5. oppitunti – Ongelmanratkaisua ja lisää ongelmanratkaisua

Hei taas,

13.3 starttasi uusi viikko, mikä tarkoitti uutta Geoinformatiikan menetelmät-kurssin luentoa. Hyppäsimme puskurivyöhykkeiden teon syöväreihin, ja opimme laatimaan monipuolisia analyysejä ilmiön vaikuttavuudesta. Ohjattujen tehtävien jälkeen pääsimme tekemään itsenäistehtäviä, mitkä vaativat ongelmanratkaisukykyä. Ongelmanratkaiseminen on hyvin hauskaa – kunnes homma ei suju. Pitkien ja tuskaisten öiden jälkeen sain kuitenkin tehtävät tehtyä, ja tässä blogissa tulen esittämään teille tulokset.

Vastausten laatimisessa meni hetki aikaa, mutta se siitä. Osaamisen taso on merkittävästi kehittynyt Artun luentojen ja nettivideoiden myötä. Kiitos näille! Bufferien laatiminen lentoasemien ympärille oli hyvin yksinkertaista. Kuitenkin vaikeuksia tuli heti, kun piti vähintään 65 dB melualueella asuvien määrä suhteuttaa melualueella kokonaisuudessaan asuviin. Meni hetki aikaa hoksata, että piti attribuuttitaulukosta valita rivi, mitä halusi tarkastella. No tälläisiä sattuu ja siitä päästiin yli nopeasti.

Kuva 1. 60 dB melualueeseen kuuluvat asukkaat poikkeuksellisessa laskeutumisreitissä.

60 dB melualueen laatiminen poikkeukselliselle laskeutumisreitille oli yllättävän hankalaa. Itse laadin noin 6500 metrin pituisen apuviivan, jonka ympärille laskin bufferin. Bufferin leveydeksi laskin 500 metriä, jolloin yhteenlaskettu leveys kahden eri päädyn välillä oli 1 kilometrin. Bufferi itsessään apuviivan jatkeeksi pitkitti matkaa juuri 7 kilometriin, jolloin sain laskettua melualueella asuvien määrän (kuva 1). Bufferi kattaa 60 dB melualueen leveyden.

Asemien ja taajamien tunnuslukujen laskeminen oli melko yksinkertaista. Laskemalla yhteen pyydetyt arvot – sain helposti laskettua bufferin sisälle, ja sen ulkopuolelle jääneiden yksilöiden määrät. Tietokannan informaation laskeminen uuteen sarakkeeseen on varsinkin helpottunut kurssikertojen myötä.

Alla olevaan taulukkoon olen koonnut kurssitehtävien vastaukset.

Taulukko 1. Vastaukset viidennen kurssikerran tehtäviin

Kiinnostavaa yllä olevassa taulukossa (taulukko 1) on ero Malmin lentoaseman 1 kilometrin ja 2 kilometrin säteellä asuvien välillä. Kuitenkin vastauksen päättelyssä ei mennyt pitkään. 2 kilometrin säteelle mahtuu Helsingin suurimpia lähiöitä, kuten Kontula, Pihlajamäki, Malmi ja Tapanila. Pelkästään Kontulassa asui vuonna 2019 – 14 108 asukasta (V, Pekka et al. 2019). Enemmän kuin Suomen suurimmassa kunnassa Inarissa, jossa asui vuonna 2019 –  6 907 asukasta (Inari. 2021). Toinen kiinnostava huomio on 500m säteellä asemasta asuvista 15-64-vuotiaista. Korkea prosenttiarvo ei yllätä, sillä esimerkiksi Kivistössä 16–64-vuotiaita asukkaita oli 71% vuonna 2021 (Vantaa. 2022). Kivistössä suuri osa uudiskohteista ollaan rakennettu juuri juna-aseman läheisyyteen.

Miten menee?

Tämän hetkinen paikkatieto-osaaminen QGISin keskeisimpien työkalujen käyttöön liittyen koen olevan hyvä. Hyvän ohjeistuksen sekä nettivideoiden avulla tärkeimpien työkalujen käyttö on jäänyt mieleen. Varsinkin tämän kurssikerran pääteeman – bufferointien teko on parantunut. Bufferointi on äärimmäisen hyödyllinen varsinkin silloin, kun haluamme tarkastella ilmiön vaikuttavuutta alueellisesti. Esimerkiksi, kuinka monta henkilöä Vantaalla koskee lentomelu? Tämä on merkittävää, sillä poikkeuksellisten laskeutumisreittien lentomelu saattaa koskea useita eri asuinalueilla asuvia. Täten puskurivyöhykkeellä saa tarkat arvot melun vaikuttavuudesta. Tämän myötä voidaan antaa tiedote alueiden asukkaille metelistä.

