Month: March 2024

On aika tehdä kartta omavalintaisesta teemasta

Mietiskelin, millaisen kartan haluaisin tehdä, ja päädyin sellaiseen, jossa yhdistäisin kaksi eri muuttujaa samalle kartalle, ja vaihtaisin aina toista muuttujaa nähdäkseni, minkä muuttujien välillä olisi nähtävissä korrelaatiota kartalla.

Katselin muiden viimeisiä töitä, ja tällaisia kahden muuttujan esityksiä oli paljon (olihan se yksi ohjeen vaihtoehdoistakin). Tämän tyylisen kartan on tehnyt esimerkiksi Ella (Yli-Soini, 2024), joka on visualisoinut itsemurhat ja alkoholinkäytön samalla maailmankartalla ja Veera (Ala-Heikkilä, 2024), jolla taas on maailmankartalla energiankulutus ja -lähteet. Molemmat karttaesitykset ovat hienoja.

Itse valitsin alueeksi Afrikan kahdesta syystä:

1. En ole ennen tätä kurssia tehnyt Afrikan mantereesta teemakarttoja
2. Afrikka-shapefile ei tuottanut aiemminkaan ongelmia, joten säästyisin niiltä kenties nytkin

Lähdin hakemaan ulkopuolista dataa hakusanoilla “dataset africa” ja löysin mukavan sivun, jossa on csv-muodossa ladattavaa dataa yleisistä muuttujista: bruttokansantuote, elinajanodote, asukastiheys, mediaani-ikä, jne (https://ai4pep.org/africa-in-data/). Tiedot ovat vuodelta 2019, jonka koen tähän tarkoitukseen tarpeeksi tuoreeksi.

Kohtasin pari ongelmaa datan tuomisessa: mailla ei ollut mitään koodeja, joilla ne voitaisiin varmasti joinata oikein taustakarttaan. Muokkasin muutaman maan nimen (Ivory coast -> Cote d’Ivoire, Republic of Tanzania -> Tanzania, eSwatini -> Swaziland, jne): näin sain kaikki maat, joista löytyi dataa, yhdistettyä oikein. Kun olin alkamassa visualisoimaan tuomaani tietoa, ei sitä löytynytkään listasta. No, tämä johtui siitä, että sarakkeet olivat tekstimuotoisia, eivätkä numeerista tietoa. Sain tämänkin ongelman korjattua ja pääsin pohtimaan sitä, miten visualisoisin kaksi muuttujaa kerralla karttaan.

En erityisesti halunnut tehdä kaavioita, sillä vaikka osaisinkin, monien pienien ja toisiaan lähellä olevien maiden kohdalla kaaviot ovat epäselviä. Päätinkin laittaa kartalle yhden tiedon värigradienttina ja toisen tekstinä (label). Päätin, että tekstinä olevan tiedon tulisi olla muuttujista se, joka on helpoiten ymmärrettävä sellaisenaan. Esimerkiksi, jos bruttokansantuotteet vilisisivät numeroina kartalla, voisi se olla hankala tulkita. Koinkin, että elinajanodote on sellainen muuttuja, jonka sisäistää nopealla vilkaisulla. Sitten aloin lisäämään erilaisia muuttujia koropleettina samaan karttaan elinajanodotteen kanssa.

Ensimmäisessä  kartassa (alla) on bruttokansantuote ja elinajanodote Päätin kuvata bruttokansantuotetta vihreällä, ns. kasvun värillä.  Korrelaatio muuttujien välillä on aika selkeästi nähtävissä: korkean BKT:n maissa eletään pidempään. Poikkeuksiakin toki on, ja lisäksi on hyvä muistaa, ettei korrelaatio tarkoita kausaatiota: pidempään eläminen ei yksiselitteisesti johdu korkeammasta bruttokansantuotteesta eikä toisinpäin, tai ainakaan sitä ei voi päätellä tästä kartasta.

