertaisena visualisointina suuremman skaalan maanjäristysten ilmenemisestä maailmassa. Sillä onnistuu näyttää yleisten raamien sisällä missä maanjäristyksiä tapahtuu ja missä ei.

Paranneltavaa olisi, kuten Säntti H. (2024) teki blogissaan, jossa litosfäärilaattojen rajat ovat näkyvillä antamassa osviittaa maanjäristysten syntyperästä.

Kuva 1. Maailmassa magnitudin 7 ja yli maanjäristykset vuodesta 1970 eteenpäin.

Astrobleemit

Astrobleemejä eli normaalisti ilmaistuna törmäyskraattereita ilmenee kuvassa 2. Astrobleemit ovat taivaankappaleiden aiheuttamia osumia maanpinnassa, jotka voivat olla ajallisesti miljardejakin vuosia vanhoja.

Kartassa (kuva 2.) ilmenee poikkeamia astrobleemien havaintokohdissa, nimittäin näyttäisi siltä, että valtamerissä, metsissä ja etenkin sademetsissä, korkeissa vuoristoissa, jäätiköillä ja harvaan asutuilla alueilla ei olisi yhtä runsaasti astrobleemejä, kuin muualla. Tämä kertoo siitä, että aineisto perustuu havainnoituihin astrobleemeihin eikä tasan tarkkaan niihin lokaaleihin, joihin on osunut taivaankappale, koska kaikkia kohteita ei olla löydetty.

Kartta on taas visuaalisesti ihan ok ja sitä varmasti voisi käyttää joten kuten opetuksessa. Kartasta ilmenee myös rajojen avulla havaintojen poikkeavuus. Etelä-Afrikassa havaintoja on runsaasti, mutta naapurimaa Botswanassa havaintojen summa on minimaali. Tämä johtuu puutteellisesta kraattereiden tutkimuksesta Botswanassa.

Todellisuudessa kaikkialle osuu taivaankappaleita vaikka toki jonkinlaisia eroja osumakohdissa saattaa olla maan muodon, pinnanmuotojen, painovoiman ja muiden tekijöiden johdosta.

Kuva 2. Astrobleemien ilmeneminen painomäärillään Telluksella.

Tektoniset laatat

Tektoniset laatat ovat astenosfäärin päällä kelluvia kivilaattoja, jotka ovat jatkuvassa paineessa ja kosketuksessa vieressä olevien laattojen kanssa. Ne painuvat toistensa alle, hinkaavat, törmäävät ja rikkoutuvat satunnaisesti ja muodostavat tyypillisiä luonnonhasardeja, mm. maanjäristyksiä ja tulivuoria.

Kartasta (kuva 3.) ilmenee tektonisten laattojen rajojen korrelaatio tulivuorten ja maanjäristysten kanssa. Visuaalisesti on ihan ok ja se tekee työnsä, mutta parempaakin voisi haikailla, satuin olemaan muissa maailmoissa tätä tehdessä. “Lämpöläiskinä” toimii tulivuoret.

Opetuksessa kartta voisi jopa toimia hyvin. Siinä ilmenee paikoittain korrelaatio maanjäristysten, tulivuorten ja litosfäärilaattojen välillä.

Kuva 3. Tektonisten laattojen, maanjäristysten ja tulivuorten ilmenemisten korrelaatio.

Tsunamit

Lisäilmiönä otin luonnollisesti tsunamit, sillä ne ovat suoria seurauksia maanjäristyksistä, meteoriiteista ja tulivuortenpurkauksien jälkimainingeista, kuten maanvyöryistä.

Kuvasta 4. nähdään helposti yhteys maanjäristysten ja tsunamien välillä verratessa kuvaan 1. Tsunameja syntyy tietystikin myös muista tekijöistä eikä maanjäristyksetkään johda joka kerta tsunamiin. Toisaalta tappavimpana luonnokatastrofina tsunamit aiheutuvat lähes aina maanjäristyksistä, joten jonkinlaisen johtopäättelyn tuloksena voidaan sanoa, että maanjäristykset ovat vaarallisin hasardi ihmisille.

Kuva 4. Tsunamiriskivyöhykkeet maailmalla. Lähde: Tsunami Zones

Yleisesti näitä karttoja voisi varmasti käyttää jotakuinkin kyseisten hasardien opetuksessa. Taustakarttapohjana olisi voinut toimia paremmin ESRI:n maailmankartta, kuten Heikki S.:llä ja visuaalisesti ilmiöistä saisi varmasti miellyttävämmät mutta kokonaisuudessaan harardit tulevat esille ja kartat hoitavat tehtävänsä.