Puskurivyöhykettä voi myös hyödyntää esimerkiksi metsätalouksen tarkoituksiin. Voimme laatia puskurin metsäteollisuudessa käytettyjen teiden ympärille, ja täten antaa spatiaalista tietoa hakkuutöiden laajuudesta. Sama voidaan tehdä esimerkiksi luonnonsuojelualueen ympärille, jossa puskurivyöhykkeellä viestitetään metsänhakkaajia ja insinöörejä olemaan kaatamatta puita puskurivyöhykkeen sisäpuolelta.

ITSENÄISTEHTÄVÄ

Hyppäämme itsenäistehtävän pariin seuraavaksi. Tämä tehtävä muuten oli iso työmaa. Tästä puhun, kun mainitsin pitkistä tuskaisista töistä töiden parissa. Tehtäväanto vaikutti alussa yksinkertaiselta, mutta sitten, kun sitä käytännössä pääsi tekemään – kohtasin useita ongelmia. Suurin oli “Invalid geometries”, mikä syntyi siitä, kun halusin laskea pisteet polygonin sisällä. Muutamien ohjeiden ja viime vuosikerran blogikirjoitusten myötä löysin ratkaisun ongelmaan. Fix geometries-työkalulla voi korjata virheet rakenteessa, ja laskea pisteet polygonissa moitteetta. Tämän jälkeen ei muuta kuin pylväitä laatimaan, ja arvot pylväiden viereen. Alla olevassa kartassa (kuva 3) voimme nähdä uima-altaiden määrän kaupunginosittain pääkaupunkiseudulla. Suurin määrä uima-altaita sijaitsee Lauttasaaressa – 53 kappaletta (kuva 3). Toolboxista Fix geometries-työkalu löytyi. Annika Innasen blogitekstin avulla sain tietää, etä jokainen taso tuli korjata erikseen ja tallentaa (Innanen, A. 2022). Tämän jälkeen Count points in Polygon-työkalu toimi kuin junan vessa! Ei enään “invalid geometry” ilmoitusta tullut. Suosittelen zoomaamaan karttaan, sillä numeerisia arvoja voi olla hankalaa nähdä selaimen norminäkymästä. Jotta numerot mahtuivat siististi ja selvästi kaupunginosiin – tuli niiden olla pieniä.

 

Kuva 3. Uima-altaalla varustetut rakennukset pääkaupunkiseudun kaupunginosissa.

Lopuksi

Ennen kaikkea ongelmanratkaisuun QGIS-ohjelmistossa vaikuttaa tiedon laatu. Tietokannassa tulee olla informaatio ilmaistuna hyvin, jotta siitä löytyviä arvoja voi hyödyntää. Myös perusasiat, kuten projektio ja aineistojen tuottovuosi vaikuttavat vakuuttavan kartan laatimiseen.
Analyysille asetettuja reunaehtoja voi olla useita QGIS-ohjelmiston käytön myötä. Ohjeistukset välillä ohjelmiston laatijoiden puolelta ovat minimaaliset. Suuri osa ohjeista olen löytänyt muilta kurssitovereilta tai netin GIS-velhoilta. ArcGis-ohjelmistossa on esimerkiksi selkeä ohje-dokumentti (Kumar, R. 2022). Olen huomannut, että monimutkaiset laskutoimitukset ovat varsinkin QGIS-ohjelmistolle hankalia. Usein ohjelmisto kaatuu, jolloin pahimmillaan joudun aloittamaan koko prosessin uudelleen. Kolmas merkittävä reuna-ehto ovat Scratch layerit. Näiden vuoksi on meinannut kyynel valahtaa, kun kaikki edellisen päivän tuotokset ovat muuttuneet käyttökelvottomiksi. Täten analyysia joutuu toteuttamaan sillä hetkellä, kun scratch layerit on laatinut.

Siinä kaikki.  Ongelmanratkaisu on hauskaa, kunnes se ei ole. Ensi kertaan!

 

Lähteet:

Kumar, S. (2022). What are the advantages & disadvantages between ARC GIS Vs Q-GIS? Deloitte Touche Tohmatsu India LLP.  ResearchGate.

Annika Innanen. (2022). Annikan GIS-blogi. https://blogs.helsinki.fi/anninnan/2021/02/18/harjoitus-5-sos-help-apua-ja-uima-allas-ja-saunakarttoja-pk-seudulta/. Helsingin yliopisto.

Inari.fi.  (Viitattu 27.2..2022). Tilastotietoa Inarin kunnasta. Lähde: Tilastotietoa – INARI.FI

Vantaan kaupunki. (2022). Väestörakenne. Lähde: Väestörakenne | Vantaa

Pekka Vuori, Netta Mäki, Claudia Bergroth. (2020). Helsingin väestö vuodenvaihteessa 2019/2020 ja väestönmuutokset vuonna 2019.  Helsingin kaupunki.

