Last dance

Kuudennella kurssikerralla annettiin tehtäväksi valmistautua seuraavaan kertaan, mihin liittyi mm. aineiston ja käsiteltävän alueen valitseminen. Viikko oli kuitenkin kiireinen ja uskottelin itselleni, että aiheen valitseminen tapahtuisi lennosta – ja helposti.

Alueeksi sain valittua Yhdysvallat ja sen osavaltiot, mikä tuntui juuri sopivalta, sillä siellä on paljon ihmisiä ja erilaisia mm. dataa tuottavia instituutioita. Aiheen ja datan valitseminen ei kuitenkaan ollut helppoa, sillä sitä oli todella paljon. En yksinkertaisesti osannut rajata omia halujani tarpeeksi hyvin. Päädyinkin aloittamaan kolmannen tehtävävaihtoehdon, eli Maanmittauslaitoksen maastotietokannan käsittelyn. Tarkka rajaus aiheeseen poisti valinnanvaikeutta käsittelevän muuttujan ja pääsinkin heti aloittamaan tehtävän tekemisen.

Tässä blogissa on siis vain yksi tehtävä; maastotietokanta Haminan alueelta, jossa pääsen hyödyntämään sekä tuttuja että uusia työkaluja. Mitään varsinaista päämäärää tällä tehtävällä ei ole, vaan tarkastelen maastotietokannan ominaisuuksia ja toisaalta hyödynnän erilaisia työkaluja vektorimuotoisessa maastokartassa, eli maastotietokannan tasojen muodostamassa kartassa.

Maastotietokanta

Valitsin tehtävän alueeksi Haminan käsittävän 100 neliökilometrin alueen, jonka rajasin Maanmittauslaitoksen aineistojen latauspalvelussa, mistä kyseinen aineisto myös ladattiinkin. Lisäksi latasin samaisesta palvelusta myös TIFF-muotoisen korkeusmallin alueelle.

Aineistopaketin (maastotietokannan) lisääminen QGIS:siin edellytti uuden pluginin NLS GeoPackage Downloaderin lataamista, sekä Maanmittauslaitoksen avoimen datan palveluun rekisteröitymistä sähköpostin avulla, mitä vaadittiin maastotietokannan lisäämiseen, koska aineistot tulevat suoraan palvelimelta. Tämän jälkeen kesti noin kymmen minuuttia, jonka jälkeen valitut kohteet näkyivät kartalla omina tasoinaan. Alla otos (Kuva 1) maastotietokannan näkymästä QGIS:sissä hieman muokattuna:

Kuva 1. Haminan keskustan aluetta QGIS:sissä. Lähde: MML

Monet tasoista, kuten paikannimet ja pienet kohteet, olivat mittakaavariippuvaisia, jonka takia kaikki kohteet eivät näkyneet alkuasetelmassa, eikä esimerkiksi yllä olevan kartan oikean yläkulman alue näy luonnonsuojelualueena (vihreä ruudukko), vaikka se sitä on. Mielestäni kartan värimaailma on onnistunut, enkä sitä karttoja työksi tekeviltä epäilekkään.

Kuva 2. Maastotietokannan kohteita omina tasoinaan (ja muuta ylimääräistä)

Tutustuttuani maastotietokantaan pääsin heti työkalujen pariin. Aloitin tehtävän luomalla ladatun korkeusmallin pohjalta korkeuskäyrät Contours-työkalulla, sekä rinnevarjosteen Hillshade-työkalulla, jotka olivat varsin tuttuja neljänneltä kurssikerralta. Toiveeni toteutuivat kerrankin, sillä pääsin kokeilemaan maastotietokannassa näkymäanalyysin tekoa Viewshed-työkalulla, jonka lopputuotos on allaolevassa kartassa (Kuva 3):

Kuva 3. Näkymäanalyysi Haminan Munavuoren laelta, 27 metrin korkeudelta 3 kilometrin säteellä. Punaiset ”ristikkoalueet” kuvaavat niitä alueita, jotka eivät näy keskipisteestä (Munavuori).

Näkymäanalyysi-työkalu oli yksinkertainen ja ennen kaikkea helppokäyttöinen. Työkalu muodosti rasteritason, josta muodostin Polygonize-työkalun avulla vektoritason. Tämän jälkeen Select by locationia (+ select by value) käyttäen valitsin ne kohteet/alueet, jotka jäivät halkaisijaltaan kuuden kilometrin, bufferoinnilla luodun ympyrän sisälle.

Kartan tulkinnassa on hyvä ottaa huomioon, ettei näkymäanalyysi ota huomioon esimerkiksi kasvustoa tai sääolosuhteita. Toisaalta on hyvä pitää mielessä, ettei Munavuori ole korkea kukkula ja alava maasto sen ympärillä vääristää QGIS:sillä luotujen korkeuskäyrien tuomaa mielikuvaa, varsinkin jos on tottunut tarkastelemaan korkeammalla olevia alueita Suomessa. Lisäksi halusin tuoda esille ainoastaan juuri ”näkymättömät” alueet, minkä vuoksi muu kartta näyttää jokseenkin mössöltä.

Laskeskelin kaikkea jännää QGIS:sissä eri työkaluilla, nyt kun erilaisia kohdetyyppejä oli yli 50 kappaletta. Kokeilin hiekkalaatikkomaisesti eri työkaluja, kuten Select by distance-työkalua, joilla sain Haminan kunnan alueella olevien alle 100 metrin päässä merestä olevien rakennusten lukumääräksi 4749.

Kuten sanottua, mitään päämäärää ei tehtävällä ollut, vaan pääsin hyödyntäämään siinä kaikenlaisia jänniä ja vähemmän jänniä, sekä toisaalta tuttuja ja vähemmän tuttuja vektorianalyysityökaluja, joiden käytöstä en jaksanut kummemmin raportoida. Erilaisia työkaluja käyttäessäni huomasin kuitenkin niiden käytön sujuvan jo varsin hyvin, ainakin niiden työkalujen osalta, jotka olivat ennestään tuttuja. Tehtävän tekeminen oli kivaa puuhailua ja toisaalta vaihtelua (ja odottelua), mutta mielenkiintoisuus jäi puuttumaan siitä.

Luettuani Samuli Haimin blogia (2024) seitsemännestä kurssikerrasta, jossa hän oli tuonut omia .gpx-aineistoja QGIS:siin, päätin tehdä itsekin näin ja kokeilla miten se onnistuisi. Nappasin Polarin omasta urheilusovelluksesta valitsemani reitin, jonka kävelin noin vuosi sitten silloisen joukkueeni kanssa, .gpx-tiedostomuodossa ja sainkin sen vaivatta QGIS:siin ilman mitään ongelmia. Alla kartantynkää:

Kuva 4. Urheilukellon tallentama kävelyreitti Koivukylästä Vantaalta Santahaminan varuskuntaan Helsinkiin. Reitin pituus noin 42 kilometriä. Lähde: Polar Flow

Lopuksi:

Ehdottomasti paras kurssi tähän mennessä, joka ylitti kaikki odotukset.

Lähteet:

Haimi, S. (2024). Samulin gis-blogi: Kurssikerta 7: omat aineistot ja uusien työkalujen omaehtoista opiskelua. Kurssikerta 7: omat aineistot ja uusien työkalujen omaehtoista opiskelua. – Samulin gis-blogi (helsinki.fi). Viitattu 4.3.2024.

Maanmittauslaitos. Maastotietokanta. Maastotietokanta | Maanmittauslaitos. Viitattu 1.3.2024.

Polar. Polar Flow:n nettisovellus. Polar Flow. Viitattu 4.3.2024.

Hyödylliset linkit:

Maastotietokanta nätisti QGISiin? • Gispo

MAASTOTIETOKOHTEET (maanmittauslaitos.fi)

Ulkoilua ja odottelua

Toiseksi viimeisellä kurssikerralla ulkoiltiin, saatiin ensimakua kenttätöistä ja interpoloitiin kenttätöiden aikana kerättyjä pisteitä eri ominaisuuksien mukaan. Kotitehtäväksi jäi kolmen erilaisen tulivuoria, astrobleemejä ja maanjäristyksiä käsittelevien karttojen tekeminen, joista viimeisen tekoa pääsin aloittamaan kurssikerran loppupuolella. Kurssikerta on ollut rakenteeltaan tähän mennessä paras, sillä siihen on kuulunut ulkoilua, opettajan ohjaamaa tekemistä ja tärkeimpänä itsenäistä tekemistä ja vapaasti valittavia aiheita. Suoritustapa tälle kerralle oli positiivinen yllätys, sillä nyt aivot eivät jumittuneet PowerPointtiin, vaan raikas ilma virkisti mieltä ja kehoa.

Ensimmäiseksi interpolointia, sitten kolmen plus yhden kartan paketti luonnonhasardeista.

Interpolointi

Tämä tehtävä oli varsin nopea, sillä itse interpolointi-työkalu (IDW interpolation) oli yksinkertainen, sekä toisaalta tehtävässä käytetyt toiminnot, kuten tekstimuotoisen tason tuominen QGIS:siin, olivat tuttuja jo aikaisemmilta kurssikerroilta. Tehtävä sen nopeudesta huolimatta opetti kuitenkin paljon, sillä koen interpoloinnin olevan tärkeä perustaito, joka on hyvä osata.

Tehtävässä tärkeämmässä roolissa olikin itse aineisto ja sen kerääminen, mikä toteutettiin sovelluskaupasta löytyvän Epicollect5-sovelluksen avulla. Sovelluksen kanssa kierreltiin ympäri kampusta, Kumpulaa ja Arabianrantaa ja merkittiin ylös pisteitä, sekä arvioitiin asteikolla yhdestä viiteen mm. kohteiden turvallisuutta, houkuttelevuutta ja aktiivisuutta. Lopuksi jokaisen keräämät pisteet ladattiin palvelimelle ja edelleen Moodleen, josta ne ladattiin .csv-muotoisena omalle koneelle ja lisättiin QGIS:siin.

Alla tämän kurssikerran aikana kerättyjen pisteiden muodostama ja interpoloimalla muodostettu kartta (Kuva 1), joka visualisoi itse pisteitä ja niiden tiheyttä, sekä toisaalta alueita, jossa ei ole lainkaan pisteitä (Paarlahti 2024). Kartta esittää kerättyjen pisteiden kuvaamien kohteiden turvallisuutta.

