Kuukausi: tammikuu 2024

Projektioiden parissa

Kurssin toisella kurssikerralla käsiteltiin jo tutuksi tulleen QGIS:sin käyttöä, erilaisia datalähteitä ja paikkatietoaineistojen tuottajia PowerPoint-esityksen muodossa. Datalähteistä jäi päällimmäisenä mieleen ladattavat aineistot, jotka ladataan rajapinnan kautta suoraan palvelimelle, josta ne voidaan esimerkiksi paikkatieto-ohjelman avulla ladata omalle koneelle tai hyödyntää sellaisenaan. Toisaalta tulipahan myös tajuttua, että käytin WFS-muotoista datalähdettä/palvelinta jo aikaisemmassa harjoituksessa, jossa samainen kunta-aineisto piti lisätä WFS-tasoksi QGIS:sissä. Datalähteiden läpikäyminen oli hyvä juttu, sillä niitä päästiinkin pian käyttämään aineistoina sekä harjoittelussa, että varsinaisissa kartoissa.

Lisäksi kurssikerralla tutustuttiin syvemmin erilaisiin projektioihin, joita QGIS meille tarjosi. Tavoitteena olikin saada valmiiksi muutamia erilaisia karttoja, joiden aiheena olivat eri projektioiden aiheuttamat pinta-alalliset vääristymiset. Eri projektiosta riippuen vääristymä saattoi vaihdella muutamasta prosentista satoihin prosentteihin, kuten Mercatorin projektiossa.

Tarkkaa valitsemista ja vieläkin tarkempaa pohdintaa

Hyvänä introna projektioiden ja niiden aiheuttaman vääristyksen maailmaan toimi kurssikerralla tehty taulukko, johon kerättiin tietyn alueen pinta-alan ja viivan pituuden muuttumista Suomen alueella, kun projektiota vaihdettiin ETRS89-TM35FIN -projektiosta muihin vapaavalintaisiin projektioihin. Mittaukset eri projektioille tehtiin QGIS:sin mittaustyökalun avulla. Alla valmis ja paranneltu taulukko.

Kuva 1. Eri projektiota ja niiden vertailua tuttuun ja turvalliseen ETRS89-projektioon.

Taulukon (Kuva 1) tekeminen ja tiedon etsiminen oli mukavaa puuhastelua niin QGIS:sin kuin Excelin yhteistyönä. Taulukosta huomataan esimerkiksi Bonnen projektion ja TM35-projektion samankaltaisuudet, vaikkakin Bonnen ulkoasu saattaa äkkisilmäykseltä hämätä (Kuva 2). Taulukon laatimisessa, alueiden mittaamisessa ja myöhemmässä vaiheessa tätä kurssikertaa korostui etenkin järjestelmällisyys ja tarkkuus pienissäkin asioissa.

Kuva 2. Bonnen projektio. Lähde: ArcMap.<3<3<3<3<3<3

Jos verrataan samaista Bonnen projektiota jo alakoulusta tuttuun Robinsonin projektioon, niin huomataan, että mittasuhteet alkavat vääristyä reilusti, vaikka itse projektio (Kuva 3) näyttää ”enemmän oikealta” verrattuna Bonnen projektioon. Moni kakku onkin päältä kaunis, ja sama pätee Robinsonin projektioon. Vaikka Suomi näyttääkin oikealta, on taulukossa (kuva 1) kuvatun alueen pinta-ala kasvanut Robinsonin projektiossa lähes 3000 neliökilometriä verrattuna TM35-projektioon.

Kuva 3. Robinsonin projektio. Lähde: Wikiwand.