 

4. oppitunti – rasteriaineistoja

Moikka taas!

Täällä jälleen ollaan, ja on aika viedä teidät kurssin tapahtumien aitiopaikalle. 6.2.2022 pidetyllä oppitunnilla pääsimme tutustumaan ruudukkojen laadintaan paikkatietoaineistosta ja rasteriaineistoihin. Tässä blogissa tulen esittämään kahta tekemistäni ruutukartoista. Tein useita, mutta valitin kartat, mitkä visualisoivat parhaiten informaatiota. Ei muuta kuin asiaan!

Kuva 1. Ulkomaalaisten osuus ruutukartalla prosentteina. SeutuCD’15 (2015).

 

Yllä olevassa kartassa (kuva 1) voimme havaita pääkaupunkiseudun hallinnollisten rajojen sisällä ruutuja. Ruudut ovat 1km1km kokoisia. Kuten legendasta voi havaita – ruudut visualisoivat prosentuaalisia arvoja ulkomaalaisten väestön osuudesta paikallisen alueen kokonaisväestöön.

Väriskaalan valitseminen oli yllättävän hankalaa. En alussa tiennyt, mikä sopisi matalimpien arvojen väreiksi. Vihreä väri olisi muistuttanut liikaa kuntapohjaa, ja tämän vuoksi päädyin vaalean siniseen väriin.

Ruudut kattavat rajatun alueen pääkaupunkiseudusta. Puuttuvat ruudut alueelta ilmaisevat sen, että sieltä ei löydy asutusta / tai olla saatu tietoa asukkaiden taustasta.

Kartta on minulle informatiivinen, mutta ennen kaikkea sen pitää olla teille lukijoille! Kommenttiosioon saa pistää viestiä, jos esitysteknisesti kyseessä on sekava kokonaisuus. Prosenttiosuudet ovat ainakin mielestäni ihan toimivat, mutta tämän lisäksi voisin luoda toisen kartan, jossa ruudut ilmaisevat ulkomaalaisten määrällisen osuuden. Täten ulkomaalaisten levittäyttymistä pääkaupunkiseudulla saa paremman käsityksen.  Esimerkiksi Otaniemessä sijaitsee opiskelijasuntoja, joissa ulkomaalaisten määrä on hyvin suuri – 1065. Kuitenkin ulkomaalaiset muodostavat 28% väestöstä attribuuttitaulukon mukaan. Alla olevassa kuvassa (kuva 2) on juuri visualisoitu ulkomaalaisten määrälliset arvot kaupunginosittain. 

Kuva 2. Määrällinen arvo ulkomaalaisten osuudesta kaupunginosittain.

Kiinnostava kysymys liittyy esitettyjen lukuarvojen tyypiin. Voiko käyttää absoluuttisia vai suhteellisia lukuja? Prosenttiosuuksien kannalta desimaalien käyttö antaa tarkempaa tietoa osuuksista. En kuitenkaan niitä lisännyt arvoihin, sillä halusin kartan olevan esteettisesti miellyttävä ja helposti luettava. Absoluuttiset arvot sopivat paremmin määrällisten asioiden ilmaisuun, kuten juuri äsken mainittuun Otaniemen asukkaiden määrään. Sen vuoksi tein toisen kartan (kuva 2). Absoluuttiset luvut sopivat paremmin ruutukartan tekoon, koska yleensä informaatiota visualisoidaan yhdenkokoisilla ruuduilla. Prosenttien tapauksessa koot kannattaisivat mahdollisesti suhteuttaa.  Tilastokeskus myös kehottaa absoluuttisten lukujen käyttämistä ruutukartalla (Tilastokeskus. 2022).

Ruututeemakartta toimii mainiosti tiedon esittäminen, mutta miten se pärjää suhteessa muihin teemakarttoihin? Jos puhumme valtakunnan tasolla esitettävistä tunnusluvuista – ruututeemakartta antaisi sekavan vaikutelman informaatiosta. Varsinkin, jos kuntarajaukset lisätään – sopii koropleettikartta esitysteknisesti tarkoitukseen paremmin. Pienimpien alueiden tunnuslukujen yksityiskohtaiseen tarkasteluun  ruudukko sopii hyvin. Varsinkin, jos huomioon ei oteta hallinnollisia rajoja. Elin Stråhlmann mainitsee blogissaan, että yksityiskohtaisemmaksi ruutukartan voi tehdä, kun lisää luokkien määrää, E. 2023).

