Sain kuin sainkin viimein laadittua viimeisen kurssikerran tehtävänä olleen vapaavalintaisen kartan. Olin jo ehtinyt kehittää kartan laadintaan melkoisen henkisen kynnyksen, sillä jostakin syystä olin aivan varma, että en millään onnistuisi kartan laadinnassa, että löytämääni dataa ei millään saisi karttamuotoon eivätkä tietokannat suostuisi pelaamaan yhteen. Helpotus oli suuri, kun vähitellen aloin saada haluamani tietokantaliitokset onnistumaan.
Tein lopulta melko yksinkertaisen koropleettikartan Saksan kunnista ja kaupungeista, sillä halusin havainnollistaa kartalla eroja Itä- ja Länsi-Saksan välillä erilaisten hyvinvointia ja väestörakennetta kuvaavien tilastotietojen avulla. On nimittäin tunnettua, että entisen DDR:n alue on jäänyt talouskasvussa ja elinvoimaisuudessa Länsi-Saksan osavaltioiden jälkeen. (https://www.theguardian.com/world/2020/sep/16/germany-east-west-gaps-persist-30-years-reunification, sivulla vierailtu 3.4.2023) Valitsin mittareiksi muun muassa työttömien osuuden työvoimasta, äänestysaktiivisuuden sekä yli 65-vuotiaiden osuuden väestörakenteesta.
Datan etsiminen, löytäminen, siivoaminen sekä saattaminen QGIS:n luettavaan muotoon oli ilman muuta haastavin ja työläin tehtävä. Saksasta on sinänsä saatavilla erinomaisesti tilastotietoja ja kartta-aineistoja, jotka on vieläpä alun alkaen pyritty laatimaan mahdollisimman yhteensopivaan muotoon: esimerkiksi jokaiselle kunnalle oli annettu oma, kaikissa tietokannoissa sama numerokoodinsa, jotta tietokantaliitosten tekeminen olisi mahdollisimman helppoa (tosin törmäsin vaikeuksiin numerosarjan eteen laitetun 0:n suhteen). Datan löytämisessä auttoi merkittävästi kielitaito, sillä tietokantoja ei ollut kovin hyvin saatavilla englanniksi.
Aluksi ongelmanani oli löytää riittävän yhtenäistä dataa Saksasta kuntatasolla, sillä Saksan Tilastokeskukselta löytämästäni datasta puuttui joidenkin kuntien tietoja, minkä lisäksi myöskään väkiluvusta ei jostain syystä ollut saatavilla kuntakohtaista tietoa kuin vuodelta 2020. Lopulta löysin Regionalatlaksen (https://regionalatlas.statistikportal.de/#), jossa oli jo valmiiksi visualisoitu kuntakohtaista tietoa Saksan kartalle. Kartalla käytettyjä tietoja pystyi lataamaan palvelusta CSV-tiedostoina suhteellisiksi osuuksiksi valmiiksi laskettuna.
Suurimmat hankaluuteni tehtävässä liittyivät tietokantaliitoksiin. En päässyt liittämään tilastotietoja karttapohjaan, koska vektorimuotoisen karttapohjan avaimessa oli numeroiden edessä 0, eivätkä CSV- tai txt-tiedostomuodot suostuneet säilyttämään 0:aa luvun edessä, vaikka koitin parhaani mukaan muuttaa solujen tietokantamuotoa ”tekstiksi”. Googlasin ohjeitakin, miten saisin 0:n luvun edessä säilytettyä CSV-tietokannassa, mutta ratkaisu vaikutti sen verran työläältä, että päädyin mieluummin manuaalisesti muokkailemaan kuntien nimiä karttapohjatietokantaa vastaavaksi. Tämä vaati lähinnä väärin tulostuneiden ääkkösten korvaamista oikeilla ja tiedostoa QGIS:iin siirtäessä koodauksen muuttamista UTF-8:sta ISO-8859-1:ksi, jotta sain ääkköset siirrettyä QGIS:iin oikein.
Kuva 1. Äänestysaktiivisuus Saksassa liittopäivävaaleissa vuonna 2021. Berliini näkyy kuvassa kokonaisuudessaan uutena osavaltiona, vaikka kaupungin länsiosa kuului Länsi-Saksaan. Karttapohja: Bundesamt für Karthographie und Geodäsie. Tilastotiedot: Regionalatlas.Kuva 2. Työttömien osuus työvoimasta 2021. Berliini näkyy kuvassa kokonaisuudessaan uutena osavaltiona, vaikka kaupungin länsiosa kuului Länsi-Saksaan. Karttapohja: Bundesamt für Karthographie und Geodäsie. Tilastotiedot: Regionalatlas.Kuva 3. Yli 65-vuotiaiden osuus väestöstä vuonna 2021. Berliini näkyy kuvassa kokonaisuudessaan uutena osavaltiona, vaikka kaupungin länsiosa kuului Länsi-Saksaan. Karttapohja: Bundesamt für Karthographie und Geodäsie. Tilastotiedot: Regionalatlas.
Entiset DDR:n osavaltiot näkyvät kartalla punaisella rajattuna. Alue erottuu selvästi entisen Länsi-Saksan valtioista niin äänestysaktiivisuudessa, oikeistopopulistipuolue Vaihtoehto Saksalle (Alternative für Deutschland, AfD) -puolueen suosiossa sekä yli 65-vuotiaiden suhteellisessa osuudessa. Muurin murtuessa Itä-Saksan teollisuus ei pärjännyt Länsi-Saksan yrityksille, jotka olivat tottuneet toimimaan markkinataloudessa. Viime vuosina on tosin uutisoitu uusista vihreän siirtymän investoinneista entiseen Itä-Saksaan (https://www.ft.com/content/f1d0e732-d523-40db-b753-ae404498dc7a, sivulla vierailtu 4.4.2023). Ehkä itäisen Saksan osavaltiotkin aloittavat vähitellen kipuamisensa kohti Länsi-Saksan elintasoa?
