Kuukausi: tammikuu 2024

Projektiot

Toisella kurssikerralla perehdyttiin projektioiden mittakaavavirheisiin QGIS-ohjelman avulla. Maapallon pinnan projisoinnissa kaksiulotteiselle tasolle esiintyy aina virheitä, sillä kolmiulotteista tasoa ei pysty esittämään tasona siten, että kartan kohteiden etäisyydet, muodot ja suunnat säilyisivät yhtä aikaa virheettöminä. Tyypillisesti kukin karttaprojektio pyrkii esittämään yhden kartan ulottuvuuden, esimerkiksi pinta-alan, oikein. Projektio voi olla myös matemaattinen malli, jossa kaikki ulottuvuudet pyritään esittämään mahdollisimman oikein. Tällöin yksikään ominaisuus ei kuitenkaan ole täysin virheetön. Tämä on oppimaani Geoinformatiikan peruskurssilta.

Valitsin tarkasteluun tuntemiani projektioita. TM35FIN on Suomessa käytössä oleva koordinaattijärjestelmä, joka on osa Euroopassa käytössä olevaa ETRS-järjestelmää. TM viittaa poikittaiseen Mercatorin projektioon ja 35 projektiokaistaan, jossa Suomi sijaitsee. (Suomen lajitietokeskus, ei pvm.) Robinsonin projektio on maailmankarttoihin suunniteltu projektio, jossa mikään ulottuvuus ei ole täysin oikein, vaan kaikista pyritään esittämään mahdollisimman vähän vääristyneet arvot. Myös Winkel Tripel on vastaavanlainen maailmankarttaprojektio. Verrattaessa näitä kahta projektiota TM35-projektioon huomataan, että pinta-ala kasvaa keskimäärin 1,5-kertaiseksi Suomen korkeudella (taulukko 1).  Lambertin oikeapintainen projektio kuvaa kohteiden pinta-alat oikein ympyrän muotoiselle tasolle. Verrattuna TM35-projektioon pinta-alat ovat käytännössä yhtä suuret (taulukko 1). Mercatorin projektio kuvaa kohteiden suunnat oikein eli on oikeakulmainen projektio, mutta kartalla etäisyydet kasvavat napoja kohden. TM35-projektioon verrattuna Mercator suurentaa kohteiden pinta-alaa jopa lähes kahdeksankertaiseksi, kun verrataan aivan Pohjois-Suomesta mitattua pinta-alaa (taulukko 1). Tätä selittää edellä mainittu mittakaavan kasvu napoja kohden. Käytetyllä projektiolla on siis merkitystä tiedon esittämisen kannalta. Erityisesti, jos projektion avulla mitattua tietoa, esim. pinta-alaa, käytettäisiin jonkun muun arvon esittämiseen. Esimerkiksi asukastiheyden arvoksi saataisiin hyvin erilaisia arvoja, mikäli pinta-ala mitattaisiin Mercatorin projektiolla kuin TM35-projektiolla.

Varsinaisessa tunnilla tehtävässä harjoituksessa verrattiin kolmea eri projektiota TM35-projektioon. Sain tehtyä tämän tehtävän alun perin kurssitapaamisessa, mutta ongelmia ilmaantui karttatasojen siirtämisessä yhteiselle esityslehdelle. Päädyinkin lopulta tekemään tehtävän uudestaan kotona eri projektioilla. Tunnilla käytin hieman tuntemattomampia projektioita, mutta kotona päädyin tekemään itselleni jo tutuilla projektioilla. Mielestäni oli haastavaa löytää QGIS-valikosta oikeat projektiot, kun useilla projektioilla oli ilmeisesti valtio- tai aluekohtaisia pienempiä projektioita. Kuten jo taulukon 1 tulosten mukaan saattoi päätellä, Mercatorin projektiolla pinta-ala kasvoi Pohjois-Suomessa jopa yli kahdeksankertaiseksi verrattuna TM35-projektioon (kuva 1). Etelä-Suomessa pinta-alan vääristymä oli puolet vähemmän eli vääristymä kasvoi aika nopeasti pohjoisnapaa kohti kuljettaessa. Robinsonin ja Winkel Tripel-projektion vääristymät verrattuna TM35-projektioon olivat suuruudeltaan lähes yhtä suuria, joista jälkimmäisessä oli aavistuksen suurempi vääristymä (kuva 2 ja 3). Jälkikäteen ajateltuna tehtävässä olisi voinut yrittää etsiä jonkun erityylisen vääristymän, kuten itä-länsisuuntaisen, mutta jo pitkään jatkuneen ähräämisen jälkeen en tähän enää ryhtynyt.

