Kielten kauneutta

Viimeisellä kurssikerralla saimme täysin vapaat kädet luoda karttaesityksiä haluamastamme aiheesta. Vapauden mukana tuli suuri vastuu etsiä aineistoa omin avuin internetistä ja saattaa se muotoon, jossa sitä voidaan hyödyntää QGIS:ssä. Internet on täynnä mielenkiintoista ilmaista dataa, mistä johtuen aiheen rajaaminen osoittautui todella vaikeaksi. ”Tätä runsautta voi pitää niin rikkautena kuin riesana, sillä työnmäärä kymmenkertaistuu, kun on niin paljon mistä valita”, kuvailee Ilona Tuovinen osuvasti blogitekstissään Viikko 7 – THE END, matkamme päättyy Vantaalaisen joukkoliikenteen pysäkeille (2019).

Suoritettuani jonkinlaista aiheenrajausta päätin tehdä Ranskaa kuvaavia karttaesityksiä, sillä maa on minulle hyvin tuttu ja lähellä sydäntä. Yritin löytää maanlaajuista dataa jaoteltuna departementeihin (départements), joita on Ranskassa vajaa sata kappaletta. Dataa löytyi mukavasti esimerkiksi data.gouvr.fr- ja insee.fr -sivustoilta, mutta haluamallani aluejaolla tietoa ei löytynyt juuri lainkaan. Loputtomalta tuntuneen etsinnän jälkeen totesin Ranskan voittaneen tämän erän ja siirryin tarkastelemaan Ranskan pikkuista itänaapuria Sveitsiä.

Sveitsi on demografialtaan hyvin kiinnostava valtio, sillä kyseisessä kahdeksan miljoonan asukkaan alppimaassa puhutaan peräti neljää virallista kieltä (kuva 1). Noin kaksi kolmasosaa Sveitsin väestöstä puhuu äidinkielenään saksaa, viidennes ranskaa, vajaa kymmenys italiaa sekä vaivaiset 0,5 prosenttia retoromaania (Bundesamt für Statistik 2017). Romaanisiin kieliin kuuluva retoromaani, jolla on vähemmän natiivipuhujia kuin monella maan maahanmuuttajakielistä, on pysynyt virallisena kielenä historiallisista ja kulttuurisista syistä. Retoromaaninkielisiä uutisia pääset kuuntelemaan esimerkiksi täältä (Radiotelevisiun Svizra Rumantscha RTR).

Kuva 1. Sveitsissä puhutaan neljää virallista kieltä. Lähde: https://www.ethz.ch/en/the-eth-zurich/working-teaching-and-research/welcome-center/language.html

Totesin, että Sveitsin kielitilanne saattaisi näyttää kartalla hyvinkin mielenkiintoiselta. Sveitsi jakautuu 26 kantoniin, jotka jakautuvat edelleen noin 150 osa-alueeseen (Bezirk/district). Ajattelin näiden osa-alueiden olevan hyvä luokittelu valitsemalleni aineistolle. Dataa löytyi melko vaivattomasti Sveitsin kansallisesta opendata.swiss-portaalista, jossa on sama käyttöalusta kuin Suomen Tilastokeskuksen StatFin-portaalissa. Sveitsin eri kielten sekamelska heijastui myös sen dataportaaliin, jossa saksankielistä kuvaustekstiä saattoi seurata ranskankielinen taulukko ja toisinpäin. Ilmiö herätti minussa turhautumisen sijaan lähinnä huvittuneisuutta, ja sain maan eri osa-alueiden kielijakaumat ladattua Exceliin melko vaivattomasti.

Ongelmia ilmeni siinä vaiheessa, kun siirsin CSV-muotoisen datani QGIS:iin. Opendata.swiss-sivustolta lataamassani Sveitsin pohjakartassa sekä kielijakaumaa kuvaamaani aineistoon merkityt osa-alueet eivät nimittäin täysin vastanneet toisiaan. Tietokannat olivat aivan eri vuosikymmeniltä, joten vanhemmassa tietokannassa oli alueita, jotka oli sittemmin yhdistetty muihin alueisiin tai hävitetty kokonaan. Kaksikieliset alueet oli toisessa tietokannassa merkitty molemmilla kielillä ja toisessa vain yhdellä, minkä lisäksi erikoismerkit, kuten â, é, è ja ü sekä ranskan kielen artikkelit aiheuttivat minulle harmaita hiuksia. Aineiston siistimisurakka tuntui täysin mahdottomalta, ja kaikkeni annettua en saanut kartallani näkymään kuin vain puolet tietokannan alueista.

Syvä huokaus.

Suunnitelma B oli siis hylättävä ja siirryttävä kolmanteen. Työskentelyn lomassa olin kuitenkin huomannut Sveitsin kantonijaon toimivan tietokantojen välillä varsin sujuvasti, ja tyydyin toteuttamaan suunnitelmani tällä karkeammalla aluejaolla. Päätin keskittyä kartoissani ainoastaan saksan ja ranskan kielialueisiin, sillä italian ja retoromaanin puhujat keskittyvät hyvin pienille alueilleen Ticinon ja Graubündenin kantoneihin maan eteläosassa. Kuvien 2 ja 3 kartat kuvaavat saksan- ja ranskankielisen väestön osuutta kantonien kokonaisväestöstä. 

Kuva 2. Saksankielisen väestön osuus Sveitsin kantionien kokonaisväestöstä. Lähde: opendata.swiss
Kuva 3. Ranskankielisen väestön osuus Sveitsin kantonien kokonaisväestöstä. Lähde: opendata.swiss

Kartoissa nähdään selkeä jako saksankielisen idän ja ranskankielisen lännen välillä. Voimakkaasti saksankielisissä kantoneissa jopa yli 90 % väestöstä on saksankielistä, ja sama ilmiö on havaittavissa ranskankielisessä lännessä. On siis silkkaa harhaluuloa, että tämän alppimaan kaikki asukkaat puhuvat maan jokaista virallista kieltä – suuri osa Sveitsin kantoneista on yksikielisiä, ja niiden asukkaista suuri osa puhuu äidinkielenään vain kantonin virallista kieltä. Tiettyjen kantonienkin sisällä esiintyy kielten jakautumista: esimerkiksi kaksikieliset kantonit Fribourg ja Valais saksan- ja ranskankielisten alueiden rajalla ovat voimakkaasti jakautuneita eri kielten puhujien suhteen. Näiden alueiden läpi kulkee kuvitteellinen raja, josta käytetään huumorimielessä termiä Röstigraben. Termi viittaa ranskan- ja saksankielisten alueiden erilaiseen ruokakulttuuriin, ja ”röstirajan” ylittäminen tarkoittaa myös kielen vaihtumista toiseen. Rösti (kuva 4) on erityisesti saksankielisen alueen herkkua.

