Month: February 2024

Kolmas luento alkoi tavallista reippaammin; ehkä siksi, että lakon takia “jouduin” kävellä kouluun. Aloitimme luennon Afrikasta. Tehtävänä oli saada samaan karttaan tietoja timanttikaivoksista, konflikteista sekä öljykentistä. Tietokannassa oli jo lähtökohtaisesti tietoa esimerkiksi internetin käyttäjien määrästä eri maissa eri vuosina. Tällaiset tietokannat, joihin on tallennettu monipuolisesti tietoa, mahdollistavat erilaisten muuttujien välisen korrelaation tarkastelun kartalla.

Kartta esittää konfliktipaikkojen, timanttikaivosten ja öljykenttien sijainnit Afrikan mantereella. 

Saharan eteläpuolisessa Afrikassa timanttikaivokset ovat monien konfliktien taustalla (Kotsadam ym., 2017). Timanttikaivosten voisi naiivisti ajatella tuovan asukkaille työpaikkoja ja maille vaurautta, mutta kaivosteollisuus on yhdistetty esimerkiksi parisuhdeväkivaltaan (Kotsadam ym., 2017). 

Tietenkään kaikki konfliktit eivät ole suoraan timanttikaivosten aiheuttamia. Esimerkiksi Etelä-Sudanin sisällisodassa 2013 oli kyse ensisijaisesti hallituksen syrjäyttämisestä (Breidlid & Arensen, 2014). Hallitusta vastaan taisteli esimerkiksi niin kutsuttu Nuerin maalaisiyhteisöä edustava valkoinen armeija. Toki timanttikaivokset ja niiden verotus on hallituksen hallinnassa ja siten Sudaninkin ongelmat kytkeytyvät osittain timanttikaivoksiin, mutta niitä edeltää pitkä ja monimutkainen historia (Breidlis & Arensen, 2014). On tärkeää muistaa korrelaation ja kausaliteetin ero, eikä vain suoraan päätellä kahden kartalla vierekkäin esiintyvät pisteen olevan automaattisesti toinen toisen suoraan aiheuttama.

Blogitehtävä

Tämän kerran varsinaisena blogitehtävänä oli tuottaa kartta, jossa näkyy Suomen valuma-alueiden tulvaindeksit koropleettinä ja samalla järvisyysprosentti kaaviona. Tämä ei ollut QGIS:in puolesta erityisen haastavaa, mutta itse en ainakaan saanut kartasta selkeää ja nopealla vilkaisulla tulkittavaa. Samasta ongelmasta valittaa blogissaan myös Jero, joka on tyytyväisempi karttaan ilman kymmeniä pieniä diagrammeja (Hoberg, 2024),

Yllä valuma-alueiden tulvaindeksikartta ilman muita tietoja. Kartta on mielestäni miellyttävä, sen värimaailma on rauhallinen ja tulvaindeksi erottuu selkeästi värien mukaan.

Tässä kartassa on kaikki: valuma-alueiden tulvaindeksit, järvisyys ja maaosuus, joet ja järvet. Tämä on minusta jo todella vaikeasti tulkittava, eikä tulvaindeksien värimaailmaa edes näy kaavioiden alta. Lena on tehnyt diagrammeista hyvin pienet: tämä tekniikka auttaa tulvaindeksin tulkinnassa, mutta tietysti vaikeuttaa järvisyysprosentin näkemistä (Hellsten, 2024).

Tämä kartta on hieman äskeistä selkeämpi, mutta ei silti mielestäni hyvä: tässä ei ole tulvaindeksiä selittäviä järviä ja jokia. Toki järvisyysprosentti kertoo jo paljon. Länsi- ja etelärannikoilla järvisyysprosentti on hyvin pieni, ja siellä tulvaindeksit ovat suurimpia. Tästä voisi ehkä tulkita jonkin sortin korrelaation ja ehkäpä jopa uskaltaisi arvailla kausaliteettiä. Järvet pystyvät ottamaan “vastaan” suuren määrän ylimääräisestä vedestä, eikä tulvinta ole siksi järvisemmillä alueilla niin valtaisaa?

En käyttäisi kahdesta viimeisestä kartasta kyllä kumpaakaan tällaisenaan. Kaaviot peittävät värit, niitä on liikaa. No, tässä ainakin oppi sen, millainen kartta ei ole hyvä.

Lähteet:

Breidlid, I., & Arensen, M., (2014). “Anyone who can carry a gun can go”, The role of the White Army in the current conflict in South Sudan. Prio 1-12.

