Category: Uncategorized

Viimeinen kurssikerta sitten tuli ja meni. Menikö jo 7 viikkoa oikeasti jo muka näin nopeasti? Kurssikerran ohjelmana oli tehdä itsenäisenä työnä kartta valitsemastaan aiheesta ja alueesta. Itse tein kartan vaihtoehto 1:n mukaan eli kartan, jossa on kaksi muuttujaa. Jo tämän yhden kartan tekeminen oli todella raskasta, sillä jouduin itse etsimään aineistot tuhansien mahdollisuuksien joukosta, muokkaamaan ne haluttuun muotoon ja kohtasin pari ongelmaa, joihin en ollut ollenkaan aikaisemmin törmännyt. Niiden setvimisessä menikin sitten toista tuntia.

Karttani esittää kotitalouksien mediaanihuonemäärää osavaltioittain vuonna 2019 sekä kotitalouksien vuosittaisia mediaanituloja dollareina vuonna 2019. Muuttujat saattavat vaikuttaa irrelevanteilta, mutta koska dataa oli saatavilla aivan järkyttävän paljon, en vain keksinyt, mikä toinen olisi hyvä lukuarvo esittää kartalla. Tärkeintä tässä tehtävässä oli saada jonkinlainen kartta aikaiseksi itsekerätystä datasta. Datan hain Yhdysvaltojen tilastopalvelusta, census.gov:sta.

Kartasta huomataan, että suurimmat mediaanitulot sijaitsevat Yhdysvaltain länsi- ja itärannikoiden osavaltioissa, kuiten Kaliforniassa, New Yorkissa ja Washingtonissa sekä Alaskassa ja Havaijilla. Vastaavasti vähempituloiset osavaltiot sijaitsevat taas etelässä, kuten Alabama, Mississippi ja Arkansas. Keskilännessä suurten järvien alueella sijaitsee myös melko hyvin tienaavaa väestöä. Koulutettu, hyvin tienaava väestö on keskittynyt Yhdysvaltain rannikoille, joissa sijaitsee esimerkiksi suuria teknologiayrityksiä. Lisäksi ihmisillä on hyvän työn ansioista varaa asua meren äärellä suurkaupungeissa, kuten New Yorkissa ja Los Angelesissa, jonka uskoisin myös vaikuttavan osavaltion suuriin mediaanituloihin. Vastaavasti sisämaassa ja etelävaltioissa asuu köyhempää, rodullista väestöä ja siellä sijaitsee paljon teollisuutta ja hiilikaivoksia, mikä saattaa vaikuttaa pieniin mediaanituloihin.

Osavaltiot, joissa on suurin mediaanihuonemäärä, ovat Utah ja Minnesota. Vastaavasti pienimmät mediaanihuonemäärät sijaitsevat District of Columbiassa, Kaliforniassa ja Alaskassa. En osaa sanoa yksiselitteistä syytä, miksi näin on, mutta Yhdysvalloissa kodittomuus on suurta ja monilla ei ole varaa edes asua minkäänlaisessa asunnossa. Lisäksi monet kaupungit on jo rakennettu täyteen ja suuria asuntoja on saatavilla vain vähän, mutta pieniä sitäkin enemmän, mikä saattaa vaikuttaa pieneen lukuarvoon.

Suuret mediaanitulot ja huonemäärä eivät kuitenkaan välttämättä korreloi keskenään: esimerkiksi Kaliforniassa ja Alaskassa on suuret mediaanitulot, mutta osavaltioiden mediaanihuonemäärä on yksi pienimmistä. Vastaavasti esimerkiksi Alabamassa ja Kentuckyssä on pienimmät mediaanitulot, mutta niissä huoneiden lukumäärä on melko suuri. Uskoisin, että vaikka varallisuus saattaa vaikuttaa huonelukumäärään, enemmän merkitsevä tekijä on asumispaikka. Maaseudulla, kuten sisämaan osavaltioissa on väljempää ja isommat talot kuin rannikoiden osavaltioissa, joissa on paljon suurkaupunkeja, joissa asutaan yleensä ahtaasti.

(Tajusin vasta muuten jälkeenpäin, että olisin voinut näyttää myös keskiarvoja kartalla, mutta eiköhän mediaani ole ihan hyvä myös, sillä se sijaitsee kaikkien havaintoarvojen keskikohdassa.)

Tsekkailin myös niitä karttoja, joita kurssitoverini ovat tehneet, ja heidän blogeistaan löytyi toinen toistaan upeampia luomuksia. Esimerkiksi Annika Innasen blogissa on monta hienoa karttaa Yhdysvalloista. Hän oli esimerkiksi tarkastellut työttömyysastetta sekä maataloudessa työskentelevien osuutta Yhdysvalloissa ja hänellä oli myös hauska kartta kojoottihavainnoista Yhdysvalloissa. Kiitos Annikalle mielenkiintoisista kartoista!

Amanda Salmensuu oli puolestaan tarkastellut hienossa kartassaan Euroopan maiden hiilidioksidipäästöjä ja altistumista pienhiukkasille. On mielenkiintoista huomata hänen kartastaan, että päästöillä ja altistumisella pienhiukkasille ei ole suoraa yhteyttä.