Kuva 4. Röstiä eli sveitsiläistä perunaherkkua. Suosittelen lämpimästi kokeilemaan, jos keitetyt perunat alkavat kyllästyttää! Lähde: https://www.kodinkuvalehti.fi/reseptit/kasvis-lisukkeet-muuta/rosti-bernois

Vaikka kielten jakautuminen omille alueilleen näyttää kartalla hyvin ehdottomalta, suuri kielellinen monimuotoisuus näin pienellä alueella saa pakostakin aikaan kielten osittaisen sekoittumisen ja ainutlatuisten kieliyhdistelmien syntymisen. Monilla alueilla saksankieliset sveitsiläiset kiittävät toisiaan autuaasti ranskalaisittain merci, ja toisaalla hyvästejä heitellään huudahtamalla ciao! italiankielisiä mukaillen. Näennäisesti yhtenäisten kielialueidenkin sisällä esiintyy valtavaa monimuotoisuutta: esimerkiksi sveitsinsaksa on hyvin kiehtova kieli, tai oikeastaan kieliryhmä, jossa on hankala havaita johdonmukaisuutta tai yhtenäisyyttä eri alueiden välillä. Jokaisella kantonilla on oma versionsa kielestä, ja eri kantonien murteista vitsaileminen on sveitsiläisten suosikkiajanvietteitä. Tämä kurkussa korisevien ch-äänteiden luonnehtima kieli on nimestään huolimatta natiiville saksalaisellekin tavallisesti käsittämätöntä hölinää.  

Kielellisen monimuotoisuutensa lisäksi Sveitsi on tunnettu poikkeavan kansainvälisestä väestörakenteestaan: noin 25 % Sveitsin asukkaista on ulkomaalaisia (SWI swissinfo.ch 2017). Kuvan 5 kartta kuvaa Sveitsissä asuvien ulkomaalaisten osuutta maan kokonaisväestöstä.

Kuva 5. Ulkomaalaisen väestön osuus Sveitsin kantonien kokonaisväestöstä. Lähde: opendata.swiss

Kantonijako on aivan liian karkea kuvaamaan maan ulkomaalaisen väestön määrää, mutta kartasta on mahdollista havaita joitakin suurpiirteisiä trendejä. Sveitsin keskiosissa asuu verrattain vähän ulkomaalaista väestöä maan länsi- ja koillisosiin nähden. Erityisen kansainvälisenä kantonina erottuu Geneve, joka tunnetaan globaalina diplomatian keskuksena. Muun muassa moni Yhdistyneiden Kansakuntien alajärjestö, Punainen Risti sekä hiukkasfysiikan tutkimuskeskus CERN toimivat Genevessä ja tuovat alueelle valtavasti kansainvälistä työvoimaa. Eurooppalaiset muodostavat yli 80 % Sveitsin ulkomaalaisesta väestöstä, ja tästä määrästä suurimman osan muodostavat Saksan, Italian, Portugalin ja Italian kansalaiset (SWI swissinfo.ch 2017). Erityisesti Sveitsin naapurivaltioiden väestön on suhteellisen helppo integroitua sveitsiläiseen yhteiskuntaan, sillä he voivat valita itselleen asuinalueen, jossa puhutaan heidän omaa äidinkieltään. 

Kielten ja kulttuurien monimuotoisuus ovat minulle maailman suurimpia rikkauksia. Sveitsi on malliesimerkki maailmalle siitä, miten eri kieliryhmät ja kansalaisuudet voivat elää sulassa sovussa keskenään samojen rajojen sisällä. Vaikka maan sisällä esiintyy jakautuneisuutta ja erimielisyyksiä eri kieliryhmien välillä, sveitsiläiset ovat ylpeitä neljästä kansalliskielestään ja näiden ainutlaatuisista alueellisista variaatioista.

Lähteet

Defining the 25% foreign population in Switzerland (2017). SWI swissinfo.ch. <https://www.swissinfo.ch/eng/migration-series-part-1-_who-are-the-25-foreign-population-in-switzerland/42412156>

Population résidante au domicile économique selon la région, la nationalité (catégorie) et la langue principale (2000). Opendata.swiss. <https://www.bfs.admin.ch/asset/fr/px-x-4002000000_121>

Sprachen (2017). Bundesamt für Statistik. <https://www.bfs.admin.ch/bfs/de/home/statistiken/bevoelkerung/sprachen-religionen/sprachen.html>

Tuovinen, Ilona (2019). Viikko 7 – THE END, matkamme päättyy Vantaalaisen joukkoliikenteen pysäkeille. <https://blogs.helsinki.fi/tuoilona/>, luettu 6.3.2019.

Opetusmateriaalia luomassa

Kuudennella kurssikerralla pääsimme tutustumaan pisteaineistoon aiempaa syvällisemmin. Tuotimme omaa aineistoa Epicollect5-sovelluksella, mitä varten teimme ulkolenkin Kumpulan raikkaan harmaassa talvisäässä. Sovelluksen avulla opittiin itse keräämään dataa, josta lopulta työstettiin Kumpulan eri osissa koettua turvallisuuden tunnetta kuvaava pistekartta. Lopulta kartta interpoloitiin QGIS:n automaattitoiminnolla, jolloin syntyi  liikennevaloja muistuttava värikäs kartta. Harjoitus toimi mukavana alkulämmittelynä itsenäistehtäviä varten.

Pisteaineistoon syvennyttiin entisestään luomalla itsenäisesti erilaisia luonnonhasardeja kuvaavia karttoja. Tavoitteena oli luoda materiaalia, joita maantieteen opettaja voi käyttää hyödyksi tuntiopetuksessaan. Kuvan 1 kartta kuvaa yli 6 magnitudin maanjäristysten sijoittumista maapallolla. Kartasta on voidaan havaita, että maanjäristykset noudattavat pitkälti mannerlaattojen rajoja. Kartta soveltuisi täten myös laattatektoniikan opettamiseen, ja sen avulla oppilaita voitaisiin ohjata itse huomaamaan maanjäristysten ja mannerlaattojen saumakohtien välinen yhteys. Mannerlaattojen sijaintia havainnollistaa esimerkiksi peda.net-sivuston yläkouluopetukseen tarkoitettu kartta (kuva 2).

Kuva 1. Yli 6 magnitudin maanjäristykset.
Kuva 2. Peda.net-sivuston oppimateriaalia litosfäärilaatoista. Lähde: https://peda.net/oppimateriaalit/e-oppi/näytekirjat/helsingin-kaupunki/e7h/emaantieto728/3eis2/lem

Toinen laatimani kartta (kuva 3) kuvaa yli 7 magnitudin maanjäristysten sekä lähihistoriassa purkautuneiden tulivuorten sijaintia, eli se on hyvin tiiviissä yhteydessä kuvan 1 karttaan. Kuvan 3 kartta korostaa niin kutsuttua Tyynenmeren tulirengasta, jossa esiintyy merkittävä osa maailman aktiivisista tulivuorista ja voimakkaista maanjäristyksistä. Tulivuorikarttaa voidaan käyttää oppimateriaalina pohjustamaan myös eri tulivuorityyppien esiintymistä mannerlaattojen suhteen: kerrostulivuoria esiintyy tyypillisesti laattojen törmäysvyöhykkeillä, ja kilpitulivuoret ovat yleisiä laattojen erkanemissaumoissa (kuvat 4 ja 5).

