Kategoria: Uncategorized

Kurssikerta 7

Seitsemännellä kurssikerralla luotiin aiemman opitun perusteella itse kartta vapaaehtoisista muuttujista itseä kiinnostavista aiheista. Tässä kohtaa selailin muiden opiskelijoiden blogeja saadakseni ideoita, mistä voisin nopeasti ladata jonkin suomenkielisen aineiston kartan tekemistä varten. Vauvani syntyi 3 viikkoa etuajassa, joten olen tehnyt kurssin lopputehtäviä vauvan nukkuessa. Minulla ei oikein ole ollut ylimääräistä aikaa käyttää kaikkein kiinnostavimman datan etsimiseen, joten päädyin tarkastelemaan Suomen kuntien asukkaiden koulutusrakennetta (kuva 1). Ensiksi meinasin Herttuan (2024) blogista inspiroituneena tehdä Paavon postinumeroihin perustuvan tilastodatan perusteella kartan. Halusin kuitenkin tarkastella mieluummin koko Suomen tietoja, joten päädyin selailemaan tilastokeskuksen tilastoja – ja sieltä löysinkin tarkoitukseen sopivan aineiston liittyen väestön koulutusrakenteeseen.

Kartan tekemistä varten latasin kurssikerralla 1 käytetyn Suomen kunnat taustakartan. Sen jälkeen latasin koulutusrakennetta kuvaavan csv-aineiston ohjelmaan. Tässä oli aluksi ongelmia, mutta sain sen lopulta näkymään oikein UTF 8-koodauksella, jolloin sain näkyville ä- ja ö-kirjaimet. Jotta voisin luoda karttaan diagrammeja, minun piti tietokantaliitoksella yhdistää lataamani tilastokeskuksen data Suomen kunnat aineistoon. Liitosta varten muokkasin excelissä tilastokeskuksen dataa siten, että kuntien nimi sarake oli täysin identtinen Suomen kunnat aineiston kanssa. Käytännössä poistin kaikki ylimääräiset rivit pois ja tarkistin manuaalisesti, että kuntien nimet kummassakin aineistoissa olivat identtiset. (Nämä vaiheet siis excelissä ennen koulutusrakenneaineiston lataamista QGIS.) Tietokantaliitokseen käytin aiempien kurssikertojen ohjeita. En heti onnistunut tietokantaliitoksessa, mikä johtui siitä, että unohdin muokata myös target field kentän samaksi kuin join field-kentän.  Lopulta tietokantaliitos onnistui. Valmiiseen liitokseen lisäsin vain kuntien nimet sekä suhteelliset osuudet väestön koulutusrakenteesta sisältäen prosenttiosuudet väestöstä, jolla i) ei ole perusasteen jälkeistä tutkintoa, ii) on suorittanut toisen asteen tutkinnon, iii) on suorittanut erikoisammattitutkinnon ja iv) on suorittanut korkeakoulututkinnon. Erikoisammattitutkinnon suorittaneiden prosenttiosuutta ei ollut aineistossa valmiiksi vaan laskin sen attribuuttitaulukkoon itse. Valmis karttani (kuva 1) sisälsi siis tiedot Suomen kuntien asukasluvuista ja niiden asukkaiden koulutusrakenteesta.

Kuntien asukasluvut eivät ole kovin järkevä tieto koulutusrakenteeseen yhdistettynä, sillä koulutusrakenne sisälsi tiedot suhteellisena eli prosenttiosuuksina. En kuitenkaan tässä elämäntilanteessa jaksanut etsiä uutta aineistoa, esimerkiksi kunnan väestön työllisyydestä, joten käytin kunta-aineistossa olevaa valmista tietoa niiden asukasluvuista. Näin sain kartalla esitettyä kaksi eri muuttujaa eli kuntien asukasluvut (portaittain) ja kuntien väestön koulutusrakenteen (diagrammit). Tärkeintä mielestäni tässä kohtaa oli kuitenkin harjoitella, tai ainakin kerrata, QGIS-ohjelman käyttöä kartan tekemisessä. Koska Suomen kuntia on paljon, karttani ei ole kovin selkeä ja helposti luettava, sillä diagrammit ovat tiheässä ja siitä syystä hyvin pieniä. Lisäsin vielä hieman selkeämmän kartan Pohjois-Suomen kunnista (kuva 2), jossa diagrammit ovat suurempia ja helpommin luettavissa.

