Valmis blogi

Tässä valmis blogini seitsemän viikon aherruksen tuloksena. Paljon tuli opittua uutta kurssin aikana. Takki on aika lailla tyhjä. Nyt annan tietokoneeni levätä tämän kurssin päätteeksi. Kiitos Arttu ja kolleegat! Palataan taas asiaan muiden kurssien parissa.

Harjoituskerta 7 – Viimeistä viedään

Tämä harjoituskerta ei lähtenyt osaltani aivan parhaalla mahdollisella tavalla liikkeelle, sillä en ollut katsonut muutamaan viikkoon tiedotusblogia enkä näin tiennyt varautua aineiston keräämiseen. Näin tuli kunnon tänka på, että mitä aikoisin nyt tehdä. Toimin nopeasti ja päätin toteuttaa viimeisellä kerralla vaihtoehdon 2, jonka ohjeistuksen mukaan latasin Maanmittaushallituksen sivuilta maastotietokannan, korkeusmallit sekä nimistön (https://tiedostopalvelu.maanmittauslaitos.fi/tp/kartta) Nuutilanmäen alueelta (karttalehti M5224L), jota olin jo tutkinut Tiedon esittäminen maantieteessä kurssilla. Näin ollen halusin testata millaisen kuvan QGIS:n avulla pystyisi tekemään aiemman CorelDRAW ohjelman sijaan. Seuraavassa pohdintaa tästä viimeisestä harjoituksesta ja siinä esiin nousseista kysymyksistä ja havainnoista.

Kuva 1. Juvan Nuutilanmäen alue maastokartassa (1:20 000). Karttalehti M5224L.

Ohessa on Nuutilanmäen alueen peruskartta (kuva 1.) sekä luentokerralla valmistunut lopputuotos (kuva 2.). Alkuun olin ns. heikoilla jäillä, koska en ollut aiemmin käyttänyt maastotietokantaa karttojen tekemisessä. Näin ollen Nuutilanmäen aluettakin kuvasi monet eri muuttujat niin luonnonmaantieteellisten kuin ihmismaantieteellisten muutosprosessien synnyttämänä. Jotta sain jonkinlaista käsitystä eri muuttujista, vertailin maastotietokannan shapefile-aineistoja maastokartan vastaaviin, minkä avulla pystyin hahmottamaan alueeltani mm. pellot, suot, vesistöt, sähkölinjat, tiestön, tuotantorakennukset, luonnonsuojelualueet jne. Suurimmaksi ongelmaksi kuitenkin koitui alkuvaiheen tunnistamisten jälkeen se, että maastotietokannassa vesistöt, suot ja pellot olivat kokonaan vesistöä. Näin ollen minun piti yrittää erottaa pellot ja suot vesistöaineistosta, mikä tapahtui aiemmilla luennoilla tutuksi tulleella attribuuttitaulukosta löytyvällä Select by expression toiminnolla, jolloin pystyin vesistö -tietokannasta erottamaan eri luokilla olevat alueet. Näin valintojen jälkeen sain lopulta pellot, suot ja vesistöt erotetuiksi omiksi tietokannoikseen Save as. kohdassa Save only selected features -toiminnon avulla.

Kuva 2. Tekemäni mallinnus Nuutilanmäen alueesta maastotietokannan avulla.

Tehdystä kartasta huomataan, miten karttalehden M5224L alue on monipuolinen niin luonnontieteen kuin ihmismaantieteen näkökulmista katsoen. Ensinnäkin alueelle ominaisena piirteinä on vesistöjen ja suoalueiden sijoittuminen, jotka jakavat aluetta tiettyihin ominaisuuksiin. Ihmistoiminnan näkökulmasta taas peltojen ja teiden sijoittumisella on oma osansa alueen maankäytön yms. muodostumisessa. Mielenkiintoisena ja ajankohtaisena teemana nimenomaan Nuutilanmäen alueella 5-tien näkökulmasta on sen muutostyöt, kun 5-tietä oiotaan ja parannetaan liikenteelle sopivammaksi väyläksi (ks. Ely-Keskus 2018; Liikennevirasto 2018). Tie tulee menemään esimerkiksi Tuhkalan ja Kilpolan välillä aivan eri kohdasta mitä nykyisin, millä tulee olemaan monia vaikutuksia mm. kiinteistöjen ja kesämökkien omistajille (Kuva. 3.).

Kuva 3. Kuvakaappaus 5-tien uudesta linjauksesta (Ely-keskus).

Mitä tehdystä kartasta voisi sanoa? Ensinnäkin jouduin tekemään aika paljon yleistyksiä ja jättämään joitakin tietoja pois kuvasta. Esimerkiksi nimistöä en saanut mahdutettua kuvaan, sillä tavalla miten olin aluksi toivonut. Tämän lisäksi tienumerot ja järvien syvyystiedot jätin pois sen jälkeen, kun katsoin tulostettua versiota, jossa on esitettynä koko alue, eikä mitään yksittäistä aluetta zoomattuna, jolloin ne eivät erottuisi kuvasta ollenkaan. Toisaalta vaikka näitä elementtejä on jätetty pois, kartta visuaalisuudessaan hienoin ja monipuolisin mitä tällä kurssilla olen tehnyt, joten voin olla tuotokseeni erittäin tyytyväinen. Toisaalta kriittisesti arvioituna kartasta löytyy myös heikkouksia. Mitä enemmän asioita esitetään, sitä sekavammaksi kartta muodostuu. Lisäksi värimaailmaa olisi voinut käyttää ehkä toisella tavalla, mutta viimeisen kerran kunniaksi halusin hieman revitellä. Kiitos ja kumarrus, blogini viimeinen teksti on valmis!

Jos haluaa katsoa vastaavanlaisia tuotoksia, niin suosittelen Sini Virtasen blogia (https://blogs.helsinki.fi/7k110738/), jossa tarkastellaan Karjaan aluetta erilaisin karttaesityksin.

Lähteet

Ely-keskus. Valtatie 5 Mikkeli-Juva. http://www.ely-keskus.fi/web/ely/ely-pohjois-savo-tiehankkeet-valtatie-5-mikkeli-juva;jsessionid=FA93F4F988229A347FBF2CDFA39EB28B?p_p_id=122_INSTANCE_aluevalinta&p_p_lifecycle=0&p_p_state=normal&p_p_mode=view&p_r_p_564233524_resetCur=true&p_r_p_564233524_categoryId=14251#.WpT8DqjFI2w Viitattu 27.2.2018.

Liikennevirasto. Vt 5 Mikkeli-Juva. https://www.liikennevirasto.fi/vt-5-mikkeli-juva#.WpUFdqjFI2x Viitattu 27.2.2018.

Maanmittauslaitos. Avoimien aineistojen latauspalvelu https://tiedostopalvelu.maanmittauslaitos.fi/tp/kartta. Viitattu 26.2.2018

Sini Virtasen blogi. “Seitsemäs kerta toden sanoo”. https://blogs.helsinki.fi/7k110738/ .Viitattu 2.3.2018.

Gis 6 raportti – Hasardeista fasaaneihin… No ei nyt sentään..

Kuva 1. Vähintään 7 magnitudin maanjäristykset vuodesta 2000 eteenpäin.

Tein tunnilla kaksi karttaa maanjäristysten sijoittumisesta maapallolla vuodesta 2000 tähän päivään. Kartassa 1. on kuvattuna maanjäristykset, jotka ovat vähintään 7 magnitudia. Kuvassa 2. ovat taas kaikki vähintään 6 magnitudin maanjäristykset. Kuvat eroavat maanjäristysten osalta selvästi toisistaan, mikä kertoo siitä, että 6-7 magnitudin maanjäristyksiä tapahtuu selvästi enemmän mitä yli 7 magnitudin maanjäristyksiä. Olin jo aluksi lataamassa verkkosivuilta yli 5 magnitudin maanjäristykset, mutta kun katsoin datamassaa päätin, että otan vertailuun hieman korkeammat magnitudit.

Kuvasta 1. lukija saattaa ajatella, että maanjäristyksiä ei ole ollenkaan Euroopassa tai hyvin vähän Pohjois-Amerikan länsirannikolla tai Atlantin valtamerellä. Kuva 2. sen sijaan korjaa käsitystä edellisten osalta, sillä esimerkiksi Kreikkaan kohdistuu suuria riskejä maanjäristysten osalta. Kuvasta 2. tulee esiin myös mannerlaattojen reuna-alueet, jotka pystytään tunnistamaan ilman taustakarttaa (ks. kuva 3.). Tyynenmeren tulirengas korostuu sekä kuvasta 1. että kahdesta jälkimmäisestä kuvasta. Se alkaa Indonesian länsipuolelta jatkuen kahteen suuntaan eli Kiinan itärannikkoa pitkin pohjoiseen sekä Oseaniaan. Edellinen jatkuu aina Pohjois-Amerikan kautta Etelä-Amerikkaan.

