VIKA KURSSITEHTÄVÄ HELL YEAH!

hALLELUJA! tÄSÄ SE NYT ON!

“Etpäs arvannutkaan, että tulen täältä ja sanon..”

Mä sain sen tehtyä! Seitsemännen kurssikerran palautettavan tehtävän tarkoitus on soveltaa jo osattua ja tehdä kartta tai karttasarja jostakin itseä kiinnostavasta aiheesta joka voi myös olla hyvä kontribuutio johonkin toiseen opiskelun osa-alueeseen.

Käyn tällä hetkellä aineenopettajan pedagogisia opintoja, joissa on varsinkin viime periodin kursseilla käsitelty opetuksen eriyttämistä sekä kolmiportaista tukea koulussa. Siispä käärin hihat ja päätin tuottaa karttasarjan 9-luokkalaisten tehostetusta ja erityisestä tuesta.

Koska kurssista on vierähtänyt tovi ja päällekkäin on myös hirmuinen määrä muita kursseja, päätin käyttää pohja-aineistona ekalla kurssikerralla käytettyä Suomen kunnat 2015 -karttapohjaa. Sitten lähdin seikkailemaan Tilastokeskuksen sivuille ja latailemaan sitä hyvää csv:tä. Suodatin ensiksi taulukoista vuoden 2015 kaikki yhdeksäsluokkalaiset, jotta tilastot täsmäisivät myös kuntien osalta. Huomasin kuitenkin, että Honkajoen ja Valtimon kunnat olivat näissä Tilastokeskuksen tilastoissa, mutta eivät kurssiaineiston pohjakartassa, joten eliminoin ne myös koululaisten taulukosta (sori niille :D).

Sitten alkoikin aikamoinen oksasuonten poksahtelu ja tuskailu QGISin kanssa, joka ei csv:stä huolimatta tunnistanut numeroita lukuarvollisiksi attribuuttitaulukossaan, joten perehdyin itselle uuteen työkaluun “Refactor fields” vektoriprosessointityökalupakista ihan perinteisen Youtube -tutorialin avulla (Insert ennen tätä kahden työskentelypäivän fiilis [Kuva 1]).

Kuva 1. Erään opiskelijan fiilikset kun ei sujunut yhteistyö QGISin kanssa odotetusti.

 

 

 

Jo alkoi lyyti sit kirjottaa! Pääsin tekemään luvuilla vähän laskutoimituksia, ja sain ulos periaatteessa vain kurssin alkupuolen tasoisia, mutta toivottavasti nyt suoritukseen riittäviä tuloksia ja karttoja. Ja näin pääsemme perehtymään siihen, millaista on ollut 9-luokkalaisten elämä vuonna 2015…

Oppimisen ja hyvinvoinnin tuki

Koulumaailmassa  oppimisen tuki jaetaan kolmeen portaaseen: yleinen, tehostettu ja erityinen tuki. Näistä yleinen tuki kuuluu kaikille oppilaille eikä ole vielä kovin suunnitelmallista eikä yksilöityä, joten siitä ei ole myöskään laadittu erillisiä tilastoja.  Tästä syystä keskityin karttatehtävässäkin vain tehostetun ja erityisen tuen piirissä oleviin oppilaisiin, joita on tilastoitu vuosiluokittain.

Oppimisen tukeen liittyy oleellisesti myös resurssointi, eli yksinkertaisemmin oppilaiden määrä suhteessa opettajiin. Mitä enemmän opettajia on suhteessa oppilaisiin, sitä paremmin pystytään oppilasta tukemaan yksilöllisesti.

Selvitin siis ensimmäiseksi peruskoulujen lukumäärän kunnittain (Kuva 2) sekä yhdeksäsluokkalaisten keskimääräisen lukumäärän per koulu (Kuva 3).

Kuva 2. Suomenkielisten peruskoulujen lukumäärä kunnittain 2015.

 

Kuva 3. Yhdeksäsluokkalaisten määrä per peruskoulu (keskimäärin), 2015

 

Kuvan 2 kartasta nähdään, että oletetustikin peruskouluja on eniten suurten kaupunkien kunnissa: Helsinki, Vantaa, Espoo, Tampere, Turku, Jyväskylä, Oulu, Kuopio, Joensuu, Kouvola, Seinäjoki, Rovaniemi, Lappeenranta, Lahti, Pori, Salo ja Lohja).

Kuitenkin suurimmat yhdeksäsluokkalaisten oppilasmäärät suhteessa koulujen lukumäärään ovat hiukan eri kunnissa. Suurimpien kaupunkien (Helsinki, Vantaa, Turku, Tampere, Jyväskylä ja Oulu) lisäksi suurimmat suhteelliset oppilasmäärät koulujen lukumäärään verrattuna löytyvät Kirkkonummelta, Kauniaisista, Kaarinasta, Pirkkalasta, Kempeleeltä, Limingasta, Posiolta, Kärkölästä, Outokummusta, Soinista ja Alavieskasta.

Suurten kaupunkien ja niiden liepeiden (kuten Kirkkonummi ja Kauniainen pääkaupunkiseudun liepeillä tai Pirkkala Tampereen ja Kempele sekä Liminka Oulun liepeillä) suuret suhteelliset oppilasmäärät toki selittyvät suuremmalla asukasmäärällä, jolloin myös koululaisia on enemmän, mutta harvemmin asutuissa kunnissa suuri suhdeluku johtuu mitä todennäköisimmin siitä, että peruskouluja on hyvin vähän – kuten myös Kuvan 2 kartasta voidaan päätellä.

Itsessään koulujen lukumäärä ei tokikaan vielä kerro niiden sisäisitä resurssitilanteista, eikä niistä myöskään löytynyt tilastoja. OAJ kuitenkin on esittänyt, että jotta oppimisen tuki toteutuisi riittävällä tasolla, tulisi opettajien määrä suhteessa oppilaisiin olla seuraavanlainen:

Kuva 4. Lähde: OAJ, 2023

 

OAJ eli Opetusalan ammattijärjestö kertoo sivuillaan myös, että valtakunnan ja kuntien tasolla resurssien, eli opettajien ja heidän työtuntiensa, määrään vaikutetaan tietenkin rahoituksella. Yleisesti on kuitenkin tiedossa, että kasvatuksesta ja koulutuksesta on viime vuosina leikattu ja erityisopetusryhmiä lakkautettu myös uudistuneen perusopetussuunnitelman myötä.

Mutta takaisin karttoihin: maantieteellisesti minua kiinnosti, missä kunnissa on ollut eniten tehostetun tuen ja erityisen tuen tarpeisia yhdeksäslokkalaisia oppilaita. Laadin näistä QGIS:illä seuraavat kartat (Kuvat 5 ja 6):

Kuva 5. Tehostetun tuen tarve kunnittain. Mitä tummemmalla kunta on kuvattu, sitä suurempi %-osuus kunnan yhdeksäsluokkalaisista on ollut tehostetun tuen piirissä vuonna 2015.
Kuva 6. Erityisen tuen tarve kunnittain. Mitä tummemmalla kunta on kuvattu, sitä suurempi %-osuus kunnan yhdeksäsluokkalaisista on ollut erityisen tuen piirissä vuonna 2015.

 

 

 

Kartoista voidaan huomata, että sekä tehostettua että erityistä tukea saavia on suhteessa paljon Kemiönsaaressa ja Mustasaaressa. Muutoin kunnat, joissa tehostettua tukea saavia on isohko osuus, eivät täsmää kuntiin, joissa on isohko osuus erityistä tukea saavia. Huomionarvoista on kuitenkin, että kaikki tummemmalla värillä värjätyt kunnat sekä Kuvassa 5 että Kuvassa 6 ovat asukasmäärältään pieniä Suomen kuntia, ja vuoden 2015 jälkeisten kuntaliitosten jälkeen niistä harvaa on enää edes sellaisenaan olemassa. Pienissä kunnissa suhteellisuusluku kasvaa siis suureksi siksi, että niissä on jo lähtökohtaisesti pienen asukasmääränsä vuoksi merkittävästi vähemmän oppilaita ja silloin myös pienempi lukumäärä voi olla suhteessa iso.

Tämän tarkempia tietoja tuen saajista ei tietenkään voida yksityisyydensuojan vuoksi tilastoidakaan, mutta mielenkiintoista olisi sinänsä tietää koulukohtaisesti, miten oppimista tuetaan ja kuinka hyvin kussakin kunnassa ja koulussa on saatu oppimisen tuen resurssointi toimimaan. Mutta näihin kuviin ja tunnelmiin siis!