Loppuyhteenveto kurssikerrasta ja koko kurssista

Kuten aikaisemmin mainitsin, kartan tekeminen ei ollut alusta lähtien todellakaan helppoa. Tein vielä sen virheen, että en ennen kurssikertaa jaksanut etsiä mitään aineistoja netistä, vaikka olisi pitänyt, joten kurssikerrasta suurin osa menikin sitten census.gov:ssa ja muissa datapalveluissa seikkailuun. Lopulta kuitenkin sain jotain aineistoa tuotua QGIS:iin. Ensimmäinen ongelma oli kuitenkin se, että kun olin liittänyt datan pohjakarttaan, ohjelma ei jostain syystä tunnistanut dataa numeromuotoiseksi. Googletin ongelman ja jouduin käyttämään sen muuttamiseen aivan uutta toimintoa, joka oli “refactor fields”. Lisäksi numeroiden saamisessa kartalle oli aikamoista vekslausta. Nämä asiat turhauttivat minua todella paljon ja ne tuntuivat myös vaikeilta sen lisäksi, että ne veivät aivan liikaa aikaa… Olen kuitenkin ylpeä itsestäni, että sinnikkäästi sain ongelmat korjattua ja kartan aikaiseksi.

Koko kurssilla opin perusasiat QGIS -ohjelmiston käytöstä. Kurssi huipentui tähän kertaan, jolloin teimme kartan niillä työkaluilla, mitä meille on kurssikertojen edetessä annettu. Ja se onnistui minulta, joten kurssin tavoite on aika lailla saavutettu. Kurssi tuntui välillä raskaalta, vaikka se olikin vain kerran viikossa. Kotona tehtävää työskentelyä oli kuitenkin verrattain paljon koska QGIS vaatii paljon harjoittelua. Kurssin toteutus näin kokonaan etänä sujui melko jouhevasti, enkä törmännyt missään vaiheessa sen suurempiin teknisiin ongelmiin. Kurssilla pääsi tekemään itse asioita, ja sillä tavalla koen oppivani parhaiten. Kauhunsekaisella innolla siis odotan myös lisää geoinformatiikan opintoja!

Lähteet:

Census.gov (2021). <https://data.census.gov/cedsci/table?q=median%20income&tid=ACSST1Y2019.S1901&hidePreview=false>, luettu 2.3.2021

Census.gov (2021). <https://data.census.gov/cedsci/table?q=median%20room%20number&tid=ACSDT1Y2019.B25018&hidePreview=false>, luettu 2.3.2021

Innanen, Annika. (2021). <https://blogs.helsinki.fi/anninnan/2021/03/03/harjoitus-7-karttoja-omavalintaisista-aineistoista/>, luettu 5.3.2021

Pohjakartta: Natural Earth (2021). <http://www.naturalearthdata.com/>, luettu 2.3.2021

Salmensuu, Amanda. (2021) <https://blogs.helsinki.fi/salmeama/>, luettu 5.3.2021

Kuudes eli toiseksi viimeinen kurssikerta taitaa olla suosikkini tähän mennessä olleista kurssikerroista, sillä kurssikerta oli helppo ja mielenkiintoinen, eikä meidän tarvinnut opetella taas miljoonittain uusia juttuja QGIS:ssä. Kurssikerran aluksi keräsimme dataa asuinalueiltamme. Datan kerääminen tapahtui Epicollect5 -sovelluksen avulla lähiympäristössä liikkuen ja sovelluksen sijaintitietoa hyödyntäen. Tutkimme kaupunkiympäristön turvallisuutta ja viihtyisyyttä kävelijän näkökulmasta. Toimme datan sitten QGIS:iin ja teimme siitä interpoloimalla teemakartan, joka näkyy kuvassa 1. Epicollect5 -sovelluksen käyttäminen oli minulle tuttua ja se oli minulla jo valmiiksi puhelimessani, sillä satuimme tekemään aivan samantyyppisen projektin lukiossa mantsan neloskurssilla aktiivisen opettajamme ansiosta… xD Senkin ansiosta tämän tehtävän tekeminen oli hyvin mielekästä. Olin itse asiassa Julianan kanssa samassa lukiossa, joten hänellä on sovelluksen käyttämisestä samankaltaisia kokemuksia.

 

 

Itsenäinen tehtävä

Kurssikerran lopussa oli itsenäistä työskentelyä. Tarkoituksena oli oppia muokkaamaan internetistä löytyvää dataa sellaiseen muotoon, jotta se voidaan sijoittaa suoraan kartalle sekä pistemäisen aineiston esittämistä kartalla. Hain internetistä dataa erilaisista hasardeista: maanjäristyksistä (ncedc.org/anss/catalog-search.html) ja tulivuorista (https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-data#).  Maanjäristysdata ladattiin csv.-tiedostona ja sitä piti muokata notepadissa sopivaan muotoon. Muokkasin myös tulivuoridatan tsv.-tiedostosta csv. -tiedostoksi, vaikka sen olisi saanut ilmeisesti sellaisenaankin QGIS:iin…

Tein kolme erilaista karttaa. Ensimmäisessä kartassa (kuva 1) näkyvät maanjäristykset vuosilta 1950-2013, joiden magnitudi oli yli 6. Toisessa kartassa (kuva 2) näkyvät kaikki tulivuoret maapallolla. Kolmannessa kartassa (kuva 3) olen yhdistänyt nämä aineistot.

