Author: Oona Jalkanen

Tsunamikarttojen luominen

Edellisellä kurssikerralla käsiteltiin hasardeja, ja innostuin aiheesta sen verta paljon, että päätin jatkaa tällä teemalla myös viimeisellä kurssikerralla. Löysin helposti kaiken näköistä hasarditietoa maailmalta, mutta tiedon runsaus sai aikaan informaatioähkyn enkä enää tiennyt mihin aiheeseen halusin keskittyä. Valitsin lopulta aiheeksi tutut ja turvalliset tsunamit ja toiseksi aihealueeksi monista eri hasardeista koostuvan riskiluokituksen. Löysin NOAA:n alaisen NCEI:n sivuilta hyvän hakutoiminnon tsunameihin, ja rajasin tsunamit vuosien 1950-2021 välille. Hakutoiminnossa pystyi myös kätevästi valitsemaan erilaisia alueita, ja päätin tarkastella ensin Välimeren aluetta ja sitten Intian Valtamerta.

Latasin aineistot tekstimuotoisina taulukkoina ja toin ne sitten QGIS:iin. Data sisälsi paljon erilaista tietoa, mutta ongelmallista oli, että monissa sarakkeissa tietoa löytyi vain tietyistä tsunamitapahtumista. Esimerkiksi Välimerellä tapahtuneiden tsunamien voimakkuudesta oli tietoa vain yksittäisistä tsunameista, ja tällöin kartalla näytti että tsunameita olisi tapahtunut vain kymmenen kappaletta valitulla aikavälillä, vaikka oikeasti niitä oli tapahtunut monta kymmentä. Tsunamin intensiteetin esittäminen ei siis toiminut toivotulla tavalla, joten päädyin lopulta esittämään maanjäristyksen voimakkuutta tsunamin yhteydessä. Tsunamin syntymekanismi voi olla myös jokin muu kuin maanjäristys ja metadatasta ei selvinnyt, että ovatko nämä maanjäristykset olleet tsunamin pääasiallinen aiheuttaja vai vain osatekijä. Suurimmassa osassa tapauksia voidaan kuitenkin olettaa, että maanjäristys on saanut aikaan tsunamin. Siispä kahdella ensimmäisellä kartalla esitän Välimeren ja Intian valtameren tsunamien yhteydessä tapahtuneiden maajäristysten voimakkuuden magnitudeina. Maanjäristyksiä tapahtuu myös erityisen paljon litosfäärilaattojen saumakohdissa, joten siksi latasin shapefile-muotoiset tasot näistä saumakohdista Texasin yliopiston geofysiikan instituutin sivuilta löytyvästä linkistä. Hyödynsin näissä tsunamikartoissa myös aiemman kurssikerran maailman taustakarttaa ja valtioiden rajoja. Lisäksi latasin Natural Earth-sivustolta maa-alueet, joet ja järvet shapefile-tiedostoina.

Analyysia tsunamikartoista

Välimeren kartasta voidaan nähdä, että tsunamien yhteydessä on sattunut maanjäristyksiä etenkin Kreikan ja Turkin ympäristössä. Tämä alue sijaitse myös litofäärilaatan saumakohdassa, mikä lisää maanjäristyksien todennäköisyyttä. Suurin osa maanjäristyksistä asettuu luokkaan 6-7 magnitudia, eli kaikkein voimaikkammat maanjäristykset ovat Välimeren alueella harvinaisempia. Intian valtameren karttaa tulkittaessa huomataan, että suurin osa tsunamin aiheuttaneista maajäristyksistä sijoituu Kaakkois-Aasian rannikolle, etenkin Indonesian lähistölle. Maajäristyksien voimakkuus on myös huomattavasti useammin suurempi kuin Välimeren alueella, suurin osa järistyksistä on nimittäin 7-8 magnitudia ja sitäkin voimakkaampia maajäristyksiä on esiintynyt valitulla aikavälillä muutama. Tällä alueella litofäärilaatat ovat melko sirpaleisia, joten kun siellä on paljon mm. alityöntövyöhykkeitä, esiintyy järistyksiä luonnollisesti enemmän. Välimeren sijainti mannerlaattojen suhteen on kuitenkin huomattavasti rauhallisempi kuin Intian valtameren ja Kaakkois-Aasian, jotka sijaitsevat tektonisesti hyvin aktiivisella tulirenkaan alueella.

