Työikäiset ja elinkeinorakenne

Itse valittua karttaa tehdessä valitsin tehtävänannosta vaihtoehdon 1 ja lähdin miettimään, mitä kaikkia eri vaihtoehtoja minulla voisi olla esittää samalla kartalla vähintään kaksi muuttujaa. Ajattelin, että tekisin koropleettikartan, jolle lisäisin muuttujia myös esimerkiksi piste- tai aluemuodossa. Järvisyysdiagrammit neljänneltä kurssikerralta olivat kuitenkin jääneet vaivaamaan minua, joten päätin valita muuttujia, joista saisin tehtyä jonkinlaiset diagrammit, tällä kertaa toivottavasti paremmat. Näin ei kuitenkaan tainnut käydä.

Tein kuitenkin siis kartan, jolla esitän työikäisten (eli muistaakseni 15-64-vuotiaiden, jonkin lähteen mukaan ikähaarukka olisi kuitenkin suurempi) osuutta kunnittain koropleettikartalla, ja lisäksi elinkeinorakennetta diagrammein, joissa on alkutuotannon, jalostuksen sekä palvelujen työpaikkojen osuudet (Kuva 1). Koska diagrammit vievät taas aika paljon tilaa, tein kartan myös ilman niitä (Kuva 2). Päädyin skaalaamaan diagrammien koon kuntien koon mukaan, jotta edes osa diagrammeista erottuisi hyvin. Nyt kuitenkin esimerkiksi Ahvenanmaalla diagrammit ovat erittäin pieniä, mutta kuvaa suurentamalla niistäkin voi saada jonkinlaisen käsityksen. Ainakin diagrammit erottuvat väriensä puolesta melko hyvin taustastaan, ja myös legendaan olen tällä kertaa ihan tyytyväinen.

Kuva 1. 15-64-vuotiaiden osuus väestöstä sekä elinkeinorakenne kunnittain. Tilastokeskus.

En oikeastaan tiedä, mikä tarkoitus kartallani voisi olla. Elinkeinorakenne on ehkä ihan sopiva valinta diagrammiin, mutta koropleettikartalla olisi voinut ehkä ennemminkin esittää vaikka nuorten (esim. 15-34-vuotiaiden) osuuden väestöstä. Tällöin kartta kertoisi heidän elinkeinoistaan, kun nyt valitsin kaikki tai ainakin suurimman osan työikäisistä. Olisi myös pitänyt valita kaikki muuttujat samalta vuodelta. Alueita olisi myös voinut olla selvästi vähemmän, niin tästä “ilmiöstä” saisi selkeämmän kokonaiskuvan.

Pääsääntöisesti näyttäisi kuitenkin siltä, että kunnissa, joissa työikäisten osuus on alhaisempi, etenkin alkutuotannon ja myös jalostuksen työpaikkojen osuus on suurempi. Suurempien kaupunkien alueilla työikäisten ja palveluiden osuudet taas ovat suuremmat. Tässä tulikin mieleeni sellainen havainto, että vaikeuksista huolimatta QGISin käyttäminen ja karttojen tekeminen on kurssilla sujunut paremmin kuin niiden esittämien ilmiöiden tai muuttujien tulkitseminen ja pohtiminen, jossa on paljon parannettavaa.

Kuva 2. 15-64-vuotiaiden osuus väestöstä kunnittain. Tilastokeskus.

Saini Lankisen blogikirjoituksessa (Harjoitus 7 ja itsenäistä työskentelyä) on hyvää pohdintaa hänen kehittymisestään, johon pystyn itsekin samaistumaan. Lankinen esimerkiksi kirjoittaa, että hän on huomannut oppineensa soveltamaan erilaisia työkaluja, vaikka kohtasikin haasteita ainakin työskentelyn alussa. Itsekin selvitin tämän työn kohdalla esimerkiksi ääkkösistä johtuvat ongelmat, ja olen huomannut, että ilahduttavan monet QGISin toiminnot ovat luultavasti jääneet muistiin pidemmäksi aikaa. Myös minulle muiden kurssilaisten blogien lukeminen on ollut oikein positiivinen kokemus. Blogeissa on ollut hienoja oivalluksia sekä karttoja, ja niistä on saanut vertaistukea, mitkä ovat olleet hyvä lisä kurssikertoihin ja materiaaleihin, jotka ovat myös olleet erittäin opettavaisia.