Kuva 2. Vähintään 6 magnitudin maanjäristykset vuodesta 2000 eteenpäin.

Harjoituksen toteuttaminen oli helppoa, joten tämänkaltaista esitystä voisi harkita käytettäväksi esimerkiksi lukio-opetuksessa. QGIS:n tutustumiseen ja sen käyttöön ei olisi varmasti montaa oppituntia, joten opettaja voisi tehdä oppilaille maanjäristysaineistot valmiiksi ja he voisivat tuoda ne suoraan QGIS-ohjelmaan tarkasteluun. Tällöin säästettäisiin aikaa, mutta samalla saataisiin kokemuksia paikkatieto-ohjelmistosta ja sen monista visuaalisista mahdollisuuksista, kun esimerkiksi tasoja voi piilottaa ja eri pisteitä luokitella. Kun oppilaat käyttäisivät paikkatieto-ohjelmistoa ja tuottaisivat kartan itse, saattaisi se myös olla erilainen oppimisprosessi mitä yleensä. Tällöin asioiden prosessointi ja analysointi saattaisivat kehittyä selvästi aiemmasta, kun saisi itse osallistua esitysten tuottamiseen.

Palaan vielä kuvaan 3. Jo pelkästään tällaisen pisteaineiston tuottaminen sekä sen analysointi voisivat olla hyödyksi, kun opiskellaan litosfäärilaattoja sekä niiden vaikutuksia hasardeihin. Litosfäärilaatat saattaisivat tulla aivan uudella tavalla ymmärretyksi, jos käytettäisiin edellä mainittua aineistoa ja siihen lisättäisiin litosfäärilaattojen liikesuunnat esimerkiksi nuolilla. Tällöin tulisi havainnollistaneeksi sitä, miksi juuri Tyynenmeren tulirenkaan alueella tapahtuu maanjäristyksiä enemmän kuin esimerkiksi Atlantin alueilla (subduktio vs. loitontumislaatat). Näin ollen kuva 3. sopisi hyvänä harjoituksena lukioon tai miksei yläasteelle (jos aineisto on tuotettu oppilaille valmiiksi), sillä tähän ei ole sotkettu liikaa muuttujia, kuten mantereita, valtioiden rajoja yms., jotka saattaisivat heikentää esimerkiksi litosfäärilaattojen liikkeensuuntien opettelua.

 

Kuva 3. Pisteaineisto maanjäristyksistä vähintään 6 magnitudin kuvan 2. mukaan.

Uudenlaisen ulottuvuuden saattaisi tuoda myös se, että pisteaineistoon perustuvaan kuvaan lisäisi maanjäristysten lisäksi myös esimerkiksi tulivuorten purkaukset ja tsunamit. Tämä voisi toimia lukiossa toisena harjoituksena, jossa pohdittaisiin, että miten tulivuorten sijoittuminen liittyy litosfäärilaattojen saumakohtiin ja millaisia yhteneväisyyksiä niillä saattaisi olla maanjäristysten kanssa. Vastaavasti tsunamien sijoittaminen toisi asiaan uutta pohdittavaa. Lopuksi oppilaat voisivat pohtia mitkä maapallon alueet ovat kaikista eniten haavoittuvaisia luonnon hasardeille. Toisaalta voitaisiin miettiä myös ihmisen toimintaa, sillä osa seismisyyden lisääntymisestä johtuu myös ihmistoiminnasta, kuten kaivoksissa tehtävistä räjäytyksistä jne.(Seismologian laitos 2018).

Lopuksi

En voinut vastustaa kiusausta ja tein vielä lopuksi kotona maanjäristysten ja tulivuorten yhdistelmäkartan, josta näkyy selvästi, miten monilla seismisillä alueilla on myös paljon vulkaanista toimintaa. Toisaalta on myös monia alueita, joista löytyy vain toista: näin on esimerkiksi keskisellä Atlantilla sekä Antarktisella, jossa esiintyy vain tulivuoritoimintaa. Internet-sivustolla (http://clarkscience8.weebly.com/patterns-of-earthquakes-and-volcanoes.html) lopputulos oli aika lähellä omaani.  

Kuva 4. Maapallon tulivuoret sekä vähintään 6 magnitudin maanjäristykset.

Vastaanvanlaisia karttoja oli mm. Senni Luodon ja Roope Heinosen blogeissa. Jälkimmäisessä tekijä oli tarkastellut tulivuorten, maanjäristysten ja mannerlaattojen saumakohtien lisäksi myös meteoriittien putoamispaikkoja (ks. Roope Heinosen blogi; Senni Luodon blogi).

Lähteet

Roope Heinosen blogi. “Pisteiden viemää”. https://blogs.helsinki.fi/hcroope/2018/02/25/19-02-2018-pisteiden-viemaa/. Viitattu 2.3.2018

Senni Luodon blogi. “Kurssikerta 6 – Ei pieni pakkanen pahaa tee – mutta mikä on maanjäristysten laita?” https://blogs.helsinki.fi/luotosen/. Viitattu 2.3.2018.

Maanjäristystietokanta. http://quake.geo.berkeley.edu/anss/catalog-search.html Viitattu 20.2.2018

Karttoja tulivuorista ja maanjäristyksistä. http://clarkscience8.weebly.com/patterns-of-earthquakes-and-volcanoes.html Viitattu 20.2.2018

Seismologian laitos 2018.  http://www.seismo.helsinki.fi/fi/maanjtietoa/vastauksia.html Viitattu 20.2.2018

Tulivuoritietokanta https://www.ngdc.noaa.gov/nndc/struts/form?t=102557&s=5&d=5 Viitattu 20.2.2018

GIS 5 –  Vaikeuksien kautta vähitellen kohti….

Kurssikerta oli mielenkiintoinen ja intoa puhkuen aloin luennon loppupuolella tekemään itsenäistehtäviä, joiden kanssa meinasi mennä järki moneen kertaan. En saanut puolessatoista tunnissa edes ensimmäistä itsenäistehtävää valmiiksi, joten kotihommiksi meni jälleen. Tällä kertaa huomasi, että vaikka bufferointi ja paikkatietokyselyt onnistuivat, oli itseltäni unohtunut mm. Select by expression toiminta, jolla pystyi tekemään kyselyitä ja rajaamaan aineistoja. Samoin vasta monien käänteiden jälkeen ymmärsin, että attribuuttitaulusta sekä muissa toiminnoissa tehdyt muutokset pystyi tallentamaan Save as.. toiminnon aikana Save only selected features -toiminnolla jälleen omaksi tietokannakseen. Näiden kahden toiminnon ja oivalluksen avulla pystyin jotenkin suoriutumaan tämänkertaisista tehtävistä, joissa vaatimustaso oli noussut selvästi edellisiin kertoihin verrattuna. Seuraavassa itsenäistehtävien 1, 2 ja 5 tuloksia ja QGIS-työkalujen käyttöanalyysiä.

Itsenäistehtävä 1

Kuva 1. Malmin lentokentän melualueet bufferoituna (1 km ja 2 km etäisyydeltä).

Tässä esimerkki itsenäistehtävä 1., jossa tehtiin analyysejä Malmin ja Helsinki-Vantaan lentokentän meluhaitoista, rakennusten ja asukkaiden määristä eri etäisyyksien perusteella. Tämä oli mieluinen harjoitus, jossa bufferin hyödyt tulivat selvästi esille. Puskurivyöhykkeen muodostaminen oli helppoa, kun olin piirtänyt Malmin lentokentän kiitoradat uuteen tietokantaan, jolle bufferointi sitten suoritettiin. Tämän jälkeen pystyin käyttämään hyödyksi jo edellisillä kurssikerroilla käytettyä Spatial Query-toimintoa, jolla saatiin erotettua pk-seudun väestöstä bufferin sisällä olevat rakennukset. Tämän jälkeen Statistic panelia tai Join attribution by location toiminnoilla pystyi selvittämään rakennusten tarkempia tietoa, jotka etsittynä Taulukossa 1. Muiden blogeissa oli hieman erilaisia lukuja, mikä selittynee sillä, että kiitoradat eivät ole olleet kaikilla aivan yhteneväisiä ja näin buffereiden sisään on mahtunut eri määrä rakennuksia ja asukkaita (ks. mm. Marita Selinin ja Sini Virtasen blogit). Mielenkiintoista pohdintaa oli Minna Soittilan blogissa, jossa mietittiin sitä, miksi Malmin lentokentän lähistölle on rakennettu taloja meluhaitoista huolimatta monia vuosikymmeniä (Minna Soittilan blogi).

