Viikko 3 – Tietokannasta tietotulvaan

Kolmas kurssikerta sisälsi minulle paljon uutta asiaa ja esimerkki tehtävän kanssa edettiin vauhdilla. Vaikka haastetta ja monimutkaisia vaiheita kurssikerralla riitti, uskon, että kurssikerrasta on jäänyt ainakin (toivottavasti) pieni muistijälki.

Kurssikerralla tutkimuksen kohteeksi oli valikoitunut Afrikka ja tietyt ominaisuudet siitä, joita pääsimme pyörittelemään tutussa QGis-ohjelmassa. Tehtävän lomassa tutustuimme erilaisiin toimintoihin, kuten datan liittämistä tietokantaan Excelistä sekä tiedon siirtämistä tietokannasta toiseen. Lisäksi ryhmittelimme kohteita. Se meni minulta osittain ohi, kun QGis päätti, että itsensä sammuttaminen on hyvä idea… Onneksi pääsin nopeasti takaisin mukaan.

Afrikan mantereen kartan rinnalle tarkastelun kohteiksi tuotiin timanttikaivokset, öljykentät ja konfliktit. Tietokantojen ominaisuustietojen ja muun tilastotiedon, kuten internetin käyttäjämäärien, konfliktien ajankohdan sekä timanttilöydösten tarkastelu voi paljastaa ilmiöiden yhteyksiä. Niin kuin Saaga Laapotti omassa blogissaan mainitsee, ominaisuustietoja voidaan hyödyntää monella tavalla, esimerkiksi voidaan tarkastella korrelaatiota eri muuttujien välillä. Korrelaatiota voidaan tarkastella esimerkiksi konfliktien ajankohdan sekä timanttikaivosten löytämisvuoden kanssa. Myös mielenkiintoista tietoa voisi löytää vertaamalla öljykenttien tuottavuusluokittelun ja internetin käyttäjämäärien perusteella, joka voisi antaa osviittaa kuinka paljon öljynporaus vaikuttaa alueen yleiseen kehitykseen.

Seuraavaksi agendana oli tehdä oppimamme perusteella kartta Suomen valuma-alueen tulvaherkkyydestä. Alkuun tehtävä tuntui vaikealta, mutta ohjeiden ja kaverin avulla kartta saatiin kokoon.  Kuitenkin toiminnot kartan taustalla ovat minulle vielä hankalia ja kertaus olisi tarpeen, jotta niiden käyttäminen olisi jatkossa sujuvaa.

Suomen valuma-alueiden kartalla (Kuva 1.) on esitetty tulvaindeksi sekä järvisyysprosentti palkkeina. Kartalta voi nopeasti havaita, että alueilla, joissa järvisyysprosentti on suuri niin tulvaindeksi on matala. Tämä johtunee siitä, että alueilla, joissa järviä on paljon, vesi pääsee varastoitumaan niihin. Puolestaan tulvariskialueilla varastoituminen on vähäistä ja veden virtaama ei ole yhtä suurta maastonmuodoiltaan tasaisilla alueilla. Niin kuin Kirsi Ylinen omassa blogitekstissään hyvin sanoo “Kun siis yhdistetään lumien sulamisvedet ja tasainen maasto, on kasassa täydelliset ainekset tulvimiseen.” Vaikka Suomessa tulvaindeksi on merkittävä tietyillä alueilla, tulvien vaikutusta yhteiskuntaan vähentää erityisesti järvien määrä ja hyvä tulvariskien hallinta (Suomen ympäristökeskus – Suomen tulvariskein ennakoidaan kasvavan tulevaisuudessa, 20.12.2018.)

Kartan tuottamisen jälkeen päästiinkin minulle mielekkääseen ja helppoon työvaiheeseen, eli kartan visuaalisen ilmeen rakentamiseen. Visuaalisesti kartan ilme on mielestäni onnistunut, lukuun ottamatta kartan otsikon kirjoitusvirhettä. Toinen lievästi häiritsevä tekijä kartalla on järvisyysprosenttia edustavien palkkien väri, joka on melko samanlainen kuin tulvaindeksin suurinta luokkaa kuvaava väri. Kartalla tämä värien samanlaisuus ei minua häiritse, mutta legendassa vähän.

Kuva 1. Suomen valuma-alueiden tulvaindeksi ja järvisyysprosentti.