Yleistä kurssista

Mielestäni kurssi oli mielenkiintoinen ja opin paljon uutta (ja myös unohtanut paljon) erityisesti ensimmäisen kuukauden aikana, kun en vielä ollut töissä ja pystyin keskittymään täysillä kurssin suorittamiseen. Koen kuitenkin oppineeni edes muutamia QGIS-ohjelman perustoimintoja, kuten vektori- ja rasteriaineistojen lisäämisen ohjelmaan, aineiston erilaisia luokittelua tilastollisesti/visuaalisesti ja csv-tiedostojen lisäämisen. Myös viimeisin kertaus tietokantojen liitoksesta oli hyödyllinen. Lisäksi kartan visualisointi lopuksi New print layout -välilehdellä sujuu jo hyvin. Kurssin puolivälin paikkeilla aloitin tosiaan 3 kk sijaisuuden biologian ja maantiedon opettajana, jolloin tein 12h työpäiviä eikä energiaa ollut enää loppukurssin tehtävien tekemiseen. Kurssikerrat 6 ja 7 minun oli tarkoitus tehdä äitiyslomallani, mutta vauvani syntyi etuajassa ennen äitiysloman alkua. En esimerkiksi ehtinyt kokeilla karttojeni lisäämistä Google Earthiin, mutta ajattelin kyllä kokeilla sitä vielä joskus kurssin ulkopuolella. Lisäksi uskon, että tulen opettajan työssä hyödyntämään ohjelmaa erilaisten karttojen tekemisessä. Sijaisuuden myötä huomasin, että valmiita karttapohjia esimerkiksi erilaisia karttakokeita varten on todella huonosti saatavilla, jolloin jouduinkin tekemään ne itse. Lisäksi kurssilla oli mielenkiintoista ja opettavaista tutustua muiden opiskelijoiden blogeihin. Luin niitä ahkerasti, vaikka kaikkia en hyödyntänytkään varsinaisesti oman blogini tekemisessä. Blogini ei ole täydellinen, mutta sain sen lopulta kasaan ja siihen olen tässä kohtaa erittäin tyytyväinen! 🙂

Lähteet:

Herttua, A. (15.3.2024). 7. viikko: Postinumeroalueita ja yksin asumista. Aidan GIS-taival.  [Blogipostaus.] Viitattu 16.5.2024. https://blogs.helsinki.fi/aiheai/7-viikko/

Tilastokeskus. 2024. Viitattu 15.5.2024. https://stat.fi/tilastotieto

Kurssikerta 6

Kuudennella kurssikerralla keräsimme aineistoa pienissä ryhmässä maastossa Epicollect 5 -sovelluksen avulla. Ulkoillessa valokuvasimme Kumpulan kampuksen lähettyvillä olevia itse valitsemia kohteita, joiden turvallisuutta ja käytettävyyttä pohdittiin sovelluksen valmiiden kysymysten avulla. Aineisto oli pistemuotoista, joka ladattiin moodlesta QGIS-ohjelmaan csv-muodossa. Tehtävä oli mukavaa vaihtelua perinteisen luokkahuoneopetuksen rinnalle, mikä onkin tärkeää oppilaiden motivaation lisäämiseksi. Tuottamaamme karttaa kurssikerralta en ollut huomannut tallentaa, joten siirryn tässä kohtaa  kurssikerran itsenäisiin tehtäviin luonnonhasardeista. Tehtävä oli itselleni tähän astisista mielenkiintoisin, sillä olen erityisen kiinnostunut luonnon- ja hasardimaantieteestä sekä tavoitteeni on täydentää aiempaan tutkintooni maantieteen aineenopettajan pätevyys.

T1: Maanjäristykset maailmankartalla

Ensimmäisessä kartassa tein todellakin tarkemman kurssiohjeen mukaan, sillä tuntuu etten muista ohjelman käytöstä melkein mitään 2 kk kurssin päättymisestä. Sain aineiston ladattua onnistuneesti ja muokattua excelissä halutunlaiseksi ohjeen mukaan. Yrittäessäni liittää csv-aineiston QGIS:n (tämän sentään muistin tapahtuvan ison pilkun näköisestä kuvakkeesta), rivien tiedot menivät jotenkin vääriin sarakkeisiin pilkottuina. Googlasin tähän apua ja sain ohjeeksi valita custom delimiters: semicolon ja field optionsista separator is comma. Näillä keinoilla sain näkymään pisteet kartalle, helpotuksen huokaus! Pari päivää piti muistella, miten sain pisteitä lajiteltua maanjäristysten magnitudin mukaan. Aamuyön tunteina yhtäkkiä muistin, että se löytyi symbology välilehden ylävalikosta. Muokkasin pisteet tähdiksi, jotta kartta olisi havainnollisempi. Valmiissa kartassa tässä blogissa tähdet näyttävät tosin aika pieniltä, mutta en enää jälkikäteen jaksanut niitä muuttaa. Jostain syystä en myöskään saanut valmiiseen karttaan liitettyä mittakaavaa. Kuvassa 1 siis esitän yli 8 magnitudin maanjäristykset aikavälillä 1980-2012. Kartta ei ole ihmeellinen, mutta näin pitkän ajan jälkeen olen tyytyväinen lopputulokseen.