Tarkastelin muutamaakin blogia ja löysin useampia samankaltaisia kuin itse tekemät karttani. Selaillessani vastaan tuli Pihlaviston (2024) blogi, jossa hän visualisoi kartalla Mercatorin ja TM35- sekä Winkel Tripel-projektion mittakaavaerot prosentteina. Tämä oli hieman erilainen tapa kuin mitä kurssikerralla teimme, joten oli kiinnostava nähdä myös visualisointi prosentteina. Hetken jouduin tosin miettimään, miten kerroin ja prosentuaalinen ero eroavat toisistaan, mutta ymmärtääkseni prosenttiosuudet olivat aivan oikein ja kartat selkeästi visualisoitu.

Toisen kurssikerran jälkeen koen oppineeni tuottamaan sujuvasti karttalehden. Tunnilla en saanut lukittua eri tasojen karttalehtiä, joten tuotin jokaisesta kartasta oman karttalehden. Kotona tehtävän tekemiseen kului runsaasti aikaa, joten en tällä kertaa edes yrittänyt yhdistää karttalehtiä ohjelmassa. Lisäksi oli hyödyllistä oppia, kuinka QGIS-ohjelmaan voi lisätä rajapinnan kautta muita aineistonhakupalvelimia.

Lähteet:
Pihlavisto, A. (25.1.2024). Toinen kurssikerta. Antin GIS-blogi. [Blogipostaus.] Viitattu 27.1.2024. https://blogs.helsinki.fi/anttipih/

Suomen Lajitietokeskus. (ei pvm.). Lajitietokeskuksen käytössä olevat koordinaattijärjestelmät. https://laji.fi/about/5269

T1: Itämeren typpipäästöt

Ensimmäisellä kurssikerralla perehdyimme QGIS-ohjelman käyttöön opettajan johdolla. Harjoittelimme vaihtamaan käyttöliittymän kieleksi ensiksi englannin, sillä se on tyypillinen ohjelmoinnin kieli, parantaa käytettävyyttä sekä tarvittaessa helpottaa ohjeiden hakemista selaimesta. Latasin koneelleni saman version QGIS-ohjelmasta, ja osasin vaihtaa itsenäisesti kielen suomesta englantiin. Alussa katsoimme myös läpi, mistä koordinaattijärjestelmän voi tarvittaessa muuttaa. Tämä on tärkeää, sillä kartat esitetään aina jossakin koordinaattijärjestelmässä, joita on olemassa lukuisia erilaisia. Tämän jälkeen harjoittelimme vektorimuotoisen aineiston lataamista ohjelmaan ja tarkastelemaan eri aineistojen sisältämiä tietoja avaamalla kunkin aineiston attribuuttitaulut. Ennen varsinaista työskentelyä kävimme vielä läpi, miten ohjelmaan voi avata uusia työkalurivejä klikkaamalla muiden työkalujen vierestä harmaalta alueelta.

Seuraavaksi työstimme varsinaista karttaa Itämeren ympäröivistä alueista ja niiden typpipäästöistä. Harjoittelimme yhdessä, kuinka kartan värejä muutetaan ja kukin muokkasi omaa karttaansa haluamansa näköiseksi. Saadaksemme karttaan kunkin valtion typpipäästöt suhteellisena arvona (eli prosentteina kokonaistypestä), harjoittelimme laskemaan kaikkien valtioiden kokonaistyppipäästöt yhteen ohjelman laskimella. Laskinta käytettiin typpipäästöjä sisältävässä Administrative boundaries attribuuttitalussa, joka klikattiin ensin muokattavuustilaan. Tämän jälkeen pystyimme laskemaan kunkin valtion kokonaistypen suhteellisen osuuden kaikkien valtioiden kokonaistyppimäärästä. Laskemisen jälkeen suodatimme pois 0-arvot. Laskeminen oli mielestäni tämän kerran vaikein vaihe, jossa ilman opettajan esimerkkiä olisin varmasti ollut vaikeuksissa pelkkiä kirjallisia ohjeita seuraamalla. Laskimen käyttö vaatii vielä lisää harjoittelua, jotta se sujuu jatkossa myös itsenäisesti helposti. Laskemisvaiheessa lisäsimme ohjelmaan statistics-näkymän, mistä sai tilastolliset tiedot helposti näkyville.

Kunkin valtion suhteelliset arvot saatuamme valtiot luokiteltiin eri värein viiteen eri luokkaan. Katsoin luokat valmiiksi opettajalta, mutta tässä vaiheessa olisi voinut itsekin miettiä mielekkäät luokat. Opettajan luokittelu ei myöskään ollut se paras, sillä lopuksi päädyimme poistamaan yhden luokan, johon ei tullut yhtään valtiota. Luokittelun visualisointiin käytettiin punaista liukuväriskaalaa, jossa tummin väri kuvasi suurimpia päästöjä. Värien valinnassa tuleekin käyttää intuitiivista harkintaa siitä, mitä eri värit tuovat mieleen. Punainen väri esimerkiksi luo helposti negatiivisia mielleyhtymiä, kuten typpipäästöt tässä tapauksessa ovat. Lisäksi tummempi väritys viittaa tyypillisesti suurempaan arvoon ja vastaavasti vaaleampi väri pienempään. Kartan viimeistelyssä lisäsimme mittakaavan, pohjoismuolen ja legendan. Nämä viimeistelyvaiheet olivat jokseenkin muistissa Geoinformatiikan peruskurssilta. Uutena opin, että karttakokonaisuuden ympärille voi lisätä laatikon, jonka saa läpinäkyväksi säilyttäen rajat. Tämä vaihe oli tehty mielestäni tarpeettoman monimutkaiseksi, mutta sain sen toimimaan lopulta opettajan ohjeistuksella. Tuottamani valmis kartta on kuvattu alla (kuva 1).