Kartat ovat melko havainnollistavia ja niistä saa nopeasti käsityksen, missä päin tulivuoria ja voimakkaita maanjäristyksiä maapallolla on. Oppimateriaalina kartat siis toimisivat melko hyvin. Kartoista on huomattava se, että alueet, joissa esiintyy voimakkaita maanjäristyksiä, on usein myös tulivuoria. Tulivuorten määrä ja maanjäristykset eivät kuitenkaan korreloi keskenään, vaan tulivuoria ja maanjäristyksiä esiintyy molempia erityisesti litosfäärilaattojen saumakohdissa. Lisäksi Tyynenmeren tulirenkaan alueella esiintyy huomattavasti maanjäristyksiä ja tulivuoria. Maanjäristyksiä esiintyy kartan mukaan paljon myös merellä, jossa ei taas välttämättä ole tulivuoria.

Tuottamani kartat sopisivat hyvin nimenomaan hasardimaantieteen opetukseen: tulivuorenpurkaukset ja maanjäristykset ovat luonnonhasardeja, jotka vievät satojen ihmisten hengen joka vuosi. Jos olisin opettaja opettamassa tätä aihetta, haluaisin, että opettamani henkilöt ymmärtäisivät sen, missä maanjäristyksiä ja tulivuoria esiintyy maapallolla ja mitä seurauksia niillä voi olla alueella asuville ihmisille. Lisäksi jos opettaisin asiaa luonnonmaantieteen kurssilla, tutkailisimme myös karttaa litosfäärilaattojen saumakohdista (kuva 5) ja vertailisimme sitä tulivuorten ja maanjäristysten esiintymispaikkoihin. Opiskelijoiden olisi tärkeää ymmärtää se, mitä kaikkia seismisiä ilmiöitä litosfäärilaattojen saumakohdissa esiintyy.

 

Ville Väisänen (2021) on pohtinut blogissaan pohjoisnuolen ja mittakaavan jättämistä pois tekemistään maailmankartoista. Huomasin itse tehneeni saman, vaikkakin epäintuitiivisesti. Ville perusteli päätöstään sillä, että ei ole nähnyt kovin monessa maailmankartassa pohjoisnuolta. En minäkään ajatellut, että se olisi mitenkään välttämätön maailmankartassa, joten jätin sen hänen tapaansa pois.

Lähteet:

Häkkilä, J. <https://blogs.helsinki.fi/julihakk/2021/02/28/6-interpoloimista-ja-hasardikarttoja/>, luettu 28.2.2021

<https://en.wikipedia.org/wiki/List_of_earthquakes_in_2020>, luettu 24.2.2021

Litosfäärilaattakuva: <http://www.geologia.fi/wp-content/uploads/2018/05/mannerlaatat_kutvonen.jpg>

<https://ncedc.org/anss/catalog-search.html>. Luettu 23.2.2021

<https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search>. Luettu 23.2.2021

Väisänen, V. Villen GIS-blogi. <https://blogs.helsinki.fi/villvais/> Luettu 24.2.2021

Viidennellä kurssikerralla teimme suurimman osan ajasta itsenäisiä tehtäviä, joiden tarkoituksena oli vahvistaa aiemmin opittuja asioita. Kurssikerran alussa tutustuimme QGIS:ssä kuitenkin muutamaan hyödylliseen työkaluun, joita tarvittaisiin itsenäisten tehtävien tekemisessä. Erityisen tärkeä työkalu oli bufferointityökalu, jonka avulla voi määrittää halutun kohteen ympärille haluamansa kokoisen vyöhykkeen. Hyödynsimme viime kerralla luomaamme aineistoa Pornaisista ja kokeilimme bufferoida kartalta alueen, joka sijaitsee 1km päässä terveysasemasta. Bufferoinnin eli puskuroinnin avulla voidaan valita kartalta kohteita, kuten rakennuksia, tältä alueelta. Näin saadaan selville kaikki rakennukset, jotka sijaitsevat 1 km säteen sisällä terveysasemasta.

Itsenäiset tehtävät

Itsenäisissä tehtävissä määrittelimme bufferivyöhykkeiden avulla esimerkiksi Helsinki-Vantaalla korkean lentomelun alueella asuvien ihmisten määrän sekä alle 500 metrin päässä lähimmästä juna- tai metroasemasta asuvien ihmisten määrän. Itsenäiset tehtävät eivät olleet helpoimmasta päästä, varsinkin viimeinen tehtävä. Tehtäviin täytyi keskittyä jakamattomalla huomiolla ja ne vaativat bufferivyöhykkeiden tekemisen lisäksi päättelyä ja aiemmin opitun tiedon soveltamista. Tehtävien parissa pystyi testaamaan tämänhetkiset taidot QGIS -ohjelmiston parissa. Saamani tehtävien vastaukset näkyvät kuvassa 1. Oikeita vastauksia tärkeämpää oli kuitenkin asioiden ymmärtäminen.

 

Mitä osaan?