Maantieteen petuksen kannalta kartta on varsin yksinkertainen. Kartalla voisi havainnollistaa, että suuria maanjäristyksiä tapahtuu pitkälläkin aikavälillä verrattain harvoin. Koska tämä kartta ei sisällä esimerkiksi tietoja mannerlaattojen saumoista, hyödyntäisin tätä karttaa esimerkiksi maanjäristyksiin ensimmäisen kerran tutustuessa opettajan ja oppilaiden välisen opetusdialogin herättäjänä. Lisäksi kartan avulla voitaisiin käydä läpi, missä päin maailmaa suurimpia maanjäristyksiä tapahtuu.

T2: Meteoriitin iskut maailmankartalla

Toisessa kartassa tarkastelin meteoriitiniskuja maapallolla. Tämä kartta on hyvin samankaltainen kuin edellinen kartta, mutta jälleen tässä välissä on kulunut yli kuukausi ja yksi vauva syntynyt perheeseemme. Tämän kartan tekemisessä tärkeää oli muokata ladattu excel tiedosto oikeanlaiseen muotoon ennen QGIS lataamista. Kartan tekeminen oli siis ennemmin excelin käytön harjoittelua kuin niinkään uuden oppimista QGIS ohjelman kanssa.

Kartassa 2 olen visualisoinut kaikki meteoriitiniskut 1800-luvun lopulta 2010-luvulle. Viisainta olisi ollut suodattaa aineistoa esimerkiksi pelkästään 2000-luvulle, kuten Ala-Heikkilä (2024) oli blogissaan tehnyt. Lisäksi Ala-Heikkilän (2024) tavoin meteoriitin massan ilmaiseminen kilogrammoina olisi tehnyt kartan lukemisesta helpompaa. Lisäksi legendassa näkyvät karttamerkkien värikoodit ovat nyt hyvin pieniä, joista lukijan on hyvin vaikea saada selvää. Näitä hienosäätojä en kuitenkaan tehnyt, sillä viikon ikäinen vauva pitää  aikani hyvin rajallisena ja tavoitteeni on tällä hetkellä saada vain kurssi suoritettua loppuun.

Kartasta 2 voidaan havaita, että meteoriitiniskuja on eniten rekisteröity Yhdysvalloissa, Keski-Euroopassa ja Australian eteläosissa. Syynä ei kuitenkaan välttämättä ole niinkään meteoriittien iskeytyminen vain näihin kohteisiin, vaan alueet ovat tiheään asuttuja, jolloin niistä on enemmän mitattua dataa. Opetuksessa voitaisiinkin oppilaiden kanssa pohtia yhdessä, miksi juuri kyseisillä alueilla meteoriitteja on havaittu eniten ja miksi esimerkiksi Etelämantereella, Venäjän Siperiassa tai Amazonin sademetsässä havaintoja ei ole lähes lainkaan. Opetuksessa voitaisiin kiinnittää myös huomiota, että suurin osa meteoriiteista on melko pieniä eli suurien meteoriittien iskeytyminen maapallolle on melko harvinaista.

T3: Tulivuoret ja maanjäristykset maailmankartalla

Karttaan 3 metkitsin maapallon tulivuoret ja voimakkuudeltaan yli 3 magnitudin maanjäristykset. Kartan tekemisessä piti ensin muokata NOAA-sivustolta ladatut tulivuori- ja maanjäristystiedostot tsv-muodosta csv-muotoon ja muokata niitä excelissä. Muutoin kartan tekeminen sujui samalla tavoin kuin kaksi edellistä. Samankaltaisen, huomattavasti selkeämmän, kartan oli tehnyt Jaakkola (2024) blogissaan. Hänen maanjäristysdatansa oli suurempi ja kartasta näki selvästi niiden sijoittumisen mannerlaattojen reuna-aluille. Omassa kartassani ei  esimerkiksi näy käytännössä ollenkaan Atlantin keskiselänne tai monet muutkaan valtamerten alle jäävät mannerlaattojen sauma-aluieden maanjäristykset.

Maantiedon opetuksessa voitaisiin tarkastella, miten tulivuorten sijainti ja maanjäristyskeskukset sijoittuvat toisiinsa nähden. Kartasta tekisi opetuken kannalta vielä paremman, kun siihen lisäisi mannerlaattojen rajat. Tätä en kuitenkaan osannut tehdä.