Lähteet

Lankinen, S. (3.3.2023). Harjoitus 7 ja itsenäistä työskentelyä. Sainilan’s blog. https://blogs.helsinki.fi/sainilan/2023/03/03/harjoitus-7/

Tilastokeskus. Kuntien avainluvut 2021 aluejaolla [15-64-vuotiaiden osuus väestöstä 2021, alkutuotannon, jalostuksen ja palvelujen työpaikkojen osuudet 2020]. StatFin. https://pxdata.stat.fi/PxWeb/pxweb/fi/Kuntien_avainluvut/Kuntien_avainluvut__2021/kuntien_avainluvut_2021_viimeisin.px/table/tableViewLayout1/

Interpolointia ja hasardeja

Kampuksen ympäristön houkuttelevuus

Tälle kurssikerralle en päässyt osallistumaan, mikä varmaankin vaikeutti tehtävien tekemistä. Tein tehtäviä sen verran myöhässä, etten päässyt enää kurssikerran projektiin Epicollect5-sovelluksessa, mutta testasin siellä olevaa Demo Projectia. Kokeilin myös tehdä kartan muiden kurssilaisten keräämien mittausten tai vastausten avulla, ja jonkinlaisen Kumpulan kampuksen lähiympäristön houkuttelevuutta kuvaavan tuotoksen sainkin aikaan (Kuvat 1 ja 2).

Kuva 1. Kumpulan kampuksen lähiympäristön houkuttelevuus.

Aineistoa tutkittuani päädyin siihen, että 5 tarkoittaa kaikkein houkuttelevinta ja 1 vähiten houkuttelevinta, mutta en ole tästä täysin varma. Ainakin Turkka Häkkisen blogin (Viikko 6) turvallisuutta esittävässä kartassa 5 on turvallisin ja 1 vähiten turvallinen. Karttoja vertailemalla voi mielestäni nähdä, että houkuttelevuuden ja turvallisuuden välillä on jotain yhteyttä. Esimerkiksi Toukolan rantapuiston alue (Kuvat 1 ja 2, piste aika kartan kaakkoiskulmassa) on koettu houkuttelevaksi ja turvalliseksi.

Kuva 2. Kumpulan kampuksen lähiympäristön ja kohteiden houkuttelevuus.

Maanjäristyksiä ja tulivuoria

Päätin tehdä hasardikartat maanjäristyksistä ja tulivuorista. Maanjäristykset sain aika helposti Exceliin ja edelleen QGISiin ohjeiden avulla, mutta tulivuorten kanssa tuli ensin ongelmia Excelissä. Tein kartan yli 8:n magnitudin maanjäristyksistä (Kuva 3), yli 5,5:n magnitudin järistyksistä (Kuva 4) sekä yli 5,5:n magnitudin järistyksistä ja vuoden 1964 jälkeen purkautuneista tulivuorista (Kuva 5). Maanjäristysten määrän kasvaessa pienensin vähän niiden aikaväliä. Sekä tulivuorten että järistysten sijaintia esittävään karttaan (Kuva 5) olisi varmaan kannattanut vieläkin karsia maanjäristyksiä ja ottaa tarkasteluun enemmän tulivuoria, mutta on se tuollaisenaankin minulle ihan kelvollinen.

Kuva 3. Vuosina 1980-2023 tapahtuneet vähintään 8 magnitudin maanjäristykset. Lähde: USGS.

Mielestäni kartat ovat melko onnistuneita ja havainnollistavia siihen nähden, että aluksi tilanne vaikutti aika toivottomalta. Olisi kuitenkin varmaan kannattanut tehdä kumpaankin alla olevaan karttaan vain kolme luokkaa maanjäristyksille tai kaikki kohteet samanlaisiksi, niin ne voisivat olla selkeämpiä. Nyt niistä saa kuitenkin enemmän informaatiota, jos saa selvää. Legendojen keksiminen tuottaa myös aina päänvaivaa, joten pitänee kerrata niiden ohjeet jostakin.

Karttoja voisi käyttää opetuksessa esimerkiksi näitä hasardeja ja laattatektoniikkaa käsiteltäessä. Tyynenmeren tulirenkaalla ja mannerlaattojen reunoilla muutenkin tapahtuu suuri osa maanjäristyksistä ja tulivuorenpurkauksista, ja niiden avulla voisi havainnollistaa mannerlaattojen liikkeitä.

Kuva 4. Vuosina 1985-2023 tapahtuneet vähintään 5,5 magnitudin maanjäristykset. Lähde: USGS.

Kuva 5. Vuosina 1985-2023 tapahtuneet vähintään 5,5 magnitudin järistykset ja vuodesta 1964 eteenpäin purkautuneet tulivuoret. Lähteet: USGS ja NOAA.

Löysin NSF:n (National Science Foundation) sivuilta kartan, jossa näkyy vuosina 2000-2008 tapahtuneet vähintään 5 magnitudin maanjäristykset (Kuva 6). Tässä kartassa järistykset on tavallaan luokiteltu niiden syvyyden mukaan (vihreällä syvimmät, punaisella lähimpänä pintaa). Kuva on vähän vanhempi, mutta lähde on ainakin uskoakseni luotettava (Yhdysvaltain Kansallinen tiedesäätiö tms.). Yhteistä sillä on karttojeni kanssa ainakin se, että maanjäristykset sijoittuvat samoihin paikkoihin, ja että niitä on jotenkin luokiteltu.