Kello 22:58 viimeisen palautuspäivän iltana kirjoitan tätä blogipostausta ja totean, että niin vain jäi viimeinen tehtävä puolitiehen eikä ehtinyt julkaisukuntoon. En myöskään ehtinyt viilata kaikkia karttoja ja blogipostauksia sellaiseen kuntoon kuin olisin halunnut tai seikkailla muiden kurssilaisten blogeissa.
Harmittaa vähän, mutta samalla olen ylpeä siitä, että kurssi on kaikesta huolimatta nyt takanapäin ja viimeiseen tehtävään stiplaamisen vuoksi 86 %:sti hoidettu. Ehkä sillä jo tippuisi kurssisuoritus. Ja katsotaan, ehkä lähipäivinä vielä röyhkeästi julkaisen 8. blogipostauksen, jossa on mukana viimeisen tehtävän kartta. Aineistot on etsitty ja data on tietokantaliitoksia varten hartaudella siivottu, eli sinänsä ollaan jo “puoliksi tehdyn” puolella (tarkoitus oli tehdä visualisointeja erilaisista Itä- ja Länsi-Saksan väestön hyvinvointia kuvaavista mittareista, ja saksalaisten kaupunkien erilaiset am Main, an der Oder-.. jne etuliitteet lyhennellään eri tietokannoissa aivan miten sattuu – raivostuttavaa!).
Osittain syynä tälle viime tipassa säätämiselle on kaikenlainen elämään ja opintoihin liittyvä kiire. Ennen kaikkea uutta opetellessa olen kuitenkin selvästi kokenut olevani epämukavuusalueella ja välillä vähän panikoinutkin, kun olen jäänyt jumiin jossakin. Olen auliisti ja mielelläni sysännyt GIS-kurssin tehtävät tilaisuuden tullen taka-alalle ja pois mielestä, koska tehtävät “vaativat niin kamalan paljon aikaa ja googlaamista” – vaikka ajan kanssa jumit ovat sitten auenneet. Tässä mielessä kurssi on ollut kuormittavampi kuin joku tavallinen kirjatentti: osaan kyllä opiskella uutta tietoa, mutta kokonaan uuden ohjelmiston haltuunotto onkin toinen juttu.
Viimeisenä viikonloppuna tehtäviä tehdessä olen moneen otteeseen taputtanut itseäni selkään – hoksasin ihan itse tehdä tämänkin asian, vaikka alun perin asia tuntui käsittämättömältä. Loppurutistus on auttanut yhdistämään asioita eri kurssikerroilta.
Kurssi on ollut kaikin puolin terveellinen kasvukokemus sekä osaamisen puolesta että henkisesti. Kaiken kaikkiaan hyvä fiilis!
Kurssikerralla 6 laadittiin visualisointeja hasardeista keskittyen erityisesti maanjäristyksiin, tulivuoriin ja meteoriittien maahan iskeytymisiin. Tarkoitus oli laatia visualisointeja, jolla maantieteen opettaja voisi havainnollistaa oppilailleen hasardeja kartalla. Maanjäristykset ja tulivuoret ovat tässä tietysti oiva valinta, sillä niiden esiintyvyyttä visualisoimalla voi havainnollistaa oppilaille, missä litosfäärilaattojen reuna-alueet ovat ja millaisia ilmiöitä niiden liepeillä on. Maantieteen opettaja voisi näyttää oppilailleen visualisointieni rinnalla esimerkiksi kartan litosfäärilaatoista esimerkiksi tämän sivun kautta: https://geology.com/plate-tectonics.shtml
Seurattuani helmikuun 6. päivän Etelä-Turkin ja Syyrian maanjäristystä tiiviisti olisin halunnut havainnollistaa Turkissa Pohjois-Anatolian laatan (eli siis eri laatta kuin jossa 6. päivän järistys tapahtui) rajalla idästä kohti länttä 1900-luvun mittaan kulkeneita 7+ magnitudin maanjäristyksiä, jotka ovat siirtäneet painetta aina kohti Istanbulia. Istanbulissa on tästä syystä korkea riski voimakkaalle maanjäristykselle (https://www.nytimes.com/interactive/2023/02/06/world/turkey-earthquake-faultlines.html, sivulla vierailtu 19.3.2023). Harmillisesti Yhdysvaltain geologian tutkimuskeskuksen tietokanta ei kuitenkaan toiminut, enkä siten saanut tietokannasta ulos maanjäristystietoja ulos vuosilta 1900-2023. Näin ollen piti siis tyytyä dataan, joka ulottuu vuoteen 2012 saakka.
Laadin kolme karttaa maanjäristysten yleisyydestä. Ensimmäisessä kartassa näkyy 4,5-10 magnitudin järistyksiä sadan vuoden ajalta – eli järistyksiä on todella paljon. Seuraavaan karttaan olen rajannut samalta aikaväliltä huomattavasti vain voimakkaimmat järistykset (6,5-10), jotka voivat jo aiheuttaa huomattavaa tuhoa rakennuksille. Opetuksessa näillä voi kuvata sitä, miten
Kuva 1. 4,5-10 magnitudin järistykset vuosina 1912-2012.Kuva 2. 6,5-10 magnitudin maanjäristykset vuosina 1912-2012.
Muistan lukeneeni jostakin (ehkä Turkin maanjäristystä seuranneen Twitter-doomscrollauksen lomassa) että suurimpien (7+ magnitudien) maanjäristysten esiintyvyyttä voidaan tilastollisesti ennakoida sen perusteella, kuinka paljon alueella esiintyy pieniä maanjäristyksiä. Harmillisesti en löydä lähdettä tähän hätään. Sopivalla visualisoinnilla tätä olisi varsin mielenkiintoista visualisoida, mutta tähän havaitsin taitojeni olevan vielä liian vaillinaiset.
