Categories
Uncategorized

Seitsemäs kurssikerta

Viimeistä viedään! Tänään jokainen sai luoda kartan itse etsimänsä datan pohjalta. Löysin Tilastokeskuksen Kuntien avainluvut-sivulta tiedot siitä, kuinka paljon rahaa kunnat käyttivät opetus- ja kulttuuritoimintaan sekä sosiaali- ja terveystoimintaan per asukas vuonna 2020. Tämä oli itselleni uutta ja tuntematonta tietoa, ja lisäksi kuntakohtaisesti esitetty ja siten liitettävissä paikkatietoon. Tallensin tiedot csv-muotoon ja toin QGISiin. Lisäksi poimin samasta avainluvut-taulukosta myös kuntien taajama-asteen sekä väestön ikäjakauman. 

Alun perin ajatukseni oli verrata iän ja opetustoimintaan laitetun rahan yhteyttä, mutta kun ryhdyin hommiin, päädyinkin vähän eri suuntaan. Ensimmäinen ongelma oli saada kuntajako vastaamaan toisiaan pohjakartassa ja csv-tiedostossa. Tämä hoitui lataamalla Paitulista tuorein Maanmittauslaitoksen Hallintorajat teemakartoille –kartta, jolloin kuntajako oli samalta vuodelta molemmissa. 

Ensimmäinen tuotokseni on kuva 1, jossa näkyy kuntien taajama-aste ja väestön ikäjakauma. Taajama-asteen sain helposti näkymään liukuvärinä, mutta ympyrädiagrammin kanssa säädin aika kauan. Enhän meinannut saada järvisyysprosenttiakaan näkymään järkevästi kolmannella kurssikerralla! Kokeilin aikani, kunnes pääsin Googlen avustamana vihdoin eteenpäin. Tällä kertaa jäi parempi fiilis kuin kolmannelta kurssikerralta! Visuaalisesti haasteena oli löytää sopiva koko piirakoille, jotta ne eivät jäisi täysin toistensa alle piiloon mutta olisivat riittävän suuria, jotta niitä voi lukea. Tämän luettavuushaasteen takia päädyin lisäämään koko Suomen kartan vierelle myös tarkennetun kartan Etelä-Suomesta.  

Kuva 1: Taajama-aste ja ikäjakauma kunnittain (2020).

Tämän kartan käyttökelpoisuus koko Suomen tasolla on vähän kyseenalainen. Ympyrädiagrammit peittävät taajama-asteen alleen aika tehokkaasti, ja näin tiedon välitys lukijalle ei ole kovin tehokasta. Kartta toimii paremmin pienemmälle alueelle kohdennettuna. Olisin voinut vielä parantaa luettavuutta nimeämällä muutaman kunnan pienemmältä kartalta. 

Halusin edelleen käyttää dataa kuntien rahankäytöstä, joten tein toisen kartan (kuva 2), joka esittää sosiaali- ja terveystoiminnan sekä opetus- ja kulttuuritoiminnan kustannuksia per asukas. En ollut aiemmin laittanut kahta teemakarttaa päällekkäin, mutta Eliseltä tuli hyvä vinkki, että se onnistuu helposti kopioimalla kyseinen taso. Niinhän se onnistuikin! Jätin tähän karttaan vain neljä värikategoriaa per esitettävä tieto, jotta molemmat tiedot olisivat jotenkuten luettavissa. Jälleen lisäsin myös erillisen kartan Etelä-Suomesta. 

Kuva 2: Opetus- ja kulttuuritoimintaan ja sosiaali- ja terveystoimintaan käytetyt varat kunnittain per asukas (2020).

Kaiken kaikkiaan yllätyin, miten suhteellisen vaivattomasti nämä kartat syntyivät. Ainoastaan ympyrädiagrammien kanssa sai taistella, mutta olen kohtalaisen tyytyväinen lopputulokseen. Toki kuvaamani aiheet eivät vaatineet valtavan suuria operaatioita, joten jos olisin valinnut haastavamman aiheen, olisi tilanne voinut olla erilainen. Hauskinta oli ehkä huomata, että tulostusikkunan käyttö tuli jo selkärangasta. Kun vertaan tekemisiäni koko kurssin ajalta, tuntuvat kahden ensimmäisen kerran työt jo kovin pieniltä, vaikka silloin niiden tekeminen oli aika haastavaa. 

Jatkan ehkä pohdintoja vielä paremmalla ajalla!