Tämä harjoitus oli vaikea, ja varsinkin viimeisen osan tekemisessä jouduin käyttämään paljon aikaa pelkästään sen miettimiseen, miten se olisi QGIS:ssä mahdollista tehdä. En ole ollenkaan tyytyväinen saamaani lopputulokseen (karttaan). Minua turhauttaa todella paljon se, etten saanut tehtyä pylväsdiagrammia kartalle ja uima-altaiden määrää näkymään asuinalueittain. Kurssitoverini Sanna Jantunen (2021) oli tehnyt saman tehtävän kuin minä, ja hän olikin onnistunut siinä paljon paremmin. Hänen uima-allaskarttansa näyttää oikeanlaiselta ja helppolukuiselta, tosin kuin minun… Luulin olevani QGIS:n käytössä ihan hyvä, mutta en ainakaan näin soveltavan tehtävän käytössä ilmeisesti olekaan niin hyvä, ja se turhauttaa.

QGIS:ssä työkalut, joiden käytön osaan parhaiten, on varmaan erilaisten tietokantojen ja tasojen liittäminen ohjelmistoon, sekä “select attributes” -toiminnot. “Select attributes” -toimintoja voi käyttää erilaisten kohteiden etsimiseen kartalta. Lisäksi karttojen tekeminen onnistuu minulta melko hyvin ja se on melko helppoa.

Koen kaipaavani lisäharjoitusta ehkä vähän kaikessa? En osaa eritellä spesifimmin, että missä. Minulla on selkeä tunne, että osaan kyllä tehdä asiat, mutta sen oivaltaminen, miten jokin asia tehdään QGIS:ssä parhaiten ja helpoiten, vaatii ehkä hieman rutiinia.  Kuitenkin, QGIS:n perusasioiden hallinta tuntuu olevan minulla ihan ok tasolla. Yksinkertaisten vektori-, ja rasteriaineistojen analyysi sujuu. Viiden kurssiviikon jälkeen tuntuu, että kaikista keskeisimpien QGIS-toimintojen, kuten tietokantojen avaaminen ja yhdistäminen, kohteiden valitseminen ja niiden yksinkertainen analysointi esimerkiksi tilastojen avulla ja ilmiöiden tulkinta sekä visualisointi kartalla on hallinnassa ihan hyvin.

Tällä harjoituskerralla teimme paljon puskurivyöhykkeitä, ja ne vaikuttivat todella mielenkiintoisilta ja hyödyllisiltä. Bufferoinnin avulla siis rajataan kartalta jokin vyöhyke tietyn ominaisuuden suhteen, esimerkiksi rakennuksen ympäriltä. Sen avulla voidaan vaikkapa laskea kohteiden määrä puskurivyöhykkeen sisäpuolella. Lisäksi puskurivyöhykettä voisi käyttää vaikkapa potentiaalisen kokouspaikan etsimiseen: sellainen paikka, jonka ympärillä on mahdollisimman monta kokousvierasta palvelevaa hotellia ja ravintolaa 500 metrin etäisyydellä kokouspaikasta.

Yksi QGIS:n vahvuuksista on se, että se pitää sisällään valtavan määrän erilaisia työkaluja. Toisaalta tämä vaatii PALJON perehtymistä ja kattavaa opetusta, aivan niin kuin meillä on ollutkin tähän mennessä. 😉 QGIS on oikeastaan vasta ensimmäinen paikkatieto-ohjelmisto, jota olen käyttänyt, mutta tämän kattavan perehdytyksen avulla sen käyttäminen tuntuu loogiselta ja helpohkolta. En tiedä, olisiko muihin paikkatieto-ohjelmistoihin helpompi perehtyä QGIS:n jälkeen tai olisiko niissä samankaltaisia toimintoja kuin QGIS:ssä. Aika näyttäköön sen opintojen edetessä.

Jantunen, S. Kurssiblogi. <https://blogs.helsinki.fi/smjantun/>. Viitattu 19.2.2021

Neljännellä kurssikerralla sukelsimme ruututeemakarttojen ja rasteriaineistojen maailmaan. Kurssikerran lopussa harjoittelimme vielä teiden ja rakennusten digitoimista rasterikartan päälle, mikä olikin jo tuttua Tiedon esittäminen maantieteessä -kurssilta. Kotitehtävänä oli harjoitella laatimaan itse ruututeemakartta valitsemastaan aiheesta. Valitsin aiheeksi muunkielisten määrän pääkaupunkiseudulla. Tuottamani kartta näkyy kuvassa 1.

Kartasta voidaan suurpiirteisesti nähdä, mihin muunkieliset ovat sijoittuneet pääkaupunkiseudulla. On hieman epäselvää, mitä tarkalleen tarkoitetaan “muunkielisillä”, mutta uskoisin kyseessä olevan kaikki muuta kieltä kuin ruotsia puhuvat, sillä heille oli aineistossa oma tietokantansa. Muunkieliset ovat sijoittuneet kartan mukaan pääosin Itä- ja Pohjois-Helsinkin ja muutamaan eri paikkaan Espoossa ja Vantaalla. En usko, että henkilö, joka tuntee jo valmiiksi pääkaupunkiseutua, saisi kovin paljon uutta informaatiota kartasta, sillä uskoisin heidän jo suurpiirteisesti tietävän, missä muunkieliset asuvat.

