Month: January 2024

Homman nimi oli

Toisella viikolla jatkettiin uurastusta QGIS-ohjelman parissa. Toistaiseksi vaikuttaa siltä, että kurssilla QGIS tulee otettua haltuun melko mukavasti. Tällä luentokerralla rakennettiin aiemmin opitun päälle, mikä teki luennolla annettujen tehtävien tekemisestä melko luontevaa ja innostavaa. Kurssikerralla käytiin läpi tietokantojen hyödyntämistä, mutta itselläni parhaiten mieleen jäi erilaisten projektioiden aiheuttamat vääristymät kartoissa sekä niiden vertailu.

Aikaisemmalla kerralla opeteltua oman datan lisäämistä karttatason attribuuttitauluun sekä tasojen ominaisuustietojen muokkaamista tarvittiin tälläkin kertaa. Hyödynsimme kuitenkin myös itselleni aivan uutta geometrisia arvoja laskevaa työkalua. Vertasimme työkalun arvojen avulla erilaisissa karttaprojektioissa esitettyä Suomen aluetta ETRS-TM35FIN -projektion (EPSG: 3067) kuvaamaan Suomeen. Tämän projektion katsotaan esittävän Suomen aluetta riittävän totuudenmukaisesti.

Tarkastelimme aluksi miten paljon pinta-alan ja pituuden absoluuttiset mittausarvot voivat riippua käytetystä projektiosta ja piirtotavasta (Taulukko 1). Piirtotapoja oli valittavissa kaksi; Cartesian määrittää mitattavan alueen tai pituuden tasopintana ja Ellipsodial ottaa maapallon pyöreyden mukaan laskettavaan arvoon.

Taulukko 1: Pinta-alan ja pituuden arvoja eri projektioissa. Pinta-alojen arvot on merkitty vihreällä ja pituuden sinisellä. Luonnollisesti vertailussa on tutkittu samaa etäisyyttä ja aluetta, valitsin erään alueen ja etäisyyden Utsjoen kunnasta. Lähteet: QGIS ja vuoden 2020 Suomen kunnat -kartta-aineisto, jonka lähdettä en löytänyt

Taulukon 1 arvoista näkyy varsin selkeästi, että tasopinnan piirtotavan arvot eroavat monessa tapauksessa selkeästi pyöreän pinnan piirtotavan vastaavista arvoista. World Mercator -projektiossa Cartesian-piirtotavan mukainen pinta-ala on peräti kahdeksan kertaa suurempi kuin Ellipsodial-tavan antama tulos. Tämä on kuitenkin odotettavaa, sillä kolmiulotteisen maapallon pinnasta muodostettu kaksiulotteinen Mercator-projisointi saa pohjoiset alueet näyttämään luonnollista kokoaan suuremmilta.

Seuraavaksi tarkoituksena oli luoda karttoja, joissa on esitettynä miten paljon ETRS-TM35:stä eroavat projektiot vääristävät Suomen alueen kokoa. Valitsin ETRS-TM35:een vertailtaviksi projektioiksi Robinsonin projektion (ESRI: 54030), World Mercator -projektion (EPSG: 3395) sekä Loximuthal -projektion (ESRI: 54023). Kartoissa vääristymismäärä on esitetty väreillä, joista kukin vastaa tiettyä kerroinlukuväliä. Kerroinluvut on laskettu QGIS:n laskintyökalulla ja lisätty omalle sarakkeelleen Suomen kunnat (2020) -aineiston attribuuttitauluun. Käytetty laskutoimitus oli yksinkertainen jakolasku, jossa oikeana pidettyyn ETRS-TM35-projektioon verrattavien muiden projektioiden (Robinson, Mercator ja Loximuthal) geometriset pinta-alatiedot jaettiin ETRS-TM35:n pinta-alatiedoilla. Jakolaskussa nimittäjänä toimivat siis vain ETRS-TM35:n pinta-alatiedot.

Veera Martikainen (2024) mainitsi blogissaan muuttaneensa ensimmäisen kurssikerran tehtävissä luokkavälejä siten, etteivät peräkkäisten luokkien arvot ole samoja. Tätä en huomannut muokata omiin karttoihini, mikä saattaa vaikuttaa kuvien 1-3 luokkavälejä vastaavien värialueiden rajoihin.

