Viimeisellä kurssikerralla saimme luoda kartan omavalintaisesta alueesta ja aiheesta. Ajattelin aluksi tehdä kartan bufferoinnilla jostain aiheesta, sillä se jäi edellisiltä kurssikerroilta parhaiten mieleen ja vyöhykkeiden luominen erilaisten komentojen mukaan oli mielekästä hommaa. Päädyin lopulta kuitenkin tekemään selkeän tehtävänannon mukaisesti kartan, jossa havainnollistetaan paikan korkeuseroja sekä vinovalovarjostettuna että korkeuskäyrillä.

Tähän pitikin kaivaa vanhat tehtäväohjeet esille, sillä muistissa ei äkkiseltään ollut, miten kyseinen homma eteni. Nyt kuitenkin tekeminen oli jo huomattavasti sutjakkaampaa kuin viimeksi näitä tehdessä, sillä QGis on jo tullut hieman tutuksi tässä kurssin aikana. Hain Maanmittauslaitoksen ladattavasta aineistosta taustakartan ja korkeusmallit ja lisäsin ne QGis:iin. Hain myös nimistön, mutta siitä ei juuri ollut hyötyä, sillä en saanut niitä näkymään fiksusti tietyssä paikassa, vaan ne näkyivät vektorimuotoisena kartalla, eikä varsinaisina paikkojen niminä. Tämänkin saa uskoakseni jollain ilveellä tehtyä. Aineiston lataamisen kanssa tuli myös olla tarkka, sillä pelkkien taustakarttakuvalehtien lataaminen ei riittänyt, vaan niiden mukaan piti ladata myös sijaintitieto, jotta karttalehdet asettuivat ruudulle kuin palapelin palaset.

Kun aineisto oli ohjelmassa, oli aika ryhtyä toimeen. Aluksi korkeusmalli tuli saattaa yhtenäiseksi, jolloin yksittäiset palaset pystyi poistamaan yhden suuremman jäädessä käyttöön. Korkeusmalli muokattiin läpinäkyväksi, jotta taustakartta tuli hyvin esiin ja sen kontrastia ja kirkkautta säädettiin sopivaksi, jotta se erottui kuitenkin taustakartasta. Tämän jälkeen tuli tehdä korkeuskäyrät, joiden muokkaaminen helpottui youtubesta löytyneen ohjevideon myötä. Nyt käyrien metrimäärät sai nätisti aseteltua korkeuskäyrien kohdalle niin, että käyrä hieman katkesi luvun sivuilta. Yritimme myös vierustoverini Tuijan kanssa saada luotua erottuvammat johtokäyrät, mutta tämä vaati hieman liikaa matematiikkaa tähän vaiheeseen päivää. Sain kuitenkin johtokäyristä eri väriset keskenään, mikä näyttää kartalla ihan hyvältä.

Varsinaista sijaintitietoa kartalla ei nyt kuitenkaan ole. Yritimme vielä lopuksi tehdä Paarlahden ohjeistuksella lisäyksen karttaan käyttäen Viewshed-toimintoa, jolla olisi voinut havainnollistaa tietystä pisteestä ja korkeudesta avautuvan näkymän, mutta tämä osoittautui liian rankaksi toiminnoksi oman koneeni QGis:lle ja koko homma kaatui.

Joka tapauksessa, kuvassa 1 tekemäni kartta Raaseporin alueesta, jossa näkyy korkeuskäyrät sekä vinovalovarjostuksena korkeusmallit.

Kuva 1. Kartassa Raaseporin alueelta näkyy korkeusmallit vinovalovarjostettuna sekä korkeuskäyrin havainnollistettuina.

Toiseksi viimeisen kurssikerran aloitimme reippaalla kävelylenkillä koulun lähistöllä Kumpulassa ja keräsimme samalla dataa matkan varrella eri kohteista EpiCollect-apilla. Kyseinen applikaatio tallentaa tietyn paikan sijaintitiedot ja sen lisäksi paikasta voi tallentaa ohjelmaan havaintotietoa tai kuvia. Ohjelmalla voi mahdollisesti tehdä muutakin, mutta nyt keskityimme sijaintitietoon sekä havaintotietoon.