Tehtävien parissa

Taulukon toimiessa johdantona tulevaan oli karttojen ja itse aineistojen analysoinnin pariin siirtyminen helpompaa, vaikkei prosessi ollutkaan yksinkertainen. Sain kuitenkin tehtyä kolme erilaista karttaa, jossa verrataan kunkin projektion pinta-alojen vääristymistä tuttuun ja turvalliseen ETRS89-TM35FIN-projektioon. Ensimmäisessä kartassa (Kuva 4) käsiteltäväksi projektioksi valitsin Robinsonin projektion. Kartan teko oli tuttua puuhaa, mutta jälleen kerran Join-toiminto tuotti paikoittain haasteita, vaikka se olikin aikaisemmasta harjoituksesta tuttu. Kertaus on kuitenkin opintojen äiti, ja huomasinkin olevan jo hieman parempi ohjelmistojen ja sen ominaisuuksien käytössä. Alla lopullinen kartta:

Kuva 4. Robinsonin projektion aiheuttama pinta-alojen vääristyminen Suomen kuntien alueella verrattuna ETRS89-TM35FIN-projektioon. Lähde: Kunnat 2020 & 2024.

Kartan tekeminen oli miellyttävää, sekä etenkin visuaalinen lopputulos miellyttää silmää. Värit (ja luvut) kertovat pinta-alojen vääristymisen, joka kasvaa pohjoiseen mentäessä melko jyrkästi. Esimerkiksi Suomen pohjoisimman kunnan Utsjoen pinta-ala vääristyy Robinsonin projektiossa 34-42 prosentin verran. Luokat ovat onnistuneita, mikä oli mielestäni tärkein asia kyseisen kartan teossa sen värimaailman lisäksi. Lisäksi karttaselitteen kääntäminen laskevaan järjestykseen teki kartan tulkinnasta askeleen mukavampaa, jota myös Gaius Eriksson ja Henrikki Kopsa (2024) jäivät omissa blogeissaan pohtimaan. Selvyyden vuoksi jokainen kartta on esitetty ETRS89-TM35FIN-koordinaatistossa, ellen tästä mainitse erikseen.

Kuva 5. Plate carrée -projektion aiheuttama pinta-alojen vääristyminen Suomen kuntien alueella verrattuna ETRS89-TM35FIN-projektioon. Lähde: Kunnat 2020 & 2024.

Tässä kartassa spottivalossa on oikeapituinen Plate carrée -lieriöprojektio (ArcGis, 2021), joka vääristää mittasuhteita todella paljon, erityisesti pohjoisilla alueilla, jossa vääristymä saattaa olla 2,8-kertainen verrattuna todelliseen pinta-alaan tai pituuteen, kuten Suomen pohjoisimpien kuntien tapauksessa. Vaikkakin Plate carréen aiheuttama vääristymä näyttää visuaalisesti samalta kuin Robinsonin projektiossa, on lukijan kuitenkin huomioitava yli kaksinkertaistuneet karttaselitteen arvot, eli pinta-alan vääristymisen kertoimet. Jälkeenpäin olisinkin muuttanut värimaailmaa erilaiseksi tässä kartassa, mutta toisaalta se tuo mahdollisuuden vertailla karttoja paremmin, kuten Pietu Nuortimo (2024) blogissaan toteaa, varsinkin kun asioiden vertailu on oleellisessa asemassa tehtävää, kuten tässä kurssikerran osiossa.

Kuva 6. Sanson-Flamsteedin -projektion aiheuttama pinta-alojen vääristyminen Suomen kuntien alueella verrattuna ETRS89-TM35FIN-projektioon. Lähde: Kunnat 2020 & 2024.

Valitsin vielä viimeiseksi tämän osion kartaksi (kuva 6) oikeapintaisen projektion, jossa lopputulos eroaa selvästi aikaisemmista. Siinä missä pinta-alojen vääristymän muutos oli pohjois-eteläsuuntainen, niin nyt se on länsi-itäsuuntainen, joskin sen kasvun myös pohjoissuunnassa huomaa Utsjoen kunnasta (sinisellä). Tässä kartassa on kuitenkin huomioitava luokkien suuruudet, mitkä saattavat vääristää mielikuvaa pinta-alojen vääristymisestä.