Kuva 6. Vuosina 2000-2008 tapahtuneet vähintään 5 magnitudin maanjäristykset niiden syvyyden mukaan. NSF.

Lähteet

Häkkinen, T. (26.2.2023). Viikko 6 [blogikirjoitus]. Turkkaha’s blog. https://blogs.helsinki.fi/turkkaha/2023/02/26/viikko-6/

NOAA National Centers for Environmental Information. Global Volcano Locations Database. Haettu 18.3.2023 osoitteesta https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-data?timeErupt=D1

NSF. Global Map of Earthquakes. Haettu 19.3.2023 osoitteesta Multimedia Gallery – Global Map of Earthquakes | NSF – National Science Foundation.

USGS. Search Earthquake Catalog. Haettu 18.3.2023 osoitteesta https://earthquake.usgs.gov/earthquakes/search/

Bufferointia

Itsenäistehtävä 1: Lentokentät ja asemat

Tällä kurssikerralla QGISin työkalujen soveltaminen oli minulle selvästi aiempaa haastavampaa. Tehtävissä yritin selvittää buffereiden ja esimerkiksi sijaintiin perustuvien kohteiden valintatyökalujen avulla, montako ihmistä asuu mitenkin kaukana jostakin tai altistuu eri meluille. En aina osannut valita oikeaa toimintoa, minkä vuoksi tein jotkin asiat varmaan turhan monimutkaisesti, mutta toivottavasti ainakin osa tuloksista on melko oikein. Myös Tatu Jenze kirjoittaa blogissaan (Itsenäistehtäviä olevinaan) siitä, että liittämiseen ja laskemiseen liittyvien toimituksien soveltaminen ei ole yhtä helppoa kuin valitsemistyökalujen käyttö, vaikka ohjeiden kanssa sekin onnistuu.

Taulukko 1. Lukuja Malmin lentokentästä.

Taulukko 2. Lukuja Helsinki-Vantaan lentokentästä.

Taulukko 3. Lukuja pääkaupunkiseudun juna- ja metroasemista.

Itsenäistehtävä 2: Taajamat

Tätä en osannut tehdä.

Itsenäistehtävä 3: Uima-altaat

HUOM! Menin vähän sekaisin rakennuksissa ja uima-altaissa, joten karttojen legendoissa taitaa olla sellainen virhe, että luvut tarkoittaisivat uima-altaiden määrää, vaikka oikeasti ne tarkoittavat niiden rakennusten määrää, joissa on uima-allas.

Uima-altaat ja saunat vaikuttivat mielenkiintoisilta muuttujilta, joten päätin tehdä kartan niistä (Kuvat 1 ja 2). Se ei ollut kuitenkaan kovin helppoa, koska jouduin miettimään liian kauan sitäkin, miten saan selville, montako uima-allasta milläkin alueella on. Lopulta muistin käyttää jotakin summatoimintoa. Myös diagrammien ja numeroarvojen asettelu ja muotoilu tuotti vaikeuksia, eivätkä ne kovin selvästi kartalta erotukaan. Hiljalleen aikaisemmat opit alkoivat kuitenkin muistua mieleen, ja sain tehtyä kartan loppuun.

Kuva 1. Pääkaupunkiseudun rakennusten uima-altaat alueittain.

Tein ensin kartan yksivärisellä taustalla (Kuva 2), mutta sain sitten Nikolai Tuurin blogista (5. Kurssikerta) idean esittää alueet uima-altaallisten rakennusten määrän mukaan, ja tein toisen kartan (Kuva 1). Hänelläkin oli näköjään sama ongelma kuin minulla siinä, että alueista kahdella oli virheellinen geometria tai vastaavaa, minkä vuoksi ne eivät näy kartalla. Kartalta (Kuva 1) näkyy, että uima-allasrikkain alue on Lauttasaari, jossa niitä on 53:ssa rakennuksessa. Toisena on Länsi-Pakila 52 rakennuksella, mikä oli mielenkiintoinen yllätys, koska se on lähellä omaa kotialuettani.

Kuva 2. Rakennusten uima-altaat alueittain pääkaupunkiseudulla.

Taulukko 4. Lukuja pääkaupunkiseudun uima-altaisiin liittyen.

Kuva 3. QGISissä valittuna ne omakotitalot, joissa on uima-allas.