Myös Liisa Ahokas on pohtinut tätä blogissaan (2021), sillä hän on tehnyt kartan samalla aineistolla kuin minä. Hän on myös sitä mieltä, että henkilö, joka ei tunne pääkaupunkiseutua ollenkaan, ei saisi kartasta juurikaan irti, sillä kartassa ei esitetä esimerkiksi paikannimiä tai alueiden rajoja. Olen samaa mieltä hänen kanssaan, sillä kartasta saisi paljon selkeämmän ja helppolukuisemman lisäämällä sinne esimerkiksi kuntien rajat ja tärkein paikannimistö. En kuitenkaan tehnyt tätä, vaikka se olisi ollut varmasti melko helppo homma. Huomasin myös, että Liisalla oli kartassaan eri luokkajako kuin minulla. Tässä kartassa Liisan kartan mukainen tarkempi luokkajako olisi toiminutkin ehkä paremmin. Tekemäni ruututeemakartan luettavuus on kuitenkin hyvä ja mielestäni jopa visuaalisesti melko onnistunut.

Kartasta huomaa sen, että ruudut, joissa on paljon muunkielisiä, ovat keskittyneet tietylle alueelle erityisesti Itä-Helsinkiin. Itä-Helsinki on ollut perinteisesti kansainvälinen, maahanmuuttajien suosima alue. Siihen saattavat vaikuttaa taloudelliset syyt ja vaikkapa se, että jos alueella asuu jo valmiiksi tuttuja henkilöitä, on todennäköistä että maahanmuuttajat muuttavat juuri tuttujensa luokse. Lisäksi segregaatio eli eri sosiaalisten ryhmien (muunkielisten) keskittyminen omille alueilleen näkynee tekemässäni kartassa.

 

Pohdintaa

Ruututeemakartalla on hyväksyttävää esittää absoluuttisia arvoja, koska kaikki ruudut ovat keskenään samankokoisia, tässä tapauksessa neliökilometrin kokoisia. Sen sijaan olisi vääryyttä esittää esimerkiksi kuntien välisiä eroja muunkielisten lukumäärässä absoluuttisina arvoina, koska kunnat ovat keskenään erikokoisia. Tekemässäni kartassa on ihan kannattavaa ja selkeää esittää lukumäärät absoluuttisina arvoina.

Ruututeemakartoissa aluejako perustuu tilastoruudukkoon, eivätkä ne ole minkään hallinnollisen aluejaon mukaisia, tosin kuin koropleettikartoissa. Kuten aikaisemmin sanoin, koropleettikartan arvoja ei tulisi esittää koskaan absoluuttisina arvoina, koska ne kuvaavat jotain ilmiötä laajemmalla alueella eli pinta-alaltaan suurelle alueelle sijoittuu enemmän muuttujia. Tämä vähentää erikokoisten kohteiden vertailukelpoisuutta, jos niitä yrittää esittää absoluuttisina arvoina. Tässä mielessä ruututeemakartan informaatioarvo on suurempi kuin koropleettikartan: ruututeemakartta kertoo alueen sisäisiä vaihteluita. Lisäksi koropleettikartassa pinta-alaltaan suuriin alueisiin kiinnittää enemmän huomiota ja ne vievät “visuaalisesti enemmän tilaa” pieniin alueisiin verrattuna. Kuitenkin, koropleettikartta on erinomainen karttatyyppi vaikkapa silloin, kun halutaan kuvata jotain ilmiötä suhteellisesti Euroopan maiden välillä.

Lähteet:

Ahokas, Liisa. Rasteria ja muuta kivvaa, 2021. <https://blogs.helsinki.fi/ahokliis/>. Luettu 15.2.2021.

Kolmannen kurssikerran ohjelmana oli oppia tekemään QGIS:ssä tietokantaliitoksia sekä ulkoisen tiedon liittämistä tietokantaan. Harjoittelimme toimintoja ensin yhdessä opettajan opastuksella Afrikkaan liittyvien aineistojen avulla, joiden aiheina olivat timanttikaivokset Afrikassa, internetin käyttäjien lukumäärä Afrikan maissa sekä öljykenttien ja konfliktien määrä. Saaduista tuloksista voi päätellä monenlaisia asioita.

Internetin käyttäjien lukumäärä kertoo valtion kehittyneisyydestä ja siitä, kuinka hyvin sen kansalaiset ovat yhteydessä ulkopuoliseen maailmaan.  Konfliktien määrä taas voi kertoa valtion sisäisestä vakaudesta ja sen suhteista naapurivaltioihin. Jos konflikteja on paljon ja ne ovat laajoja halkaisijaltaan, maata voidaan pitää melko epävakaana. Konfliktit saattavat johtua esimerkiksi luonnonvaroihin liittyvistä kysymyksistä tai yhteenotoista hallituksen ja kansalaisten välillä. Toisaalta myös esimerkiksi timantti- ja öljykentät voivat tuoda varallisuutta maihin, mikä voi vähentää konflikteja ja lisätä internetin käyttäjien lukumäärää. Tämä voi toisaalta myös päteä toisinpäin, sillä öljy aiheuttaa usein konflikteja ja  ulkopuoliset maat saattavat sekaantua konfliktiin, mikä lisää konflikteja entisestään.