Riskikartta

Toisena aihealueena halusin käsitellä riskejä laajemmalla tasolla. Löysin UNEP:in sivuilta globaalin riskidata -sivuston, jossa oli tarjolla laajasti riskidataa. Kiinnostuin kuitenkin useiden eri hasardien muodostamasta riskidatasta. Siinä on yhdistetty tiedot trooppisista sykloneista, tulvista ja rankkasateiden aiheuttamista maanvyöryistä ja luokiteltu maailman alueet erilaisiin riskiluokkiin sen mukaan, miten suuria uhkia nämä hasardit ovat alueella. Riskiluokitus on asetettu luokasta yksi luokkaan viisi, jossa yksi tarkoittaa matalaa riskiä näille hasardeille ja luokka viisi korkeaa riskiä. Toin aineiston QGIS:iin rasterimuotoisena datana. Aineiston kanssa oli hieman ongelmia, koska se herjasi tuntematonta koordinaattijärjestelmää, mutta löysin datan latauspaikasta tiedon käytetystä koordinaatistosta ja sain ratkaistua ongelman. Datan visualisoinnissa ohjelma halusi jostain syystä pitää nollaluokankin mukana, mutta sillon se peitti kaikki alueet, joilla ei ollut riskiä näille hasardeille. Muutinkin sen luokan siksi läpinäkyväksi, jolloin aineiston pystyi hahmottaman maailman kartalla paremmin. Koska edellisissä kartoissa tarkastelin Välimerta ja Intian valtamerta, keskityin tässäkin kartassa näihin alueisiin ja zoomasin karttanäkymän siten, että siitä näkee molempien alueiden riskin suuruuden samalla kertaa. Muutoin käytin tässä kartassa samoja aineistoja kuin edellisissäkin kartoissa.

Kartasta voidaan nähdä, että Kaakkois-Aasian ja Intian seutu on kaikkein suurinta riskiluokkaa eli siellä trooppiset syklonit, tulvat ja maanvyöryt ovat hyvin suuri ja yleinen uhka. Välimeren seutu näyttää tässä valossa huomattavasti vähäriskisemmältä, mutta se on kuitenkin korkeampaa riskiluokkaa kuin esim. muu Eurooppa ja mannerten sisäalueet. Kaakkois-Aasian suuri riskiluokka selittyy varmasti pitkälti monsuuni-ilmastolla ja vaihtelevalla topografialla, jotka luovat otolliset olosuhteet erilaisille veden aiheuttamille hasardeille.

Lopuksi

Tätä harjoitusta tehdessä huomasin, miten paljon olen oppinut tällä kurssilla. Yksi mieleen jääneistä asioista on se, miten paljon työvaiheita tai hiusten repimistä yksinkertaiseltakin näyttävä kartta voi alleen kätkeä. Helmikin oli tästä blogissaan maininnut, joten en ilmeisesti ole ollut asian kanssa yksin! Myös erityisesti netistä löytyvien aineistojen hyödyntäminen on ollut minulle aiemmin tuntematonta aluetta, mutta kurssin myötä tiedän sieltä nyt löytyvän vaikka mitä ja osaan nyt käyttää niitä omiin tarkoituksiini. Datan visualisointi luonnistuu jo yllättävän hyvin, ja uskallan kokeilla QGIS:llä uusia ominaisuuksia ja testata erilaisia työkaluja. Kurssilta päällimäisenä on jäänyt mieleen, miten mukavaa on ollut tehdä paikkatietojuttuja omassa rauhassa omalla koneella. Kun aiemmissa opinnoissani pääsin käyttämään ArcGIS:iä vain koulun koneella, tein yleensä nopeasti ne pakolliset tehtävät pyydetyllä tavalla. Syvällisempi ymmärtäminen ja toimintojen kokeilu jäi silloin puuttumaan lähes kokonaan. Tämän kurssin myötä olen innostunut tutkimaan paikkatiedon mahdollisuuksia itsenäisesti ja tekemään itsenäisiä valintoja sitä käyttäessä. Kurssin opit tulevat varmasti tarpeeseen tulevaisuudessa, sillä eihän työelämässäkään kukaan opeta koko ajan vieressä mitä seuraavaksi pitäisi tehdä. Nyt uskallan tarttua paikkatiedon suhteen itsenäisesti toimeen, eikä paikkatieto-ohjelma satoine eri toimintoineen aiheuta enää pakokauhun tunnetta! 😀