Koululle palatessamme kaikkien keräämä data koottiin yhteen ja näistä tehtiin yksi tietokanta, jonka latasimme omille koneillemme ja sieltä QGis-ohjelmaan. Niin yksinkertaiselta kuin tuo EpiCollect vaikuttaakin, sen keräämää dataa oli miellyttävää käsitellä jo senkin takia, että kerätyt tiedot esimerkiksi eri paikkojen turvallisuudesta (joka perustui ryhmämme opiskelijoiden arviointiin) pystyi sijoittamaan itselle tuttuihin paikkoihin. Saatu data interpoloitiin ja tästä tehtiin havainnollistava karttaesitys, jossa punaisella värillä olevat paikat koettiin kaikista turvattomimmiksi ja ’seesteisellä’ sinisellä värillä olevat turvallisimmiksi.

Tämän jälkeen jatkoimme samankaltaisia tehtäviä hieman erilaisella datalla tulivuorten, maanjäristysten ja meteoriittien putoamispaikkojen käsittelyllä. Aluksi haimme netistä kyseiset tietokannat ja kopioimme taulukot Exceliin. Excelissä näihin tuli tehdä joitain muutoksia, kuten muuttaa pisteet pilkuiksi ja yhdessä näistä piti poistaa myös sulku- ja astemerkit koordinaattien kohdalta. Näiden jälkeen tiedostot tallennettiin CSV:nä ja tuotiin QGis:iin. Kotitehtävänä oli tuottaa kolme erilaista karttaa, jotka havainnollistavat luonnonkatastrofien sijoittumista maailmassa tai haluamassa paikassa. Olisin halunnut lisätä aineistoon myös kartan mannerlaattojen rajoista, kun Carita oli tehnyt, mutta netistä löytämäni aineistot eivät kelvanneet QGis:iin, vaikka olivatkin shapefile-tiedostoja.

Kuten myös Mikko Kangasmaa totesi, näkökulma karttojen analysointiin on erilainen, jos joutuisi opettamaan niistä muille ja tämä olikin tehtävän tarkoitus. Ensimmäinen kartta (kuva 1) kuvaa yli kuuden magnitudin maanjäristyksiä vuoden 1980 jälkeen. Tässä näkyy hyvin, että maanjäristyksiä on valtava määrä ja ne sijoittuvat pääosin mannerlaattojen reuna-alueille ja satunnaisia yksittäisiä on muuallakin. Kuvassa 2 on 6-7,5 magnitudin maanjäristykset samalta ajalta ja kun verrataan sitä kuvaan 3, jossa on yli 8:n magnitudin maanjäristykset niin huomataan, että katastrofaalisia maanjäristyksiä on erittäin paljon vähemmän kuin lievempien. Tästä voidaan myös päätellä, että alle kuuden magnitudin maanjäristyksiä on vielä runsaammin, eli niitä ei olisi ollut mielekästä edes laittaa kartalle. En saanut näihin karttoihin fiksattua sopivaa mittakaavapalkkia, eli jätin sen pois. Sama ongelma näyttää olleen myös muillakin. Täytynee kysyä tästä seuraavalla kurssikerralla, miten se oikein tehdään.

Kuva 1 Yli kuuden magnitudin maanjäristykset vuoden 1980 jälkeen.

Kuva 2 6-7,5 magnitudin maanjäristykset vuoden 1980 jälkeen.

Kuva 3 Yli 8 magnitudin maanjäristykset vuoden 1980 jälkeen.

Viittaukset
Aapro-Koski, C. (2020). Kurssikerta 6: karttoja opetustarkoitukseen. Luettu 26.2.2020. Saatavilla: https://blogs.helsinki.fi/aacarita/
Kangasmaa, M. (2020). Kenttätöitä ja hasardeja (Kurssikerta 6). Luettu 26.2.2020. Saatavilla: https://blogs.helsinki.fi/kanmikko/

Tällä kurssikerralla tuntui vihdoin siltä, että jotain jäi käteen tunnilta. Aloitimme Buffer -toimintoon tutustumisella ja teimme lisäksi analyyseja liittyen näihin alueisiin. Kohteenamme oli Pornaisten alueen lisäksi pääkaupunkiseudun lentokentät ja niiden luomien meluvyöhykkeiden tutkiminen ja melun vaikutus alueella asuviin ihmisiin.