Kuva 1. Interpoloimalla luotu ”heatmappi” Kumpulan ja Arabianrannan alueen koetusta turvallisuudesta. Oranssit tekstit kuvaavat kohteita, joiden turvallisuus ja houkuttelevuus on alle 3. Sinivihreät tekstit kuvaavat kohteita, joiden turvallisuus ja houkuttelevuus on yli 4. Lähde: Epicollect5-aineisto

Kartalta huomataan kuitenkin kohteiden (=pisteiden) sijoittuminen kartan alueelle, sekä näiden pisteiden muodostamat eriväriset vyöhykkeet, jotka siis kuvaavat koetun turvallisuuden ”voimakkuutta”: mitä vähemmän pisteen ympärillä on muita pisteitä, sitä voimakkaammin ja suuremmin vyöhyke näkyy. Tämä myös omalta osin vääristää tuloksia, sillä kartan yläreunan kohde ”Kustaa Vaasan tie”– jonka turvallisuus on arvioitu huonoimmaksi – näyttäytyy todella voimakkaana, vaikka merkitsemättä jäänyt punainen kohde (turvallisuus=1) kartan keskellä on saanut saman arvosanan, mutta näyttäytyy murto-osana aikaisemmin mainitun kohteen muodostamasta vyöhykkeestä.

Tekelettä voidaan tulkita monesta näkökulmasta, sekä nostaa esille lukuisia asioita, joista kuitenkin päällimäisenä on turvattomien ja houkuttelevuudeltaan vähäisien kohteiden sijoittuminen autoteiden läheisyyteen. Etenkin karttaa halkova Kustaa Vaasan tie näkyy alueena, jonka läheisyyteen on keskittynyt turvattomia kohteita. Kyseistä tietä pitkin kulkeekin suuri määrä liikennettä päivittäin, joka muodostuu niin busseista kuin autoista ja raitiovaunuista.

On hyvä pitää mielessä, että yksittäinen piste kuvaa yksittäisen ihmisen mielipidettä kohteesta, ja siten tulos saattaisi vaihdella eri yksilöiden välillä. Saman tehtävän voisikin suorittaa siten, että useat eri henkilöt arvioisivat kiinteitä pisteitä, joiden keskiarvo kuvaisi esimerkiksi juuri yllä olevan kartan kuvaamaa turvallisuutta.

Vielä viimeiseksi: jos muuttaisin karttaa, niin asettaisin yksittäiselle pisteelle tummemmat ääriviivat, jotta itse piste näkyisi paremmin. Toisaalta kartan on tarkoitus visualisoida interpolointia, eikä niinkään pisteitä, minkä takia jätin tämän muutoksen tekemättä.

Omavalintaiset kartat

Kurssikerran jälkimmäinen ja viimeinen osuus, eli tämä tehtävä, koostuu kolmesta eri vapaavalintaisesta kartasta, joiden alueiksi valitsin Aasian, Etelä-Amerikan ja Pohjois-Amerikan rannikkoa. Viimeinen ja vapaaehtoinen kartta on mukavana lisänä kolmen pakollisen kartan lisäksi. Kaksi karttaa käsittelee järistyksiä, kaksi tulivuoria – tässä järjestyksessä.

Mielestäni tehtävä oli varsin mukava, sekä vapaat kädet sen toteuttamiseen antoi toisaalta haasteita – koska paikkoja ja aiheita on todella paljon – mutta toisaalta myös onnistumisen tunteita. Onnistumisen tunteet ja niiden visualisointi on koostettu allaoleviin karttoihin, joista ensimmäinen käsittelee maanjäristyksiä. Suurimmaksi haasteeksi koin kuitenkin mielenkiintoisten asioiden esittämisen mahdollisimman yksinkertaisessa muodossa siten, että informaatiota on paljon, mutta tiiviissä paketissa. Tykkään lisäillä erilaisia labeleita QGIS:sissä ilman, että niillä on sen suurempaa tarkoitusta, mikä saattaa hämmentää lukijaa.

Kuva 2. Itä-Aasian ja Oseanian alueella vuosien 1994-2024 aikana tapahtuneet yli 7 magnitudin maanjäristykset (yhteensä 217 maanjäristystä). Heatmapit kuvaavat maanjäristysten tiheyttä ja voimakkuutta magnitudeissa; ne ovat siis laskettu interpoloimalla. Lähde: USGS & Natural Earth Data

Tämän kartan (Kuva 2) tekemiseen meni tuhottoman paljon aikaa, sillä jokainen muutos karttalehdellä kesti useita minuutteja, mikä koetteli hermoja perjantai-iltapäivänä.

Valitsin kyseisen alueen, sillä alueella on paljon ihmisiä, sekä toisaalta seismistä aktiivisuutta, joka näkyy niin maanjäristyksinä kuin niiden seurauksena syntyvinä tsunameina. Alueella on myös paljon litosfäärilaattoja, jotka tuovat oman mielenkiintoisuutensa karttaan ja sen tulkintaan. Kartan pääasiallinen tarkoitus voisi olla esimerkiksi litosfäärilaattojen liikkeiden seurausten havainnollistaminen, sekä toisaalta isojen kaupunkien sijoittuminen suhteessa järistyksiin. Lisäksi kartassa näkyy hyvin Tyynen valtameren tulirengas.

Jos olisin muuttanut karttaa, niin olisin lisännyt siihen litosfäärilaattojen liikesuunnat ja esimerkiksi niiden tyypit, kuten erkanevat tai toisiaan sivuavat laatat. Toisaalta tieto olisi omilta osin turruttanut kartan ulkoasua, jossa on jo valmiiksi paljon informaatiota. Kartalta kuitenkin huomataan Australian ja Euraasian laatan törmäysvyöhyke, sekä Tyynenmeren laatan ja Pohjois-Amerikan laatan törmäysvyöhyke, mitkä kummatkin näkyvät voimakkaiden järistysten alueina. Myös järistysten voimakkuutta kuvaavien symbolien koon olisi voinut suhteuttaa järistyksen voimakkuuteen, joka olisi antanut monipuolisempaa ilmettä kartalle.

Kuva 3. Intian valtamerellä 26.12.2004 tapahtuneen 9,1 magnitudin järistyksen (kuva 2, vasen alareuna) seurauksena syntyneen tsunamin aiheuttamia vaurioita Phuketin eteläpuolella Thaimaassa. Lähde: YLE

 

 

Kuva 4. Etelä-Amerikassa vuosien 2014-2024 aikana tapahtuneet yli 6 magnitudin maanjäristykset (yhteensä 166 maanjäristystä kartalla) . Punaiset vyöhykkeet kuvaavat maanjäristysten tiiviyttä ajan suhteen interpoloituna. Esimerkiksi 8,3 magnitudin järistyksen klusterin alueella on tapahtunut 8 järistystä vuoden 2015 aikana. Lähde: USGS & Natural Earth Data

Toinen kartta (Kuva 4) käsittelee myös maanjäristyksiä, mutta eri maanosassa. Kartan tekoon meni huomattavan paljon vähemmän aikaa, sillä QGIS nopeutui projektion vaihtamisen myötä. Kuvan 4 ja 6 kartoissa onkin huomioitava, että niiden projektiot ovat WGS84, kun kuvan 2 kartassa projektio on Robinson. Projektion vaihtaminen lisäsi nopeutta, mutta vähensi hermojen kireyttä ja koin siksi päätöksen oikeaksi.

Idea kyseiseen alueeseen tuli Heikki Säntin blogista (2024), joka oli tehnyt hienon kartan lähes samalta alueelta, mutta eri aiheesta. Edelliseen omatekemääni karttaan verrattuna tämä on mielestäni parempi, joskin kartat ovat melko samannäköisiä toistensa kanssa. Muutoksia edelliseen karttaan ovat muun muassa eri Heatmap-luokittelun arvo, erilaiset symbolien värit ja tärkeimpänä eri aikaväli, joka on tälläkertaa 20 vuotta suppeampi.

Kartan pääasiallinen tarkoitus voisi olla melko samoilla linjoilla kuin edellisessä, eli maanjäristysten näyttäminen suhteessa isoihin kaupunkeihin ja sen perusteelta tapahtuva riskien arviointi tai muu vastaava.

Kuva 5. 8,3 magnitudin järistyksen seurauksena syntyneen tsunamin tuhon jälkiä Santiagossa Chilessä 2015. Kuvassa 3 tämä on alin punaisella merkattu järistys, joka tapahtui noin 10 km rannikosta. Lähde: NYT

 

 

 

Kuva 6. Yhdysvaltojen ja Kanadan rannikko- ja merialueilla olevat tulivuoret niiden korkeuden mukaan (yhteensä 125 tulivuorta). Karttaan on lisätty korkeudeltaan yli kolmen kilometrin tulivuorien tyypit englanniksi. Stratovolcano=kerrostulivuori. Lähde: NCEI

Kolmantena karttana (Kuva 6) on tulivuoria käsittelevä kartta Pohjois-Amerikan rannikkoalueesta. Tämä(kin) kartta on mielestäni onnistunut, sekä se on ainakin erilainen verrattuna edellisiin karttoihin aiheensa puolesta. Olisin voinut suhteuttaa symbolien kokoa vuoren korkeuteen nykyistä enemmän, mutta jätin sen kuitenkin loppujen lopuksi tekemättä.

Tätä karttaa voisi hyödyntää esimerkiksi silloin, kun puhutaan sekä laattojen erkanimisesta, jonka seurauksena syntyy vedenalaisia tulivuoria, sekä laattojen törmäämisestä, jolloin syntyy saarikaaria (kuten Aleutit) ja poimuvuoristoja & tulivuoria.

Kuva 7. Kolumbian ja Ecuadorin alueella olevat vuoden 1964 jälkeen purkautuneet tulivuoret ja kaupunkien sijoittuminen niiden läheisyyteen. Kahdessa kaupungissa, Quitossa ja Pereirassa, asuu yli 500 000 ihmistä. Lähde: NCEI & Natural Earth Data

Vielä viimeiseksi silaukseksi päätin tehdä ylimääräisen kartan (Kuva 7), jota voitaisiin käyttää esimerkiksi tilanteissa, kun mietitään mitä riskejä tulivuoret aiheuttavat läheisille kaupungeille tai muille asutuksen keskittymille, tai toisaalta globaalin tason toimintoihin, kuten sääolosuhteisiin ja sitä kautta esim. lentoliikenteeseen.

Kartta on samaa sarjaa muiden karttojen kanssa, eikä siinä ole suuria muutoksia oikeastaan minkään asian kannalta. Tein kartan, koska huvitti – muuta sanottavaa en keksi siitä.

Tämä kurssikerta oli jälleen mukava paketti, sekä karttojen teko harjaannutti omia taitoja ja hermoja, jonka koen palkitsevaksi asiaksi gissin parissa.