Taulukko 1. Ensimmäiseen itsenäistehtävään liittyneet vastaukset.

Samaan tapaan tutkittiin Helsinki-Vantaa lentokentän aiheuttamia haittoja lähiympäristöön. Tällä kertaa tarkastelussa oli mukana myös desibelit, jotka tekivät tehtävästä hieman haasteellisemman. Vasta pienen ”mietintämyssyn” ja erilaisten kokeilujen jälkeen ymmärsin, että lentomelun desibelit olivat myös tietokannan tiedoissa ja näin pystyin määrittelemään desibelit ja bufferoimaan halutun desibelialueen. Tämän jälkeen käytettiin jälleen Spatial Querya ja Join attribution by location -toimintoja, joilla pystyttiin selvittämään buffereiden sisällä olevien rakennusten ja asukkaiden määrä. Sitten tuloksiin: alle kahden kilometrin päässä Helsinki-Vantaan lentokentästä on asukkaita 11 118. Pahimmalla melualueella (65 db) asuu kaikkiaan 29 ihmistä, joka vastaa 0,26 % kahden kilometrin sisällä asuvista ihmisistä. Mitä kauemmas melualueelta mennään, sitä enemmän asutusta löytyy, kuten 55 db:n asukasmäärä kertoo. Toisaalta laskeutumiseen poikkeustilassa käytettävää Tikkurilan reitillä 60 db:n melusta koituisi haittaa jopa yli 12 000 ihmiselle. Mikä lohduttavinta, tämän viimeisen Tikkurilaa koskevan harjoitteen tekeminen ei ollutkaan niin vaikeaa, miltä se aluksi näytti, kun mietti aiempia harjoituksia ja bufferin tekemistä. Yhtä kaikki lentomeluun liittyen Finavian tuottamalta sivustolta löytyy paljon tietoa laskeutuvista lentokoneista sekä desibelimääristä (Finavia: Webtrak).

Taulukko 2. Ensimmäiseen itsenäistehtävään liittyneet vastaukset.

Ensimmäiseen itsenäistehtävään liittyi myös tehtävä juna- ja metroasemista, missä tarkasteltiin asemien läheisyydessä asuvien ja työikäisten ihmisten määriä. Minua kiinnosti koko pääkaupunkiseudun asemien tilanne, joten latasin toisesta harkkakansiosta pääkaupunkiseudun väkimäärät, joiden avulla suoritin läheisyysanalyysin sekä juna- että metroasemista. Bufferoinnin sekä Spatial Query-kyselyn jälkeen sain alle 500 m läheisyydellä asemista asuvien ihmisten määräksi 265 201. Kaikista pääkaupunkiseudun asukkaista se vastaa 25,4 %. Lopuksi selvitin työikäisten osuuden alle 500 m etäisyydellä asemista asuvien ihmisten määrästä, mikä oli niinkin korkea kuin 71,1 % (absoluuttinen määrä 188 583 ihmistä), mikä kertoo siitä, että asemien välittömässä läheisyydessä asuu paljon työssäkäyviä.

Itsenäistehtävä 2

Tässä tehtävässä piti selvittää mm. taajamissa asuvien ihmisten osuus, kouluikäisten lasten osuus taajamissa ja niiden ulkopuolella sekä ulkomaalaisten osuus eri alueilla. Tehtävä oli periaatteessa samanlainen kuin edellä käsitellyt, mutta siinä bufferointia ei tarvinnut käyttää, koska taajamaväen osuudet pystyi selvittämään Spatial Queryn avulla. Kaikkiaan taajamissa asui 52,2 % kaikista alueen asukkaista. Tämän jälkeen tein uuden sarakkeen kouluikäisille pks-väkitietokantaan ja laskin heidän osuuden Field Calculatorilla. Lopuksi kyselyiden avulla sain vastaukseksi taajaman ulkopuolella asuvien kouluikäisten osuudeksi 43,4 %. Vastaavasti ulkomaalaisten yli 10 % osuudeksi sain 36 aluetta, 20 % osuudeksi 6 aluetta ja 30 % osuudeksi yhden alueen.

Itsenäistehtävä 5. 

Viimeinen itsenäistehtävä eli 5. sujui aluksi hyvin. Sain rajattua aineistoa Save as selected features ja Select by expression toiminnoilla, jonka jälkeen pystyin selvittämään Statistic panelin avulla vuosien 1965-1970 välisenä aikana Helsinkiin rakennetut asuinrakennukset, joita oli 2094 kappaletta, joista kerrostaloja oli 766 kappaletta. Tämän jälkeen selvitin, kuinka monta ihmistä näissä rakennuksissa oli ollut putkiremonttien aikaan. Ihmisten määräksi sain 65 206 ja asuntojen lukumääräksi 39 002. Viimeinen kohta aiheuttikin suuria ongelmia ja sain ratkaistua sen vasta, kun kysyin kaveriltani neuvoa. Seuraavassa tarkempi analyysi viimeisestä kohdasta ja sen lopputuloksena syntyneestä koropleettikartasta (Kuva 2.).

Aluksi tallensin pks_väki tietokannan uudeksi tietokannaksi, johon sisällytin vain rakennuskantaan liittyvät tiedot. Sitten valitsin pks-aineistosta Select by expression kyselyn avulla vain kerrostalot (attribuuttitaulukossa tunnuksella 39). Putkiremontti-indeksin sain aikaiseksi lisäämällä alkuperäiseen tietokantaan kaksi uutta saraketta. Toiseen sarakkeeseen luokiteltiin vuosien 1965-1970 rakennetut kerrostalot, jotka saatiin valittua attribuuttikyselyn avulla. Tämän jälkeen uuteen sarakkeeseen näille valituille riveille merkattiin arvo 1. Tämän jälkeen tein käänteisen valinnan (kaikki muut kerrostalot, paitsi 1965-1970 rakennetut), ja annoin Calculaattorin avulla arvon 1. Tämän jälkeen liitin Spatial Queryn avulla pienalueaineistoon pisteaineiston rakennustietoineen. Tämän jälkeen loin vielä uuteen tietokantaan indeksi sarakkeen, johon laskin 1965-1970 rakennettujen kerrostalojen osuuden kaikista kerrostaloista pienalueittain. Tämän jälkeen tein koropleettikartan (ks. Kuva 2.).

Kuva 2. Putkiremontti-indeksi pääkaupunkiseudulla 1965-1970 rakennetuista kerrostaloista.

Kartasta nähdään, että 1965-1970-luvuilla rakennettujen kerrostalojen osuus on suurta Itä-Helsingissä ja keskisessä Espoossa. Vantaalla Hämevaaran pienalueella kaikki kerrostalot on rakennettu vuosina 1965-1970. Myös Piispankylässä ja Simonkylässä näinä vuosina rakennettujen kerrostalojen osuus on yli 50 %. Kauniaisten länsiosassa vuosina 1965-1970 rakennettujen kerrostalojen osuus on 93% ja Helsingin Lehtisaaressa 86 %.

Vähiten 1965-1970 luvilla rakennettuja kerrostaloja on sekä vanhoilla että uusilla kerrostaloalueilla. Vanhoja alueita sijaitsee esimerkiksi Helsingin niemellä ja uusia Espoon metron varrella. Lisäksi pien- ja rivitalovaltaisilla alueilla 1965-1970-luvulla rakennettujen kerrostalojen osuus on pieni tai niitä ei ole lainkaan.

Katsoin Marita Selinin tekemää koropleettikarttaa samasta aiheesta ja tuotoksemme erosivat aika lailla toisistaan. Hänen kartassaan suurin osa 1965-1970-luvulla rakennetuista ja putkiremontoiduista taloista on sijoittuneet Helsingin eteläosaan. Hän on ilmeisesti laskenut kaikkien putkiremontoitujen asuntojen määrän rakennusajasta riippumatta, sillä esimerkiksi Helsingin niemelle rakennetut kerrostalot eivät ole rakennettu valtaosin vuosien 1965-1970 välisenä aikana, vaan sitä aiemmin (ks. Marita Selinin blogi).