 

Lähteet:

Heikki S. (2024) Kuudes kurssikerta, Heiggi’s blog. Viitattu 23.2.2024. Saatavilla: https://blogs.helsinki.fi/hksantti/2024/02/20/kuudes-kurssikerta/

Tsunami Zones (2021) World Map – Tsunami Zones, MapsOfWorld. Viitattu 23.2.2024. Saatavilla: World Map showing Tsunami Zones (mapsofworld.com)

Taustaa blogikirjoitukselle

Tämän viikon työt tehtiin pääosin itsenäisesti, lukuun ottamatta luennon alun lyhyttä opettajajohtoista osiota. Tehtäviä oli monia, mutta niiden tekeminen palkitsevaa.

Olen kirjoittanut ratkaisuvaiheet tässä blogissa ja itse ratkaisut korostetulla enkä kovin paljoa muuta. Voi olla, että tulokset ovat hieman erilaiset tehtävien eri vaiheissa, koska omaa kättä sai käyttää etenkin piirtämistä vaativissa osuuksissa. Toki pieniä virheitä on myös saattanut syntyä. Kuvassa 1. ilmenee vastaukset.

Kaiken lisäksi olen Wanström A.:n (2024) kanssa yhteistä mieltä siitä, että gissiä oppii yrittämisen kautta ja mitä sitkeämmin jaksaa yrittää (pätee kaikkeen) niin myös todennäköisesti oppii paremmin ja saa tehtävät tehtyä.

Kuva 1. Tulostaulukko.

 

Itsenäistehtävä 1.

1. Lentokentät

Malmin lentokenttä

 

1km bufferin alueella asuu 9042 ihmistä ja 2km bufferin alueella asuu 57563 ihmistä.

Lisätehtävä 1.

Malmi otettu käyttöön vuonna 1938 (Helsinki-Malmi Airport, 2023), moniko rakennuksista rakennettu sen jälkeen? Rakennuksia bufferoidulla alueella on 754 ja näistä uudempia eli 1938 jälkeen rakennettuja rakennuksia on 686. Näissä rakennuksissa asuu 8496 asukasta alueen kaikista 8716 asukkaasta, jotka asuvat 1938 jälkeen rakennetuissa rakennuksissa. Malmin lentokentän kiitoteiden lähiympäristö ei ole vanhoista rakennuksista koostuvaa.

Lisätehtävä 2.

Latasin Malmin kaava-alueen Helsingin karttapalvelusta. Alueen sisälle on suunniteltu asuntoja n. 25000 asukkaalle, kuten ohjeessa lukee.

Jaetaan alueen väkiluku neliökilometri pinta-alalla, jotta saadaan väestöntiheys neliökilometriä kohden. Tätä varten käytetään Add geometry attributes työkalua, joka laskee piirin pituuden ja pinta-alan valitulle pinnalle. Lisäksi vaihdetaan karttaprojektio oikeanlaiseksi eli TM35FIN.

Malmin kaavan kooksi saadaan n. 3 neliökilometriä. Alueen väestöntiheydeksi tulee siis n. 8333 ihmistä neliökilometriä kohden. Tarkoituksena oli selvittää löytyykö yhtä tiiviisti asutettuja alueita pääkaupunkiseudulta.

Paarlahti kertoi, että karttaan tulisi piirtää suurin piirtein samankokoisia alueita ja laskea niiden väestöntiheys. Tämä olisi hieman turhaa, koska tiedän, että pääkaupunkiseudulla on alueita, joissa väestöntiheys on reilustikin suurempi kuin Malmin  kaava-alueella. Lisäksi prosessi olisi enemmänkin yksitoikkoinen, kuin opettava, koska alueen pinta-alan laskeminen onnistuu Add geometry attributes -työkalulla, väestön laskeminen alueella Select by Location -työkalulla ja näiden avulla voi laskea väestöntiheyden. Prosessi pitäisi tehdä monille eri alueille, joten jätän sen tekemättä.

Pääkaupunkiseudulta löytyy paljon väestöntiheydeltään samanlaisia alueita, pääosin kantakaupungista ja asemaseuduilta.

Helsinki-Vantaa

Helsinki-Vantaa lentokentän kiitoteiden kahden kilometrin buffereiden sisällä asuu 11378 asukasta. Tämän selvittämiseen käytin Buffer -työkalua ja sen jälkeen katsoin tuloksen Statistic Paneelista.