Lähdeluettelo:
Lappalainen-Imbert, H. (2021). Kerta 7 – Itsenäisesti tehtävä kartta. https://blogs.helsinki.fi/laphelmi/2021/03/02/kerta-7-itsenaisesti-tehtava-kartta/

Kuudennen viikon harjoitus alkoi tällä kertaa vähän erikoisemmin ulkoilmaan astumalla ja oman datan keräämisellä. Olin harjoituksen aikana kaukana Helsingistä melko maaseutumaisessa ympäristössä, joten sopivien kohteiden löytäminen oli hieman haastavaa. Löysin kuitenkin mukavasti kohteita, joiden ominaisuuksia arvioin Epicollect-sovelluksella. Kohteiden vieminen QGIS:iin onnistui mutkattomasti ja interpoloinnilla syntyi hienoja tuloksia, vaikka vähän säätöä olikin muiden kuin pääkaupunkiseudun pisteiden saamisessa näkyviin oikein.

Kurssikerran toisella puolikkaalla etsimme netistä luonnonhasardeihin liittyvää tietoa ja teimme siitä taulukkomuotoista. Sitten tuttuun tapaan toimme sen csv-muotoisena ohjelmistoon ja saatiin näkyville todella mielenkiintoisia pisteaineistoja maailman tasolla erilaisista hasardeista. Itse päädyin esittämään kartoissani yli kuuden magnitudin (kuva 1) ja yli kahdeksan magnitudin järistyksiä (kuva 2). Viimeiseksi valitsin tarkasteluun tsunamit, sillä tein kandidaatin tutkielmanikin niistä. Muistaakseni silloin seikkailinkin NOAA:n ja NCEI:n sivuilla, kun etsin tilastotietoa Indonesian tsunameista. En tiennyt kuitenkaan, että sivuilta löytyy näin laajasti tietoa menneistä tsunameista, joten pistetään tämä tietokanta korvan taakse tulevan varalle!

Koen, että kartoista tuli selkeitä ja havainnollistavia kokonaisuuksia. Ensimmäistä ja toista karttaa vertailtaessa huomaa hyvin, että pienempiä maanjäristyksiä esiintyy paljon laajemmin kuin yli kahdeksan magnitudin maanjäristyksiä, jotka ovat jo hyvin voimakkaita ja harvinaisempia. Yli kuuden magnitudin järistykset keskittyvät pääasiassa litosfäärilaattojen reunakohtiin ja etenkin Tyynenmeren ympärille ns. tulirenkaan kohdille. Yli kahdeksan magnitudin järistykset keskittyvät melkeinpä vain tälle tulirenkaan alueelle, koska siellä on otollisimmat olosuhteet kovien maanjäristyksien syntymiselle. Tsunamikarttaa tutkiessa on yllättävää, että esimerkiksi Euroopassa on ollut noin paljon tsunameja. Luulen kuitenkin, että ne ovat huomattavasti pienempiä kuin tulirenkaan alueella. Luultavasti myös yli 8 magnitudin järistykset ja tsunamien sijaintipaikat korreloivat siinä mielessä keskenään, että kovat maanjäristykset näyttävät aiheuttavan enemmän tsunameja näille alueille. Kartoillani voisi opettaa vielä lisää esimerkiksi tulivuorista. Tulivuortenpurkaukset kun ovat yksi tsunamien aiheuttaja, voisi olla mielenkiintoista vielä tietää tsunamien ja tulivuorien sijoittumisen välinen yhteys. Esimerkiksi Pinja oli tarkastellut blogissaan tulivuorten ja maanjäristysten sijoittumista kartalle, ja hänen kartasta voidaan nähdä, että tulivuoret sijoittuvat pitkälti samalle alueelle kuin tsunamitkin, erityisesti Tyynenmeren tulirenkaan reuna-alueille.

Internetistä löytyy paljon muitakin sivustoja, joilta voi saada tietoa luonnonhasardeista. Esimerkiksi Smithsonian museon vulkanismiin liittyvä projekti on tehnyt hienon ajassa etenevän karttaesityksen, josta voi nähdä globaalisti maanjäristys- ja tulivuoritapahtumat ja myös sulfaattipäästöt. Lisäksi USGS:n sivuilta löytyy kartta- ja ominaisuustietoja esimerkiksi yksityiskohtaisesti jostain tietystä tulivuorenpurkauksesta ja sen vaikutuksista ympäröivään alueeseen.