Lähteet:

Ala-Heikkilä, V. (22.2.2024). Viikko 6: Pistekartat ja interpolointi. Veeran blogi (Maa-202). [Blogipostaus.] Viitattu 12.5.2024. https://blogs.helsinki.fi/veeraala/2024/02/22/viikko-6-pistekartat-ja-interpolointi/

Jaakkola, T. (22.2.2024). Viikko 6: Happihyppely ja sen tulokset sekä opetuskarttoja vaikka en opettajaksi haluakaan. Taikamatkalla GIS-velhoksi. [Blogipostaus.] Viitattu 13.5.2024. https://blogs.helsinki.fi/jztaika/2024/02/22/happihyppely-ja-sen-tulokset-seka-opetuskarttoja-vaikka-en-opettajaksi-haluakaan/

T1: Lentoasemat

Viidennellä kurssikerralla harjoittelimme viime kerralla digitoimamme Pornaisten kunnan kartan avulla viivamaisten ja polygonikohteiden pituuksien ja pinta-alojen laskemista sekä puskurivyöhykkeiden luomista. Puskurivyöhykkeen avulla selvitimme, kuinka paljon ihmisiä asuu koulun ja terveyskeskuksen 1–2 km säteellä. Yhteisesti tehden tämä vaikutti olevan melko yksinkertaista ja itsenäisten tehtävien tekeminen aiheeseen liittyen jäikin minulle kotihommiksi. Kotona asiat ei tietenkään sujunut samalla tavalla vaan homma meinasi tyssätä jo siinä vaiheessa, kun pohdin kiitoratojen piirtämistä kartalle. Aikani pohdittua tajusin, että kiitoradat löytyvät ihan konkreettisesti karttalehdeltä valmiina. Piirsin kiitoradat polygoneina, ja jo tässä kohtaa piti edellisen kurssikerran ohjeista kerrata polygonin piirtäminen. Muistin, että luodaan uusi scratch layer, mutta polygonin piirtovalinta (add polygon feature) piti käydä ohjeesta etsimässä.

Seuraavassa vaiheessa eli puskurivyöhykkeen luomisen osasin heti, sillä siitä oli selkeä ohje eikä tarvinnut pohtia, mikä taso mihinkin tulisi valita (saatavilla vain yksi input layer). Talojen saaminen puskurivyöhykkeen sisälle oli taas aivan toinen asia, kun en näin viikon jälkeen tehtävää tehdessäni muistanut, kuinka talot saadaan valituksi puskurivyöhykkeen sisälle. Aikani räplätessä Select by location -ikkunaa sain tasot asetettua oikein päin ja selvitettyä Malmin lentoaseman kiitoratojen 1 km ja 2 km puskurivyöhykkeellä asuvien ihmisten määrän. Kuvassa 1 on esitetty 2 km puskurivyöhyke Malmin lentokentältä. Vertailin saamiani tuloksia Seppälän (2024) blogiin, jossa tiedot oli esitetty erittäin selkeästi. Omat tulokseni heittivät joillakin kymmenillä, mitä selittänee käsin digitoidut kiitoratapolygonit. Kaikki tehtävän tulokset on koottu taulukkoon 1.

Meluvyöhykkeillä asuvien määrä saatiin selville, kun valittiin select feature toiminnolla ensiksi 65 dB alueet ja sitten entiseen tapaan select by location ja rastitettiin avautuvassa välilehdessä selected features only. Toistin tätä monta kertaa, sillä sain aika erilaisen tuloksen kuin muilla kurssilaisilla. Sain tulokseksi aina vaan 19 asukasta, mutta en keksi miten muutenkaan tämän olisi voinut selvittää ja kysyinkin asiasta opettajalta kurssitapaamisessa. Alla vielä kuva (2), minkä alueen asukkaat laskin (65 dB melualueen sisällä asuvat ihmiset). Sain myös muita kurssilaisia selvästi pienemmän tuloksen, jonka mukaan vähintään 55 dB alueella asuisi runsaat 650 asukasta (kuva 3). Tosin, jos asukkaat lasketaan ilman 2 km puskurivyöhykettä, 65 dB melualueella asuu silloin 303 asukasta ja vähintään 55 dB melualueella 11 923 asukasta, mitkä useimmat muut kurssilaisista näyttivät saaneen tuloksiksi (ks. esim. Seppälä 2024, Leppä 2024). Itse kuitenkin tehtävänannosta ymmärsin, että ajatuksena oli tutkia tämän 2 km puskurivyöhykkeen sisällä olevien asukkaiden melualtistusta.

Mikäli lentokoneiden laskeutumissuunta olisi kaakosta luoteeseen Tikkurilan suunnasta, lähes 14 000 asukasta altistuisi vähintään 60 dB lentomelulle (kuva 4).  7 km kiitoradan jatkeen piirtämisessä hyödynsin apuna Advanced Digitize tool -työkalua.