Categories
Geoinformatiikan menetelmät

Kuudes kurssikerta

Aloitimme kurssikerran keräämällä omaa paikkatietoa Kumpulan lähistöltä. Tarkoituksena oli arvioida muun muassa paikkojen miellyttävyyttä oleskeluun ja turvallisuudentunnetta, mutta maanantainen lumipyry saattoi kyllä vaikuttaa ainakin omiin arvioihini negatiivisesti! Tuotimme itse kerätystä datasta interpoloiden muutamat kartat Kumpulan alueesta. Kuvassa 1 näkyy, kuinka houkuttelevaksi oleskeluun alueet koettiin. Kerätty data on pistemuotoista ja QGIS on ohjeiden mukaan interpoloinut niistä ulospäin lähialueiden miellyttävyyden. 

Kuva 1: Interpolointi Kumpulan alueen miellyttävyydestä.

Tämän jälkeen tuotettiin karttasarja, joka kuvaa jotain hasardia. Taka-ajatuksena oli, että karttoja voisi käyttää maantieteen opetukseen, eli tarkoitus olisi tuottaa selkeät kartat, jotka havainnollistavat ilmiötä. Valitsin esitettäväksi maanjäristysten sijoittumisen ja vertaan niitä tulivuorien purkauksien sijainteihin. Ensimmäiset kolme karttaa kuvaavat maanjäristyksiä. Ajattelin, että on parempi aloittaa vähiten sekavasta, joten kuvassa 2 näkyykin vain suurimmat maanjäristykset. Kuvassa 3 näkyy yli 6,5 magnitudin järistykset ja mannerlaattojen reunoja voi alkaa jo hahmottaa. Kuva 4 alkaa olla jo täydempi: siinä näkyvät kaikki vuoden 1980 jälkeen tapahtuneet vähintään 4,5 magnitudin järistykset.

Kuva 2: 8-10 magnitudin maanjäristykset.
Kuva 3: 6,5-10 magnitudin maanjäristykset.
Kuva 4: 4,5-10 magnitudin maanjäristykset.

Kartat havainnollistavat maanjäristysten sijoittumista usein mannerlaattojen reunoille, mutta myös niiden runsautta: pienempiä järistyksiä tapahtuu erittäin paljon useammin kuin suuria järistyksiä.  Sitten otetaan tulivuoret mukaan kuvioihin. Kuvassa 5 on verrattu kaikkia tunnettuja purkauksia vuoden 1964 jälkeen tapahtuneisiin. 

Kuva 5: Tulivuoret.

Ja lopuksi tiedot yhdistävä kartta (kuva 6). Päädyin ottamaan vain yhdet pisteet sekä järistyksistä että tulivuorista, jotta kuva säilyisi kohtalaisen helppolukuisena. Valitsin kuvattaviksi järistyksiksi 6,5-10 magnitudin suuruiset, koska niistä mielestäni näkee jo mannerlaattojen rajoja, mutta kartta ei tule yhtä täyteen kuin 4,5 magnitudin järistyksistä. Kun molemmat ilmiöt ovat samalla kartalla, voidaan havaita, että laattatektoniikka aiheuttaa sekä vulkaanista aktiviteettia että maanjäristyksiä, joten niitä löytyy usein samoilta alueilta. Toisaalta tulivuoria voi syntyä myös hot spotteihin, jotka eivät sijaitse mannerlaattojen reunoilla. 

Kuva 6: Maanjäristysten ja tulivuorten sijoittumisen vertailua.

Näiden karttojen avulla olisi helppo alkaa puhua myös mannerlaatoista, litosfääristä ja vaikka sitä kautta Maan rakenteesta. Vaihtoehtoisesti voisi myös näyttää, miten meteoriittien putoamispaikat eivät korreloi mannerlaattojen rajojen kanssa, vaan iskukohdat ovat sattumanvaraisia. Myös tulivuorenpurkauksiin ja maanjäristyksiin varautumisesta voisi puhua, jotta luonnon kaoottisuus ei vie keltään yöunia. Peda.net-sivuilta löytyykin kartta mannerlaatoista, jota voi verrata maanjäristysten ja tulivuorten sijoittumiseen (kohdasta 6.3).

