-Geoinformatiikkaa oppimassa- Juulia Salakka

Viimeinen kurssikerta

Viimeisen ryhmätapaamisen tavoitteena oli tuottaa kartta itse valitusta aiheesta ja alueesta. Vaihtoehtoja kartan toteuttamiseen oli kolme. Valitsin näistä ensimmäisen vaihtoehdon, jossa tehtävänä oli laatia kartta tai karttasarja, jossa esitetään muutamaa eri muuttujaa.

Lähdin tutkimaan StatFin-tietokantaa, ja kiinnostuin tutkimaan perheiden tilannetta eri puolella Suomea.  Löysin tästä tietoa  väestö-tietokannan alta ”Perheet perhetyypin ja henkilöluvun mukaan alueitta, 1992-2020”.

Yhdistäessäni tietokantoja Join-toiminnon yhteydessä Ahvenanmaata koskeva tieto hävisi, sillä eri tietokannoissa Ahvenanmaa oli eri nimikkeillä (QGIS ei osannut yhdistää tietoja). Tästä syystä Ahvenanmaata koskeva tieto ei päässyt kartalle asti. Jos olisin ollut kärsivällinen, olisin korjannut nimet vastaaviksi Excelissä, jonka jälkeen olisin tehnyt Join-toiminnon uudestaan. Tätä en kuitenkaan tehnyt, joten siksi Ahvenanmaata koskeva tieto ei päässyt karttoihin asti. 

Ensimmäisessä kartassa on nähtävissä eri maakunnan perheiden suhteellinen osuus maakunnan väestömäärästä vuonna 2020. Tässä kartassa perheeksi luetaan aviopari/rekisteröity pari (ilman lapsia tai lapsia) avopari ilman lapsia (puolisot eri sukupuolta), avopari ja lapsia sekä yksinhuoltajaperheet (1 vanhempi ja lapsi(a).)  Sain suhteellisen osuuden jakamalla perheiden määrän väestömäärällä ( x 100).  Yllätyin tuloksesta, sillä perheiden % osuus on hyvin vastaava jokaisessa maakunnassa (välillä 25,8% -27,4%)! Mielenkiintoista! 

Kuva 1. Perheiden % osuus maakunnan kokonaisväestöstä vuonna 2020. Lähde: StatFin-tietokanta

Tein toisen kartan (kartta 2), jossa voidaan tarkastella ympyrädiagrammin avulla avioparien/rekisteröityjen parien lapsitilannetta. On hyvä tiedostaa, että näiden kahden muuttujan yhteisprosentti ei ole 100 %, mutta diagrammit antavat hyvin kuvaa niiden keskinäisestä suhteesta. Ennakkokäsitykseni olisi ollut se, että kartassa vihreäosuus olisi ollut sinistä suurempi  (aviopareja/rekisteröityjen pareja, joilla on lapsia olisi enemmän). Kaisa oli tutkinut peruskoulujen määrää kunnissa ja väestön koulutusastetta. Hänen karttansa olivat mielenkiintoisia ja havainnollistavia! Kaisan ympyrädiagrammissa on kaikki muuttujat mukana (yhteisprosentti 100), joka on mielekästä kartan tulkinnan kannalta.

Kuva 2. Perheiden % osuus maakunnan kokonaisväestöstä vuonna sekä avioparien/rekisteröityjen parien lapsitilanne (ei lapsia, lapsia).
2020. Lähde: StatFin-tietokanta

Loppusanat

Tämä kurssi oli mielekäs ja koen oppineeni paljon karttojen tekemisestä! QGIS:in käytön oppiminen on ollut prosessi sisältäen erilaisia tunteita turhautumisesta ja onnistumisen kokemuksiin. Loppujen lopuksi karttojen tekeminen on aika hauskaa puuhaa! 🙂 Kiitos kurssista!

Kuudennella kurssikerralla tutustuttiin Epicollect5- sovellukseen, jonka avulla pistemuotoista aineistoa voidaan kerätä ympäristöstä. Kurssikerralla lähdimme lumipyryyn keräämään tietoa Kumpulan yliopiston lähiympäristön kohteista (mm. bussipysäkki, sisäpiha, kävelytiet) samalla arvioiden kohteiden viihtyisyyttä ja turvallisuutta. Keräsimme kohteina noin puolen tunnin ajan, jolloin koko ryhmä sai tallennettua yhteiseen projektiin yhteensä 95 pistettä. 

Kun lähdimme tarkastelemaan kerättyjä pisteitä kartalla, oli näkymä Epicollect5-verkkoselaimella visuaalisesti miellyttävä (klusterointi pelkistää näkymää, toisaalta heat-map visualisoi pisteiden runsautta). Olen hieman hämmentynyt siitä, miten en tiennyt näin siistin sovelluksen olemassaolosta! Tätä voisi tosi hyvin käyttää opetuksessa ihan alakouluikäistenkin kanssa (keksin vaikka mitä tehtävänantoja!)  saati sitten yläkoulun puolella. 

Kuva 1. Kurssikerralla kerättyjä pisteitä Kumpulan yliopiston lähistöltä. Epicollect5-pisteaineisto tuotu QGIS:iin cvs-tiedostona. 