Lähdeluettelo:

Pinja Pikkarainen. Kurssikerta 6. https://blogs.helsinki.fi/pinjapik/

Smithsonian National Museum of Natural History – Global Volcanism Program. Eruptions, Earthquakes and Emissions.

USGS. Natural Hazards. https://www.usgs.gov/products/maps/map-topics/natural-hazards

Viidennellä kurssikerralla tavoitteena oli vahvistaa QGIS:n itsenäistä käyttötaitoa ja saada rutiinia erilaisten toimintojen tekemiseen. Koen, että tässä asiassa tavoite täyttyikin ja erityisesti erilaisten muuttujien valinta sijainnin perusteella muuttui jo rutiininomaiseksi. Harjoitus oli kuitenkin tosi haastava, kun valmiita step-by-step ohjeita ei ollut. Pääsin kuitenkin hyvin jyvälle ainakin alkupään tehtävissä, ainakin olin saanut samanlaisia lukuarvoja kuin monet muutkin. Uima-allaskartan teko kuitenkin takkuili suuresti, ehkä ajattelin asiaa liian monimutkaisesti mutta en saanut asuinaluetietoja yhdistettyä karttaan ollenkaan. Vaikka kokeilin tutulla taktiikalla uuden sarakkeen lisäämistä toiseen tietokantaan Joins-toiminnolla, ei se tuottanut haluttua lopputulosta. Jonkinnäköisen kartan nyt sain kuitenkin ensi hätään luotua, ja siinä näkyy ainakin suurella mittakaavalla uima-altaiden sijoittuminen pääkaupunkiseudulla. Kartastani voi nähdä, että Lauttasaaren tienoilta löytyy erityisen paljon uima-altaallisia rakennuksia. Muiden kurssilaisten tulokset vahvistavat arvioni, esimerkiksi Ilarin kartasta näkyy Lauttasaaren herruus uima-altaiden suhteen.

Tällä hetkellä koen, että monet QGIS-ohjelman perustyökalut ovat syöpyneet alitajuntaani ja osaan käyttää niitä itsenäisesti. Erityisesti Select attributes-, piirto- ja buffertoiminnot ovat hyvin hallussa ja ymmärrän niiden toimintaperiaatteen. Myös layout-ikkunan pikku kommervenkitkin alkavat tulla jo hyvin tutuiksi. Puskurivyöyhykkeet koen tosi kivaksi ja hyödylliseksi työkaluksi, sillä niillä on mahdollista esittää monenlaista tietoa. Puskurivyöheillä voidaan saada selville esimerkiksi pendelöintialueita Suomen sisällä tai tietoja puskurivyöhykkeen sisällä asuvista ihmisistä. Bufferilla voitaisiin myös selvittää vaikkapa saastuttavuusalueita, eli jonkin tehtaan ympäristövaikutusten laajuutta ympäröiville alueille. Lisäharjoitusta kaipaan kuitenkin edelleen suurimpaan osaan toimintoja. Etenkin sarakkaiden tuonti taulukosta toiseen kaipaa vielä selkeästi kertausta, koska se ei yrityksistä huolimatta tällä kertaa onnistunut. Monet olivat blogeissaan myös tuskastelleet Join attributes by location -toiminnon epäintuitiivisyyttä, ja sen käyttö on vielä aikaavievää, kun pitää pohtia tarkkaan että mitä oikein yrittää edes tehdä. Paljon on siis vielä opeteltavaa QGIS:n kanssa, mutta vaikka tältä kurssikerralta jäikin päällimmäiseksi muistoksi turhautumisen tunteet, ei anneta sen latistaa intoa taitojen kehittämiseen! Seuraavasta kurssikerrasta tulee ainakin muiden kokemusten perusteella varsin mielenkiintoinen, kun sukelletaan lempiaiheeseeni hasardeihin!