T2: Yli 64-vuotiaiden osuus Suomen kunnissa

Kotona tehtävässä harjoittelin Moodlesta valmiina ladattavasta aineistosta tuottamaan koropleettikartan, jossa on esitetty yli 64-vuotiaiden %-osuus kunnittain (kuva 2). Aloitin tekemään tehtävää aluksi pian kurssikerran jälkeen, mutta ajatukseni meni aluksi ihan solmuun, mitä ihmettä voin aineistosta visualisoida kartaksi. Muutaman päivän tuumaustauko kuitenkin selkeytti ajattelua, ja huomasin ajatelleeni aluksi aivan liian monimutkaisesti. Kunta-aineistossa oli valmiiksi laskettu kunnittain eri-ikäluokkien prosenttiosuudet, joten valmiita tietoja pystyi hyödyntämään suoraan kartan tekemiseen. Valitsin yli 64-vuotiaat, sillä he ovat tyypillisesti eläkeikäisiä, joten tieto kuntalaisten eläkemäärästä oli mielestäni kiinnostava.

Tässä kohtaa myös selailin muiden kurssilaisten blogeja, oliko heillä tehtynä eri ikäluokista koropleettikarttoja. Tutustuin tarkemmin Pajukosken (2024) karttaan alle 15-vuotiaiden osuuksista Suomen kunnissa. Mielestäni Pajukoski oli käyttänyt luokittelussaan sopivasti luokkia, mutta ehkä luokkien vaihteluvälejä olisi voinut muuttaa hieman tasakokoisemmiksi. Erityisesti silmiin pisti pienin ja suurin luokka, joiden vaihteluvälit olivat noin 10 % eli selvästi enemmän kuin keskimmäiset luokat. Ensimmäisessä eli pienimmässä luokassa on kuitenkin selkeästi enemmän kuntia kuin suurimmassa luokassa. Lisäksi kokonaislukujen tai ainakin puolikkaiden lukujen (esim. 10,5) käyttäminen olisi tehnyt luokista vielä selkeämpiä luettavuudeltaan. Muuten kartta oli erittäin selkeästi tehty.

Yli 64-vuotiaiden luokittelun apuna käytin ohjelman tilastotoimintoa, jossa sai näkyviin arvojen vaihteluvälin pienimmästä suurimpaan. Lisäksi tarkastelin attribuuttitaulusta, kuinka paljon suurinpiirtein erikokoisia arvoja aineistossa esiintyy. Tätä varten klikkasin aineiston suuruusjärjestykseen pienimmästä suurimpaan yli 64-vuotiaiden kohdalta. Luokittelussa käytin kokonaislukuja luettavuuden helpottamiseksi, ja tästä syystä pyöristin suurimman arvon (44,6 %) myös kokonaisluvuksi. Karttani visualisoinnissa käytin valmista väriskaalaa, mutta valitsin hieman eri violetin sävyjä sisältävän skaalan luettavuuden helpottamiseksi. Violetti sopi mielestäni hyvin, sillä se luo neutraaleja mielikuvia. Kartan viimeistely (legendan, pohjoisnuolen ja mittakaavan) onnistui helposti. Kartan ympäröivan suorakulmion muokkaaminen läpinäkyväksi sisältäen rajauksen aiheutti taas hieman päänvaivaa, mutta ohjelman selailun jälkeen se palautui mieleen ja onnistui.

Kartan (kuva 2) mukaan eniten yli 64-vuotiaita asuu Itä- ja Pohjois-Suomen kunnissa. Myös Keski-Suomessa asuu suhteessa paljon yli 64-vuotiaita, sillä valtaosassa Keski-Suomen kunnista asuu 32-39 % yli 64-vuotiaita. Vähiten yli 64-vuotiaita asuu pääkaupunkiseudulla Uudellamaalla ja Oulun seudulla Pohjois-Pohjanmaalla.

Lähteet:
Pajukoski, H. (22.1.2024). 1. Kurssikerta. Heidin GIS-blogi. [Blogipostaus]. Viitattu 22.1.2024. https://blogs.helsinki.fi/heidipaj/