Aloin pohtia käytetyn aineiston luotettavuutta vasta luettuani Emilia Ihalaisen blogitekstin Viikko 6  Hasardit (2019). Emilia kummastelee aineiston mukaan Ruotsissa sijaitsevaa tulivuorta, joka on päätynyt myös omalle kartalleni. Kyseessä on Emilian mukaan Lakagigar-tulivuori, joka todellisuudessa sijaitsee Islannissa. Aineiston luonnissa on mahdollisesti tapahtunut inhimillinen virhe, ja on vain toivottava, että kyseessä on yksittäistapaus ja että pääpiirteissään aineistoon voidaan luottaa. Mikäli virhe kuitenkin päätyy opetusmateriaaliin asti, sen avulla voidaan havainnollistaa lähdekritiikin ja työskentelytarkkuuden merkitystä.

Kuva 3. Yli 7 magnitudin maanjäristykset sekä vuoden 1950 jälkeen purkautuneet tulivuoret.
Kuva 4. Tyypillinen kerrostulivuori. Lähde: https://pxhere.com/en/photo/518357
Kuva 5. Tyypillinen kilpitulivuori. Lähde: https://www.flickr.com/photos/borkurdotnet/362799595

Saman hasardiaineiston työstämiseen oli useita erilaisia lähestymistapoja, joilla saattoi luoda hyvinkin monipuolisia näkökulmia edustavaa oppimateriaalia. Elina Huhtinen esittää blogitekstissään Viikko 6 – auringonpaistetta ja onnistumisen tunteita (2019) luomiansa karttoja, jotka kuvaavat maanjäristysten ajallista vaihtelua voimakkuuden sijaan. Elina havaitsee 1900-luvun eri aikoina esiintyneen eri määrän maanjäristyksiä, mikä antaa aihetta pohdinnalle: karttojen mukaan erityisesti magnitudiltaan suhteellisen pienten maanjäristysten määrä on noussut huomattavasti. Todennäköisesti kyseessä on kuitenkin nousu havaittujen maanjäristysten määrässä, sillä seismografisten mittalaitteiden teho ja tarkkuus ovat parantuneet merkittävästi viimeisen vuosisadan aikana (Seismologian instituutti 2006).

Meteoriittien putoamispaikkojen sijainnin tarkastelu (kuva 6) tarjoaa kontrastia endogeenisiin ilmiöihin. Maapallon ilmakehä tai muut maantieteelliset ominaisuudet eivät nimittäin merkittävästi vaikuta avaruudesta saapuvien meteoriittien kulkuun ja putoamispaikkaan, eikä meteoriittien putoamispaikoilla näytä olevan ilmeisiä säännönmukaisuuksia. Lisäksi suuri osa meteoriiteista putoaa valtameriin, jolloin niistä ei jää havaittavia putoamisjälkiä. Putoamispaikkojen sijainti ei siis kuvaa pelkästään sitä, mihin meteoriitit putoavat vaan erityisesti sitä, mistä törmäyspaikkoja löydetään.

Kuva 6. Yli 40 kg:n kokoisten meteoriittien putoamispaikat.

Meteoriittien muodostamia törmäyskraattereita löydetään erityisesti alueilta, joissa on vähän kasvillisuutta, paljon kaivostoimintaa sekä vahvaa ja laaja-alaista koulutusta ja tutkimusta (Luoto 2018). Tällaisina alueina erottuvat esimerkiksi Yhdysvallat, Australia ja Länsi-Eurooppa, joissa on havaittu runsaasti meteoriittien putoamispaikkoja. Vastaavasti esimerkiksi tiheän kasvillisuuden peittämästä Amazonin sademetsästä putoamispaikkoja ei ole löydetty juuri lainkaan. Kartta siis kannustaa pohtimaan luonnonilmiöitä useista eri näkökulmista ja syventymään aiheeseen monitieteellisesti, mikä tuo valtavaa lisäarvoa opetukseen.

Lähteet

Huhtinen, Elina (2019). Viikko 6  auringonpaistetta ja onnistumisen tunteita. <https://blogs.helsinki.fi/huhelina/>, luettu 22.2.2019.

Ihalainen, Emilia (2019). Viikko 6  Hasardit. <https://blogs.helsinki.fi/ihem/>, luettu 24.2.2019.

Luoto, Miska (2018). Luonnonmaantieteen luento 13.9.2018. Geotieteiden ja maantieteen osasto, Helsingin yliopisto.

Tietoa maanjäristyksistä (2006). Seismologian instituutti, Helsingin yliopisto. <http://www.seismo.helsinki.fi/fi/maanjtietoa/vastauksia.html>

Ongelmanratkaisua ja onnistumisia

Viidennen kurssikerran hallitseva teema oli itsenäinen työskentely ja aiemmin opittujen metodien soveltaminen, mikä oli virkistävää vaihtelua aikaisempiin kurssikertoihin nähden. Tunnin jälkeen koin tehneeni valtavasti aivojumppaa sekä kokeneeni iloisia onnistumisen ja oivalluksen hetkiä.

Tälläkään kurssikerralla ei kuitenkaan kokonaan vältytty uuden oppimiselta, vaan tutustuimme puskurianalyysien toteuttamiseen. Tarkoituksena on luoda halutun kohteen ympärille puskuri eli bufferi, minkä jälkeen Spatial Query –työkalulla tarkastellaan bufferin sisään jäävien kohteiden määrää ja ominaisuuksia. Tyypillinen tutkimuskysymys on, kuinka paljon jotakin ilmiötä esiintyy tietyn välimatkan säteellä valitusta kohteesta. Puskurianalyysillä voidaan täten tarkastella vaikkapa kongressikeskuksen lähistöllä sijaitsevien hotellien määrää tai luoda suojavyöhyke jokilaaksolle. Analyysiä voidaan käyttää hyödyksi esimerkiksi kaupunkisuunnittelussa tai liiketoiminnassa, kun optimoidaan kunnallispalvelun tai liikkeen sijainti sen kohderyhmään nähden.

Kurssikerran harjoituksissa tarkasteltiin lentomelulle altistuvien ja tietyn välimatkan päässä asemasta asuvien ihmisten määriä. Harjoituksista kävi ilmi, että Helsinki-Vantaan ja Malmin lentokenttien melusaastealueilla asuu tuhansia ihmisiä. Ilmiö on haitallinen monesta näkökulmasta, mutta haittoja voidaan lievittää kaupunkisuunnittelun avulla (Salmi, Julia 2019):

”Kaupunkisuunnittelu vaikuttaa kuitenkin merkittävästi melusaasteesta kärsivien ihmisten määrään. Melulla on useita negatiivisia vaikutuksia ihmisten terveyteen, kuten lisääntyvä elimistön stressi ja heikentyvä unen laatu. Melusaasteen tutkiminen ja asutuksen sijoittaminen mahdollisimman kauas lentokenttien melualueesta on siis tärkeää.”

Pääpiirteissään itsenäistehtävien suorittaminen sujui hyvin. Työskentelyn avainasemassa oli ohjeiden huolellinen lukeminen ja tiimityöskentely vieruskaverin kanssa, mutta ennen kaikkea työskentelyäni edisti QGIS:n eri toimintojen ennakkoluuloton kokeileminen. Eri toimintoja kokeilemalla saa harvoin aikaan mitään haitallista tai peruuttamatonta, minkä lisäksi ymmärrys toimintojen sovellusmahdollisuuksista syvenee merkittävästi niiden eri ulottuvuuksia testatessa. Suurimmaksi ongelmakseni työskentelyssä osoittautui se, että ajattelen asioita liian monimutkaisesti. Ensimmäisessä itsenäisharjoituksessa esimerkiksi pelkän 65 db:n lentomelualeen valitseminen osoittautui omalla kohdallani hyvin paljon aikaa vieväksi prosessiksi, vaikka lopulta tajusin sen hoituvan vain muutamalla helpolla klikkauksella. Havaintoja ja vastauksia itsenäistehtävien kysymyksiin on kerätty tähän taulukkoon.

