Jotenka pääsemme viimeisten tehtävien julkistamiseen. Kurssi on ollut erittäin mielenkiintoinen ja olen kokenut hyviä flow-tiloja sekä Ahaa-elämyksiä tehtävien parissa, vaikkakin ajoittain jotkin vaiheet ovat aiheuttaneet enemmän tai vähemmän päänvaivaa. Näistä huolimatta kurssikokemukseni jäi rutkasti plussan puolelle, minkä voin todeta näin muutamasta kaatumisesta karaistuneena.
Viimeiseen tehtävään valtaosa ajastani meni pähkäillessä mistä aiheista ylipäänsä tekisin karttaesitykseni ja kunnianhimoni koki kolauksen, koska suurimmat hankaluudet osoittautuivat etsiessä pätevää dataa joka toimisi hyvin kokonaisuutena ja tähän ongelmaan törmättyäni päätin mennä melko yksinkertaisin ratkaisuin.
Tein ensiksi kartan asukaslukujen vaihtelusta Euroopan valtioissa (Kuva 1), joita kattava rautatieverkosto yhdistää. Suurimmat rautatieasemat voi havaita solmukohdista.
Kuva 1. Euroopan eniten asutetut valtiot sekä rautatieverkosto.
Toisena karttana tein kuvaajan Euroopan suurimmista kaupungeista (Kuva 2) , joita suurenevat ympyrät kuvaavat. Projektiovalinta olisi voinut ehkä olla toinen ja data, jota käytin oli erittäin kontaminoitunutta; puoletkaan kaupunkien nimistä (onneksi vain pienempien kohdalla) eivät olleet missään määrin luettavassa muodossa muulla kielellä kuin vietnamilla.
Kuva 2. Euroopan suurimmat kaupungit.
Kuitenkin päätin tehdä vielä jotain lisäksi, sillä tuntui ettei tässä nyt vielä ollut tarpeeksi haastetta viimeiseksi kurssikerraksi. Haastamaan itseäni en onnistunut onnekseni löytyneiden valmiiden data-lähteiden ansiosta, mutta sainpahan kartat aikaiseksi! Ehkä antaa tällä kertaa määrän korvata laadun.. Yritin moneen otteeseen käyttää rajapinta-dataa ja hankkia erilaisia API-keyta, mutta koodaamisen perusteiden MOOC-kurssi on vasta alkamaisillaan kuukauden kuluttua, joten oli pakko mennä sillä mihin hoksottimet tässä vaiheessa yltäisivät.
Löytämäni data käsitti Turun saavutettavuuden kävellen (Kuva 3) sekä julkisella liikenteellä (Kuva 4). Harmikseni metatiedot eivät kertoneet aikayksiköitä, joita vyöhykkeet kuvastavat vaan ainoastaan periaatteen jolla tieto oli laskettu. Noh, kartat nyt kertovat visuaalisesti miten paljon nopeampaa julkisella liikenteellä on saavuttaa alueita Turussa, kuin kevyellä liikenteellä vaikkei tämä kellekkään yllätyksenä tulisikaan! Näihin kuviin on kuitenkin tämä kurssi nyt päätettävä, Kiitos hei !
Kuva 3. Turun saavutettavuus kävellen.Kuva 4. Turun saavutettavuus julkisella liikenteellä.
Viimeinen siteeraus, joka mielestäni kuvasi Kian blogissa hyvin omaakin kokemusta kurssista:
”Geoinformatiikan menetelmät I -kurssi on ollut mielestäni kokonaisuudessaan hyvin mielenkiintoinen ja kiva kurssi. Haastetta kurssissa riitti sopivasti ja kurssikerrasta toiseen vaihtuvat tehtävät ja teemat pitivät mielenkiintoa yllä koko kurssin ajan.”
Aloitimme kuudennen kurssikerran pienellä kenttäseikkailulla ja keräsimme pienryhmissä dataa Epicollect5 -nimisellä puhelinsovelluksella. Sovellus määritteli kysymymykset, joihin meidän tuli valitsemastamme paikasta vastata samalla kun koordinaattimme kerättiin informaation yhteyteen, jota paikasta annoimme asteikko- sekä joissain tapauksissa kuvamuodossa.
Kuva 1. Kenttäharjoituksessa pohdimme eri alueiden viihtyvyyteen vaikuttavia seikkoja, joista valitsimme karttaesityksen pohjaksi turvallisuuden tunnetta kuvaavastavaa tietoa.