Muutama ärräpää kyllä pääsi tehtäviä kotona työstäessä, mutta päätin kuitenkin kerrankin perehtyä aiheeseen huolella. Nyt alkaa jo sujumaan uusien layereiden luonti ja erilaisten komentojen käyttö. Intersection -työkalun käyttäminen oli myös jonkinlainen ahaa-elämys, vaikka sitä tunnilla hitusen käsiteltiinkin. Ilmeisesti bufferointi oli muidenkin mielestä miellyttävää puuhaa, ja Minerva Lahtinen toteaakin, että sen opettelu oli ‘helppoa ja kivaa”. Aika monta kertaa piti kuitenkin veivata edestakaisin, kun ei tarkalleen tiennyt, tuliko nyt käyttää Join attributes by location-, Select by location- vai Intersection-työkalua ja kummin päin eri layerit nyt syötetään haluttuihin kohtiin. Myös yhden pienen täpän puuttuminen jostakin kohdasta saattoi laittaa koko homman uusiksi. Joka tapauksessa bufferoinnin tulokset ovat hyvin selkeitä ja voin hyvin kuvitella, että maantieteilijä käyttäisi tätä monenlaisissa työnkuvissa.

Huomasin myös, miten paljon helpompaa on työskennellä, kun tarpeettomat layerit poistaa tehtävien välissä, sillä ne ovat häiritsemässä uusia analyyseja tehdessä. Tajusin myös jossain vaiheessa käyttää Deselect features from all layers -työkalua sen sijaan, että olisi aina hakenut uuden koskemattoman layerin esimerkiksi väestöä koskien.

Tehtävä, jossa tuli selvittää uuden kiitoradan melun vaikutus ihmisiin jäi hieman epäselväksi. En tiedä, miten nimenomaan tuon halutun 60dB:n vaikutuksen voisi saada selville, mutta bufferoin siitä nyt normaalisti tuon 1km alueen ja laskin siinä olevien asukkaiden määrän.

Taajamatehtävää tehdessä iski kuitenkin pieni epäilys siitä, ovatko luvut kuitenkaan oikeat, sillä valittujen pallojen lukumäärä näin silmämääräisesti tuntui paljon pienemmältä kuin ¼, jonka prosenttilaskut antoivat olettaa. Toisaalta taajamissa on tiedettävästi paljon kerrostaloja, eli yhtä taloa kohden asuu moninkertaisesti enemmän ihmisiä kuin taajaman ulkopuolisella alueella. Mietin kuitenkin, olisivatkohan oikeat luvut tulleet count- sarakkeesta sum-sarakkeen käytön sijaan? Päätin kuitenkin tehdä tehtävät loppuun sum-saraketta käyttämällä.

Viimeisen itsenäisen tehtävän kanssa meni sukset pahasti ristiin, kun monesta yrityksestä huolimatta laite joko herjasi ’invalid geometry’:a (ilmeisesti väärät tietokannat käytössä), tai sitten Select by location -toiminnolla ei tapahtunut _yhtään mitään_. Ainoa tässä vaiheessa, mitä sain selville, oli uima-altaiden lukumäärä, joka oli 855, jos siitä nyt on mitään lohtua. Mielelläni näkisin tästä tunnilla mallin, miten tehtävä suoritetaan. Nyt uima-altaat kuitenkin tulevat jo korvista ulos ja ajanpuutteen (ja hermojen säästön) vuoksi viimeinen tehtävä jääköön tekemättä.

Vaikka viimeisen tehtävän kanssa tulikin tapeltua, niin kuten Pihla Haapalokin toteaa blogissaan, erilaisten toimintojen käyttö rupeaa olemaan jo aika rutiininomaista, kun vertaa ensimmäiseen kurssikertaan. Jotain siis on mahdollisesti jäänyt jo käteen, jee!

Lopussa vielä selkeistä selkein Taulukko buffereista.

Viitteet
Haapalo, P. (2020). Kädet ilmaan. Luettu: 26.2.2020. Saatavilla: https://blogs.helsinki.fi/haapalop/
Lahtinen, M. (2020). “I’ve learned that I still have a lot to learn.” Luettu 26.2.2020. Saatavilla: https://blogs.helsinki.fi/minerval/

Neljännellä kurssikerralla käsittelimme rasteriaineistoa. Aineisto koski pääkaupunkiseudun asukasmäärää ja rakennusten käyttöönottovuosia alueittain ja tarkoitus oli käsitellä 1km2 kokoisia ruutuja. Yhdistimme taas tietokantoja keskenään, jotta niillä työskentely olisi helpompaa.