Kuva 8. Austraalia-Intia-laatan ja Euraasian laatan törmäysvyöhykkeen maanjäristykset viimeisen kahdenkymmenen vuoden ajalta interpoloituna IDW-meneltää käyttäen. Lähde: USGS

Tää viel.

Lähteet:

Epicollect5. (2024). Kurssikerran aikana kerätty aineisto. Epicollect5 – GIS_MEN perjantai 2024 Viitattu 26.2.2024

Natural Earth Data. 1:10m Cultural Vectors. Populated places.
Natural Earth » 1:10m Cultural Vectors – Free vector and raster map data at 1:10m, 1:50m, and 1:110m scales (naturalearthdata.com) Viitattu 26.2.2024

NCEI Volcano Location Database. NOAA National Centers for Environmental Information. Tulivuoritietokanta. NCEI Volcano Location Database. Viitattu 26.2.2024

New York Times. (2015). Chile Sees Extensive Damage After Earthquake and Tsunami. Chile Sees Extensive Damage After Earthquake and Tsunami – The New York Times (nytimes.com) Viitattu 26.2.2024

Paarlahti, A. (2024). Harjoitus6_2024.  Word-dokumentti. Viitattu 27.2.2024

USGS. Earthquake hazards program. Maanjäristystietokanta. Search Earthquake Catalog (usgs.gov). Viitattu 26.2.2024

Säntti, H. (2024). Heiggi’s blog: Kuudes kurssikerta. Kuudes kurssikerta – Heiggi’s blog (helsinki.fi) Viitattu 26.2.2024

Yle. (2014). Tuhon aamu – kymmenen vuotta Intian valtameren tsunamista. Tuhon aamu – kymmenen vuotta Intian valtameren tsunamista | Yle. Viitattu 26.2.2024

Suuri koitos

Ehdottomasti haastavin, mutta myös palkitsevin kurssikerta ja opiskelupäivä, jonka teemana kaverit ja sateinen perjantai. Erityisesti bufferointi ja kohteiden valitseminen eri menetelmilllä korostui kaikissa kohdissa. Lisäksi halu ratkaista asioita ja erityisesti oma motivaatio auttoi eteenpäin, mutta toisaalta nämä olivat koetuksella, kuten myös QGIS, joka kaatui useaan otteeseen. Tästä ainakin jäi käteen se, että tietoa kannattaa karsia, mikäli sitä ei käytä.

Tehtävissä yhdistyi GIS:sin peruspilarit: rasteriaineistot, vektoriaineistot ja jälkimmäisten analysointi. Kurssikerta alkoikin lämmittelytehtävällä liittyen viime kurssikerran Pornaisia käsittelevään osuuteen, mikä tuli todella tarpeeseen, sillä varsinaisissa tehtävissä lämmittelyn aikana opitut taidot sujuivat hyvin. Näitä taitoja ja työkaluja olivat mm. bufferointi ja kohteiden valitseminen sijainnin tai arvon perusteella.

Ensimmäisessä itsenäistehtävässä käsitellään lentokoneita, toisessa taajamia ja viimeisessä uima-altaiden tuomaa yleellisyyttä. Ensimmäiseen tehtävään siis.

Itsenäinen tehtävä 1

Tehtävä oli mukava aloitus itsenäisten tehtävien paketille, ja siinä pääsi hyödyntämään monenlaisia taitoja kiinnostavien aineistojen parissa. Tehtävä on jaettu kahteen osaan; ensimmäinen osa käsittelee Malmin ja Helsinki-Vantaan lentokenttiä ja toinen osa metro- ja juna-asemia. Molemmissa osissa suuressa roolissa on Buffer-työkalu, sekä Select by location & value -työkalut, mitkä mahdollistavat tehtävän tekemisen.

1. Lentokentät

Malmin lentokenttä

Malmin lentokenttä sijaitsee Lahden moottoritien ja Kehä I:sen kainalossa, Tattarisuon kupeessa Malmin itäpuolella. Lentokenttä otettiin käyttöön 16.12.1936 ja se vihittiin virallisesti käyttöön 15.5.1938 (Helsingin kaupunki 2015).

Malmin lentokentän pahimmalla melualueella, eli 2 kilometrin säteellä kentästä asui sen vielä ollessa käytössä 58682 ihmistä 4915 eri rakennuksessa. Kun tämä etäisyys kiitoradoista pienenee yhteen kilometriin, niin asukkaiden määrä tippuu 9027 asukkaaseen, jotka ovat jakautuneet 830 rakennukseen bufferivyöhykkeen alueelle.

Lentokentän käyttöönoton jälkeen alueelle, yhden kilometrin säteelle lentokentästä, on rakennettu 776 rakennusta, joissa asuu yhteensä 8839 asukasta. Vastaavasti 54 rakennusta on rakennettu ennen lentokentän valmistumista, joissa asuu yhteensä 188 asukasta. Malmin lentokenttä on siis verrattain vanha verrattuna alueen muihin rakennuksiin; noin 7% rakennuksista Malmin lentokentän ympäristössä on rakennettu ennen lentokentän valmistumista.

Rakennuksien käyttöönottovuoden pystyi suodattamaan bufferiin kuuluvista kohteista käyttämällä Select features by value -työkalua. Vieressä (Kuva 1) kyseinen tietopolku, jolla saa näkyviin bufferoidun vyöhykkeen kohteista ne rakennukset, jotka on rakennettu 1936 jälkeen.

Kuva 1. Hyödyllinen tietopolku QGIS:sissä

 

Malmin lentokentän alueelle on kuitenkin suunniteltu noin kolmen neliökilometrin laajuista asuinaluetta (Kuva 2), joka toisi asuntoja jopa 25 000 ihmiselle.

Kuva 2. Malmin lentokentän suunniteltu alue. Lähde: Helsingin karttapalvelu

Tutkitaan seuraavaksi PK-seudun asuinalueita vertaamalla Malmin suuniteltua aluetta muihin PK-seudun asuinalueisiin buffer-työkalun avulla. Lentokentälle suunniteltun alueen polygonin halkaisija sen pisimmästä kohdasta on 2,6 kilometriä, jota käytän verrattavana mittana. Nyt kuitenkin ympyrän (=bufferin) pinta-alaksi tulee noin viisi neliökilometriä, mikä on lähes kaksikertainen Malmin alueen alaan verrattuna.

Huomasin tehtävän tekemisen jälkeen Gaius Erikssonin tehneen saman tehtävän omassa blogissaan (2024), mutta verrattain helpommalla tavalla: hän oli laskenut asukastiheyden olemassa olevan alueen pinta-alan avulla ja yksinkertaisesti verrannut sitä muihin alueisiin, mikä oli mielestäni oivaltava tapa. Päädyin kuitenkin käyttämään aikaisemmin mainuttuja mittoja ja luomalla niiden avulla vyöhykkeitä.

Ensimmäisenä tarkasteltavana alueena on Tapanilan / Malmin keskustan alue. Loin bufferin satunnaiseen kohteeseen, mikä tuotti säteeltään 1,3 kilometrin ympyrän. Tämän jälkeen riitti valita ympyrän sisälle jäävät kohteet Select by location -työkalulla, minkä jälkeen Statistic panelista pystyi tulkitsemaan valittujen kohteiden (bufferin sisällä olevien) tilastotietoja eri muuttujien (sarakkeiden) osalta. Kuvasta 3 huomataan, että Tapanilan alueen bufferin sisään jäi 2820 asuinrakennusta, joissa kaikissa asui yhteensä 20614 asukasta, siis hieman alle 5000 vähemmän kuin verrattavan Malmin lentokentän suunnitellulla alueella. Huomioitavaa on , ettei Malmin lentokentän alue ole säännöllisen muotoinen ja siten sen todellinen halkaisija ei ole 2,6 kilometriä.

Kuva 3. Vasemmalla statistics panel, keskellä Tapanilan/Malmin keskustan alue ja oikealla suunniteltu Malmin alue nykyisine rakennuksineen (pisteet).

Valitsin toiseksi alueeksi Tikkurilan keskustan alueen, jolla asuu satunnaisesta pisteestä mitattuna 1,3 kilometrin säteellä 19642 asukasta 1558 rakennuksessa (Kuva 4), mikä on yli 5000 asukasta vähemmän kuin suunnitellulla Malmin alueella ja toisaalta tuhat vähemmän kuin Tapanilan alueella.

Kuva 4. Tikkurilan alueelle muodostettu vyöhyke buffer-työkalulla

 

 

 

Valitsin vielä viimeiseksi verrattavaksi kohteeksi Pakilan alueen (Kuva 5), jossa asuu edellisten vyöhykkeiden kanssa saman kokoisella alueella 14768 ihmistä 2917 rakennuksessa.

Kuva 5. Pakilan alueelle muodostettu vyöhyke buffer-työkalulla

Kun verrataan eri bufferoituja alueita ja niiden asukkaiden määrää, niin mikään valituista alueista ei tule lähelle Malmin alueen lukuja. Huomioitavaa on kuitenkin valittujen alueiden luonne: esimerkiksi Pakila on lähes kokonaan omakotitaloaluetta, minkä huomaa esimerkiksi rakennusten suuresta lukumäärästä (n. 3000), kun esimerkiksi Tikkurilan keskusta alueella rakennuksia on puolet vähemmän, mutta asukkaita yli 5000 enemmän.

Kuva 6. Taulukko tuloksista.

Jos olisin tehnyt tehtävässä jotain toisin, niin olisin laskenut bufferin 300 metriä pienemmällä säteellä, jolloin sen pinta-ala olisi ollut suunnilleen sama kuin Malmin lentokentän alueen tai tehnyt kuten Gaius.

Helsinki-Vantaan lentokenttä

Tässä tehtävässä keskitytään meluvyöhykkeisiin, jotka ovat mielenkiintoinen tarkastelun kohde. Meluvyöhykkeitä on yhteensä neljä: 50, 55, 60 ja 65 desibelin vyöhykkeet. Kokonaisuudessaan lentomeluvyöhyke on suunnilleen x:n muotoinen alue, joka ulottuu lounas-kaakko suunnassa noin 33 kilometriä pitkälle ja 5 kilometriä leveälle alueelle, ja luode-kaakko suunnassa noin 16 kilometriä pitkälle ja 2 kilometriä leveälle alueelle.