Hellsten, L., Kurssikerta 3, 2.2.2024.Viitattu 22.2.2024. https://blogs.helsinki.fi/hellslen/

Hoberg, J., Kolmas kurssikerta, 6.2.2024.Viitattu 9.2.2024. https://blogs.helsinki.fi/hoberg/

Kotsadam, Andreas & østby, Gudrun & Rustad, Siri. (2017). Structural change and wife abuse: A disaggregated study of mineral mining and domestic violence in sub-Saharan Africa, 1999–2013. Political Geography. 56. 53-65. 10.1016/j.polgeo.2016.11.004. 

Tällä kertaa tutkailimme projektioita ja niiden eroja, sekä tarkastelimme valintatyökaluja. Yksittäisten kuntien tarkastelu sekä kuntien valitseminen ominaisuuksien perusteella oli mielenkiintoista ja laajensi taas työkalupakkiani GIS-menetelmien osaajana.

Tehtävä 1 Mittauksia ja valintoja

Tehtävän tarkoituksena oli oppia projektioista: ensin muistutimme itseämme siitä, ettei mikään projektio ole täydellinen. Ne ovat lähtökohtaisesti vääristäviä.

Testailimme sitä, kuinka paljon projektion ja koordinaattijärjestelmän valinta vaikuttaa pinta-alaan ja pituuksiin. Testailin erilaisia projektio-koordinaattijärjestelmiä – valitsin niitä ensisijaisesti nimen hauskuuden perusteella – ja koostin niistä Excel-taulukon. Erityisen hauskaa oli, kun Excel kaatui. No, kyllä se siitä.

Kaksi alinta riviä näyttävät prosentteina pinta-alojen ja pituuden verrattuna tuttuun, turvalliseen ja pinta-alan projisoimisessa luotettavaan TM35FIN-projektioon. 

Robinson-projektio vääristää pituuksia ja pinta-aloja Suomen alueella jonkin verran: pituutta 1,72-kertaiseksi ja pinta-alaa 1,40-kertaiseksi. Robinson-projektio onkin kompromissiprojektio, eli se yrittää visualisoida vääristäen molempia ominaisuuksia vähäsen: pinta-alaa sekä suuntia.

Huomattavin luku taulukossa on Mercatorin pinta-alan vääristys: Mercatorissa pinta-ala on 8,17-kertainen verrattuna TM35FINiin. Otin ihan läpällä kokeiluun myös The World from Space -projektion ja brittiläisen paikallisen projektion, joista ensimmäisestä en löytänyt kauheasti tietoa netistä. Brittiläinen paikallisprojektio taas loogisesti vääristä Suomea vain vähän.

Tehtävä 2

Aika esittää koordinaattijärjestelmien vääristämiä pinta-aloja kartan muodossa. Heti alkuun täytyy sanoa, että tämä tehtävä oli viedä minulta järjen, ja tallennettu Zoom-luento sekä muiden opiskelijoiden blogin auttoivat minua säilyttämään edes pienen osan siitä. Tähän joku hyvä viittaus blogin nimeen ja kuvaukseen.

Seuraavaksi muutama välivaihe, joita en osaa sen kummemmin selittää, koska en tiedä mitä tein väärin:

Tämän piti visualisoida Mercatorin aiheuttamaa vääristymää, mutta kun tallensin väliaikaisen tason kohdasta Make Permanent, kävi näin (????)

Tässä kohtaa suurin osa Suomesta hävisi (?????????????)

Jossakin vaiheessa kävi näinkin.

Mutta sitten! Tässä näkyy Mercatorin aiheuttama pinta-alan vääristys Suomen kuntien alueella verrattuna TM35FIN-projektioon, joka projisoi Suomen pinta-alan oikein. Tämän kartan visualisoinnissa toimin samalla tavalla kuin Stella Rinta-Jouppi (2024), joskin hänen luokittelunsa on parempi kuin minun, ja luokat ovat tasaisemmin välein, jollin pohjoisen vääristymä ei korostu niin paljoa. Toki pohjoinen onkin eniten vääristynyt, mutta kuitenkin. Itse olin vain ihan valmis luovuttamaan tässä kohtaa, ja hyväksyin QGIS:in ehdottamat luokat. 

Tässä kokeilin neutraalimpaa värimaailmaa, koska erot ovat toisiinsa verrattuna hyvin pienet, enkä halunnut että värit hyppäisivät silmille, sillä mitään kovin suuria vääristyksiä ei ole kyseessä. Tässä on sama ongelma kuin edellisissä: luokkia pitäisi olla enemmän, tai luokat voisi laittaa uusiksi niin, ettei Pohjois-Suomi olisi vain yksi iso luokka. Näissä on kaikissa luokissa yhtä monta kuntaa, ja pohjoisessa on toki suurempia kuntia ja niinpä paljon suurempi pinta-ala.