Toisessa kartassa on gini-kerroin ja elinajanodote. Gini-indeksillä esitetään tuloeroja, ja se merkitään prosenttina. Maksimiarvo 100% tarkoittaisi, että kaikki tulot ovat yhdellä henkilöllä ja 0% sitä, että ne olisivat jakautuneet kaikille tasan (tilastokeskus). Valitsin väriksi tummenevan punaisen, koska tuloerot ovat näin mutkat suoriksi vetäen negatiivinen asia.

Monesta maasta ei ollut saatavilla Gini-kerrointa, mutta onneksi reilusta enemmistöstä oli. Tässä ei mielestäni korrelaatio ole yhtä selkeä kuin bruttokansantuotteessa. Toki pohjoisen Afrikan maat erottuvat edukseen pienimmällä tuloerolla ja korkeimmalla elinajanodotteella. Rotuerottelusta tunnettu Etelä-Afrikka ei yllätä korkeimmalla Gini-indeksillään: se on kuitenkin teollistuneemmasta päästä Afrikkaa, ja varmaan osittain siksi siellä elinajanodotekaan ei ole alhaisimpia.

Kolmannessa on asukastiheys ja elinajanodote. Asukastiheyden ja elinajanodotteen välillä ei ole nähtävissä selkeää korrelaatiota: sekä harvaan asutuissa että tiheään asutuissa maissa on erittäin alhaisia (53-55) elinajanodotteita. Valitsin tähänkin punaisen, mutta tässä olisi voinut käyttää jotain muutakin väriä. Asukastiheys ei sinänsä ole mikään negatiivinen muuttuja, vaikka toki siinäkin on ongelmansa. Afrikka tosin ei ole mikään asukastiheyden varoittava manner, vaan tiheydet ovat monissa Euroopan ja Aasian maissa paljon suurempia.

Täytyy sanoa tästä sivustosta, josta datan sain, sen verran negatiivista, että heidän tekemänsä elinajanodote-koropleettikartta ei ole kovin hyvä (kuva alla). Mitä pidempi elinajanodote, sitä punaisempi väri – erittäin epäintuitiivista, onhan pitkä elinajaodote hyvä asia. Lisäksi legendassa on luokat 0 ja 0-53, joista kummassakaan ei ole yhtäkään maata. Huomasinkin siis ilokseni, että olen oppinut tarkastelemaan karttoja kriittisesti! 

Sen sijaan monia hienoja karttoja oli monilla tällä omatoimisella kerralla. Samuli oli valinnut mielestäni ihanan aiheen (Haimi, 2024). Vaikka Samuli olikin itse pettynyt omiin visalisointeihinsa, minusta ne ovat tosi hienoja! On muutenkin kunnioitettavaa, että Samuli on valinnut kokeilla kaikenlaisia työkaluja, joissa ei ole vielä mestari.

Julia oli myös valinnut hauskan aiheen, jos näin saa sanoa: haihyökkäykset (Olenius, 2024). Mielestäni oli hyvin valittu, että kartassa näkyy kaikki haihyökkäykset yli 200 vuoden ajalta: muuten pisteitä olisi hyvin vähän. Toinenkin kartta, jossa on hailajit eriteltynä, on hyvä.

Tämä kurssi on ollut todella opettavainen ja palkitseva, ja suhtautumiseni karttojen tekemiseen on muuttunut positiivisemmaksi sitä mukaa, kun olen oppinut käyttämään yhä uusia työkaluja ja onnistunut suurimmassa osassa kartoistani. Blogin pitäminen ei ole itselleni tuttua, mutta alkukankeuden jälkeen sekin alkoi luonnistua. Kiitos siis kurssista!

