Luento 2 ja tehtävät

Luento

Luennon alku oli mielenkiintoinen. Olen miettinyt joskus aikaisemmin, miten epäkäytännöllistä on, että maantieteilijät joutuvat pitämään listaa parhaista lähteistä. WFS-palvelujen myötä sain tähän vastauksen, sillä ne ratkaisevat kaksi ongelmaa: lähdelistojen kerääminen ja lähdelistojen datan kulutus. Maantieteilijöillä on käytännössä rajaton pääsy aineistoihin ilman, että ne vievät tilaa kovalevyllä, koska aineistot on haettavissa netistä. Kukakohan tämänkin on keksinyt? Mahdollisuudet ovat käytännössä rajattomat.

Mittakaavasta pohdittiin, että epätarkkuus johtaa usein virheisiin, mutta visualisoinnin näkökulmasta usein epätarkempi on helpompi tulkita. Kaikki riippuu siitä, mitä halutaan esittää. Joona Korhonen kirjoittaa blogissaan, että “tarkempaa mittakaavaa on mielekästä käyttää esimerkiksi pistemuotoisen datan havainnollistamiseen.”, kun taas “Yleistetympää mittakaavaa on mielekästä käyttää esimerkiksi koropleettikartoissa, joissa [alueiden] tarkkuudella ei datan visualisoinnin kannalta ole merkitystä.”

Luukas Mickelssonin kanssa pohdittiin yhdessä, että miksi hänen Suomensa oli QGISsin avatessa ihan vääntynyt, ja paljastui, että se johtui koordinaattijärjestelmästä. Jälkikäteen ajateltuna se oli ironinen sattuma, sillä viikon tehtävät käsittelivät itse projektioiden aiheuttamia vääristymiä. Mickelssonin blogissa heijastui mielestäni myös hienosti se, kuinka paikkatieto-ohjelmia kannattaa ihan huvin vuokseen jopa testailla, sillä saattaa oppia jotain uutta: “…luomukset loin huvin vuoksi blogia varten, mutta nyt ajateltuna näiden vertailu selkeyttänee omia käsityksiäni.”

 

Tehtävät

Sitten tehtäviin. Lähdimme liikkeelle mittaamalla projektioiden vaikutuksia mitattuihin pituuksiin (taulukko 1) ja pinta-aloihin (taulukko 2).

Taulukko 1 – Pituuden vaihtelut eri projektioiden välillä 

 

Taulukko 2 – Pinta-alan vaihtelut eri projektioiden välillä

 

Ihmisten pyrkimys mallintaa maapallon kolmiulotteista muotoa kaksiulotteisesti on johtanut erilaisten projektioiden luomiseen. Projektiot vääristävät etäisyyksiä ja siten erityisesti pinta-aloja, siksi niiden vaikutuksia esitettävään tietoon ja sen tiedon luotettavuuteen täytyy arvioida. Esimerkiksi historiallisesti etenkin Yhdysvallat ja Eurooppalaiset länsimaat ovat korostaneet kokoaan ja samalla merkitystään maailmassa käyttämällä projektioita, jotka suurentavat niiden pinta-alojaan verrattuna vaikkapa Afrikkaan (Mercator).

QGISsillä pystyy tarkastelemaan erilaisilla projektioilla mitattuja etäisyyksiä ja pinta-aloja sekä karteesisesti, että ellipsoidisesti. Karteesinen mittaus kulkee kaksiulotteisesti projektion pintaa pitkin ja ellipsoidinen mittaus maapallon pintaa.

Huomasin mitatessani, että pääasiassa mitatessa pituutta, TM35FIN, eli Suomea hyvin vähän vääristävä projektio, ja verrattavan projektion välinen prosentuaalinen erotus, on lähes aina pienempi, kuin mitatessa pinta-alaa. TM35FIN alhainen vääristys voidaan todeta siitä, että karteesisten ja ellipsoidisten mittausten väliset erot ovat marginaalisen pienet verrattuna muihin projektioihin. Ainoa poikkeus pinta-alojen ja etäisyyksien välisissä suhteissa vaikuttaisi olevan Robinsonin projektiossa, mutta täytyy tunnustaa, että mittausvirheiden mahdollisuus oli tämän tehtävän kanssa suurempi, kuin tavallisesti, sillä jostain syystä ohjelmisto ei suostunut toimimaan oikealla tavalla.