Lähde:

Rantanen, Salminen, Tomukorpi, Veistola. eMaantieto 7: Muuttuva maapallo. Luettu 28.2.2022 osoitteesta https://peda.net/p/RiikkaKotiranta/emaantieto-7/emaantieto7/3eis2

Categories
Geoinformatiikan menetelmät

Viides kurssikerta

Tällä kertaa bufferoitiin. Tunnilla harjoiteltiin Pornaisten alueen teiden bufferointia opettajan johdolla, minkä jälkeen tehtiin itsenäisesti harjoituksia. Tunnilta jäi mieleen sellainen tekemisen meininki, ongelmia tuli vastaan, mutta niistä myös selvittiin joko pohtimalla yhdessä Elisen kanssa tai sitten kysymällä vinkkejä. Kuitenkin onnistumisen hetkiäkin löytyi, ja meinasin jo miettiä, että jotain on sittenkin tullut opittua! Tässä vastauksia tehtävän yksi lentokenttätehtäviin ja asemakysymyksiin: Kakkostehtävässä tutkittiin taajamien asukkaita, tässä vastauksia näihin kysymyksiin:

Tähänastiset tehtävät ehdin tehdä jo luokassa, ja kotiin jäi vain viimeinen osa. ”Ei hätää, vain yksi tehtävä”, ajattelin naivisti. Valitsin aiheekseni uima-altaat ja saunat, ja pienen mieleen palauttelun jälkeen aloin saada vastauksia selvitettyä. Tässä taulukko:

Kuitenkin kun aloin luoda karttaa, jolla näkyisi uima-altaiden sijoittuminen pääkaupunkiseudulla, asia ei meinannut millään valjeta. Muutaman tunnin tuskailtuani kävin kurkkimassa toisten blogeja vinkkien ja vertaistuen toivossa, ja ainakin Jessika Isomeri, Ronja Sonninen ja Nea Tiainen kokivat vastaavia haasteita. Tästä tutkimusmatkasta sain vertaistuen lisäksi mukavan demon siitä, miten muiden tekemiä viittauksia seuraamalla voi päästä eteenpäin!

Nea kertoi blogissaan, että vaikeinta oli ”laskea taulukosta saman alueen arvoja yhteen”, ja että tuutorin avulla hän pääsi vihdoin eteenpäin. Enpä edes tiennyt, että tällä kurssilla on tuutoreita! Olin kuitenkin itsekin ollut jumissa tässä kohdassa jo vaikka kuinka pitkään. Tiesin mitä halusin laskea, mutten millään keksinyt, mistä se tehdään. Lopulta kysyin poikaystävältäni aivosoluja lainaan ja silmäparia katsomaan, ja hän mutisikin puoliääneen: ”eli haluat siis ikään kuin aggregoida nämä.” Ja sieltähän se sitten muistui mieleen! Processing Toolboxista Aggregate tulille ja eteenpäin!

Kuva 1: Uima-altaiden määrä pääkaupunkiseudulla

Kartassa on kuitenkin vielä joitain ongelmia: en saanut alueita värjättyä, vaan pelkät uima-altaiden sijainteja ilmoittavat pisteet värjäytyivät. Lisäksi osa tiedoista muuttui NULLiksi tietokantaliitoksen yhteydessä, enkä keksi miten tältä vältyttäisiin. Kuvassa 2 olen valinnut ne pisteet, jotka jäivät NULLiksi. Eli jostain syystä esimerkiksi Lauttasaaren uima-altaat eivät rekisteröityneet kunnolla. Tämä todellakin vaikuttaa kartan tiedon todenmukaisuuteen, joten oikeassa käytössä kartta olisi täysin käyttökelvoton. Päätin kuitenkin julkaista sen, koska en aio antaa viiden tunnin työn valua täysin hukkaan ilman mitään näytettävää.

Kuva 2: Pisteet, joihin en saanut dataa (keltaisella).

Loppupohdintana todettakoon, että oma varmuus osaamisestani vaihtelee tunnin välein. Selvästi jotkin toiminnot alkavat jo onnistua, kuten Join Layer tai valittujen attribuuttien tallentaminen omalle tasolleen. Sen sijaan toiset komennot ovat vielä hakusessa, kuten aiempi Aggregaten olemassaolon totaalinen unohtaminen. Lisäksi uudet tiedot ja taidot unohtuvat nopeasti, jos niitä ei toista riittävän usein. Esimerkiksi viidennen kurssikerran jälkeen bufferointi tuntui melko suoraviivaiselta, mutta näin kaksi viikkoa myöhemmin senkin mieleen palauttaminen vaati jo työtä.