Takaisin gis-luokkaan palattuamme teimme interpolaatio-kartan käymistämme paikoista, joissa vastaajien mielestä pelon tunne oli ollut eniten läsnä (Kuva 1).
Tämän jälkeen saimme alkaa omin päin töihin ja tuottamaan sekä etsimään itse dataa. Aiheet asettuivat pääpiirteittäin hasardien tasoon ja tarkoituksena oli tuottaa karttoja, joita voisi käyttää oppimateriaalina. Päätin lähteä etsimään tietoa kaikista havaituista rautameteoriiteista (Kuva 2), joita maahan on iskeytynyt ajanjaksolla 1875-2017. Lisäsin luokiteltujen sijaintipisteiden yhteyteen vielä ympyrädiagrammin havainnoimaan kokoluokkaa, mutta jouduin siltikin kasvattamaan pienempien kohteiden diagrammien kokoa, jotta ne olisivat edes näkyvissä kartalla.
Kuva 2. Rautameteoriitit näkyvät viisikulmioina, joiden tummuus vaihtelee meteoriitin koosta riippuen suuremmasta pienempään. Punainen ympyrä tapahtuma-alueen havainnoillistaa kokoeroja.Kuva 3. Maanjäristykset, jotka on havaittu aikavälillä 2000-2019 sekä mannerlaattojen saumakohdat.
Rautameteoriittien lisäksi päätin tehdä havainnoillistavan kartan (Kuva 3) yli 6 magnitudin maanjäristyksistä, mistä näkee myös mannerlaattojen reunakohdat. Kartasta tuli mielestäni visuaalisesti kaunis ja selkeä.
Kuva 4. Japanin topografinen kartta sekä alueen kerrostulivuoret.
Kuva 5. Japanin alueen kerrostulivuorten suurin keskittymä.
Selailin ensimmäisten karttojen jälkeen muiden blogeja ja törmäsin muunmuassa karttaeristyksiin, joita Alex oli kyhäillyt ja haastoin itseäni tekemään myös jotain vähän työläämpää oheen, vaikkakin jo opitun, vanhan soveltamisella. Rautameteoriittien ja lisäksi päätin tehdä myös pinnanmuotokartan Japanista (Kuva 3 & 4), johon lisäsin alueella sijaitsevat kerrostulivuoret korkeuksineen. Ohessa vielä tarkennetumpi kuva tiheimmästä kerrostulivuorialueesta Japanissa (Kuva 4). Kartasta tuli mielestäni muuten ihan passeli kaikessa yksinkertaisuudessaan, mutta tulivuorien nimet jäivät hieman pieniksi ja hämärän peittoon sekä yrittäessäni tehdä legendaa topografisesta värikirjosta se vääristyi 15m välein asetettujen korkeuskäyrien sekä pohjalle jääneen rinnevarjostuksen takia niin paljon näin pientä kuvaa katsellessa, etten nähnyt syytä käyttää sitä tämän kartan yhteydessä, koska pinnanmuodon voi hahmottaa hyvin edes tarkennuskuvasta.
Viidentenä kurssikertana aloitimme hommat tuttuun tapaan Paarlahden ohjeita seuraten, vaikka tiesimme, että jatkamaan tulisimme omin neuvoinemme soveltamalla tietoa joka meillä toivottavasti olisi jo karttunut. Aloitimme harjoittelun viimekurssikerralla valmistelemallamme Pornaisten datalla, johon olimme viimetunnilla näppärästi digitoineet jo tiet ja talot. Lisäsimme koulu- sekä terveyskeksuslayerit joiden lähialueita kävimme meille uudella bufferointityökalulla sittemmin puskuroimaan. Ennen tätä bufferoimme myös kadut ja niiden saavutettavuuden.
Koin bufferoinnin helpoksi ja hyvin käytännölliseksi työkaluksi geoinformatiikan merkeissä. Tätä todellisuutta käytiinkin sitten testaamaan seuraavassa harjoituksessa, johon lisäsimme vektoriietokantoja pääkaupunkiseudun lentokentistä kuten Malmista sekä Helsinki-Vantaasta. Harjoituksen lomassa pääsimme kertailemaan myös spatial queryn käyttöä, jolla aineistoa on helppo rajata jo olemassaolevan vektorin tai polygonin avulla, jonka luominenkaan ei aiheuta hankaluuksia tarpeen sitä vaatiessa.