Lähteet:

Ala-Heikkilä, V., Viikko 7: Oma karttaprojekti, 29.2.2024, viitattu 19.3.2024, https://blogs.helsinki.fi/veeraala/

Haimi, S., Kurssikerta 7: Omat aineistot ja uusien työkalujen omaehtoista opiskelua, 3.3.2024, viitattu 19.3.2024, https://blogs.helsinki.fi/sadhaimi/

Olenius, J., Haihyökkäyksiä (7. kurssikerta), 1.3.2024, viitattu 19.3.2024, https://blogs.helsinki.fi/jolenius/

Yli-Soini, E., Seitsemäs kurssikerta, 16.3.2024, viitattu 19.3.2024, https://blogs.helsinki.fi/ylisoini/

https://ai4pep.org/africa-in-data/ (jossa lähteenä: ZM Nia, JD Kong, Africa in Data (2023) https://acadic.org/hiv-in-africa/, World Health Organization (2023) https://www.who.int)

Tilastokeskus, viitattu 19.3.2024, https://www.stat.fi/meta/kas/gini_kerroin_en.html

 

Keräilyä

Tällä tunnilla opettelimme Epicollect5-sovelluksen käyttöä. Ulkoilu olikin virkistävää. Saimme ryhmämme kanssa oikein kivan näköisen aineiston aikaiseksi. Aineiston visualisointi oli helppoa – tosin minulla oli kyllä jokin kumma projektio ensin käytössä, mutta sain onneksi ongelman selvitettyä. Interpolointi näyttää mielestäni hienolta, mutten vaivautunut tekemään siitä varsinaista karttaa karttaikkunassa. Alla kuitenkin kuva välivaiheesta.

Kurssikerran tehtävä: hasardit ja niiden alueellinen esiintyminen.

Ensin tein kartan, jossa näkyvät kaikki vuoden 1964 jälkeen purkautuneet tulivuoret kolmiomaisina oransseina pisteinä:

Sitten tein “heatmapin” yli seitsemän magnitudin maanjäristyksistä. Päädyin heatmapiin, koska yksittäiset pisteet menivät niin paljon päällekkäin, että mielestäni ei ollut tarpeellista näyttää maanjäristyksiä pisteinä, vaan heatmap näyttää hyvin alueet, joilla maanjäristyksiä on paljon. Mietin myös jo etukäteen, miltä tulivuoret ja maanjäristykset näyttävät samassa kartassa. Valitsin yli 7 magnitudin maanjäristykset ihan vain siksi, että niitä on kartalla paljon, muttei niin paljon, että kartta olisi epäselvä. Tässä “heatmapissa” ei värin tummuus kerro määrästä, vaan alueen laajuus, mutta se kuitenkin visualisoi ihan hyvin alueita, missä maanjäristyksiä on paljon.

Sitten yhdistin kartat, jotta tulivuoret ja maanjäristykset näkyvät samalla alueella, ja lopputuloksesta tuli mielestäni hyvä. Mittakaava lienee tarpeeton maailmankartassa, enkä edes saanut sitä siihen. Heatmap ja kolmiot ovat tarpeeksi erilaisia, jotta värien ei tarvitse olla kovin kaukana toisistaan – mielestäni punertavat värit kuvaavat hyvin hasardeja. Saman tyyliseen ratkaisuun päätyi esimerkiksi Veera (Matikainen, 2024).

Katselin tälle luentokerralle paljon muiden tekemiä karttoja (selasin itseasiassa jokaisen blogin läpi), ja nyt täytyy antaa muutamalle iso shoutout. Muiden muassa Heikki ja Miska ovat liittäneet karttaansa litosfäärilaattojen rajat, ja kartta näyttää hienosti maanjäristysten tapahtuvan enimmäkseen raja-alueilla (Säntti, 2024; Pihlajaniemi, 2024).Tiia on tehnyt hienon kartan tsunameista (Tukiainen, 2024). Mielestäni Tiian kartassa on mielenkiintoista ja hyvin keksittyä, että maa-alueet ovat harmaita ja vesialueet valkoisia. Näin tsunamit eri punaisen ja keltaisen väreineen erottuvat hyvin!