Pohdintaa omasta oppimisesta ja paikkatietotyökalujen käytöstä

Kuten mainitsin aiemmin, tämän kerran harjoitukset olivat haastavuudessaan aivan toista luokkaa kuin viime viikkojen tehtävät. Toisaalta se oli myös mielenkiintoista yrittää ratkaista tehtäviä ilman ohjeita ja soveltaa oppimaansa. Ehkä tällaista työskentelymallia voisi harjoittaa kurssilla enemmänkin, jolloin harjoittelu QGIS:n kanssa olisi vielä prosessoivampaa jne. Ohjeiden olemassaolo monesti saa aikaan sen, ettei tule sisäistäneeksi kaikkia asioita, vaan tekee vain ohjeiden mukaan sen enempää miettimättä. Toisaalta taas voidaan todeta, että viiteen kurssikertaan on mahtunut myös todella paljon eri asioita, työkaluja ja toimintoja, joiden sisäistäminen vie myös aikaa.

Bufferi oli todella kätevä sellaisissa tapauksissa, kun halutaan selvittää jonkin kiintopisteen tai alueen läheisyydessä olevia havaintoja. Tämä kävi ilmi mm. lentokenttä sekä juna- ja metroasemaharjoituksessa, jossa buffereiden avulla pystyi rajaamaan niiden ulkopuolella olevat havainnot pois. Vastaavanlaista metodia varmasti käytettiin, kun suunniteltiin esim. länsimetroa ja pystyttiin laskemaan, että kuinka paljon eri asemien läheisyydessä on rakennuksia (asuintalot, yritykset jne.) ja esimerkiksi työssäkäyviä. Toisin sanoen buffereiden avulla pystytään selvittämään eri asioiden keskittymistä tai saavutettavuutta tietyillä alueilla. Tätä pohti blogissaan mm. Sini Virtanen, joka pohti myös kaivosten, teiden yms. sijoittumista ja niiden vaikutusarvioinnin tekemistä buffereiden avulla (ks. Sini Virtasen blogi.).

Näin viidennen luentokerran jälkeen voi todeta, että olen oppinut todella paljon asioita mitä QGIS-ohjelmalla voi tehdä. Keskeisimpiä työkaluja ovat mielestäni Spatial Query, jolla pystyy tekemään alueellisia valintoja, sekä Join attribution by location, jonka avulla voidaan yhdistämään tietokantoja sijainnin perusteella. Toisaalta jälkimmäisen kanssa joutuu aina monesti miettimään, että onko kyse containsin vai intersectionin käytöstä, johon myös Marita Selin viittaa blogissaan (ks. Marita Selinin blogi.). Näin ollen työkalujen käyttö periaatteellisella tasolla onnistuu, mutta aina en ole täysin varma tietyistä valinnoista, vaan saatan joutua kokeilemaan useampaan otteeseen eri vaihtoehtoja, mikä taas lisää jokaisen kurssikerran työmäärää. Näin ollen tarvitsisin vielä pari ”napsua”, jotta pystyisin tekemään asioita enemmän rutiinilla.

Lähteet

Finavia. Webtrak. http://webtrak5.bksv.com/hel. Viitattu 2.3.2018.

Marita Selinin blogi. “PPP eli puskurointia ja paljon puhinaa (eli viides kurssikerta)” https://blogs.helsinki.fi/selkala/  Viitattu 15.2.2018

Minna Soittilan blogi. “Lentomelua ja koulutulokkaita”. https://blogs.helsinki.fi/soittila/. Viitattu 2.3.2018.

Sini Virtasen blogi. “Verta hikeä ja puskureita”. https://blogs.helsinki.fi/7k110738/ Viitattu 15.2.2018

Blogikirjoitus 4 – Ruudukkoja ja pisteitä

Neljännellä kurssikerralla syvennyimme jälleen uusiin teemoihin, kuten vektoriaineistojen monikäyttöisyyteen sekä ensimmäistä kertaa rasteriaineistoihin. Ensimmäisessä harjoituksessa oli uutta viime kertoihin se, että tuotimme vektoritasojen päälle ruudukon (1000m x 1000m), johon yhdisteltiin tietoja suuresta pääkaupunkiseudun pisteaineistosta. Attribuuttitauluun kurkistettaessa hätkähdytti pisteaineiston laajuus: 92 000 riviä erilaista tietoa pisteissä olevien ihmisten osoitteista, ikäjakaumasta, kielestä jne. Seuraavassa tarkempaa analyysia tehtävien tekemisestä sekä tuotetuista kuvista ja kartta-aineistoista.

Aluksi muodostimme pääkaupunkiseudun havaintopisteiden päälle ruudukkotason (1000 m x 1000 m). Tämän jälkeen ruudukoista poistettiin sellaiset ruudut, joista ei ollut havaintoaineistoa Spatial Query -työkalun (paikkatietokysely) avulla, jolloin jäljelle jäivät ruudut, joista löytyy havaintoaineistoa. Tämän jälkeen käytettiin jo viime tunnilta tuttua Join attributes by location -toimintoa, jolla pystyttiin yhdistämään pääkaupunkiseudun pisteaineistosta haluttuja muuttujia (yli 85-v., ruotsinkielisten määrä jne.) ruudukoihin. Miksi näin? Join-toimintoa eli datan liittämistä toisesta tietokannasta toiseen ei voinut tässä yhteydessä käyttää, koska ruudukkotietokannalla ja pääkaupunkiseudusta rakennetulla kevyemmällä tietokannalla ei ollut yhteistä tekijää.

Kuvassa 1. ja 2. on esitettyinä pääkaupunkiseudun ruotsinkielisten suhteellinen osuus koko väestöstä ruudukoiden avulla. Jälleen huomataan, miten luokitellulla on suuri merkitys asian havainnollistamisessa lukijalle. Kuvan 1. mukaan pääkaupunkisedulla on ruotsinkielisiä erittäin paljon, kun katsotaan väritystä ja viimeistä luokitusta. Kuva antaa lukijalle sellaisen vaikutelman, että pääkaupunkiseutu on täynnä ruotsinkielisiä. Jos katsomme kuvaa 2., niin saamme realistisemman kuvan aiheesta, sillä kuten siinä on esitettynä, ruotsinkielisten osuus on suuri etenkin Espoossa, Helsingin ydinkeskustassa, sekä lähellä Sipoon rajaa Itä-Helsingissä, Itä-Vantalla ja Kauniaisissa. Espoossa ruotsinkieliset selvästi enemmän hajallaan, mutta tasaisesti ympäri kuntaa. Päinvastaista suuntaa edustaa esim. Pohjois-Helsinki, jossa on erittäin vähän ruotsinkielisiä suhteessa alueen väestöön. Vastaavasti on Vantaalla, jossa Korson tienoilla ja Myyrmäessä on vähän ruotsinkielisiä. Kaikkiaan Tilastokeskuksen mukaan ruotsinkielisiä on Espoossa 7,8 %, kun taas vastaavat luvut ovat Helsingissä 5,6 % ja Vantaalla 2,6 % (Tilastokeskus: Kuntien avainluvut 2016).

 

Kuva 1. Ruotsinkielisten osuus pääkaupunkiseudulla (luokittelu: kvantiilit)

 

Kuva 2. Ruotsinkielisten osuus pääkaupunkiseudulla (luokittelu: luonnolliset luokkarajat)

Edellä käsitelty kuvien 1. ja 2. vertailu kertoo siitä, miten tärkeää on kokonaisuuden kannalta, että kartantekijä ei vääristele asiaa visuaalisesti. Tässäkin eron tuottaa luokittelu, sillä kuvassa 1. on kvantiilit, kun taas kuvassa 2. käytössä on luonnolliset luokkarajat. Näin ollen kuvan 1. viimeiseen luokan vaihtelu 18-100 % välillä vääristää hyvin paljon ruudukon luomaa kuvaa aiheesta. Yhtä lailla ongelmalliseksi voi tulla myös tilanne, jos käyttää suhteellisten arvojen sijaan absoluuttisia arvoja. Tällöin yhdessä ruudussa on tietty määrä havaintoja, mutta ruutu ei itsessään kerro kuinka monta ihmistä ruudussa on kokonaisuudessaan. Näin ollen absoluuttisilla arvoilla ja suhteellisilla arvoilla voi yhtä lailla ”pelata” kuten luokitteluilla parantaakseen visualisointia tai jopa vääristellä asioita. Mm. Sini Virtanen käsitteli vääristelyä omassa blogissaan ja toi esiin miten helppoa tietyille tahoille on esim. leimata joitakin etnisiä piirejä karttojen avulla ja sitä kautta levittää propagandaa yhteiskunnassa (ks. Sini Virtasen blogi).