Asemat

Tehtävän tavoitteena oli selvittää, kuinka monta asukasta asuu metro- ja juna-asemien läheisyydessä edellisen tehtävän karttalehden alueella. Tässä kohtaa minulla on taukoa lähes 1,5kk edellisten tehtävien tekemisestä, joten katsoin apua Erikssonin (2024) kurssiblogista. Karttalehden asemien erottamiseksi loin siis ensin karttalehden muotoisen uuden polygonin New shapefile layer toiminnon avulla, jonka jälkeen clip toiminnolla rajasin karttalehden sisälle jäävät asemat. Sen jälkeen tuttuun tapaan loin karttalehden sisälle jääviin asemiin 500 m puskurivyöhykkeet sekä intersection toiminnon avulla loin uuden välilehden karttalehdellä asuvista asukkaista. Itse en osannut rajata karttalehden ylittäviä asemia reshape toiminnolla, kuten Eriksson (2024) kertoo tehneensä. Alla myös kuva, jossa tekemäni karttalehden rajaus, alueen asukkaat ja asemien puskurivyöhykkeet (kuva 5). Asemien puskurivyöhykkeellä asuvien asukkaiden määrän selvitin Select by location toiminnolla, jonka tuloksia tarkastelin Statistics paneelissa.

Tuloksina karttalehden alueella asuu 516 193 asukasta, ja joista asemien 500 m läheisyydessä asuu  106 440 asukasta eli 20,6 % kaikista alueella asuvista.

Työikäisten määrän selvitin laskemalla luomaani karttalehden asukkaiden attribuuttitauluun uuden rivin laskemalla yhteen 15-vuotiaasta 64-ikävuoteen olevat asukkaat, ja jonka lopuksi jaoin a-kohdan vastauksella. Tulokseksi sain, että työikäisiä 15-64-vuotiaita asuu 71 124 eli 66, 8 % asemien 500 m läheisyydestä asuvista.

T2: Asukkaat taajamissa

Toisessa tehtävässä selvitettiin asukkaiden ja kouluikäisten määriä taajamissa. Tämä tehtävän tekemisessä hyödynsin Statistics paneelia, attribuuttitaulukkon laskinta sekä Join attributes by location ja Select by location toimintoja. Tehtävässä käytetyn pääkaupunkiseudun kokonaisväkiluku on 1 042 440, joista taajamissa asuu 1 001 830 eli 96,1 %. Laskimen avulla laskin, että asukasluvusta 92 844 on kouluikäisiä eli 7-15-vuotiaita. Pitkään ja turhautuneena pyöriteltyäni sain tulokseksi, että taajamien ulkopuolella heistä asuu 3 369 eli 3,6 %. Jostain syystä en saanut tulosta suoraan Select by locationia ja Statistics paneelin Selected features only toimintojen avulla, vaan minun täytyy hyödyntää myös Join attributes by location toimintoa myös.

T4: Saunat ja uima-altaat

Vapaasti valittavista tehtävistä valitsin tarkasteluun pääkaupunkiseudun saunat ja uima-altaat. Loin tarkastelua varten uuden pisteaineiston, johon lisäsin kaikki uima-altaalliset rakennukset,  minkä tekemisessä hyödynsin layerin filter toimintoa. Näin uima-altaiden ja niiden jakautuminen talotyypeittäin sekä saunojen lukumäärät oli helppo selvittää Statistics paneelin avulla suoraan. Esimerkiksi uima-altaallisten kerrostalojen lukumäärän sai selville Statistics paneelista hakemalla pks_vaki tietokannasta ”KATAKER=39”. Huomasin myös Haimin (2024) tehneen tehtävää vastaavasti, vaikkakin luin tämän vasta oman tehtävän tekemisen jälkeen vertaillessani saamiani tuloksia. Lisäksi Herttua (2024) oli nähnyt vaivaa ja tuottanut visuaalisesti selkeät ympyrädiagrammit uima-altaiden jakautumisesta talotyypeittäin.

Uima-altaalla varustettuja rakennuksia: 855
Saunallisissa taloissa asukkaita: 12 170
Talotyypeistä, joissa on sauna;
– omakotitaloja 345
– paritaloja 158
– rivitaloja 113
– kerrostaloja 181
Saunallisia rakennuksia: 21 922, joka on kaikista asutuista rakennuksista 24,1 %