Joillain osa-alueilla muut teemakartat sopivat paremmin käyttöön. Jokien, viheralueiden tai vesistöjen vaikutusta alueella asuviin asukkaisiin on hankalaa arvioida ruututeemakartassa. Koropleettikartta täten antaisi selkeämmän vaikutelman informaatiosta. Tämän lisäksi voi yksilö laatia yhteyksiä tietyn alueiden tai kaupunginosien hyvinvointisuuden välillä koropleettiteemakartalla. Esimerkiksi Espoossa sijaitsevat todella hyvinvoivat kaupunginosat Suomessa mahdollisesti juuri siksi, että viheralueet ja vesistöt ovat lähellä. Nämä saattavat nostattaa esimerkiksi kiinteistöjen hintaa, jolloin varakkaat – todennäköisesti terveyspalveluita kykeneviä maksajia – asuu siellä.

Väestön suuruutta eri kaupunginosissa voi visualisoida eri kokosilla pisteillä – pistekartassa. Täten lukija nopeasti saa haltuunsa tietoa absoluuttisista lukumääristä, kuten kaupunginosien asukkaiden määrästä.  Ruutukartassa näin voi tehdä, mutta sen luettavuus hallinnollisten rajojen huomioon ottamisessa – vaikenee. Sään vaikutuksia ja ulottuvuutta voi yksityiskohtaisemmin visualisoida koropleettikartalla, jossa myös luettavuus on paljon parempi.

Seuraavaksi ruutukartan analysointiin! Ulkomaalaisten jakautumiseen vaikuttavat useat tekijät. Ulkomaalaistausten osuus vuonna 2020 oli korkein Itä-Helsingin kaupunginosissa, kuten Kontulassa, Rastilassa ja Kivikossa (Helsingin kaupunki). Tämä vaikuttaa prosenttiosuuksiin kartalla (kuva 1). Alueen väestöstä keskimäärin 20-30% ovat ulkomaalaisia (kuva 1). Korkea ulkomaalaisten osuus (60-100%) lentoaseman länsipuolella todennäköisesti johtuu Tikkurilan keskuksen läheisyydestä ja lentoasemasta. Espoossa Bodominjärven pohjoispuolella prosenttiosuus suurin. Arvoon vaikuttaa asukkaiden lukumäärä. Vain 16 asukkaasta – 13 ovat ulkomaalaisia (kuva 1).

Ruutukarttojen tekeminen oli hyvin sujuvaa! Ei ollut lainkaan vaikeaa puuhaa. Olen niistä ennen lukenut, joten oli kiinnostavaa päästä niitä itse tekemään. Totta kai muutaman päivän tauon jälkeen oli hieman hakusessa ruutukarttojen tekeminen, mutta hyvien ohjeiden myötä karttojen teko sujui ongelmitta.

Nyt tuli paljon kirjoitettua. Kiitos, jos jaksoit lukea loppuun! On tää GIS-homma aika hauskaa. Ensi kertaan!

Lähteet:

Tilastokeskus. (Viitattu 18.2.2023). Ruutukartta. Lähde: Tilastokoulu – Tilastokeskus (stat.fi)

Helsingin kaupunki. (2021). Itäisessä suurpiirissä asuu yli neljännes ulkomaalaistaustaisista ja vieraskielisistä. Lähde: Itäisessä suurpiirissä asuu yli neljännes ulkomaalaistaustaisista ja vieraskielisistä | Ulkomaalaistaustaiset Helsingissä (ulkomaalaistaustaisethelsingissa.fi)

Stråhlmann, E. (2023). Vecka 4 – Behandling av rastermaterial. Helsingin yliopisto. Lähde: Elins kursblogg – Geoinformatiikan menetelmät (MAA-202) (helsinki.fi)

 

3. oppitunti – Alueelliset ilmiöt

Hei taas!

30.1.2022 pidetyllä luentokerralla käytiin läpi tietokantoja sekä niihin liittyvä funktioita. Opetuksessa tapahtuneista muutamista pulmista huolimatta saimme kartat Afrikasta tehtyä. Afrikan kartassa oli polygoneja, mitkä viittasivat eri tietokantoihin. Kustakin polygonista oli runsaasti ominaisuustietoa attribuuttitaulukossa, minkä pohjalta pystyi tekemään monipuolisia analyyseja Afrikan valtioiden poliittisesta epävakaudesta sekä vauraudesta!

Onko konflikteilla yhteys esimerkiksi timanttikaivoksien ja öljykenttien määrään valtiossa? Saattaa hyvin olla, mutta on hyvä pitää mielessä kausaliteetin rooli. Johtuuko konfliktit täysin luonnonvaroista vai historiallisista tekjöistä, kuten imperialismista, tai Afrikan monikulttuurisuuden aiheuttamasta heimokiistoista.