Meinasin repiä pelihousuni, kun QGIS kaatui viidennettä kertaa ja samat mitattavat alueet antoivat joka kerta eri tuloksia. Tähän pitää ilmeisesti tottua, joten hyvä saada siitäkin harjoitusta. Alun perin oli tarkoitus myös tarkastella Mercatorin projektiota, joka Kerttu Rinkisen blogin mukaan “kuuluu lieriöprojektiohin ja se on oikeakulmainen projektio.”, mutta kyseinen projektio oli erityisen viheliäinen, ellei jopa syy jatkuvaan kaatuiluun, joten se jäi tällä kertaa välistä. Oli kuitenkin kiinnostava lukea Kiia Korpisen blogia ja selventää itselleni, että “Erityisesti Mercatorin projektiossa pinta-ala muuttuu hyvin paljon verraten tuttuun ja turvalliseen TM35FIN-projektioon.”

Kuva 1 – Pinta-alan mittaaminen, jonka kanssa oli kyllä ongelmia

Suurimmat prosentuaaliset erot TM35FIN projektioon ilmenivät Pattersonin projektiossa. Syy löytyy siitä, että Pattersonin projektio vääristää vähiten päiväntasaajan alueella, kun taas vääristymäprosentti nousee lähestyttäessä napa-alueita. Introducing the Patterson Cylindrical Projection-artikkelin mukaan, projektio on tunnettu siitä, että sitä käytetään silloin, kun ei tarvitse ilmaista tarkkoja alueita (Patterson T., Bojan S., Bernhard J. 2014).

 

Seuraavaksi lähdin esittämään kartalla käytetyistä koordinaattijärjestelmistä johtuvat alueelliset erot prosentteina ja visualisoin ne luokiteltuna kartalla.

Valitsin luokitteluun Aitoff (kuva 2), Mercator (kuva 3), ja Patterson (kuva 4), koska tein tämän tehtävän tunnilla, ennen tehtävää 1, jonka aikana Mercatorin projektio alkoi temppuilemaan. Onneksi käytössä oli Pattersonin projektio, jossa havaitsin eniten prosentuaalisia muutoksia verrattuna TM35FIN-projektioon aiemmin.

Kuva 2 – Vääristymakerroin-TM35FIN-vs.-Aitoff

 

Kuva 3 – Vääristymakerroin-TM35FIN-vs.-Mercator

 

 

Kuva 4 – Vääristymakerroin-TM35FIN-vs.-Patterson

 

Käytin tässä vain viittä eri luokkaa, mutta tässä tapauksessa olisi voinut käyttää useampaa, sillä vääristymien muutokset tapahtuvat prosentuaalisesti järjestyksessä, eli kartta ei olisi ollut sekava, vaan pikemminkin vielä helpommin luettava, sillä se olisi ollut tarkempi.

Värityksen laitoin siten, että punaisella merkitään dramaattisinta eroa ja sinisellä pienintä, koska näin meille näytettiin tunnilla. Ehkäpä jälkeen päin ajateltuna olisi kannattanut muokata värinkäytön gradientin mukaiseksi, jolloin muutos olisi ollut ilmeisempi ja selkeämpi. Virheistä tosin oppii parhaiten.

Itse vääristymäkertoimen luominen kartalle nopeutui joka kerralla, mutta tuntuu yhä, että teen tarpeettomia asioita ja askelia luodessa uutta, koska tasoja vaikuttaisi syntyvän enemmän, kuin ohjeistuksen aikana tehdessä. Toki toistoja täytyy tehdä hetken päästä uudestaan, sillä kuten Turkka Häkkinen blogissaan varoittaa, ohjeet täytyy lukea hyvin tarkkaan uudestaan, jos lähtee tekemään karttoja esimerkiksi viikkoa myöhemmin. Kartan viimeistelyssä minulla ei ole ongelmia, sillä se tuntuu olevan jo lihasmuistissa.

Ensi kertaan! – Tatu

 

Viittaukset:

Häkkinen, T. (24. 01 2023). Kurssin ensimmäinen harjoituskerta. Noudettu osoitteesta TURKKAHA’S BLOG: https://blogs.helsinki.fi/turkkaha/

Korhonen, J. (29. 01 2023). Viikko 2 – Valintoja. Noudettu osoitteesta GIS menetelmät blogi: https://blogs.helsinki.fi/kojoona/

Korpinen, K. (27. 01 2023). Kurssikerta 2. Noudettu osoitteesta GEOINFORMATIIKAN MENETELMÄT 1, 2023: https://blogs.helsinki.fi/kiiakorp/

Mickelsson, L. (27. 01 2023). Viikko 2 Projektiovääristymien vertailua Suomen alueella. Noudettu osoitteesta GEOINFORMATIIKAN MENETELMÄT 1: https://blogs.helsinki.fi/luukasmi/

Patterson, T.;Bernhard, J.;& Bojan, Š. (12 2014). Introducing the Patterson Cylindrical Projection. Noudettu osoitteesta https://www.researchgate.net/publication/277351959_Introducing_the_Patterson_Cylindrical_Projection

Rinkinen, K. (25. 01 2023). 2. harjoituskerta 25.1.2023. Noudettu osoitteesta kerttu’s blog: https://blogs.helsinki.fi/rkerttu/

 

 

Tehtävä 1

Tehtävät alkuun

Blogikirjoituksen aloittaminen tuntui ylitsepääsemättömän hankalalta, koska alusta ja toimintatapa on itselle uusi. Onneksi Tytin blogia katsomalla sai inspiraatiota siitä, miltä postauksen tulisi näyttää.