65db melualueella asuu 27 ihmistä eli vain 0,237 prosenttia alueen väestöstä. Tulokseen pääsin erottamalla melutietokannasta Extract by attribute -työkalulla 65db tiedon omaksi tasokseen. Seuraavaksi clip -työkalulla loin uuden tason 2km bufferoiduista kiitoteistä ja 65db melualueesta eli toisin sanoen bufferoidun alueen sisälle jäävä 65db alue muodostui uudeksi tasoksi. Tästä pystyikin lopuksi helposti katsomaan Statistics Paneelin avulla alueen väestön.

Vähintään 55db melualueella asuu 11913 asukasta. Tähän käytin taas Extract by attribute työkalua, jolla sain melutietokannasta 55db ja sen ylittävät arvot omaksi tasokseen. Tästä Statistics Paneelin avulla selvitin väestön alueella.

Seuraavassa vaiheessa tein 6,5km pitkän suoran kaakkoon päin lentokentän itäisen kiitoradan eteläkannasta. Pituudeksi 6,5km siksi, että tehdään 1km bufferointi, kuten ohjeessa lukee, joka tarkoittaa sitä, että bufferoinnin etäisyydeksi tulee 500m molempiin suuntiin eli tietysti 1km ja 500m päätyihin eli yhteensä 7,5km (kiitotien suuntaisella päädyllä ei ole merkitystä, joten 7km). Vähintään 60db meluaste vaikuttaisi 12544 bufferoinnin sisällä asuvan ihmisen elämään.

2. Asemat

101858 ihmistä asuu karttalehden alueella 500m etäisyydellä asemista.

Työnvaiheisiin kuului uuden karttalehden alueen muotoisen polygonin tekeminen, koska itse karttalehdissä ei ole sijaintitietoa, jonka takia niitä ei voi käyttää Clip ja Buffer -työkalujen kanssa. Tämän jälkeen käytin Clip -työkalua, jolla sain karttalehden sisällä olevat asemat eroteltua karttalehden ulkopuolella olevista asemista. Tästä jatkoin Buffer -työkalun kanssa bufferoimalla karttalehden sisälle jääneet asemat. Jotkut asemista ylittivät karttalehden alueen, joten näitä jouduin rajaamaan käyttämällä Reshape -features työkalua. Lopuksi tietysti Select by Location ja Statistics Paneeli.

Itse karttalehden alueella asuu 490218 ihmistä eli 20,8 prosenttia väestöstä karttalehden alueella asuu alle 500m etäisyydellä asemista.

Alle 500m etäisyydellä asemista karttalehden alueella asuu 69472 ihmistä eli 68,2 prosenttia alueen väestöstä. 

Tulokseen päästiin laskemalla yhteismäärät Pks_vaki_font aineistossa 15-64 vuotiaille yksinkertaisella plus -laskulla; IKA15+IKA16+…IKA55_59 ja IK60_64. Jälkeen tästä käytin vanhaa Asemabufferia, jonka tein ensimmäisessä vaiheessa -> Select by location ja Statistics Paneelista tulos.

Itsenäistehtävä 2.

Pks_vaki_font alueen asukkaista 1001830 ihmistä asuu taajamissa kokonaisväestöstä 1042440 eli 96,1 prosenttia väestöstä alueella asuu taajamissa.

Taajamien ulkopuolella asuvien kouluikäisten määrä on 3727 eli kokonaismäärästä 103385 osuus on 3,6 prosenttia.

Yhteensä 65 alueella on ulkomaalaisia enemmän, kuin 10%.

Yhteensä 22 alueella on ulkomaalaisia enemmän, kuin 20%.

Yhteensä 14 alueella on ulkomaalaisia enemmän, kuin 30%

Ulkomaalaistehtävän vastauksissa on hyvä huomioida, että reilusti yli puolet alueista, joissa asuu yli 10-, 20- tai 30 prosenttia ulkomaalaisia, ovat pieniä yksittäisiä muutaman asukkaan alueita. Todellisuudessa tällä tavalla voidaan muun muassa hämätä uutisten kanssa. Kuvassa 2. näkyy alueelta tehty kartta.

 

 

 

 

 

 

Kuva 2. Kartta ulkomaalaisten osuuksista alueittain.

Itsenäistehtävä 4. Uima-altaat ja saunat

Pääkaupunkiseudulta löytyy 855 rakennusta, joissa on uima-allas.

Asukkaita asuu yhteensä 12170 henkilöä kohteissa, joissa on uima-allas.

Omakotitalokohteita, joissa on uima-allas on 345. Rivitaloja, joissa on uima-allas on 113. Kerrostaloja, joissa on uima-allas on 181.