Epilogi

Huh, no nyt se sit olis siinä! Pakko laittaa vielä pari meemiä:

 

 

 

 

 

 

Sillä eihän tää retki kovin helppo ole ollut, mutta kovin antoisa silti! Mantsa ja paikkatieto on lähellä sydäntä, vaikka GIS-ohjelmistojen käyttö ja taulukointi ei ehkä ookkaan lempparijuttuja. Ja mikä suuri kivi vierähtääkään sydämeltä, kun on yks rästikurssi vähemmän! <3

 

Kiitokset:
Arttu “Jousto” Paarlahti
Samara Youtubetutoriaali
Mantsan fuksit 20 <3 WhatsApp-ryhmä

Lähteet:

OAJ: Oppimisen ja koulunkäynnin tuki kuntoon. Viitattu 6.3.2023 https://www.oaj.fi/politiikassa/pelastetaan-peruskoulu/oppimisen-ja-koulunkaynnin-tuki-kuntoon/
OPH, Opetushallitus. Kolmiportainen tuki. Oppimisen ja koulunkäynnin tuki. Viitattu 6.3.2023
Tilastokeskus ja Finnstat tilastot:
Samara Ebinger: Change the properties of an attribute field in QGIS, Youtube. Viitattu 6.3.2023

 

 

Rasti ruutuun

Kappas kehveliä, sehän on palannut sorvin ääreen!

Dodiin, josko taas puolen vuoden hiatuksen jälkeen olisi hyvä aika palata kurssitehtävien pariin ja saada tämäkin homma pois alta 😀 toinen tai kolmas tai ännännes kerta toden sanoo… (PS. Tottakai herra Paarlahti pamahti tietokoneluokkaan kun mä ja Inka tehtiin täällä muina mantsalaisina ja valot himmeinä rästitehtäviä erinäisille GIS-kursseille XD jäätiin siis verekseltään kiinni, mut sentään Arttu on ihana ja suhtautu meihin lempeydellä.)

Kiitin menneisyyden Helkaa, joka oli tehnyt neljännen kurssikerran tehtävän jo melkein valmiiksi, jee!
Olin valinnut ruututeemakartan aiheeksi pääkaupunkiseudulla asuvien ulkomaankansalaisten lukumäärän per neliökilometri. Syvällisemmin teemakarttaa voisi tulkita segregaation ilmentymänä (Kuva 1).

Kuva 1. Ulkomaankansalaisten lukumäärä kuvattuna värien avulla neliökilometreittäin pääkaupunkiseudulla. Huom. Kauniaisista ei dataa.

 

Segregaatiolla tarkoitetaan tässä yhteydessä ihmisryhmien eriytymistä ja eriyttämistä kansallisuuden perusteella. Pääkaupunkiseudulla se näkyy esimerkiksi asuinkeskittyminä. Myös kartasta on nähtävissä yksittäisiä keskittymiä, joissa ulkomaankansalaisten lukumäärä on selkeästi suurempi. Suurimmat keskittymät näyttävät sijoittuvan Itä-Helsinkiin, Helsingin keskustaan ja Espoon Suvelaan sekä junaradanvarsille.

Jouduin itse käyttämään paikkatietoikkunan karttaa paikantaakseni keskittymät tarkemmin omasta kartastani, joten ehkä omassa kartassani olisi myös sen lukijalle informatiivisempaa, mikäli siihen olisi merkattu kuntien lisäksi kaupunginosat. Toisaalta itse ruudukkokin tekee siitä jo melko sirpaleista, joten kaupunginosarajojen lisääminen saattaisi tehdä kartan luettavuudesta entistä huonomman. Kenties keskittymistä voisi tehdä omat tarkemmat karttansa kaupunginosakohtaisesti?

Tutkailin myös Venla Berneliuksen esitystä segregaatiosta. Hänen esityksessään keskityttiin segregaation lieveilmiöihin, kuten koulutustasoon ja työttömyyteen. Segregaation moniulotteisuus sekä alueellisena että sosiaalisena ilmiönä tekee siitä oivallisen – joskin viheliäisen – maantieteellisen tutkimuskohteen. Myös Berneliuksen esityksessä oli omaa karttaani tarkempi esitys ulkomaankansalaisten sijoittumisesta pääkaupunkiseudulla kouluunottoalueittain (Segregaatioseminaari, dia 6)

Huomionarvoista on myös se, että Berneliuksen karttakuvassa (Kuva 2) ulkomaankansalaisten määrä on ilmaistu prosentteina, eli suhteena kaikkiin asukkaisiin kyseisellä alueella. Leo Kolev pohti blogissaan absoluuttisen lukumäärän ja suhteellisen määrän esittämisen eroja ja hyödyllisyyttä rasterikartassa, sillä hän oli verrannut omaa absoluuttisen määrän esittävää karttaansa Aino Pahkalan tekemään suhteellisen määrän ilmaisevaan karttaan. Komppaan tässä pohdinnassa Leon ajatuksia siitä, että suhteellisella määrällä kartasta voisi saada kuvaavamman ja informatiivisemman. Kuitenkin vertaillessani omaa ja Berneliuksen karttaa huomaan, että aiemmin mainitsemani keskittymät ovat molemmissa nähtävillä hyvin.

Kuva 2. Venla Berneliuksen karttaesitys Segregaatioseminaarista. Lähde: https://tem.fi/documents/1410877/0/Segregaatioseminaari+Bernelius+210421.pdf/da05602a-6dc8-51ee-7639-7fde93100ed4/Segregaatioseminaari+Bernelius+210421.pdf?t=1619075238463 Viitattu 21.9.2022

 

Myönnettävä on, että vaikka Berneliuksen kartassa kuvataan muunkielisten osuutta vain koulualueittain, on sen luettavuus paljon omaani parempi. Ruututeemakartassani luettavuus on hankalaa kenties tutkittavan aiheen vuoksi: ihmisiä ja heidän taustojaan ei ehkä ole hedelmällistä tutkia neliökilometreittäin vaan nimenomaan asuinalueittain. Sen sijaan joidenkin muiden kuin ihmisten lajiesiintymien tutkiminen neliökilometreittäin tai ruudukoittain ylipäänsä voisi olla mielekkäämpää, ja sitä käytetäänkin esim. riistalaskennoissa.

Omassa kartassani onnistuin mielestäni tekemään selkeän väriskaalan sopivilla määräväleillä, ja kuvattavan ilmiön perusidea tulee kuitenkin ilmi.

Pintaa syvemmälle

Nyt voidaankin sukeltaa ns. teräsverkon läpi itse betonivaluun; mitä tekemäni ruututeemakartta oikein kuvastaa, mitkä ovat siihen johtaneet syyt yhteiskunnassa ja onko kyseisen tiedon esittäminen ihan ok?

Etenkin näin sensitiivisessä aiheessa kuin segregaatio ja yhteiskunnallinen eriytyminen tulee pohtia, onko absoluuttisten määrien kuvaaminen kartalla kannattavaa. Osaltaan syrjintä ja yhteiskuntaan integroitumisen haasteet ovat juurisyitä maantieteellisen tai alueellisen segregaation syntyyn, ja toisaalta tällainen kartta voi ennestään aiheuttaa kantaväestössä ajatuksia siitä, että tuonne en ainakaan muuta tai tuossa kaupunginosassa en haluaisi käydä kouluja tai työskennellä (HS:n artikkeli “Keskiluokkaiset karttavat jo tiettyjä lähiöitä myös pikkukaupungeissa: ‘Etnisesti eriytyneempiä kuin pääkaupunkiseudun kaupungit'”).

Kartta voi siis tarjota haitallisesti käytettävää informaatiota, mutta toisaalta myös segregaatiota vastaan tehtävien toimien kannalta hyödyllistä tietoa. Tässäkin aiheessa “kauneus on katsojan silmässä” tai kartan tarjoama tieto käyttäjänsä käsissä.