Latasimme kurssikerran kansiosta aineistot, mitkä tarvitsimme kartan tekoa varten. Tietokantojen liittäminen QGIS:iin alussa tuotti karkean tuloksen. Tämän vuoksi aloin itse muokaamaan symboleita ja karttanäkymää. Lopputuotoksena on alla näkyvä kartta (kuva 1), jossa näkyy konfliktit, timanttikaivokset ja öljykentät Afrikan mantereella. QGIS:ssä värien valikoiminen ja kohteiden koon muokkaaminen on hyvin helppoa, minkä vuoksi sain tehtyä kartan melko nopeasti.

Kuva 1. Konfliktit, timanttikaivokset ja öljykentät Afrikan mantereella.

Tietokannasta löytyy tallennettua tietoa öljykaivosten löytämisvuodesta valtioittain.  Esimerkiksi 1982 löydetty ja 1997 poraaminen aloitettiin Melutin öljykentällä – nykyisessä Etelä-Sudanissa. Siihen aikaan Etelä-Sudan oli vielä osana Sudania. Vuonna 1983 alkoi konflikti Sudanissa, mikä päättyi vuonna 2005. Attribuuttitaulukon mukaan alkoi toinen konflikti Sudanissa vuonna 1997. Kausaliteetin rooli on tässä merkittävä, sillä lopulta öljykentän löytämisvuosi ja poraamisvuosi eivät aloittaneet sisällissotaa, vaan todennäköisesti uskonnollinen ja etninen jännite. Kuitenkin se olisi saattanut toimia osatekijänä konfliktille. Öljykenttiä vastaan on ennenkin kohdistettu hyökkäyksiä Etelä-Sudanissa – 12. maaliskuuta 2011 kenraali George Athorin joukot hyökkäsivät Malakalin kaupunkiin öljyntuotantoalueelle (Reuters. 2011). Etelä-Sudanissa on vuodesta 2011 alkaen käyty brutaalia sisällissotaa. Poliittiset jännitteet toimivat pääosin syynä konfliktille, mutta sitä todistetusti kärjisti tieto öljykenttien määrästä Etelä-Sudanissa (The Sentry. Viitattu 10.2.2022).  Tämän kaltaisia esimerkkejä vallitsee myös muualla Afrikassa, jossa runsaat öljy- ja timanttivarat voivat toimia osapuolten intressien vuoksi konflikteja kiihdyttävänä tekijänä. Tämä näyttäytyy kartalla luonnonvarojen ja konfliktien päällekkäisyytenä (kuva 1).

Toisin sanoen attribuuttitaulukon tiedoista ja karttanäkymästä voi päätellä konflikteille mahdollisia syitä ja osatekijöitä.  Attribuuttitaulukosta voi myös tarkastella konfliktin sädettä eli laajuutta alueella. Esimerkiksi vuoden 1948 Tsadin konfklikti oli laajudeltaan 800 kilometriä eli 640 000 neliökilometriä. 640 000 neliökilometriä on 49,8% Tsadin pinta-alasta. Konflikti oli täten melko laajalle levinnyttä, mutta silti maan suuresta koosta johtuen alueellista.  Internetkäyttäjien lukumäärästä voi päätellä esimerkiksi tiedon levinneisyyden korrelaation tilanteen eskaloitumisen kanssa. Kun esimerkiksi korruptiosyytteet hallintoa kohtaan leviää internetissä – se todennäköisesti saa epävakaan tilanteen eskaloitumaan, ja konfliktin syntymään. Timanttikaivosten korkean tuottavuusluokittelun ja löytämisvuoden voi korreloida myös konfliktien määrään. Esimerkiksi vuonna 1946 Sierra Leonesta löydettiin attribuuttitaulukon mukaan timantteja, joita alettiin louhia vuonna 1960. Timantit todistetusti vaikuttivat Sierra Leonen sisällissotaan, jolloin alueelta epäeettisesti louhittuja ja kaupattuja timantteja kutsuttiin veritimanteiksi (Eric Johnson. 2002). Tämä näyttäytyy kartalla konfliktien ja timanttikaivosten päällekkäisyytenä Sierra Leonessa (kuva 1).

 

KOTITEHTÄVÄ

Kotitehtäväksi jäi tehdä järvisyysprosentista ja tulvaindeksistä kartta. Tarvittavat aineistot löytyivät tiedostosta, jonka latasimme oppitunnin yhteydessä.