Helsinki-Vantaa
asukasta
2km säteellä
10822
1km säteellä
1004
65dB melualueella
324
>55dB melualueella
11913
Yllä sekä alla taulukot bufferointiharjoituksen tuotoksista.
Tikkurila
henkilöä
melualueella asui
12470
Lisäksi tunnen osaavani käyttää jo join-liitoksia hyvin sekä rajata sekä valita eri vektorikohteita. Uudet pisteiedot saatika viivat eivät myöskään tuota minulle hankaluuksia ja visualisointitaidot menettelee. Suurimmat ongelmat kurssin aikana on aiheuttanut varmastikin kaatuilevat laitteet, ja huomasin että joihinkin bufferointitehtävän vastauksiini vaikutti unohdus päivittää statistics-taulukko, johon valitun kartta-alueen tiedot saatiin esille. Visualisointi on mitä mukavinta touhua, sekä Field calculatorilla pinta-allojen laskut sekä ynnät hoituvat moitteettomasti, mutta en vain kuollaksenikaan keksinyt putkiremonttia tehdessäni kuinka saisin ”putkiremontti-indeksin” esitettyä.
Johtuiko se jostain syystä kuuraantuneesta nupista vai mistä; en osaa vastata. Kuitenkaan en saanut yhdistettyä attribuutteja sijainnin avulla, vaan kohtasin saman ongelman kuin Amanda Ojasalo;
Kohtasin tätä tehtävää tehdessäni mystisen ongelman join attributes by location työkalussa, sillä aiemmin moitteettomasti toiminut työkalu herjasi pelkkää -24654789983jotain erroria.
Tästä voimaantuneena aloitin myös toisen tehtävän uima-altaiden määrästä joka päättyi ongelmaan etten saanut diagrammeja näkyville. Alla kuitenkin lukuja, joita sain selviteltyä pääkaupunkiseudun uima-altaista sekä saunoista.
Taloyhtiöt joissa uima-allas
855kpl
asukkaita näissä taloyhtiöissä
12170
näistä omakotitaloja
345
kerrostaloja
181
paritaloja
158
rivitaloja
113
saunoja
21922 kpl
90725 talossa
=24%
Päätin alkaa etsimään ongelmiini ratkaisua lueskelemalla muiden blogeja kurssikerralta ja lopulta onnistuin päädyttyäni Vilma Kaukavuoren blogiin, josta päättelin hänen kirjoituksistaan;
Join Attributes by location-toiminnon valintaikkuna vaatikin yhteen kohtaan jotain sisältöä, vaikka ennen se oli mennyt läpi mukisematta.
Ajattelin tallentaa tämän uuden layerin uutena jolloin kaikki meni kuin menikin ihan nappiin tällä kertaa putkiremontti-tehtäväni osalta. Kuitenkin indeksin esittäminen tuotti onglemia, mikä minusta olisikin esityksessä melko hämäävä; paremmin putkiremonttifirmojen rahasampoja kuvastaa alueet joilla yksinkertaisesti on enemmän (välillä 65-70 rakennettuja) rakennuksia kuin alueet joissa niitä on suhteessa enemmän muihin taloihin verrattaessa (Kuva 1). Näihin perusteluihin on hyvä päättää tämän tehtävän osalta ja selitellä omaa osaamattomuutta.
Kiitos hei
Kuva 1. Putkiremontti uhkaa vuosina 1965-1970 rakennettuja taloja.
Aloitimme tunnin vektoriaineistolla Helsingin alueen vesistöistä sekä piste-muodossa olevalla datalla, joka sisälsi attribuutteja alueen väestöstä.
Väestötiedot ovat SeutuCD-tuotteen vektoritietokantoja jotka HSY tarjoaa. Näitä käytetään muun muassa kehitystyöhön sekä tutkimuksiin.
Tarkoituksena oli luoda rasteri-muotoinen havainnointi Helsinin asukastiheydestä ja sen pääpainopisteistä (Kuva 1). Tietokanta väestöstä sisälsi valtavasti tietoa asukkaista, mitä oli toki karsittava, jotta vanhempikin kone pystyisi laskutoimituksia QGis:n kanssa suorittamaan.
Kuva 1. Helsingin asutuskeskittymät. (Lähde: SeutuCD)
Tämän johdosta tallensimme väestön pisteistä uuden layerin, mutta jätimme attribuuteiksi vain tarvittavat, asukkaiden määrät, antaen ohjelman laskea kaikki, niin miehet kuin naisetkin yhteen! Ennen tätä kuitenkin karsimme ruudukon jääväksi vain sellaisille alueille joissa ylipäänsä on taloja Spatial Query -toiminnolla, johon seuraavaksi liitimme tietokannat väestöstä ja jälkeen päin visualisoimme (Kuva 1).