Itsenäistehtävien tärkein tarkoitus oli ymmärtää tekemäänsä, mutta konkreettisia karttojakin syntyi. Ensimmäisenä kotona tehtävänä itsenäistehtävänä tarkastelin pääkaupunkiseudun asuinrakennusten rakennusvuosia putkiremontin tarpeen näkökulmasta. Kuvan 1 kartta havainnollistaa pääkaupunkiseudun niin sanottua remontti-indeksiä eli sitä, millä alueilla on eniten putkiremonttia vaativia asuinrakennuksia. Näitä rakennuksia ovat erityisesti vuosina 1965–1970 rakennetut talot. Vilma Kaukavuori kuvailee ilmiötä pilke silmäkulmassa blogitekstissään Talojen suuret ikäluokat lähestyvät putkiremontti-ikää (2019): ”Nuo talot ovat kuin suuret ikäluokat. Ne ovat nyt saavuttaneet putkiremontti-iän ja jos remonttia ei ole vielä tehty, se on auttamatta edessä.” 

Helsingin kantakaupunki on alhaisen remontti-indeksin aluetta, mutta lähiöissä on enemmän putkiremontin tarpeessa olevia rakennuksia. Ilmiö liittyy tiiviisti Suomen lähiöitymishistoriaan. 1960- ja 1970-luvut olivat lähiörakentamisen kulta-aikaa, jolloin pääkaupunkiseudun reuna-alueille rakennettiin runsaasti uutta kerrostalovaltaista rakennuskantaa (Kulttuuriympäristömme 2006).

Kuva 1. Pääkaupunkiseudun remontti-indeksi eli vuosina 1965–1970 rakennettujen asuintalojen määrä suhteessa kaikkiin asuintaloihin.

Hurahdin QGIS:n syövereihin ja päätin tehdä toisenkin vaihtoehtoisista itsenäistehtävistä. Työni tuloksena syntyi asuintalojen uima-altaiden määrää kuvaava kartta (kuva 2), johon on myös merkitty uima-altaiden absoluuttinen määrä histogrammeilla ja lukuarvoilla. Lukuarvot asettuvat harmillisesti päällekkäin pylväiden kanssa,  enkä millään löytänyt toimintoa, jolla asian saisi korjattua.

Uima-allasrikkaimmiksi osa-alueiksi osoittautuvat Lauttasaari ja Länsi-Pakila, minkä lisäksi aineistosta selviää, että yli puolet pääkaupunkiseudun asuintalojen uima-altaista sijaitsee omakotitaloissa.

Kuva 2. Uima-altaiden määrä pääkaupunkiseudun taloissa tai taloyhtiöissä.

Tehtävien lomassa aloin ensimmäistä kertaa kunnolla kiinnittää huomiota karttojeni ulkoasuun ja visuaalisuuteen. En todellakaan koe omaavani hyvää visuaalista silmää, mutta muiden karttoja katsellessa ja QGIS:n visualisointityökaluja tutkiessa alan päästä jyvälle siitä, millaiset kartat toimivat toisia paremmin. 

Yleisellä tasolla QGIS:n käyttö sujuu omalla kohdallani hyvin. Suurimmaksi haasteeksi osoittautuu työkalun ja menettelytapojen valinta tutkimusongelman pohjalta, sillä kaikkien työkalujen sovellusmahdollisuudet eivät ole vielä muistissa. Kun kohtasin ylitsepääsemättömältä tuntuvan esteen, strategiani oli yksikertainen ja tehokas: silmäilin aikaisempien kurssikertojen ohjeita ja etsin niistä jo unohtuneita työkaluja, joita voisi soveltaa nykyiseen ongelmaan.  Esimerkiksi Count polygons -työkalu oli kokonaan hävinnyt muististani, kunnes tarvitsin sitä remontti-indeksiä laskiessani. Maininta toiminnosta löytyi näppärästi kolmannen kurssikerran ohjeesta.

Suuri osa tähän asti käytetystä metodeista ja työkaluista on minulla kuitenkin hallinnassa. Hyvin oleellista QGIS:n käytössä on hahmottaa attribuuttitaulukon rooli ja sen potentiaaliset käyttömahdollisuudet. Taulukkoon voidaan laskea uusiin sarakkeisiin tietoa olemassa olevien sarakkeiden tiedoilla, tai taulukkoon voidaan tuoda kokonaan uutta tietoa esimerkiksi tietokantaliitoksilla Join-toiminnolla. Erityisesti itsenäistehtävissä toistuva kaava oli tiettyjen kohteiden valitseminen ja uuden tietokannan luominen niiden pohjalta, ja Select by Expression -työkalu tulikin erittäin tutuksi. Työkalulla voidaan suodattaa ja valita aineiston rivejä numeerisin perustein, mikä säästää paljon aikaa ja hermoja. Koen hallitsevani hyvin myös Spatial Query –kyselytyökalun, jolla tietokannasta saadaan valittua ja rajattua päällekkäin osuvia kohteita.

Lähteet

Kaukavuori, Vilma (2019). Talojen suuret ikäluokat lähestyvät putkiremontti-ikää. <https://blogs.helsinki.fi/vilmakau/>, luettu 17.2.2019.

Kulttuuriympäristömme (2006). Asuinrakentaminen Suomessa 1900-luvulla. <http://www.kulttuuriymparistomme.fi/fi-FI/Ajankohtaista/Artikkelit/Kaupunkiymparistot/Asuinrakentaminen_Suomessa_1900luvulla(37707)>

Salmi, Julia (2019). Osa 5: Bufferointia ja melusaastetta. <https://blogs.helsinki.fi/jhsalmi/2019/02/19/osa-5-bufferointia-ja-melusaastetta/>, luettu 10.3.2019.

Ruututietokantoja ja rastereita

Neljäs kurssikerta piti sisällään valtavasti uutta informaatiota ja työkaluja: pääsimme kokoamaan ja työstämään ruututietokantoja ja tuomaan QGIS:iin rasterimuotoista aineistoa.

Aloitimme kurssikerran tutustumalla piste- ja ruutuaineiston periaatteisiin sekä niiden vahvuuksiin ja soveltuviin käyttötarkoituksiin. Pistemuotoinen aineisto on tarkinta mahdollista aineistoa, sillä jokaisen pisteen sijainti koordinaatistossa voidaan määrittää äärimmäisen tarkasti. Sitä käytetään usein lähtöaineistona muun muassa erilaisille aluejaoille ja vyöhykeanalyyseille. Ruutuaineistot ovat puolestaan tehokas tapa kerätä aineistoa ilman valmista aluejakoa, ja muista tiedon esitystavoista poiketen se soveltuu absoluuttisten arvojen esittämiseen.