Se, miksi ulkomaankansalaisia on keskittynyt tietyille alueille voi johtua hyvinkin erinäisistä syistä. Suomen asuntorakenne perustuu pitkälti siihen, että kalliit asunnot sijoittuvat keskenään samaan paikkaan ja helpommin kustannettavat halvemmat asunnot tai tuetut asunnot keskittyvät omille alueilleen. Karttaa katsoessa voidaan olettaa, että Helsingin keskustaan sijoittuneet ulkomaankansalaiset voisivat olla esimerkiksi suurlähettiläitä ja mahdollisesti länsimaista kotoisin olevia ulkomaankansalaisia ja siirtotyöläisiä, sillä rakenteellisen syrjinnän, kulttuurierojen ja kielimuurien takia länsimaiden ulkopuolelta tulevien ihmisten on vaikeampi saada koulutusta ja töitä, jolloin he saavat myös heikommin palkkaa ja ovat siten todennäköisemmin tuetuissa ja halvemmissa asunnoissa syrjäisemmillä asuinalueilla kuten aiemmin mainitut Suvela ja Itä-Helsingin kaupunginosat.

Yhteiskuntaan integroitumisen haastavuus saattaa myös ajaa ulkomaankansalaiset ausmaan samoille alueille yhteenkuuluvuuden takia, sillä omiensa kaltaisessa yhteisössä on helpommin saatavilla tukea ja ymmärrystä. Vaikka Suomessa segregaatio ei ole vielä yhtä vakavalla tasolla kuin esimerkiksi Ruotsissa ja Tanskassa, on se jo huomattavissa oleva ilmiö ja myös kasvanut varsinkin viimeisten kahden vuosikymmenen aikana

 

Lähteet:

SEGLI- hankkeen nettisivut
https://www.kaikkienduuni.fi/ksitteet
Viitattu 21.9.2022

Bernelius Venla, 2021
Segregaatioseminaari https://tem.fi/documents/1410877/0/Segregaatioseminaari+Bernelius+210421.pdf/da05602a-6dc8-51ee-7639-7fde93100ed4/Segregaatioseminaari+Bernelius+210421.pdf?t=1619075238463
Viitattu 21.9.2022

Kolev Leo, GEM2022-kurssin blogi

Neljäs kurssikerta – Rasterin palapeli


Viitattu 21.9.2022

Pahkala Aino, GEM2022-kurssin blogi

Neljäs kurssikerta


Viitattu 21.9.2022

Helsingin Sanomat, 2022, artikkeli Keskiluokkaiset karttavat jo tiettyjä lähiöitä myös pikkukaupungeissa”
https://www.hs.fi/kotimaa/art-2000008866876.html
Viitattu 21.9.2022

Helsinin Kaupunki, 2019, Helsingin tila ja kehitys 2019: Alueellinen eriytyminen
https://tilajakehitys.hel.fi/alueellinen_eriytyminen
Viitattu 21.9.2022

 

 

 

 

 

 

 

 

“Mitä jos meteoriitti tippuu päähäsi” (Pariisin Kevät – Meteoriitti)

Lapsuudenmaisemia

Aloitimme kurssikerran ulkoilulla ja keräämällä yhteisen aineiston Epicollect5 -sovelluksen avulla. Tehtävänä oli arvioida kaupunkiympäristön viihtyvyyttä, turvallisuutta sekä “käyttöastetta” eli ohikulkijoiden ja ajanviettäjien määrää. Kävelimme parini kanssa märässä loskakelissä Kumpulan kampukselta Kätilöopistolle päin, mikä oli sinänsä hyvä valinta sekä siksi, että se poikkesi suurimmasta osasta muiden opiskelijoiden valitsemaa suuntaa ja samalla vei minut pienelle nostalgiamatkalle lapsuuteni maisemiin – asuimme aikanaan Kumpulanportin rumissa kerrostaloissa ja kävin ensimmäiset kouluvuoteni Kumpulan koulussa. Kumpulan koulurakennusta ei tosin enää ole, sillä se pistettiin maan tasalle useita vuosia sitten, mutta Kumpulantaival oli edelleen yhtä tuttu koulupolku ja etenkin Limingantien kauniit omakotitalot nostattivat mieltä muuten kurjassa säässä.

No joo, sitten asiaan 😀 Elickaes näistä Epicollectiin kerätyistä datapisteistä koostettiin sitten kokonainen aineisto, jonka sai ladattua ja liitettyä kätevästi QGISiin. Yhdessä tutkimme turvallisuusaspektia, sillä olimme kävelykierroksella arvioineet kaikkien valitsemiemme kohteiden turvallisuutta asteikolla 1 (huono) – 5 (hyvä).
Tähän käytimme ennestään tuntematonta QGISin Interpolointi -ominaisuutta, jolla voidaan luoda jatkuva rasterikartta valitulle alueelle ja jonka väriskaala muokataan kuvastamaan haluttua ominaisuutta parhaan mukaan.
Unohdin itse ottaa kuvan tästä vaiheesta, joten lainaan Aino Pahkalan tekemää kuvaa interpoloinnista (Kuva 1). Turvallisuusnäkökulmaan ja kunkin pisteen saamaan arvoon voi  vaikuttaa mm. liikenteen määrä, levottomuudet/häiriötekijät, epäsiisteys tai kevyen liikenteen kulkijan näkökulmasta vaarallinen reitti.

Kuva 1. Aino Pahkalan kuva perjantain kurssikerran yhteisestä Epicollect5-aineistosta tehdystä interpolointikartasta. Punainen väri kuvaa turvatonta aluetta ja sininen erittäin turvallista aluetta. Lähde: https://blogs.helsinki.fi/pahkalaa/
Maa järisee
Äkkiä minut työnnetään ulos tajunnan porteista
Äkkiä olen unohtanut kaiken
(Pariisin kevät – Seisminen järistys)

Varsinaisena kurssitehtävänä oli tuottaa mahdollisesti opetuksessa käytettävää karttamateriaalia erilaisista hasardeista, ja valitsin tehdä kolme erilaista teemakarttaa maanjäristyksistä, tulivuorista ja meteoriiteista. Tämäpä vasta hauskaa, sillä minustahan tulee vielä joskus isona bilsan ja mantsan ope! 😉

Maanjäristystehtävää tehdessäni huomasin, ettei valmiissa aineistossa ollut mannerlaattojen rajoja, joten etsin sellaisen GitHubista, joka tarjoaa monenlaisia ilmaisia vektoriaineistoja QGISiin. Mannerlaattojen sijainnit ja rajat ovat oleellisia maanjäristysten kannalta, ja olin melko ylpeä itsestäni että keksin etsiä sellaisen ja onnistuin jopa liittämään sen sujuvasti muuhun maanjäristyksien aineistoihin (Kuva 2). Koitan olla ylpistymättä liikaa, mutta kieltämättä tuntui hyvältä, kun huomasi oman ajattelun ja oppimisprosessin kehittyneen QGISin suhteen! 🙂

Kuva 2. Maanjäristykset sekä mannerlaattojen reunat maailmankartalla.

 

 

 

 

Maanjäristyksiä kuvaavasta kartasta voidaan havaita, että suurin osa järistyksistä sijoittuu mannerlaattojen reunoille. Tätä voisi käyttää opetuksessa mm. kertomalla mannerlaattojen liikkeistä ja miten ne synnyttävät maanjäristyksiä eri puolilla maapalloa. Aineisto on toki rajattu alkavaksi vasta vuodesta 1900 tähän päivään saakka ja suodatettu tarjotusta datasta vain 6-9 magnitudin voimakkuuden järistykset, jottei datamäärä olisi massiivinen ja kartta-aineisto liian sekava luettavaksi koko maapallon mittakaavalla.

Kiinnostavaa olisi tutkia oppilaiden kanssa myös sitä, miksi muutamia järistyksiä on esimerkiksi tyynenmerenlaatan keskellä, missä saumakohtia ei ole lähimaillakaan. Voisiko mannerlaattojen liikkeitä havainnoida jotenkin konkreettisemmin? Millä tavoin maanjäristyksille alttiita alueita on rakennettu ja suunniteltu, jotta järistyksiin voisi varautua paremmin ja jokaisen tärinän jälkeen ei tarvitsisi rakentaa uudelleen?

Kun herään me hiivitään laaksoon
Tulivuoren juurella (Pariisin kevät – tulivuoren juurella)

Toiseksi tein kartan tulivuorten sijainnista suhteessa mannerlaattoihin. Käytin pitkälti samaa pohjaa kuin maanjäristyksissä, mutta tulivuoriaineisto piti itse ladata ensin .csv-tiedostoksi ja sitten syöttää QGISiin. Tässä tuli pieni hassu mutka matkaan, sillä vaikka tietokanta oli valmis ja sen olisi pitänyt toimia normaalisti, siinä olivat sijaintitiedot menneet hiukan sekaisin vuorten korkeuden kanssa ja lopputuloksena oli vain muutama hassu tulivuoren pisteaineisto maailmankartalla ja hämäävästi ainoastaan joko päiväntasaajalla tai 0-pituuspiirillä. Onneksi sain apua ja löydettiin aineiston bugi ja saatiin asia korjattua, jolloin lopputulos oli paljon järkevämpi 😀 (Kuva 3).