Lähteet

Jentze, T. (22.2.2023). Itsenäistehtäviä olevinaan [blogikirjoitus]. MAA-202 Tatu. https://blogs.helsinki.fi/jentze/2023/02/22/itsenaistehtavia-olevinaan/#comment-11

Tuuri, N. (23.2.2023). 5. Kurssikerta [blogikirjoitus]. Nikolain blogi. https://blogs.helsinki.fi/nikolait/2023/02/23/5-kurssikerta/

Ruutuaineistoja

Ruutukartan tekeminen oli todella mielenkiintoista ja ohjeiden kanssa se sujui melko hyvinkin. Valitsin kartalla (Kuvat 1 ja 2) esitettäväksi muuttujaksi ruotsinkielisten osuuden asukkaista pääkaupunkiseudulla, mutta aineistosta olisi varmasti löytynyt mielenkiintoisempiakin. Kuten kurssikerralla tuli ilmi, ruutukartalla voi esittää tietoa myös absoluuttisilla luvuilla, koska alueet eli ruudut ovat saman kokoisia keskenään. Niinpä tein kartan sekä ruotsinkielisten osuuksista (Kuva 1) sekä absoluuttisista määristä (Kuva 2). Alueet ovat siis pinta-alaltaan samankokoisia, mutta niiden väkiluvut vaihtelevat, minkä vuoksi suhteelliset osuudet ovat ehkä tässäkin tapauksessa se vaihtoehto, joka antaa ilmiöstä selkeämmän ja todenmukaisemman kuvan.

Kartoista näkyy, että suurin osuus ruotsinkielisiä on esimerkiksi Espoossa, kun taas eniten heitä on tiheästi asutussa Helsingin kantakaupungissa.

Kuva 1. Ruotsinkielisten asukkaiden osuus asukkaista yhteensä pääkaupunkiseudulla neliökilometrin kokoisissa ruuduissa vuonna 2016.

Kuva 2. Ruotsinkieliset asukkaat pääkaupunkiseudulla neliökilometrin kokoisissa ruuduissa vuonna 2016.

Mielestäni kartat ovat melko selkeät, koska tein taustasta värillisen, jotta yksittäiset tyhjät ruudut erottuvat kartalta. Kuntarajat auttavat myös näkemään, mitkä ruudut kuuluvat millekin kaupungille. Olen kuitenkin Tatu Jentzen (Viikko 4 – Ruudun takaa) kanssa samaa mieltä siitä, että esimerkiksi kaupunginosien nimet auttaisivat kartan lukemisessa, koska nyt alueita ei voi tunnistaa niiden muodoista. Ruutukartta voi tavallaan kuitenkin olla tarkempi kuin tavallinen koropleettikartta, koska ruuduista saa halutessaan todella pieniä. Yksittäiset kohteet esittävä pistekartta on kuitenkin tarkin, joskaan ei välttämättä selkein tai helppolukuisin.

Kuva 3. Kuvassa valittuna ne kolme ruutua, joissa ruotsinkielisten osuus asukkaista on 100 %.

Lähteet

Jentze, T. (9.2.2023). Viikko 4 – Ruudun takaa [blogikirjoitus]. MAA-202 Tatu. https://blogs.helsinki.fi/jentze/2023/02/09/viikko-4-ruudun-takaa/

Tietojen yhdistämistä ja diagrammeja

Timantteja, öljyä ja konflikteja

Kolmannella kurssikerralla harjoittelimme QGISissä esimerkiksi tietojen yhdistelyä tietokannassa sekä tietokantojen yhdistämistä. Erilaiset yhdistelytoiminnot ovat kyllä tavallaan aika ymmärrettäviä, vaikka minulle tulikin joitakin ongelmia Afrikan valtioiden alueiden pinta-aloja laskettaessa.

Olen kuitenkin iloinen siitä, että sain tuotua QGISiin .csv-muotoisen tiedoston, jossa on tiedot Afrikan valtioiden väkiluvusta sekä internetin ja Facebookin käyttäjistä. Näiden tietojen avulla tein kartan, joka esittää internetin käyttäjien osuutta valtion väestöstä (Kuva 1). Kartalla näkyvät myös timanttikaivokset ja öljykentät sekä vuosina 1947-2008 tapahtuneet konfliktit. Kartan legenda on kyllä puutteellinen, mutta ehkä kuvateksti auttaa jonkin verran. Tein myös kartan, jolla pistemäinen ja alueellinen aineisto (?) on yksivärisellä pohjalla, jos haluaa tarkastella vain niitä (Kuva 2).

Kuva 1. Internetin läpäisevyys valtioittain vuonna 2020, öljykentät ja timanttikaivokset sekä vuosina 1947-2008 tapahtuneet konfliktit Afrikassa.

Kuva 2. Öljykentät ja timanttikaivokset sekä vuosina 1947-2008 tapahtuneet konfliktit Afrikassa.

Karttojen (Kuvat 1 ja 2) perusteella voisi sanoa, että timanttikaivokset sijoittuvat pääasiassa etelään, öljykentät pohjoiseen ja konfliktit päiväntasaajan molemmin puolin. Esimerkiksi Algeriassa on öljykenttiä ja useita konflikteja, ja nähdäkseni Länsi-Afrikan lounaisrannikolla taas samalla alueelle sijoittuu paljon timanttikaivoksia ja konflikteja. Mitään syy-seuraussuhteita ei konfliktien ja luonnonvarojen välille karttojen perusteella varmastikaan voi vetää, koska esimerkiksi Itä-Afrikassa on paljon konflikteja, muttei timantteja tai öljyä. Tähän palaan vielä myöhemmin, samoin kuin siihen, mitä internetin läpäisevyys voi kertoa.