Kurssikerran ensimmäisessä harjoituksessa käytettiin pääkaupunkiseudun väestötietoja sisältävää pistemuotoista aineistoa. Aineistossa jokainen piste kuvasti yhtä asuinrakennusta, minkä lisäksi pisteet sisälsivät tietoa muun muassa asukkaiden iästä ja äidinkielestä. Aineistosta karsittiin pois asumattomat ruudut Spatial Query-toiminnolla, minkä jälkeen ruutuihin laskettiin dataa Join Attributes by Location -komennolla. Lopuksi koottu aineisto visualisoitiin jo ruutiniksi muodostuneella prosessilla.

Alan pikkuhiljaa ymmärtää QGIS:n tietokantojen käytön ja muokkaamisen logiikkaa. Alkuperäistä aineistoa muokataan, rajataan tai sille suoritetaan erilaisia kyselyitä, minkä jälkeen tietokanta tallennetaan sen uudessa muodossa jatkotyöstämistä varten. Uskon tämän oivalluksen olevan hyvin oleellinen jatkon kannalta, sillä nyt ymmärrän ohjelman toimintoja paremmin, enkä vain seuraa orjallisesti valmiiksi annettuja ohjeita.

Harjoituksen tuloksena syntyi ruututeemakartta, jonka sisältö ja ruudukon koko päätettiin itse. Laadin oman karttani ruotsinkielisen väestön määrästä pääkaupunkiseudulla sekä 1 kilometrin että 500 metrin ruudukossa (kuvat 1 ja 2). 500 m ruutukartta luonnollisesti esittää kartan informaation tarkempana 1 km aineistoon verrattuna, mutta tarkemman aineiston luettavuus uhkaa kärsiä pienestä ruutukoosta johtuen. Tarkkanäköinen lukija saa kartasta kuitenkin selvää ja pystyy hahmottamaan sen pääpiirteet. 

Kuva 1. Ruotsinkielisten määrä pääkaupunkiseudulla 1 km:n ruututietokannassa.
Kuva 2. Ruotsinkielisten määrä pääkaupunkiseudulla 500 m:n ruututietokannassa.

Kuten sanottu, muista teemakartoista poiketen ruutukartalla voidaan esittää muuttujien absoluuttisia arvoja, sillä kaikki kartan ruudut ovat keskenään samankokoisia. Näin ollen ruutukartat sopivat hyvin esimerkiksi jonkin muuttujan määrällisen levinneisyyden kuvaamiseen. Absoluuttisten arvojen esittäminen ei ole kuitenkaan pakko vaan mahdollisuus – omien karttojeni kohdalla on aiheellista pohtia, olisiko mielekkäämpää esittää ruotsinkielisen väestön määrä suhteessa alueen kokonaisväestöön. Tällaisenaan kartat antavat kuvan, että erityisesti Helsingin kantakaupunki olisi vahvasti ruotsinkielisiä aluetta, vaikka todellisuudessa kartan ilmiö heijastaa pääkaupunkiseudun kokonaisväestön levinneisyyttä. Runsasväkisillä alueilla on suurella todennäköisyydellä absoluuttisesti enemmän ruotsinkielisiä harvaan asuttuihin alueisiin verrattuna, vaikka heidän suhteellinen osuutensa olisi hyvinkin pieni.

Amanda Ojasalo on laatinut nimenomaan ruotsinkielisen väestön suhteellista osuutta kuvaavan ruutukartan, jonka hän esittää blogitekstissään Ruutuja (2019). Tämäkään esitystapa ei kuitenkaan ole Ojasalon mukaan täysin ongelmaton:

”Kartan perusteella tummimmat ruudut hämäävät, sillä ruutuaineisto ei kerro sitä, kuinka monta ihmistä ruudussa asuu. Attribuuttitaulukkoa tarkastelemalla eräässä tummassa ruudussa esimerkiksi ruotsinkielisten osuus oli 100%, sillä ruudussa asui vain kaksi ihmistä. Mitä suurempia ruudut ovat, sitä enemmän ne yleistävät, mutta pienet ruudut sen sijaan voivat tehdä suhteellisista prosenttiosuuksista hämäävän jyrkkiä.”

Palataan vielä hetkeksi omaan karttaani ja sen esittämään informaatioon. Helsingin kantakaupungin ulkopuolelta voidaan erottaa melko selkeitä ruotsinkielisen väestön keskittymiä, joista suuri osa sijaitsee hyvämaineisilla alueilla (Laapotti 2019). Tässä suhteessa esimerkiksi Kauniainen erottuu kartalta selkeästi. Kunta perustettiin alun perin huvilayhteiskunnaksi 1900-luvun alussa, jolloin yli 70 % sen väestöstä oli ruotsinkielisiä. Nykyään ruotsinkielisten osuus on 34 % (Kauniaisten kaupunki 2018). Ruotsinkielisen väestön sijoittumiseen ovat siis vaikuttaneet ennen kaikkea historialliset syyt, jotka vaihtelevat alueesta toiseen. Kauniaisten lisäksi ruotsinkielisen väestön keskittyminä erottuvat esimerkiksi Etelä- ja Kaakkois-Espoo.

Alkuperäiseen pisteteemakarttaan verrattuna ruututeemakartta on huomattavasti selkeämpi ja helpommin luettavissa. Pisteteemakartassa kohteita oli niin paljon, että ne sulautuivat yhtenäiseksi pistemassaksi, eikä alueellisista eroista juuri saanut selvää. Ruututeemakartan esittämä informaatio voitaisiin esittää myös koropleettikartalla, jolloin järkevin aluejako olisi esimerkiksi kaupunginosat. Koropleettikarttaan verrattuna ruututeemakartta tuntuu kuitenkin luotettavammalta, sillä koropleettikarttojen taustalla on usein alun perin poliittisista syistä laaditut hallinnolliset rajat. Lisäksi kunnissa ja kaupunginosissa esiintyy usein sisäistä hajontaa, joka ei välity koropleettikartan lukijalle.

Ruututeemakarttojen jälkeen siirryttiin työstämään rasterimuotoista aineistoa ensimmäistä kertaa koko kurssin aikana. QGIS:iin tuotiin .asc-tiedostomuodossa oleva korkeusmalli, josta luotiin automaattiset korkeuskäyrät, minkä jälkeen aineistoon lisätiin vielä rinnevarjostus. Aineiston alle tuotiin peruskarttalehti, ja läpinäkyvyyksiä säätämällä saatiin aikaan erittäin informatiivinen esitys alueen korkeusvaihteluista (kuva 3). Työskentelyn ohessa mietin pitkän tovin, miksi kyseistä aineistoa ylipäätään työstettiin  harjoituksen perimmäinen tarkoitus oli minulle hyvin hämärä. Lopputulosta katsellessa ymmärrän harjoituksen tavoitteen paremmin, mutta työskentely ilman selkeää päämäärää ei ollut kovinkaan mielekästä.

Kuva 3. Korkeusmalli Pornaisten alueesta.

QGIS:n luomia korkeusmalleja verrattiin myös Maanmittauslaitoksen peruskarttalehden 5 metrin korkeuskäyriin, jotka näkyvät kuvassa 4 vihreinä viivoina. Kuvasta nähdään, että korkeuskäyrät vastaavat toisiaan pääpiirteissään hyvin. QGIS:n korkeuskäyrissä on enemmän mutkia ja yksityiskohtaisia kuvioita peruskarttalehteen verrattuna, mikä johtunee peruskarttalehden tarkoituksesta – peruskarttalehdellä pyritään antamaan yleiskuva alueesta, joten liian yksityiskohtaiset korkeuskäyrät heikentäisivät kartan luettavuutta ja informatiivisuutta.