Kartta, jossa näyttäytyy järvisyys prosentteina ja tulvaindeksi – soveltuu monipuoliseen tarkasteluun tieteellisen tutkimuksen näkökulmasta. Paikkatietoaineistoja luonnontieteellisten ilmiöiden tulkinnassa on varsinkin keskeistä luonnonmaantieteessä. Tulvaindeksin avulla voimme havaita aineistosta alueita, joissa tulvan korkea todennäköisyyden vallitsee eri vuodenaikoina. Alla olevasta kartasta (kuva 2) voimme havaita tulvaindeksin olevan korkein Pohjois-Pohjanmaan, Pohjanmaan, Etelä-Pohjanmaan, varsinais-Suomen ja etelä-Suomen, joissa tulviin vaikuttaa mm. järvien vähäisyys ja laakea maasto. Tällöin valuma-alueiden määrä on alueella vähäinen. Täten sateiden tai sulamisvesien ilmestyttyä – jokien tulviva vesi leviää laajalle alueelle helposti.

Pohjoisen suunnassa korkean tulvaindeksin voi selittää vuotuiset sulamisvedet, mitkä saavat joet – kuten Tenojoen ja Ivalonjoen – tulvimaan. Samalla järvien vähäisyys ja laakea maasto jokien ympäristössä myös vaikuttaa.

Nikolai Tuuri blogissaan mainitsee mahdollisen syyn rannikkokaupunkien korkealle tulvaindeksille. Koska kaupungit ovat päällystetty asfaltilla – voivat ne estää veden valumisen maaperään, ja täten voimistaa tulvimista (Tuuri, N. 2022).

Tulvaindeksin ja järvisyyden laatiminen ei ollut lainkaan vaikeaa! Hyvät ohjeistukset liittyen tähän löytyivät kurssikerran kansiosta. Kiitos Artulle tästä!

Kuva 2. Tulvaindeksi ja järvisyysprosentti Suomesta.

Järvisyysprosenttisuutta voi käyttää hyödyksi juuri tulvaindeksin tulkinnassa. Voidaan esimerkiksi tarkastella suhdetta korkean järvisyysprosentin ja tulvaindeksin välillä. Esimerkiksi Itä-Suomessa järvisyysprosentti on suuri, mutta tulvaindeksi ei ole. Tämä todennäköisesti johtuu siitä, että Itä-Suomessa on runsaasti järviä ja laajoja vedenjakaja-alueita.

Se siitä.. itse opin aika paljon uutta, sillä tämä kurssikerta oli varsin mielenkiintoinen. Innolla odotan seuraavaa kertaa. Näkemiin!

Lähteet:

Reuters (2011). FACTBOX-South Sudan’s renegade General George Athor. FACTBOX-South Sudan’s renegade General George Athor | Reuters

Johnson, Eric. (2002). Blood Diamonds: The Conflict in Sierra Leone. Stanfordin yliopisto. Blood Diamonds (stanford.edu)

Tuuri, Nikolai. (2022). Nikolain Blogi (helsinki.fi)

 

2. oppitunti – Aineistoja ja projektioita

Hei taas!

Jälleen on aika nostaa sormet näppikselle ja päivittää blogiin uutta sisältöä. Toisella luentokerralla käytiin runsaasti eri asioita läpi, joten mennään suoraan asiaan. Tässä blogissa tulen kertomaan paikallisista ja ladatuista aineistoista sekä tekemistäni kartoista. 

Projektiot ja niiden merkitys

Geoinformatiikan ja kartografian yksi merkittävimmistä peruselementeistä ovat projektiot. Jos haluamme lukea kaksiulotteisella pinnalla – kuten kartalla – maapallon ominaisuustietoa, joudumme projisoimaan kolmiulotteisen maapallon tasolle (Holopainen et al. 2015). Mitä suurempi osa maanpinnasta halutaan kartalle – sitä suuremmat ovat virheet (Holopainen et al. 2015). Geodeettisen datumin pohjalta voimme laatia maapallokeskisiä tai paikallisia projektioita. Geodeettisen datumin pohjalta maanpinnan koko, muoto sekä käytettävä koordinaattijärjestelmä muovautuvat. Väärän datumin käyttö koordinaatistossa voi johtaa satojen metrien virheeseen, kun sijaintia koitetaan määritellä (Holopainen et al. 2015). Seuraavaksi annan esimerkkejä liittyen syntyneisiin poikkeamiin mittauksissa. Mittauksissa meni hetki sillä aina tein saman virheen, jossa klikkasin väärää kohtaa kartalla mittausten aikana. Täten mittaukset katosivat ja jouduin aloittamaan mittaukset alusta. Tästä hankaluudesta huolimatta – mittaukset sain tehtyä!