Sanson-Flamsteedin projektio toi kuitenkin mukavaa vaihtelua kahteen edelliseen karttaan, jotka olivat äkkisilmäykseltä visuaalisesti lähes identtisiä. Tässä kurssikerran osiossa painottui järjestelmällisyys ja tarkkuus, joiden sivuuttaminen johti väistämättä virheisiin.

Kuva 7. Sanson-Flamsteedin -projektio. Leveyspiirit suoria, pituuspiirit sinikäyriä. Lähde: Wikipedia.

Lisätehtävä jälkiruuaksi

Päätin vielä karttojen tekemisen jälkeen tehdä lisätehtävän, sillä se vaikutti todella mielenkiintoiselta ja väärässä en suinkaan ollut. Tehtävän kanssa tuli kuitenkin hikoiltua hetkinen, sillä aineistot eivät olleet täysin virheettömiä, ja omat taidot eivät ollet timanttiset. Kunnat 2024 -aineisto ei tarjonnut valmista väestöntiheys-muuttujaa, mutta Kunnat 2020 -aineistossa oli yksi lakkautettu kunta (Honkajoki Satakunnassa), mutta haasteista kuitenkin selvittiin. Lopuksi tajusin, että olisin voinut lisätä WFS-palvelimen kautta uuden tason, mutta se olisi ollut liian yksinkertaista. Alla ovat valmiit kartat (kuvat 8, 9 & 10), jotka esittävät pinta-alaan suhteutetun muuttujan (tässä tapauksessa väestöntiheyden) vääristymistä Suomen kunnissa koropleettikartan muodossa.

Kuva 8. Väestöntiheys Suomessa kunnittain, projektiona ja pohjakarttana Plate carrée. Lähde: Kunnat 2020 & 2024.

Kuva 9. Edellisestä kartasta (kuva 8) paranneltu versio; kiinnitä huomio muokattuihin luokkarajoihin, jotka vastaavat nyt ”normaalitilannetta”, eli kuvaa 10. Lähde: Kunnat 2020 & 2024.

Kuva 10. Väestöntiheys Suomessa kunnittain, projektiona ja pohjakarttana ETRS89-TM35FIN. Lähde: Kunnat 2020 & 2024.

Lisätehtävän kartoista huomataan, miten asukastiheys vääristyy valitun projektion myötä, tässä tapauksessa Plate carréen johdosta. Kuvan 8 ja 10 välillä huomataan selviä eroja, etenkin karttaselitettä tarkastellessa, jossa luokat ovat yli kaksinkertaisia toisiinsa verrattuna. Kuva 9 taas kertoo lukijalle paremmin visuaalisen vääristymisen, sillä kuvassa 9 ja 10 luokkarajat ovat samoja ja siten karttojen lopputulokset ovat erilaisia, koska luokkarajojen muodostamiseen on käytetty luonnollisia välejä, jotka kulkevat QGIS:sissä nimellä Natural Breaks (Jenks).

Päätin vielä tehdä kaksi karttaa lisää, sillä koin väestöntiheyden jossain määrin tylsäksi muuttujaksi, sekä toisaalta itselläni oli myös tylsää vapaapäivän johdosta. Tutkin Kunnat 2020 -aineistoa, josta löytyikin Natura 2000 -alueiden laajuutta kuvaava muuttuja, jonka valitsin viimeisten karttojen muuttujaksi. Vastaavasti vertailtaviksi projektioiksi valitsin TM35:sen ja Mercatorin. Karttojen tekoprosessi oli jälleen mukava ja samanlainen, mutta jotkin komennot olivat pääseet unohtumaan ja etenkin järjestelmällisyyden kanssa oli haasteita. Homma kuitenkin helpottui, kun löysin Vector-pudotusvalikosta löytyvän Add geometry attributes -kohdan. Alla valmiit kartat:

Kuva 11. Natura 2000 -alueiden yhteenlasketut pinta-alat kunnittain, projektiona ETRS89-TM35FIN. Natura-alueita ovat pääosin ls. alueet, erämaa-alueet ja suojeluohjelmien kohteet. Lähde: Kunnat 2020 & 2024 ja Metsähallitus.