Kuva 4. Maanmittauslaitoksen peruskarttalehden sekä QGIS:n korkeusmallista luomat 5 metrin korkeuskäyrät (vihreällä).

Lähteet

Laapotti, Saaga (2019). Rastereita ja taikuutta. <https://blogs.helsinki.fi/saagalaa/>, luettu 11.2.2019.

Ojasalo, Amanda (2019). Ruutuja. <https://blogs.helsinki.fi/amandaoj/>, luettu 11.2.2019

Tietoa kaupungista (2018). Kauniaisten kaupunki. <https://www.kauniainen.fi/kaupunki_ja_paatoksenteko/tietoa_kaupungista>

Tietokantaliitoksista tulvariskiin

Kolmannella kurssikerralla siirryttiin astetta monimutkaisempiin karttaharjoituksiin, joissa toistuvia teemoja olivat ulkoisen tiedon liittäminen tietokantaan muista ohjelmista ja tietokantojen yhdistäminen toisiinsa. Ensimmäisenä harjoituksena työstimme Afrikkaan liittyviä tietokantoja. Valtiorajat sisältävä kartta-aineisto ei vielä sellaisenaan soveltunut tehokkaaseen käyttöön, sillä kokonaisten valtioiden sijaan aineiston jokainen polygoni oli oma objektinsa. Objektit saatiin yhdistettyä toisiinsa näppärästi QGIS:n Merge- ja Dissolve-komennoilla. Aineiston siivoamisen jälkeen ohjelmaan tuotiin ulkoista Excelissä tuotettua tietoa CSV-muodossa, jotka liitettiin ensimmäiseen tietokantaan Join-toiminolla. Harjoituksen tarkoituksena ei ollut tuottaa valmista karttaa vaan pääsääntoisesti harjoitella tietokantojen hallintaa: aineiston valmistelua, ulkoisen aineiston tuomista QGIS:iin ja tietokantaliitosten tekemistä.

Lopullinen tietokanta sisältää erilaista tietoa Afrikan konflikteista, timanttikaivoksista, öljykentistä ja internetin käyttäjistä eri vuosina. Eri muuttujia ja niiden alueellista jakautumista voidaan käyttää lähtöaineistona monelle erilaiselle analyysille. Internetin käyttöaste on potentiaalinen kehityksen mittari, sillä internetin saatavuus suurelle väestölle kertoo paljon yhteiskunnan toimivuudesta. Eri vuosien internetin käyttöasteista voidaan laskea muutosprosentti, jolloin nähdään eri valtioiden internetin käytön muutosnopeus. Timanttikaivosten ja öljykenttien sijaintia voidaan puolestaan verrata konfliktialueisiin nähden ja etsiä näiden muuttujien välistä korrelaatiota. Toisaalta valtiotason paikkatietoaineistot eivät välttämättä ole mielekkäitä konfliktien tutkimiseen. Vilma Kaukavuori tiivistää idean blogitekstissään Siellä konflikti missä timanttikaivos. Sattumaako? -Enpä usko (2019) seuraavasti:

”… Afrikan konfliktit ovat hyvin paikallisia, ja niitä tulisi tarkastella ennemminkin tarkan paikkatiedon kautta, kuin perinteisillä valtiotason tiedostoilla. Konflikteihin vaikuttavat usein paikalliset tekijät, kuten luonnonvarat ja etninen sirpaleisuus.” 

Tietokannan informaatiolla voidaan tarkastella myös esimerkiksi konfliktien ja väkiluvun välistä suhdetta – useiden tutkimusten mukaan väkiluvultaan suurissa valtioissa tapahtuu keskimäärin enemmän konflikteja (Herge & Raleigh 2006). Tietoa timanttikaivosten löytövuosista voidaan puolestaan hyödyntää tutkittaessa niiden paikallisia työllistävää vaikutusta, jos käyttöön saadaan työllisyyttä kuvaavia tietokantoja. Emilia Ihalainen esittää blogitekstissään Tietokannasta tietotulvaan (2019) lisäksi mielenkiintoisen tutkimusesimerkin öljykenttien tuottavuusluokittelun ja internetin käyttäjämäärän välisestä suhteesta.

Afrikka-aineistolla harjoittelun jälkeen siirryimme toiseen teemaan. Tarkoitus oli luoda Suomen valuma-alueiden tulvaherkyyttä ja muita ominaisuuksia kuvaava teemakartta itsenäisesti kirjallisten ohjeiden avulla. Itsenäinen työskentely osoittautui haasteelliseksi verrattuna tarkkojen suullisten ohjeiden noudattamiseen, mutta kärsivällisyyden, sinnikkyyden ja tiimityön avulla kaikki halutut elementit löysivät paikkansa kartalta. Kurssikerran itsenäinen työskentely oli erittäin oleellista ja hyödyllistä –  kartan laatiminen ilman apua valmisti meitä väistämättömään tulevaisuuden tilanteeseen, jolloin emme ole enää Artun hellässä huomassa, vaan meidän on pärjättävä yksin. Kirjallisten ohjeiden seuraaminen sopi minulle työskentelytapana  itse asiassa oikein hyvin, minkä lisäksi opin etsimään QGIS:n käyttöön liittyvää tietoa myös kurssimateriaalin ulkopuolelta.

Teemakartan työstämisessä oli oleellista soveltaa juuri opittuja tapoja yhdistää tietokantoja toisiinsa, jotta eri lähteistä tuotujen tietokantojen avulla voitiin tehdä erilasia laskutoimituksia. Laadittu teemakartta (kuva 1) koostuu kahdesta pääkomponentista: tulvaindeksistä ja diagrammina esitetystä järvisyysprosentista. Tulvaindeksiä varten yhdistettiin toisiinsa kaksi tietokantaa, jotka sisälsivät tiedon valuma-alueiden keskiyli- ja keskialivirtaamasta. Näistä saatiin laskemalla tulvaindeksi, joka visualisoitiin klassisella alueluokituskartalla. Valuma-alueiden järvisyysprosentti esitettiin puolestaan histogrammina, joita varten tuotiin ulkoinen tietokanta Excel-taulukosta CSV-muodossa. Tietokannasta luotiin histogrammit ohjelman automaattisella Diagrams-toiminnolla. Legendan kasaaminen QGIS:ssä osoittautui haastavaksi, sillä histogrammien kuvaamia arvoja ei saanut lainkaan näkymään selitteessä. Pelastavaksi enkeliksi osoittautui jo ennestään tuttu CorelDraw, jonka avulla legendan viimeistely sujui hetkessä.

Kuva 1. Koropleettikartta Suomen vesistöalueiden tulvaindeksistä ja järvisyysprosentista.