Tein myös pienemmällä ruutukoolla (250 m x 250 m) kuvan 3., jossa on kuvattuna yli 85-vuotiaat pääkaupunkiseudulla. Kuten kuvasta nähdään, ruudukot ovat selvästi pienempiä ja havaintopisteitä on entistä enemmän. Pienempi ruutukoko tuntuu eri lailla visuaaliselta kuin suurempi ruudukko (1000 m x 1000 m), mutta sen tulkinta on paljon työläämpää. Samaan lopputulokseen tuli myös Senni Luoto omassa blogitekstissään. Ongelmaksi pienemmässä ruudukossa saattaa muodostua ns. kasautuminen, jos esimerkiksi 85-vuotiaita on keskittynyt yhteen pienempään ruutuun muuta asutusta enemmän. Jos esimerkiksi vanhusten talo sijoittuu ruudukkoon ja lähiteinoilla ei ole muuta asutusta, saattaa se vaikuttaa kuvaukseen eri lailla kuin jos kyse olisi 1000 x 1000 ruudukosta, jossa havaintoaineistoa saattaa olla enemmän. Marita Selinin mielestä jonkinlainen kompromissi (esim. 500 m x 500 m) näiden kesken saattaisi ratkaista tämänkaltaisia ongelmia (Marita Selinin blogi).

Kuvan 3. mukaan yli 85-vuotiaat keskittyvät Espoossa Tapiolan läheisyyteen ja Vantaalla Myyrmäen lähistölle. Helsingissä sijoittuminen on paljon hajanaisempaa: ydinkeskustan lisäksi yli 85-vuotiaita on etenkin Lauttasaaressa, Munkkiniemessä, Pohjois-Haagassa, Tammisalossa sekä Kontulan ja Myllypuron väliselle alueelle. Näin ollen nuoremmat ikäpolvet sijoittuvat uusimmille asuinalueille ja kauemmaksi keskuksista niin Helsingissä, Espoossa kuin Vantaalla.

Kuva 3. yli 85-vuotiaat pääkaupunkiseudulla luonnolliset luokkarajat asteikolla.

 

Lähteet

Senni Luoto blogi. “Ruudukoita ja vieraskielisten jakautumisen tarkastelua PK-seudulla”. https://blogs.helsinki.fi/luotosen/. Viitattu 9.2.2018.

Marita Selinin blogi. “Väestödata laittaa QGISin polvilleen eli neljäs kurssikerta”. https://blogs.helsinki.fi/selkala/. Viitattu 8.2.2018.

Sini Virtasen blogi. “Ruudut on valttia”. https://blogs.helsinki.fi/7k110738/. Viitattu 8.2.2018.

Tilastokeskus. Kuntien avainluvut (2016). http://www.stat.fi/tup/alue/kuntienavainluvut.html#?year=2017&active1=091&active2=092 Viitattu 8.2.2018.

 

Blogikirjoitus 3. – Afrikan konfliktiherkkyys ja Suomen tulvaindeksi

Teimme kolmannella kurssikerralla erilaisia karttoja, käytimme jälleen useaan otteeseen tietokantojen liittämistoimintoa (Join), liitimme Excel-tiedostosta tehdyn CSV-tiedoston Layer Paneliin sekä tutustuimme QGIS-ohjelman mahdollisuuksiin yhdistellä tietokantojen päällekkäisiä tietoja. Seuraavassa analyysiä tehdyistä kartoista sekä niihin liittyvistä taustatekijöistä.

Ensiksi tein kaksi kuvaa, joissa on esitettynä afrikkalaiset internetin käyttäjät absoluuttisesti sekä suhteellisesti vuonna 2017. Kuvasta 1. huomataan, miten Nigeriassa käyttäjiä on absoluuttisesti eniten eli yli 90 miljoonaa. Seuraavana listassa ovat mm. Egypti ja Etelä-Afrikka, jotka asettuvat 20-40 miljoonan käyttäjän välille. Joissain Afrikan maissa vaihtelee edelleen vain 27 000 käyttäjästä 2,8 miljoonaan käyttäjään. Toisaalta tuotettuun aineistoon ja ääripäälukuihin pitää suhtautua lähdekriittisesti, mutta joka tapauksessa internetin käyttö Afrikassa vaihtelee hyvin paljon maittain. Toisaalta, jos katsomme kuvaa 2., huomaamme, että suhteelliset arvot antavat aivan erilaisen kuvan aiheesta. Tällöin suurin käyttäjäaste löytyy Keniasta, jossa käyttäjiä on 89,4 % väestöstä. Sen sijaan jälleen vähiten internetin käyttäjiä on Saharan akselilla (Länsi-Sahara, Mauritania, Mali, Niger, Tsad, K-Afrikan tasavalta ja Etelä-Sudan). Huomionarvoista on myös se, että esimerkiksi vanhat britti siirtomaat Egypti ja Etelä-Afrikka, eivät loista tilastoissa niin paljon kuin voisi kuvitella, vaikka esimerkiksi jälkimmäinen on nähty monilla saroilla Afrikan kenties kehittyneimmäksi maaksi. Ja jos haluaa tarkastella muutosten pidemmän aikavälillä, voi ottaa Afrikan maiden internetin käyttäjät vuonna 2000, jolloin Nigeriassa oli vain 200 000 internetin käyttäjää ja esimerkiksi Liberiassa vain 500. Kasvu on siis ollut räjähdysmäistä! Vastaavaa teemaa on omassa blogissaan pohtinut Marita Selin (ks. Marita Selinin blogi).

Kuva 1. Internetin käyttäjät Afrikassa vuonna 2017.

Kuva 2. Internetin käyttäjät suhteessa Afrikan maiden väkilukuun (%) vuonna 2017.

Luennon aikana tehtiin myös kuva 3. jossa eritellään Afrikan eri alueet, joista löytyy öljyä, timantteja sekä esiintyy konflikteja. Erilaisten Join-liitosten jälkeen attribuuttitauluun saatiin tietoja konfliktien lukumääristä ja vuosista sekä öljynporausalueista Afrikassa. Millaisia johtopäätöksiä näiden välisistä suhteista voisi vetää? Yhtäältä yhteys konfliktien syttymisessä timanttilöydösten ja öljyporauslähteiden tulee esille ohessa olevasta kartasta. Näin on esimerkiksi Tsadissa ja Sudanissa. Toisaalta yhteys ei ole niin vahva mitä alun perin voisi kuvitella. Esimerkiksi öljyvaroiltaan runsaassa Libyassa ei näytä olevan yhtään konfliktia. Vastaavasti Pohjois-Afrikan maissa öljylähteet eivät osu samoihin pisteisiin kuin vain muutamilla alueilla (Algerian pohjoisosassa sekä Tunisiassa). Esimerkiksi Egyptissä laajat öljylähteet sijoittuvat konfliktien ulkopuolelle. Näin ollen tämän aineiston perusteella itse asiassa konfliktit ja Afrikan luonnon rikkaudet eivät korreloidu keskenään. Tällöin herääkin kysymys, että miksi konflikteja kuitenkin on näin paljon? Monien mielestä Afrikan konfliktiherkkyys liittyy siirtomaa-aikaan, heikkoihin instituutioihin ja keinotekoisiin valtioiden rajoihin. Näin ollen monet konfliktit liittyvät sisällissotiin ja muihin valtakamppailuihin. Toisaalta voidaan suhtautua kriittisesti edellä mainittuun dataan, sillä arabikevät vaikutti keskeisesti vuodesta 2011 Pohjois-Afrikan maihin. Näin ollen Libyan kohdallakin tulisi olla pisteitä, sillä on ollut sisällissotaa aina vuodesta 2011 eteenpäin, kun diktaattori Muammar Gaddafi syrjäytettiin vallasta. Tämän voi selittää aineiston ikä, sillä uusin öljykenttä on esimerkiksi otettu käyttöön 2003 ja näin ollen aineistot ovat ainakin 10 vuotta vanhoja, joten nykyhetkestä ohessa oleva tuotos ei anna juurikaan ajankohtaista tietoa, kuten myös Sini Virtanen on blogissaan todennut (ks. Sini Virtasen blogi).

 

Kuva 3. Konfliktien, öljynporauksen ja timanttilöydösten sijoittuminen Afrikassa.