Helsinki-Vantaan lentokenttä sijaitsee Vantaalla noin 8 kilometrin päässä Malmin lentokentästä luoteeseen. Helsinki-Vantaan lentokentän välittömässä läheisyydessä (etäisyys kiitoratoihin alle 2km) asuu 11603 ihmistä 2367 rakennuksessa. Pahimmalla Helsinki-Vantaan lentokentän meluvyöhykkeellä, eli 65 dB ja ylöspäin asuu 19 ihmistä 7 rakennuksessa, mikä on vain 0,16 prosenttia verrattuna edellisen kohdan asukkaiden määrään. 65 desibelin meluvyöhykkeen pinta-alan osuus muiden meluvyöhykkeiden pinta-alasta on 8,7 %. Vähintään 55 desibeliä ylittävällä Helsinki-Vantaan lentokentän melualueilla (55 dB, 60 dB & 65 dB) asuu yhteensä 11923 asukasta 1780 rakennuksessa.

Kuva 7. Taulukko edellisten kohtien tuloksista

Jos Helsinki-Vantaan lentokentän kiitoratojen suunta vaihtuisi, niin pääsuunnan vaihtaminen poikkeussuuntaiseksi (kaakko-luode) loisi uuden, vähintään 60 dB meluvyöhykkeen, jonka alueella asuisi 12393 asukasta.

Kuva 8. Helsinki-Vantaan lentoasema. Vaihtoehtoinen suunta kaakko-luode. Oikea lounas-koillinen. Lähde: Paarlahti 2024.

Alla vielä vaihtoehtoisen suunnan muodostama uusi, vähintään 60 desibelin meluvyöhyke:

 

 

 

Kuva 9. Vaihtoehtoinen meluvyöhyke Vantaan ja Helsingin yllä. Keltaiset pisteet rakennuksia. Sininen alue Malmin lentokentän suuniteltu alue.

Jos kiitoratojen suunta vaihtuisi, niin vähintään 60 desibelin melualueella asuvien ihmisten lukumäärä kasvaisi nykyisesti 2620 asukkaasta 12393 asukkaaseen, mikä tarkoittaisi vaikutusalueilla olevien asukkaiden määrän kasvamista lähes viisinkertaiseksi.

2. Asemat

Toisessa osassa alkoi todellinen paikkatietojumppa, joka jatkui viimeiseen tehtävään asti. Tehtävän teko oli todella palkitsevaa, joskin QGIS:sin kaatuminen koetteli hermoja. Tässä osiossa korostui järjestelmällisyys, sekä tuttuun tapaan bufferointi.

Kartan alueella alle 500 metrin päässä juna- tai metroasemasta asuu 111765 ihmistä. Kaikkiaan kartan alueella asuu 516193 ihmistä, joista alle 500 metrin päässä asemista asuvien ihmisten osuus näistä kaikista on 21,7 %. Työikäisten eli 15-64 vuotiaiden määrällinen osuus näistä alle 500 metrin päässä asuvista ihmisistä on 74989, ja prosenttiosuus a-kohtaan verrattuna on 67,1 %. Tämä tieto on koottu allaolevaan taulukkoon (Kuva 10).

Kuva 10. Juna- sekä metroasemat ja PK-seudun väestö

Osiossa ennen kaikkea bufferoitiin, mutta myös select by location -työkalun käyttäminen oli ratkaiseva tekijä. Lisäksi työikäisten määrän laskeminen edellytti uuden sarakkeen (työikäiset) laskemista käyttämällä summafunktiota pistetietokannan attribuuttitaulukossa. Oppiminen ei ollut yhtä suuressa roolissa tässä osiossa kuin lentokenttiä käsitellessä, mutta kertaus vahvisti kuitenkin muistijälkeä ja jotkut toiminnot tuntuivatkin jo hyvin hallussa olevilta.

Itsenäinen tehtävä 2

Nyt vuorossa on taajamia ja taajama-asutusta käsittelevä tehtävä, joka oli oma suosikkini. Tämän tehtävän tekemiseen meni yllättävän kauan, mutta toisaalta se myös opetti eniten.

Taajama

Tehtävässä alueena (taajama-alueet) toimii koko PK-seutu. Huomasin vasta jälkeenpäin, että tässä olisi pitänyt laskea osuudet käyttäen edellisten tehtävien rakennustietoja, jotka kattavat noin 60% kaikista PK-seudun rakennuksista. Nyt tehtävässä lasketaan aluksi osuudet jne. käyttäen kaikkia PK-seudun rakennusten tietoja ja lopuksi oikeilla tiedoilla.

Taajamissa asuu yhteensä 1001830 ihmistä, joka on 96,1% PK-seudun 1042440 asukkaasta. Kouluikäisiä (7-15-vuotiaita) taajamien ulkopuolella PK-seudulla asuu 3369. Kun sai valittua kaikki taajamissa asuvat ihmiset, pystyi käyttämään Invert selection -työkalua, mikä mahdollisti vain taajamien ulkopuolella asuvien tarkastelun statistics panelin avulla. Tämän kohdan vastaukset on koottu allaolevaan taulukkoon (Kuva 11):

Kuva 11. Taajamat PK-seudulla, sekä tietoa niiden asukkaista

Viimeisessä kohdassa piti laskea monella taajama-alueella ulkomaalaisten osuus on yli 10, 20 ja 30 %. Nämä vastaukset on koottu allaolevaan taulukkoon (Kuva 12). Osa taajama-alueista oli erittäin pieniä pinta-alaltaan, niin tästä syystä lisäsin eräiden taajamien koordinaatteja taulukkoon, sillä todennäköisesti harva tietää, missä Ultuna tai Luukki sijaitsevat.

Kuva 12. Taulukko taajamista PK-seudulla ja ulkomaalaisten kolme eri osuutta. Esimerkiksi Pikku Kuusisaaren osuus on yli 30 %, sillä saarella sijaitsee Indonesia suurlähetystö.

Taulukon lisäksi laadin kartan QGIS:sillä (Kuva 13), jossa nämä eri alueet on kuvattu. Se löytyy alta:

Kuva 13. Kartta ulkomaalaisten osuuksista 10, 20 ja 30 % luokittain PK-seudun taajamissa.

Tehtävän tekeminen (viimeinen kohta; ulkomaalaisten osuudet) tuotti haasteita, mutta olin päättänyt tekeväni tehtävän loppuun ja näin teinkin. Ensimmäisenä piti karsia attribuuttitaulukosta alueet/rakennukset pois, jossa ulkomaalaisten lukumäärä oli 999999999, kuten eräs rakennus Espoon Otaniemessä. Karsimisen jälkeen pystyin laskemaan uuteen sarakkeeseen tietoa todellisista ulkomaalaisten määristä.

Loin kaksi eri layeria käyttämällä Count points in polygon -työkalua. Ensimmäiseen laskin pisteet/taajama-alue kaikken asukkaiden mukaan ja toiseen laskin pisteet/taajama-alue ulkomaan kansalaisten mukaan. Asetin Weight fieldiksi ensimmäisellä countilla kaikkien asukkaiden lukumäärän ja toisella countilla ulkomaalaisten lukumäärän. Weight field laskee valitun muuttujan summan polygonissa eli tässä tapauksessa rakennukset yksittäisen taajama-alueen sisällä.

Tämän jälkeen yhdistin tasot Join attributes by location -työkalulla toisiinsa (yhdistin yhden sarakkeen) ja tarkistin valintatyökalua käyttämällä, että uudessa Joined-tasossa rivien tiedot vastasivat toisiaan erillisissä tasoissa, minkä jälkeen laskin ulkomaalaisten osuuden uuteen sarakkeeseen. Loput vaiheista hoituivat select features by value -työkalulla, ja loin jokaiselle prosenttiluokalle omat layerit.

Suoritin prosessin vielä kertaalleen, tällä kertaa oikeaa rakennusdataa (vaki_vantaa_font_point.shp) käyttäen. Nyt siis kartan alueella olevista rakennusten 516193 asukkaasta taajamissa asuu yhteensä 496555 asukasta, joka on 96,2 prosenttia kaikista kartan alueen asukkaista. Alla taulukko (Kuva 14) oikealla datalla suoritetuista laskelmista ulkomaalaisten osuuksista:

Kuva 14. Taulukko taajamien lukumäärästä ulkomaalaisten osuuden mukaan.

Ylläolevasta taulukosta huomataan, miten suurin osa taajamista, jossa ulkomaalaisten osuus on 10, 20 tai 30 %, sijaitsevat tehtävän kartan alueella (Bodominjärvi-Karhusaari länsi-itäsuunnassa ja Tuusulanjärvi-Viikki pohjois-eteläsuunnassa).

Itsenäinen tehtävä 4

Viimeiseksi itsenäistehtäväksi piti valita yksi kolmesta, joista valitsin uima-altaita ja saunoja käsittelevän tehtävän, mikä kuullosti todella mielenkiintoiselta. Alla taulukoituna (Kuva 15) tietoa uima-altaista ja saunoista PK-seudulla. Tehtävässä hyödynsin erilaisia valintatyökaluja laidasta laitaan.

Kuva 15. Taulukko saunoista ja uima-altaista PK-seudulla

Tiedon keräämisen lisäksi tehtävänä oli laatia kartta, joka kuvaa uima-altaiden jakautumista kaupunginosittain PK-seudulla. Alla valmis kartta:

Kuva 16. Uima-altaan kaupunginosittain PK-seudulla

Kartan laatiminen oli mukavaa puuhaa, johon liittyi paljon ongelmanratkaisua Heikin ja Antin kanssa. Kaupunginosien rajoja käsittelevää tiedostoa a_pks_pie.shp ei pystynyt hyödyntämään sellaisenaan, koska laskiessa sen geometeriaa ohjelma ei tunnistanut sitä polygoniksi. Etsin netistä tietoa, joka ohjasi käyttämään Fix geometries -työkalua (Handling Invalid Geometries). Valitsin parametriksi linework, minkä jälkeen työkalu loi uuden tason, jonka geometriat olivat korjattuja. Korjaamisen jälkeen: 1. count points in polygon (uima-altaat/kaupunginosa) ja 2. koropleetin muodostaminen ja kaikenlaiset loppuhiomiset.

Tehtävä opetti paljon ja antoi eväitä seuraavin koetuksiin niin hermojen kuin taitojen kannalta.

Itsenäinen tehtävä 3

Tehtävän aiheena on koulut ja koulupiirit, joista jälkimmäisistä piti tarkastella Helsingin yhtenäiskoulun koulupiiriä ja sen alueella asuvaa väestöä. Alla tuloksia QGIS:sillä tehdystä analyysistä taulukon muodossa:

Kuva 17. Helsingin Käpylässä sijaitsevan Yhtenäiskoulun koulupiirin väestö. Yhtenäiskoulussa on vuosiluokat 1-9. Yläasteikäisten määrä on joko 62 tai 81, riippuen lasketaanko vielä 16-vuotiaat yläasteikäisiksi. Kaksi viimeistää kohtaa on laskettu olettaen, että kouluikäinen on 7-16-vuotias.