Kuitenkin kotitehtävää tehdessämme huomasimme Caritan kanssa, että ilmeisesti läppärin QGis:n oletusasetuksissa on Pseudo-Mercator EPSG: 3857 koordinaatisto, kun taas pöytäkoneella tehtynä oletuskoordinaatisto on TM35FIN EPSG: 3067. Tämä todennäköisesti aiheutti sen, että ruutujen ala on nyt 0,5km2 yhden kokonaisen neliökilometrin sijaan. Tämä ei tiedon esittämiseen juurikaan vaikuta, sillä luomastani kartasta (kuva 1) tuli oikein silmää miellyttävä. En myös karttaa tehdessä uskaltanut enää koskea koordinaattiasetuksiin, sillä Caritalla tuli hieman ongelmia niin tehtyään. Täytynee tiedustella Paarlahdelta tarkemmin mistä tässä on kyse ensi kurssikerralla.

Kuva 1. Asukkaiden määrä 0,5km2 alueittain.

Kotitehtävän ohjeena oli kuitenkin tehdä kartta, joka “ei toistele itsestäänselvyyksiä”. Tuijan blogissa on hieno esitys kahden eri tiedon yhdistämisestä samalle kartalle, mutta useasta yrityksestä huolimatta en itse saanut tuota aikaiseksi ja oli pakko tyytyä kuvaamaan vain yhtä ominaisuutta. Kuva 1 ruutukartta esittääkin asukkaiden lukumäärän 0,5km2 kokoisilla alueilla pääkaupunkiseudulla. Kartasta näkee nyt hyvin sen, mitä Johdatus geoinformatiikkaan -kurssilla toitotettiin, sillä rasteriaineisto selkeästi soveltuu vektoriaineistoa paremmin jatkuvien ilmiöiden kuvaamiseen. Toki mitä pienempi ruutujen pinta-ala on, sitä hienommin värit liukuisivat kartalla. Koropleettikartalla kyseisen ilmiön kuvaaminen ei onnistuisi, ellei pääkaupunkiseutua olisi pilkottu hyvin pieniin alueisiin.

Lähteet:
Hyvättinen, T. (2020). Rasterit kehiin! Luettu 7.2.2020. Saatavilla:
https://blogs.helsinki.fi/hytuija/

Tällä kurssikerralla käsittelimme tietokantojen yhdistämistä ja uuden tiedon luomista erilaisin menetelmin. Tunti alkoi lupaavasti ja kaikki työvaiheet sain tehtyä täysin ohjeiden mukaan. Tunnilla edetään kovaa vauhtia ja yksikin vilkaisu puhelimeen saa hommat heti raiteiltaan, eli hoksottimien täytyy olla hereillä 150% koko vajaan neljän tunnin ajan. Nyt jälkikäteen huomaan myös, että blogiteksti olisi kannattanut kirjoittaa välittömästi tunnin jälkeen, sillä iso osa tunnilla tehdyistä asioista on jo päässyt unohtumaan. Kuten Venla Moisio postauksessaan 29.1. totesi, niin olisi hyvä kurssikertojen välissäkin kikkailla ohjelman kanssa, jotta se tulisi tutuksi ja oppiminen ei jäisi vain oppitunneille.

Yhdistelimme tunnilla joka tapauksessa tietoja Afrikan maiden timanttikaivoksista, konflikteista, öljyesiintymistä sekä internetin käyttäjistä. Teimme aluksi Afrikan kartan tietokannoille hieman korjailuja, sillä sama tieto saattoi esiintyä useaan kertaan ja nämä piti yhdistää. Nyt syntyi selkeä taulukko, jossa yksi tieto esiintyi vain kertaalleen ja maat saatiin nätisti järjestykseen toinen toisensa perään. Tämän jälkeen loimme uudenlaisia tietokantoja yhdistelemällä valmiina olevaa tietoa keskenään esimerkiksi konfliktien ja öljyesiintymien suhteesta. Näitä olikin mielenkiintoista tarkastella ja vertailla.