Se Afrikan maista. Loppuluennon tehtävänä oli muodostaa eri tiedostoista Join-toimintoa hyväksikäyttäen ja laskutoimituksien kautta tulvaindeksi kartta ja analysoida sitä. Kuvassa 4. on esitettynä Suomen joet, järvet sekä tulvaindeksi (MHQ/MNQ) eli keskiylivirtaama jaettuna keskialivirtaamalla. Viiteen luokkaan luokitetut tulvaindeksien määrät tuovat esiin Suomen tulvatilanteen eri alueilla. Vähiten tulvaherkkää on aluetta ovat vaaleankeltaisella kuvatut alueet (tulvaindeksi 1-18) Lapin Inarissa sekä Lounais-, Keski- ja Itä-Suomessa. Muu Lappi sekä Oulun alue ovat seuraavassa ryhmässä tulvaherkkyyden mukaan. Pahimmat tulva-alueet löytyvät Suomen rannikkoalueilta Pohjanmaan, Varsinais-Suomen sekä Etelä-Suomen suurten jokien varsilta, joissa tulvaindeksi vaihtelee 100:sta aina 1100:een. Suurinta eli edellä mainittua tulvaindeksin 1100 arvoa edustaa attribuuttitaulun mukaan Aurajoki. Seuraavina listalla ovat Halikonjoki (tulvaindeksi 500) ja Porvoonjoki (tulvaindeksi 350). Tulvaongelmat sijoittuvat näin alueille, joissa topografia on hyvin tasainen, kuten Pohjanmaalla ja Etelä-Suomessa. Porvoonjoen tulvista aiheutuikin vuonna 2015 monia ongelmia, kun vesi tulvi teille ja rantakaduille. Tulvavesi jopa sulki Porvoon Rantakadulta lähtevän Sikosaarentien, joka on suosittu Porvoon luontokohde sekä monien mökkiläisten kesänviettopaikka (ks. MTV.fi; Porvoo.fi).

Kuva 4. Suomen tulvaherkimmät alueet.

Tarkastelemalla Kuvaa 4. ja vertaamalla sitä Kuvaan 5. huomataan monia kiinnostavia alueellisia jakoja luovia luonnonmaantieteellisiä ominaisuuksia. Kuva 5. havainnollistaa sitä, miten Suomessa järvet ovat sijoittuneet Keski- ja Itä-Suomeen. Muita suuria järvikeskittymiä löytyy mm. Oulun korkeudelta sekä Inarista. Tämä ei kuitenkaan selitä järvisyyden määrää (%), sillä se määrittyy järvien pinta-alan suhteesta valuma-alueen pinta-alaan. Näin ollen Suomen suurimman järven Saimaan järvisyys on pieni, koska sen valuma-alue on erittäin suuri eli yli 60 000 km². Sen vuoksi Keski-Suomessakaan ei ole kuin yksi pylväs, koska Saimaan valuma-alue ulottuu aina Imatralta Pohjanmaalle asti. Saimaan lisäksi myöskään Päijänne ei korostu aineistosta. Sen sijaan esimerkiksi Säkylän Pyhäjärvi korostuu pylväshistogrammissa, koska sen pinta-alaan nähden valuma-alue on hyvin pieni, vain 500 km². Toisena mielenkiintoisena ääripäänä näyttäytyy käsivarren Lappi, josta löytyy vain yksi pylväs.

Kuva 5. Tulvaindeksi sekä järvisyys (%) esitettyinä.

 

Lähteet

Sini Virtasen blogi. “Veritimantteja ja valuma-alueita”.  https://blogs.helsinki.fi/7k110738/ Viitattu 3.2.2018.

Marita Selinin blogi. “Afrikan konfliktit ja Suomen vesistöalueiden tulvimisriski eli kolmas kurssikerta. https://blogs.helsinki.fi/7k110738/ Viitattu 3.2.2018.

Tietoa Sikosaaresta 2018. https://www.porvoo.fi/sikosaari Viitattu 3.2.2018.

MTV 6.12.2015. Tulvat Porvoossa. .https://www.mtv.fi/uutiset/kotimaa/artikkeli/kuvat-vesi-tulvi-kaduille-porvoossa-eristi-saaren-asukkaat/5596136#gs.sqWX0rY Viitattu 3.2.2018

 

 

 

 

 

 

Blogikirjoitus 2 – Karttaprojektioista

Toisella kurssikerralla syvennyimme erilaisiin valinta- ja mittaustyökaluihin sekä karttaprojektioihin, joita QGIS-ohjelmasta löytyy. Mittaustyökaluilla saatiin tiedot taulukkoon 1., joka sisältää Suomen leveyden sekä Utsjoen pinta-alan, joita mitattiin eri karttaprojektioissa. Toisella kurssikerralla Join-toiminnon käyttämisen lisäksi teimme uusia sarakkeita attribuuttitaulukkoon sekä laskettiin erilaisia muuttujia, kuten pinta-aloja Open Field Calculatorilla. Mielenkiintoista oli huomata, miten laskin-toiminnolla pystyi tekemään sekä uuden sarakkeen laskutoimitukselle että päivittämään jo aiemmin luotua saraketta. Seuraavassa pohdintaa kurssikerralla ja kotona tehdyistä harjoituksista.

Projektiot ja niiden vaikutukset

Taulukko 1. Viisi eri karttaprojektiota ja niiden aiheuttamat muutokset etäisyyksissä ja pinta-alojen suuruudessa.

Utsjoen pinta-ala (km2) Suomen leveys Vaasasta itään (km) Pinta-alan suhde ETRS-TM35 projektioon (km2) Pinta-alan ero suhde ETRS-TM35 projektioon (%)
ETRS-TM35 5 210 506
WGS 84 /Sphere Mercator 42 880 1 110 37 700 828 %
Eckert I 8 010 674 2 830 155 %
ETRS89 / ETRS-LAEA 5 240 509 30 101 %
Robinson (World) 7 260 739 2 800 139 %

Taulukossa 1. on kuvattuna erilaiset projektiot, kuten esim. Suomen koordinaatistojärjestelmä (ETRS-TM35), Euroopan komission käyttämä Lambertin projektio (ETRS89-ETRS-LAEA), Mercatorin projektio sekä Robinsonin ja Eckertin projektiot. Näistä Robinsonin projektio on yhdistelmä kaikkia projektioita eli oikeapituista, oikeapintaista ja oikeakulmaista, mikä vaikuttaa siihen, että siinä on minimoitu vääristymät kaikkien kolmen muuttujan suhteen. Se on siis eräänlainen ”kompromissi” projektio. Eckert I on taas oikeapituinen karttaprojektio. Mercator on ns. oikeakulmainen lieriöprojektio, jossa pituuspiirit on vakioitu. Leveyspiirit sen sijaan kasvavat päiväntasaajalta napoja kohden mentäessä (ks. Karttaprojektiot). Näin ollen Mercator-projektiossa esimerkiksi Grönlanti ja Etelämanner korostuvat muita enemmän, sillä niiden pinta-ala kasvaa suhteessa päiväntasaajan alueisiin. Mercatorissa Grönlanti (2 166 086 km²) näyttää olevan pinta-alaltaan Afrikan (30 365 000 km²) kokoinen, vaikka todellisuudessa Afrikka on Grönlantia lähes 15 kertaa suurempi.

Kuva 1. Kuvakaappaus Mercator-projektioista. (Wikipedia).

Vastaava pinta-alojen ja etäisyyksien vääristymä voidaan havaita myös Suomen kohdalla, sillä maamme sijaitsee pohjoisella pallonpuoliskolla. Esimerkiksi Utsjoen kunnan pinta-ala heittelee eri projektioilla reilusta 5200 km² aina Mercatorin lähes 43 000 km². Mercator-projektio on selvästi omassa kastissaan, kun taas Eckert I, Lambertin sekä Robinsonin projektiot ovat lähempänä Suomen koordinaatistojärjestelmää (ETRS-TM35). Näistä Euroopan komission käyttämä Lambertin projektio on lähimpänä Suomen koordinaatistojärjestelmää erojen ollessa hyvin marginaalisia. Eckert I ja Robinson eroavat jonkin verran, mutta ero ei ole niin suuri kuin Mercator-projektiolla.