Kuva 3. Mannerlaatat, tulivuoret sekä orogeeniset alueet.

 

Tässä karttakuvassa näkyvät myös oranssilla orogeeniset alueet, eli sellaiset paikat joissa syntyy poimuvuoria mannerlaattojen liikkeiden seurauksena (Tieteen termipankki). Samalla voidaan siis havainnollistaa mannerlaattojen vaikutusta vuorien syntyyn sekä erilaisiin tulivuoriin. Tähän löysin hauskan käytännön kokeen, jolla voidaan yksinkertaisesti selittää miten poimuvuoret syntyvät mannerlaattojen törmöysvyöhykkeillä. Science for Kids -sivulta löytyy paljon muitakin hauskoja juttuja, joilla luonnontieteistä saa konkreettisempia esimerkkejä ja tehtäviä lapsille.

Opiskelijoilta tai oppilailta voitaisiin esimerkiksi kysyä, miksi kaikki tulivuoret eivät sijaitse mannerlaattojen saumakohdissa ja onko tulivuorten aktiivisuudessa eroja, jos verrataan keskellä mannerlaattaa sijaitsevaa tulivuorta saumakohdassa sijaitsevaan vuoreen.
Lisäksi maanjäristyksiä ja tulivuoria kuvaavia karttoja voisi verrata keskenään – huomaan esimerkiksi selkeän yhteyden orogeenisten alueiden ja maanjäristysten sijainnin välillä. Tämä onkin ihan loogista, sillä kun mannerlaatat törmäilevät ja poimuttuvat, on varmasti tärinätkin aikamoiset.

Sinä saatat olla juuri se, joka sattumalta minut pelastaa meteoriitin alta (Pariisin kevät – meteoriitti)

Lopuksi keskityin mannerlaatoista riippumattomaan hasardiin, eli maanpintaan törmänneisiin meteoriitteihin. Tässä karttakuvassa en siis käyttänyt muuta kuin meteoriittien putoamispaikoiksi merkattuja pisteaineistoja ja pohjakarttaa (Kuva 4).

Kuva 4. Maanpintaan törmänneet meteoriitit painoluokittain.

 

Meteoriitteja on aineistossa valtava määrä, ja pohdin, miten datasta saisi jotenkin kiinnostavamman. Pohdin mm. luokittelua törmäysvuosien mukaan, mutta attribuuteista löytyi myös tietona kunkin meteoriitin paino, mikä oli mielestäni aika mielenkiintoista. Varsinkin, kun pienimmät meteoriitit painavat omaa elopainoani vähemmän, mutta suurimmat ovat jo niin järjettömän kokoisia, että monet rekatkin jäävät niille kakkoseksi.

Lopullisesta tuotoksesta näkee, että onneksemme suurin osa maahan osuneista meteoriiteista on ollut kevyemmän sarjan edustajia, mutta muutama jössikkäkin on maahan törmännyt.

Tätä karttaa katsoessani en voi olla huomaamatta, miten mm. Amazonasin, Siperian ja Pohjois-Kanadan alueet ovat melkoisen paljaita, vaikka muutoin meteoriitit näyttävät tykittävän maata melkoisen tiheästi ja tasaisesti kaikkialla. Varmastikin aineiston keruuta hankaloittaa vaikeakulkuinen maasto ja muutenkin heikommin kartoitettu alue, koska kyse tuskin on siitä etteivät meteoriitit vain sattumalta olisi törmänneet juuri noille alueille, joilla ei ole tiheää ihmisasutusta tai muuta aktiivista ihmistoimintaa.
Tästä voisi myös tehdä tehtävän opiskelijoille: Pohdi, miksi näillä alueilla x, y ja z ei ole raportoituja/merkattuja maahan törmänneitä meteoriitteja.

Muuta pohdittavaa tai mahdollisia tehtäviä tekemistäni kartoista olisi kuvata mannerlaattojen erkanemisalueita tai niitä saumoja, joissa mannerlaatat liikkuvat sivuttain toisiinsa nähden ja vain raapivat toisiaan kyljestä. Erkanemisalueilta voisi esimerkiksi etsiä maanvajoamia tai muita geomorfologisia muodostumia (etsin tähän jonkun karttakuvan myöhemmin).

Lisäksi tulivuoriaineistoon voisi liittää myös dataa muutoinkin vulkaanisista alueista ja lajitella tulivuoria esimerkiksi aktiivisuuden perusteella.

 

Lähteet

Aino Pahkalan blogi, Geoinformatiikkaa: https://blogs.helsinki.fi/pahkalaa/ viitattu 4.3.2022

GitHub, tectonic plates free gis data: https://github.com/fraxen/tectonicplates viitattu 4.3.2022

Tieteen termipankki: Orogenia. https://tieteentermipankki.fi/wiki/Geologia:orogenia viitattu 4.3.2022

Science for Kids: How Folded Mountains Form. https://www.thechaosandtheclutter.com/archives/how-fold-mountains-are-made viitattu 4.3.2022

Valintaviidakko ja Vantaa

Kuvaton kurssikerta 5

Karttakuvia ei valitettavasti tällä kerralla tuotettu, eivätkä yritykseni ottaa näyttökuvia tuoreista töistä onnistunut (mystistä kylläkin), mutta lisään edellisvuoden kurssikerralta otetun näyttökuvan tekstin elävöittämiseksi.

Yhdessä opeteltiin ottamaan haltuun sekä muotti & taikina eli Clip & Intersection-työkalua sekä bufferointityökalua Pornaisten alueen harjoitusmateriaalilla. Asukkaat Pornaisten valmiiksi merkattuihin taloihin luotiin laskentataulukon Math -> Rand toiminnolla, jolle määritettiin minimiksi 1 ja maksimiksi 8. Tällöin QGIS arpoo satunnaisesti jokaiseen merkattuun asutuskohteeseen asukkaita yhdestä kahdeksaan henkilöä, ja tuloksissa voidaan käyttää melko hyvällä keskiarviolla saatuja lukumääriä.

Näillä ominaisuuksilla saatiin yhdessä Select-työkalun kanssa tietoa mm. tietyllä etäisyydellä valitusta kohteesta asuvasta väestöstä. Select-työkalu osoittautuukin erittäin monipuoliseksi ja käteväksi kaikenlaisen tiedon tutkimisessa QGISillä.

Bufferityökalulla voidaan helposti tarkastella valitusta kohteesta tietyllä etäisyydellä sijaitsevia muita kohteita tai ominaisuuksia, ja se sopii siksi hyvin esimerkiksi kaupunkisuunnittelun työkaluksi. Pidin Miian käyttämästä käsitteestä “vaikutusalue”, ja tulin pohtineeksi myös hänen pointtiaan siitä etteivät ilmiöiden vaikutusalueet ole yhtä symmetrisiä ja sieviä kuin mallinnetussa QGIS-kartassa. QGISsissä tietenkin joudutaan jo ihan käytännön syistä yksinkertaistamaan vaikutusalueiden muotoa, ja luonnollisestikin esimerkiksi maaston muodot, rakennukset sekä esimerkiksi vesistöt vaikuttavat eri ilmiöiden vaikutusalueisiin.

Esimerkkinä tästä voisi olla esimerkiksi radio- tai tietoliikennemaston kuuluvuus tietyn matkan päähän. Elisan sivuilta voi tutkia kartan avulla, missä kaikkialla 5G mobiilidatan verkkoyhteys toimii, ja esimerkiksi Helsingin, Sipoon ja Pernajan kohdalla rannikolta kuuluvuus ulottuu pitkälle merelle saakka (Kuva 1). Tämä johtuu oletettavastikin siitä, ettei merellä ole samalla tavalla maastonmuotoja tai rakennuksia jotka estäisivät 5G verkon etenemistä.