Kotitehtävänämme oli laatia oma kartta (valmiista tietokannoista tietysti) näyttämään kunnittain Suomen tulva-alueet sekä järvisyysprosentti. Tässä kohtaa itselleni tuli ongelmia, kun tietokoneenani oleva Macbook ei nyt halunnutkaan tehdä yhteistyötä. Tietolähteenä käytimme Excel-taulukkoa, joka piti hakea csv. :nä QGis:iin. Tässä kohtaa tuli vaihtaa kieliasetuksia niin, että ääkkösiä sisältävät tietueet eivät näy NULL:na taulukossa, jolloin niiden sisältämä tieto poistuu. Macbookin QGis ei kuitenkaan sisältänyt samaa kieliasetusta kuin Windows -version, ja sain tulokseksi nyt kaikista vaihtoehtoisista kielistä joko kiinaa, arabiaa tai muuta hepreaa. Tässä kohtaa laitoin koneen kiinni ja lähdin kotiin.

Kotona latasin QGis:n fuksiläppärille ja jatkoin hommia. Nyt sujuikin paremmin ja tästedes käytän ko. ohjelmaa vain tällä laitteella. Sain nyt rustattua kokoon kartan ohjeiden mukaan. Kuvassa 1 tummemmalla olevilla alueilla tulvii eniten, kun taas vaaleilla vähiten. Siniset pylväät kertovat järvisyydestä. Pylväät oli jokseenkin haastava saada sopivan kokoisiksi, sillä valmiissa png. -muodossa ne olivat kerta toisensa jälkeen erilaiset kuin QGis- ohjelmassa. Niitä joutui monta kertaa palata korjailemaan ja luomaan uuden kartan. Myöskään ympyrädiagrammien teko ei oikein sujunut. Pihla Haapalo on onnistunut luomaan hyvännäköiset pallukat omaan karttaansa, eli varmasti tuokin on mahdollista. Väriskaala on mielestäni muuten onnistunut, mutta järvisyyttä kuvaavat pylväät olisi voinut ehkä asettaa vähemmän kirkkaammaksi tai kokonaan eri väriseksi, jotta ne erottuisivat selkeästi pohjakartasta. Etelässä olevat pylväät ovat myös melkoista sillisalaattia, eli tämän havainnollistamiseen olisi ehkä hyvä löytää muu keino.

Kuva 1 Kotitehtävänä tehty koropleettikartta Suomen tulvaindeksistä sekä järvisyysprosentti kunnittain.

Lähteet
Haapalo, P. (2020). Timanttikaivoksia ja tulvaindeksejä. Luettu 5.2.2020. Saatavilla: https://blogs.helsinki.fi/haapalop/
Moisio, V. (2020). Viikko 3 – Tietokantojen yhdistämistä ja laskutoimitusten tekemistä. Lainattu 5.2.2020. Saatavilla: https://blogs.helsinki.fi/moivenla/

Toinen kurssikerta käsitteli datan lähteitä ja sitä, miten QGIS:iin pystyy tuomaan dataa eri tietokannoista. Ilmaista ja kaikille saatavilla olevaa dataa on verkossa mieletön määrä kunhan vain osaa hakea oikeista paikoista. PowerPoint -esityksen jälkeen kun oli aika ryhtyä hommiin, huomasin kuitenkin ladanneeni koneelle vahingossa liian tuoreen version ohjelmasta, jolloin ensimmäinen puolisko tehtävänannosta meni sivu suun asentaessani sinne vanhempaa versiota. Sain kuitenkin lopulta vierustoveriltani hyvät ohjeet kärryille pääsemiseen ja tehtävien tekeminen sai alkaa.

Opettelimme yksityiskohtaisesti, miten tietynlaista aineistoa voi käyttää hyväksi uuden tiedon luomiseen. Lähteenä oli Suomen kuntien vuoden 2019 pinta-alatiedot ja vertailimme tätä eri projektioissa, sillä pinta-ala näyttäytyy niissä eri tavalla. Teimme ohjelmalla tunnin lopuksi kuvan, jossa vertailimme yhdessä käyttämämme Mercator -projektion pinta-alaa Robinson -projektion pinta-alaan ja laskimme, kuinka paljon ne eroavat toisistaan. Tässä kohdassa tuli hieman töppäiltyä, sillä oikean projektion asettaminen kullekin leikepöydälle piti tehdä kahdesta eri kohdasta, kun aluksi teimme sen vain yhdestä.