Kuva 12. Natura 2000 -alueiden yhteenlasketut pinta-alat kunnittain, projektiona Mercator. Lähde: Kunnat 2020 & 2024

Kartoista (kuvat 11 & 12) huomataan, miten oikeakulmainen Mercator vääristää pinta-aloja yli seitsemänkertaiseksi pohjoisimmilla alueilla. Tästä syystä kuvassa 11 Inarin kunnan Natura-alueiden osuus on 10135 km² (58 % kunnan kokonaispinta-alasta), kun taas kuvassa 12 niiden osuus on 78114 km².  Vaihdoin karttojen värit erilaisiksi, jotta karttojen sisäiset erilaisuudet koostuvat paremmin. Kartoista huomataan etenkin kuntien Natura-alueiden määrän kasvaessa kohtu pohjoista ja koillista.

Kurssikerta oli kaiken kaikkiaan onnistunut, ja odotan seuraavilta kurssikerroilta vielä enemmän ja vähintään saman verran kuin tältä ja edelliseltä.

Lähteet:

ArcGis. (2021). Bonne. Viitattu 29.1.2024. Bonne—ArcMap | Documentation (arcgis.com)

ArcGis. (2021). Plate carrée. Viitattu 29.1.2024. Plate carrée—ArcMap | Documentation (arcgis.com)

Eriksson, G. (2024). Gaiuksen kurssiblogi: MAA202 Toinen viikko. Viitattu 30.1.2024. MAA202 Toinen viikko – Gaiuksen kurssiblogi (helsinki.fi)

Kopsa, H. (2024). Henrikin blogi:  Geoinformatiikan menetelmät 1. Viitattu 30.1.2024. Geoinformatiikan menetelmät 1, toka luento/työpaja! – Henrikin blogi (helsinki.fi)

Metsähallitus. Natura 2000 -alueiden verkosto suojelee luontotyyppejä ja lajeja. Viitattu 31.1.2024. Natura 2000 -alueet | Metsähallitus (metsa.fi)

Nuortimo, P. (2024). Pietun GIS-seikkailu: Toinen kurssikerta. Viitattu 29.1.2024. Toinen kurssikerta – Pietun GIS-seikkailu (helsinki.fi)

Tilastokeskus. (2024). WFS-palvelin: Kunnat 2020 ja Kunnat 2024. Viitattu 30.1.2024 http://geo.stat.fi/geoserver/tilastointialueet/wfs

Wikiwand. (2012). Robinsonin projektio. Viitattu 29.1.2024. Robinsonin projektio – Wikiwand

Paikkatiedon sydämessä ja paikkatieto sydämessä

Kurssin ensimmäisellä luennolla ja työkerralla perehdyttiin QGIS:sin käyttöön, josta olikin jo vierähtänyt pieni hetki. Kurssikerta aloitettiin paikkatietoon ja sen aineistoihin perehdyttävällä esityksellä, jonka jälkeen jatkettiin itse ohjelman parissa. Myös kurssin rakenne ja suoritustapa tuli selväksi, vaikkakin saavuin luennolle myöhässä. Kurssikerralla korostui etenkin hyvät ohjeet, jotka ovat avainasemassa metodikurssilla. Mielestäni tämä kurssi (MAA-202) on hyvää jatkoa viime periodin Tiedon esittäminen maantieteessä -kurssille, vaikkei aiheet olekkaan samoja. Powerpointin jälkeen aloitettiinkin ensimmäisen harjoituksen tekeminen.

Harjoitus 1: Itämeren valtioiden typpipäästöt

Ensimmäisen harjoituksen aiheena oli erilaisten paikkatietoaineistojen käyttö ja visualisointi QGIS-paikkatietoohjelman avulla. Kurssikerralla opin QGIS:sin käyttöön liittyviä seikkoja, kuten erimuotoisten tiedostojen käsittelyä, kartan laatimista ja datan esittämistä koropleettikartan muodossa, joista koin viimeisen tärkeimmäksi. Ohjelman käyttöä tukivat aikasemmat tiedot sekä taidot, ja siksi harjoitus olikin miellyttävä, eikä niinkään hermoja rasittava.