Kuva 1. Elisan kartta 5G-verkon kuuluvuudesta. Lähde: https://elisa.fi/kuuluvuus/
Itsenäistehtävät

Bufferointi, alueiden piirtäminen ja valintatyökalun monipuolinen käyttö olivatkin myös itsenäistehtävien keskeisimpiä juttuja, joilla kartoitettiin mm. lentokentän melualueilla asuvien asukkaiden määriä.
Lentokenttätehtävässä piirrettiin käsin vektoritason työkalulla “Add Polygon” Malmin lentokentän kiitoradat. Kiitoradoista tein ensin 2km ja sitten 1km bufferit selvittääkseni, paljonko ihmisiä asuu Malmin lentokentän melualueella (55dB 2km säteellä ja 65dB 1km säteellä). Buffereiden luonnin jälkeen käytetään taas Select-työkalua ja valitaan select by location väestö jotka osuvat tai ovat bufferialueiden sisällä. Selvisi, että 2km säteellä Malmin lentokentästä asuu 58 871 asukasta ja 1km säteellä 9149 asukasta.

Helsinki-Vantaan lentokentän tehtävässä lähdin kulkemaan ns. takalisto edellä puuhun, kun kiinnitin liikaa huomiota tehtävänannossa mainittuun Tikkurilan alueeseen ja yritin rajata aineistosta vain Tikkurilan postinumeroiden alueet ja tehdä päällekkäisten päällekkäisiä valintoja. Lopputuloksena QGIS kaatui ja tein tehtävän osittain uudestaan.

Tie onneen piili uuden layerin luomisessa sekä uuden ominaisuuden löytämisessä select-työkalusta. Loin uuden layerin jolle piirsin kolmannesta kiitoradasta poikkeussuunnan 7km viivan ja sille 500m bufferin (Kuva 2). Tämän jälkeen valitsin selectillä by value väestötietokannasta postinumeron mukaan 01300 ja 01301, jonka jälkeen tein select by location väki/poikkeussuunnan bufferialue ja klikkasin selection työkalun valikosta kohdan “Modify current selection by -> selecting within current selection”, jolloin sain sisäkköisen valinnan tehtyä ja tietää nimenomaan Tikkurilan alueella asuvien meluhaistasta kärsivien määrän, mikäli koneet laskeutuisivat poikkeussuunnasta.

Tein lopulta taulukon saamistani tuloksista:

Tehtävä Vastaus
Asukkaat 2km säteellä Helsinki-Vantaan kiitoradoista 11908 hlö
Montako % 2km säteellä asuvista asuu pahimmalla melualueella (65dB) 303 hlö eli 2,54%
Montako ihmistä asuu vähintään 55dB melualueella? 11923 hlö
Poikkeussuunnan melualueella asuvien ihmisten määrä 13162 hlö
Pelkkä TiXi eli Tikkurilalaisten määrä poikkeussuunnan melualueella 2345 hlö
Asukkaiden määrä 500m päässä juna-asemista 11765 hlö
Enintään 500m päässä juna-asemista asuvien ihmisten osuus kaikista aineiston asukkaista 21,65 %
Kuinka suuri osa enintään 500m päässä asuvista on työikäisiä? (15-64v) 74989 hlö eli 67%
Kuva 2. Näyttökuva vuosi sitten kurssilla tekemästäni harjoituksesta, jossa mustalla Helsinki-Vantaan pahin melualue 65dB, violetilla 55dB ja vaalean keltaisella 50dB. Kirkkaan keltainen suorakulmio on 7km pitkä ja 1km leveä kaistale, joka kuvaa melualuetta poikkeussuunnasta laskeuduttaessa. Oranssit pisteet ovat tietokannan asuinkohteita pisteaineistona.

 

 

Taa taa taajama

Taajamatehtävässä pääsin kikkailemaan vielä enemmän select työkalulla, kuten “remove from current selection” , select by expression ja value sekaisin sekä luomalla uusia sarakkeita attribuuttitaulukkoon. Nämä alkoivatkin jo sujua kohtuullisen hyvin, sillä kirjoitin myös muistiin kaikki vaiheet joita tein ja olen myös pitkin kurssia tehnyt muistiinpanoja erilaisista toiminnoista ja komennoista QGISille. Jonkin verran on vielä ongelmia joissakin yksittäisissä asioissa kuten attribuuttitaulukoiden päivittämisessä ilman apua.

Taajama-tehtävässä tein miljoona (lue: ainakin kymmenen) eri selections pyöritystä siten että väestön layerilla on valittuna taajamien sisään osuvat asuinyksiköt, joissa asuu yli 10% ulkomaisia asukkaita/kaikki asukkaat, loin uusia layereita näillä tiedoilla ja tallensin siten myös attribuuttitaulukkoon esimerkiksi sellaisen sarakkeen, johon oli laskettu koko väestötietokannasta ulkomaalaiset/kaikki asukkaat x100 jotta sain helposti prosenttiosuudet näkyviin suoraan attribuutteihin ja pystyin siten tekemään valintoja select-työkalulla ja luomaan omat layerit myös yli 20% ja 30% ulkomaalaisia/kaikki asukkaat valinnoilla.

(^okei pahoittelut koko kappaleen pituisesta virkkeestä, en oikeen itekään pysynyt mukana tässä mutta ehkä ajatuksenjuoksuani voi jotenkin seurata tuosta 😀 muistiinpanoistani suora lainaus siis ja tldr: oli monimutkainen ja monivaiheinen prosessi ja sain onneksi apua kaverilta kun kävin kysymässä mantsasohvilta <3 opiskelijayhteisöllisyys on parasta bestiä!)

Taajamatehtävän vastaustaulukko:

Tehtävä Vastaus
Montako % väestöstä asuu taajamissa? 64 %
Montako kouluikäistä (7-15v) asuu taajamien ulkopuolella? 2051
Taajamien ulkopuolella asuvien kouluikäisten osuus kaikista kouluikäisistä 3,80 %
Kuinka monella taajama-alueella ulkomaalaisten osuus on yli 10% 161
Kuinka monella taajama-alueella ulkomaalaisten osuus on yli 20% 154
Kuinka monella taajama-alueella ulkomaalaisten osuus on yli 30% 137
Koulupiirit

Valitsin valinnaiseksi tehtäväksi koulupiirien tutkimisen. Sattumalta YNK eli Yhtenäiskoulu on vielä lähellä omaa lapsuudenkotiani, vaikka en YNKissä kouluja käynytkään. Edellisten tehtävien flowssa homma sujuikin mukavasti ja selectin, attribuuttitaulukon ja uusien layereiden pyörittely sujui vaivatta.

Tehtävä Vastaus
Kuinka monta lasta aloittaa YNKissä ensi vuonna ensimmäisellä luokalla? (eli koulupiirin 6v lkm) 14
Kuinka monta lasta aloittaa YNKissä ensi vuonna yläasteella? (eli koulupiirin 12v lkm) 18
Montako koulukäistä (7-15v) koulupiirissä asuu? 159
Mikä on kouluikäisten osuus kaikista koulupiirissä asuvista asukkaista? 8,39 %
Montako muunkielistä kouluikäistä koulupiirissä asuu? 24
Loppupohdinnat

Monet yksinkertaiset jutut sujuvat QGISin kanssa jo mukavasti ja tänä vuonna hommaa on myös ollut paljon mukavampaa ja helpompi tehdä kun saa käyttää koulun koneita eikä taistella kuolemaa tekevätn 10v vanhan maccini kanssa 😀 Lähiopetus on muutoinkin piristänyt ja helpottanut avun pyytämistä ja saamista, kun yhteinen kieli ei QGISin kanssa aina suju.

Olen melko samoilla linjoilla Henryn kanssa, joka pohti omia QGIS-taitojaan; vaikka jotkin työkalut ovat jo hyvin muistissa ja hallussa, on QGIS ohjelmana todella laaja ja siksi myös hankala käyttää. Dvs. QGISistä löytyy niin paljon ja monipuolisesti vaikka mitä, että valintaviidakkoa joutuu kyllä setvimään myös oikeita työkaluja etsiessä, ja Henry mainitsikin navigoimisen olevan välillä haastavaa. Henryn tavoin opin tällä kurssikerralla myös poistamaan virheellistä dataa attribuuttitaulukosta ja muokkaamaan tietokantoja siten, että niistä oli helpompi saada irti haluamiaan tuloksia.
Eiköhän tämä siis tästä!