Lähdeluettelo:
Ilarin maantiedotusblogi, Viides kurssikerta, https://blogs.helsinki.fi/ilarilei/

Ruudukoilla rukkaamista

Neljäs kurssikerta alkoi ruudukoiden laatimisella. Periaate oli minulle tuttu jo entuudestaan, joten tekemiseen oli helppo päästä kiinni. Uusi koneeni jaksoi myös pyörittää raskaitakin työvaiheita tosi nopeasti ja vaivatta. Vaikeinta oli jälleen tunnilla tehtyjen työvaiheiden muistaminen omaa harjoituskarttaa tehdessä. Siksi paras ratkaisu oli tehdä kartta alusta asti uusiksi kaikkine työvaiheineen. Näin työvaiheet jäi paljon paremmin mieleen jatkoa ajatellen. Kartan laatiminen sujui mutkattomasti siihen asti, kunnes olin visualisoimassa valitsemiani muuttujia kartalle. Tällöin huomasin, että jotkin sarakkeet olivat luvuiltaan ihmeellisiä, mutta se taisi johtua vain numeroiden esitystavasta. Olin jättänyt liikaa desimaaleja näkyviin! Tosin jäin miettimään Join attributes by location (summary) – toiminnon laskutoimituksen valintaa. Summan käyttäminen tuotti esimerkiksi asukkaiden iän keskiarvoihin ihmeellisiä lukuja, tässä olisi varmaan ollut syytä käyttää jotain toista vaihtoehtoa.

Päädyin lopulta esittämään karttaani muunkielisten (eli muiden kuin suomen- ja ruotsinkielisten) määrää pk-seudun kuntien alueella. Kokeilin erilaisia ruudukkokokoja, mutta päädyin lopulta 500×500 kokoiseen ruudukkoon, sillä lopputulos näytti sillä parhaimmalta. Kartasta on nähtävissä, että muunkielisiä asuu eniten Helsingissä, ja myös yksittäiset paikat Espoossa ja Vantaalla korostuvat. Vähiten muunkielisiä on pohjois-osissa sekä reuna-alueilla. Tällainen rakenne johtuu ehkä osin siitä, että Helsingissä on eniten palveluja (mm. koulutusta) tarjolla vierailla kielillä. Myös alueen vuokratasolla saattaa olla vaikutusta muunkielisten sijoittumiseen, ja usein pääkaupunkiseudun itäosissa on halvempi vuokrataso verrattuna länsiosiin. Koen, että kartan visuaalinen sisältö on hyvä väritykseltään ja se on tarpeeksi selkeä. Ruutukoko on myös mielestäni onnistunut, koska siitä erottuu hyvin myös alueita, joilla on enemmän muunkielisiä asukkaita. Kartan informaatiosisältö ei ole kuitenkaan ehkä kaikkein paras lukujen osalta, sillä prosenttiosuuksien lisääminen muunkielisten määrään alueella olisi voinut kuvata ilmiötä paremmin ja tuottaa lukijaystävällisempää tietoa.

Ruututeemakartalla absoluuttisten arvojen esittäminen on mahdollista, kuten itse tein tässä harjoituksessa. Jälkikäteen ajatellen tässä tilanteessa olisi ollut kuvainnollisempaa käyttää suhteellisia prosenttiosuuksia, jolloin kartta olisi kertonut muunkielisten osuuden koko ruudun asukkaista prosentteina. Esimerkiksi Ville oli hoksannut käyttää samaa aihetta kuvaavassa kartassaan suhteellisia lukuja ja näin tuotettu informaatio on hyödyllisempää. Absoluuttisten lukujen esittämistä kannattaa siis pohtia ruututeemakartoissa tapauskohtaisesti, mutta se on kuitenkin mahdollista, koska kaikkien ruutujen pinta-alat ovat yhtä suuret ja muuttujat ovat näihin suhteutettuja. Mielestäni ruututeemakarttojen vahvuus on niiden sisältämän tiedon tarkkuus alueen sisälläkin. Koropleetti- tai pisteteemakartoissa alueiden sisällä tapahtuvaa muuttujan vaihtelua ei ehkä pysty yhtä tarkasti havainnollistamaan. Ruutukartta pitää kuitenkin osata visualisoida tarpeeksi selkeästi, ja asetella tasot oikeaan järjestykseen jne jotta kartasta saa luettavan.

Rastereita ja piirtotyökaluja

Harjoituksen toisessa osiossa keskityttiin rasterikarttoihin. Aluksi yhdisteltiin rasterinpalasia yhteen ja tuotettiin kuvaan korkeuskäyriä ja rinnevarjostuksia. Virtuualista rasteria luodessa huomasin, että resoluutiotyypin valinta vaikuttaa korkeussuhteiden näkymiseen kuvassa oleellisesti. Alla olevasra kuvasta 2 huomaakin, että keskimääräisellä resoluutiolla Pornaisten alueella joen ympärillä oleva matala seutu näyttää paljon tarkemmalta ja pienemmältä alueelta. Kun resoluution laittoi korkeammaksi tai matalammaksi, molemmissa oli tuloksena vasemman kuvan mukainen näkymä – tummia matalia alueita näyttää olevan huomattavasti enemmän joen ympäristössä.