Tehtävä oli yksinkertainen, joskin se vaati joidenkin asioiden oivaltamista, etenkin kysymysten sanamuotojen kanssa. Tiedon keräämiseen käytettiin samoja keinoja ja työkaluja kuin aikasemmin, mutta loin tälläkertaa enemmän uusia tasoja, sillä esimerkiksi tehtävässä käsiteltiin ainoastaan yhtä koulupiiriä ja siten HYK:in koulupiirin luominen omaksi tasoksi oli luontevaa. Eli jos jotain jäi käteen, niin tiedon karsiminen ja tiivistäminen.

Itsenäinen tehtävä 5

Viimeisenä silauksena (ja tehtävänä) on PK-seudun putkiremontit ja ne erityisesti vuosina 1965-1970 rakennetuissa kerrostaloissa osa-alueittain. Alla taulukko (Kuva 18), johon on koottu vastaukset kyseiseen tehtävään:

Kuva 18. Putkiremontit ja kerrostalot PK-seudulla

Taulukon laatimisen jälkeen piti laatia kartta, jonka päätin jakaa periaatteessa kahteen osaan: puhtaaseen koropleettikarttaan ja koropleetin ja numeroiden yhdistelmään. Alla ensimmäinen (Kuva 19) näistä kahdesta:

Kuva 19. PK-seudun vuosina 1965-1970 rakennettujen kerrostalojen putkiremontti-indeksi. %-luku on laskettu jakamalla alueella olevien em. aikana rakennettujen kerrostalojen määrä kaikilla osa-alueen talojen määrällä.

Kartta on lähes onnistunut kaikin puolin, ja olen siihen tyytyväinen, sillä se on visuaalisesti miellyttävä, sekä siitä voi tulkita osuuksia ja toisaalta lukuarvoja(kin). Jälkeenpäin ajateltuna kartta saattaa kuitenkin johtaa harhaan, sillä kerrostalon remontoitavuus-status on laskettu se pohjalta, että kerrostalossa on vähintään 1 remontoitava asunto. Siten Keski-Vuosaaren luku 102 ei siis kerro, että kyseisen osa-alueen 102 rakennuksen jokaisen asunnon putket pitäisi laittaa uusiksi. Tämän olisi voinut mainita itse kartassa.

Kartasta huomataan kuitenkin, miten remontoitavien talojen osuudet kasvavat kohti etelää mentäessä ja vähenevät pohjoista kohti mentäessä. Ensimmäinen luokkaraja ei ole kuitenkaan jatkuva legendassa näkyvän arvon perusteella, vaikka arvot ovat jatkuvia. Tämä saattaa hämätä joitakin.

Vihoviimeiseksi kartaksi (Kuva 20) laadin edellisestä kartasta toisaalta parannetun, mutta toisaalta hieman huonomman kartan. Jotkut osa-alueet eivät näy kartalla, sillä muuten merkitsevät numerot (>0) eivät näkyisi kunnolla. Nyt toisaalta lukija saattaisi/saattaa luulla, että legendan alla muhii jonkun osa-alueen muodostama remonttiparatiisi, mutta näin ei ole. Lukuarvot näyttävät nyt myös rakennusten määrältä suurempien alueiden remonttitarpeet, jotka jäisivät muuten suhdeluvun taakse piiloon. Kyseinen kartta alla:

Kuva 20. PK-seudun vuosina 1965-1970 rakennettujen kerrostalojen putkiremontti-indeksi ja remontoitavat kerrostalot per osa-alue kokonaislukuna

Karttaa pystyy tulkita melko hyvin, joskin jotkut numerot eivät ole alueen sisällä, tai jossain alueella ei ole numeroita ollenkaan (koska siellä ei ole rakennuksia), kuten Maunulanpuiston ja Pohjois-Pasilan alueella. Keski-Vuosaari pitää vahvasti ykkösijaa halussaan tässäkin kartassa, hyvänä kakkosena Kontula ja Lauttasaari kolmantena

Pohdintaa

Kurssikerta opetti monia asioita ja taitoja, joiden koen olevan kriittisiä, kun paikkatietoa analysoidaan. Jokainen kurssikerta on vahvistanut omalta osin osaamistani, mutta etenkin tämän kerran asiat tuntuivat jääneen mieleen muita paremmin. Koen, että vahvuuteni QGIS:sissä on vektoriaineistojen analysointi, vektorigeometria ja erilaisten tasojen samanaikainen käsittely, sekä ominaisuuksen suodattaminen halutun muuttujan ja/tai sen arvon mukaan, esimerkiksi select by value -työkalulla tai field calculatorilla. Kuitenkin kolmannen kurssikerran Aggregate-työkalu tuntuu varsin tuntemattomalta, ainakin edellämainittuihin verrattuna – vaikka se oli oleellisessa roolissa kolmannella kerralla. Helpointa minulle ollut erilaiset laskuprosessit, vaikeinta kaikki mikä ei ole kivaa.

Viidennen, eli tämän kurssikerran asiat ovat olleet kuitenkin kaikista hyödyllisimpiä, joskin ilman perusteita niiden käyttö olisi sangen vaikeaa. Esimerkiksi bufferointi tuntuu äärimmäisen hyödylliseltä, ja sillä on monia käyttökohteita. Puskurivyöhykkeiden avulla voidaan valita alueen kohteet ja käyttää muita overlay-analyysejä, esimerkiksi laskea kuinka monta puuta suoran tien tieltä pitää kaataa ja paljon kyseisten puiden myymisestä saa rahaa, tai tutkia kuinka moni rakennus kuuluu joen tai rannikon tulvariskialueelle. Loppujen lopuksi puskurivyöhykkeitä käytetään melko samanlaisiin asioihin: jotain tiettyä osuutta halutaan tarkastella, ne halutaan lisätä tai poistaa. Monimuotoisuutta tuo kuitenkin itse työkalun monimuotoisuus, joka mahdollistaa erimuotoisten bufferien laatimisen.

QGIS on siitä hyvä kapistus, että se ratkaisee lähes kaiken, myös itse aineistoihin liittyvät ongelmat, vaikka aineisto onkin ohjelman ulkopuolinen. Ohjelmaa pitää vain osata käyttää, ja siksi oma motivaatio on tärkeässä roolissa QGIS:sin käytössä. Muita seikkoja ovat esimerkiksi oikea projektio, oikea kenttätyypppi ja oikea tiedostomuoto, jota QGIS tukee.

Lähteet:

Eriksson, G. (2024). Gaiuksen kurssiblogi: MAA202 Viides viikko. Viitattu 17.2.2024. MAA202 Viides viikko – Gaiuksen kurssiblogi (helsinki.fi)

Helsingin kaupunki (2015). Malmin lentoasema. Viitattu 17.2.2024. Liite.pdf (hel.fi)

Paarlahti, A. (2024). Kurssimateriaalit: Harjoitus5_2024. Viitattu 17.2.2024.

Vähän kaikkea

Kurssikerta aloitettiin PowerPoint-muotoisella johdannolla piste- ja ruutumuotoisiin aineistoihin, joiden parissa vietimme kurssikerran jälkimmäisen puolikkaan kokonaisuudessaan. Suurin osa oli uutta asiaa, mutta jotkut asiat olivat tuttuja jo ennestään, kuten havainnollistava kuva laserkeilaamisen periaatteesta, jonka olen nähnyt arviolta jo sata kertaa eri diaesityksissä. PowerPointin väsyttämää perjantaiaamua piristi kuitenkin pureva pakkanen tauon aikana.

Tällä kurssikerralla on kaksi tehtävää, joista ensimmäinen on jälkimmäistä pidempi. Ensimmäisessä tehtävässä pohditaan teemakarttoja ja jälkimmäisessä hyödynnetään sekä omia että muiden tekemiä korkeuskäyriä rasteriaineistojen parissa.

---

Ruututeemakarttoja

Tämän kurssikerran ensimmäisessä tehtävässä luotiin ruututeemakartta ruotsalaisten määrällisestä osuudesta pääkaupunkiseudulla, hyödyntäen PK-seudun rakennusten pistemuotoista vektoriaineistoa, jonka pisteisiin on kirjattu mm. rakennusten asukkaiden iät luokittain; postinumeroalue, johon kyseinen rakennus kuuluu ja esimerkiksi rakennuksen kerroskorkeus ja osoite.

Kyseinen aineisto oli kuitenkin todella raskas, ja siksi sitä karsittiin, jotta sen käsittely olisi helpompaa, ja toisaalta myös valmista ruudukkoa karsittiin. Tarpeettoman tiedon karsiminen olikin avainasemassa tässä tehtävässä. Tiedon karsiminen nopeuttaa laskuprosesseja, sekä esimerkiksi attribuuttitaulukot ovat yksinkertaisempia ja siten niitä on helpompi tarkastella ja käsitellä.

Alta löytyy ensimmäisen tehtävän ensimmäinen kartta, jossa vektorimuotoisen pisteaineiston tieto on liitetty säännölisen kokoiseen ruudukkoon, mikä havainnollistaa näyttävästi haluttua muuttujaa, tässä tapauksessa ruotsinkielisten määrää pääkaupunkiseudulla.

Kuva 1. Ruotsinkielisten määrälliset osuudet neliökilometrin kokoisilla ruuduilla. Lähde: kurssimateriaalit

Kartasta (Kuva 1) huomataan, että esimerkiksi Kauniaisten, Matinkylän ja Helsingin kantakaupungin alueilla ruotsinkielisten määrällinen osuus on suuri, mutta tarkastellessa karttaa prosentuaalisista osuuksista (Kuva 2) samat alueet eivät näyttäydy enää ruotsinkielisten valloittamilta alueilta, joskin Kauniaisten alue näyttäytyy samoilla väreillä molemmissa kartoissa.

Vastaavasti samasta kartasta huomataan kuta pohjoisemmaksi mennään, sitä vähemmän ruotsinkielisiä on. Voidaan kuvitella, että Helsingin keskustan ympärille muodostuu vyöhykkeitä, jossa ruotsinkielisten määrä vähenee etäisyyden kasvaessa keskustan alueesta. Toisaalta kartalla on myös alueita, jotka eivät ole asutettuja. Tämä voi vaihdella kartoittain, koska ruudukon luontiprosessi on kaikilla erilainen. Tästä myöhemmin lisää.