Lähteet

Miia Mattilan blogi, Geoinformatiikan menetelmiä harjoittelemassa. https://blogs.helsinki.fi/mcmiia/category/bufferianalyysi/ Viitattu 4.3.2022

Elisa Oyj, kuuluvuus. https://elisa.fi/kuuluvuus/  Viitattu 4.3.2022

Henry Hemtmanin blogi, GIS-vandring. https://blogs.helsinki.fi/hemtmanh/2022/02/25/kursomgang-5-buffert-analyser/ Viitattu 4.3.2022

Timantit on ikuisia – ja niin on QGIS tuskakin

I bless the rains down in africa // Toto

Kolmannella kurssikerralla harjoiteltiin suurien tiedostojen siistimistä merge-työkalulla, joka yhdistää tietyn ominaisuuden perusteella karttakohteita yhdeksi. Esimerkiksi Eritrean kymmenet pienet saaret Afrikan itärannikolla olivat attribuuttitaulukossa jokainen erikseen omassa sarakkeessaan, joten merge-työkalulla saimme kaikki pikkusaaret yhdistettyä Eritrean maan nimen perusteella yhdeksi sarakkeeksi. Tällä tavoin tietokannasta saadaan kevyempi ja helpompi käsitellä.

Afrikka-tietokannan siivouksen jälkeen harjoittelimme yhdistää vektorikarttatiedostoon myös muussa muodossa olevia tiedostoja, jotka on tehty eri ohjelmilla. QGIS kykenee lukemaan excel-tiedostoja huonosti, mutta excelistä jalostettu .csv -taulukkotiedosto onnistuu jo paremmin liittää joint-työkalulla karttatasoon. Vastaavaa toimintoa käytin myös liittäessäni Suomen tulvaindeksi-karttaan järvisyysprosenttitiedostoa.

Afrikka-tehtävän lopputuloksena on kokonaisuus, jossa oli tiedot hallinnollisten rajojen lisäksi timanttikaivosten, öljykenttien sekä konfliktien sijainneista (Kuva 1). Pohdimme kurssikerralla, onko konflikteja enemmän sellaisilla alueilla, joissa on myös paljon timanttikaivoksia tai öljyä. Ainakin joiden maiden kohdalla näin on, mutta Katariina huomasi esimerkiksi Etiopiassa olevan runsaasti konflikteja, vaikka siellä on vähän timanttikaivoksia. Vaikka siis ensisilmäyksellä näyttäisi, että missä on timantteja on myös konflikteja, ei voida suoraan tehdä johtopäätöstä jonka mukaan timanttikaivokset aiheuttaisivat konflikteja.

Kuva 1. Karttakuva Afrikasta, jonka laadin kurssikerralla.

Koska Afrikka-projektiin on tallennettu hurja määrä metadataa joka ei näy karttakuvassa, voisi tietojen avulla koittaa päätellä myös muunlaisia yhteyksiä ja mahdollisia syy-seuraussuhteita. Öljyn ja timanttien voisi kuvitella tuovan vaurautta ja esimerkiksi lisäävän internetin käyttäjien määrää, ja näin jälkiviisaana kyseistä tietoa olisi voinut olla mielenkiintoista käyttää ja kuvata myös karttakuvassa.

En itse tunne kovin hyvin tai tarkasti Afrikan valtioiden politiikkaa, mutta yleisellä tasolla allekirjoitan Miken ajatukset siitä, että timanttien ja öljyn mahdollisesti tuoma rikkaus taitaa jäädä vain vallassa olevien taskuihin. Muutoin monien kehittyvien maiden tilanne olisi noussut jo kohisten, mutta korruption ja pitkän kolonialismitaustan vuoksi vauraus ei leviä tasaisesti.

Konfliktien tapahtumavuosia ja timanttikaivosten sekä öljykenttien löytämisvuosia voisi myös vertailla ja koittaa löytää näistä mahdollisia yhteisiä tekijöitä. Ennakoiden voisi arvailla, että kaivosten ja kenttien löytymisen vuosien tienoilla olisi myös konflikteja.

 

Tulkoon tulva
Ja vieköön meidät // Apulanta

Ja sitten asiaan! Nyt olisi tarkoitus vielä harjoitella itsenäisemmin tietokantojen ja erilaisten tietolähteiden yhdistämistä. Laskentataulukoinnin, Joinien, csv:n ja monen vaiheen jälkeen sain pullautettua ulos koropleettikartan, joka ilmaisee Suomen valuma-alueiden tulvaindeksejä. Päälle sain kuin sainkin lisättyä histogrammeja, jotka kuvaavat alueiden järvisyysprosentteja (Kuva 2).

Kuva 2. Laatimani kartta Suomen tulvaindeksistä ja järvisyysprosentista.

 

Tulvaindeksi on selkeästi korkeampi tiheään asutuilla alueilla rannikon tuntumassa. Samalla huomasin, että korkean tulvaindeksin valuma-alueilla on verrattain pieni järvisyysprosentti, kun taas järvisemmillä alueilla on alhainen tulvaindeksi. Tulvaindeksi ja järvisyys korreloivat käänteisesti, ja epäilisin sen johtuvan siitä, että järvien suuret “altaat” sietävät paremmin veden määrän kasvua kuin pienemmät joet. Järvet siis tavallaan puskuroivat tulvia. Samoilla jäljillä on myös Meri, joka ilmaisi järvien tasaavan virtaavan veden määrän vaihtelua.

Olin myös vuosi sitten tehnyt kurssitehtävät ainakin johonkin vaiheeseen, mutta esimerkiksi histogrammien tekeminen ei onnistunut läheskään yhtä sujuvasti, vaan niistä tuli kartalle hirmuinen sotku. Nyt osasin säädellä asetuksista QGIS:in omien ohjeiden mukaan pylväiden kokoja ja sijoittelua paremmin, ja kartta on visuaalisesti parempi. Kovin luettava se ei vielä kuitenkaan ole, sillä pienimpien järvisyysprosenttien havaitseminen pienillä valuma-alueilla on hankalaa. Myös järvisyyden prosenttiluvut helpottaisivat hahmottamista pelkän pylvään suhteellisen koon vertailun sijaan.

Oli ilo huomata, että kaikki muistijäljet eivät ole kadonneet jäljettömiin vuoden takaiselta kurssilta, vaan osasin joitakin työkaluja jo ennestään ja monen perusominaisuuden pyörittely tuntuu jo sujuvan melko hyvin. Tosin, koska olen käyttänyt 10 vuotta macia ja vasta nyt alkanut ymmärtää windowsien päälle, huomasin ettei windows avannut zip-tiedostoa automaattisesti kuten maccini aikoinaan (kepeet mullat, viime vuonna ongelmaksi osoittautui se ettei 10v vanha mac jaksanut pyörittää zoomia ja QGISiä samaa aikaa….).

Erikseen avaamattomasta ZIP-kansiosta QGIS ei osannut lukea tiedostojen “polkuja” täysin ja en pystynyt muokkaamaan kaikkia ominaisuuksia tai luomaan uusia attribuuttitaulukon sarakkeita normaalisti. Onneksi tämäkin hämminki selvisi ja jatkossa osaan availla zippereitä paremmin 😀

LÄHTEET

Katariina Maijalan blogi, viitattu 10.2.2022
https://blogs.helsinki.fi/katariinagem/2022/02/09/kolmas-viikko-dataa-ja-koropleettikarttoja/

Mikke Plattosen blogi, viitattu 10.2.2022
https://blogs.helsinki.fi/mikkepla/2022/02/08/viikko-3-timantteja-tulvii/ 

Meri Lehdon blogi, viitattu 10.2.2022
https://blogs.helsinki.fi/lehtomer/2022/02/10/ympyrat-vs-pylvaat/

“Kieli keskellä kämmentä”

Hurvittelua projektioilla

Voit lukea varsinaisen blogitekstini toisesta kurssikerrasta täältä, mutta halusin julkaista vielä huvikseen kaksi uutta visualisointia projektioiden aiheuttamista eroista pinta-alassa.

Tällä kertaa kokeilin Aitoffin (Kuva 1) ja Plate Carreen (Kuva 2) projektioita verrattuna Suomen “standardiin” eli TM35FIN -projektioon.

Kuva 1. Aitoffin projektio on muunneltu oikeakeskipituinen projektio.
Kuva 2. Plate Carreen projektio on ns. kompromissi, eli se ei ole oikeapituinen, -kulmainen tai -pintainenkaan.

 

PS. Otsikko on ns. suustasiepattu lehtori Paarlahdelta 😉

 

 

 

 

 

Renessanssi – vai revanssi?

Eiks niin, et rästit on helpompi hoitaa osallistumalla kurssille uudestaan kuin yrittämällä itsenäisesti vääntää?  😀

Varsinkin pandemian aikaan rutiinit ja kurssiaikataulut auttavat pitämään pään kasassa, ja ehkä tästä saa myös tutkinnon raapaistua kasaan.

Ei kun leuka pystyyn ja kohti uutta kohtaamista QGisin kanssa!