Alla olevassa kuvassa 6 on esitetty uima-altaallisten rakennusten jakautuminen pääkaupunkiseudulla ja taulukossa 2 on kuvakaappaus postinumeroalueista, joissa eniten uima-altaallisia rakennuksia. Kartta ei ole ensinkään sitä, mitä tehtävän annossa pyydettiin. Tein tätä karttaa 3 tuntia, mutta kurssikerroista on itselläni niin paljon aikaa, etten enää muistanut enkä googlen ohjeillakaan kerta kaikkiaan osannut kerätä tietoja oikein oikeanlaisen kartan tekemiseksi. Sain lopulta luotua Group stats toiminnolla taulukon, jossa uima-altaalliset rakennukset oli laskettu yhteen postinumeroalueittain. En saanut sitäkään laskettua dissolve tai Join attribute by location toiminnoilla. En kuitenkaan saanut taulukkoa sellaiseen muotoon, että olisin saanut hyödynnettyä tietoa kartan tekemiseen. Kokeilin tallentaa tiedon csv-tiedostona ja ladata QGIS:n, mutta siihen ei saanut lisättyä sijaintitietoa eikä siten visualisoitua lukumäärinä tai diagrammeina kartalle. Uskoni menettäneenä luovutin ja tässä saamani lopputulokset.

Lähteet:

Eriksson, G. (13.2.2024). MAA202 Viiden viikko – Gaiuksen kurssiblogi. [Blogipostaus.] Viitattu 30.3.2024. https://blogs.helsinki.fi/ezgaius/2024/02/13/maa202-neljas-viikko-2/

Haimi, S. (25.2.2024). Kurssikerta 5: laskentaa ja tilastoja. [Blogipostaus.] Viitattu 30.3.2024. https://blogs.helsinki.fi/sadhaimi/

Herttua, A. (28.2.2024). 5. viikko. Aidan GIS-taival. [Blogipostaus.] Viitattu 30.3.2024. https://blogs.helsinki.fi/aiheai/5-viikko/

Leppä, A. (20.2.2024). Viides kurssikerta – Analyysien maailmaa. Aapelin kootut GIS-kärsimykset. [Blogipostaus.] Viitattu 3.3.2024. https://blogs.helsinki.fi/aapleppa/

Seppälä, A. (16.2.2024). 5 viikko – Bufferointia Helsinki-Vantaalla. Gisvelhon loitsuja. [Blogipostaus.] Viitattu 18.2.2024. https://blogs.helsinki.fi/sexanna/2024/02/16/5-viikko-bufferointi-helsinki-vantaalla/

T1: Ruututeemakartta

Neljännellä kurssikerralla perehdyimme tiedon esittämiseen ruututeemakartan avulla. Ruudut ovat tyypillisesti neliönmuotoisia alueita, joiden avulla voidaan esittää pinta-alaltaan samankokoisiin jaettuihin alueisiin liittyvää tietoa. Tällainen ruututarkastelu mahdollistaa absoluuttisten ja suhteellisten tietojen esittämistä. Absoluuttisena voidaan esittää lukumääriä, joita voisi olla esimerkiksi ruudussa esiintyvät puistojen tai liikenneonnettomuuksien määrät. Kurssikerralla oli kuitenkin puhetta, että suhteelliset lukuarvot mahdollistavat yleensä alueiden keskinäisen vertailun paremmin.

Yliopistolla paikan päällä harjoittelimme ensiksi esittämään pääkaupunkiseudulla asuvien ruotsinkielisten määrät absoluuttisesti 1 km x 1 km ruuduissa. Tämä ei kuitenkaan ole kovin informatiivista, sillä ruuduissa voi asua hyvin eri määrä ihmisiä. Esimerkiksi jos kahdessa pääkaupunkiseudun eri  ruuduissa molemmissa asuu 20 ruotsinkielistä, mutta toisessa ruudussa asuu yhteensä 20 ihmistä ja toisessa 250, ei näiden absoluuttisten arvojen vertailu anna lukijalle mitään tietoa. Suhteuttamalla ruotsinkielisten määrä ruudussa asuvaan kokonaislukumäärään, saadaan ruotsinkielisten prosentuaalinen osuus (kuva 1), ja jolloin tietoja on mielekkäämpi vertailla. Karttaa tehdessäni lukemista parantaakseni korostin kuntarajat ja nimesin kunnat.

Koko pääkaupunkiseutua tarkastellessa (kuva 1) huomataan, että ruotsinkielisiä esiintyy laajalti eteläisissä ja läntisissä osissa pääkaupunkiseutua. Myös tiheitä muutaman kilometrin säteellä olevia  keskittymiä ruotsinkielisiä esiintyy Koillis-Helsingissä ja Luoteis-Vantaalla. Koko kunnan pinta-alaan suhteutettuna ruotsinkielisiä on eniten Kauniaisissa. Myös Espoon kunnassa suurimmassa osassa aluetta asuu vähintään 5 % ruotsinkielisiä ihmisiä. Vähiten ruotsinkielisiä pinta-alaan suhteutettuna on Vantaalla (tästä en pelkällä visuaalisella tarkastelulla ole varma, onko Vantaa vai Helsinki; Vantaa on kuitenkin suurempi kuin Helsinki, mikä voi auheuttaa visuaalista harhaa).