Valmiista koropleettikartasta voidaan päätellä kiinnostavia asioita Suomen eri vesistöalueiden ominaisuuksista. Järvisyysprosenttia tarkastellessa huomataan selkeitä kaavoja Suomen vesistörakenteessa: Järvi-Suomi on nimensä mukaisestikin maan järvisintä aluetta, kun taas rannikot ja Pohjois-Suomi ovat pääsääntöisesti vähäjärvisempiä. Tulvaindeksin perusteella maan tulvaherkimpinä alueina korostuvat erityisesti rannikkoalueet lännessä ja etelässä. Vesistöalueen tulvaherkkyydellä ja järvisyysprosentilla voidaan siis havaita yhteys: runsasjärvisillä alueilla on pääsääntöisesti matala tulvaindeksi. Ilmiötä selittää se, että järvet tasaavat jokien virtaamia tehokkaasti ja ehkäisevät joen virtaaman äkillistä nousua. Rannikkoalueet ja eritysesti Pohjanmaa ovat alavia ja runsasjokisia alueita, joita luonnehtivat etenkin kevättulvat lumien sulamisen yhteydessä. Sulava jää saattaa muodostaa kapeisiin jokiuomiin juuttuvia jääpatoja, jotka estävät joen virtaaman ja aiheuttavat sen tulvimisen (Ymparisto.fi 2013).

Lähteet

Herge, H. & Raleigh, C. (2006). Population size, concentration, and civil war. A disaggregated analysis. Centre for the Study of Civil War, PRIO, Oslo. <https://www.prio.org/Global/upload/CSCW/Data/populationsizewarwg3meeting.pdf>

Ihalainen, Emilia (2019). Tietokannasta tietotulvaan. <https://blogs.helsinki.fi/ihem/>, luettu 2.2.2019.

Kaukavuori, Vilma (2019). Siellä konflikti missä timanttikaivos. Sattumaako? -Enpä usko. <https://blogs.helsinki.fi/vilmakau/>, luettu 2.2.2019.

Ymparisto.fi (2013). Ympäristöhallinnon yhteinen verkkopalvelu. <https://www.ymparisto.fi/fi-FI/Vesi/Tulviin_varautuminen/Tulvasanasto>, luettu 2.2.2019.

Karttaprojektiot ja QGIS

Toisella kurssikerralla laadittiin koropleettikarttoja, jotka kuvaavat eri karttaprojektioiden luomia pinta-alavääristymiä. Karttaharjoittelu oli jatkoa edelliselle kurssikerralle – harjoitelimme tietokantojen perushallintaa ja erilaisten laskutoimitusten tekemistä attribuuttitaulukon tiedoilla. Lisähaasteen harjoitukseen karttaprojektion vaihtaminen lennossa eri työvaiheiden välillä.

Lämmitelynä ennen varsinaista karttojen tekoa tutustuttiin QGIS:stä löytyviin eri karttaprojektioihin ja tarkasteltiin niiden luomia vääristymiä mittaamalla tiettyjen kohteiden pituuksia ja pinta-aloja. Taulukko 1 kuvaa harjoittelun tuloksia ja havainnollistaa eri karttaprojektioiden luomia pinta-ala- ja pituusvääristymiä.

Taulukko 1. Valittujen kohteiden pinta-ala ja pituus eri karttaprojektioissa.

Tarkastelun lähtöprojektiona käytettiin ETRS-TM35FIN-projektiota, joka on vuonna 2010 Suomessa käyttöön otettu tasokoordinaatisto. Siinä koko Suomi kuvataan yhdessä maan keskiosien läpi kulkevassa kaistassa, mikä tarkoittaa, että kartan pinta-alavääristymä kasvaa kohti maan itä- ja länsireunoja (Maanmittauslaitos 2010). Projektio kuvaa Suomen hyvin sopusuhtaisena, minkä vuoksi sitä käytettiin myös kurssikerralla luotujen karttojen lopullisessa esityksessä.

Kurssikerran varsinaisia karttoja varten pinta-alojen vertailuun valittiin Lambertin oikepintainen projektio, joka nimensä mukaisesti esitää kartalla näkyvät pinta-alat totuudenmukaisesti. Räikeänä vastaparina vertailuun valittiin surullisenkuuluisa Mercatorin projektio, joka näyttää erityisesti napa-alueita lähellä olevien kohteiden pinta-alat kohtuuttoman suurina. Kartan laatimista varten aineiston attrbuuttitaulukkoon lisättiin sarakkeita, joihin laskettiin eri projektioiden kuvaamat kuntien pinta-alat sekä näiden prosentuaalinen ero. Lambertin ja Mercatorin projektioiden välinen pinta-alavääristymä on esitetty kuvassa 1.

 

Kuva 1. Pinta-alavääristymä Mercatorin projektion ja Lambertin oikeapintaisen projektion välillä.

Mercatorin projektion luoma pinta-alavääristymä on voimakkainta Pohjois-Suomessa, sillä kyseinen alue on kauimpana Mercatorin projektion ja maapallon sivuamislinjasta eli päiväntasaajasta. Vääristymä kasvaa tasaisesti etelästä pohjoiseen, ja kokonaisuudessaan vääristymän suuruusluokat ovat hurjia – kolmesta sadasta yli seitsemään sataan prosenttiin.

Vertailun vuoksi ja lihasmuistin vahvistamiseksi sama prosessi toistettiin toisella vapaavalintaisella projektiolla yhä Lambertiin verraten. Aluksi valitsin tarkasteluun Winkel tripel -projektion, joka pyrkii tasapainoon eri vääristymien välillä. QGIS ei kuitenkaan tähän suostunut, vaan ohjelma kaatui kerta toisensa jälkeen karttaprojektiota vaihtaessa. Kumma kyllä ongelma katosi käyttämällä mitä tahansa muuta karttaprojektiota, joten lopulta päädyin Robinsonin kompromissiprojektioon. Lambertin ja Robinsonin projektioiden välinen pinta-alavääristymä on kuvattu esitetty kuvassa 2.

Kuva 2. Pinta-alavääristymä Robinsonin projektion ja Lambertin oikeapintaisen projektion välillä.

Ensisilmäyksellä toinen kartta näyttää kovin samanlaiselta ensimmäiseen verrattuna: vääristymän suuruus kasvaa asteittain etelästä pohjoiseen siirryttäessä. Totuus kuitenkin paljastuu, kun tarkallellaan vääristymän suuruuden lukuarvoja. Robinsonin projektiossa vääristymän suuruus vaihtelee vajaasta kahdesta kymmenestä reiluun neljäänkymmeneen prosenttiin, kun Mercatorin projektion vääristymä on useita satoja prosentteja. Näiden kahden projektion eroa havainnollistaa erinomaisesti Julia Salmen laatima kartta, jonka hän esittää blogitekstissään Osa 2. Projektiovalintojen pohdintaa (2019). Hänen havaintojensa mukaan pinta-alavääristymä Mercatorin ja Robinsonin projektioiden välillä on valtava  Pohjois-Suomessa jopa 500 prosenttia.

Jälkeenpäin ajateltuna omien karttojen värisävyt olisi voinut säätää erilaisiksi niiden keskinäisen vertailun helpottamiseksi – Robinsonin projektion vääristymää kuvaavassa kartassa kaikki sinisen sävyt voisivat olla vaalemapia kuin yksikään Mercatoin projektion kartan väreistä. Tällöin karttojen luokat muodostaisivat jatkumon, joka korostaisi niiden valtavaa suuruuseroa. Muuten huolimaton lukija saa vaikutelman, että Mercatorin ja Robinsonin projektioiden pinta-alavääristymät ovat jotakuinkin samaa luokkaa. Yksittäisiä karttoja tarkastellessa niiden luokkavärit kuitenkin toimivat oikein hyvin.