Kuva 3. Uima-altaat pääkaupunkiseudun kaupunginosien yksityisrakennuksissa.

Ohjeessa pyydettiin tekemään kartta, jossa näkyy myös alueen uima-altaiden lukumääriä kuvaava pylväs, mutta tämän mahduttaminen tarkkaan aineistoon ei näyttänyt hyvältä. Päätin siis tehdä yksinkertaisesti numeroilla visualisoivan kartan (tässä toki olisi voinut tehdä jaottelun suurempien alueiden kera niin pylväät olisivat mahtuneet paremmin, mutta näin ei päästä haluttuun tarkkuuteen). Kuvassa 3. kyseinen kartta.

Pääkaupunkiseudulla olevista rakennuksista 21922:ssa on sauna. Yhteensä siis 24,1 prosentissa rakennuksista on sauna.

Itsenäistehtävä 5. Putkiremontit

Pääkaupunkiseudulla on 6286 rakennusta, jotka on rakennettu vuosien 1965 ja 1970 välillä.

Näistä rakennuksista 1206 ovat kerrostaloja.

Arviolta 674411 ihmisen elämään tulee vaikuttamaan tai on vaikuttanut putkiremontti.

Remontoitavien asuntojen lukumäärä kerrostaloissa on 412644.

Putkiremonttien osuudet kaupunginosittain ilmenee oheisesta kuvasta 4.

Kuva 4. Putkiremontit kaupunginosittain pääkaupunkiseudulla.

 

Loppuajatuksia

QGIS:in käyttö on edennyt selkeästi kurssin kulun myötä. Taitoja on kehittynyt ja itsevarmuutta omien ratkaisujen ja ideoiden toteuttamiseksi on kerääntynyt. Ratkaisuja on löytynyt päänkäytön avulla ja tällä viikolla etenkin omaotteisesti eri työkaluja ja uusia ideoita hyödyntäen.

Tarkkaa rajausta eri työkalujen käytöstä ei itselläni ole, mutta osaan käyttää kaikkea, tietyin rajoituksin. Bufferi  eli puskuri -työkalu on yksi helpoimmista ja toki myös hyödyllisimmistä. Sillähän voi laskea vaikka säteilyvyöhykkeen ydinvoimaloille, melualueen tuulimyllyille, palveluiden saavutettavuuden ihmisille jne.

QGIS:in kanssa toimiessa on selkeästi huomannut järjestelmän, etenkin prosessorin merkityksen aineistojen taustalla pyörimisessä. Otaniemestä saisi  varmaan jonkinlaisen nanosupertietokoneen, jolla muutama ylimääräinen Pks_vaki aineistokin voidaan pitää taustalla yllä ilman suurempaa taakkaa järjestelmälle.

Kuten muidenkin aineistotyyppien suhteen, paikkatietoaineistolla ei ole yhtä yhtenäistä tiedostomuotoa, löytyy GeoTIFfiä, Esri shapefileä, GeoJSONia ja sun muita. Näiden kaikkien yhdistely, käyttäminen ja analysointi vaatii eri työkaluja ja ajoittain himskutisti ajattelua.

Kokonaisuudessaan yksi lempikerroistani tällä kurssilla.

 

 

Lähteet:

Wanström A. (2024) Bufferointi ja reklektointi viikko 5, Gissful thinking. Viitattu 15.2.2024. Saatavilla: https://blogs.helsinki.fi/armida/2024/02/15/bufferointi-ja-reflektointi-viikko-5/

Helsinki-Malmi Airport (2023) Historia – Helsinki-Malmi Airport, Malmiairport. Viitattu 13.2.2024. Saatavilla: https://www.malmiairport.fi/historia/

ImgFlip (2024) Meme Generator, ImgFlip. Viitattu 14.2.2024. Saatavilla: https://imgflip.com/memegenerator

 

Taustaa blogikirjoitukselle

Alussa noin 45 minuuttia teoriaa, aiheena piste- ja ruutuaineistot, laserkeilaus ja sen käyttö ja toiminta. Luennoitsija kukapa muukaan, kuin Paarlahti.

Tunnilla toteutettiin kahden eri aineistokansion pohjalta kaksi eri karttaa; väestötietokartta Espoon, Vantaan, Kauniaisten ja Helsingin kunnista ja keskeiseksi jäänyt laserkeilauskartta Pornaisten kunnan alueelta.

Väestötietoruudukko

Päätin toteuttaa kartan muunkielisten (ei kotimaiset kielet) ja ruotsinkielisten osuuksista väestöstä laaditun aineiston pohjalta. Yksinkertainen yhtälö: jaetaan muunkielisten summa ruotsinkielisten summalla. Muunkielisiä on nykyään reilusti enemmän pääkaupunkiseudulla, kuin ruotsinkielisiä, joten oli hyvä käyttää muunkielisiä jaettavana numerona.