Blogi valmistuu kevätlukukaudella

Moik,

koronassa ja koulussa ja elämässä on kovasti jaksamista, joka on nykyisin uusiutumaton luonnonvara. Käytän sitä siis säästeliäästi tätäkin kurssia tehdessäni 🙂 kurssiblogi valmistunee kevätlukukaudella.

Joten, vaikka mood on nyt kuin kuvan nuupahtaneilla ketunleivillä, keväästä ja tulevasta kesästä toivottavasti saa lisää voimaa alkaa taas kukkimaan. Kivaa kevättä ja kesän odostusta sulle!

Projektina projektiot

Karttaprojektiot

Kun maailmaa halutaan kuvata kaksiulotteisena, täytyy maapallon muotoa sovitella tasolle erilaisilla karttaprojektioilla. Karttaprojektiot mallinnetaan kuvitteellisen prosessin kautta: ajatellaan, että maapallo olisi läpikuultava, ja sen sisällä olisi pinnan läpi loistava lamppu. Nyt loistavan maapallon ympärille kääritään taso, josta muodostuu usein joko kolmiulotteinen lieriö tai kartio. Vaihtoehtoisesti voidaan käyttää myös esimerkiksi ympyrän muotoista tasoa, joka asetetaan sen alueen eteen, josta kartta halutaan tehdä. Lampun ansiosta maapallon piirteet projisoituvat ympärillä olevalle pinnalle tai tasolle, jolloin ne piirretään kappaleen pinnalle, ja sitten kappale levitetään taas tasoksi (Kuva 1). Lopputuloksena saadaan kartta, joka voi olla joko oikeapituinen, oikeapintainen tai oikeakulmainen. (MML)

Kuva 1. Hyvä ja havainnollistava kuva projektioiden mallintamisesta. Lähde: QGISin käyttöohje.

Yleisesti Suomessa käytetään TM35FIN-projektiota, sillä se on Suomen osalta mahdollisimman hyvin todellisuutta kuvaava, sillä se on kompromissi oikeapintaisen, oikeapituisen ja oikeakulmaisen karttaprojektion väliltä. Kuhunkin projektiin kannattaa kuitenkin valita juuri sitä tarkoitusta palveleva karttaprojektio, jotta päästään haluttuun lopputulokseen mahdollisimman hyvin. Esimerkiksi Mercatorin projektiota käytetään navigoinnissa, sillä se on oikeakulmainen projektio ja siksi sillä on helppo suunnistaa vain yhtä suuntalinjaa seuraten. Mercator kuitenkin vääristää hurjasti sekä matkojen pituuksia että alueiden pinta-aloja (Kuva 2), joten Mercatorilla valmistettu kartta ei olisi ideaali alueiden koon tai välimatkojen arvioimiseen ja vertailuun. (MLL)

Kuva 2. Mercatorin projektiossa Suomen kuntien vääristymä on sitä suurempi, mitä pohjoisemmaksi mennään.

Kurssikerran tehtävänä oli vertailla eri projektioita keskenään. Vertailin TM35FIN-projektion eroja Bonnen, Van der Grinten I:n, Eckert I:n, Mollweiden ja Mercatorin projektioihin. Vertailuun käytin QGISin mittaustyökalua, ja mittasin ensin aivan pohjoisimman Suomen pinta-alaa ja sitten vaakasuunnassa Suomen leveintä kohtaa (Taulukko 1). Mittausten tuloksista laatimastani taulukosta voidaan nähdä, mitkä projektiot vääristävät karttatasolle piirrettynä (Cartesian) pinta-alaa (A) ja/tai matkaa (KM) eniten. Tulokset ovat ellipsoidin (Ellipsoidal) muotoon sovitettuna samat, sillä ne on tietokoneen avulla mallinnettu vastaamaan maapallon todellista muotoa.

PROJEKTIO A Ellipsoidal A Cartesian KM leveys Ellipsoidal KM leveys Cartesian Projektion tyyppi
TM35FIN 13493 km2 13448 km2 529 km 529 km kompromissi
Bonne 13493 km2 13461 km2 529 km 529 km oikeapintainen
Van der Grinten I 13493 km2 58388 km2 529 km 966 km kompromissi
Eckert I 13493 km2 19981 km2 529 km 691 km oikeapituinen
Mollweide 13493 km2 13428 km2 529 km 630 km oikeapintainen
Mercator 13493 km2 109475 km2 529 km 1157 km oikeakulmainen

Taulukko 1. Eri projektioiden antamat pinta-alat sekä pituudet samalle valitulle alueelle ja matkalle sekä projektiotyypit.

Laskin excelillä vielä projektioiden Cartesian -pinta-alojen erotuksen sekä prosenttiosuuden verrattuna TM35FIN-projektioon, sillä näistä luvuista pystyy hahmottamaan helpommin, mitkä projektiot vääristivät eniten ja mitkä vähiten (Taulukko 2).

Erotus A Cartesian (km2) Prosenttiosuus A (km2)
TM35FIN 0 100 %
Bonne 13 100,0966686
Van der Grinten I 44940 434,1760857
Eckert I 6533 148,5797145
Mollweide -20 99,851279
Mercator 96027 814,0615705

Taulukko 2. Projektioiden erotus sekä prosenttiosuus verrattuna TM35FIN-projektioon.

Odotusten mukaisesti Mercatorin projektio vääristi sekä pituutta että pinta-alaa kaikista eniten, ja se on jopa yli 800% eli yli kahdeksankertainen verrattuna TM35FIN-projektioon. Lähimpänä olivat Mollweide reilulla 99%:lla, mikä tarkoittaa sen pienentävän pinta-alaa hiukan (Kuva 3), sekä Bonne vain hiukan päälle 100%:lla eli suurentaen pinta-alaa hiuksenhienosti. Sen sijaan Eckert I projektio suurensi pinta-alaa puolitoistakertaisesti (Kuva 4).

Kuva 3. Suomen kunnat kuvattuna Mollweiden projektiolla
Kuva 4. Eckert I projektio saa Suomen kartan näyttämään leveämmältä.

Lähteet:
https://docs.qgis.org/3.16/en/docs/gentle_gis_introduction/coordinate_reference_systems.html   karttaprojektiot QGIS käyttöohje

https://www.maanmittauslaitos.fi/tietoa-maanmittauslaitoksesta/ajankohtaista/lehdet-ja-julkaisut/tietoa-maasta/maailma-venyy-ja-paukkuu MML karttaprojektiot

 

Ensimmäinen – ja toinen – kohtaaminen

Ensimmäinen kohtaaminen

Yhteinen polkumme QGISin kanssa ei alkanut odotetusti, kun ensimmäisellä luennolla sekä QGIS että Zoom kaatuivat ja tietokoneeni sanoi itsensä irti yli puoleksi tunniksi. Pääsin lopulta takaisin Zoom-luennolle ja päätin tarkkailla vain luentoa, jottei QGISin avaaminen johtaisi taas kaatumiseen.

Latasin QGISin samana päivänä myös avopuolison pöytäkoneelle ja osallistuin toisen ryhmän luennolle seuraavana päivänä. Nyt pystyin seuraamaan yhdellä koneella luentoa ja toisella tekemään itse QGIS-tehtävää, jes!

Ohjelmana QGIS on itselleni täysin uusi, ja kerralla tuli melko paljon opittavaa. Työkaluja sai etsiä muutamaan kertaan, että oli varmasti oikea käytössä ja sai monen mutkan kautta halutun lopputuloksen ulos ja vielä taittoon viimeistelyä varten. QGIS vaikuttaa kuitenkin melko intuitiiviselta, ja pöytäkoneella isosta näytöstä ja hiirestä oli todella hyötyä, sillä läppärillä touchpadilla räpeltäminen oli melko tuskaista.

Zoom-luennolla saatiin aikaiseksi Itämerta ympäröivistä valtioista kartta, josta käy ilmi kunkin maan osuus kaikista Itämereen päätyvistä typpipäästöistä värikoodauksen avulla (Kuva 1). Karttaa katsoessa kiinnitin jälkikäteen huomiota siihen, miten järviä on kuvattu vain osittain Pohjois-Euroopan alueella, ja ne näyttävät rajautuvan melko kummallisesti vain tietylle alueelle. Päättelin tämän johtuvan siitä, että karttaan on haluttu typpipäästöjen olennaisuuden takia merkata vain Itämeren valuma-alueella olevat vesistöt, sillä typpipäästöt päätyvät Itämereen pääasiassa valuvien vesien mukana. Tarkistin asian, ja kuinka ollakaan, epäilykseni osui oikeaan ja kartta Itämeren valuma-alueesta täsmää hyvin kurssikerralla tehdyn kartan järvien sijaintiin (Kuva 2).