Ruututeemakartassa on tärkeää pohtia, minkä kokoista ruutujakoa käyttää. Syrjänen (2024) toi esille blogissaan, että ruutujen kooilla voidaan kärjistää tai tasoittaa eroja. Syrjäsen esittämä ruutukarttavertailu, jossa ruudut olivat 500 m x 500 m ja 1 km x 1 km, ei tuonut kovin suuria eroja tuloksissa esille. Jaakkola (2024) oli luonut ilmiöstä lisäksi 2 km x 2 km ruutukartan, joka toi milestäni helpommin luettavasti esille ruotsinkielisten jakautumista koko pääkaupunkiseudulla. Pistekarttoihin verrattuna ruutukartoissa voi tarkemmin vertailla eri alueita, kun ruudut rajaavat tarkasteltavan ilmiön samankokoisiin alueisiin. Ruutukarttaan verrattuna koropleettikartta antaa paremmin tietoa ilmiön jatkuvuudesta alueen sisällä.

T2: Pornainen ja rasterikartat

Oppitunnin loppupuoliskolla harjoittelimme korkeusmallirastereiden yhdistämistä, ja kuinka korkeusmallirastereista voidaan tuottaa rinnevarjostusmalli, josta edelleen korkeuskäyrät kartalle (kuva 2). Tämä oli mielestäni äärimmäisen mielenkiintoista ja konkreettista, mitä maantieteilijä voi tehdä. Hyödynsin oppimaani heti innokkaasti opettaessa yläkoululaisille maantietoa ja selittäessäni heille, mitä kaikkea rinnevarjostusmallilla voi tehdä (harjoittelimme tuolloin siis rinnevarjostusmallin käyttöä jääkautisten maisemien tarkastelussa Paikkatietoikkunassa). Ensi kertaa varten digitoimme Pornaisten alueelle myös suurimmat tiet ja talot. Tehtävä jatkuu seuraavalla kurssikerralla.

 

 

 

 

 

 

 

 

 

Lähteet:
Jaakkola, T. (6.2.2024). Tiedon esittäminen ruututeemakartalla. Taikamatkalla GIS-velhoksi. [Blogipostaus.] Viitattu 11.2.2024. https://blogs.helsinki.fi/jztaika/

Syrjänen, S. (6.2.2024) 4 viikko, Ruututeemakartta. Stella’s blog. [Blogipostaus.] Viitattu 11.2.2024. https://blogs.helsinki.fi/stellasy/2024/02/06/4-viikko-ruututeemakartta/

Konfliktit Afrikassa

Kolmannen kurssikerran aiheena oli harjoitella tiivistämään tietokannan sisältämiä attribuuttitietoja sekä yhdistämään eri tietokantoja toisiinsa attribuuttitaulukoita kytkemällä. Näitä toimintoja harjoittelimme tarkastelemalla Afrikan valtioiden, timanttikenttien ja konfliktien välisiä yhteyksiä. Tietokanta Afrikan valtioista sisälsi satoja rivejä tietoa, jotka tiivistimme noin 50 riviin yhdistämällä kaikki saman valtion aluetta koskevat rivit yhteen dissolve-toiminnolla. Yhdistäminen perustui valtioiden nimeen. Dissolve-toiminnolla menetettiin pinta-alatietoja, mistä syystä lisäsimme jälkikäteen aggregate-toiminnolla kunkin valtion yhteenlasketun pinta-alan (esim. valtiolle kuuluvat saaret). Aggregate-toiminto perustuu fyysiseen karttapohjaan, josta ohjelma laskee käytetyn projektion mukaan geometrisesti samannimisten alueiden pinta-alojen summan.

Tämän jälkeen harjoittelimme uuden tietokannan liitosta alkuperäiseen Afrikka-tietokantaan. Ensiksi lisäsimme Afrikan valtioiden väkiluvut sekä internetin ja facebookin käyttäjien määrän sisältävän tietokannan QGIS-ohjelmaan. Tämä välilukutietokanta oli alunperin excel-muotoisena, mikä muutettiin ensiksi QGIS tukemaan csv-muotoon. Ennen tiedostomuodon muutosta on tärkeää tarkistaa, että tiedot kahdessa tietokannassa vastaavat ainakin yhdeltä sarakkeelta toisiaan, kuten tässä tapauksessa valtioiden nimet. Tietokantojen liitos perustuu siihen, että molemmissa tietokannoissa löytyvät identtiset tietueet vähintään yhden muuttujan osalta. Itse väkilukutietokannan liittäminen Afrikka-tietokantaan tapahtui Join-toiminnon avulla. Kurssikerralla emme kuitenkaan varsinaisesti hyödyntäneet tietoa väkiluvusta. Jaakkola (2024) oli blogissaan luovasti keksinyt tutkia väkilukuun suhteutetun internetin käyttäjien määrän yhteyttä konfliktien määrään Afrikassa ja luonut visuaalisesti selkeän kartan. Lisäksi aineistosta olisi voinut myös tutkia esimerkiksi  timanttikaivosten ja öljykenttien löytämisvuosien ja konfliktien tapahtumisvuosien yhteyttä, ja onko konflikteja tapahtunut jopa useampia löytövuonna tai pian sen jälkeen.