Latasin puolipiste-eroteltuna tiedoston FinStatista (kuva 1), mutta QGIS ohjelmistoon ladattaessa ei onnistunut, koska ohjelmiston oletus oli toimia pilkulla eroteltuna, mikä piti sitten vaihtaa. Lisäsin myös koordinaatiston, sekä x- ja y-akselit (kuva 2). Laskin kentän arvojen laskimella suhteelliset osuudet (kuva 3), mutta tähän kuitenkin loppui ensimmäinen yritys, sillä en saanut JOIN-toimintoa toimimaan.

Kuva 1 – Aineiston hakeminen StatFin-palvelusta
Kuva 2 – Ohjeiden Googlaaminen
Kuva 3 – Suhteellisuuden laskeminen excelillä

Koska en osannut vaihdettua tuomani csv-tiedoston kautta saraketta Kunnat-tasoon, muokkasin kunnat-aineistoja ja lisäsin alkuperäisiin lähteisiin sarakkeen, jonne olin laskenut excelin avulla kunnittain kuolleisuuden suhteellisen määrän (kuva 4). Loppu olikin helpompaa, koska kaikki tiedot olivat yhdellä tasolla. Porrastuksissa piti vain muistaa valita luonnolliset luokkarajat. Tummanpunaisella erottuvissa kunnissa kuoli Suomen väestöön verrattuna prosentuaalisesti eniten ihmisiä, kun taas vaaleammissa vähemmän vuonna 2021. Tähän väliin voisi mainita, että kiinnostavampi ja ehkäpä myös hyödyllisempi kartta olisi syntynyt suhteuttamalla kuolleiden määrät kuntien väkilukuun, jolloin nähtäisiin, että kuinka monta prosenttia jonkun tietyn kunnan väestöstä on kuollut. Hypoteesiksi voisin heittää, että kuntien roolit olisivat kääntyneet osin päälaelleen, koska ikääntyvissä kunnissa voi olettaa kuolevan enemmän ihmisiä, kuin nuorissa kunnissa, joissa on kuitenkin enemmän nuorempia ihmisiä. Olen kuitenkin tyytyväinen tekemääni karttaan, sillä tarkoitus oli opetella softan käyttöä, eikä välttämättä datan manipulointia, vaikka siihenkin varmasti vielä päästään.

Kuva 4 – Datan lisääminen pohja-aineistoon

Vaikeaa oli muistella mitä kaikkea pitää painaa ja missä järjestyksessä. Ehkäpä haasteena tulee olemaan se, että pyrkii ymmärtämään, miksi jotakin tiettyä nappia painetaan ja mihin se todellisuudessa vaikuttaa, jotta jatkossa pystyy soveltamaan opittuja taitoja. Muistelimme Tytin kanssa yhdessä, mitä kaikkea piti valita, jotta haluttu tulos saatiin kartalle. Kuvasta 5 näkee lopputuloksen, eli kuolleiden määrän Suomen kunnissa vuonna 2021 (%). Kuolleita on ollut eniten suuremmissa kaupungeissa, kuten Espoossa. Eniten tuloksissa yllättää Helsinki, jossa ei näytä kuolleen kovinkaan paljoa ihmisiä, vaikka ympärillä olevissa Espoossa ja Vantaalla ihmisiä on kuollut paljon enemmän. Vielä mielenkiintoisempaa tästä tuloksesta tekee se, että Helsingin kaupungin vuoden 2016 Elinajanodote edelleen lyhyempi Helsingissä kuin muualla Suomessa-artikkelin mukaan Helsingissä on ollut 15 % suurempi kuolleisuusaste, kuin Suomessa keskiarvollisesti. Suuren kuolleisuuden syyn kerrotaan artikkelin mukaan liittyvän tupakan ja alkoholin käyttöön. Tämä saa minut ihmettelemään, ovatko Tilastokeskuksen aineistot puutteellisia, tai olenko tehnyt virheen käsitellessäni dataa. Toisaalta miksi datan käsittely olisi mennyt pieleen juuri Helsingin kohdalla, sillä käytin kuitenkin samaa kaavaa jokaisen kunnan kohdalla.