Kolmanteen karttaan yritin saada näkymään maanjäristysten esiintyvyyden suhteessa asutukseen, jotta voisin kuvata sitä, missä maanjäristykset aiheuttavat ihmisille suurinta vaaraa. Tässä tuli haaste: piti löytää aineistoa, jossa olisi väestöntiheys kuvattuna kartalle. Pitkän etsinnän jälkeen löysin NASA:n sivuilta tarkoituksiini sopivaa ilmaiseksi ladattavaa rasteriaineistoa, johon oli kuvattu väestöntiheys. Jostain syystä väestöntiheydet eivät QGIS:ssa kunnolla kuitenkaan näkyneet ja luovutin NASA:n aineiston kanssa – aineistojen koko oli sellainen, että niiden lataaminen ei tapahtunut hetkessä.
Lopulta löytyi Euroopan komissiolta rasteriaineisto ihmisasutuksesta (https://ghsl.jrc.ec.europa.eu/download.php?ds=pop). Pitkän aineistojen läpinäkyvyyden kanssa pläräämisen jälkeen sain asutuksen näkymään taustakartalla valkoisina pisteinä. Kuvana kartta ei toimi kuitenkaan kovin hyvin, koska maanjäristyspisteet peittävät asutuksen alleen. En myöskään saanut asutuspisteitä näkymään karttaselitteessä elegantisti, joten ratkaisin asian niin, että otan sen legendasta pois ja selitän kuvatekstissä.
Karttani jääkin vähän karvalakkiversioksi löytämästäni riskimallista, jolla on visualisoitu se, kuinka paljon maanjäristys aiheuttaa rakennuskannalle tuhoa: https://maps.openquake.org/map/global-seismic-risk-map/#5/30.449/-99.316. Toisaalta lienee vähän turhan kunnianhimoista haaveilla riskimallinnuksen interaktiivisesta visualisoinnista geoinformatiikan menetelmien ensimmäisellä kurssilla.
Kaikesta huolimatta onnittelen itseäni hyvästä ideasta ja sinnikkyydestä väestöntiheysaineiston etsinnässä – ehkä vielä pääsen GIS-opinnoissani taitotasolle, jossa voin olla mukana visualisoimassa linkkaamani kaltaisia mallinnuksia!
Kuva 3. Voimakkaiden maanjäristysten esiintyminen tiheästi asutetuilla alueilla. Tiheimmin asutetut alueet näkyvät valkoisella taustakartassa.
Tämä kurssikerta ei mennyt ihan putkeen. Koin laskutehtävät hankaliksi, minkä seurauksena itseluottamus romahti ja lykkäsin kaiken tekemisen hamaan tulevaisuuteen. Viimeisenä viikonloppuna ennen oppimispäivän palautusta päätin istua alas tehtävien ääreen ja ottaa jokaisen haasteen vastaan ihan rauhallisesti ja käyttää niihin kaiken ajan, mitä vain tarvitsen. Paljastui, että tehtävän vaikeus oli pään sisäistä, eivätkä ne tehtävät sitten niin vaikeita olleetkaan! Aika mieletön onnistumisen tunne!
Alla on linkki tekemääni taulukkoon vastauksistani kurssikerran itsenäistehtäviin. Kaikissa tehtävissä käytettiin pääkaupunkiseudun rakennuksia koskevaa aineistoa, joka sisälsi tietoa niin rakennusten rakennusvuodesta, asukasmääristä, rakennusten tyypistä kuin osoitteista. Rakennukset oli merkitty pistein kartalle. Tätä tietoa käyttämällä tuli sitten selvittää vastauksia erinäisiin kysymyksiin, jotka liittyivät esimerkiksi siihen, kuinka moni ihminen asuu jollakin tietyllä etäisyydellä lentokentästä tai asemasta tai kuinka moneen rakennukseen on tulossa lähiaikoina putkiremontti.
Tehtävien jujuna oli se, että osasi valita rakennuksia kuvaavia pisteitä eri keinoin. Tehtävässä 1 tämä tapahtui rakentamalla “buffereita” esimerkiksi lentokentän kiitoratojen tai asemien ympärille. Tällöin oli yksinkertaista valita rakennuksia “select by location” toimintoa käyttämällä ja tutkia sitten Statistics-panelin avulla rakennusten tai niissä asuvien ihmisten määriä. Field Calculatorin avulla pystyi tekemään laskutoimituksia tietokantaan erillisiksi sarakkeiksi tallennetuilla tiedoilla.
Itsenäistehtävässä 3 valitsin tehtäväkseni visualisoinnin tekemisen putkiremonttia kaipaavista rakennuksista – tosin poikkesin ohjeesta sen verran, että katsoin putkiremonttia kaipaaviksi kämpiksi kaikki vuosina 1965-1980 rakennetut talot (asuntomarkkinoita seuraavana ihmisenä 40 vuotta on käsittääkseni aika hyvä peukalosääntö putkiremontin tarpeelle). Kaksi haastavinta asiaa tehtävän ratkaisussa olivat mielestäni seuraavat:
Rakennusten valinta siten, että iän perusteella valittavat rakennukset täyttävät kaikki kolme ehtoa: i) suurempi kuin 1965, ii) pienempi kuin 1980 ja iii) KATAKER = 39 (kerrostalo). Googlaamalla löytyi lopulta jonkun ystävällisen ihmisen laatima selvennys siitä, miten “Select by expression” toimii ja miten operaattoria “AND” käyttämällä voi valita useita ehtoja samanaikaisesti (https://mapscaping.com/how-to-select-by-expression-in-qgis/, sivulla vierailtu 19.3.2023). Ehkä tämä oli jo kurssilla opeteltukin, mutta kummasti vain vaati itseltä uusintaottelun.
Count points in polygon -toiminnon olemassaolon muistaminen. Mietin pitkään, miten pystyn laskemaan putkiremonttia kaipaavien asuntojen osuuden kaupunginosassa. Tämä operaattori oli ratkaisu – ja tällä kertaa käytön ohjeistus löytyi kurssikerran 3 materiaaleista.