Kun olin tehnyt pikaisesti nuo kartat pois alta (koska tässä kohtaa toimin viimeisen järjen rippeeni voimin), tein jostain syystä kuitenkin lisätehtävän. 

 

 

 

 

 

 

Ylhäällä vasemmalla: Suomen kuntien väestöntiheys Mercator-projektion pinta-alojen mukaan. Oikealla: Suomen kuntien väestöntiheys TM35FIN (ESPG:3067)-projektion pinta-alojen mukaan. Lähde: Kunnat 2020.

Kartat havainnollistavat hyvin, kuinka Mercator-kartassa asukastiheitä kuntia ei ole juuri lainkaan, tietysti siksi, että Mercator suurentaa kuntien pinta-aloja ylikorostetusti. Oikealla taas näemme, että kyllä Suomessa todellisuudessa on joitakin tiheähkösti (yli 500 asukasta/neliökilometri) asuttuja kuntia. 🙂

Näitä karttoja tehdessäni inspiroiduin Jeron blogista (Hoberg, 2024). Jero oli käyttänyt väestöntiheyttä kuvaamaan sinistä väriä, joka oli valintani mielestäni mielenkiintoinen – ei siis missään nimessä huono. Kuitenkin Google-kuvahakua selatessani huomasin monessa kartassa väestöntiheyttä visualisoitavan punaisella värillä, minkä tavallaan ymmärrän esimerkiksi suurissa miljoonakaupungeissa, mutta Suomen kunnissa se ei välttämättä ole paras valinta. Punainen on varoitusväri, eikä esimerkiksi Helsingissä ole vielä “vaarallisen” paljoa ihmisiä. Päädyin siis liilaan, punaisen ja sinisen välimuotoon.

Koen oppineeni tällä kurssikerralla paljon, mutta paljon on vielä opittavaakin. Ensi kerraksi asetan itselleni kaksi haastetta:

1. postata ajoissa
2. tehdä kartat niin hyvin, ettei blogissa tarvitse myöhemmin selittää, mitä tekisin toisin, ja lupailla, että muokkaan karttoja uusiksi kun ehdin

Ensi kertaan!

Lähteet:

Hoberg, J., Toinen kurssikerta, 30.12.2024.Viitattu 8.2.2024. https://blogs.helsinki.fi/hoberg/

Rinta-Jouppi, S., 26.1.2024. Viikko 2: Projektioita ja niiden vääristymiä, 4.2.2024. Viitattu 8.2.2024 https://blogs.helsinki.fi/ristella/

Ensimmäinen tehtävä

Ensimmäisellä luennolla perehdyimme QGIS:n käyttämiseen. Sovellus on minulle tuttu ennestään, mutta olen kyllä ehtinyt puolessa vuodessa unohtaa paljon. Oli hyvä, että tunti eteni rauhallisesti.

Teimme tunnilla kartan typen suhteellisista päästöistä maittain. Kartassa käytimme HELCOMin dataa, joka oli kerätty valmiiksi kansioon, ja sen käyttö olikin vallan helppoa. Seurasin aika tiiviisti opettajan ohjeita kohta kohdalta, enkä koe tarpeelliseksi tässä selitellä jokaista kohtaa. Värimaailman intensiteettiä muokkasin tosin hieman. Mielestäni meren tulee olla tummempi kuin järvien, koska meret ovat yleensä järviä syvempiä.

Päätin aluksi hiukan hullutellakin, ja opettajan laittaessa maa-alueiden reunat sinisiksi, laitoin ne itse vihreiksi, kuten maa-alueetkin. Kun kartasta tehtiin punainen koropleettikartta, näyttivät vihreät reunat kamalalta. Poistaakseni reunat jouduin poistamaan gradientin ja lisäämään kaikki luokat alusta, koska en osannut muutakaan. No, ensi kerralla tiedän.

Kartasta puuttuu mielestäni oleellinen tieto, vuosiluku, mutta muuten kartasta tuli mielestäni informatiivinen ja selkeä tulkita 🙂

Ensimmäinen kartta: typen väkilukuun suhteutetut päästöt Itämerta ympäröivissä maissa

Toinen tehtävä

Toisena tehtävänä päätin tehdä vaihtoehdoista helpoimman näin alkuun. Saatan lopulta kokeilla vaikeampaakin tasoa. Selailin vähän muuttujia: väkiluku, ikäjakauma, ruotsinkielisten osuus, ulkomaan kansalaisten osuus. Kokeilin vähän erilaisia karttoja, ja aloin miettiä, mitä ne oikeasti kertovat. Kuinka mielenkiintoinen on koropleettikartta pelkästään asukasluvuista? Päädyin tekemään koropleettikartan ruotsinkielisten osuuksista, sillä se kiinnosti minua, ja oletin siitä tulevan visuaalisesti miellyttävä, kun siirtyessä lounaasta koilliseen päin kartta vaalenisi väriltään.