Kuva 5 – Kuolleiden määrä Suomen kunnissa 2021 (%)

Ensi kertaan!

– Tatu

 

Lähteet:

Helsingin kaupunki. (08. 11 2016). Elinajanodote edelleen lyhempi Helsingissä kuin muualla Suomessa. Noudettu osoitteesta Helsingin kaupunki: https://www.hel.fi/uutiset/fi/tietokeskus/elinajanodote-edelleen-lyhempi-helsingissa-kuin-muualla-suomessa

Nyrönen, T. (23. 01 2023). Ensimmäinen harjoitus, 23.1.2023. Noudettu osoitteesta Tytin blogi: https://blogs.helsinki.fi/tyttinyr/2023/01/23/ensimmainen-harjoitus-23-1-2023/

 

 

Luento 1 – 18.1.2023

Aloittelua

Ensimmäisellä luentokerralla kävimme karkeasti läpi, kuinka kurssin rakenne tulee toimimaan. Itseäni hieman hämmentää kaikki eri viittaukset ja postaukset, jotka täytyy muistaa tehdä, mutta uskon sen johtuvan siitä, että toteuttamistapa ei ole entuudestaan tuttu. Samalla tavoin tulee varmasti suhtautua kurssilla käyttämäämme softaan, QGIS:iin. QGIS taisi olla käytössä aikaisemmalla kurssilla, mutta vain nopeasti. Softa vaikuttaa kuitenkin mielenkiintoiselta ja erityisesti valinta, jossa tarjotaan kaksi eri versiota – kokeellinen ja varma – tuntuu erittäin mielenkiintoiselta. Tulee jonkinlainen yhteisöllinen ruohonjuuritason tunne ladatessa QGIS omalle koneelle.

Kävimme tunnilla läpi opettajajohtoisesti kartan kartan tekemisen ja se oli erittäin hyödyllistä, sillä suurin osa QGIS:iin liittyvistä asioista oli päässyt jo unohtumaan. Itselläni on enemmän kokemusta Adoben Photoshopin kanssa, jossa käytetään esimerkiksi myös tasoja, joten niiden, ja muiden samantyyppisten asioiden ymmärtäminen tuskin tulee olemaan kovin vaikeaa. Kaikki muut piirteet ja ominaisuudet täytyy kuitenkin opetella kantapään kautta tai yhdessä kurssikaverien kanssa. Tunnilla oli mukava huomata, että eri värivaihtoehdot ja muut graafiset ominaisuudet tulevat piinaamaan jatkossakin, sillä eri harmaiden sävyjen valitseminen tuntui vievän ainakin allekirjoittaneelta ikuisuuden.

ArcGIS Blogista löytyi mielenkiintoinen How to Make Smart Color Choices in Your Maps-artikkeli, jossa puhutaan värien valitsemisesta kartoissa. Kolmesta värin valitsemisen askeleista ensimmäinen on suunnittelu, joka saattaa itseltä unohtua helposti. Jatkossa keskityn suunnitteluun pysähtymällä hetkeksi kysymällä itseltäni: “Mitä haluan tällä kartalla esittää?”.

Opin tällä kurssikerralla QGIS:in käyttöä tarkemmin. Ehkä tärkeintä oli ymmärtää mistä eri työkalut löytyvät ja kuinka niitä voi hyödyntää. Oli mukavaa huomata omatoimisesti erilaisia oikoteitä tunnilla käytyihin asioihin. Esimerkiksi attribuuttitaulun muokkaamisen voi laittaa päälle ja pois vain klikkaamalla hiiren oikealla näppäimellä kyseistä tasoa tasovalikossa. Uskon osaavani ainakin kartan viimeistelyyn liittyvät asiat, eli legendan luominen, pohjoisnuoli ja mittakaava.

HELCOM maiden suhteelliset typenpäästöt

Selasin muiden tekemiä blogeja inspiraatiota varten, ja opin Anna Liljeforssin blogista jotakin uutta. “HELCOM on Itämeren merellisen ympäristön suojelukomissio ja sen jäsenmaita ovat Suomi, Ruotsi, Venäjä, Viro, Latvia, Liettua, Puola, Saksa ja Tanska.”

 

Lähteet:

Berry, L. (15. 03 2017). How to Make Smart Color Choices in Your Maps. Noudettu osoitteesta ArcGIS Blog: https://www.esri.com/arcgis-blog/products/arcgis-online/mapping/how-to-make-smart-color-choices-in-your-maps/

Liljefors, A. (20. 01 2021). Ensimmäinen kurssikerta. Noudettu osoitteesta Anna’s blog: https://blogs.helsinki.fi/annalilj/2023/01/20/harjoitus-1/