Tulvaindeksi ja järvisyys

Toisena tehtävänä oli tuottaa Suomen vesistöalueiden valuma-alueiden tulvaindeksiä ja järvisyyttä kuvaava teemakartta (Kuvat 3 ja 4). Tein myös kartan, joka esittää vain tulvaindeksejä, jotta kaikki alueet näkyisivät (Kuva 5). Varmuuden vuoksi selvennän karttojen (Kuvat 3 ja 4) legendoja vielä sen verran, että järvisyysdiagrammien koko skaalautuu siis järvisyysprosentin mukaan, joka aineiston alueilla vaihtelee välillä 5-19,8 %. Nämä kartat ovat keskenään samanlaisia, toisessa diagrammit vain ovat läpinäkyviä, jotta pienimmätkin valuma-alueet jotenkin näkyisivät niiden alta.

Aluksi olin karttoihin tyytyväinen, mutta nyt kun katson niitä uusin silmin, olisi tulvaindeksille ja diagrammeille kannattanut valita selkeämmin erottuvat värit. Olen myös kirjoittanut legendoihin “Suomen vesistöalueiden valuma-alueiden”, vaikka vesistöalue ja valuma-alue taitavatkin olla ainakin melkein sama asia. Wikipedian (Wikipedia – Suomen vesistöalueet) mukaan Suomen vesistöalueet ovat nimittäin ne valuma-alueet, jotka ovat Suomen alueella joko kokonaan tai osittain. Niinpä legendaakin voisi selkeyttää, mutta tyytynen toistaiseksi näihin tuotoksiin.

Kuva 3. Suomen vesistöalueiden valuma-alueiden tulvaherkkyys sekä järvisyys. Tulvaindeksi on keskiarvoylivirtaaman (MHQ) ja keskiarvoalivirtaaman (MNQ) suhde. Virtaama ilmoitetaan l/s tai m³/s.

Kuva 4. Kuva 3. Suomen vesistöalueiden valuma-alueiden tulvaherkkyys sekä järvisyys.

Karttoja tarkastelemalla voi kuitenkin huomata, että kaikki valuma-alueet, joilla tulvaindeksi on suurempi kuin aineiston pienimmässä luokassa, sijoittuvat rannikolle. Näillä alueilla järvisyysprosenttikin on pieni. Järvisyysprosentti, eli järvien pinta-alan osuus valuma-alueen pinta-alasta, on suurin Vuoksen valuma-alueella ja toiseksi suurin Kymijoen valuma-alueella, selviää projektin attribuuttitaulukosta.

Näiden havaintojen perusteella vaikuttaisi siltä, että mitä enemmän alueella on järviä, sitä pienempi tulvaherkkyys on. Myös alueen sijainnilla (rannikko vai sisämaa, ehkä myös etelä vai pohjoinen?) on varmaan merkitystä. Rannikolla taitaa ainakin sataa enemmän, ja tulvia voi varmaan myös sattua merenpinnan ollessa tavallista ylempänä. Pohjois-Suomessa sekä järvisyys että tulvaindeksi ovat monin paikoin alhaisia. Myös Vilma Valto on pohtinut blogissaan (3. Mikä kartta toi on olevinaan?) tulvaindeksin ja järvisyyden yhteyttä. Hän on tullut siihen tulokseen, että kun järviä on paljon, vedellä on paikka, jonne mennä, joten tulvia ei synny ja tulvaindeksi on pieni, ja toisinpäin, mikä tosiaan kuulostaa loogiselta.

Kuva 5. Suomen vesistöalueiden valuma-alueiden tulvaherkkyys.

Lähteet

Valto, V. (1.2.2023). 3. Mikä kartta toi on olevinaan? [blogikirjoitus]. Valto vs. Geoinformatiikan menetelmät 1. https://blogs.helsinki.fi/vvalto/2023/02/01/3-mika-kartta-toi-on-olevinaan/

Wikipedia (30.12.2022). Suomen vesistöalueet. Haettu 20.2.2023 osoitteesta https://fi.wikipedia.org/wiki/Suomen_vesist%C3%B6alueet

Rajapintoja ja karttaprojektioita

WFS-aineistot QGISissä

Toisella kurssikerralla kuulimme erilaisista datan lähteistä, kuten rajapinnoista, ja opimme lisäämään WFS-tasoja QGIS-ohjelmistoon. Ajatuksena se kuulosti monimutkaiselta, mutta olen Pinja Rautiaisen (Tehtävä 2. Projektioiden käyttöä) kanssa samaa mieltä siitä, että se olikin melko yksinkertaista. Kokeilin WFS-tason lisäämistä QGISiin vielä kotona, ja onnistuin lisäämään esimerkiksi GTK:n kallioperäaineiston. Väyläviraston aineiston tavoin tässä GTK:n kallioperärajapinta-aineistossa on lukuisia tasoja, joita voi lisätä projektiinsa. Esimerkiksi pistemuotoisen metallikaivosaineiston attribuuttitaulukosta löytyy tietoa kaivosten omistajista aina louhittaviin metalleihin.