Kotona oli tarkoitus tehdä vielä toinen kartta eri teemasta ja parhaiten havainnoillistavalla rasterikoolla. Tein karttani (Kuva 2) alueille lasketusta iän keskiarvosta, jonka ainakin oletin kuvaavan sitä. Karttaa katsoessani en suostuisi kyllä uskomaan tämän määrittävän asukkaiden keskiarvoa valtaosan ruuduista olevan akselilla 80-100 vuotta. Toisaalta kartan informatiiviseen arvoon vaikuttaa se, että kyseisten alueiden väentiheyttä ei ole otettu huomioon ja yksinään kyseistä karttaa (Kuva 2) katsoessaan saattaisi olettaa asukastiheyden olevan samaa luokkaa koko alueella toisin kuin edellinen kartta puolestaan osoittaa (Kuva 1). Varmuutta ei ole tulkitsinko attribuuttitaulukon kyseistä attribuuttiluokkaa edes oikein ja onko kyseessä iän keskiarvo.
Ruutuihin sisällytetty informaatio on siinä mielessä paljon havainnoillistavampi, kuin pisteteemakartta, sillä useassa tilanteessa päällekkäinasettuvat pisteet eivät välttämättä havainnoillista parhaalla mahdollisella tavalla volyymia, jonka pisteiden oikea määrä toisi. Ruutuun sisällytettynä tätä määrää voidaan havainnoillistaa eri värein, joilla eri ääripäät erottuvat selkeämmin.
Molemmissa kartoissa on myös huonoa se, että luokittelu on huono laskiessaan luokan aloittavan sekä lopettavan luvun niin edelliseen kuin seuraavaan ryhmään (Kartat 1 & 2). Yritin löytää ratkaisun jolla olisin saanut kyseiset virheet korjattua, mutta huonoin lopputuloksin.
Kuva 2. Helsingin kaupungin alueiden keskiarvoinen ikä 500 metrin tarkkuudella.
Seuraavana otimme käsittelyyn Pornaisten alueelta laaditun rasteriaineiston, joka kuvasi alueen varjoja. Rasteriaineisto oli neljässä osassa, mutta yhdistimme nämä QGis:n Build Virtual Raster -toiminnolla. Koulun koneella jo tämä oli hieman haastavaa, mutta kotona kannettavan tietokoneen kanssa toiminto onnistui ongelmitta toiselta (..tai kolmannelta..) yrittämältä! Seuraavaksi oli tarkoitus luoda rasterin pohjalta korkeuskäyrät viiden metrin välein, joka puolestaan ei onnistunut minulta tunnin aikana mitenkään. Tämä puolestaan aiheutti jonkinasteisen hajoamisen omalta kohdaltani. Kuitenkin päättäväisesti haastoin myöhemmin QGis:n revanssiin kannettavalla, jolloin ongelmia ei taaskaan esiintynyt laisinkaan.
Havainto 1. Virheilmoitus yrittäessäni luoda rinnevarjostusta.
Haasteen sen sijaan muodosti rinnevarjostuksen luominen läppärillä ja minulle tulikin erittäin tutuksi yksi virheilmoitus (Havainto 1), jota QGis eittämättä tarjosi. Tämän ongelman selättämiseen tarvittiin useampi käsipari ja lopulta selvisin Anttonin avustuksella; QGis ei tosiaan jostain syystä onnistunut avaamaan rinnevarjostus-layeria vaikka se oli luotu, joten päätimme yrittää raahata tätä tiedostoa QGis-näkymään ja niin se onnistui, rinnevarjostus oli nyt saatu paikoilleen ja voiton riemu oli suuri (Kuva 3)! ..Kuitenkin huomasin nyt kuvasta puuttuvan pohjoisnuolen sekä legendan olevan hieman omintakeinen luokkajaottomuudeltaan.