Tulvaindeksi

Kurssikerran lopusta jäi aikaa omalle työskentelylle. Kerkesin aloittaa alla näkyvää koropleettikarttaa, jonka tein loppuun seuraavana päivänä. Vaikka alku tuntui hankalalta, enkä tiennyt mistä lähteä liikkeelle, sain kuitenkin aika nätin kartan aikaiseksi. Kartta (kuva 1) esittää tulvaindeksin eri valuma-alueilla ja valuma-alueiden järvisyysprosentin. Tulvaindeksi on saatu jakamalla keskiylivirtaama keskialivirtaamalla.

 

Järvisyysprosentin kartalla olisi voinut esittää käyttämällä myös pylväsdiagrammia. Yritin aluksi tehdä pylväsdiagrammin, mutta en löytänyt QGIS:stä mitään selkeää ja loogista asteikkoa, jolla esittäisin järvisyysprosentin kartalla. Sama ongelma oli myös Lotta Mattilalla blogissaan (2021). Ympyrädiagrammi oli siinä mielessä helpompi, sillä siinä erikokoiset pallot vastaavat eri prosenttiosuuksia. Valitsin kartalle sinisen sävyn samoin kuin Ville Väisänen oli tehnyt blogissaan (2021), sillä olen samoilla linjoilla hänen kanssaan siitä, että se on luonnollinen kuvaamaan veteen liittyviä muuttujia.

Nimensä mukaisesti kartta esittää tulvaindeksiä ja järvisyysprosenttia Suomen valuma-alueilla. Järvisyysprosentti tarkoittaa järvien prosentuaalista osuutta valuma-alueen pinta-alasta. Tulvaindeksi kertoo uoman virtaaman vaihtelua ja se ottaa huomioon sekä kuivimmat että sateisimmat kaudet. Kartasta huomaa, että tulvaindeksi on suurin Etelä-Suomen rannikkoalueella sekä Pohjanmaan rannikkoalueella. Tämä voi johtua siitä, että Suomen rannikkoalueilla sijaitsee paljon jokia, jotka laskevat mereen. Joet tulvivat herkästi erityisesti kevättalvella, mikä aiheuttaa suuren tulvaindeksin. Pienin tulvaindeksi on sisämaan ei-rannikkoalueilla. Toisaalta näillä alueilla järvisyys on suurinta. En keksinyt tälle syytä, mutta Lotta oli kirjottanut blogissaan onneksi tietämättömyydelleni vastauksen: “On loogista, ettei rannikolla ole yhtä paljon järviä, koska jokien vedet eivät kasaannu maaperässä oleviin painaumiin, vaan valuvat mereen.”. Tämä kuulostaa varsin oikealta vastaukselta.

Lähteet:

Kolmas kurssikerta, Lotta Mattilan blogi (2021). <https://blogs.helsinki.fi/lottmatt/> luettu 5.2.2021.

Väisänen, Ville (2021). Kurssiblogi <https://blogs.helsinki.fi/villvais/> . Luettu 7.2.2021.

<https://www.vesi.fi/sanasto/jarvisyysprosentti/>. Luettu 5.2.2021.

Toisella kurssikerralla kävimme läpi erilaisia projektioita ja koordinaattijärjestelmiä. Kurssikerta oli mielenkiintoinen ja opin jälleen kerran paljon asioita. Harjoittelimme muun muassa erilaisiin koordinaattijärjestelmiin pohjautuvien karttojen tekemistä ja vertailimme eri karttaprojektioiden mittakaavavääristymien prosentuaalisia eroja. Lisäksi kurssikerran alussa kokeilimme tuoda avoimia WFS-tietokantoja mm. Tilastokeskukselta.

Tein yhteensä kolme erilaista projektiovertailua. Ensimmäinen niistä tehtiin kurssikerralla eli Suomelle optimoidun ETRSTM35FIN -projektion sekä ehkä kaikkein tunnetuimman projektion, Mercatorin projektion vertailu. Kartta on tehty käyttämällä Mercatorin projektiota, joten siksi se saattaa näyttää hieman vääristyneeltä. Siis paino sanalla “hieman”.

 

Legendassa on selitetty eri väreillä suhdeluku, jossa Mercatorin projektiolla lasketut kuntien pinta-alat on jaettu ETRSTM35FIN-projektiolla lasketuilla kuntien pinta-aloilla. Luku kertoo, kuinka monta kertaa suurempia kuntien pinta-alat ovat Mercatorin projektiossa suhteessa TM35FIN -projektioon. Legendaa tutkiessa huomaa lukujen olevan hyvin suuria, eteläisemmässäkin Suomessa jopa nelinkertaisia. Lapissa taas projektio näyttää kunnat jopa seitsenkertaisina niiden todelliseen kokoon verrattuna. Tämä johtuu siitä, että Mercatorin projektiossa virhe kasvaa lähemmäksi napoja mentäessä, eli projektio vääristää napa-alueita kuvaten ne suurempina kuin ne todellisuudessa ovat.

Mercatorin projektion tuoma vääristymä on tekemistäni projektiovertailuista dramaattisin. Se korostaa sitä, että on hyvin tärkeää valita oikeanlainen projektio käyttötarkoituksen mukaan ja että vääränlaisella projektiolla voidaan jopa tarkoituksella vääristää tai suurennella asioita. Tämän vuoksi en käyttäisi Mercatorin projektiota kuvaamaan esimerkiksi Suomen kansallispuistojen pinta-alaa, sillä se esittäisi ne suurempina kuin ne todellisuudessa ovat. En käyttäisi projektiota oikeastaan kuvaamaan mitään ilmiötä, jota esitettäisiin Suomen kartalla vääristymän ollessa niin suuri.