Karttaprojektioiden vääristymien vertailua

Kurssikerran tehtävässä päätin vertailla TM35FIN-projektioon Mercatorin projektion lisäksi Plate Carrée -projektiota ja Robinsonin projektiota. Mercatorin projektio on oikeakulmainen, eli kulmat ilmansuuntien välillä ovat oikein, mutta vääristymät pituuksissa ja pinta-aloissa kasvavat navoille päin mentäessä. Esrin ArcGis Desktop 9.2 Help -sivuston (ArcGIS Desktop Help 9.2 – Plate Carree (esri.com)) mukaan Plate Carrée -projektio muodostaa keskenään samankokoisista neliöistä koostuvan koordinaatiston, jossa pinta-ala ja muodot vääristyvät päiväntasaajalta poispäin mentäessä, mutta eivät yhtä paljon kuin Mercatorin tapauksessa. Robinsonin projektiossa puolestaan on tavoiteltu mahdollisimman pieniä sekä alueiden muotojen että kokoerojen vääristymiä (Lehtinen & Kettunen, 2019).

Mittasin QGISin työkalulla saman etäisyyden ja pinta-alan jokaisessa projektiossa, ja laskin niiden erot TM35FIN-projektiossa mitattuihin arvoihin (Taulukko 1). Oli kiva päästä taas käyttämään Exceliä taulukkolaskennassa, mutta käytin huolestuttavan paljon aikaa miettiessäni, miten prosentuaalinen erotus lasketaankaan, enkä vieläkään usko, että se meni oikein. Mittaukseni sijaitsevat ihan Pohjois-Suomessa, jossa Mercator laskujeni mukaan vääristää pituuksia kaikkein eniten (pinta-alojen erotus TM35FIN-projektioon verrattuna yli seitsenkertainen, 717,1 %) ja Robinsonin projektio vähiten (vastaava luku vain 40,9 %). Nämä mittaukset käyvät yhteen niiden tietojen kanssa, joita projektioista löysin: Mercatorin projektio vääristää pinta-aloja eniten, Plate Carrée vähemmän ja Robinsonin projektio vähiten.

Taulukko 1. Välimatkan ja pinta-alan vertailua karttaprojektioissa.

QGISillä tein kolme karttaa, joilla yritin esittää projektioiden aiheuttamia pinta-alavääristymiä Suomessa kunnittain (Kuvat 1-3). Itse tehtävän tekeminen ja kaikki toiminnot sujuivat oikeastaan ongelmitta, mutta lopputulokseen en ole kovin tyytyväinen. Mielestäni karttojen avulla ei voi kovin helposti vertailla projektioiden välisiä eroja, vaikka värit ja luokkamäärät ovatkin samat. Mercatorin projektiossa vääristymäkerroin, joka kertoo, kuinka monta kertaa projektio suurentaa kuntien pinta-aloja verrattuna TM35FIN-projektioon, saa arvoja väliltä n. 3,94-8,24. Robinsonin projektiossa väli on muutaman kymmenyksen suuruinen (n. 1,185-1,416), ja Plate Carréenkin tapauksessa väli on pieni (n. 1,98-2,867). Jokaisessa kartassa kaikki kahdeksan luokkaa ovat kuitenkin saman väriset keskenään (siis esim. pienin luokka kaikissa kolmessa saman värinen), joten jos projektioita haluaa vertailla keskenään, pitää karttojen legendoja tutkia tarkasti.

Kuva 1. Kuntien pinta-alat TM35FIN-projektiossa suhteessa pinta-alaan Mercatorin projektiossa. Vääristymäkerroin kertoo, kuinka monta kertaa pinta-ala on suurempi Mercatorin kuin TM35FIN-projektiossa.

Kuva 2. Kuntien pinta-alat TM35FIN-projektiossa suhteessa pinta-alaan Mercatorin projektiossa. Vääristymäkerroin kertoo, kuinka monta kertaa pinta-ala on suurempi Plate Carrée -projektiossa kuin TM35FIN-projektiossa.

Kuva 3. Kuntien pinta-alat TM35FIN-projektiossa suhteessa pinta-alaan Robinsonin projektiossa. Vääristymäkerroin kertoo, kuinka monta kertaa pinta-ala on suurempi Robinsonin kuin TM35FIN-projektiossa.