Toisella harjoituskerralla teimme myös toisenlaisen projektioita havainnollistavan harjoituksen, jossa käytettiin aiemmin mainittua Open Field Calculatoria kuntien pinta-alojen laskemiseen sekä Lambertin että Mercatorin projektioissa. Kuvassa 2. on esitettynä Suomen kuntien pinta-alat Mercatorin ja Lambertin projektioiden suhteena. Kuvassa alueet on luokiteltu kahdeksaan eri luokkaan 127–374 % välillä. Nämä suhteet kuvaavat vääristymää, joka Mercatorin projektiossa syntyy suhteessa Lambertin projektioon. Eli siis mitä enemmän mennään kohti pohjoisnapaa, sitä enemmän pinta-alat suurenevat ja sitä kautta vääristyvät. Tämä johtuu Mercator projektiosta, kuten aiemmin on mainittu, sillä se vääristää pinta-aloja ja venyttää etäisyyksiä siirryttäessä kohti napa-alueita.

Kuva 2. Pinta-alojen vääristymä Mercator-projektion suhde Lambertin projektioon (%).

Viimeisenä harjoituksena tehtiin vielä kaksi kuvaa, joissa muuttuvaksi tekijäksi otettiin väestöntiheys (as./km2) Mercatorin (Kuva 3.) ja Lambertin (Kuva 4.) projektioissa. Jälleen kerran havaitsemme Mercatorin projektiossa syntyvän vääristymän, koska väestötiheys on siinä selvästi Lambertin projektiota pienempää jokaisella alueella. Laura Hoikkalan pohdiskeli asiaa omassa blogissaan ja hän osuvasti huomautti, miten eroa on vaikea nähdä silmällä, vaan enemminkin eron havaitsee legendasta (Laura Hoikkalan blogi). 

Kuva 3.  Väestöntiheys (as./km2) esitettynä Mercatorin projektiossa.

Kuva 4. Väestöntiheys (as./km2) esitettynä Lambertin projektiossa.

Mikä voisi selittää erot väestöntiheydessä eri projektioissa? Väestötiheyden mittauksessa ainoana muuttuvana tekijänä Mercatorin ja Lambertin projektioissa on pinta-ala, joka kuten jo aiemmin mainittua vääristyy mitä pohjoisemmaksi mennään, joten se myös vähentää asukkaiden määrää neliökilometriä kohti. Kuvia voi myös analysoida eri luokitusten avulla, mitä on mm. Sini Virtanen on pohtinut ansiokkaasti omassa blogissaan (ks. Sini Virtasen blogi). Esimerkiksi tasavälinen luokittelu johtaa siihen, että suurin osa Suomen kunnista on samanvärisiä, kun taas kvantiileissa tulevat erot paremmin esiin. Mutta tällöin taas viimeisen luokan sisäinen hajonta on erittäin suurta, mikä sekin aiheuttaa tulkintaongelmia.

Pohdintaa

Suurin osa asioista oli ymmärrettäviä ja edellisen kerralla harjoitellut toiminnot legendojen tekemisistä liitoksiin tapahtuivat entistä automaattisemmin, eikä ohjeisiin tarvinnut turvautua enää niin paljon. Toisaalta muutaman kerran ”kompastuin” helppoihin kohtiin esim. Toggle editing- toiminnon kanssa, kun se jäi vahingossa päälle. Joka tapauksessa kahdessa luentokerrassa olen oppinut monia uusia asioita ja QGIS-ohjelmiston perusteita.

Karttaprojektioista ja tehdyistä harjoituksista voidaan yhteenvetona todeta, että eri projektioilla pystytään korostamaan tiettyjä ominaisuuksia samaan aikaan, kun monet muut asiat saattavat kärsiä, kuten olemme edellä nähneet. Esimerkiksi Mercator projektiolla etäisyydet ja pinta-alat vääristyvät pohjoisella pallonpuoliskolla suhteessa Suomen koordinaatistojärjestelmään (ETRS-TM35) tai Euroopan komission käyttämään Lambertin projektioon. Yhtä kaikki, karttojen tulkinta vaatiikin lukijalta lähdekriittistä otetta, jotta karttojen analysointi onnistuu. Tällöin lähdekriittinen lukija ymmärtää erilaisia karttoja ja tarkastelee niiden antamaa tietoa ja sen luotettavuutta.

Lähteet

Laura Hoikkalan blogi: “Projektion vaikutus”. https://blogs.helsinki.fi/7k110736/. Viitattu 1.3.2018.

Sini Virtasen blogi: “Karttaprojektioiden maailmassa”.  https://blogs.helsinki.fi/7k110738/ Viitattu 29.1.2018.

Karttaprojektiot: http://www.helsinki.fi/maantiede/kurssit/TAK/Kartografian%20oppimateriaali/testi/Kartan_perusominaisuudet/perus10.htmlViitattu 28.1.2018. 

Wikipedia. Mercator-projektio.  https://en.wikipedia.org/wiki/Mercator_projection. Viitattu 6.3.2018

 

 

 

 

 

Ensimmäinen harjoitus

QGIS-ohjelmisto

Ensimmäinen kurssikerta oli mielenkiintoinen, sillä saimme heti aikaiseksi kartta-aineistoja QGIS:n avulla. Maantieteen perusopinnoissa käytin QGIS-ohjelmaa yhdellä kurssilla, mutta silloin opiskelu oli omatoimista valmiina olleiden ohjeiden mukaisesti. Silloin en ymmärtänyt, saatikka sisäistänyt, mitä QGIS:n eri työkaluilla ja toiminnoilla oli mahdollisuus tehdä. Tämä luentokerta, joka sisälsi enemmän ohjausta, selvensi minulle asioita aiempaan verrattuna. Samalla tulin oppineeksi paljon uutta: esimerkiksi Join-toiminnon, jonka avulla pystyttiin liittämään attribuutti-taulukoihin lisää muuttujia. Vastaavasti tämänkertaisessa tehtävässä suoritettu typpipäästöjen suhteellisen osuuden laskeminen oli minulle uusi osoitus siitä, mitä kaikkea QGIS-ohjelmalla voi tehdä. Myös legendan tekeminen oli uusi juttu ja yllätyinkin siitä, miten yksinkertaista sen tekeminen oli ja miten helposti sitä pystyy muokkaamaan haluamansa näköiseksi. Tämä ei minulta onnistunut edellisellä kurssilla ja näin kartat jäivät keskeneräisiksi, eikä niitä voinut kunnolla tulkita. Seuraavien kurssikertojen kannalta onkin keskeistä se, miten pystyn soveltamaan tällä kerralla opittuja asioita haastavampien tehtävien parissa. Toisin sanoen, esimerkiksi Join-toiminnon tai Filter-toiminnon tekeminen pitäisi seuraavilla kerroilla tapahtua automaattisesti ilman ohjeita tai varsinaista kysymystä, jos eri tekijöiden luokittelu sitä vaatii. Seuraavassa pohdintaa tämän kurssinkerran aikana tehdyistä kartoista (ks. Kuva 1 ja Kuva 2.).

Karttojen analysointi

Kuvassa 1. on esitettynä yhdeksän Itämeren rantavaltiota, jotka päästävät typpeä Itämereen. Näitä valtioita ovat Ruotsi, Suomi, Venäjä (Kaliningrad mukaan luettuna), Viro, Liettua, Latvia, Puola, Saksa ja Tanska. Kuvan legendassa on eriteltynä luokittelu, jossa maat ovat järjestetty typpipäästöjen mukaan. Kuten selitteestä käy ilmi on kyse suhteellisista typpipäästöosuuksista. Puola on suurimpana typpipäästäjänä merkitty tummimmalla värillä: sen typpipäästöt vastaavat 37,5 % kaikista Itämereen päätyvistä typpipäästöistä, kun taas esimerkiksi Virolla lukema on 3,5 %. Absoluuttisesti Puola typpipäästöt ovat yli 300 000 tonnia, kun taas pienimmät typpipäästöt ovat Virolla (alle 30 000 tonnia). Suomi sijoittuu Latvian ja Saksan väliin yli 70 000 tonnin typpipäästöillä. Ruotsilla sen sijaan typpipäästöt ovat jopa noin 120 000 tonnia. Silti Ruotsin typpipäästöt ovat vain reilu 1/3 Puolan päästöistä, vaikka Ruotsilla on rantaviivaa ja mahdollista päästöaluetta Puolaa moninkertaisesti enemmän. Suomella on rantaviivaa Itämereen toiseksi eniten Ruotsin jälkeen. Sen sijaan esimerkiksi Venäjä ja Liettua päästävät typpeä Itämereen suuria määriä suhteessa siihen kuinka vähän niillä on rantaviivaa Itämereen. Toisaalta pelkkä rantaviiva ei kerro kaikkea: esimerkiksi Itämereen virtaavien jokien vaikutusta typpipäästöjen viejänä maa-alueilta vesistöön voisi avartaa asian tarkastelua. Näin ollen tähän karttaharjoitukseen olisi voinut lisätä suurimmat joet esimerkiksi Puolan ja Venäjän osalta ja pohtia niiden kautta typpipäästöjen muodostumista. Vastaavasti Ruotsin ja Suomen kohdalla joet kuvastaisivat myös suuria valuma-aleuita tarkemmin.