Seuraavaksi vertailin ETRSTM-35FIN -projektion sekä Robinsonin karttaprojektiota toisiinsa.

Kartassa on esitetty eri väreillä suhdeluku, jossa Robinsonin projektiolla saatu pinta-ala on jaettu ETRS-TM35FIN-projektiolla saadun pinta-alan kanssa. Vertailusta huomaa, että lukuarvot eivät ole läheskään yhtä dramaattisella tavalla vääristyneitä kuin Mercatorin projektion kanssa. On kuitenkin huomattava, että tässäkin vertailussa lukuarvo kasvaa sitä suuremmaksi, mitä pohjoisemmaksi mennään, sillä Robinsonin projektiossa virhe kasvaa napoja kohti mentäessä. Robinsonin projektio on ns. “kompromissiprojektio”. Siinä mikään asia ei ole oikein eli se ei säilytä täysin oikein alueiden pinta-aloja, etäisyyksiä tai kulmia, mutta näin toimimalla virheet on yritetty saada mahdollisimman pieneksi. Tästä syystä Robinsonin projektiolla lasketut luvut ovat huomattavasti lähempänä todellisuutta kuin Mercatorilla lasketut.

Viimeisessä kartassa vertailen ETRSTM35FIN-projektion sekä Mollweiden projektion eroja. Mollweiden projektio on oikeapintainen projektio eli siinä eri alueiden pinta-alojen suhteet ovat oikeat, mutta kulmat ja alueiden muodot vääristyvät. Mollweiden projektio on muokattu lieriöprojektiosta ja sitä käytetään yleisesti esimerkiksi maailmankartoissa.

 

Tässä projektiossa legendassa on selitetty eri väreillä suhdeluku, jossa Mollweiden projektiolla lasketut kuntien pinta-alat on jaettu ETRSTM35FIN-projektiolla lasketuilla kuntien pinta-aloilla. Tässä kartassa on hyvin mielenkiintoista se, millä tavalla eri suhdeluvut asettuvat kartalle. Suomen länsipuolella Mollweiden projektio ei vääristä kuntia kovinkaan paljon, mutta kiinnitettäessä huomiota luokkajakoon, se on eri luokkien välillä vain noin 0,01. Projektion vääristämät kuntien pinta-alat eivät siis eroa juuri ollenkaan toisistaan, tosin kuin Mercatorin projektiossa. Tämän saman huomion oli tehnyt myös kurssitoverini Tapio Turpeinen (2021), joka oli tehnyt niin ikään samanlaisen vertailun. Hän sanoo tekemästään kartasta näin : “Tämä voisi olla oivallinen esimerkki huonosta kartasta; kartta on epäloogisuuden lisäksi todella epäinformatiivinen. Kartta antaa olettaa, että alimman ja korkeimman kategorian välillä on suuren suuri ero, vaikka todellisuudessa ero on huikeat 0,004 yksikköä.” Olen täysin samaa mieltä Tapion kanssa tästä asiasta, kartta ja sen luokkajako on huono. Hän, kuten en minäkään, ei oikeastaan keksinyt myöskään syytä sille, miksi luokkarajat eivät vaihdu selkeästi etelästä pohjoiseen niin kuin muissa tekemissäni kartoissa.

Käytetyt karttaprojektiot vaikuttavat voimakkaasti kartan ulkoasuun ja sen vuoksi onkin hyvä tarkastella karttoja kriittiseen sävyyn. Joillain karttaprojektioilla voidaan suurennella haluttuja alueita, mikä saa kuvatun ilmiön näyttämään suuremmalta kuin se todellisuudessa on. Sama pätee myös toisinpäin. Opin tällä kerralla myös sen, että vastedes kiinnitän huomiota erityisesti Suomen karttoihin: onko niissä käytetty Mercatorin projektiota vai ei. Tämä on kriittinen huomio vaikkapa Suomen koronakarttoja katsoessa. Lähdekriittisyys ja kartanlukutaito ovat tärkeitä asioita, joita tulisi korostaa nykyistä enemmän peruskoulun ja lukion maantiedon tunneilla. En muista, että ainakaan peruskoulussa tutkimme karttoja yhtään kriittiseen sävyyn.

QGIS -ohjelmiston kanssa painiminen tuntui tällä kertaa paljon helpommalta kuin viime kerralla. Käyttöjärjestelmä alkaa tulla jo melko tutuksi, kun vain tarpeeksi sen kanssa tekee töitä. Kartat ovat mielestäni jo visuaalisesti miellyttävämpiä verrattuna viime viikon räpellykseen. Lisäksi huomasin, että mitä enemmän tein kyseisiä karttaprojektiovertailuja, sitä helpommaksi se tuli. Viimeisen, Mollweiden karttaprojektiokartan tekeminen sujui kuin vettä vaan!