Viimeisenä osuutena oli rakennusten ja teiden piirtäminen Pornaisten alueelta uusiksi tietokannoiksi. Vaikka rakennusten klikkailu alkoi jo sattumaan loppumetreillä käteen, tuli piirtotyökalujen hallinta kuitenkin sujuvaksi ja tietokannat valmiiksi käyttöön seuraavaa kertaa varten!

Lähdeluettelo:

Väisänen, Ville. Ruutuja ja rastereita. https://blogs.helsinki.fi/villvais/2021/02/14/ruutuja-ja-rastereita/

Kolmannella kurssikerralla teemana oli datan käsittely – niin taulukkomuotoisen tiedon tuominen QGIS-ohjelmistoon kuin myös erilaisten tietokantojen yhdistely ja laskutoimitukset niistä. Pysyin tunnilla suhteellisen hyvin kärryillä siitä, mitä tehtiin milloinkin. Tunnin aineistot olivat teemoiltaan erityisen kiinnostavia, siitä propsit opettajalle! Oli avartavaa tarkastella Afrikan konflikteja ja niiden mahdollista kytkeytyneisyyttä timanttikaivoksiin ja öljykenttiin.

Itsenäisen harjoituksen toteuttaminen tuntui alkuun haastavalta, tai oikeastaan järvisyysprosentin kanssa työskentely tuotti eniten haasteita. En alkuun keksinyt, miten sen visualisoisi järkevästi. Pidin kuitenkin luovaa taukoa tämän kurssin tehtävistä muutaman päivän, ja uudestaan yrittäessä rupesin vain leikkimään diagrammi-työkalulla. Ja sieltä puolivahingossa löysinkin nappulan, jolla esittää ympyrädiagrammit eri koossa riippuen järvisyysprosentin suuruudesta valuma-alueella!

Kartta kuvaa ensiksikin valuma-alueiden tulvaherkkyyttä tulvaindeksin avulla havainnollistettuna. Mitä suurempi tulvaindeksiluku on, sitä herkempää kyseinen valuma-alue on tulville. Tulvaherkimmät alueet näyttävät löytyvän Lounais- ja Etelä-Suomesta rannikolta. Myös muut rannikkoseudut ovat melko tulvaherkkiä alueita,ja sisämaassa tulvariski on selkeästi pienin. Rannikoiden tulvaherkkyys liittyy luultavasti Itämeren käyttäytymiseen esimerkiksi myrskyjen aikaan, jolloin merivesi tulvii helposti korkeallekin maankamaralle. Valuma-alueiden järvisyysprosentista tajusin vasta tätä tekstiä kirjoittaessa, että niissä ei näy prosenttiosuuksia ollenkaan. Esimerkiksi Sanna oli käyttänyt samaa taktiikkaa järvisyysprosentin ilmaisemiseen, mutta saanut myös prosenttiluokat todella havainnollisesti esille (Sannan blogi). Tämä olisi ollut hyvä lisä omamaankin karttaan, mutta toisaalta ympyröiden koot kuvaavat myös järvisyysprosentin suuruutta: mitä suurempi ympyrä, sitä enemmän valuma-alueella on järviä suhteessa maapinta-alaan. Järvisyysprosentti vaihteli suurinpiirtein välillä 0-20 prosenttia. Kartasta näkeekin hyvin, että esimerkiksi Vuoksen valuma-alueella Itä-Suomessa on paljon järviä, kun taas rannikkoalueilla (etenkin Pohjanmaalla) järvisyysprosentti on selkeästi pienempi.

Lähdeluettelo:
S. Jantunen. Sannan blogi: Veritimanteista keskivirtaamiin.