Kuva 2. Ruotsinkielisten prosentuaaliset osuudet neliökilometrin kokoisilla ruuduilla. Lähde: kurssimateriaalit

Tämä kartta (Kuva 2) kertoo paremmin todellisuuden siinä mielessä, että väkimäärältään isommilla alueilla on luonnollisesti enemmän muunkielisiä, kuten ruotsinkielisiä, jonka takia alueet näyttäytyvät ruotsinkielisten kehtona, kun tarkastellaan määrällisiä osuuksia. Prosentuaaliset osuudet nostavat esille myös pienempien alueiden ruotsinkieliset, jonka takia ylemmässä kartassa (Kuva 1) määrältään pienemmät alueet näyttäytyvät sinisinä, kun taas alemmassa samt alueet voivat olla kirkuvan punaisia.

Toisaalta on hyvä pitää mielessä, että prosentitkaan eivät kerro koko totuutta, sillä jos alueella asuu yksi asukas ja se on sattumalta ruotsinkielinen, niin alueen ruotsinkielisten osuus on 100 %. Tästä syystä Vantaan (ja kartan (kuva 2)) itäreunassa oleva ruutu (Nybyggetin seutu) näyttäytyy viininpunaisena. Toki on hyvä muistaa, että kartantekijä voi itse vaikuttaa juuri tämänlaisiin seikkoihin kartan tekovaiheessa, jotta yksittäisistä tapauksista johtuvat seikat saadaan eliminoitua ja kartta on mahdollisimman informatiivinen. Karttaan voisikin lisätä esimerkiksi rakennusten/asukkaiden määrät eri ruutujen alueilla, mikä auttaisi lukijaa havainnollistamaan todellisuutta. Toisaalta lukijan on itse oltava kriittinen ja analyyttinen, varsinkin karttoja tulkittaessa.

Ruututeemakarttoja on mielenkiintoista tarkastella ja toisaalta vertailla muihin teemakarttoihin, kuten pistekarttoihin tai koropleettikarttoihin. Esimerkiksi alla oleva koropleettikartta (Kuva 3) sisältää ns. todellisia rajoja, jotka ollaan ennalta määritettyjä; tässä tapauksessa kuntien rajat Suomessa. Ruututeemakartan ruutujen rajat on kuitenkin luotu matemaattisesti, jonka takia jotkut tarkasteltavat kohteet, kuten rakennukset, saattavat jäädä kahden ruudun väliin todennäköisemmin kuin kuntarajojen tapauksessa. Tämän takia ruututeemakartoissa joudutaan tekemään yleistyksiä, mikäli kohdalle sattuu ”rajatapauksia”, tai jos niitä ei tehdä, niin syntyy visuaalisia väärinkäsityksiä, jotka eivät kuitenkaan vääristä todellisuutta. Tästä esimerkkinä jo aikaisemmin mainittu Nybyggetin tapaus. Paikkatietoohjelmistojen avulla voi kuitenkin yleensä valita, mitä tehdään tapauksissa, jossa syntyy ristiriitoja informaation sisällyttämisessä. QGIS:sissä tämä onnistui Select by location -työkalun Intersect-toiminnolla, jonka avulla yhdistettiin vektoriaineiston tieto ruudukkoon.

Kuva 3. Ulkomaan kansalaiset kunnittain Suomessa koropleettikarttana. Lähde: omat kartat

Kartat (kuvat 1 & 2) ovat kuitenkin onnistuneita, sillä ne eivät ainoastaan vältä mielenkiintoista tietoa, vaan toimivat myös vertailun pohjana, sillä ne ovat elementeiltään ja esimerkiksi visuaaliselta ilmeeltään samanlaisia. Vertaillessani omia karttoja muiden karttoihin huomsin kuitenkin, etteivät kartat ole kuitenkaan samanlaisia, ulkoasuiltaan tai tiedoiltaan. Tämä johtuu pääosin siitä, että ruudukon luontiprosessi on kaikilla erilainen, mikäli ruudukko luodaan vapaasti piirtämällä. Tämä huomataan vertaillessa esimerkiksi tämän blogin karttaa (Kuva 2) Sampo Väätäjän blogissa (2024) olevaan karttaan (Kuva 2), jossa on ruutuja (ja siten informaatiota) kohdissa, joita ei ole tämän blogin kartassa.

Mielestäni värimaailma on aiheeseen sopiva molemmissa kartoissa, sillä värit erottuvat toisistaan ja tummanpunainen kuvaa intensiivisyyttä intuitiivisesti. Toisaalta sama punainen väri saattaa kieliä huonosta asiasta, josta ei kuitenkaan ole kyse. Jos olisin muuttanut karttoja, niin merialueita kuvaavan tason olisi voinut laittaa ruudukon päälle, jotta tutunmuotoiset alueet kuten Vuosaari tai Katajannokka, ja toisaalta rantaviiva, erottuisivat paremmin. Tällöin värit eivät kuitenkaan korostuisi pienillä ruuduilla ja siten kartan informatiivisuus kärsisi. Lisäksi ensimmäisen kartan ensimmäisen luokan rajoja olisi voinut muuttaa kapeammaksi; monia kiinnostavat alueet, jossa määrällinen osuus on nolla. Nyt ensimmäinen luokka kertoo epätarkasti halutun tiedon.

Halusin vielä kokeilla kotona ruututeemakartan tekemistä harjoittelun vuoksi, ja kokeilin muokata attribuuttitaulukkoa monella eri tapaa ja monella eri funktiolla. Päädyin kuitenkin luomaan uuden sarakkeen if-funktiota käyttäen, jonka ehtolause näytti tältä:

Ehtolause tarkoittaa avattuna seuraavaa: jos alueen ruotsinkielisten määrä on vähintään kymmenen, niin silloin rivi (=ruutu kartalla) saa arvoksi ruotsinkielisten suhteellisen osuuden. Jos alueen ruotsinkielisten määrä on alle 10, niin rivi saa arvoksi 0. Tämän valinnan tarkoituksena oli vähentää ääritapauksia, eli esimerkiksi vain yhden ruotsalaisen asuttamat alueet. Nyt kartalla (Kuva 4) näkyvät myös ruotsalaisten hieman laajemmat kommuunit PK-seudulla. Alla valmis kartta:

Kuva 4. Ruotsinkielisten osuus PK-seudulla alueittain (yksi neliökilometri=yksi ruutu), kun alueella asuu vähintään 10 ruotsinkielistä. Lähde: kurssimateriaalit

Ylläoleva kartta on edellisistä kartoista (kuvat 1 & 2) paranneltu versio, johon on tehty lukuisia muutoksia, kuten ruotsinkielisten osuutta kuvaavat tekstilaatikot ja toisaalta kuntien rajojen näkyminen, joka on mielestäni äärimmäisen hyvä lisä, vaikka idea siihen tuli lennosta. Kartan vertailu edellisiin karttoihin visualisoi muutokset kuitenkin parhaiten. Absoluuttisten arvojen kanssa kannattaa kuitenkin olla tarkka, sillä ruutukarttaa luodessa on hyödynnetty erilaisia matemaattisia sovelluksia, mitkä vääristävät todellisia arvoja, kun esimerkiksi viereisten ruutujen dataa yhdistetään toiseen ruutuun. Karttaan nimetyt alueet eivät myöskään ole niiden tarkkoja rajoja, minkä vuoksi tässäkin asiassa kannattaa miettiä ennenkuin tekee johtopäätöksiä

Kartalta huomataan selvä trendi: pienillä / väkiluvultaan pienillä alueilla ruotsinkielisten osuus on suuri, kun taas väestöltään suuremmilla alueilla osuus on luonnollisesti pienempi. Alueita, missä ruotsinkielisten osuus on suuri, luonnehtii niiden maaseutumaisuus sekä yhteisöllisyys, mitkä tulevat ilmi esimerkiksi alueella sijaitsevina perinne- ja maatiloina, ratsastuskeskuksina, arvokkaina historiallisina rakennuksina, kuten kartanoina ja ennen kaikkea yleisenä maaseutumaisena asutusrakenteena (Vantaa 2015, Helsinki 2024, Espoo 2022).

Vaikka yksittäiset, ruotsinkielisten osuudelta suuret alueet ovat kiinnostavia, niin myös isompien kokonaisuuksien tarkastelu on mielenkiintoista. Erityisen mielenkiinnon herättääkin Suvisaariston alue eteläisessä Espoossa. Tämä alue on kuvattu seuraavassa kartassa (Kuva 5).

Vastaavasti alueita, joilla ruotsinkielisten osuus on pieni, luonnehtii paikoittain tiivis ja lähiömäinen rakennuskanta, mikä sijaitsee lähellä junarataa (Kulomäki ja Metsola) tai moottoritietä (Alppikylä). Pääväylien läheisyyteen on keskittynyt kerrostalorakennusblokit ja kauempaksi paikallisesta keskustasta omakotitaloalueet (Vantaa 2015). Ruotsinkielisten ”puuttumista” todennäköisesti selittääkin seikka, että nämä edellämainitut lähiöalueet ovat suhteellisen uusia, kun taas suuret ruotsinkielisten osuudet omaavat alueet ovat olleet olemassa jo pitkään, tyypillisinä maaseutumaisina alueina ja siten ruotsinkielisten perintö on säilynyt siellä tähän päivään asti, mikä näkyy esimerkiksi Länsisalmessa ruotsinkielisenä kouluna.

Kuva 5. Otos edellisestä kartasta. Espoon Suvisaariston alueen ruotsinkielisten osuus pienalueittain neliökilometrin ruuduilla. Prosentit kuvaavat osuuksia. Lähde: kurssimateriaalit

Suvisaariston aluetta luonnehtii korkeat ruotsinkielisten osuudet koko alueella, eikä määrätkään ole pieniä, kuten edellisessä kartassa kuvatuilla alueilla. Esimerkiksi Munkkirannan 242 asukkaasta 99 on ruotsin kieltä puhuvia. Koko alueen keskiarvo ruotsinkielisten osuudelle on 42 %. Tämä tarkoittaa sitä, että Suvisaaristossa satunnaisesti valitun taloon oveen koputtaessa noin kaksi kertaa viidestä oven avaa ruotsinkielinen, tai muu henkilö, jonka talouteen kuuluu ruotsinkielinen.