Kuva 1. Vuosina 1965-1980 rakennettujen rakennusten osuus kaupunginosittain
Minusta kartalta huomaa hyvin, että osa kaupunginosista on selvästi rakennettu 1960-1980-luvuilla, tällaisia ovat esimerkiksi Itä-Pasila, Pohjois-Helsingin kaupunginosat Länsi- ja Itä-Pakila, Patola, Pukinmäki ja Maunula, Itä-Helsingistä Keski-Vuosaari, Rastila, Itäkeskus ja Roihupelto sekä Vantaalta Varisto, Martinlaakso ja Myyrmäki.
Liitin karttaan myös kaupunginosien nimet, mutta nyt jälkeenpäin katsottuna nimet näyttävät hieman sotkuisilta eivätkä erotu kartalta kunnolla. Jälleen kerran on vaikeaa sovittaa yhteen informatiivisuutta ja esteettisyyttä.
Tehtäviä tehdessä huomasi, että QGIS ei ole näppärin työväline suurten tietomassojen käsittelyyn. Jo pks_vaki oli tuskastuttavan suuri ja kömpelö laskutoimitusten tekemiseen. Esimerkiksi työikäisten määrän selvittäminen vaati IKAX-nappulan painamista useaan otteeseen – jos tietoa olisi ollut enemmän, tähän olisi mennyt ikä ja terveys!
Kurssikerta numero neljä jätti positiiviset fiilikset! Kerta kerralta pysyn opetuksessa paremmin mukana ja silloin kun jokin nappula tai vaihe menee tehtävästä ohi, löydän oikeat painikkeet ihan itsenäisesti niin, että saan nopeasti kirittyä muun ryhmän kiinni. Tietysti vielä on aika paljon matkaa siihen, että tuosta vain rakentelisi kauniita ja informatiivisia visualisointeja ilman, että joutuu tuijottelemaan tutoriaaleja tuntikausia – QGIS:n opettelu nettivideoiden avulla on välillä aika työlästä ja siihen saa helposti upotettua tunteja. Luotan siihen, että kyllä ne taidot vielä karttuvat. Oppimispäiväkirjaa kun tarkastelee, niin jo neljässä viikossa näyttäisi tapahtuneen kehitystä.
Tällä kertaa kurssilla laadittiin ruututeemakarttoja. Ruututeemakartoilla voi havainnollistaa jonkin ilmiön alueellista jakautumista kartalla siten, että ilmiötä, vaikkapa eläkeläisten määrää tai tehtyjä lajihavaintoja, havainnollistetaan täsmälleen samankokoisilla ruuduilla. Kun ruudut ovat samankokoisia, voidaan niillä esittää myös absoluuttisia arvoja (eli vaikkapa että eläkeläisiä asuu 79 kappaletta jonkin tietyn ruudun sisällä) siten, että visualisoinnin mielekkyys säilyy ennallaan yhä edelleen. Ruutujen ollessa keskenään samankokoisia voidaan niiden sisältämiä tietoja mielekkäästi myös vertailla toisiinsa: kartta esittää, miten esimerkin eläkeläiset ovat jollakin tietyllä alueella jakautuneet. Toisaalta ruudukko ei huomioi väestöntiheyttä, joten väestörakenteen tarkastelu ei tämän kartan pohjalta onnistu kovin hyvin. Tätä pohtii blogissan myös Tuukka (https://blogs.helsinki.fi/mcheiska/2023/02/12/neljas-harjoituskerta/, viitattu 26.2.2023). Ehkä parhaiten absoluuttiset arvot toimisivat luonnontieteellisten havaintojen, kuten jonkin tietyn lajin tai vaikka salamahavaintojen, esittämisessä, sillä niitä ei yleensä tutkita ”suhteessa johonkin”.
Mielestäni on mukavaa huomata, että olen ollut jo aivan ensimmäisellä kurssikerralla asian ytimessä pohtiessani, milloin on OK käyttää absoluuttisia arvoja ja milloin taas absoluuttiset arvot kartalla kuvattuna johtavat katsojaansa vähän harhaan. Tuolloin pohdin sitä, voitaisiinko kunkin maan päästöjä Itämereen kuvata absoluuttisina arvoina, jos tarkoituksena on tarkastella, mistä Itämereen tulee eniten typpipäästöjä ja millaisista määristä on tuolloin kyse. Olen edelleen sitä mieltä, että kuvaamassani tilanteessa absoluuttisten arvojen esittäminen on hyväksyttävää. Toki tilanteet, joissa absoluuttisten arvojen esittäminen on järkevää, ovat harvassa, joten siinä mielessä valitsemalla suhteelliset arvot kartalleen minimoi riskin harhaanjohtavasta visualisoinnista.
Ruututeemakartta ei mielestäni ole visuaalisesti selkeä tai väistämättä myöskään kovin intuitiivinen: lukijalle pitää todennäköisesti selittää kuvatekstissä, miten karttaa luetaan. Tässä mielessä koropleetti- tai pistekartta hahmottuu asiaa tuntemattomalle lukijalle intuitiivisemmin. Ei liene ihme, että esimerkiksi mediassa näkyy ruututeemakarttoja suhteellisen harvoin.
Kuvaan kartallani ruotsinkielisten osuutta väestöstä pääkaupunkiseudun kunnissa. Pääosin ruotsinkielisten osuus näyttäisi olevan 0-20 %:n pinnassa valtaosassa pääkaupunkiseutua, mutta tummemman vihreän eri sävyillä näkyy myös ruotsinkielisten ”keskittymiä”. Olettaisin, että keskittymiä syntyy, kun samaa kielivähemmistöä edustavat ihmiset alkavat kerääntyä samoille asuinseuduille – ehkä aikuiset lapset haluavat asua vanhempiaan lähellä ja ruotsinkielisessä koulussa tutustuneet ystävykset muuttavat samalle alueelle. Tästä syntyy myös itseään ruokkiva kierre: kun alueella on paljon saman kieliryhmän edustajia, seuraavat palvelut perästä, kuten ruotsinkieliset koulut, päiväkodit ja vanhainkodit. Tästä seuraa, että taas uudet ihmiset muuttavat alueelle näiden palveluiden piiriin päästäkseen.