Kartassa (kuva 1.) näkyy siis kuinka moninkertainen määrä on muunkielisiä verrattuna ruotsinkielisiin kilometri/kilometri neliöruudukoiden sisällä. Alle 1 arvot eli valkoiset ruudut kuvastavat ruotsinkielisten suurempaa osuutta alueella.

Tässähän näkyykin, jos tarkkaa osaa karttaa tutkia, että ruotsinkieliset asuvat enimmäkseen hyvinkin täsmällisesti kiinteistöltään kalleilla alueilla, kuten Ullanlinnassa, Lauttasaaressa, Westendissä, Kauniaisissa, Kulosaaressa ja Paloheinässä. Lisäksi nähdään kuinka Espoossa ja pääosin kantakaupungissa ruotsinkielisten osuudet ovat suurempia keskimäärin.

Muunkieliset taas asettautuvat enemmän sisämaahan. Kartasta erottuu selkeästi myös kuinka muunkielisten osuus on suurempi idässä, poikkeuksena kuitenkin Östersundom, joka on urbaanisti kehittymätöntä päävaltaisesti ruotsinkielistä aluetta. Tätä pohti myös Pihlavisto A. (2024) blogissaan 4. kurssikerta. Syyksi hän esitti mm. alueen vuokra-asuntojen suuren osuuden ja, että niissä asuu paljon maahanmuuttajia. Näistä tekijöistä voidaan ainakin osittain olla samaa mieltä, mutta muitakin selittäviä tekijöitä varmasti on, kuten kaupunginosien etäisyys keskustasta (hintataso).

Kuva 1. Väestötietoruukko valituista kunnista. Muunkieliset jaettuna ruotsinkielisten osuudella.

 

Karttaan voisi tavallisen ihmisen tulkintaa parantamaan lisätä vaikka kaupunkien rajat ja nimet, poistaa turha tila ylhäällä ja sivuissa ja muuttaa hieman värejä. Visuaalisesti se on, kuitenkin ihan ok. Pinkin värin vaihtaisin pois, jos QGIS olisi tässä silmieni edessä saatavilla.

Ruututeemakartta ei ole surkea tapa esittää absoluuttisia ilmiöitä, mutta on parempiakin, kuten perus alueväestökartta (kaupunginosat). Ruutujen itse ko’oilla on tietysti merkitys, koska suuremmat ruudut vääristävät aineistoa enemmän. Tässä tietysti se, että aineistoa pelkistetään suurempiin kategorioihin (maantieteellisiä rajoja rikkovat neliöt), jolloin sen sijainnillinen tarkkuus heikkenee. Toki omassa kartassani on suhteellinen väestötieto, joten se ei ole täydellinen vertauskohde.

Itse koen, että muut koropleettikartat ovat useimmiten informatiivisuudeltaan parempia, kuin tällaiset ruututeemakartat. Yksinkertainen syy on se, että luonnossa harvoin esiintyy ilmiöitä, jotka saataisiin totuudenmukaisesti esiteltyä ruutujen sisälle, koska asiat eivät tapahdu “ruutumaisesti” luonnossa. Pistekartat ovat taas eri asia, koska niillä voidaan hyvinkin tarkasti esitellä tarkkoja asioita, kuten vaikka koripallokenttien sijainnit. Ongelmana on tietysti, että jos pisteitä ei lajittele suurempiin kategorioihin, saattaa kartta muuttua hyvinkin vaikeasti tulkittavaksi, koska pisteitä yksinkertaisesti on niin paljon.

Korkeuskäyrät

Kotitehtäväksi jäi korkeuskäyrien vertailu, tosin en tiedä tuliko tätä liittää blogiin. No joka tapauksessa erojahan omien 5m korkeuskäyrien ja peruskarttalehden (oletettavasti 2,5m korkeuskäyrien) välillä on, koska 2,5m käyrät ovat tarkempia. 😲. Omat 5,0m käyrät perustuvat myös aikaisemmin tehtyyn “virtual raster” pohjaan, joten korkeudet eivät ole samasta pohjasta.

Kuva 2. Korkeuskäyrät Pornaisten kunnassa.

 

Lähteet:

Pihlavisto A. (2024) 4. kurssikerta, Antin gis blogi. Viitattu 7.2.2024. Saatavilla: https://blogs.helsinki.fi/anttipih/

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)