Taulukko 1. Projektioiden välisiä eroja mittausten suhteen

Mercator ETRS-TM35FIN Winkel-Tripel Albers Robinson
Pinta-ala – Pohjois-Lappi 71527 km² 8931 km² 8930 km² 8931 km² 12521 km²
Pituus – 

Itä-Länsi-Suomi

1153 km 528.6 km 528.6 km 528.6 km 755 km
Prosentuaalinen kokoero suhteessa

ETRS-TM35FIN –pinta-ala

+88% -0,01% 0% +29%

 

 

 

Yllä olevassa taulukossa (taulukko 1) olen koonnut eri projektioilla toteutettuja mittauksia QGIS -ohjelmistossa. ETRS TM35FIN on Suomen paikallisprojektio, jossa Suomea kuvataan 13 asteen levyisissä kaistoissa. Pohjois-Lappiin olin piirtänyt hatunmuotoisen laskelman pinta-alasta, jonka arvoksi osoittautui 8931 neliökilometriä paikallisprojektiossa (taulukko 1). Jos vertaamme arvoa maailmantason projektioon, kuten Mercatoriin – Pohjois-Lapin pinta-ala ETRS TTM35FIN-projektiossa on 88% pienempi kuin Mercator projektiossa!  TM35FIN on paikallisprojektio, jossa nimensä mukaan vääristymä rajatulla alueella ollaan minimoitu. Koska Mercatorin projektio koskee maailman mittakaavaa – alueelliset vääristymät vaihtelevat projisointitekniikan myötä. Robinsonin projektiossa ollaan laadittu kompromissi oikeakulmaisuuden, oikeapintaisuuden ja oikeapituisuuden välillä. Täten väristymät ovat pienemmät kuin Mercatorin projektiossa, mutta jokaisella osa-alueella silti väärät. Tämän lisäksi Robinson on maailmanprojektio. Toisin sanoen maailmanprojektiot vaikuttavat negatiivisesti tiedon luotettavuudestaan johtuen skaalasta, jossa projisointia toteutetaan. Täten esimerkiksi matkailevalla suomalaiselle paikallisprojektio soveltuisi paremmmin tarkimpien sijaintien määrittämiseen Suomessa. Albersin projektion lukuarvoista poikkeuksellisen tarkan tekee se, että projisoinnissa käytetty kartio leikkaa pohjoista ja eteläistä pallonpuoliskoa, mutta päiväntasaajan ja kalotin kohdalta kartio ei leikkaa. Täten vääristymät eivät ole radikaalit Suomen kohdalla. Tämän lisäksi Albersin projektio on oikeapintainen, jossa pinta-alat vastaavat todellisuutta. 

Leveysakselilla projektioiden väliset luvut noudattavat suurin piirtein samaa kaavaa. Noin suoran viivan etäisyys Vaasasta itärajalle on 528.6 kilometriä paikallisprojektiossa, mutta 1153 kilometriä Mercatorin projektiossa ja 755 kilometriä Robinsonin kompromissiprojektiossa.

Pinta-alan moninkertaisuus eri projektioissa – Suomi

Palaamme takaisin vertaamaan ETRS TM35FIN paikallisprojektiota Mercatorin maailmanprojektioon. Alla on visualisoitu kartalla prosentuaalinen ero kuntien pinta-alojen suhteen Mercatorin projektion ja ETRS-TM35FIN projektion välillä. 

 Mercatorin projektiossa projisointiin käytetty lieriö leikkaa päiväntasaajan kohdalta (Markus Jylhä. 2022). Täten, mitä kauemmaksi päiväntasaajalta mennään  – sitä suurempi etäisyys on ellipsoidin ja lieriön välillä, jolloin informaatio vääristyy pohjoiseen ja etelään mentäessä. Tämän vuoksi pinta-ala moninkertaistuu pohjoiseen päin mentäessä Mercatorin projektiossa. Mercatorin projektiossa suhteessa ETRS TM35FIN projektioon – Kittilän, Sodankylän, Savukosken ja Kilpisjärven kunnat ovat jopa 6,65,8,26 kertaisia! Tiesin Mercatorin aiheuttamat vääristymät entuudestaan, mutta on todella kiinnostavaa päästä näkemään oman kartan kautta vääristymiä. Kartan teko oli melko helppoa. Luennolla annettiin ohjeet, ja sitten ei muuta kuin tekemään!

Kuva 1. Mercatorin projektion kokosuhde ETRS-TM35FIN:iin

Elin Stråhlmann toi blogissaan esille sen, että mitä enemmän luokkia asetat kartalle – sitä selvemmin näet moninkertaisuuden hiljattaisen kasvun pohjoiseen siirtyessä. Yllä olevassa projektiossa on viisi luokkaa. Stråhberg myös blogissaan mainitsee, että harvemmat luokat ovat selkeitä – mutta voivat antaa karkeamman tuloksen (Stråhlmann, E. 2022). Alla olevassa kuvassa (kuva 2) voimme havaita poikkeamien hiljattaisen kasvun etelä-pohjoissuunnassa. Dramaattisuutta erojen välillä voi lisätä väriskaalaa muuttamalla.