Itsenäistehtävä  

Lopputunnista tutustuimme itsenäistehtävään, jonka aiheena oli hasardit maapallolla. Tehtävänä on tuottaa kolme karttaa, jossa esitetään jotain valittua hasardia (maanjäristykset/tulivuoret/meteoriittien putoamiskohdat). Valitsin kuvattavaksi ilmiöksi maanjäristykset ja tulivuoret ja otin tarkasteltavaksi kaksi eri aikaväliä: 1900-luvulta tähän päivään, ja viimeisten kymmenen vuoden tapahtumat, eli aikavälin 2012-2022. 

Alla oleva kartta (kuva 1) havainnollistaa maapallolla kaikkia vuoden 1900-jälkeen tapahtuneita maanjäristyksiä, joiden voimakkuus on ollut 6 – 9 Richterin asteen välillä. Tämän aika- ja voimakkuusrajan sisällä on tapahtunut yhteensä 4206 maanjäristystä tällä voimakkuudella. Alla oleva kartta (kuva 1) havainnollistaa maanjäristysten sijainnin kartalla. Kartasta voidaan huomata maanjäristysten rypäsmäinen ja nauhamainen sijoittuminen juuri mannerlaattojen saumakohdille. Karttaa voi ansiokkaasti verrata sellaiseen karttaan, joka antaa tietoa mannerlaattojen saumakohdista (esim. kuva 2)  jolloin nähdään konkreettisesti mannerlaattojen olomassaolon vaikutukset. Dynamic Earth (n.d.) -sivustolla on paljon aiheeseen liittyvää tietoa ja edellistä esimerkkiä vielä selkeämpi visuaalinen esitys mannerlaattojen sijainnista kartalla.

Tein ensimmäisen kartan hyödyntäen tunnilla opittua interpolointia.  Tein seuraavat kaksi karttaa ilman intepolointia, sillä kahden eri muuttujan esittäminen kartalla interpoloinnin avulla menee mutkikkaaksi – ja lopputulos on vaikeasti ymmärrettävä. Onkin hyvä miettiä miten tietoa esitetään, jotta se palvelee tiedon vastaanottajaa mahdollisimman tarkoituksenmukaisesti. 

Kuva 1. Vuoden 1900-jälkeen esiintyneet 6-9 Richterin voimakkuuden maanjäristykset 

 

Kuva 2. Laattatektoniikkakartta. Punaiset mutkittelevat viivat ovat keskiselänteiden keskikohtia, mannerlaattojen rajoja.  Lähde: https://commons.wikimedia.org/wiki/File:Plate_tectonics_map.gif 

Toisessa tekemässäni kartassa (kuva 3) voidaan havaita edelleen 1900-luvun jälkeiset maanjäristykset, joiden voimakkuus on Richterin asteikolla 6 – 9. Tämän lisäksi karttaan on lisätty kaikki maapallon tulivuoret. Tämän kartan avulla voidaan opettaa tulivuorten purkausten yhteyttä maanjäristykseen ja mannerlaattojen olemassaoloon. Opetuksessa olisi mielekästä näyttää kartat juuri tässä järjestyksessä, jolloin ymmärtäminen etenee kronologisesti vaiheittain. Kuva 3.  Tulivuoret ja maanjäristykset (vuoden 1900-jälkeen)

Kolmannen  tekemäni kartan (kuva 4) voidaan havainnollistaa viimeisen kymmenen vuoden aikana tapahtunutta maanjäristys- ja tulivuoritoimintaa. Rajasin aikavälin viimeiseen 10 vuoteen, sillä uskoisin tämän tiedon olevan oppilaista kiinnostavaa (ovat eläneet ja ehkä muistavat joitakin uutisia purkauksiin liittyen –> voivat paremmin “liittää” itsensä opittavaan asiaan). Rajaus auttaa myös hahmottamaan maanjäristysten ja tulivuoritoiminnan määrää. Lisäsin karttaan myös 4 Richterin asteikon maanjäristykset, jonka avulla voidaan vertailla eri asteisten järistysten sijaintia maapallolla.  

Kuva 4. Tulivuoren purkaukset ja maanjäristykset 2012-2022 aikavälillä.

Mielestäni kartat havainnollistavat hyvin maanjäristysten sijaintia sekä tulivuoritoiminnan yhteyttä maanjäristyksiin ja mannerlaattojen saumakohtien sijaintiin. Lisäksi olen tyytyväinen karttojen visuaaliseen ulkonäköön (erityisesti 2-3 karttoihin). Olisi ollut mielekästä lisätä karttaan mannerlaattojen saumakohdat, mutta tähän oma osaamiseni ei riittänyt. Lisäksi voisi olla mielenkiintoista vertailla yhdellä kartalla jokaista eri Richterin asteikon voimakkuutta (eri värillä eri voimakkuudet). Ehkä kartasta voi tällä tavalla tulla kuitenkin epäselkeä, sillä maanjäristykset menevät pakosti päällekkäin (kuten jo kuvasta 4 voidaan huomata). Todistakoon joku kurssitovereistani epäilykseni vääräksi! 😀

Lähteet:

Dynamic Earth (n.d.). Plates and Boundaries. Viitattu 23.2.2022, saatavissa: https://www.learner.org/wp-content/interactive/dynamicearth/tectonicsmap/index.html

Laattatektoniikkakartta. Wikipedia. Haettu: https://commons.wikimedia.org/wiki/File:Plate_tectonics_map.gif

 

Viidennen kurssikerran uutena oppina oli bufferointi. Bufferoinnin avulla voidaan selvittää eri etäisyyksien sisällä olevia lukumääriä. Bufferointi-toiminnon avulla aineistosta saadaan irti mielekkäästi dataa ja Taru Tornikosken mukaan bufferointi onkin “mukavan konkreettinen tulevaisuuden töitäkin ajatellen”. Taru nosti blogissaan myös esille esimerkkejä bufferoinnin käyttömahdollisuuksista, mikä lisäsi omaa ymmärrystä työkalun mahdollisuuksista! Tällähän pystyy vaikka mihin!😊  
 
Teimme yhteisesti tunnin alussa tehtävän, jossa selvitettiin, kuinka moni rakennus on 100 metrin päässä Pornaisten pääteistä. Tein tämän harjoituksen rasterikarttaan, johon olin itse piirtänyt päätiet sekä naputellut kaikki rakennukset pisteiksi. Lisäsimme rakennuksiin Rand-toiminnolla 1-8 asukasta per rakennus. Alla olevassa kuvassa (kuva 1) on kuvakaappaus QGIS:istä. Tässä kuvassa bufferoitu alue näkyy sinisellä (100 metriä päätiestä). Piirsin vahingossa puolikaaren muotoisen tiepätkän karttaan, joka ei lukeudu Pornaisten päätieksi, vaan on enemmän asutusalueen tienpätkää. Naputtelin alueelle yhteensä 699 rakennusta (3179 asukasta), joista bufferoidulle alueelle päätyi 312 rakennusta (1452 asukasta).  

Kuva 1. Kuvakaappaus QGIS:stä. Kuvassa sinisellä bufferoitu alue (100 metriä piirretyistä tieosuuksista). Pellot vaaleanpunaisella. Rakennukset punaisella (bufferoidun alueen sisällä rakennuksen väri on keltainen).  

Yhteisen harjoituksen jälkeen lopputunti olikin itsenäisten tehtävien tekemistä, joissa kerrattiin aikaisemmilla kerroilla opittuja asioita. Tein kurssikerran aikana muutaman kurssikaverin kanssa itsenäistehtävistä 1 (lentokentät), 2 (asemat) ja 3 (koulut). Pakko myöntää, en olisi yksin näistä tehtävistä selvinnyt, vaan yhteinen pohdinta auttoi jäsentämään ajatusprosessia! Kuinka kiitollinen olenkaan siitä, että kurssi voidaan suorittaa lähiopetuksena! Kurssitoverini Tiina oli tehnyt yhdessä tehdyistä tehtävistä kokoavan taulukon, joka onkin mielekäs tapa esittää tehtävien vastaukset. Päätin tehdä vastauksista myös taulukon (taulukko 1).

Taulukko 1. Itsenäistehtävien vastauksia.

 

Lähteet:

Ilmoniemi, T. (2022). Geoinformatiikkaa – Seikkailua QGIS:in maailmassa -blogi. Viitattu 23.2.2022, saatavissa: blogi: https://blogs.helsinki.fi/tiinailm/

Tornikoski, T. (2022).  Geoinformatiikkaa tutkimassa -blogi.  Viitattu 23.2.2022, saatavissa: blogi: https://blogs.helsinki.fi/tornitar/

Neljännen luennon ja ryhmäkerran aiheena oli pistemuotoiseen aineistoon tutustuminen, ruutukartat sekä rasteriaineiston käsittely QGIS:ssä (tuonti, käsittely, esim. piirtäminen rasterikartan avulla). Ryhmäkerran alkupuoli kului luennon ja ruutukarttatehtävän parissa ja lopputunnista keskityimme työskentelyyn rasterikartan parissa (mm. teiden piirtämistä karttaan)

Ryhmäkerran alussa Arttu luennoi piste- ja ruutuaineistosta. Yllätyin ruutuaineiston hinnakkuudesta (yksi lisenssi 250 m ja 1 km jopa yli 6000 euroa!) ja ihastelin muun muassa pisteaineiston keruumenetelmää (laserkeilaus) ja sen tuomia mahdollisuuksia esimerkiksi uusien historiallisten kohteiden löytämiselle (sademetsäesimerkki luennolla).

Kuntatehtävä tunnilla

QGIS:in avulla tutustuimme ruutu- ja pisteaineistoon. Uutena toimintona opittiin ”create grid”-toiminto, jolla saatiin luotua halutun kokoinen ruudukko aineiston päälle. Tämän jälkeen aineistoon lisättiin pisteaineisto pääkaupunkiseudun kaikista rakennuksista. Yllätyin aineiston sisältämästä informaation laajuudesta, sillä aineisto sisälsi tarkkaa henkilötietoa pääkaupunkiseudulla asuvista  (määrä, naisia/miehiä, ikä jne.. /rakennus).