Kuva 1. Hyödyllinen ikkuna QGIS:sissä, sekä symbology-ikkuna, joka on avainasemassa koropleettikartan luomisessa.

Ensimmäisen harjoituksen ja kartan aiheena oli Itämeren valtioiden typen päästöt Itämereen. Alla lopullinen kartta:

Kuva 2. Itämeren valtioiden osuus typen kokonaispäästöistä, %.

Olen tyytyväinen kartan lopputulokseen, joskin Itämeren syvyyskäyrät (siniset käyrät) ovat jossain määrin ylikorostettuja, jota myös Pietu Nuortimo pitää ulkoasua haittaavana tekijänä omassa blogissaan (2024). Järvien kannalta oli taas tärkeää, ettei niissä ole aluerajoja, jotka tekisivät niistä epämääräistä mössöä. Pohjimmiltaan tärkein asia kartan kannalta oli kuitenkin oikeiden ja sopivien luokkarajojen muodostaminen. Jälkeenpäin ajateltuna muokkaisin viimeistä luokkaa (15-33,7), sillä sen koko on kolminkertainen verrattuna muihin ja siten se saattaa tuottaa lukijalle hämmennystä. Luokkaan kuuluvia alueita on kuitenkin kartassa vain yksi (Puola), niin sekaannusta ei sinänsä tapahdu, mutta esim. Suomen kuntia kuvaavassa kartassa asian laita voisi olla toisenlainen.

Kartta välittää sen lukijalle halutun tiedon, eli Itämeren valtioiden typpipäästöt. Mitä tummempi punainen, sitä suuremmat päästöt. Kartalta huomataankin, että valtioista Puolalla on suurimmat typen päästöt ja vastaavasti Virolla pienimmät. Punainen väriskaala kuvastaa hyvin kyseistä muuttujaa, koska rehevöittävä typpi on huono asia Itämeren kannalta. Toisaalta tarkkoja arvoja kartta ei kerro, joka olisi myös lisättävä asia. Kartasta voidaan päätellä muun muassa väestön määrän, rantaviivan pituuden ja yleisen ympäristön suojelun tason vaikutuksen typen päästöihin.

Harjoitus 2: Eläkeläisten ja korkeakoulutettujen osuus

Toisen harjoituksen tavoitteena oli testata aikaisemmassa harjoituksessa opittuja taitoja ja muodostaa kartta/karttoja, eli visualisoida haluttuja muuttujia. Valitsin vaikeustasoksi 2, sillä kaipasin hieman haastetta maanantaiaamupäivään.

Valitsin harjoituksen ohjeiden mukaisesti muuttujiksi Tilastokeskuksen Kuntien avainluvut -palvelusta löytyvät ”Eläkeläisten osuus väestöstä, %” ja ”Korkea-asteen tutkinnon suorittaineita, osuus 15 vuotta täyttäneistä, %”, joiden tiedot ovat vuodelta 2021. Kuntapohjan latasin Tilastokeskuksen GeoServer-sivustolta (2024), jossa valitsin aineistoksi ”Kunnat 2024 (1:4 500 000)” .shp-tiedostomuodossa.

Kuva 3. GeoServer-sivuston tietopolku, josta em. aineisto löytyy.

Latasin Tilastokeskuksen taulukot .xlsx-tiedostoina, jonka jälkeen muokkasin ne sopiviksi Excelissä ja latasin ne lopulta Excelistä koneelle .csv-tiedostoina. Tämän jälkeen lisäsin ne tekstimuotoisina tasoina QGIS:siin ja muokkasin niiden ominaisuuksia, kuten tekstin koodausta UTF-8-muodosta ISO_8859-1-muotoon, jotta ääkköset tulivat näkyviin. Tämän jälkeen tasot liitettiin yhteen Join-toiminnolla, jonka jälkeen koropleettikartan muodostaminen onnistui uuden attribuuttitaulukon pohjalta.