Kartat

Kuvassa 1 on vertailtu Robinsonin projektiota ETRS-TM35:een ja vertailussa tummimman sinisen värin osoittamalla alueella kerroinlukuväli on [1,185-1,196]. Tämä tarkoittaa, että kyseinen alue näyttää 1,185-1,196 kertaa suuremmalta Robinsonin projektiossa kuin mitä se on ETRS-TM35:ssä. Mitä punaisempi kartalla kuvatun kunnan väri, sitä enemmän Robinsonin projektio suurentaa ETRS-TM35-projektiossa vastaavan kunnan kokoa. Projektioita vertailevien karttojen informatiivisuutta olisi ehkä voinut lisätä kääntämällä legendan väriskaalan toisin päin. Kirjoitushetkellä ylemmät värit ovat legendassa sinisiä, mutta kartassa ylempänä on päinvastoin punaista. Tätä muokkaan vielä ehkä, jos osaan ja/tai muistan.

 

Kuva 1: Robinsonin projektion ja ETRS-TM35:n esittämien Suomen pinta-alatietojen vertailu. Punaisella näkyvät alueet vääristyvät eniten Robinsonin projektiossa, sinisellä merkityt alueet vähiten. Kartassa Suomen alue on esitetty ETRS-TM35-projektiossa. Luvut vastaavat vääristyksen määrää. Mikäli kerroinluku on 2,5, kartan esittämän alueen koko on luvun osoittamalla alueella 2,5-kertaa suurempi kuin alkuperäisessä kartassa; tässä tapauksessa alkuperäinen kartta olisi ETRS-TM35. Edellä kuvaamani pätee muihinkin karttakuviin. Lähteet: QGIS, Suomen kunnat 2020 -aineisto

Kuvan 1 perusteella Robinsonin projektio vääristää Suomen kokoa sitä enemmän mitä pohjoisemmaksi kuljetaan. Tämä näkyy sekä kerroinluvun kasvamisessa että yksittäisen lukuväliä vastaavan värialueen pohjoisetelä-suuntaisen koon kasvamisessa kun siirrytään pohjoisempaan Suomeen. Lukuvälin [1,32-1,357] esittämä oranssi alue on pohjoisetelä-suunnassa merkittävästi paksumpi kuin esimerkiksi lukuvälin [1,185-1,196]. Pohjoisessa vääristymä näyttää olevan siis suurempaa sekä kerroinlukujen, että tarkasteltavien värivyöhykkeiden koon puolesta.

En osaa aivan selittää miksi lukuvälien kuvaamat värivyöhykkeet näyttävät paksuuntuvan pohjoisessa. Koska laskennallisesti kyseessä ovat pinta-alojen suhteelliset arvot, itse kuntien koon ei luulisi vaikuttavan vyöhykkeiden kokoihin. Ehkä kyseessä on Robinsonin projektion ominaisuus, jossa itse “vääristysportaat” suurenevat pohjoiseen (tai etelään) mentäessä päiväntasaajalta. Toisaalta pohjoisten kuntien pohjoisetelä-suuntainen muoto saattaa altistaa yksittäiset kunnat suuremmalle vääristymiselle, kuin mitä ne kohtaisivat mikäli ne olisivat vaakasuoraan asettuneita. Vääristymisen näkee kohdistuvan nimenomaan pohjoisetelä-akselille itälänsi-suunnassa suuntautuneista värivyöhykkeistä.

Jälkeenpäin tarkasteltuna huomasin että lukuvälien [1,185-1,196] – [1,357-1,416] arvojen välisten erotusten arvot kasvavat sitä mukaa, mitä punaisempaa lukuväliä kohti mennään. Punaiset lukuvälit sisältävät siis enemmän arvoja kuin siniset, mikä vaikuttaa todennäköiseltä värivyöhykkeiden paksuuntumisen aiheuttajalta. Halusin jättää aikaisemman kappaleen osaksi postausta, jotta ajattelun matkan sai näkyviin! 