Ruudukon lisääminen kartta-aineiston päälle on järkevää siinä suhteessa, että tällöin absoluuttista tietoa voidaan verrata eri kohteiden välillä (ruudut ovat samankokoisia eli vertailukelpoisia keskenään). Jos esim. vertailisimme eri alueiden (kuten kuntatasolla) muunkielisten määrä ilman kyseistä ruudukkoa, kokonaiskuva voisi vääristyä, sillä kunnat ovat erikokoisia pinta-alaltaan, jolloin tulokset eivät ole sinänsä vertailukelpoisia. Ruutujen avulla ihmiset voidaan myös ”paikantaa” tarkemmin, esimerkiksi tekemieni karttojen avulla (kuva 1 ja kuva 2) voidaan nähdä selkeästi alueita (ruutuja), joissa valittua muuttujaa (muukieliset) on määrällisesti eniten. Näin saamme tarkkaa tietoa väestöön liittyen ja voimme tutkia erilaisia väestöön liittyviä ilmiöitä (Esim. onko pääkaupunkiseudulla joitakin alueita, joissa segrekaatio on nähtävissä). Toisaalta lukumäärällinen tieto juuri muutaman ruudukon kohdalla ei kerro meille mitään, jos emme tiedä alueella olevaa väentiheyttä. Joillakin alueilla ihmisiä asuu selkeästi enemmän kuin toisilla alueilla, jolloin lukumäärällinen tieto ei välttämättä ole merkittävää. Tästä syystä suhteellinen tieto auttaa ymmärtämään erilaisia ilmiötä paremmin (esim. juuri muunkielisten osuus verrattuna suomenkielisiin tietyllä alueella).

Alla olevat kartat vierekkäin kuvaavat muunkielisten ihmisten osuutta pääkaupunkiseudulla neliökilometriä kohden lukumäärällisesti (kuva 1, absoluuttinen tieto) ja prosentuaalisesti (kuva 2, suhteelllinen tieto). Kartat havainnollistavat selkeästi sitä, miten kartan tekijä vaikuttaa siihen, minkälaisen vaikutelman kartasta saa.

Absoluuttista tietoa esittävää karttaa (kuva 1) katsoessa näyttäisi siltä, että lukumäärällisesti muuta kieltä puhuvia on eniten Kehä III sisäpuolella, erityisesti Helsingin keskustan ja Itä-Helsingin alueella. Kun taas tarkastellaan suhteellista tietoa esittävää karttaa, voidaan huomata, että muunkielisten määrä väestöstä on pääkaupunkiseudulla kaikkialla reilusti alle 1 %  ja väriskaala on ”levittäytynyt laajemmalle”. Helsingin keskustan alueella näyttäisi olevan muuta kieltä puhuvia vähemmän kuin muilla alueilla, joka on päinvastainen tulkinta verrattuna absoluuttista tietoa antavaan karttaan.

Jotta muunkielisten määrä ja sijaintia voidaan ymmärtää parhaiten, on tärkeää voida tulkita molempia karttoja. Näin ilmiöstä saadaan parempi käsitys.

Kuva 1. Absoluuttinen tieto (muunkielisten lukumäärällinen osuus pääkaupunkiseudulla)

Kuva 2. Suhteellinen tieto (muunkielisten prosentuaalinen osuus pääkaupunkiseudulla)

Ihailin Jessican tekemiä karttoja, jotka ovatkin todella selkeät ja mielekkäät lukea. Jessica oli ansiokkaasti lisännyt omaan karttaansa kuntarajat sen sijaan, että alue olisi vain iso ”pääkaupunkiseutu”. Vaikka kartta kuvaakin tuttua pääkaupunkiseutua, on kuntarajojen kuvitteleminen kartalle hieman hankalaa – – ja näin kuntien/alueiden vertaaminen jää huteraksi (kuviteltujen rajojen varaan).

Harjoitellen vielä tekemään karttoja QGIS:llä, jotka olisivat visuaalisesti samannäköisiä. Inprint-kartan viimeistelytoiminnossa ei taida olla sellaista toimintoa, jolla edellisen kartan valinnat saisi kopioitua uuteen karttaan. Kaipaisin tällaista toimintoa, sillä pohjoisnuolen koon ja sijainnin täsmääminen edeltävään karttaan on vaikeaa. Nyt kun kartat ovat vierekkäin, näen niissä paljon kohtia joita olisi voinut hienosäätää (mittakaaavan paikka, legendan sijainti, kartan zoomaus molemmissa samaksi jne).  Tällä kuitenkin mennään – ja ensi kerralla taas koitetaan tehdä siistimpiä karttoja 🙂

Lähde:

Isomeri, J. Viikko 4 -Rasti ruutuun. Jessikan GIS hurvittelut- blogi. viitattu 13.2.2022, saatavissa: https://blogs-test.it.helsinki.fi/jessikangishurvittelut/

 

 

 

Kolmannella ryhmäkerralla harjoiteltiin erityisesti tietokantojen yhdistämistä ja tietokantojen muokkaamista haluttuun muotoon. Yhteisen harjoitustyön aikana opittiin muun muassa sitä, miten Excel-tyyppistä tiedostoa voi tuoda QGIS:iin (tiedostomuodon vaihtaminen cvs:ksi) ja miten aineistoa voi niin sanotusti typistää ja pelkistää haluttuun muotoon kuitenkaan yhtään dataa menettämättä matkalla (dissolve/ count polygons in points- toiminnot).