Tärkeintä oli varmistaa, että ladatussa .csv-tiedostossa ei ollut epäkohtia datan kanssa (ja että se oli oikeassa muodossa), kuten ylimääräistä tekstiä joka olisi tuonut ongelmia QGIS:sissä. Eniten ongelmia tuottikin .csv-tiedostojen tuonti ohjelmaan. Loput karttojen tekovaiheista olivat verrattain helpompia ja rutiininomaisia, kuten legendan luonti ja värimaailman miettiminen. Alla valmiit kartat:

 

Kuva 4. Eläkeläisten osuus kunnan väestöstä 2021, %.

 

Kuva 5. Korkeakoulutettujen osuus kunnan 15 vuotta täyttäneistä 2021, %.

Eläkeläisten osuutta kuvaavasta kartasta (Kuva 4) huomataan eläkeläisten osuuden kasvaessa, kun liikutaan kohti itää ja koillista. Juurikin Koillismaan ja Pohjois-Karjalan väestörakenne onkin hyvin vanhaa, johon vaikuttavat monet tekijät. Kuitenkin monien suurien kaupunkien alueella osuudet ovat pieniä, joista esimerkkinä Oulu, Joensuu, Helsinki ja Tampere. Tätä selittää myös moni intuitiivinen tekijä, kuten maahanmuutto ja opiskelu.

Korkeakoulutettujen osuutta kuvaavasta kartasta (Kuva 5) huomataan päinvastainen ilmiö verrattuna kuvan 4 osoittamaan karttaan: kun liikutaan kohti länttä ja etelää, niin korkeakoulutettujen osuus kasvaa. Lisäksi korkeakoulutettujen ja eläkeläisten määrässä huomataan korrelaatiota. Esimerkiksi Kuopion alueella eläkeläisten osuus on pienehkö, mutta korkeakoulutettujen osuus suurehko. Sama pätee niin Joensuun kuin Helsingin, sekä Tampereen että Jyväskylän alueella. Korkeakoulutetut sijoittuvat siis pääosin suurien kaupunkien alueille, jos haluaa tehdä yleistyksen.

Valmiiden karttojen visualista lopputulosta on hauska tarkastella, ja löytää erilaisia yhtymäkohtia ja eroavaisuuksia niin omien kuin muiden karttojen väliltä. Siinä missä omat kartat olivat vastakohtaisia, niin esimerkiksi Gaius Erikssonin blogissa (2024) olevissa kartoissa koostuivat samat alueet.

Harjoituksessa 2 korostui etenkin oma motivaatio, sekä kyky etsiä tietoa internetin syvyyksistä, jos ja kun omat taidot eivät riittäneet ongelmanratkaisuun. Myös kaverit osasivat neuvoa ja yhdessä tekeminen auttoi jaksamaan. Harjoituksen teemana omalta osaltani oli yritys ja erehdys, joka opetti enemmän kuin osasin odottaa. Mielestäni kartat ovat onnistuneita molempien harjoitusten osalta.

Lähteet:

Eriksson, G. (2024). Gaiuksen kurssiblogi. MAA202 aloituskerta. Viitattu 22.1.2024. Gaiuksen kurssiblogi (helsinki.fi)

GeoStat. GeoServer. (2024). Kunnat 2024 (1:4 500 000). Viitattu 22.1.2024. GeoServer: Layer Preview (stat.fi)

Nuortimo, P. (2024). Pietun blogi. Ensimmäinen kurssikerta. Viitattu 22.1.2024. Ensimmäinen kurssikerta – Pietun GIS-seikkailu (helsinki.fi)

Tilastokeskus. (2024). Kuntien avainluvut (stat.fi). Viitattu 22.1.2024. Kuntien avainluvut muuttujina Alue 2023 ja Tiedot. PxWeb (stat.fi)