 

 

 

 

Kuva 2: Loximuthal-projektion ja ETRS-TM35:n esittämien Suomen pinta-alatietojen vertailu. Punaisella näkyvät alueet vääristyvät taas eniten, tummansinisellä merkityt alueet vähiten. Kartassa Suomen alue on esitetty ETRS-TM35-projektiossa. Lähteet: QGIS, Suomen kunnat 2020 -aineisto

Koska tässä esittelemieni projektiokarttojen perusperiaatteet on nähdäkseni selitetty, keskityn vertailemaan kuvia keskenään. Kuvat 1 ja 2 näyttävät pitkälti samalta. Vertailussa on kuitenkin hyvä huomata, että lukuvälit eroavat melko merkittävästi. Loximuthalin vääristymiä kuvaavan kartassa (kuva 2) pienintä vääristymää edustava kerroinluku on 1,252. Tämä arvo sijoittuisi kuvan 1 kartassa värivyöhykkeelle 6, missä vyöhyke 1 on sinisin ja 10 punaisin. Suhteessa kuvan 1 karttaan, kuvan 2 kartan perusteella Loximuthal suurentaa melko paljon Suomen aluetta.

Kuva 3: World Mercator -projektion ja ETRS-TM35:n esittämien Suomen pinta-alatietojen vertailu. Punaisella näkyvät alueet vääristyvät tässäkin eniten, tummansinisellä merkityt alueet vähiten. Kartassa Suomen alue on esitetty ETRS-TM35-projektiossa. Lähteet: QGIS, Suomen kunnat 2020 -aineisto

Kuvan 3 kartta vie kuitenkin voiton vääristämiskisassa. Pelkkiä värejä katsomalla voisi luulla, että Mercator -projektio ei vääristä aivan niin paljon kuin edellä käsittelemäni projektiot. Itse asiassa värien perusteella Mercator näyttää maalaavan Suomea sinisemmäksi/vihreämmäksi kuin kuvien 1 tai 2 projektiot. Suhteessa kokonaisvääristykseen pienemmän vääristyksen alueet ovat suurempia kuvassa 3 kuin kuvissa 1 tai 2. Lukuvälejä tarkastellessa todellisuus käy kuitenkin kylmän selkeäksi. Mercator projektion vääristysasteikolla pienin lukuväli alkaa numerolla 3 siinä missä Robinson- ja Loximuthal -projektioiden viimeinen, eli eniten vääristynyttä aluetta kuvaava, lukuväli on melko reilusti lukua 2 pienempi.

Kuvan 3 kartassa palataankin taulukon 1 kuvailemaani tulokseen. World Mercator näyttää pohjoisimman Suomen n. 8-kertaa suurempana kuin alue todellisuudessa on. Tämä selviää myös kuvan 3 vääristyneintä aluetta vastaavasta lukuvälistä, joka ilmaisee kerroinluvun olevan pohjoisessa välillä [7-8,26].

Koska kuvat 1-3 näyttävät nopeasti vilkaistuna käytännössä samalta, olisi niiden vertailtavuuden mahdollistamiseksi hyvä asettaa QGIS-ohjelmassa kerroinluku-/väriskaalan pienimmäksi arvoksi kuvan 1 kartan pienin arvo (1,185) ja suurimmaksi arvoksi kuvan 3 kartan suurin arvo (8,26). Tällä tavoin kuvien 1-3 kartat olisivat olleet toisilleen osa yhtä vääristymisjatkumoa, jossa vähiten vääristävä kartta olisi ollut hyvin sininen ja eniten vääristävä varsin punainen. Kaikki kartat olisivat ainakin teoriassa siis saaneet arvonsa ja sitä kautta värinsä väliltä (1,185-8,26). En tiedä kuinka vaikeaa/helppoa tämä olisi toteuttaa käytännössä.

Lähteet:

Martikainen, V. (2024). Veeran gis-blogi: Ensimmäinen kurssikerta. Lainattu 25.1.2024. Saatavilla: https://blogs.helsinki.fi/veematik/

(Kuvat kannattaa avata erikseen esim. uudelle välilehdelle jotta niistä näkee jotakin. Kuvatekstit ainakin omassa näkymässäni peittävät kartat.)

Mitä tehtiin?