Afrikka – timantteja, öljykenttiä ja konflikteja 

Ryhmäkerralla aineisto liittyi mm. Afrikan alueen merkittäviin konflikteihin, timanttikaivoksiin ja öljykenttiin. Tein alla olevan kartan (kuva 1) tunnin aikana. Kartta on empimättä hieman keskeneräisen näköinen, sillä viimeistelin kartan hyvin nopeasti ennen itsenäiseen työhön siirtymistä. En muistanut jakaa tätä tiedostoa pilvipalveluun, joten en sitä kotona pystynyt enää jatkamaan. 

Kartasta voidaan huomata öljykenttien sijaitsevan suurimmaksi osin Pohjois-Afrikassa. Sen sijaan timanttikaivokset näyttäisivät sijaitsevan erityisesti Keski-ja Etelä-Afrikan alueella – kuitenkin hyvin ripotellen. Konfliktit sen sijaan ovat sijoittuneet hyvin laajasti ympäri Afrikkaa (erityisesti Pohjois- ja Keski-Afrikkassa). Eemil nosti blogissaan esille konfliktien johtuvan Afrikan alueella hyvin moninaisista syistä, esim. nälänhädästä, korruptiosta ja kuivuudesta. Vaikka timanttikaivoksien läheisyydessä voidaan havaita konflikteja suhteellisen paljonkin, ei tästä voida tehdä johtopäätöksiä sen suhteen, että timanttikaivokset/öljykentät lisäisivät konfliktien määrää. Tietenkin tämä voi olla mahdollista – eikä sitäkään voida poissulkea.  

Kun tietokantaan lisättiin internetkäyttäjien lukumäärä eri vuosina, voisi olla mielenkiintoista tutkia onko konfliktien aikana internetin käyttö lisääntynyt/vähentynyt. Voisi olla myös mielenkiintoista tutkia onko timanttikaivosten tuottavuusluokittelun ja konfliktien välillä huomattavissa jonkunlaista yhteyttä, eli tuottavilla alueilla  tuottavina vuosina mahdollisia konflikteja enemmän. Tai liittyykö konfliktit jollain tapaa kaivosten löytämis- tai kaivausten aloitusvuoteen.  

 

Kuva 1. Konfliktit, timanttikaivokset ja öljykentät Afrikassa. Lähde: Geoinformatiikan menetelmät 1 –kurssimateriaali 

 

 Suomi – tulvia ja järviä

Kun siirryimme tunnilla itsenäisen työn pariin, kesti hetki tajuta, että mitä pitäisi edes alkaa tekemään. Vaikka tehtävässä käytettiin juuri harjoiteltuja uusia toimintoja, ei opitun soveltaminen uudessa tehtävässä tullutkaan kuin “apteekin hyllyltä”. Mietinkin tauolla sitä, olinko oikeasti miettinyt mitä alkutunnista oltiin tehty – vai painelinko nappeja vai “käskystä”.  No, lopulta pääsin kärryille hommasta, mutta harmikseni koneeni alkoi temppuilemaan toden teolla. Join-toiminto ei toiminut koneellani ollenkaan – eikä nyt siis kyseessä ollut “normaali kaatuminen”, mitä ohjelma tekee suhteellisen useasti kyseisen toiminnon kohdalla. Arttukin tuli ihmettemään, miksi en onnistunut yhdistämää MHQ/järvisyys%- aineistoa tietokantaan join-toiminnolla, eikä syy selvinnyt hänellekään. Noh, päätin auttaa ja seurata lopputunnin opiskelijakavereiden tehtävän tekoa, jonka jälkeen lähdinkin kotiin.  

Sain tehtyä kotona alla olevan kartan (kuva 2). Onneksi olin tunnilla yrittänyt aineiston yhdistämistä kymmeniä kertoja, joten muistin tämän nyt ongelmitta heti ohjelmiston avattuani. Minulla oli hieman hankaluuksia saada pylväät/ympyrädiagrammit toimimaan. Onnistuin kuitenkin lopulta tekemään ympyrädiagrammit karttaan ja vaikuttamaan ympyröiden kokoon. Jos en olisi onnistunut vaikuttamaan ympyröiden kokoon, karttaa olisi ollut aivan kamalaa katsoa – ja myös mahdotonta lukea. Elise päätyi omassa tehtävässään jakamaan teemakartan informaation kahteen eri karttaan (tulvaindeksi toisessa, järvisyys % toisessa). Itseäni tämä myös houkutteli karttaa tehdessäni, ja Elisen lopputulos onkin mieluinen! Päädyin tekemään työn kuitenkin yhteen karttaan, ja koen, että värivalinnoilla ja visualisoinnilla kartasta sai kuin saikin mielekkään näköisen.  

 Kuva 2. Teemakartta tulvaindeksistä valuma-alueilla sekä järvien/maan osuus maan pinta-alasta.   Lähde: Geoinformatiikan menetelmät 1 –kurssimateriaali. 