Toiseksi viiimeisen kartan (Kuva 4) teko opetti paljon, sekä tulipahan taas todistettua, että harjoitus tekee mestarin. Sain tällä kerralla sisäistettyä asiat sen sijaan, että päättömästi seuraisin opettajan tekemistä. Kartta on onnistunut, eikä suunnittelemani merialue-tason siirtäminen kaiken päälle oikeastaan haittaa informaatiota, vaan se pikemmin suhteuttaa pienet saaret ja kapeat merialueet vastaamaan todellisuutta.

---

Rastereita & topologiaa

Ruututeemakarttojen käsittelyn jälkeen pääsin hyödyntämään Contours-työkalulla kurssikerran aikana luotuja korkeuskäyriä ja vertailemaan niitä jo olemassa oleviin korkeuskäyriin, jotka pystyi lataamaan zip-pakettina Paituli-latauspalvelusta melko kätevästi ja nopeasti. Tehtävässä käytettiin kurssilla ensimmäistä kertaa rasteriaineistoja, mikä toi oman näkökulmansa tehtävän tekemiseen ja aineistojen käsittelyyn. Tutuksi tuli monen muun asian lisäksi rasteriaineistojen yhdistäminen Virtual raster -työkalulla ja rinnevarjostuksen tekemisen Hillshade-työkalun avulla QGIS:sissä. Myös näkymäanalyysi-työkalusta mainittiin ohimennen, mikä herätti mielenkiinnon sen tekemiseen. Toivottavasti jollain kurssilla päästään tekemään sitä.

Tehtävä ei itsessään ollut vaativa tai pitkänomainen, mutta kuitenkin mielenkiintoinen ja hauska. Alla valmiit kartat Pornaisten alueen peruskarttalehdestä ja korkeuskäyristä satunnaisesti valitulta alueelta.

Kuva 6. Peruskarttalehdeltä L4322L satunnaisesti valittu alue. Korkeuskäyrät ruskealla. Lähde: Paituli/MML 2010

Kuva 7. Sama alue, sama karttalehti. Maanmittauslaitokset käyrät ruskealla, itse QGIS:sillä luodut tummansinisellä. Lähde: Paituli/MML 2010

Yllä olevia karttoja (kuvat 6 & 7) voidaan vertailla sangen helposti, sekä eroavaisuuksia korkeuskäyrien välillä löytyy useasta kohdasta. Eroavaisuudet käyrien muodoissa ja toisaalta määrissä johtuvat siitä, että peruskarttalehdellä käyrät ovat 2,5 metrin välein (ruskea katkoviivainen käyrä; apukäyrä), kun taas itse luodut käyrät ovat 5 metrin välein. Siniset käyrät ovat kuitenkin tarkempia muodoiltaan, ja yleistyksen taso on paikoittain huomattavan pieni. Lisäksi 2,5 metrin käyrät saattavat valehdella visuaalisesti, sillä korkeuskäyrien suurempi määrä vaikuttaa myös mielikuvaan alueen todellisesta korkeudesta, ainakin itseni kohdalla.

Heikki Säntti pohtii blogissaan (2024) tämän johtuvan itse matemaattisesta prosessista, joka laskee datan perusteella käyrien muodon, mikä kuullostaa täysin järkevältä. Yleistys on kuitenkin tarpeen varsinkin rasteriaineistoja käsitellessä, sillä turha tarkkuus tekee aineistosta raskaan ja toisaalta äärimmäisen tarkat käyrät ovat tarpeettomia tämän mittakaavan kartalla. Esimerkiksi suunnistuskartoissa tarkan skaalan käyrät voisivat olla hyödyllisiä.

---

Ja vielä…

Kurssikerta lopetettiin aloittamalla Pornaisten karttalehden alueen digitointi, mikä tulisi olemaan, ainakin jossain määrin, seuraavan kursskerran teema. Digitointi toi mieleen kauhunhetket viime periodin TEM-kurssilta, jossa tutuksi tuli digitoimisen lisäksi mm. jännetuppitulehdus ja pitkät päivät. Odotan kuitenkin innolla seuraavaa perjantaita ja sen tuomia haasteita sekä oivalluksia.

Trendi oli kuitenkin sama kuin aikaisemmilla kurssikerroilla ja hauskaa oli tälläkin kerralla. Mielestäni kurssikerran ajankohta perjantaina on mukava, sillä kurssikerta on syy itse perjantain lisäksi odottaa perjantaita.

Lähteet:

Helsingin kaupunki. (2024). Talosaaren ulkoilualue. Viitattu 15.2.2024. Talosaaren ulkoilualue | Helsingin kaupunki

Paituli (2024). Latauspalvelu. L4322L peruskarttalehti korkeuskäyrät 2010. Viitattu 13.2.2024. Paituli – Download data (csc.fi)

Salmi, A. (2022). Espoon kaupunkisuunnitelukeskus. Kolmperän nimistö: Forsbacka. Viitattu 15.2.2024. Kolmperän nimistö | Espoon kaupunki

Säntti, H. (2024). Heiggi’s blog: Neljäs kurssikerta. Viitattu 13.2.2024. Neljäs kurssikerta – Heiggi’s blog (helsinki.fi)

Vantaa. (2015). Vantaa alueittain 2015. Hakunilan suuralue: Länsisalmi; Korson suuralue: Korso, Metsola. Viitattu 15.2.2024. Vantaa alueittain 2015

Väätäjä, S. (2024). Sampon blogi: Neljäs kurssikerta (6.2.2024). Viitattu 13.2.2024. Neljäs kurssikerta (6.2.2024) – Sampon blogi (helsinki.fi)

 

 

 

Sitä sun tätä

Kolmas kurssikerta käytettiin kokonaisuudessaan tehtävien tekemiseen, ja se aloitettiin opettajajohtoisesti tutustumalla QGIS:sin käyttöön liittyviin seikkoihin ja sen avulla Afrikkaa koskevien aineistojen hyödyntämiseen ja havainnollistamiseen.

Kurssikerran opettajajohtoisesta osasta jäi päällimmäisenä mieleen lukuisat hyödylliset työkalut, kuten Count points in polygon ja Aggregate. Näitä pääsi hyödyntämään Processing toolboxin kautta, mikä tuli ennen kaikkea tutuksi. Jälkimmäisessä, itsenäisessä kurssikerran puolikkaassa korostui jälleen oma motivaatio ja kyky ratkaista asioita. Itsenäinen osio kuluikin pitkälti QGIS:sin tutkimisessa ja erilaisten ominaisuuksien oppimisessa ja näiden soveltamisessa annettujen sekä toisaalta omien ohjeiden mukaisesti.

Opettaja Paarlahden johdolla tehtiin Afrikkaan liittyviä kiinnostavia tehtäviä ja karttoja ja visualisoitiin dataa, jonka jälkeen pääsin tekemään Suomen valuma-alueisiin liittyviä karttoja itsenäisesti.

---

Afrikanmatkalla

Lähdin tähän kurssikertaan innostuneena, sillä tällä kertaa ei oltu jumissa korkeilla leveyspiireillä, vaan päästiin etelänmatkalle Afrikkaan kohti uusia tuulia. Tehtävässä korostui tuttuun tapaan keskittyminen, sillä paketti oli opettajajohtoinen. Karttojen teko tapahtui loppujen lopuksi itsenäisesti kurssikerran jälkeen, mikä ei kuitenkaan tuottanut suuria haasteita toimintojen ja työkalujen ollessa jo melko tuttuja. Haasteita tehtävässä tuotti mielenkiintoisten asioiden ja ilmiöiden valitseminen, joita tulisin esittämään kartoilla. Päädyin tekemään kuitenkin useamman kartan, koska aineistot olivat todella monipuolisia ja olisi ollut harmi, jos ne olisivat jääneet käyttämättä kaiken niiden työstämiseen liittyvän vaivan jälkeen. Toisaalta karttojen teko on hauskaa ja palkitsevaa, mikä on mielestäni koko jutun suola. Alta löytyy ensimmäinen kartta kaikessa komeudessaan.

Kuva 1. Afrikan valtiot ja niissä olevat timanttikaivokset ja mantereelliset öljyesiintymät. Kartan pohjana on koropleettikartta, jossa näkyy uniikit, eli eri vuosina tapahtuneet konfliktit vuosien 1947-2008 aikana. Lähde: kurssimateriaalit

Ensimmäiseksi kartaksi (Kuva 1) laadin hyvän yleiskuvan antavan, mutta kuitenkin helposti luettavan ja tulkittavan kartan. Halusin esittää konfliktit koropleettinä, koska pistemuotoisina ne olisivat tehneet timanttikaivosten tulkinnasta jossain määrin haasteellista. Väriskaalan valinnalla pystyin myös korostamaan sitä, miten konfliktit näyttäytyvät huonona yhteiskunnallisena ja globaalina asiana. Samalla timanttien intuitiivinen sininen loisto sai arvoisensa aseman. Öljyesiintymien väriä olisi toisaalta voinut muuttaa näkyvämmäksi, mutta kyseinen harmaa kuvaa öljyä paremmin kuin punainen.

Olisin voinut valita esitettäväksi myös aineiston, jossa näkyvät kaikki tilastoidut konfliktit, myös siis samoilta vuosilta, mitkä eivät ylläolevassa kartassa näy. Tässä tapauksessa arvot olisivat poikenneet skaalassa ylöspäin, esimerkiksi kartasta näkyvän Angolan 42 konfliktin sijasta siellä olisi 66 tilastoitua konfliktia. Jälkeenpäin olisin lisännyt vielä karttaelementtejä ja symboleita, mitkä olisivat kertoneet enemmän timanteista, sillä uskoisin niiden kiinnostavan monia. Pidänkin karttaa jossain määrin tönkkönä kokonaisuutena, vaikka se tiedon puolesta onkin onnistunut.

Kartasta (Kuva 1) kuitenkin huomataan Tšadin, Angolan, Djiboutin ja Etiopian näyttäytyminen korostettuina, eli siis valtioina, jossa on vuosien 1947-2008 välillä ollut 32-42 eri konfliktia. Syitä näille konfliktien runsaudelle on monia, kuten maantieteelliset tekijät ja erimielisyydet Tšadissa, sekä sisällissodan aiheuttama maan repaleisuus ja yleinen eriarvoisuus Angolassa (Peace Insight 2015, Grobbelaar 2003). Lisäksi juuri timantit ovat konflikteja aiheuttava tekijä, josta Antti Pihlavisto blogissaan mainitsee (2024). Hän tuo myös kiinnostavan pointin esille Etiopiasta, jossa ei ole yhtään timanttikaivosta, mutta sitäkin enemmän konflikteja. Antin blogissa onkin paljon mielenkiintoisia pointteja, jotka voisivat olla monen kartan aiheena.