Lähteet:

<https://fi.wikipedia.org/wiki/Mollweiden_projektio>, luettu 31.1.2021.<https://fi.wikipedia.org/wiki/Robinsonin_projektio>, luettu 29.1.2021. Turpeinen, T. (2021). Kurssikerta 2: Projektioita ja Pohjois-Karjalaa. Luettu 1.2.2021. <https://blogs.helsinki.fi/tapiotur>

 

 

Harjoittelimme ensimmäisellä kurssikerralla QGIS -paikkatieto-ohjelmiston käyttöä. Ohjelmisto tuntui aluksi vaikealta käyttää, mutta pienellä harjoittelulla ohjelman käyttäminen “aukesi”. Tosin vaatii vielä paljon lisää harjoittelua, että tulen hyväksi kyseisen ohjelman käyttämisessä. Ohjelmassa on hyvin paljon erilaisia työkaluja, joista emme käyttäneet vielä lähellekään kaikkia.

Teimme harjoituksena QGIS -ohjelmistossa kartan, jossa näkyy eri maiden osuus Itämeren typpipäästöistä. Kartta siis kuvaa maita ja niiden osuutta Itämeren typpipäästöistä. Karttaa tutkiessa huomaa, että Puola on Itämeren alueen maista suurin typpisaastuttaja. Virolla taas ei ole typpipäästöjä juuri ollenkaan.

Uskon osaavani nyt ainakin alkeet QGIS -ohjelmiston käytöstä ja tehdä yksinkertaisia karttoja ohjelmiston avulla. Kuinkas sitten kävikään? Ks. seuraava harjoitus… Taidan tarvita vielä lisää opetusta karttahommien parissa.

Kotona tehtävänä harjoituksena oli tarkoitus yrittää tehdä teemakartta  vuoden 2015 kuntajaon pohjalta haluamillani muuttujilla. Tein harjoituksen kaksi kertaa. Ensimmäisellä yrittämällä keskiviikkona yritin tehdä harjoitusta monta kertaa erilaisilla muuttujilla, mutta tein ilmeisesti jotain väärin, sillä laskutoimituksen jälkeen mitään ei ilmestynyt karttaan. Yritin katsoa ohjeista, mutta siellä ei näkynyt mitään, mitä olisin tehnyt väärin ja ohjeet oli muutenkin tehty kurssikerralla tehdylle teemakarttaharjoitukselle. Turhauduin ja ajattelin, ettei ohjelman käytöstä tule mitään. En osaa mitään.

Toisella kertaa yritin kyseisen harjoituksen tekemistä sunnuntaina. Mikäs olisikaan sen kivempaa tekemistä laiskana sunnuntaina kuin QGIS -ohjelman kanssa temppuilu? Ja tällä kertaa kartan tekeminen jopa onnistui ihan hyvin. Muutamia kommervenkkejä en kuitenkaan saanut korjattua vaikka yritin seurata videota orjallisesti.

Noh, ensimmäisenä on huomattava legenda. En jostain syystä saanut ollenkaan valikkoa “item properties” näkyviin, josta legendan karttaselitteitä voi muuttaa. Toiseksi on huomattava se, että ruotsikielisten määrä näkyy jostain syystä desimaalilukuna eikä prosenttilukuna. Mikähän tässäkin oli pielessä? Yleisilmeeltään kartta on kuitenkin melko selkeä ja helppolukuinen.

Kartasta huomaa melko nopeasti, että ruotsinkieliset ovat keskittyneet Pohjanmaan rannikoiden kuntiin sekä Etelä-Suomeen. Tämä johtuu muun muassa siitä, että Pohjanmaalla asuu paljon suomenruotsalaisia esim. historiallisista syistä. Legendan info on puutteellista, sillä en tiennyt onko ruotsin kielen puhujat suhteutettu kymmeniin, satoihin vai tuhansiin kuntien asukkaisiin. Lisäksi luokkajako on kartassa hieman jännä. Suurin osa kartasta on valkoista eli siellä asuu 0-0,14% ruotsinkielisiä. Luokkajako on siis hieman epätasainen, eivätkö tasaisemmat luokkavälit olisi paljon selkeämmät? Luokkajaoista ja niiden merkityksellisyydestä tietämätön lukija, joka ei tuntisi aineistoa, josta teemakartta on tehty, pitäisi varmasti karttaesitykseni kartografista tasoa melko normaalina ja saisi kartasta nopeasti tiedon, missä kunnissa asuu suhteessa eniten ruotsinkielisiä.

Kurssitoverini Lappalainen (2021) on tehnyt vastaavanlaisen kartan, mutta ruotsinkielisten sijaan kartalla ovat esitettyinä saamenkieliset. Hän on saanut kartan legendan hieman paremman näköiseksi, mutta kuten omassanikin kartassa, hänen kartassaan hämmennystä herättävät kielen puhujamäärien epäselvä suhteuttaminen sekä jännä luokkajako.

Ensimmäisen kurssikerran harjoituksesta jäi sekä turhautunut että helpottunut olo. Turhautunut siksi, että ensimmäisellä yrittämällä QGIS:llä kartan tekeminen ei onnistunut ja ajattelin luovuttaa. Kuitenkin toisella yrittämällä kartan tekeminen onnistui ja sen jälkeen helpotus oli päällimmäisenä tunteena. Osaanhan minä kuitenkin jotain! Kuitenkin tarvitsen vielä paljon harjoitusta ohjelman käytössä, mutta odotan kuitenkin innolla mitä tulevat kurssikerrat tuovat tullessaan.

Lähteet:

Helmi Lappalainen (2021), <https://blogs.helsinki.fi/laphelmi/>