Kartan perusteella voidaan päätellä se, että Suomen joet valuvat Itämerelle hyvin laajalta alueelta ja tulvariski näyttäisi olevan suurinta rannikkoalueilla. Korkein tulvariski kohdistuu Pohjanmaan matalalle rannikolle ja Lounais- sekä Etelä-Suomen rannikolle.  Näillä alueilla järvien osuus pinta-alasta näyttäisi olevan pieni. Voidaan myös huomata, että niillä alueilla, joilla järvien osuus on suurempi, ei ole nähtävissä tulvariskiä. Järvet näyttäisivät olevan tärkeä tekijä tulvariskin vähentämisessä. Tuomas oli löytänyt blogiinsa hyvän lähteen (Syke 2007), jonka mukaan “suuri järvien määrä tasoittaa virtaaman vuotuisia vaihteluita selvästi”.  

Lähteet: 

Hartikainen, T. (2022). Maa-gis-ta menoa. Viitattu 6.2.22, saatavissa: https://blogs.helsinki.fi/tuomhart/2022/02/02/3-kurssikerta/

Tammela E. (2022). Geoinformatiikan menetelmiä Elisen Tapaan. Viitattu 6.2.2022, saatavissa: https://blogs.helsinki.fi/tammelael/

 

 

Toisen kurssikerran tarkoituksena oli harjoitella QGIS:n käyttöä hieman laajemmin ja pureutua eri karttaprojektioiden eroavaisuuksiin yhteisen karttatehtävän avulla. Lisäksi tutustuimme paikkatietoaineistojen palveluntuottajiin ja kokeilimme rajapinta-aineiston tuontia QGIS:iin. Tällä ryhmäkerralla hyödynsimme QGIS:in erilaisia toimintoja monipuolisemmin: Opin hurjasti lisää! 

Karttaprojektion valinnasta 

Kuten tiedetään, karttaprojektio ei voi koskaan visualisoida maapalloa täysin oikeilla mittasuhteilla, etäisyyksillä ja kulmilla, sillä maapallon muotoa ei voi sellaisenaan avata tasoksi. Erilaisissa projektioissa vääristyykin aina jokin ominaisuus (oikeapintaisuus, oikeakulmaisuus tai oikeapituisuus – ellei kaikki). Kuten Lehtinen ja Kettunen (2019) toteavat Karttaprojektio tulisi aina valita tarkoituksen mukaan. Jos kuvataan esim. pelkkää Suomen aluetta, ei ole järkevää kuvata sitä projektiossa, jossa Suomi on vääristynyt ja venynyt (maailmankartta-projektio). Toisaalta taas, kun halutaan selvittää realistisia etäisyyksiä eri valtioiden välillä, vääränlainen projektio voi vesittää koko yrityksen. Suomen kohdalla järkevä projektiovalinta on ETRS89-TM35-projektio, jossa Suomen kartta avautuikin GQIS:sä.  

Harjoitustyö 

Aloitimme ryhmäkerralla yhdessä harjoitustyön, jonka tarkoituksena oli vertailla erilaisia projektioita Suomen kartalla. Oli mielenkiintoista huomata, miten paljon jotkut projektiot voivatkaan vääristää pituus- ja pinta-aloja. Kaisa oli tehnyt havainnoistaan blogiinsa taulukon, mistä voi helposti nähdä tämän ilmiön! Huomasimme yhteisesti ryhmäkerralla, että vaihdettassa ETRS89-TM35-projektiosta Robinson-projektioon, tietty valittu etäisyys Pohjois-Suomessa melkein kaksinkertaistui kartalla. Robinson-projektio on maailmankartta, jossa pituuden vääristymä onkin suurinta lähellä napoja.   

Tehtävänä oli luoda kolme Suomea kuvaavaa karttaa, jossa väriskaalan avulla kuvataan jonkin toisen valitun projektion vääristymää ja vääristymän vahvuutta eri puolella Suomea. Päätin esittää kaikkien eri projektioiden vääristymät TM35-projektiossa, jotta tuloksia voitaisiin helposti vertailla keskenään. Joissakin projektioissa Suomi näyttäytyy vinkuralta (esim. kuva 4), joten valinta tuntuikin järkevältä. Ronja vertaili omassa blogissaan Suomea neljässä eri projektioissa mielekkäästi. Ronjan valitsema Wagner IV -projektio muistuttaa ulkomuodoltaan valitsemaani  Behrmann projektioita – Näissä molemmissa Suomi näyttäytyy jokseenkin samanlaiselta: litistyneeltä.

Valitsin kiltisti opettajan johdolla satenkaaren värit kuvaamaan eri luokkia miettimättä itse ollenkaan onko satenkaariskaala järkevä (esim. yhden väriskaalan sijaan). Tilda perusteli satenkaarivalintaa omassa blogissaan. Satenkaarella luokat selkeästi erottaa toisistaan, ja kun punainen kuvaa suurinta arvoa, se kuvaa ihan luontevasti samalla suurinta vääristymää (paha punainen). Makes sense – ja onhan nuo satenkaaren värit muutenkin hauskat!