Yritin tehdä myös kartat, joissa olisi kaikissa samat luokkarajat ja siten värit ilmaisivat samoja vääristymäkertoimia joka kartassa. Laskinkin jonkinlaiset välit, mutta QGISissä niiden muuttaminen ei oikein onnistunut, koska kartalla värit eivät olleet muuttamieni luokkarajojen mukaisia. Myöhemmin, jos ehdin, haluaisin yrittää tehdä kartat vertailukelpoisemmiksi vielä värejä ja mahdollisesti luokkien määrää muuttamalla, jos se auttaisi. Samalla voisin keksiä kartoille jonkin paremman otsikon, ja mahdollisesti valita jonkin erilaisemman projektion tarkasteluun. Nyt näyttää ainakin nopeasti katsottuna siltä, että karttojen välillä on hyvin pieniä, muutaman kunnan eroja, mikä johtuu varmasti kuitenkin enimmäkseen siitä, miten tein tehtävän.

Lähteet

Esri (3.8.2007). Plate Carrée. ArcGIS Desktop Help 9.2. Haettu 7.2.2023 osoitteesta https://webhelp.esri.com/arcgisdesktop/9.2/index.cfm?TopicName=Plate_Carree

Lehtinen, J. & Kettunen, P. (2019). Maailma venyy ja paukkuu kartalla. Tietoa Maasta, 2/2019. Maanmittauslaitos. https://www.maanmittauslaitos.fi/tietoa-maanmittauslaitoksesta/ajankohtaista/lehdet-ja-julkaisut/tietoa-maasta/maailma-venyy-ja-paukkuu

Rautiainen, P. (2.2.2023). Tehtävä 2. Projektioiden käyttöä [blogikirjoitus]. Pinja Rautiainen, Geoinformatiikan kurssiblogi. https://blogs.helsinki.fi/radpinja/2023/02/02/tehtava-2-projektioiden-kayttoa/

Koropleettikarttoja QGIS-paikkatieto-ohjelmistossa

HELCOM-maiden typpipäästöt

Ensimmäisellä kurssikerralla teimme yhdessä QGIS-ohjelmalla HELCOM-maiden suhteellisia typpipäästöjä kuvaavat kartat (Kuva 1). Vaikka QGIS olikin jonkin verran tuttu aiemmalta kurssilta, erilaisten toimintojen kertaaminen rauhalliseen tahtiin tuli tarpeeseen. Joitakin tehtävän mielestäni tärkeimpiä ja myös minulle uusia asioita olivat (typpipäästöjen) suhteellisten osuuksien laskeminen, lisääminen attribuuttitaulukkoon ja lopuksi kartalla esittäminen. Tein tehtävän osittain uudestaan myöhemmin, ja toivon, että osaisin eri vaiheet vieläkin ainakin ohjeiden kertauksen avulla.

Kuva 1. HELCOM-maiden suhteelliset typpipäästöt maiden yhteenlasketuista typpipäästöistä.

Suomen kuntiin liittyvien muuttujien tarkastelu

Itsenäisesti tehtävässä harjoituksessa valitsin helpomman vaihtoehdon, koska vaikeamman yrittäminen jäi siihen, etten onnistunut luomaan .csv-tiedostoa (lisäys: tämä jäi vaivaamaan, joten yritin myöhemmin ja onnistuin :D). Vaikeustason 2 tehtävään olisi tainnut olla vaihtoehtoisiakin tapoja, mutta valitsin kuitenkin valmiin muuttujan ja tein alle 15-vuotiaiden osuutta kunkin kunnan väestöstä kuvaavan koropleettikartan (Kuva 2). Sen jälkeen kun tajusin, että muuttuja oli sellaisenaan käyttövalmiina tason attribuuttitaulukossa (ei tarvinnut laskea ja lisätä taulukkoon suhteellisia osuuksia, kuten 1. harjoituksessa), tehtävän tekeminen sujui oikeastaan ongelmitta.

Aineiston luokkajaon pohtimiseen (ja kartan väriskaalan säätämiseen) kului kylläkin paljon aikaa, mutta päädyin lopulta luonnollisiin väleihin, joita käytettiin myös 1. tehtävässä. Yritin vertailla eri luokkavälejä histogrammien ja syntyvien karttojen avulla. Tilastokeskuksen Tilastokoulun mukaan histogrammi on arvojen jakautumista havainnollistava graafinen esitys, jossa palkkien korkeus esittää kuhunkin luokkaan kuuluvien tapausten määrää. Jakauman huipun kerrotaan olevan kohta, johon sijoittuu eniten havaintoja ja joka on yleensä keskikohtaa lähellä, mikä pätee myös tehtäväni histogrammissa (Kuva 3, Luonnolliset välit).

Alle 15-vuotiaiden osuus kuntien väestöstä vuonna 2021.

Mielestäni eri sinisen sävyt erottuvat tarpeeksi hyvin toisistaan kartallani (Kuva 2), ja toivon, ettei valitsemani luokkajako anna todellisuudesta kovin vääristävää kuvaa sellaiselle, joka ei tunne aineistoa. Tehtävää tehdessä ainakin tuli selväksi se, miten karttaa tehdessä erilaiset valinnat vaikuttavat siihen, miten asia tai ilmiö näyttäytyy. Karttani perusteella näyttää siltä, että alle 15-vuotiaita on eniten Pohjanmaalla, suurten kaupunkien läheisyydessä sekä esimerkiksi Ahvenenmaalla. Vähiten heitä taas on etenkin Pohjoisessa ja Itä-Suomen kunnissa.