Käyttäminen opetuksessa

Mielestäni etenkin viimeinen kartta sopii opetukseen hyvin: siinä näkyy maanjäristysten ja tulivuortenpurkausten yhteys. Mielestäni siihen sopisi kyllä vielä litosfäärilaattojen rajat, jotta myös näitä luonnonilmiöitä selittävä tekijä näkyisi kartassa. Kartassa voisi kyllä nostaa esiin kohdat, joissa on yksittäisiä tulivuoria tai maanjäristyksiä, ja etsiä niille selityksiä.

Koska kartassa ei näy litosfäärilaattoja, voisin opetuksessa ensin kannustaa pohdiskelemaan, miksi nämä kaksi hasardia esiintyvät samalla alueella, ja pohdiskelun päätteeksi näyttää kartan litosfäärirajoineen.

Kuva: http://science8sc.weebly.com/patterns-of-volcanoes.html

Lähteet:

Matikainen, V., Kuudes kurssikerta, 21.2.2024, viitattu 8.3.2024, https://blogs.helsinki.fi/veematik/

Pihlajaniemi, M., Kuudes luento, 23.2.2024, viitattu 8.3.2024, https://blogs.helsinki.fi/pmiska/

Säntti, H., Kuudes kurssikerta, 20.2.2024, viitattu 8.3.2024, https://blogs.helsinki.fi/hksantti/

Tukiainen, T., Viikko 6: Maaston tutkimista ja maanjäristyksiä, 21.2.2024, viitattu 8.3.2024, https://blogs.helsinki.fi/tii-tuki/

 

Puskurointia

Tällä kurssikerralla painotus oli asioiden pohtimisessa karttojen tuottamisen sijaan. Puskuritehtävät olivat helpohkoja, ja niiden tekeminen oli mukavaa. 

Puskurivyöhykkeitä voi käyttää moneen. Sillä voisi tutkia eismerkiksi luonnonsuojelualueen vaikutusta myös ympäröivään alueeseen, ja psukurivyöhykkeitä voidaan myös asettaa tällaisille alueille jotta voidaan varmistua, että suojelu on riittävää. 

Puskurivyöhykkeillä voidaan myös laskeskella, kuten esimerkeissä, ihmisten pääsyä tiettyjen palveluiden luokse. Mikäli suuri määrä ihmisiä on hyvin kaukana jostakin palvelusta, on hyvä miettiä uusia ratkaisuja. Näissä tilanteissa on varmasti hankala päättää puskurivyöhykkeen laajuutta. Monesti poikkitieteellinen tulokulma voi olla ihan hyvä: vaikka maantieteilijä osaakin ehkä tehdä kartan, tarvitaan myös paljon taustatietoa ihmisten palveluiden tarpeesta. 

Tehtävä 4: uima-altaat ja saunat pääkaupunkiseudulla

uima-altaallisia rakennuksia	855
joista omakotitaloja	345
… paritaloja	158
… kerrostaloja	113
… rivitaloja	181
asukkaiden määrä uima-altaallisissa rakennuksissa	12170
saunojen määrä	21922
saunoja (%)	24

Joitakin kohtia piti hetki miettiä, ja laskin asukkaiden määrän lopulta valitsemalla Select by value -työkalulla kaikki asunnot, joissa on >0 uima-allasta. Sitten katsoin Statistics-työkalun avulla asukkaiden määrän kun olin valinnut “Selected features only”. Tämmöisen reitin keksin; varmasti muitakin tapoja on. Samalla tavalla tein myös omakotitalot ja muut.