LÄHTEET:

Laapotti, Saaga. Saagan saaga, Kovaa hermojen koettelua. Luettu 30.1.2019. https://blogs.helsinki.fi/saagalaa/

Suomen Ympäristökeskus – Suomen tulvariskien ennakoidaan kasvavan tulevaisuudessa. 20.12.2018. Luettu 31.1.2019. https://www.syke.fi/fi-FI/Ajankohtaista/Suomen_tulvariskien_ennakoidaan_kasvavan(48862)

Ylinen, Kirsi. It’s not so simple, Sinä lähdet ja tulvii Pohjanmaa. Luettu 31.1.2019. https://blogs.helsinki.fi/yxkirsi/

Viikko 2 – Projektiot

Toisella kurssikerralla päästiin takaisin GIS:n pyörteisiin. Alkuun tutustuttiin datan tietolähteisiin ja kerrattiin QGis:n perusteita. Perusteet muistuivat viime kerrasta nopeasti ja päästiinkin ripeästi tunnin aiheeseen; tutkimaan pinta-alojen muutoksia eri projektioissa.

Projektioiden pinta-alaeroja ja pituuseroja tutkittiin QGIS:n mittaustyökalulla ja tulokset kirjasin exceltaulukkoon, josta vertailua oli helppo suorittaa. Pinta-alan mittauskohteeksi valikoitui Suomineidon päälaki, mikä paljasti merkittäviä eroavaisuuksia eri projektioiden välillä. Niin kuin pinta-aloja havainnollistavasta diagrammista (Taulukko 1.) voidaan huomata, Mercatorin projektiossa valitun alueen pinta-ala on suurin ja puolestaan ETRS-TM35FIN projektiossa pinta-ala on pienin. Nestori Grönholm mainitsi omassa blogissaan hyvin, että Mercatorin projektio vääristää erityisesti Pohjois-Lapissa pinta-alaa moninkertaisesti verrattuna ETRS89/TM35FIN-projektioon, jota käytetään yleisesti Suomessa. Vaikka pinta-alojen erot eri projektioissa on jopa itsestään selvää, niiden suurusluokka konkretisoitui vasta nyt tehtävän myötä.

Taulukko 1. Projektioiden pinta-alaerot mitattuna Pohjois-Suomesta.

Seuraavaksi jatkettiin tarkastelemalla Mercatorin projektion pinta-alavääristymää verrattuna Lambertin projektioon. Tuoloksena visualisoitiin koropleettikartta (Kuva 1.), josta selkeästi käy ilmi se, että pohjoisessa pinta-alavääristymä on merkittävästi suurempi. Vaikka pinta-alavääristymä on prosentuaalisesti suurin Pohjois-Suomessa, Etelä-Suomen pinta-alavääristymä on myös todella suuri.

Kuva 1. Mercatorin projektion pinta-ala verrattuna Lambertin projektioon

Mercatorin projektion jälkeen tarkoituksena oli valita toinen projektio ja tehdä samanlainen visualisointi pinta-alavääristymästä. Kartan tekeminen sujui melkein mutkattomasti ennen kuin QGis päätti kaatua useaan otteeseen… Kuitenkin sain viimeinkin luotua Eckert I projektiosta koropleettikartan (Kuva 2.) ja sen visualisointi sujui kuin tanssi, sillä QGis:n kaatumisen seurauksesta kartan teon vaiheet tulivat erittäin tutuiksi.

Eckert I projektion pinta-alan vääristymä kasvaa samalla lailla kuin Mercatorin projektiossakin. Kuitenkin prosentuaalinen ero verrattuna Mercatorin projektioon paljon pienempi. Niin kuin Iida Lehtonen mainitsi omassa blogissaan, Mercatorin projektion pinta-alat ovat yli 700 prosenttia suurempia verrattuna Lambertin projektioon. Kun taas Eckertin projektion suurimmat erot ovat omassa kartassani vain noin 40 prosentin paikkeilla.

Kuva 2. Eckert I projektion pinta-ala verrattuna Lambertin projektioon.