Kaikista suurin vääristymä kolmen tekemäni kartan kohdalla oli Mercatorin projektiossa. Mercatorin projektio on varmasti monelle tuttu, missä pinta-alat vääristyvät sitä enemmän, mitä kaueammas päiväntasaajasta siirrytään. Kuvassa 1 voidaan havaita se, kuinka Mercatorin projektio moninkertaistaa pinta-alat verrattuna TM35-projektioon. Vääristymä on Pohjois-Suomessa jopa kahdeksankertainen! Mercatorin projektio vääristää siis todella vahvasti pinta-aloja Suomessa, ja on täten käyttökelvoton Suomessa eri alueiden tai etäisyyksien selvittämisessä tai esimerkiksi kuntien väentiheyden laskemisessa. 

 

Kuva 1. Mercatorin projektion pinta-ala verrattuna TM35-projektion pinta-alaan (kuinka moninkertainen). Mercatorin projektio vääristää Suomen pinta-aloja hyvin rajusti, jopa kahdensankertaisesti.  

Kuvassa 2 voidaan havaita Robinson projektion vääristymä (kuinka moninkertaisena) Suomen kartassa. Voidaan huomata, että vääristymä on suurinta Pohjois-Suomessa. Sama ilmiö voidaan havaita Mercatorin projektiossa (kuva 2), mutta Robinsonin projektiossa vääristymän suuruus on selkeästi pienempi. Robinsonin projektiossa pinta-alan vääristymä on suurempaa etelässä kuin pohjoisessa. 

 

Kuva 2. Robinsonin projektion pinta-ala verrattuna TM35-projektion pinta-alaan (kuinka moninkertainen). Pinta-alassa suurin eroavaisuus Etelä-Suomessa.  

Kuvassa 3 voidaan havaita Behrmann_world -projektion pinta-alan vääristymä suhteessa TM35FIN-projektioon. Voidaan huomata, että Behrmann-projektio vääristää eniten Suomen länsi- ja itä-osissa. Kun katsotaan kartan legendaa, voidaan huomata, että luokkien väriset erot eivät kuitenkaan ole suuria (luokat 0,996-1,003 välillä).  Ennakkokäsitykseni oli, että tämä kartta varmasti vääristää todella paljon, sillä Suomi on tässä projektiossa on aivan litistyneen ja vääristyneen näköinen (kuva 4).  Yllättävästi vääristymä ei ole yhtään niin suuri kuin esim Mercatorin projektiossa. 

Kuva 3. Behrmannin projektion pinta-ala verrattuna TM35-projektion pinta-alaan (kuinka moninkertainen). Pinta-alaerot ovat pieniä.  

Kuva 4. Suomi Behrmann_world -projektiossa.  

Ajatuksia

Karttojen tekeminen ei ole mitään helppoa hommaa QGIS:illä. Mutta niinhän sitä sanotaan, ”harjoittelu tekee mestarin” ja ehkä tämänkin ohjelmiston käytön suhteen. On kiva, että tässä kurssilla kulkee tiivisti mukana vertaistuki! Eikä se haittaa, vaikkei hommat vielä olekaan täysin hallussa. Pystyn samaistumaan Jannen  huumorilla kirjoitettuun blogitekstiin ja tuntemuksiin QGIS:in käytöstä, kyllä tämä tästä! 🙂

Lähteet:

Lehtinen, J. Kettunen, P. (2019). Maailma venyy ja paukkuu kartalla. Tietoa Maasta 2/2019. Viitattu 29.1.2022, saatavissa: https://www.maanmittauslaitos.fi/tietoa-maanmittauslaitoksesta/ajankohtaista/lehdet-ja-julkaisut/tietoa-maasta/maailma-venyy-ja-paukkuu 

Blogit:

Tildan blogi: https://blogs.helsinki.fi/vtilda/
Jannen blogi: https://blogs.helsinki.fi/janneturunen/
Ronjan blogi: https://blogs.helsinki.fi/sronja/
Kaisan blogi: https://blogs.helsinki.fi/kaisahav/

 

Päätin tehdä kotona vaatimustason 1 tehtävän, jotta kertaisin vielä perustoimintoja. Käytin hävyttömän kauan aikaa tehtävän tekemiseen, sillä olinkin jo viikossa ehtinyt unohtaa miten “attribute table” -tietoja pystyi visualisoimaan. Onneksi kirjallisesta ohjeesta löytyi tähän apu, vaikkakin tiedon löytämiseen menikin tovi. Valitsin tarkasteltavaksi muuttujaksi avioliitot kunnittain vuonna 2015.

Kun loin luokkia, olisin halunnut käyttää “pretty breaks” toimintoa luokissa, jotta luokat olisivat olleet samankokoisia, mutta tällöin kartta olisi periaatteessa ollut yksivärinen lukuunottamatta muutamaa väripilkkua ( informaation tarkkuus olisi kärsinyt). Luin Eeva Rakin blogia ja huomasin, että hänkin oli tehnyt karttaa tehdessään samanlaisen havainnon. Eeva perusteli valintaansa estetiikan näkökulmasta. Minäkin valitsin ”natural breaks” toiminnon estetiikan takia, mutta myös sen takia, että koen kartan olevan näin informatiivisempi. 