Kartan tekemisen pitäisi joinata uima-altaat niin, että niiden yhteismäärä näkyisi per osa-alue. Osaan kyllä laskea tämän, josta todisteena alla suuralueilla sijaitsevat uima-altaat.

suuralue 1	118
2	165
3	40
4	157
5	80
6	147
7	135
8	13

Näiden saaminen karttaan olikin sitten vaikeampaa, mutta onneksi esimerkiksi Jero, Hilla ja Aapeli olivat törmäneet samaan ongelmaan ja käyttäneet Fix geometries toimintoa (Hoberg, 2024; Kontinen, 2024; Leppä, 2024). No, minullahan se kaatoi QGISin sillä sekunnilla, kun painoin Run. Ja se teki niin uudelleen ja uudelleen ja uudelleen. Yritän tehdä tämän kartan vielä joskus myöhemmin, ehkäpä koulun koneella. Toisaalta tällä kerralla ei ole pakollista esittää mitään karttaa, joten s-e saattaa nyt jäädä, ja keskitynkin pohdiskeluun.

Yleistä pohdintaa:

Tällä kurssilla olen kyllä oppinut paljon QGIS:stä. Olen käyttänyt jonkin verran myös R-studiota karttojen tekoon, ja kyllä QGIS:sä oppimiskäyrä on loivempi, mutta tietysti toistettavuus kärsii, kun emme tee suoraan koodia. Yksi QGIS:in (tai ehkä tietokoneeni) selkeimmistä ongelmista on kaatuminen. Suurien aineistojen pyörittäminen on epäluotettavaa ja hidasta. 

Ei QGIS:n käyttäminen täysin helppoa myöskään ole. Esimerkiksi joins-välilehti on mielestäni ikävä: siinä pitää osata painaa sitä pientä plussaa reunassa (miksei siinä lue vaikka add new join, tai jotain vastaavaa). Monet kohdat eivät ole mitenkään selkeitä, ja tämä hankaloittaa sovelluksen käyttöä, ja vähentää sen saavutettavuutta.

Tietysti ongelmia tuo sekin, millaista paikkatietoaineistoa on jo lähtökohtaisesti luotu. Olen kyllä sitä mieltä, että dataa on tosi paljon saatavilla myös pienemmistä kunnista, mikä on hienoa.

En ole kyllä mikään QGIS-pro vielä, mutta olenkin käyttänyt enemmän R-studiota karttojen tekoon aiemmin. Tuntuu, että ehdin unohtaa aina viikon aikana, mitä viimeksi tein. Seuraavaksi lista lempparityökaluistani: Field calculator, Properties-ikkunan Joins, Join attributes by location, sekä erilaiset Select-työkalut, ja nyt myös Buffer. Eli kyllä jotkin työkalut ovat jo ihan hallussa!

Lähteet:

Hoberg, J., Viides kurssikerta, 17.2.2024, viitattu 8.3.2024, https://blogs.helsinki.fi/hoberg/

Kontinen, H., 5: SYVÄÄN PÄÄTYYN, 15.2.2024, viitattu 8.3.2024, https://blogs.helsinki.fi/hillakon/

Leppä, A., Viides kurssikerta – Analyysien maailmaa, 20.2.2024, viitattu 8.3.2024, https://blogs.helsinki.fi/aapleppa/

Tällä viikolla tutustuimmme rasteriin, minulle ja monelle muullekin varmasti vähemmän tuttuun tiedostomuotoon. Ensimmäisenä tehtävänä tuli laatia ruututeemakartta vailtsemastani aiheesta.

Kartta 1: Ruotsinkielisten määrä

Kartta esittää ruotsinkielisten määrää jokaisella ruudulla. Vaikka kartta onkin suhteutettu tietysti pinta-alaan – onhan jokainen ruutu saman kokoinen – on tämä esitys silti huono. Ruotsinkielisten osuus väestöstä olisi omasta mielestäni informatiivisempi kuin tämä pelkkä määrä alueella: totta kai tiheiten asutulla alueella on eniten ruotsinkielisiä, onhan siellä eniten ihmisiäkin. Samoin pohdiskelee myös Taika, joka onkin tehnyt hienoja karttoja muunkielisten osuudesta alueella (Jaakkola, 2024). Ehkä itsekin vielä palaan tämän projektin pariin ja teen sellaisen kartan… En tiedä, miksi minulla on aina kiire kaiken kanssa.