Kuva 1. Typpeä Itämereen päästävät valtiot porrastettuina päästöjen mukaan.

Kuvasta 1. havaitaan, että Puola on selvästi suurin typpipäästöjä aiheuttava valtio Itämeren piirissä. Itämeren hyvinvoinnin kannalta Puolan ja esimerkiksi Venäjän päästöjen vähentämistä voidaan pitää elinehtona. Kari Hartikainen pohtikin mm. blogissaan, miten Neuvostoliiton haamu näkyy edelleen näiden maiden elinkeinoissa ja esimerkiksi typpipäästöjen muodostumisessa (ks. Kari Hartikaisen blogi). Lisäksi on huomioitava se seikka, että Puola on vielä  Pohjoismaita perässä elintasomittareilla, mikä näkyy muun muassa sen maatalousvaltaisuudesta sekä suurimmista EU-tuista (10,6 mrd. euroa), joita Euroopan unioni jakaa jäsenmaille (Europa.eu.).

Typpipäästöjen lisäksi fosforipäästöt ovat olleet viime vuosina agendalla varsinkin, kun Venäjän Kingiseppissä sekä Puolan Gdanskista on löydetty tutkijoiden ja journalistien toimesta suuria fosforivuotoja, jotka aiheuttavat ylimääräistä kuormitusta Itämerelle yhdessä typpipäästöjen kanssa (ks. Ympäristö.fi 2016). Kaiken kaikkiaan Itämeren pelastamiseksi, jokaisen valtion on pystyttävä vähentämään päästöjään aiemmasta. Itämeren yhteistyön merkitys tulevaisuudessa on yksi avaintekijä typpi- ja fosforipäästöjen vähentämisessä.

Tarkastelemalle Kuvaa 1. kriittisesti, huomataan, että siinä on muutamia kiistanalaisia elementtejä. Ensinnäkin suhteelliset arvot ja niiden luokittelu tuovat tietynlaisia ongelmia: esimerkiksi Puolan tumma väri sisältää suuren haarukan eli arvot 14,79-37,50 %. Kuten aiemmin todettiin, Puolan suhteellinen osuus oli 37,5 %, mitä lukija ei pysty legendan avulla sanomaan. Lisäksi muut kategoriat eivät sisällä noin suurta arvojen vaihtelua. Toisekseen esimerkiksi Viron valkoinen väri saattaa sekoittua Jäämeren tai Mustanmeren kanssa, mikä voi heikentää kartan luettavuutta. Yhtä kaikki, kuten kurssikerroilla on mainittu kartan tekemisessä ja alueiden luokittelussa joudutaan usein tekemään kompromisseja, kuten tästäkin karttaesityksestä käy ilmi. Kompromisseilla ei ole tarkoitus vääristellä kuvaa, vaan enemmänkin osoittaa eroja eri valtioiden kohdalla.

Kuvassa 2 on esitettynä Suomen väestöntiheys (as./km2) kunnittain vuonna 2015. Kunnat ovat luokiteltu 6 eri luokkaan, joista alhaisemmassa ovat 0,2-3,7 as./km2 ja suurimmissa 42,4-5128,0 as./km2. Kuvasta 2. näkyy selkeästi Suomen suurimmat keskukset jotka sijaitsevat Etelä-Suomessa, Turussa, Tampereen alueella, Jyväskylässä ja Oulussa. Vastaavasti samaan kategoriaan kuuluvat mm. Imatran, Porin, Rauman ja Kuopion alueet. Kuten kuvan 1. kohdalla pohdittiin jo aiemmin, kun asioita pyritään havainnollistamaan ja erottamaan eri alueet 5-6 luokalla, tuo tämänkaltainen luokittelu tuo tiettyjä ongelmia. Etelä-Suomen ja muiden suurten keskusten väestöntiheys on suurempi kuin esimerkiksi Porin, Rauman ja Imatran vastaavat. Tämä käy selville mm. attribuuttitaulusta, jonka mukaan esim. Helsingin väestöntiheys on 3301 as. /km2, Vantaalla 810 as./km2, Espoolla 793 as./km2 ja Turulla 769 as./km2. Toisaalta Tampereen (313 as./km2) ja Oulun (66 as./km2) kohdalla arvot ovat alhaisemmat, koska ne ovat pinta-alaltaan selvästi Poria ja Raumaa suurempia. Yhtä kaikki, suurin väestöntiheys Suomessa on Maarianhaminassa, jossa väestöntiheys on 5127 as./km2. Näin suhteellisissa vertailuissa korostuvat pinta-alaltaan pienet kunnat suhteellisen suuren väestön vuoksi. Näin on esimerkiksi Keravan, Järvenpään ja Raision kohdalla, sillä niiden asukastiheys on Tamperetta ja Oulua suurempia, vaikka jälkimmäisten absosuuluuttiset väestömäärät edellisiä selvästi suurempia.

 

Kuva 2. Väestöntiheys (as./km2) kunnittain vuonna 2015. (Tilastokeskus: 2018). Viitattu 16.1.2018

QGIS:ssa tasojen piilottaminen havainnollistaa vielä paremmin keskusten ja toisaalta harvaan asuttujen kuntien sijoittumista. Kokonaisuudessaan Lappi on, Rovaniemeä, Kemiä ja Torniota lukuunottamatta, harvaanasuttua aluetta, joka sijoittuu alimpaan kategoriaan (0,2-3,7 as./km2). Lapin keskuksena toimiva Rovanniemi sijoittuu 3 kategoriaan (6,3-10,9 as./km2), kun taas Kemi on ylimmässä kategoriassa 210 as./km2. Jälleen kerran suhteelliset arvot ja kuntien erilaiset pinta-alat saavat aikaiseksi sen, että absoluuttisesti asukasmäärältään Lapin suurin keskus, Rovanniemi, sijoittuu alhaisimpiin luokkiin, koska sen pinta-ala on niin suuri.

Lapin harvaan asuttujen alueiden ja Suomen suuriempien keskusten välissä ovat keskisuuret kunnat, jotka voisivat olla esimerkiksi kategoriat 3-5. Nämä kunnat sijaitsevat etenkin länsi- ja etelärannikoilla; monet aivan suurimpien keskusten vieressä. Lisäksi Keski-Suomessa ja Itä-Suomesta löytyy keskisuuria kuntia. Viimeaikainen keskusten kasvaminen ja keskisuurten ja pienten kuntien muuttotappiot ovat vaikuttaneet väestöntiheyteen. Analysoinnin kannalta olisi mielenkiintoista tutustua mm. vuoden 1990 tai 2000 väestöntiheys lukuihin ja verrata niitä tämänpäiväisiin. Seuraavat jatkokysymykset voisivat tällöin tulla kyseeseen: millaista eroa lukumäärillä olisi? Millainen tilanne olisi pienissä ja keskisuurissa kunnissa? Vastaavasti tuleva kehitys kiinnostaa tutkijoita: tuleeko Itä-Suomesta ja ja Keski-Suomesta Lapin tapaista alhaisen väestöntiheyden aluetta? Keskittyykö Suomi Etelä- ja Länsi-akselille itä- ja pohjoisalueiden tyhjentyessä?

Lähteet

Helsingin Sanomat (17.7.2013) Puola myöntää kipsivuoren päästöt: “Saatava loppumaan”.  https://www.hs.fi/kotimaa/art-2000002662074.html Viitattu 20.1.2018.

Kari Hartikaisen blogi. “Ensikosketus QGisin syövereihin”. https://blogs.helsinki.fi/hartkari/2018/01/28/ensikosketus-qgisin-syovereihin/. Viitattu 1.3.2018.

Puola Euroopan Unionissa. https://europa.eu/european-union/about-eu/countries/member-countries/poland_fi viitattu. Viitattu 1.3.2018

Ympäristö.fi. Jokien kuljettamat ravinnemäärät edelleen suuria.   http://www.ymparisto.fi/fi-FI/Kartat_ja_tilastot/Ympariston_tilan_indikaattorit/Makea_vesi_ja_meri/Jokien_kuljettamat_ravinnemaarat_edellee(28650) Viitattu 20.1.2018.