Tyyne Turunen pohtii ensimmäisen kurssikerran blogitekstissään (1. harjoituskerta 18.1.2023) erilaisia syitä kuntien välisille eroille. Esimerkiksi Pohjanmaalla lestadiolaisväestön määrän vuoksi perhekoot ovat suurempia. Hän tuo esille myös mielenkiintoisen Kontiolahden, jonka hän kertoo erottuvan Itä-Suomen ikääntyvien kuntien joukosta (Kontiolahti on hiukan L-kirjaimen muotoinen, kartassani kaikkein itäisin kunta, jossa %-osuus on 16,9-21,9). Myös Turunen on käyttänyt luonnollisia välejä, joten kartoissamme ei siltä osin ole eroja.

Olen kuitenkin löytänyt yhden alle 15-vuotiaiden osuutta väestöstä kuvaavan kartan, jossa on erilaiset välit. Aleksi Laurialan blogijulkaisussa (Geoinformatiikan menetelmät) olevassa kartassa on taidettu käyttää sellaista jakoa, että jokaisessa viidessä luokassa on yhtä monta havaintoa. Luonnollisiin väleihin verrattuna kartalla näkyy enemmän ainakin ylimpään ja alimpaan luokkaan kuuluvia kuntia. Eroja voi vertailla myös histogrammeja (Kuva 3) tarkastelemalla. En tiedä, kumpi tai mitkä olisivat parhaat välit, joten ainakin luokkarajoihin minun pitää vielä perehtyä.

Kuva 3. Ylempänä histogrammi kvantiileilla ja alempana luonnollisilla väleillä. Muuttujana alle 15-vuotiaiden osuus kuntien väestöstä.

lisäys

Tein tosiaan vielä toisen kartan käyttämällä muuttujana keski-ikää (Kuva 4). Tällä kertaa .csv-tiedoston luominen onnistui, mutta kun liitin tason Join-toiminnolla QGISissä, kaikista kunnista ei ensin tullut arvoa. Luulin, ettei hakemassani aineistossa ollut havaintoja kaikista kunnista, mutta virhe olikin minun, koska olin valinnut kohdetasosta väärän kuntien nimet sisältävän sarakkeen. Sen jälkeen kartan tekeminen sujuikin samoin kuin aiemmin, ja tämä vaikeustason 2 tehtävä oli toki paljon helpompi tehdä sen jälkeen, kun olimme käsitelleet tarvittavia toimintoja myöhemmällä kurssikerralla. Jenna Niemisen blogikirjoitusta (Viikko 1) lukiessani oli kiva huomata, että hänkin onnistui myöhemmin tekemään kartan myös itse löytämäänsä muuttujaa käyttämällä.

Kartasta (Kuva 4) voi nähdä, että keski-ikä on matalin (alle 40 vuotta) suurien kaupunkien ympärillä ja esimerkiksi juuri Pohjanmaalla, jossa alle 15-vuotaita on paljon. Vastaavasti esimerkiksi monissa Itä-Suomen kunnissa, joissa alle 15-vuotaiden osuus on alhainen, keski-ikä on korkea (51,6-56,6 vuotta). Vertailua helpottaakseni lisäsin alle 15-vuotaiden osuutta kuvaavan kartan myös keski-ikää esittävän kartan viereen.

Kuva 4. Vasemmalla kuntien väestön keski-ikä vuonna 2021. Oikealla alle 15-vuotaiden osuus kuntien väestöstä vuonna 2021. Tilastokeskus.

Lähteet

Lauriala, A. (16.1.2023). Geoinformatiikan menetelmät [blogikirjoitus]. Aleksi bloggaa. https://blogs.helsinki.fi/laleksi/2023/01/16/hello-world/

Nieminen, J. (23.1.2023). Viikko 1 [blogikirjoitus]. Jennan blogi, Geoinformatiikan menetelmät 1 -kurssi. https://blogs.helsinki.fi/nieminje/2023/01/23/viikko-1/

Tilastokeskus. Tilastojen ABC, 4.2 Jakauma. Tilastokoulu. Haettu 26.1.2023 osoitteesta https://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_tlkt&lesson_id=4&subject_id=2&page_type=sisalto

Tilastokeskus (2021). Tunnuslukuja väestöstä alueittain, 1990-2021. StatFin. https://statfin.stat.fi/PxWeb/pxweb/fi/StatFin/StatFin__vaerak/statfin_vaerak_pxt_11ra.px/

Turunen, T. (20.1.2023). 1. harjoituskerta 18.1.2023 [blogikirjoitus]. Ttyyne’s blog. https://blogs.helsinki.fi/ttyyne/2023/01/20/1-harjoituskerta-18-1-2023/