Kuva 3. Rinnevarjostuskartta, lopultakin. (Lähde SeutuCD)Kuva 4. Havainnoillistus korkeuskäyrien eroista Maanmittauslaitoksen aineiston sekä QGis:lla rasteriaineistojen pohjalta luotujen korkeuskäyrien välillä. Maanmittauslaitoksen korkeuskäyrät näkyvät ruskealla, kun taas QGis:n vaalean vihreällä. (Lähde: Maanmittauslaitos ja SeutuCD)
Toisena kotitehtävänä oli tarkoitus tutkailla eroja Paitulista ladatun Maanmittauslaitoksen peruskarttalehden sekä QGis:n rasteritietokannan pohjalta luoman korkeuskäyrästön välillä (Kuva 4). Voidaan huomata, että tarkkuudet heittelevä puolin ja toisin; joissakin kohdissa rasterin pohjalta lutu korkeuskäyrästö on yksityiskohtaisempi kun taas toisinaan Maanmittauslaitoksen aineiston.
Aloitimme viimeiviikon harjoitukset tuomalla pätevän Afrikka-tietokannan QGis-ohjelmaan. Siivosimme tätä myös helpostiluettavampaan muotoon yhdistämällä muunmuassa erinäiset pienet saaret oikeiden valtioiden kanssa samoihin tietueisiin, joihin nämä virallisesti kuuluisivatkin. Harjoittelimme lisäämällä muun muassa tekstimuotoista dataa. Tämä kertoi internetin käytöstä viime vuosina ja sen yleistymisestä. Tämän lisäksi lisäsimme myös uuta tietoa dataan.
Oli erittäin mielenkiintoista huomata, kuinka monessa valtiossa internetin käyttö on edelleen hyvin vähäistä, jopa alle 10 %. Yhdistelimme myös dataa Afrikan sisäisistä konflikteista, timanttikaivoksista ja mantereisista öljylähteistä valtiokohtaisesti ja tutkimme, kuinka paljon korrelaatiota näiden tietojen välillä on.
Lisäsimme Afrikan karttaan myös pistetietoa timanttiesiintymistä sekä alueiden konflikteista kuten myös vektorimuotoista dataa öljyesiintymistä. Seuraavaksi laskimme näiden pistetietojen lukumääriä ja öljyesiintymien pinta-aloja.
Seuraavaksi kävimme käsiksi tulvaindeksikartan laatimiseen. Tähän tarvitsimme tietoja, jotka saatiin useasta eri tiedostosta ja tietokannasta sekä tarvittavien laskutoimitusten tuloksista lisäksi liitimme attribuutteja toisesta tietokannasta toiseen. Lopputuloksena muodostui allaoleva karttaesitys (Kartta 1), joka kuvaa tulva-alueiden kapasiteettia sekä tulvaindeksiä, eli tulvaherkkyyttä. Pylväät kuvaavat järvisyyttä.
Kuva 1. Koropleettikartta kuvaa tulvaindeksiä sekä pylväsdiagrammit järvisyyttä prosentteina.
Koin silti kartassa käyttämäni kvantiililuokittelun paremmaksi kuin muut QGIS:n tarjoamat vaihtoehdot. Koska kartalla esitetyt järvisyysprosentit eivät ole mielestäni tarpeeksi selkeitä, päädyin tekemään niistä vielä taulukon ja kaavion (Kuva 2) valmiista aineistosta. Niitä voi käyttää kartan lukemisen tukena.
Kuva 4. Anttonin laatima pylväsdiagrammi oli todella hyvä ja havainnoillisti muuten hieman epäselväksi jäänyttä kartalla olevaa järvisyysprosenttia! (Lähde: https://blogs.helsinki.fi/gis-1-anttoni/2019/01/29/tietokantaliitoksia-ynna-muuta/)
Toisella kurssikerralla käytimme vektoritietokantoja vuoden 2015 sekä 2017 kuntatiedoista. Harjoittelimme alkuun aluerajaustyökalun käyttöä, jolla voi osoittimella valita yksittäisiä kohteita, rajata suuria alueita, suodattaa attribuuttitaulukon tietojen perusteella aluerajausta sekä poistaa vahingossa valittuja alueita käyttäen Cntrl tai Shift – painiketta. Tämän kertainen projektio on muodossa ETRS85/ETRS-TM35FIN, joka on pystysuuntainen Mercator mikä puolestaan leikkaa pallon pintaa.
Tutkailimme myös QGIS:n mittaustyökaluja, joilla voi mitata etäisyyksiä ja jonka avulla tämän lisäksi pystyy katselemaan miten eri projektiot esittävät Suomen alueen. Lisäksi taulukoimme exceliin etäisyyksiä ja niiden vääristymiä eri projektioilla esitettynä, kuten Kirsi blogimerkinnässään You can do it esittääkin.