Kartasta ei ilmene kovin hyvin, missä kaupunginosissa ruudut sijaitsevat, mikä heikentää kartan informaatioarvoa. Toisaalta kaupunginosien nimien lisääminen kartalle todennäköisesti sotkisi karttaa entisestään. Tässäkin koropleettikartta voittaa ruututeemakartan.
Karttani on periaatteessa suhteellisen hyvin onnistunut, mutta legendaan on sattunut nolo moka! Asteikon selitystekstin mukaan ruotsinkielisten osuus ei millään alueella pääkaupunkiseudulla ylittäisi yhtä prosenttia, vaikka tarkoitus on tietenkin ollut ilmaista, että asteikko menee 20 %:n välein. Kartalta pitää luultavasti tarkistaa myös tarkistaa, miten oikein olen laskenut ruotsinkielisten osuuden – esimerkiksi Mikko (https://blogs.helsinki.fi/mcheiska/2023/02/12/neljas-harjoituskerta/, viitattu 26.3.2023) samaa ilmiötä kuvaava kartta näyttää aivan erilaiselta kuin omani. Pitänee fiksailla nämä asiat, jos vain ehdin – harmi vain, että en tullut tallentaneeksi projektia vaan ainoastaan kuvan. Muistanpa siis jatkossa, että koko projekti on syytä tallentaa… Onneksi kertaus on opintojen äiti, eli kartan laatiminen toiseen kertaan on hyvää harjoitusta.
Viimeinkin sain pullautettua tekstin ulos ja blogiin! Hieman myöhässä kylläkin, sillä jäin tuskailemaan tulvaindeksitehtävän kanssa. Halusin kovasti koittaa tehdä ”haastavamman” version tulvaindeksistä, jossa järvisyysprosessi lasketaan itse, mutta jäin jumittamaan tietokantaliitoksen kanssa. Kärsivällisyys loppui, joten päädyin tekemään tehtävän ihan perustasolla. Ehkä on ylipäänsä parempi koittaa jatkossa tehdä hommat perustasolla ensin ja hifistellä sitten jälkeenpäin, jos haluaa saada kurssin suoritettua…
Kurssikerta 3 sujui jo huomattavasti sutjakammin kuin aiemmat kaksi kurssikertaa. QGIS alkaa olla ohjelmistona jo suhteellisen tuttu, eikä pelkkä ohjeiden seuraaminen tunnu enää niin ylivoimaiselta – nyt ehtii jo vähän ajatella mukana eli pohtia jo tehdessä sitä, miksi jotakin tehdään sen sijaan, että vain koittaisi pysytellä mukana. On aika tärkeää ymmärtää, mitä ollaan tekemässä milloinkin, koska muuten on myös vaikeaa etsiä netistä esim. tutoriaaleja.
Tehtävä 1 – konfliktit ja luonnonvarat kartalla
Tehtävässä 1 yhdisteltiin eri tietokantojen sisältämää tietoa Afrikasta samaan tietokantaan ja samaan visualisointiin. Osa tiedoista oli hajallaan esimerkiksi vanhan mallisissa MapInfo-tiedostoissa, joissa haasteena oli se, että osa valtioista koostui useista (jopa sadoista) pienistä polygoneista (esim. saaret oli piirretty ja tallennettu omiksi polygoneikseen). Harjoituksesta huomasi minusta hyvin, että paikkatiedon ja eri tietokantojen käsittely vaatii välillä aikamoista salapoliisitoimintaa ja myös mielellään eri tietokantamuotojen tuntemusta. Pitää ymmärtää, miten tieto on tallennettu ja mitä tieto koskee, jotta tietoa voi järkevästi yhdistellä ja sitä voi käyttää uusien johtopäätösten tekemiseksi.
Afrikan konfliktit ja luonnonvarat kartalla
Alla oleva karttakuva näyttää öljyesiintymien, timanttikaivosten ja konfliktien sijainnit. Visualisointina kartta on minusta ihan kohtuullisesti onnistunut, ehkä näin jälkiviisautta käyttäen vielä pienentäisin konflikti- ja timanttipalleroiden kokoa, jotta on mahdollista erottaa selkeämmin konfliktien, timanttien ja öljyn sijainnit.
Kartasta voisi periaatteessa vetää johtopäätöksen siitä, että timanteilla ja öljyesiintymillä voi olla vaikutusta konfliktien määrään. Etenkin läntisen Afrikan maissa on valtioita, joissa esiintyy öljyä tai timantteja sekä konflikteja. Toisaalta kartta (sekä kartan attribuuttitaulukko) näyttävää myös konflikteja, jotka eivät sijoitu öljy- tai timanttiesiintymien kanssa samaan maahan, sekä maita, joissa on luonnonvaroja, mutta ei konflikteja. Konfliktien taustalla voikin olla myös paljon muita syitä (hedelmällinen viljelysmaa, vesi…), joita tämä kartta ei näytä. Kovin pitkälle meneviä päätelmiä ei kartasta voi tehdä.
Lisätiedoista, kuten konfliktien tapahtumavuodesta suhteessa timanttikaivosten tai öljykenttien löytämisvuoteen olisi hyötyä tehtäessä päätelmiä siitä, mikä on konfliktien ja luonnonvarojen välinen korrelaatio. Lisäksi on hyvä huomata, kuten A. Palmgren tuo blogissaan esiin, on myös alueellisella rajauksella merkitystä: yhden tai muutaman maan rajauksesta ei oikein voi tehdä koko mannerta kattavia päätelmiä. (https://blogs.helsinki.fi/aidapalgeo/, viitattu 12.2.2023). Johtopäätöksiä tehdessä pitää olla tarkkana.
Tehtävä 2 – tulvaindeksi
Tässä tehtävässä tuli yhdistellä eri tietokannoista peräisin olevaa tietoa ja tekemällä myös itse laskutoimituksia yhdistetyillä tiedoilla: tulvaindeksi saatiin jakamalla keskiylivirtaama keskialivirtaamalla. Perusversion tehtävänannossa työskentely eteni ongelmitta siihen saakka, kunnes piti tehdä diagrammeja. Minulla oli hieman hankaluuksia saada sekä ympyrä- että pylväsdiagrammi näkymään kartalla samanaikaisesti. Onnistuin lopulta tallentamalla valuma-aluetietokannasta kopion ja tekemällä ympyrädiagrammin siihen.