Kuva 2. Internetin ja Facebookin käyttäjien osuudet Afrikan valtioiden kokonaisväkiluvusta prosentteina. Aineistojen tiedot vuosilta 2020 (internet+väestö) ja 2018 (Facebook) & kurssimateriaalit

Toiseksi kartaksi (Kuva 2) laadin omasta mielestäni edellistä visuaalisesti onnistuneemman kartan, jonka aiheena on netti ja siihen melko läheisesti liittyvä Facebook. Pääsin kyseisen kartan laatimisessa hyödyntämään kurssikerran itsenäisen puolikkaan aikana opittuja taitoja, kuten pylväsdiagrammien laadintaa koropleettikarttapohjalle.

Kartan tekeminen oli varsin yksinkertaista, eikä se vaatinut suuria ponnisteluja. Prosessi vaati ainoastaan uuden sarakkeen laskemisen Field calculatorin avulla, minkä jälkeen kartan laatiminen oli rutiininomaista ja mukavaa puuhastelua. Mielestäni värimaailma on sopiva, ja sininen väri on ainoa ja oikea valinta kuvaamaan Facebookin käyttäjiä kartalla.

Samaisesta kartasta huomataan, miten Facebookin käyttäjiä on eniten Pohjois-Afrikassa, esimerkiksi Algeriassa ja Libyassa, kun taas vähiten Keski-Afrikassa, kuten Tšadissa ja Kongon demokraattisessa tasavallassa. Keski-Afrikassa internetin käyttäjien osuus maan kokonaisväkiluvusta on myös varsin pieni, mikä selittää edellistä seikkaa Facebookin käytöstä. Korkein netin käyttäjien osuus on Keniassa, missä 85 prosentilla maan asukkaista on pääsy internettiin, kun taas matalin prosentti on Eritreassa, jossa vain 1,4 prosentilla on pääsy internetin ihmeelliseen maailmaan. Internetin käyttäjien osuuden keskiarvo on 30,1 prosenttia, kun taas Facebookin käyttäjien osuus kaikista asukkaista on 17,2 prosenttia, joskin tätä jälkimmäistä muuttujaa ei kartalla kuvattu.

Kuva 3. Internetin käyttäjämäärien muutos kokonaislukukertoimisina lukuina 2000-2020. Huom! Länsi-Saharassa ja Etelä-Sudanissa (vihreällä) internetillä ei ollut tilastoituja käyttäjiä v. 2000, joten muutos ei kuvaa kerrointa, vaan lukumäärää. Lähde: kurssimateriaalit

 

 

Viimeiseksi tämän osion kartaksi laadin hieman soveltavan kartan, joka kuitenkin kertoo omanlaatuisella tavalla kehityksestä ja sen nopeudesta. Kartassa on esitettynä internetin käyttäjämäärien kasvu Afrikassa vuosina 2000-2020. Esimerkiksi Somalian muutos on suurin: kahdenkymmenen vuoden aikana internetin käyttäjien määrä 6000-kertaistui 200 käyttäjästä 1,2 miljoonaan käyttäjään, kun taas vastaava kerroin Etelä-Afrikalle oli noin 1,3. Määrällisesti suurin kasvu tapahtui kuitenkin Nigeriassa, jossa internetin käyttäjien määrä kasvoi noin 98 miljoonalla kahdenkymmenen vuoden aikana. Internetin käyttäjien määrä kasvoi Afrikan valtioissa kahdenkymmenen vuoden aikana keskimäärin 7,3 miljoonalla käyttäjällä. Kaiken kaikkiaan Afrikan internetin käyttäjien määrä samaisella tarkasteluvälillä 17-kertaistui 26,6 miljoonasta käyttäjästä 452,5 miljoonaan käyttäjään.

---

Valuma-alueet ja tulvat

Kun Afrikkaa koskevat tehtävät oli selätetty, niin oli aika palata perinteisen TM35-projektion määrittämälle alueelle Suomen pariin. Olikin varsin kivaa päästä testaamaan omia taitoja itsenäisen tehtävän parissa heti ohjeistetun osion jälkeen, vaikka tehtävät eivät olleetkaan täysin samanlaisia.

Tässä tehtävässä sai valita vaikeustason, ja tuttuun tapaan valitsin vaikeamman, koska mitäpä elämä olisi ilman haasteita ja vastoinkäymisiä. Alla ensimmäinen kartta, joka käsittelee Suomen valuma-alueiden tulvaindeksiä.

Kuva 4. Suomen valuma-alueiden tulvaindeksit ja kolme suurinta tulvaindeksiä. Lähde: kurssimateriaalit

Tein ylläolevan kartan itseasiassa viimeisenä, koska allaolevan kartan (Kuva 5) ympyrädiagrammit tekivät kartasta epäselvän ja heikensivät sen luettavuutta, mistä myös Pietu Nuortimo (2024) blogissaan mainitsee. Tämä ratkaisu oli hyvä, sillä sain liitettyä karttaan suurimmat tulvaindeksit, sekä yleinen luettavuus parani. Kiitos kuuluu siis Pietulle!

Kartalta huomataan tärkeimpänä asiana varsinaisten valuma-alueiden rajojen lisäksi –  jotka saattavat olla monlle ennestään tuntemattomia – niiden tulvaindeksit, jotka kertovat kuinka moninkertaisia joen tulvahuiput ovat jokien keskivirtaamiin verrattuna. Kaavamuodossa tämä kirjoitetaan siis MHQ/MQ, joista ensimmäinen tarkoittaa havaintojaksojen vuotuisten ylivirtaama-arvojen keskiarvoa ja jälkimmäinen tarkoittaa (joen) keskivirtaamaa.

Jokien tulvimiseen vaikuttavat niin vuodenaikaan sitoutuneet veden määrän muutokset kuin sään ääri-ilmiötkin (Hukari 2022). Toisaalta tulvimisen voimakkuuteen vaikuttaa myös valuma-alueen pinta-ala ja järvisyys, jotka ovat ylivirtaamaa tasoittavia tekijöitä, jota pohtii myös Samuli Haimi omassa blogissaan (Ollila et al. 2000, Haimi 2024). Nämä havainnot konkretisoituvat viimeisessä kartassa (Kuva 5).

Kuva 5. Suomen valuma-alueiden tulvaindeksikartta, jossa ympyrädiagrammit kuvaavat valuma-alueiden järvien pinta-alan ja maapinta-alan suhdetta. Lähde: kurssimateriaalit

 

 

 

 

 

Viimeisessä kartassa (Kuva 5) on otettu edellisestä kartasta askel eteenpäin, ainakin informaation osalta, jossa pääsin hyödyntämään kurssikerralla opittuja asioita ympyrädiagrammien muodossa. Prosessi ei ollut monimutkainen, mutta sopivan haastava toimintojen ja komentojen ollessa tuntemattomia. Ympyrädiagrammit on suhteutettu valuma-alueiden järvien yhteispinta-alaan, mikä tekee isojen valuma-alueiden ympyrädiagrammeista isoja ja pienien valuma-alueiden diagrammeista pieniä.

Kartta ei kuitenkaan ole täydellinen – vaikka se tarjoaa paljon enemmän ja vähemmän hyödyllistä tietoa – sillä ympyrädiagrammit heikentävät luettavuutta, mutta toisaalta ympyrädiagrammit ovat paikoittain epäselviä eikä niistä saa mitään selvää. Samaan lopputulokseen päätyi myös Anna Seppälä omassa blogissaan (2024), jossa hän piti pylväitä liian epäselvinä kuvaamaan ilmiöitä tarkasti. Onkin hyvä pitää mielessä, että kartan ensisijainen tarkoitus on kertoa valuma-alueiden tulvaindekseistä. Tämän takia edellisen kartan (Kuva 4) laatiminen oli loogista. Kartta on kuitenkin yleisilmeeltään onnistunut, ja tummanpiirteisenä se tuo mukavaa vaihtelua muihin vaaleateemaisiin karttoihin.

Mielestäni tärkein kurssikerralla opittu asia oli ympyrädiagrammien ja esim. pylväsdiagrammien liittäminen osaksi karttaa. Ne eivät ainoastaan tuo lisää informaatiota, vaan myös tekevät kartasta visuaalisesti näyttävän. Tämä antaa kartan tekemiseen ja informaation visualisointiin uuden ulottuvuuden. Toisaalta diagrammeja käyttämällä voidaan säästää tilaa, mutta toisaalta ne tekevät aineistosta raskaan ja pahimmassa tapauksessa ohjelmisto voi kaatua, kuten minulle kävi viimeisen kartan kohdalla.

Tämä kurssikerta on ollut tähänastisista kerroista suosikkini ei ainoastaan aiheiden puolesta, vaan myös kurssikerran rakenteen. Oli sangen mukavaa päästä heti tekemään asioita pelkän kuuntelun sijasta. Toivon samanlaista meininkiä jatkoon, vaikkakin PowerPointit ovat hyödyllisiä tietyissä tilanteissa.

---

Lähteet

Grobbelaar, N. (2003). Annex 1. In Angola in Search of Peace: Spoilers, Saints and Strategic Regional Interests (pp. 47–47). Clingendael Institute. Viitattu 5.2.2024. Annex 1 from Angola in Search of Peace:: Spoilers, Saints and Strategic Regional Interests on JSTOR

Haimi, S. (2024). Samulin gis-blogi: Tulva-indeksejä ja järviä. Viitattu 6.2.2024. Tulva-indeksejä ja järviä – Samulin gis-blogi (helsinki.fi)

Hukari, I. (2022). Jokien pinnan korkeuden muutoksen ennustaminen. Viitattu 6.2.2024. Jokien pinnan korkeuden muutoksen ennustaminen (uwasa.fi)

Nuortimo, P. (2024). Pietun GIS-seikkailu: Kolmas kurssikerta. Viitattu 6.2.2024. Kolmas kurssikerta – Pietun GIS-seikkailu (helsinki.fi)

Peace Insight (2015). Conflicts and conflict resolution in Chad. Viitattu 5.2.2024. Conflicts and conflict resolution in Chad — Peace Insight

Pihlavisto, A. (2024). antin GIS blogi: 3. kurssikerta. Viitattu 6.2.2024. 3. Kurssikerta – antin GIS blogi (helsinki.fi)

Seppälä, A. (2024). Gisvelhon loitsuja: 3. viikko – Attribuuttitaulukkojen syövereissä. Viitattu 6.2.2024. 3. viikko – Attribuuttitaulukkojen syövereissä – Anna Seppälä (helsinki.fi)

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)