Kompromissiprojektiona Robinsonin projektio pyrkii tasapainoon kaikkien eri vääristymien kesken, joten on luonnollista, että siinä esiintyvät pinta-alavääristymät ovat pieniä Mercatorin projektiooon verrattuna. Mercatorin projektiota ei ole alun perinkään tarkoitettu laajojen maa-alueiden esittämiseen, vaan oikeakulmaisena projektiona se soveltuu lähinnä merenkulkuun. Räikeät erot eri projektioiden pinta-aloissa kuitenkin havainnollistavat projektion valinnan tärkeyttä kartan laatimisessa.

Kokonaisuudessaan kurssikerran harjoitukset auttoivat syventämään osaamistani erityisesti attribuuttitaulukon käytön osalta sekä vahvistivat ymmärrystäni erilaisista karttaprojektioista. Lisäksi koen pystyväni jatkossa työskentelemään QGIS:n parissa aiempaa itsenäisemmin, kun sen peruskäyttö alkaa olla hallussa.

Lähteet

ETRS89 koordinaattijärjestelmä käyttöön. Maanmittauslaitos (2/2010). <https://www.maanmittauslaitos.fi/sites/maanmittauslaitos.fi/files/old/ETRS89koordinaattijarjestelma_kayttoon.pdf>, luettu 24.1.2019.

Salmi, Julia (2019). Osa 2. Projektiovalintojen pohdintaa. <https://blogs.helsinki.fi/jhsalmi/>, luettu 2.2.2019.

QGIS tutuksi

Kurssin ensimmäisellä kerralla tutustuttiin QGIS-paikkatieto-ohjelmistoon ja opeteltiin sen peruskäyttöä. En ollut koskaan aiemmin käyttänyt mitään paikkatieto-ohjelmia, joten kurssikerran käytännön asiat olivat minulle täysin uusia. Geoinformatiikka vaikuttaa ainakin teoriassa hyvin mielenkiintoiselta, mutta käytännön kokemuksen puutteen vuoksi on vaikea saada kokonaiskuvaa kaikesta siitä, mitä kaikkea geoinformatiikan opiskelu pitää sisällään. Tämä tulee toivottavasti muuttumaan kurssin aikana.

QGIS:n käytön opettelu oli loppujen lopuksi melko helppoa ja vaivatonta, kun jaksoi keskittyä ja seurata tarkkaan Artun ohjeita. Ida Lehtonen huomauttikin omassa blogissaan kattavan sekä suullisen että kirjallisen ohjeistuksen  tärkeydestä, ja olen hänen kanssaan samaa mieltä – ainakin omalla kohdallani työskentely ilman näin hyviä ohjeita olisi ollut sula mahdottomuus. Opin kurssikerralla hyvin tehokkaasti QGIS:n peruskäyttöä aina datan ohjelmaan tuomisesta lähtien. Nyt koen hallitsevani erityisesti koropleettikartan laatimisen eri vaiheet, kuten luokkarajojen ja värien säätämisen, ja ymmärrän niiden vaikutuksen lopullisen kartan kokonaisilmeeseen.

Moni kurssikerralla opituista teknisistä seikoista oli jo ennestään teoriassa tuttua geoinformatiikan johdantokurssilta, mutta oli täysin uutta päästä konkreettisesti luomaan sisältöä. Kurssilla sovelletaankin käytännössä jo aiemmin opittua, joten hyvät pohjatiedot johdantokurssilta auttavat varmasti tämän kurssin suorittamisessa. Esimerkiksi attribuuttitaulukon hyödyntäminen teemakartan laadinnassa oli suhteellisen vaivatonta, kun ymmärrys taulukon roolista osana aineistoa sekä erilaisista kenttätyypeistä oli jo olemassa.

Harjoittelun tuloksena syntyi oheinen koropleettikartta (kuva 1), joka kuvaa typpipäästöjä Itämeren valtioissa. Mereen päätyvä typpi aiheuttaa yhdessä fosforipäästöjen kanssa rehevöitymistä, joka on Itämeren suurimpia ympäristöongelmia. Merkittäviä typen päästöjä ovat muun muassa maatalous, teollisuus, haja-asutus, metsätalous ja kalankasvatus (WWF 2016).

Kuva 1. Typpipäästöt Itämerellä.

Kartan perusteella Puola on Itämeren alueen suurin typpipäästöjen tuottaja. Tämä selittyy osittain Puolan suurella väkiluvulla ja pitkään jatkuneilla ympäristöongelmilla, joista osa on perintöä kommunismin ajalta. Toisaalta esimerkiksi Saksan osuus Itämeren typpipäästöistä on hyvin pieni sen suuresta väkiluvusta ja laajasta teollisuudesta huolimatta. Ilmiö johtunee siitä, että suurin osa Saksasta sijaitsee Itämeren valuma-alueen ulkopuolella – Koillis-Saksaa lukuun ottamatta maassa virtaavat joet laskevat muihin meriin.

Laatimani teemakartta kuvaa haluttua ilmiötä mielestäni hyvin ja selkeästi. Ainoastaan typpipäästöjen prosenttiosuuksien alin luokka, tässä tapauksessa Viro, uhkaa vaalean värityksensä puolesta sekoittua tilastoon kuulumattomiin valtioihin. Ongelma korjautuisi säätämällä alimman luokan väristystä aavistuksen tummemmaksi. Lisäksi järvien esittäminen kartalla on hieman epäonnistunut värityksensä puolesta, ja ne vaikuttavat hyvin irrallisilta muuhun karttaan nähden. Ongelma olisi kenties korjautunut poistamalla järvien ääriviivat kokonaan. Aloittelijatason virheiden teko lienee kuitenkin sallittua vielä harjoitusvaiheen kartoissa, ja virheistä on tarkoitus oppia.

QGIS:n saloihin päästiin tutustumaan myös kotioloissa laatimalla koropleettikartta kuntiin liittyvästä väestötietoaineistosta. Laatimani kartta (kuva 2) esittää eläkeläisten osuutta kuntien väestöstä. Kartta paljastaa suuren mittakaavan piirteitä Suomen ikäjakaumasta: eläkkeellä olevaa väestöä on suhteellisesti eniten Pohjois-, Itä- ja Keski-Suomessa. Nämä ovatkin alueita, joita leimaa nuoren väestö poismuutto muun muassa parempien koulutus- ja työmahdollisuuksien perässä.

Kuva 2. Eläkeläisten osuus Suomen kunnissa vuonna 2015.

Kokonaisuudessaan ensimmäinen kurssikerta tarjosi sopivasti haastetta mutta myös onnistumisen ja valaistumisen hetkiä täysin uudenlaisen tietokoneohjelman parissa. Odotankin seuraavaa kurssikertaa sekä suurella innolla että jännityksellä.

Lähteet

Itämeren rehevöityminen (2016). WWF. <https://wwf.fi/alueet/itameri/rehevoityminen>, luettu 16.1.2019.

Lehtonen, Ida (2019). Blogi 1 QGIS:n käytön harjoittelua. <https://blogs.helsinki.fi/lida/>, luettu 16.1.2019.