Sampo on käyttänyt muunkielisistä tehdyssä kartassaan natural breakseja (Väätäjä, 2024). Hänellä onkin kartassa esitettynä suhteellinen osuus, kuten Taikallakin, joten niitä ei voi verrata minun (hieman ontuvaan) esitykseeni. Mielestäni natural breaks on ihan looginen: se korostaa varianssia luokkien välillä, ei luokkien sisällä. Itse päädyin valitsemaan myös natural breaksin, mutta muokkasin sitä hieman tehdäkseni luvuista miellyttävämpiä muokkaamatta niitä kuitenkaan kovin paljoa. Mielestäni lopputulos on ihan hyvä.

Venla tuo esiin hyvän pointin punavihervärisokeista, ja onkin tehnyt karttansa sinisen eri sävyissä. Pidän tämän ajatuksen mielessä tulevissa kartoissa (Punkka, 2024).

Kartta ei mielestäni ole kuitenkaan aivan yhtä miellyttävän näköinen kuin muut tekemäni tai näkemäni teemakartat: ruudut menevät maa-alueiden yli, ja tämähän kaiken lisäksi myös pilaa sen ajatuksen, että jokainen ruutu on saman kokoinen. Tai tottakai ruutu on saman kokonen, mutta jos puolet ruudun alueesta on vesialuetta, ei siellä edes voi asua porukkaa.

Tehtävä 2: rasterikuvan tuominen QGISiin

Tällä viikolla testattiin jälleen kärsivällisyyttä: tällä kertaa odottamisen muodossa. Hyvät uutiset ovat, että QGIS ei kaatunut. Huonot ovat, että se pyöritti jokaista hieman raskaampaa toimintoa useamman minuutin. Tällä kertaa, tosin, sain kaiken onnistumaan ensimmäisellä yrityksellä, joten sain omia hermojani kuitenkin hieman säästettyä.

Peruskarttalehden korkeuskäyrien vertaaminen omatekemääni jää nyt hieman myöhemmäksi. 

Rinnevarjostuksen tekeminen oli mukavaa ja lopputuloksesta tuli hieno. Päädyin kaksinkertaiseen liiotteluun, koska siinä rinteet näkyvät, mutteivat kuitenkaan näytä vielä jyrkiltä. Auringon tulosuunnan pidin sellaisenaan, jotta tulkinta olisi mahdollisimman yksinkertaista: ilmeisesti luoteesta tulevan valon muodostamat varjot näyttävät eniten mäiltä, eivätkä kuopilta.

Sitten oli manuaalisen piirtämisen vuoro, ja se olikin yllättävän rentouttavaa. Näin alkuun piirsin vain tiet ja talot, koska siinä vierähtikin jo hetki, mutta tähän tehtävään palaan varmasti. Kerrankin jokin tehtävä laski sykettä, eikä nostanut sitä. Piirtelinkin sitten kaikki tiet, ja tästä tehtävästä jäi hyvä mieli. Oli aivan loogista, että rakennukset ovat pisteitä ja tiet viivoja. Peltoja en tehnyt, mutta ne olisivat tietysti alueita.

Lähteet:

Punkka, V., 4. viikko – Ruututeemakarttoja ja yllättävän väkirikas Pornaisten kunta, 24.2.2024, viitattu 26.2.2024 https://blogs.helsinki.fi/vpunkka/2024/02/24/4-viikko-ruututeemakarttoja-ja-yllattavan-vakirikas-pornaisten-kunta/

Väätäjä, S., Neljäs kurssikerta (6.2.2024), 6.2.2024, viitattu 26.2.2024, https://blogs.helsinki.fi/vsampo/