Taulukko 1. Suomi-neidolle piirtämäni hatun pinta-ala vaihtelee eri projektioilla, taulukossa on vertailun vuoksi kokoero prosentteina ja neliökilometreinä ETRS89/ETRS-TM35-projektioon. Projektio vääristää myös etäisyyksiä.
Seuraavaksi loimme oman attribuutti-sarakkeen, johon aloimme laskemaan kuntien pinta-aloja vektoriaineiston pohjalta. Saimme täten pohja-aineiston Selvisi myös, että vaikka aineistoa pystyy katselemaan muiden projektioiden pohjalta, täytyy joka tapauksessa tallentaa kartta uudessa muodossa vektoriin sidotun projektion takia mikäli haluaa tallentaa tiedon uuden projektion pohjalta.
Kuva 1. Pinta-alat kahden eri projektion pohjalta, jotka olivat Mercator-projektio sekä oikeapintainen Lambertin projektio.
Ensimmäisenä varsinaisena harjoituksena laskimme pinta-alat kahden eri projektion pohjalta, jotka olivat Mercator-projektio sekä oikeapintainen Lambertin projektio (Kuva 1).
Määritimme tämän avulla pinta-alamuuttujien vääristymät, joka havainnoillisti hyvin miten paljon vaikutusta väärällä projektiolla sekä koordinaattijärjestelmällä voi olla. Lisäharjoituksena vertasimme Natura-alueiden pinta-alan eroja eri projektioilla esitettynä (Kuva 2).
Kuva 1. Natura-alueiden ero ETRS-TM35FIN-projektiolla esitetyn sekä Robinson-projektiolla esitetyn välillä.
Maanantaina 14.1.2019 aloitimme harjoittelemaan QGis-ohjelman käyttöä sekä kävimme läpi paikkatiedon rakennetta kertauksena. Ohjelma sen sijaan oli minulle täysin uusi, joten käyttö oli siinä mielessä haastavaa. Lähdimme tekemään harjoitusta ohjeistetusti Itämerta ympäröivien valtioiden typpipäästö-datan pohjalta.
Vektoriaineiston projektiota vaihdettiin muotoon Lambert Equal Earth, niin että se on suhteessa oikeassa kulmassa suuremman, koko Euroopan alueen mukaisesti alkuperäisestä, mikä määrittyi Suomen karttakoordinaattijärjestelmän perusteella. Muutimme kerrosten ulkoasun katselu-ystävällisemmiksi. Laskimme Field calculatorilla valtiokohtaiset typpipäästöt ja visualisoimme kartan sen mukaiseksi. Yksityiskohdat saatiin paikoilleen, kuten legenda ja tarvittava mittakaava.
Kuvassa havainnoillistuu Itämeren alueella esiintyvät typpipäästöt väriselitettä apuna käyttäen sekä meren syvyys käyrinä.
Ongelmia ilmeni itselläni skaalatessa karttaa kokonaiseen pohjaan, mikä jäikin turhan isoksi suhteessa kokonaisuuteen niin, että kaistaleita merkittävistä valtioista jäi kuvan ulkopuolelle. Pohjoisnuoleni jäi hieman keskeneräiseksi ja mittakaavanikin häviää huonostivalittuun visualisointiväritykseen. Läpikäymämme ominaisuudet jäivät toistaiseksi vielä vähän hämärän peittoon, mutta omalla kohdallani käyttö varmasti vakiintuu useampien harjoitusten myötä.
Lisäksi kohtasin ongelmia tietokoneen hidastellessa ja kaatuillessa ajoittain kuten Ida-Kaisakin totesi blogissaan:
Jos ohjelma oli vähänkin hidas ja jos siinä ei saanut heti tehtyä jotain osaa kartasta niin /tehtävästä jäi heti jälkeen ja minä ainakin tipuin kärryiltä.
Ajatuksena oli viimeistellä kartta kotona, mutten vielä ennättänyt löytämään käyttämäämme QGIS-ohjelmaa vaan latasin sen sijaan vahingossa uudemman päivityksen, jolla kartan kaikki osat eivät suostuneet aukeamaan.
Tein vielä lisätehtäväharjoituksen asutustiheyksistä kunnat_2005-tilastotietojen pohjalta, josta kuva alla.
Taulukko 1. Suomi-neidolle piirtämäni hatun pinta-ala vaihtelee eri projektioilla, taulukossa on vertailun vuoksi kokoero prosentteina ja neliökilometreinä ETRS89/ETRS-TM35-projektioon. Projektio vääristää myös etäisyyksiä.