Lähteet:

Isomeri, J. (2022). Jessikan GIS-hurvittelut. Luettu 27.02.2022 osoitteesta https://blogs-test.it.helsinki.fi/jessikangishurvittelut/

Sonninen, R. (2022). Ronjan GIS-blogi. Luettu 27.02.2022 osoitteesta https://blogs.helsinki.fi/sronja/tiedon-analysointia/

Tiainen, N. (2022). Melkein GIS-guru siis itsekin. Luettu 27.02.2022 osoitteesta https://blogs.helsinki.fi/tiainea/

Categories
Uncategorized

Neljäs kurssikerta

Tunnin alussa käsiteltiin ruututeemakarttoja, jotka kuvaavat tutkittavia ilmiöitä tasakokoisin ruuduin. Vakiintuneita karttaruutukokoja ovat 250 m x 250 m, 1 km x 1km ja 5 km x 5 km (Tilastokeskus 2022). Kurssikerrasta ehti vierähtää tovi ennen kuin ehdin kirjoittaa tätä blogitekstiä, joten en enää muista, minkä ruutukokoon päädyin valitsemaan omiin karttoihini. Tästä voidaan päätellä, että ruutukoko olisi ehkä hyödyllistä tai kiinnostavaa tietoa muillekin kartan lukijoille ja sen voisi ehkä merkitä näkyviin kartalle tai sen viereen. Myös kuntarajojen näkyminen parantaisi kartan luettavuutta ja auttaisi hahmottamaan, missä päin Suomea ollaan.

 

Kuva 1. Ruotsinkielisten asukkaiden määrä (hlö) per ruutu.
Kuva 2. Ruotsinkielisten osuus (%) väestöstä per ruutu.

Valitsin kartalle esitettäväksi ruotsinkielisen väestön osuuden ruuduittain. Ensimmäisessä kartassa (kuva 1) näkyy absoluuttiset määrät eli kuinka monta ruotsinkielistä asukasta ruudussa asuu. Toisessa kartassa (kuva 2) näkyy suhteelliset osuudet, eli ruotsinkielisten osuus koko ruudun asukkaista. Ruututeemakartalla voi näyttää absoluuttisia lukuja, koska ruudut ovat keskenään samankokoiset ja näin vertailukelpoiset. Absoluuttisilla määrillä pelattaessa kuitenkin näkyy, että Helsingin keskusta on kaikista tummin eli siellä asuu eniten ruotsinkielisiä, mutta se johtuu siitä, että asukastiheys on siellä muutenkin suurin. Kartassa kaksi sen sijaan on muutama ruutu, joissa ruotsinkielisten osuus on 66,7-100%. Näissä ruuduissa asuu luultavasti vain muutamia ihmisiä, jolloin pienikin määrä ruotsinkielisiä voi olla prosentuaalisesti suuri osuus kokonaisuudesta.

Seuraavaksi tutustuttiin rasterimuotoiseen aineistoon. Pornaisten alueelle laadittiin rasteriaineistojen avulla vinovalovarjoste ja korkeuskäyrät aineiston korkeustietojen perusteella. En tajunnut tallentaa projektia kotona jatkamista varten, joten tein nämä askeleet uudestaan kotona. Latasin paitulista peruskarttalehden L4322L, jossa on valmiina korkeuskäyrät, ja sovittelin tämän kartan omatekoisten korkeuskäyrien päälle. Lopputuloksessa (kuvat 3 ja 4) itse luodut korkeuskäyrät ovat vaaleanpunaiset ja valmiin kartan korkeuskäyrät ovat ruskeat.

Kuva 3. Itseluodut korkeuskäyrät ja peruskarttalehden korkeuskäyrät (Peruskarttalehden lähde: paituli.csc.fi).
Kuva 4. Korkeuskäyrät lähempää (Peruskarttalehden lähde: paituli.csc.fi).

Nopealla vilkaisulla korkeuskäyrät näyttävät osuvan hyvin lähekkäin (kuva 3)! Lähempi tarkastelu paljastaa, että QGISin piirtämät käyrät ovat yksityiskohtaisempia kuin peruskarttalehdellä olevat: vaaleanpunaiset käyrät mutkittelevat ja ovat rosoisempia reunoilta. Kartan tekijä on varmaankin yksinkertaistanut kaikkein pienimmät mutkittelut pois, jotta kartan luettavuus pysyisi parempana. QGISin korkeuskäyrät eivät myöskään osu täydellisesti yksiin peruskarttalehden käyrien kanssa. Kenties niiden tiedot ovat eri vuosilta tai tietojen keräysmenetelmä on ollut hieman erilainen?