Toinen kurssikerta keskittyi paljon aihealueisiin, joita minun on ollut monesti vaikea ymmärtää. Käsittelimme nimittäin tietokantojen hyödyntämistä ja projektioiden vaikutusta karttojen mittasuhteisiin. Luento-osuudella rajapintojen esittely oli hyödyllistä ja ymmärsin, että olen käyttänyt niitä jo aiemmin tietämättä vain, mitä nämä aineistot todellisuudessa olivat! Tarkastelimme myös projektion vaikutusta mittoihin ja pinta-aloihin. Oli havainnollistavaa nähdä, mitä esim. Mercatorin projektio tekee mittasuhteille kartalla, ja kun vääristymät näki konkreettisesti kartalla, muistaa varmasti jatkossa miettiä tarkemmin valittavaa projektiota. Aiemmin en ole juuri sitä pohtinut, vaan valinnut jonkin aiemmin käyttämäni projektion riippumatta tarkasteltavan alueen sijainnista maapallolla.

Kokeilin erilaisten projektioiden vaikutuksia kartalle tekemääni viivaan ja polygoniin, ja alla on nähtävissä tekemäni excel-taulukko yhteenvetona kokeiluista. Näin jälkikäteen ajatellen taulukon arvoista olisi voinut tehdä selkeämmät, jotta ulkopuolisen olisi sitä helpompi tulkita. Esimerkiksi Jaana Aaltonen oli blogikirjoituksessaan tehnyt havainnollistavan ja helppolukuisen taulukon projektioiden vaikutuksista mittasuhteisiin. Oman taulukkoni lukuarvoissa saattaa olla hieman heittoa, sillä mitattavan viivan pituus tai alueen rajaus ei ollut välttämättä täsmälleen sama eri projektioissa. Taulukosta saa kuitenkin hyvän kuvan siitä, miten paljon Mercator vääristää mittasuhteita. Erityisesti Mercatorin cartesian-muotoinen alueen pinta-ala näyttää todella erilaista lukemaa kuin muut mittaustulokset, jopa niin erilaista, että epäilen teinkö jonkin virheen alueen rajauksessa. Tuloksista voi kuitenkin vetää johtopäätöksen, että erityisesti Mercator vääristää kartan mittasuhteita ainakin Suomen leveyspiireillä. Muut maailmankarttaprojektiot, joita vertailin kurssikerralla, vääristävät mittoja myös paljon, mutta ovat pienempiä kuin Mercatorin vääristymät ja samaa suuruusluokkaa. Huomasin myös, että yrittäessäni vertailla Patterson-projektiossa ellipsoidaalisesti viivan pituutta ja alueen pinta-alaa, en saanut mitään tuloksia. Tämä saattaa johtua siitä, että Patterson on suunniteltu pallon muotoisille pinnoille, ei ellipsoideille (Patterson).

 

 

Tunnilla teimme karttaesityksen siitä, miten Mercator-projektio vääristää pinta-aloja Suomessa verrattuna Suomelle suotuisaan karttaprojektioon ETRS89-TM35. Harjoituksessa koin, että sinnittelin opettajan perässä toistamalla samat toiminnot, mutta syvällinen ymmärrys jäi vielä ohueksi. Siksi kun lähdin tekemään toista karttaa, huomasin, että en muistanut eri vaiheista enää juuri mitään, joten katsoin uudestaan pätkiä harjoituksesta. Tämä auttoi paljon hahmottamaan sitä, mitä olin itse asiassa edes tekemässä, kun sain omassa tahdissani mennä eteenpäin.

Kerratuilla opeilla tein siis Mercator-kartan rinnalle toisen kartan, johon halusin havainnollistaa, kuinka paljon Cassini-projektio moninkertaistaa pinta-aloja Suomen leveysasteilla. Valitsin Cassini-projektion toiseksi projektioksi aivan sattumalta, joten yllätyin miten hyvin kaksi karttaani eroavat ominaisuuksissaan siitä, millä tavalla ne vääristävät mittasuhteita. Vasemman puoleinen kartta kuvaa siis Cassinin vaikutuksia verrattuna TM35-projektioon, ja lukuarvoista huomaa hyvin, että vääristymät eivät ole kovin suuria ja melko tasaisia ympäri Suomen. Hieman eroa on kuitenkin länsi-itäsuunnassa, eli Cassini vääristää pinta-aloja enemmän idässä kuin lännessä. Oikeanpuoleisessa Mercator-kartassa vääristymät kasvavat kuitenkin etelä-pohjoissuunnassa siten, että pohjoisimmassa Suomessa pinta-alat saattavat vääristyä jopa kahdeksankertaisiksi TM35-projektioon verrattuna. Johtopäätöksenä Mercator ei siis ole hyvä projektio Suomen oloihin, vaan Cassini tai vielä mieluummin Suomea varten luotu TM35-projektio ovat parempia valintoja karttaprojektioiksi. Visualisointi onnistui mielestäni hyvin, vaikka ongelmia esiintyikin kahden kartan esittämisessä samalla lehdellä. Kaikki sujui hyvin siihen asti, kunnes halusin tallentaa asetelman kuvana. Silloin QGIS päivitti layoutin karttaikkunat vastaamaan sitä karttaa, mikä työskentelytilassa oli näkyvissä, jolloin kahden eri tason esittäminen viereikkäin ei onnistunut. Ratkaisin ongelman kuitenkin ottamalla vain kuvakaappauksen Layout-ikkunasta, joten pääsin haluttuun lopputulokseen pienen taistelun jälkeen.