Kuva 2. Mercatorin projektion kokosuhde ETRS-TM35FIN:iin – eri väriskaalalla ja luokkien määrällä

Vapaavalintainan karttaprojektio – Robinsonin projektio

Viimeisenä tehtävänä oli valita vapaavalintainen projektio ja verrata sen eroja suhteessa ETRS TM35FIN -projektioon. Tätä olen odottanut, sillä QGIS -ohjelmistossa on runsaasti eri karttaprojektioita! Tein muutamia, joista valitsin parhaan teille esitettäväksi. 

Robinsonin projektio on Arthur H. Robinson vuonna 1963 suunnittelema pseudosylinterinen kompromissiprojektio (ArcMap. Viitattu 1.2.2022). Kompromissiprojektioissa, kuten Robinsonin ja Winkel-Tripelin projektioon pyritään minimoimaan projisoinnissa syntyneet virheet oikeakulmaisuudessa, oikeapintaisuudessa ja oikeapituisuudessa.

 

Kuva 3. Robinsonin projektion kokosuhde ETRS-TM35FIN:iin.

 

Toisin kuin Mercatorin projektiossa – Robinsonin projektiossa pinta-ala vääristymät eivät ole niin radikaalit pohjoiseen mentäessä. Robinsonin projektiossa kuitenkin jokainen osa-alue on vääristynyt hieman. Mercatorin projetiossa oikeapintaisuus ja oikeapituisuus ovat vääristyneet suuresti, mutta oikeakulmaisuus on saatu pidettyä oikeana (Helka ja QGIS. 2022).

Robinsonin projektiossa meridiaanit ovat säännöllisesti jakautuneita käyriä, joiden tarkoitus on imitoida elliptisiä kaaria.  Päiväntasaaja, navat ja keskimeridiaani ovat suoria viivoja (ArcMap. Viitattu 1.2.2022).

Arvelin kuitenkin, että erot tulisivat silti olemaan suurimpia pohjois-eteläsuunnassa. Luulo osoittautui todeksi. Pohjois-Lapin kunnat näyttäytyivät 1,35-1,42 kertaisina ETRS-TM35FIN projektioon nähden. Kokoerot ovat pienimpiä etelässä, jossa kunnat näyttäytyivät 1,19,1,22 kertaisina ETRS-TM35FIN paikallisprojektioon nähden.

Kuva 4. Robinsonin projektion kokosuhde ETRS-TM35FIN:iin – eri väriskaalalla ja luokkien määrällä.

Luokkia ja väriskaalaa muuttamalla saa  jälleen pinta-alojen erot projektioiden välillä näyttäytymään suuremmilta! (kuva 4). Dramaattisella mustalla värillä saa erot näyttäytymään suurilta, ja luokka-arvoja laajentamalla saa suuremman alueen Pohjois-Suomesta kuulumaan suurimpien poikkeamien joukkoon koon suhteen verrattuna ETRS-TM35FIN projektioon. Samalla muuttamalla osan luokista naurettavan pieniksi – jätämme hyvin pienen osan sen kategorian lukuarvoista näkyville.

En ollut kuullut siitä, että National Geographic käytti Robinsonin projektiota maailmankarttanaan vuosina 1988-1998 (Arc Map. Viitattu 1.2.2022).

Siinäpä se. Tehtävät tällä kertaa olivat haastavampia, mutta samalla kiinnostavampia kuin viime kerralla. Omalla läsnäololla ja aktiivisuudella pääsee pitkälle kurssilla, ja aikatauluttamisella saa laadukkaampia kurssitöitä aikaiseksi. Kiitos tämän kerran lukemisesta. Se on ensi kertaan, näkemiin!

 

Lähteet:

Paarlahti, A. (2022). Geoinformatiikan menetelmät 1. Harjoitus 2. Helsingin yliopisto.

Holopainen et al. (2015).  Geoinformatiikka luonnonvarojen hallinnassa. Sivu 21. Helsingin yliopisto.

Markus Jylhä. (2022). Johdatus Geoinformatiikkaan maantieteessä. Luento 6: Esityskalvot. 29-30. Helsingin yliopisto.

Elin Stråhlmann. (2022). Vecka 2 – Kartprojektioner i QGIS. Helsingin yliopisto. Elins kursblogg – Geoinformatiikan menetelmät (MAA-202) (helsinki.fi)

ArcGis Desktop. (Viitattu 25.1.2023). Robinson. https://desktop.arcgis.com/en/arcmap/latest/map/projections/robinson.htm

Helka ja QGIS. (2021). https://blogs.helsinki.fi/helkawal/tag/mercator/