LÄHTEET:

Grönholm, Nestori. Nestori eksyksissä gis-maailmassa, Luku 2. QGIS tuo ikuinen mysteeri. Luettu 29.1.2019. https://blogs.helsinki.fi/nestorig/

Lehtonen, Iida. Geoinformatiikan menetelmät- kurssiblogi, Blogi 2 – QGIS ja karttaprojektiot. Luettu 29.1.2019. https://blogs.helsinki.fi/lida/

Viikko 1 – QGis:n alkeet

Geoinformatiikan menetelmät 1 – kurssin ensimmäisellä kurssikerralla päästiin suoraan paikkatiedon ihmeelliseen maailmaan. Kurssikerta sisälsi muun muassa minulle uuden tuttavuuden QGis-ohjelmiston ja paljon uutta konkreettista tietoa paikkatiedosta ja sen esittämisestä.

Kurssikerralla tutustuttiin paikkatieto-ohjelman QGis:n käyttöön. Tavoitteena harjoituksessa oli luoda ensikontakti paikkatiedon perustoimintoihin ja ohjelman toimintalogiikkaan. Vaikka aluksi uusi ohjelma vaati harjoittelua ja tarkempaa perehtymistä, sen perustoimintojen ymmärtäminen tapahtui melko vaivattomasti. Ohjelman käyttöä helpotti aiemmat kokemukset paikkatiedosta, niin teoriassa kuin käytännössä.

Pääroolissa kurssikerralla oli aloittaa kartan valmistaminen (Kuva 1). Ohjeiden avustuksella kartan visualisointi onnistui helposti ja ohjelman käyttö alkoi tuntua jo luontevalta kurssikerran loppua kohti. Erityisesti kartan värien muokkaaminen ja tärkeiden elementtien, kuten mittakaavan ja selitteen lisääminen sujui harjoituksen jälkeen itsenäisesti ongelmitta. Kuitenkin attribuuttitaulukon muokkaaminen ja siihen omien lisäysten tekeminen vaatii vielä harjoitusta ja tukea ohjeista, vaikka teoriassa se tuntuu jo helpolta.

Kuva 1. Kartta Itämeren alueen valtioiden typpipäästöjen osuuksista.

Valmis kartta onnistui visuaalisesti hyvin, vaikka aivan ensimmäinen luonnos siitä vaatikin muutamia muutoksia ennen kuin lopputulos miellytti omaa silmää. Kuitenkin pientä hienosäätöä kartalle olisi voinut vielä tehdä. Typpipäästöosuuksien vaalein väri sekoittuu melko helposti muuhun, luokittelemattomaan aineestoon. Vaikka sävy ero on huomattavissa, se olisi voinut olla vielä esitettyä selkeämpi. Lisäksi luokkarajat ovat epätasaiset ja suurin vaihteluväli on suurimmassa luokassa (12,1 – 33,7), joka toisin esitettynä voisi antaa tarkempaa informaatiota typpipäästöjen tuottajien tarkemmista osuuksista.

Kartan perusteella voidaan havaita, että suurimpia typpipäästöjen tuottajia ovat Puola ja Ruotsi. Puolan suurta osuutta päästöjen tuottajana voidaan selittää usealla eri tekijällä, esimerkiksi maatalouden ympäristöä kuormittava tuotannolla ja suurella väkiluvulla.  Ruotsin suurta osuutta puolestaan mahdollisesti selittää epäonnistunut päästöpolitiikka. Muita huomattavia seikkoja kartalla on esimerkiksi Saksan suhteellisen pieni osuus typpipäästöjen tuottajana. Iina Rusanen mainitsi omassa blogissaan selittäväksi tekijäksi sen, että suurin osa Saksasta sijaitsee Itämeren valuma-alueen ulkopuolella, jolloin typpipäästöt kohdistuvat Itämeren sijasta Atlantin valtamerelle.

Lisäharjoituksena pääsin tekemään koropleettikartan Suomen kunnista (Kuva 2). Tarkemman tarkastelun kohteeksi valikoitui työttömyys ja sen jakautuminen kuntien välillä. Työttömyys selkeästi painottuu Suomen itä- ja pohjoisosiin, joista väestö muuttaa erityisesti Etelä-Suomeen, mutta myös muualle Suomeen eri kasvukeskittymiin. Tämä johtaa työmarkkinoiden pienenemiseen, kun työnantajat siirtyvät väestön mukana paremmille työmarkkina-alueille.

Kuva 2. Työttömyys Suomessa kunnissa 2015.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

LÄHTEET

Rusanen, Iina. Geoinformatiikan menetelmät 1, QGIS tutuksi. Luettu 18.1.2019. https://blogs.helsinki.fi/iinarusa/