Geoinformatiikan menetelmät 1 -kurssin ensimmäisessä työpajassa(?) harjoiteltiin ja palautettiin mieleen QGIS-ohjelman käyttöä. Kurssikerralla teimme kartan Itämereen päätyvien valtiokohtaisten typpipäästöjen määristä suhteessa valtioiden kokonaispäästömäärään. Kartta-aineisto kattaa Pohjois-Euroopan ja on keskittynyt Itämeren alueeseen. Kurssikerralla tuli hyvin kerrattua paikkatiedon muokkaamista QGIS:ssä. QGIS-ohjelmassa ladatut karttatasot sisältävät useimmiten itsessään erilaisia ominaisuustietoja, joita visualisoidakseen kartan tekijän täytyy koluta läpi karttatasojen ominaisuusasetuksia. Paikkatieto ei siis välttämättä näy ladatussa aineistossa välittömästi, vaan se täytyy tuoda itse aineistosta esiin.

QGIS:n käytöstä opin ensimmäisellä kurssikerralla, että karttatasojen ominaisuustaulukoita voi muokata ja esitettävää dataa voi tätä kautta luoda itse. Laskimme kurssikerralla itse valtiokohtaiset typen päästöjen osuudet, jotka lisäsimme valtioiden rajoja kuvaavan karttatason ominaisuustaulukkoon. Tämä laajensi käsitystäni QGIS:n käyttömahdollisuuksista, tosin ohjelmaa pitäisi käyttää enemmän, jotta osaaminen ei pääse unohtumaan. Monet ohjelman näppärät ja usein tehtävän onnistumisen kannalta kriittiset toiminnot piiloutuvat mitään sanomattomien symbolien tai epäintuitiivisilta tuntuvien klikkausvaihtoehtojen taakse. Aura Niskanen (2024) tiivistää blogissaan mielestäni osuvasti luentotyöpajahybridien keskeisen haasteen: “– kun putoan yhdessä vaiheessa kärryiltä, tuntuu kuin sekunnissa olisimme siirtyneet jo usean vaiheen kautta tuntemattoman näköiselle sivulle, joka määrittää jonkin oleellisen piirteen työhön.“. Karttojen tekemisen kannalta QGIS on kuitenkin tuntunut itselleni ideaalilta alustalta esimerkiksi sen takia, että tiedot varsinaisesta aineistotiedostosta voi synkronoida karttaikkunaan kartantekovaiheessa.

 

Olen omaan typpipäästökarttaani (kuva 1) pääosin tyytyväinen. Onnistuin mielestäni valitsemaan toisistaan hyvin erottuvat, mutta kuitenkin luonnollisen näköiset värit suhteessa kuvattavaan ilmiöön. Typen päästöt on kuvattu punaisella värillä, mikä antaa selkeästi negatiivisen kuvan ilmiöstä. Jäin pohtimaan oliko järvien esittäminen kartassa tarpeellista, koska varsinkin Suomen alueella ne kiinnittävät ehkä turhankin paljon huomiota. Toisaalta ajattelin, että typpipäästöjä todennäköisesti päätyy myös sisävesiin siinä määrin, että voi olla hyödyllistä tietää kuinka paljon sisävesiä saastuttavissa valtioissa on ja miten ne ovat sijoittuneet. Jälkeenpäin huomasin, että kartan legenda on otsikoitu suomeksi, mutta legendan sisältö lukee englanniksi. Tämä ei ole merkittävä virhe, mutta olisi ehkä suositeltavaa, että kaikki kartan teksti lukee yhdellä kielellä.

Kotitehtävä Suomen kuntien aineistosta

Kotitehtävässä tutkin ja esitin Suomen kuntien kartta- ja paikkatietoaineistoa QGIS-ohjelmalla. Valitsin kuntien karttatason ominaisuustaulukosta esitettäväksi muuttujaksi alle 15-vuotiaiden suhteellisen osuuden kunnan väkiluvusta (kuva 2). Pidin muuttujaa kiinnostavana, koska näin sen kuvaavan kuntien elinvoimaisuutta ainakin parilla tavalla. Ensinnäkin missä tahansa kunnassa asuvien lasten määrästä osan voisi ajatella todennäköisesti jäävän asumaan kyseiseen kuntaan aikuisinakin. Ajatus on, että esimerkiksi kunnan huoltosuhde on turvattuna, mikäli kunnassa on nyt ja tulevaisuudessa työvoimaa. Toisaalta alle 15-vuotiaiden määrä kunnassa voi kertoa myös kunnan vetovoimaisuudesta lapsiperheille ja kunnan nykyisestä elinvoimaisuudesta.