Kotitehtävänämme oli valita itselle mieluinen projektio ja vertailla tätä jälleen Mercator -projektioon. Testasimme koululla myös paria muuta projektiota, mutta valitsin lopulta vertailtavaksi Winkel tripel -projektion. Kotiin päästyäni jotain olennaista tunnilla oppimaani oli kuitenkin pyyhkiytynyt muististani, sillä en saanut luotua vastaavanlaisia lukuarvoja havainnoidakseni projektioiden tuottamaa pinta-alaeroa.  Samasta ongelmasta bloggasi myös Emma Taalikka, joka oli saanut usealla eri projektiolla samanlaisia lukuarvoja verrattuna Mercatoriin. Lisäksi kartta jostain syystä hävisi jatkuvasti ruudulta näkyvistä, mikä hankaloitti tehtävää. Joka tapauksessa ohessa oleva kuva on tunnilla tehty versio, jossa siis vertaillaan Robinson -projektiota Mercator -projektioon.

Kuvassa 1 voidaan selvästi havaita, että Robinson -projektio vääristää pinta-alaa sitä enemmän, mitä pohjoisemmaksi mennään. Pohjoisessa vääristymä on jopa 722% (Enontekiö), kun taas etelässä alueet vääristyvät paikoin “vain” n. 300%.

Kuva 1 Robinson -projektion pinta-alavääristymä verrattuna Mercator -projektioon. HUOM! Kuvasta puuttuu % -merkki legendaboksin tekstin perästä, se olisi ollut informatiivinen.

Taalikka, E. (2020). Tällaista tällä kertaa. Luettu 31.1.2020. Saatavilla:  https://blogs.helsinki.fi/emmataal/

Ensimmäisellä kurssikerralla kävimme yksityiskohtaisesti läpi QGIS-ohjelman käytön alkeita. Tiedostojen visuaalisen ilmeen muokkaamisen lisäksi opimme tarkastelemaan attribuuttitaulukon ominaisuuksia ja hieman sen muokkaamista ja siinä olevien tietojen tehokasta käyttöä. Ohjelman käyttö olisi yksin opeteltuna ollut haastavaa, mutta ohjeita tiiviisti seuraamalla sai hyvin tehtyä tarvittavat asetukset sen sujuvahkoon käyttöön. Kuten Carita Aapro-Koskikin viimeisimmässä postauksessaan totesi, niin undo -napin puuttuminen on hieman päänvaivaa tuottava ilmiö.  QGIS:n käyttö vaatii joka tapauksessa vielä hyvin paljon opettelua, sillä huomasin seuraavana päivänä ohjelman avatessani, että ohjeita tehtävän tekemiseen tuli tarkastella uudestaan.

Ohessa on harjoituksena tehty kuva, jonka tekemisessä on käytetty valmiiksi annettua attribuuttitietoa suomen kunnista vuonna 2015. Valitsin kartan teemaksi eläkeläisten osuuden kuntien väestöstä, sillä ensin kokeilemani teema ‘työttömien osuus’ antoi erikoisia lukemia legendaan. Tunnilla tehdyssä versiossa kartan värit olivat hieman kirkkaammat ja tähänkin olisin niitä toivonut, mutta en niitä jostain syystä tähän pitkän yrittämisen jälkeenkään saanut ja kuva näyttää omaan makuuni hieman liian mustavalkoiselta. Väriskaala on kuitenkin onnistunut, sillä värit eivät ole liian samankaltaisia ja eri luokat erottuvatkin hyvin . Tarvittavat komponentit varsinaisen kartan lisäksi (pohjoisnuoli, legenda ja mittakaava) oli helppo sijoitella kuvaan ja kokonaisuus näyttää asialliselta. Huonoksi puoleksi kuvassa sanoisin prosenttiosuuksien olevan hieman sekavat ja kaipaisinkin järkevämpiä ja tasaisempia välejä eri luokkamuuttujissa. Samaa oli pohtinut blogissaan Siiri Nyman, joka oli myös kokeillut erilaisia vaihtoehtoja luokkajakoja varten. Sen voi todennäköisesti tehdä ohjelmassa manuaalisesti, mutta olkoon näin hyvä.

Kuva 1 Ensimmäisen harjoituksen tuotos kuvaa eläkeläisten osuutta kunnittain vuonna 2015.

Lähteet
Aapro-Koski, C. (2020). Ensikosketus QGIS-ohjelmaan. Luettu 21.1.2020. Saatavilla: https://blogs.helsinki.fi/aacarita/
Nyman, S. (2020). Ensimmäinen kurssikerta. Luettu 21.1.2020. Saatavilla: https://blogs.helsinki.fi/nymsiiri/