Diagrammit eivät minusta ole erityisen havainnollisia – lähinnä niistä näkee, onko alueen järvisyys suurta vai pientä verrattuna muiden valuma-alueiden järvisyyteen. Sinänsä tässä kartassa tieto on ihan riittävä. Joanna oli minusta onnistunut visualisoinnissaan paremmin – hän kuvaa järvisyyttä eri kokoisina pallukoina (https://blogs.helsinki.fi/joznuuti/, viitattu 12.2.2023). Hyvä oivallus!
Tulvaindeksi
Näin maallikon näkökulmasta vaikuttaisi siltä, että tulvia esiintyy runsaimmin suurten jokien lähistöllä ja rannikolla. Olettaisin, että Suomessa joet tulvivat pääasiassa keväisin lumien sulaessa, mistä johtuen vesi saattaa tällöin tulvia yli äyräidensä laskiessaan mereen. Järvien osuus valuma-alueen pinta-alasta näyttäisi olevan suurimmillaan alueilla, joissa tulvaindeksi on pienimmillään. Olisiko niin, että sulavedet mahtuvat paremmin järviin mukaan – veden pinta nousee mutta ei aiheuta tulvimista?
Toinen kurssikerta lähti käyntiin vähän samoissa tunnelmissa kuin ensimmäinenkin, eli hieman hätäisissä ja hämmentyneissä. Harjoituksissa pysyy opetuksen aikana jotakuinkin mukana, mutta useinkaan ei ehdi paljoa pohtia sitä, mitä tai miksi jotakin tehdään. Sama pätee tekniseen puoleen – kun yksi vaihe harjoiteltavan asian teknisestä puolesta menee ohi, tipahtaa aika nopeasti kyydistä.
Kotona tehtävien harjoitusten sekä kurssia varten laadittuun taustamateriaaliin tutustumisen merkityksen huomaa siinä, että ohjeita lukemalla, itse tekemällä ja videotutoriaaleja katsomalla alkaa ymmärtää, miksi ohjelma toimii kuten toimii ja miten ohjelman saa tekemään halutut asiat niin, että lopputulokseen voi luottaa. Vaikuttaa siltä, että QGIS:n toimintaa pitää todella yrittää ymmärtää pelkän teknisen ja aivottoman suorittamisen sijaan, jotta osaamaansa voi soveltaa ja ratkoa visualisointien laatimiseen liittyvät vikatilanteet.
Toki tällä on se hinta, että kotitehtäviin menee välillä aika kauan aikaa, kun lukee ohjeita ja tekee kurssikerralla tehtyjä harjoituksia uudelleen niissä olevien virheiden tai väärinkäsitysten vuoksi. Huomaan nytkin, että en ehdi tehdä kaikkia tehtäviä ennen seuraavaa kurssikertaa ja kirjoittaa niistä analyyttisesti ja fiksusti tänne blogiin – joten päivitän postausta ensi viikolla uusilla tehtävillä. Vain tekemällä ja selvittämällä selvästikin oppii.
EDIT 19.3.2023
Noniin, vihdoin pääsin muokkaamaan tätä tehtävää – sopivasti juuri oppimispäiväkirjan palautuksen kynnyksellä.
Kurssikerran itsenäistehtävänä oli eri projektioiden tuottamien alueellisten erojen tutkiminen ja visualisointi luokiteltuna kartalla. Tehtävä ei lopulta ollut kovin vaikea, vaikka alkuun koin, että en millään saa haluttuja tuloksia aikaan ja lykkäsin siksi tehtävän tekemistä aivan kurssin loppuun. Huomaankin, että itselläni on aika huono tapa mennä paniikkiin, jos jokin visualisointi ei onnistu ja pyrkiä sulkemaan asia pois mielestä. Tämä on sellainen ominaisuus, jota olisi seuraavien kurssien aikana hyvä kehittää.
Aivan avainasemassa tehtävän onnistumisen kannalta oli huolehtia siitä, että tallennettaessa “uutta geometriatietoa” uudelle tasolle tallentaa geometriatiedon varmasti halutun projektion mukaan. Tässä menin monta kertaa metsään, ennen kuin opin, mihin asioihin pitää kiinnittää huomiota.
Alla olevassa karttakuvassa näkyy eurooppalaisen standardiprojektion, Lambertin oikeapintaiseen tasoprojektioon perustuvan LAEA Europen (ERTS89-extended) ero prosentteina Mercatorin projektioon. (https://uizentrum.de/lambert-azimuthal-equal-area-laea-usage-and-conversion/?lang=en, sivulla vierailtu 19.3.2023). Erot ovat kauttaaltaan suuria, 70-90 prosentin luokkaa. Mercatorin projektio on oikeasuuntainen lieriöprojektio ja suosittu siten etenkin merenkulussa. Sen sijaan projektio vääristää etäisyyksiä ja pinta-aloja etenkin napoja kohti ja vain päiväntasaajalla etäisyydet ja pinta-alat pitävät paikkaansa (https://pro.arcgis.com/en/pro-app/latest/help/mapping/properties/mercator.htm, sivulla vierailtu 19.3.2023). Niinpä Suomenkin kohdalla erot ovat suurempia pohjoisessa kuin etelässä.
Kuva 2. Kuntien pinta-alojen erot Mercatorin ja Lambertin projektioissa.
Veikeää oli minusta verrata LAEA Europeen myös Gauss-Krügerin projektiota, joka on sovellutus Mercatorin projektiosta. Gauss-Krügerin projektio on kuitenkin projisoitu lieriölle, joka leikkaa Maan pintaa pituuspiiriä pitkin. Suomen kartalle visualisoituna tämä näkyy niin, että erot kasvavat kohti itää.