Mielestäni onnistuin luomaan informatiivisen kartan, joka on myös visuaalisesti miellyttävä. Voin olla ylpeä! 🙂 Kartan perusteella voidaan silmämääräisesti todeta, että avioliittoja on solmittu eniten Etelä-Suomessa sellaisissa kunnissa, joissa väestön määräkin on suuri. Muilta osin voidaan havaita, että väestömäärältään suurimmissa kaupungeissa  (esim. Jyväskylän, Oulun, Rovaniemen kunnissa) avioliittojen määrä on korkeampi, kuin  ympäröivissä naapurikunnissa. 

 

Kuva 2. Solmittujen avioliittojen määrä Suomessa kunnittain vuonna 2015. (Lähde: Geoinformatiikanenetelmät 2022 –kurssin kurssimateriaalit).

Lähdeluettelo: 

Eeva Rakin blogi: https://blogs.helsinki.fi/eevaraki/ 

Ensimmäinen ryhmäkerta

Kurssi alkoi lähiopetuksena, josta olen hyvin kiitollinen. Jo ensimmäisen ryhmäkerran perusteella on selvää, että geoinformatiikan perusteita ja paikkatieto-ohjelmiston käyttöä on helpompaa ja hauskempaa oppia opettajan ohjauksella ja kurssikavereiden läsnäollessa. Sivuaineopiskelijana (ja täyspäiväisesti jo työelämässä olevana) etäopinnot sopivat jokseenkin paremmin aikatauluuni, mutta tämän kurssin kohdalla lähiopetus on todella toivottua oppimisen näkökulmasta! 😊 Onneksi kurssista onkin olemassa tämä maanantain iltaryhmä, jolloin ehdin töistä Kumpulaan oppimaan geoinformatiikan saloja. 

Ensimmäinen kurssikertatapaaminen alkoi tyypillisesti kurssin suorittamiseen liittyvällä info-osuudella. Tämän jälkeen Arttu luennoi hetken paikkatiedon perustiedoista, jonka jälkeen tutustuimme QGIS-nimiseen paikkatieto-ohjelmiston perustoimintoihin yhteisen karttatyötehtävän avulla. Monet kurssitovereista olivat käyttäneet ohjelmistoa jo aikaisemmin jollakin toisella kurssilla. Kun huomasin tätä kysyttäessä melkein kaikkien käsien nousevan pystyyn, sisälläni heräsi pieni paniikki: Mitä jos ensimmäistä tehtävää alettaisiin suorittamaan nopealla tahdilla, ja tipun heti alussa kelkasta? Onneksi pelko osoittautui turhaksi, sillä ohjelmiston toimintoja lähestyttiin hyvin rauhallisella “tee-perässä”-tyylillä. Apuakin sai, jos jokin jäi mietityttämään. Lopputuloksena oli kaikilla suhteellisen samanlainen kartta (kuva 1).  

Alla on kurssikerralla tuotettu kartta Itämeren alueen (HELCOM) maiden typpipäästöistä (kuva 1). Opin karttaa tehdessä paljon uutta esim. tiedon siirtämisestä ohjelmistoon (johon liittyy tietokantojen erilaiset tiedostotyypit) ja monien eri perustoimintojen käyttöä QGIS:ssä. Osa perustoiminnoista muistutti Tiedon esittäminen maantieteessä -kurssilla käytetyn ohjelmiston toimintoja. Uutta oli statistiikkavalikko ja sieltä löytyvä laskuominaisuus, joka olikin aika näppärä! 

 

Kuva 1. Koropleettikartta Itämeren alueen HELCOM-valtiokohtaisista typpipäästöosuuksista. (lähde: Geoinformatiikanenetelmät 2022 –kurssin kurssimateriaalit)  

Voidaan huomata, että Puolan typpipäästöt ovat korkeimmat (kartta 1) Se, miksi Viro on kartassa valkoinen, on itsellenikin mysteeri. Luulen, että virhe syntyi vaihtaessani ohjelmistossa luokkien määrää neljästä kolmeen. Viron tulisi olla väriltään vaaleanpunainen, eli kuulua vähiten päästöjä aiheuttaviin maihin. Kaiken kaikkiaan kartta on mielestäni  informatiivinen ja visuaalisesti miellyttävä värivalintojen suhteen.  Koska kaikkien maiden typpipäästöjä ei kartassa ole luettavissa (vihreät maat) Puola näyttäytyy, kuten Tiina omassa blogissaan toteaa ”erityisen pahalta”. Olisi mielenkiintoista tietää millaiset päästöt kartassa näkyvillä muilla mailla on ja miten se vaikuttaisi mielikuvaan, jonka kartasta saa.

Kartan suhteen hienosäätöä olisi voinut vielä hieman tehdä, esimerkiksi tarkistaa mahdolliset kirjoitusvirheet (veden syvyys) ja tehdä selkeämpi väriero kolmannen ja toisen väriluokan suhteen. Olen kuitenkin karttaani tyytyväinen, onhan se ensimmäinen luomani kartta QGIS-ohjelmistolla!

Lähde:
Ilmoniemi, T. (Tammikuu, 2022). Learning Geography. Seikkailua QGIS:n maailmassa. Viitattu 23.1., saatavissa:  https://blogs.helsinki.fi/tiinailm/

 

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!