Lopuksi lisäsimme tietokannat Afrikassa olevista öljykentistä ja timanttikaivoksista sekä tapahtuneista konflikteista. Tästä vaiheesta luomani kartta on kuvassa 1. Harjoittelimme näiden tietojen avulla Count points in polygon-toiminnolla luomaan tietoja, kuinka monta timanttikaivosta (pistettä) ja konfliktia (pistettä) on kullakin valtiolla (polygonilla). Kurssikerralla emme harjoitelleet, kuinka polygonialueita voisi laskea polygonien sisällä, mutta sitä esiteltiin kurssityöohjeessa. Lopuksi loimme tietoa, kuinka monta eri vuonna tapahtunutta konfliktia kunkin valtion alueella oli esiintynyt. Tämä tarkastelu tuotti paremmin tietoa valtioiden pitkäaikaisesta (epä)vakauskehityksestä. Saatujen tulosten perusteella Angolassa tapahtui eniten eri vuosina syttyneitä konflikteja, mikä todennäköisesti liittyi myös timanttikaivosten runsaaseen määrään. Useimpien valtioiden kohdalla konfliktien määrällä ei kuitenkaan ollut yhteyttä timanttikaivosten määrään.

Tulvat Suomen valuma-alueilla

Itsenäisessä tehtävässä jatkettiin harjoittelua tietokantojen yhdistämisestä, kun tutkittiin Suomen valuma-alueiden tulvaherkkyyksiä. Tehtävässä tuli osata liittää keskiylivirtaama MHQ samannimisestä tietokannasta valuma-aluetietokantaan, minkä jälkeen yhdistetystä tietokannasta saatiin laskettua tulvaindeksi. Valuma-aluetietokantaan lisättiin myös järvisyysprosentti erillisestä exceltaulukosta, joka tuli ensin muuttaa csv-muotoon (perusversio). Lopulliseen karttaan visualisoitiin valuma-alueet tulvaindeksin mukaisesti sekä lisättiin ympyrädiagrammit järvi- ja maa-aloista valuma-alueittain (kuva 2).

Väriskaalassa käytiin vaaleansinisestä violettiin liukuvaa skaalaa, jossa tummavioletti kuvasi suurinta tulvaindeksiä. Mieluiten olisin käyttänyt pelkkiä sinisen sävyjä kuvaavaa skaalaa, mutta kuudella luokalla värien sävyt eivät erottuneet mielestäni riittävästi selkeän tiedon esittämiseen. Yritin aluksi muuttaa sinisävyjen skaalaa, mutta en lopulta jaksanut käyttää aikaa sellaiseen, vaikka olisin niin osannut tehdäkin. Lisäksi järvi- ja maa-alojen jakautumista kuvaavat ympyrädiagrammit menivät osittain päällekkäin etelä- ja lounaisrannikoiden pienillä valuma-alueilla, mutta diagrammien pienentäminen olisi hankaloittanut muiden pienien  diagrammien lukemista.

Tulvakarttaa (kuva 2) tarkastelemalla huomataan, että suurimmat tulvaherkkyydet sijaitsevat Suomen lounais- ja länsirannikolla. Tätä selittänee rannikon alavat pinnanmuodot ja järvien vähäinen määrä. Tulvaherkkyyttä esiintyy jonkin verran myös läntisessä Lapissa, mitä voisi selittää Skandien vuoristosta valuvat lumien ja jäätiköiden sulamisvedet. Erityisesti keväisin pohjoisessa voi esiintyä jääpatoja, mikä lisää tulvimista. Pienimmät tulvaherkkyydet sijaitsevat Keski-Suomessa Järvi-Suomen alueella sekä Itä- ja Keski-Lapissa. Vähäistä tulvintaa selittänee korkea järvisyysprosentti, jolloin järvet kykenevät varastoimaan lumien sulamisen ja rankkasateiden aiheuttamia tulvavesiä.

Lähteet:
Jaakkola, T. (1.2.2024). Tietokantojen tunnelmissa – Konflikteja Afrikassa ja tulvia Suomessa. Taikamatkalla GIS-velhoksi. [Blogipostaus.] Viitattu 2.2.2024. https://blogs.helsinki.fi/jztaika/

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/