Kuva 3. Kuntien pinta-alojen erot Lambertin ja Gauss-Krügerin projektioiden välillä.
Harjoitus osoittaa minusta hyvin sen, että projektion valinnalla on valtava merkitys erilaisissa maantieteellisen sijainnin visualisointiin liittyvissä tehtävissä. Etenkin niissä tilanteissa, joissa pinta-aloilla tai etäisyyksillä on väliä, on tärkeää, että projektio on oikein valittu. Vastaavasti eri lähteistä saatujen kartta-aineistojen kanssa pääsee varmasti usein jumppaamaan eri projektioiden kanssa (tämän huomasin käytännössäni tehdessäni kurssikerran 6 tehtäviä ja yrittäessäni käyttää Mollweiden projektiota käyttävää rasteriaineistoa yhdessä WGS 89:n kanssa – lopulta onnistuin, mutta QGIS kaatui aika monta kertaa ennen sitä).
Sunnuntai-iltana naputellessani blogipostausta ensimmäisen kurssikerran harjoituksesta olen aika ärtynyt – mieluummin tekisin nyt jotain muuta kuin kurssitehtäviä. Kurssiahan on viikkoja vielä jäljellä, kyllä tässä ehtii blogipostauksia laatia!
Tiedostan tosin hyvin, että kaltaiseni prokrastinoija ja viime tipassa tekijä hyötyy aivan erityisen paljon viikoittaisista määräajoista. Kun tekee jatkuvasti vähän, asiat etenevät eivätkä kasaannu rauhattomuutta aiheuttaen. Oppiminen edellyttää lisäksi jatkuvaa tekemistä ja kertaamista, eikä niinkään paniikissa räpeltämistä viimeisenä iltana. Koitankin parhaani luoda kurssin aikana selvän rytmin viikkopostausten tekemiseen – ehkä tästä on hyötyä elämänhallinnassa myös jälkeenpäin. Tehtävien kerääntymisen ja kasaantumisen epätoivoa kuvaa blogissaan osuvasti myös M. Mäkinen, joka muistaa tilanteen viime vuodelta (https://blogs.helsinki.fi/mxmilja/2023/01/21/ehka-gis-guru-sittenkin/)
Ensimmäinen kurssikerta antoi perushahmotuksen QGIS:n käyttöön. Huomaan, että kurssilla pitää keskittyä ohjeistukseen aika tarkasti, sillä jos vähänkään puuhaa omiaan, ohjeistus menee ohi. Onneksi yrittäminen ja erehtyminen sekä googlaaminen kuuluvat ymmärtääkseni olennaisesti geoinformatiikkaan, joten siinä mielessä keskittymisen herpaantuminen tarjosi oivan oppimiskokemuksen. Yrittäminen ja erehtyminen mahdollistavat usein myös opeteltavan asian ymmärtämisen ja omaksumisen syvällisemmin, kun joutuu hakemaan itse tietoa ja selvittämään ohjelman toimintaa.
Kartta typpipäästöistä
Kuva 1. Itämeren rantavaltioiden typpipäästöt suhteessa kokonaistyppikuormitukseen.
Ensimmäisellä kurssikerralla laadimme koropleettikartan HELCOM:n jäsenvaltioiden typpipäästöistä Itämereen. HELCOM, eli Itämeren merellisen ympäristön suojelukomissio (ENG: Helsinki Commission), on Itämeren merellisen ympäristön suojelua koskevan yleissopimuksen (SopS 2/2000) allekirjoittajavaltioiden perustama hallitusten välinen järjestö. Sopimuksen osapuolia ovat Tanska, Viro, Suomi, Latvia, Liettua, Puola, Venäjä, Ruotsi, Saksa ja Euroopan unioni, eli kaikki Itämeren rantavaltiot ja EU. HELCOM:n tehtävänä on Itämeren suojelun edistäminen ja sitä koskevien suositusten antaminen. (https://helcom.fi/about-us/organisation/)
Kurssilla laadittu koropleettikartta osoittaa kunkin Itämeren rantavaltion typpipäästöt suhteellisina osuuksina kokonaistyppimäärästä. Lähtödatasta ei tosin ilmene, onko kyse vuosittaisista päästöistä (olettaisin niin) vai jostakin muusta ajanjaksosta. Suurin typpipäästöjen aiheuttaja on Puola, jota seuraavat Venäjä, Ruotsi ja Latvia. Lähtödatan perusteella typpipäästöjä aiheutuu myös Itämeren laivaliikenteestä sekä ”muista kohteista”, eli koropleettikartan visualisointi ei kerro koko totuutta typpipäästäjistä. Esimerkiksi Valko-Venäjältä kulkeutuu Itämereen merkittäviä määriä ravinteita, nämä mahdollisesti tosin näkyvät Puolan typpipäästöjen määrissä (HS 27.4.2014).
Typpipäästökartan rinnalla olisi mielenkiintoista tarkastella toista karttaa, joka sisältää tietoja Itämeren happioloista ja rehevöitymiestä, eli siitä, miten typpipäästöt meressä vaikuttavat. Ehkä nämä olisi mahdollista saada mukaan samaankin karttaan, jos hankkisi asiasta lisädataa. Tilastotietoja tarkemmin penkomatta olettaisin, että Perämeren ja Pohjanlahden happitilanne on heikoimmalla tolalla, sillä alue on sokkeloinen ja sen sekoittumisolot ovat heikot. Tämä tarkoittaisi, että Länsi-Suomen ja Itä-Ruotsin typpipäästöillä on paikallisesti haitallisemmat vaikutukset kuin esimerkiksi Puolan typpipäästöillä.