Käytin violettia väriä kuvaamaan 15-vuotiaiden määrää, koska tarkoitukseni oli kuvata alle 15-vuotiaiden suuria osuuksia positiivisena ilmiönä. Koska kyse on kuitenkin väestön osuuden suhteuttamisesta kunnan omaan väkilukuun, alle 15-vuotiaiden jakautumisesta koko maan mittakaavassa ei muodostu käsitystä. Tämän takia halusin tehdä aiheesta toisenkin kartan, jossa suhteutin kuntien alle 15-vuotiaiden määrät koko maan väkilukuun (kuva 3).

Kuvan 3 kartan laatiminen edellytti alle 15-vuotiaiden suhteellisten osuuksien muuttamista absoluuttisiksi atribuuttitaulun laskintyökalulla. Hyödynsin tässä laskussa tietoja kuntien väkiluvuista ja tutkimani väestöryhmän prosenttiosuuksista. Tämän jälkeen laskin alle 15-vuotiaiden suhteellisen osuuden samalla laskintyökalulla hyödyntäen laskemiani absoluuttisia alle 15-vuotiaiden määriä ja Suomen väkiluvun arvoa, jonka löysin “Statistics panel”-ikkunasta. Jotta sain pelkästään kuvassa 3 näkyvien kuntien nimet näkyviin, minun piti luoda ehtolause “Labels”-ikkunassa. Asetin ikkunassa niiden kuntien nimien arvoksi “NULL” joiden suhteellinen lukuarvo oli alle 0,21%. Laskimen käytössä tuli tarkistaa ettei desimaaliluvuissa ole pilkkua vaan piste!

Tuloksena on varsin yksipuolisen näköinen kartta, josta voi kuitenkin havaita, että koko maan mittakaavassa nuorten suuri määrä sijoittuu merkittäviin kaupunkeihin pohjois-eteläakselilla Helsingistä pohjoiseen. Kun alle 15-vuotiaiden määrä suhteutettiin kunnan omaan väkilukuun, eniten korostuivat Länsi-Suomen rannikkokunnat. Kunnan väkilukuun suhteuttaminen (kuvassa 2) antaa kiinnostavan kuvan kunnan elinvoimaisuudesta ja koko maan väkilukuun suhteuttaminen (kuvassa 3) käsityksen nuorten sijoittumisesta maantieteellisesti Suomen alueelle.

Pääasiassa alle 15-vuotias väestö jakautuu kuvan 3 kartassa melko tasaisesti; joukosta selkeästi erottuvia kuntia on kuitenkin vain 9. Kartassa skaala on jaettu vain kolmeen osaan, minkä takia kartan lukija voi perustellusti epäillä tuloksen täsmällisyyttä. Rajasin kuitenkin skaalan pienemmäksi sen takia, että viidellä tai neljällä jakaumalla tilanne näytti pitkälti samalta. Jos jakaumia olisi asettanut enemmän kuin 5, värit olisivat ehkä olleet hankalammin erotettavissa toisistaan. Halusin myös tietää, missä kunnissa on selkeästi eniten alle 15-vuotiaita, jotta väestörakenteesta voisi muodostaa jonkinlaisen karkean kuvan.

Tulokset eivät ole varsinaisesti yllättäviä, koska kunnan väkimäärän kasvaessa nuorten määrä todennäköisesti kasvaa. En ole oikeastaan vielä pohtinut onko kartta hyödyllinen, koska tein kartan lähinnä omaksi ilokseni. Minua vain kiinnosti tietää, miten nuorten kokonaismäärä jakautuu eri kuntiin ja koin pystyväni ehkä laskemaan tarvittavat arvot ensimmäisen kurssikerran tietojen pohjalta. Ainoa vaihe jossa soveltamista, tutkimista ja arvailua tarvittiin oli kuntien nimien näkyviin asettaminen, mutta tämäkin vaihe luonnistui QGIS:n valmiiksi listaamilla SQL-kielen operaattoreilla. Koen että QGIS:n käyttöliittymä tuli kerralla paljon tutummaksi, kun ohjelmaa sai veivata oman kiinnostuksensa ohjaamana.

Lähteet:

Niskanen, A. (2024). Auran Blogi: Ensimmäinen kurssikerta. Lainattu 22.1.2024, saatavilla: https://blogs.helsinki.fi/niskanau/

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!