 

Lähdeluettelo:

Aaltonen, J. Toinen viikko. https://blogs.helsinki.fi/aajaana/2021/02/01/toinen-viikko/#more-38

Patterson. https://pro.arcgis.com/en/pro-app/latest/help/mapping/properties/patterson.htm

Ensimmäisellä kurssikerralla opin etenkin, miten QGIS:siä käytetään teknisesti, eli mistä toiminnosta tapahtuu mitäkin. ArcGIS-ohjelmaa aiemmin käyttäneenä suurin osa toimintaperiaatteista oli tuttuja, mutta myös eroavaisuuksia ja uusia toimintoja löytyi. Legendan luominen Layout-tilassa oli mielestäni huomattavasti helpompaa kuin ArcGIS-ohjelmassa, sillä legendan tekstiä pystyi muokkaamaan helposti samassa ikkunassa eikä mennä erikseen muokkaaman tasojen nimiä, niin kuin olin tottunut tekemään. Myös QGIS:n statistics-toiminto ja histogrammit olivat käteviä, ja uskon, että niistä tulee olemaan hyötyä aineistojen ymmärtämisessä ja kokonaiskuvan saamisessa aineistoista. Esimerkiksi alla oleva kuva on työvaiheesta, kun tarkastelin työttömyyden jakautumista ennen muuttajan havainnollistamista kartalla.

Tähän karttaan valitsin kunta-aineistosta muuttujaksi työttömyyden, sillä halusin tarkastella sen jakautumista Suomen kuntien sisällä. Etukäteen veikkasin, että työttömyys olisi suurinta Itä- ja Pohjois-Suomessa, ja tuottamani kartta tukee tätä ennustetta. Erityisesti itäinen Suomi ja Kainuu näyttävät suurta työttömyyttä kokonaisväestön suhteen. Myös Keski-Suomessa on joitakin suuren työttömyyden keskittymiä. Yhtenä syynä tällaiseen työttömyyden jakautumiseen Suomen sisällä voi olla työpaikkojen vähyys pienemmillä paikkakunnilla. Suureen työttömyysprosenttiin voi toki olla lukuisia muitakin selityksiä, esimerkiksi vaikkapa se, että työnhakijat ja työpaikat eivät kohtaa tarpeissaan toisiaan.

Koen, että karttaesitys onnistui visuaalisesti ja sisällöllisesti hyvin. Siinä esitetään selkeästi yhtä muuttujaa, eikä kartasta tule siten liian sekavaa. Mediassa esiintyy myös jatkuvasti karttoja Suomesta, jossa esitetään jotain ilmiötä, joten suuri yleisö osaisi luultavasti tulkita karttaani hyvin. Värien visualisointi on mielestäni havainnollinen, eli tummat värit kuvaavat korkeinta työttömyyttä ja vaaleat matalaa työttömyyttä. Huomasin muiden blogeja selaillessa, että esimerkiksi Heidi Syrjäläinen oli tehnyt samanlaisen kartan kuin minäkin, mutta visualisoinut värit hieman eri tavalla. Meidän karttojen antama informaatio näytti minusta yllättävän erilaiselta, sillä Heidin kartta oli yleisväritykseltään punaisempi kuin omani, ja aloin jo pohtimaan, menikö omassa datassani jotain pieleen. Mutta erilainen visuaalinen tulos johtui siis pelkästään värien käytöstä, mikä muistutti itselleni siitä, että datan visualisointia on hyödyllistä pohtia ja kokeilla erilaisia keinoja!

Lähdeluettelo:
Heidi Syrjäläinen, 1. blogiteksti