Pohjois-Euroopan kartta joka on keskittynyt Itämeren ympärysvaltioihin. Typen päästöjen osuudet valtioittain on luokiteltu asteikoilla vaaleanpunainen 3,2-8, punainen 8-13,3 ja tummanpunainen 13,3-33,7. Vaaleanpunaisina eli typpipäästöiltään pieniosaisimpina valtioina on väritetty Saksa, Tanska, Liettua, Viro ja Suomi. Punaisella eli keskisuurilla päästöillä on väritetty Ruotsi, Latvia ja Venäjä. Ainoana suuripäästöisenä maana tummanpunaisena on värjätty Puola. Loput kartassa näkyvät Euroopan maat ovat taustakarttana ja väriltään vaalean vihreitä, sillä ne eivät ole osana typpipäästötilastoja.
Kuva 1. Luennolla tekemäni kartta Itämeren ympärysvaltioiden typpipäästöistä
Kuva 2. Itämeren valuma-alue. Lähde: Wikimedia Commons

Karttani ulkoasua näin jälkikäteen ajatellen olisi voinut hioa värien osalta, vaikka ne eivät räikeästi silmään satukaan. Lisäksi olen samaa mieltä Johannan kanssa siitä, että syvyyskäyrät olisi voinut jättää pois kartasta – ne eivät varsinaisesti tarjoa informaatiota, eivätkä ole kyseisen teemakartan kannalta oleellisia, kun halutaan tarkastella typpipäästöjä maittain.

Lopputulos on kuitenkin kohtuullisen hyvä ensimmäiseksi tuotokseksi QGISillä, ja olen oppimiini asioihin ja karttaani tyytyväinen.

Toinen kohtaaminen

Päättäväisenä, mutta valitettavasti melko myöhään pääsin aloittamaan kurssikerran kotitehtävää, jossa tarkoituksena oli tehdä koropleettikartta Suomen kunnista ja jostakin aineiston sisältämästä taulukoidusta tiedosta.

Koropleettikartta tarkoittaa teemakarttaa, jossa tilastoja esitetään aluejakoisesti, esimerkiksi kunnittain. Koropleettikartta on myös tyypillisesti luokiteltu, eli tarkasteltavan ilmiön numeeriset tilastotiedot luokitellaan tiettyihin ryhmiin ja näin eri alueiden eroja voidaan vertailla visuaalisesti keskenään. Tilastotieto koropleettikartassa luodaan yleensä suhteellisista lukuarvoista, kuten tarkasteltavan ilmiön osuus kokonaismäärästä; esimerkkinä väestöntiheys per väestö kokonaisuudessaan tai työttömyys per koko väestö. (Tilastokeskuksen Tilastokoulu, 2021)

Olin määrätietoinen siitä, että pärjäisin QGISin kanssa hyvin itsenäisesti, mutta QGIS ja huono muistini ottivat luuloni heti alussa pois. Melkein kaikkia askelia piti tarkistaa ja muistella kurssimateriaaleista, ja viimein onnistuin yrittämisen, epäonnistumisen ja oppimisen kautta luomaan haluamani kartan.

Päätin tehdä kartan yli 65-vuotiaiden osuudesta kunnan väestöstä prosentteina. Onnistuin ulkomuistista luomaan attribuuttitaulukkoon uuden sarakkeen laskutoimituksen avulla (65-v-lkm/väestö * 100), mutta etsin melkoisen pitkään työkalua, jolla saisin laskemani taulukon tulokset näkyviin kartalle luokittain. Tukimateriaalia apuna käyttäen sain tehtyä luonnollisilla luokkaväleillä järkevän näköisen kartan. Lopputuloksena on selkeä kartta, joka ilmaisee värien avulla yli 65-vuotiaiden prosenttiosuuden kunkin kunnan kokonaisväestöstä (Kuva 3).

Huomasin, että Susanna oli muokannut asetuksista tilastonsa luvut yhden desimaalin tarkkuuteen, jotta legenda olisi helppolukuisempi. Ajattelin, että voisin itse hyödyntää samaa taktiikkaa, ja lopulta päädyin käyttämään kokonaislukuja, sillä desimaaleilla luettavuus oli edelleen melko sekava.

Kartasta voidaan nähdä, että erityisen vähäisenä yli 65-vuotiaiden osuus on suurissa kaupungeissa, varsinkin opiskelijakaupungeissa kuten Helsingissä, Turussa, Tampereella, Jyväskylässä, Kuopiossa, Joensuussa ja Oulussa. Mielenkiintoinen seikka on, että ne kunnat joissa on suhteessa eniten yli 65-vuotiaita ovat paikoin isommissakin ryppäissä tai ainakin useimmiten lähellä muita kuntia joissa prosenttiosuus on suuri. Näistä melkein kaikki ovat maaseutupainotteisia kuntia, joista nuoret muuttavat opiskeluiden ja töiden perässä suurempiin kaupunkeihin. Tämä luonnollisesti laskee yli 65-vuotiaiden osuutta suurissa kaupungeissa.

Kuva 3. Laatimani kartta vuoden 2015 aineiston pohjalta.

Ensimmäiseltä viikolta jäi käteen entistä suurempi innostus kartoista, joka syntyi alunperin jo Tiedon esittäminen maantieteessä -kurssilla. Kartat sinällään olivat tuttuja työkaluja suunnistuksen kautta, mutta nyt osaan tarkastella myös paljon yksityiskohtaisemmin karttojen yksityiskohtia, elementtien siisteyttä visuaalisella silmällä sekä karttaan upotettua paikkatietoa.

Tärkeänä harjoituksessa oli oppia muutamat perustyökalut QGISistä, ja uskon muistavani nyt ainakin suurimman osan kurssikerralla läpikäydyistä työkaluista ja kuinka niitä käytetään. Tilastopohjaisen aineiston takia myös attribuuttitaulukon ja niiden tietojen laskutoimitukset oli tärkeää ymmärtää, jotta tilastotietoa osaisi käyttää karttojen laadinnassa. Muutaman kokeilun jälkeen sain rutiinin laskutoimitusten tekemiseen, ja myös prosenttiosuuden laskutoimituksen oikein saaminen oli iloinen onnistumisen kokemus.

Toimintatapani ei varmaankaan ole vielä vakioitunut, mutta uskoisin luonteeni perusteella, että seuraavissa töissä etenen melko suunnitelmallisesti vaihe kerrallaan. Tällainen hitaampi eteneminen varmistaa sen, että pysyn mukana tekemissäni muutoksissa ja ymmärrän miksi jotakin tapahtui, sekä saan jonkinlaisen muistijäljen jokaisesta toimenpiteestä, kun ne on tehty tarkoitus edellä. Pidän kuitenkin mielen avoinna myös kokeilevalle tavalle oppia.

Jatkossa yritän myös pysyä paremmin aikataulussa viikottaisissa tehtävissä, jotteivät palautukset venyisi ja kasaantuisi hirveästi. Tuoreesta muistista tehdyt karttatyöt myös sujuvat paremmin, kun kurssikerrasta ja QGISin käytöstä ei ole useampaa päivää aikaa.

update tammikuu -22

Lueskelin vuosi sitten kirjoittamani blogitekstin läpi ja totesin, että muistin suurimman osan QGISin toiminnoista edellisen kurssiosallistumiseni perusteella – tämä oli lohdullista, sillä muistan miten niitä tuskailin aiemmin, ja nyt tuntui että pysyin hyvin kärryillä. Hitaan alun takia en kuitenkaan tehnyt uusia kuvia kurssikerroille, koska tuntui että en saanut kartasta järkevällä ajankäytöllä esteettisesti parempaa kuin aiemmin tekemäni.

Lähiopetus sykähdyttää, ja olen tämän kurssin saamasta erityisluvasta erittäin kiitollinen!

tumblr_n8vvg2FIuJ1tgifizo3_500.gif (500×200) | トトロ, アニメーション, 不思議な生き物
Kuvaus nolosta kuudennen vuoden opiskelijasta joka yrittää olla huomaamattomasti fuksikurssilla 😀

 

Lähteet:

Kurssimateriaali

Johannan blogi

Susannan blogi

Itämeren valuma-alue

Tilastokoulu

Minitotoro