Päädyin siniseen väriin, koska sitä on sekä Suomen että Ruotsin lipussa. Pohdin keltaisen ja sinisen välillä, mutta keltaisessa sävyerot näkyvät huonommin. Tässä värillä ei nyt ole niin paljoa välillä, kun kyseessä on kieli, mutten halunnut valita esimerkiksi punaista, joka on yleisesti käytetty varoitusväri, enkä vihreää, joka taas on luonnollinen väri tai salliva väri. Sininen on sopivan neutraali: se ei tarkoita hyvää eikä pahaa. Kun selailin muiden blogeja, huomasin, että Ada Willför oli päätynyt samaan ratkaisuun. Myös Aili Mikola (2024) oli käyttänyt sinistä väriä kartassaan, vaikka kartta visualisoikin eri asiaa; perustelut sinisen värin käyttöön olivat kuitenkin samat kuin itselläni. Sininen tuntuu olevan hyvä väri neutraalin asian visualisointiin.

Toinen kartta: ruotsinkielisten osuus kuntien väestöstä vuonna 2021

Halusin, että kartassa näkyisivät myös pienemmän erot, koska suurimmassa osassa kunnissa asukkaista alle 1% on ruotsinkielisiä. Halusin, että kunnat, joissa prosentti on alle 0,1 eroaa kunnista, joissa prosentti on 0,1–0,5 ja edelleen kunnista, joissa prosentti on 0,5–1. Päädyin ratkaisuun, koska kartta on näin informatiivinen ja näyttää pienetkin erot ruotsinkielisten osuuden välillä, muttei kuitenkaan ylikorosta niitä.

Mielestäni kartta onnistui hyvin, mutta jäin kuitenkin miettimään, saattaako se hämätä katsojaa, että pienille prosenteille on monta omaa luokkaansa. En tiedä, saatan vielä muokata karttaa ja tekstiä, kun opin lisää. Toki legenda vieressä selittää luokat.

Laitan tähän vielä kartat, joissa intervallit teki QGIS valmiiksi painikkeilla Equal Interval ja Equal Count, ja kerron, miksen käyttänyt niitä.

Equal Interval. Luokka vaihtuu aina 13% välein. Tämä toki korostaa hyvin sitä, että lähes kaikissa Suomen kunnissa ruotsinkielisten osuus on vähäinen, mutta koska suurin osa datasta kuuluu alueelle 0-13%, tässä ei lainkaan näy pienempiä eroja, ja kartan informaatio on vähäistä. Equal Interval sopisi paremmin dataan, jossa havainnot jakautuvat tasaisesti eri luokkiin.

 

 

Equal Count: jakaa datan luokkiin, joissa jokaisessa on yhtä monta kuntaa. Viimeisessä luokassa ovat kaikki yli 5,6% ruotsinkielisiä sisältävät kunnat: mielestäni tämä skaala on liian suuri. Lisäksi esimerkiksi toinen luokka on 0,1–0,1, joka on hieman kyseenalainen: tämä luokittelu tarvitsisi enemmän desimaaleja. Lisäksi katsoja saattaa karttaa vilkaistessa ajatella, että pohjoisessakin on suuria prosentteja ruotsinkielisiä, vaikka prosentteja katsoessa kunnissa on väliltä 0,2-5,6% ruotsinkielisiä.

Tässäpä tämä: kuvatekstit kertovat enemmän, miksi päädyin näiden kahden kartan välimuotoon, johon laitoin luokat itse.

Minua alkoi muuten heti kiinnostaa esimerkiksi kuntien keskimääräiset tuloluokat tai vaikkapa onnellisuus ja niiden yhteys ruotsinkielisten määrään. Miten tekisin kartan, jossa nämä kaksi asiaa näkyvät yhtä aikaa. Kenties väri viittaisi ruotsinkielisyyteen ja jokin teksti päällä muuhun muuttujaan. Tai toisinpäin.

Lähteet:

Mikola, A., Aidin GIS-luola, GIS-luolan ovet avautuivat, 22.1.2024. Viitattu 1.2.2024. https://blogs.helsinki.fi/maili/

Willför, A., Adawilff’s blog, 26.1.2024. Viitattu 1.2.2024 https://blogs.helsinki.fi/adawillf/