Category: Uncategorized

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/

 

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/