Kartan toteutus
Tilastotiedot kunkin valtion absoluuttisista typpipäästöistä muunnettiin harjoituskerran aikana attribuuttitaulukolla suhteellisiksi osuuksiksi absoluuttisten määrien sijaan. Absoluuttisten määrien esittäminen koropleettikartalla vääristäisi tietoa, eikä huomioisi esimerkiksi maiden kokoja. Toisaalta jäin itse miettimään, olisiko absoluuttisten arvojen esittäminen tässä nimenomaisessa kartassa niin ongelmallista, kun valtion koko ei tässä kohtaa hämärrä mittasuhteita (suhteelliset arvot on kuitenkin laskettu absoluuttisista!) ja päästön suuruusluokat ilmenisivät myös absoluuttisista arvoista. Tilanne olisi eri, jos vertailtaisiin työttömien määrää vaikka kuntien välillä – työttömien määrä on absoluuttisina arvoina ilmaistuna todennäköisesti suurempi suuremmissa kunnissa, vaikka työttömyysaste niissä olisi suhteessa pienempi. Jään pureskelemaan tätä kysymystä, ja päivitän tänne, jos kysymys ratkeaa.
Jälkeenpäin katsottuna oman karttani legendasta puuttuu nolosti tieto siitä, mitä värit kuvaavat. Toisin sanottuna kartta ei kerro katsojalle yhtään mitään, sillä katsoja ei tiedä värien kuvaavan kunkin valtion typpipäästöjen osuutta Itämeren kokonaistyppipäästömäärästä. Visuaalisesti karttaa voisi puolestaan parantaa mm. järvien väritystä selkeyttämällä tai ehkä jopa järvet poistamalla, kuten M. Mäkinen on tehnyt (https://blogs.helsinki.fi/mxmilja/2023/01/21/ehka-gis-guru-sittenkin/). Omassa kartassani järvet näyttävät sotkuiselta, eikä niillä varsinaisesti ole mitään suurta informaatioarvoa kartalla.
MUOKKAUS 12.3.2023
Itsekritiikistä suivaantuneena parantelin karttaa vielä alle. Mokat on nyt korjattu ja visuaalisuutt parannettu – minusta meni hyvään suuntaan!
KOTITEHTÄVÄ – KOROPLEETTIKARTTA SUOMEN KUNNISTA Lisäys 29.1.2023
En ollut ehtinyt tehdä kurssikerran toisena tehtävänä ollutta koropleettikarttaa Suomen kunnista loppuun ennen toista kurssikertaa, joten jatkoin tehtävää sen jälkeen. Tehtävän vaikeustasona 1 oli aineistossa valmiina olevien muuttujien tarkastelu. Yllättävää kyllä, en millään tahtonut löytää QGIS:stä, mistä muuttujia vaihdetaan, eikä ohjeesta tai googlaamisestakaan (“variables in QGIS”) tahtonut olla apua. Lopulta toisella kurssikerralla uutta tehtävää tehdessä välähti: tietysti muuttujia vaihdetaan Properties-välilehdeltä – tätähän tankattiin edellisellä kurssikerralla typpipäästökartan kanssa. Vaikeustasoa 1 käyttäen visualisoin alla olevan koropleettikartan, joka kuvaa väestömäärän muutosta kunnissa.
Karttakuva näyttää väestön muutoksen prosenttiosuuksina kussakin kunnassa vuonna 2021. Käytin ensin QGIS:n tarjoamia vaihtoehtoja muuttujien luokkarajojen määrittelyyn, mutta lopputulosta tarkasteltuani päädyin muokkaamaan niitä manuaalisesti, sillä halusin, että kunnat, joissa väestö vähenee, erottuvat selvästi kunnista, joissa väestö kasvaa. Siten negatiivisten lukujen piti olla omassa luokassaan ja positiivisten omassa luokassaan. Näin ollen luokkarajat ovat seuraavat: -4,8 – (-2), -2-0, 0-2, 2-4. Harkitsin hetken myös eri värien käyttämistä, mutta hylkäsin ajatuksen – lopputulos näytti tuhruiselta ja esimerkiksi punaisen käyttäminen vihreän kanssa tekisi kartasta vaikeasti luettavan esimerkiksi puna-vihervärisokealle.
Kuva 2. Kuntien väestön muuttuminen vuonna 2021 (%) (Tilastokeskus).
Kaupungistumisen ja väestön vanhenemisen trendi näkyy kartalla selvästi; valtaosa kunnista on muuttotappiokuntia. Väestö kasvaa ainoastaan tummimman vihreillä näkyvillä paikkakunnilla, eli lähinnä pääkaupunkiseudulla, maakuntakeskuksissa ja länsirannikolla. Yllättävinä ja sijaintinsa puolesta suorastaan trendin vastaisina muuttovoittopaikkakuntina kartalla erottuvat lisäksi Inari, jossa väestönkasvu vuonna 2021 oli 2,1 %, sekä Pyhäntä, jossa väestönkasvu vuonna 2021 oli 2,4 %. Inarin vetovoimatekijöinä toimivat ainakin Ylen lehtiartikkelin mukaan Lapin luonto sekä työllistymismahdollisuudet matkailussa ja teollisuudessa. (Yle 4.10.2019) Pyhännällä väestönkasvu on puolestaan tulosta sinnikkäästä teollisuuteen ja yrittämiseen panostamisesta. (Yle 26.1.2016) Muita suurimman väestönkasvun kuntia ovat Etelä- ja Varsinais-Suomeen sekä Ahvenanmaalle sijoittuvat kunnat Sottunga, Tuusula, Jomala, Sipoo, Kauniainen ja Kaarina.
Kun muu Lappi tyhjenee, Suomen suurimman kunnan väkiluku kasvaa – näin erämaaluonto houkuttelee ihmisiä jäämään, Yle 4.10.2019, https://yle.fi/a/3-11005194
Itämereen valuu rehevöittäviä ravinteita kaukaa sisämaasta, Helsingin Sanomat 27.4.2014, https://www.hs.fi/kotimaa/art-2000002726963.html
Syrjäinen pikkukunta panosti teollistumiseen – väkiluku on kasvanut lamasta huolimatta, Yle 26.1.2016, https://yle.fi/a/3-8616132
Milja Mäkinen, Ehkä GIS-guru sittenkin?, viitattu 22.1.2023, https://blogs.helsinki.fi/mxmilja/2023/01/21/ehka-gis-guru-sittenkin/
University of Helsinki
