Kuukausi: tammikuu 2022

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!