Lähde:

Tilastokeskus. (2022) Tilastoteemakartat. Luettu 16.2.2022 osoitteessa https://tilastokoulu.stat.fi/verkkokoulu_v2.xql?page_type=sisalto&course_id=tkoulu_teemak&lesson_id=4&subject_id=3

 

Categories
Geoinformatiikan menetelmät

Kolmas kurssikerta

Kolmannella kurssikerralla tutustuttiin tietokantoihin ja niiden yhdistämiseen. Yhdistelimme Afrikka-tietokantaan lisätietoa tuomalla Excelin dataa CSV-muodossa QGISiin.

Lisäksi tutkimme, onko timanttikaivoksilla tai öljyllä yhteyttä konflikteihin Afrikassa. Silmämääräisesti suoraa yhteyttä ei voinut päätellä: vaikka osalla maista oli paljon timantteja ja paljon konflikteja, osalla myös oli paljon timantteja ja vähän konflikteja, tai vähän timantteja ja paljon konflikteja. Konfliktit eivät siis liity ainoastaan timantteihin. En tajunnut tulostaa tästä vaiheesta varsinaista karttaa, mutta otin kuitenkin näyttökuvan QGIS-näkymästäni (kuva 1).

Kuva 1. Kuvakaappaus QGISistä. Timanttikaivokset näkyvät vihreinä, konfliktit violetteina ja öljy pinkkinä.

Tietokantojen tiedoista voisi tehdä enemmänkin analyysiä: esimerkiksi konfliktien tapahtumavuosia voisi verrata luonnonmullistusten ajoittumiseen. Jos tulviminen tai kuivuus heikentävät ruokaturvaa, saattaa konflikteja syttyä herkemmin, kun resursseista on pulaa. Timanttikaivosten ja öljykenttien löytämisvuosia ja tuotannon aloittamisvuosia vertaamalla voisi tutkia, pääsevätkö jotkin valtiot nopeammin alkuun isoissa teollisuusprojekteissa kuin toiset. Korreloisiko tämä kenties esimerkiksi BKT:n kanssa? Tosin en tiedä saisiko tästä selville, onko tuotannon aloittamisnopeudessa kyse rahasta tai poliittisesta tahtotilasta; tai onko työn takana ylikansalliset yhtiöt vai valtiot.

Sitten siirryimme takaisin Suomeen.

Kotitehtävänä oli tällä kertaa luoda kartta, jossa näkyy tulvaindeksi ja järvisyys eri puolilla Suomea. Jäimme Elisen kanssa päättäväisinä luomaan karttojamme heti maanantai-illan luennon päätteeksi, koska olimme ”niin lähellä valmista”. Kiitos siis pähkäilyseurasta! Aluksi kaikki etenikin mukavasti, mitä nyt ääkkösten näkyminen ja pilkku desimaalierottimena täytyi ensin tehdä väärin ennen kuin ne osasi korjata.

Kuvassa 2 näkyy Suomen alueiden tulvaindeksit, jotka on laskettu jakamalla keskiylivirtaama keskialivirtaamalla. Keskiylivirtaamalla tarkoitetaan ylimpien mitattujen arvojen keskiarvoja tietyllä ajanjaksolla, ja keskialivirtaama on vastaavasti alimpien mitattujen arvojen keskiarvo ajanjaksolla. Tulvaindeksi kertoo, kuinka moninkertainen tulvahuippu on verrattuna kuivimpaan aikaan. Tämä kartta onnistui mielestäni nätisti ja on informatiivinen.

Kuva 2. Tulvaherkkyys ympäri Suomen.

Mutta sitten se järvisyysprosentin lisääminen diagrammina. Pitkän kädenväännön jälkeen saimme vihdoin pylväsdiagrammit näyttämään suunnilleen oikeilta kartalla, mutta legenda jäi silti mysteeriksi. En millään saanut muokattua sitä fiksuksi. Kyllähän kartasta voi päätellä, että suurempi palkki kuvastaa suurempaa järvien osuutta, mutta tarkkojen lukujen tulkitseminen legendan perusteella on melkein mahdotonta. Tämän kartan informatiivisuus ei ole mielestäni kovin hyvä. Kello kuitenkin lähestyi yhdeksää maanantai-iltana, ja melkein viiden tunnin QGIS-session jälkeen päädyimme lokeroimaan tämän kartan luokkaan Riittävän Hyvä. (Elise, jos sait myöhemmin selvitettyä legendan, minua kiinnostaa kuulla!)

Kuva 3: Järvisyys, eli kuinka monta prosenttia alueen pinta-alasta on järviä.

Tein tarkoituksella kaksi eri karttaa tulvaindeksistä ja järvisyydestä, koska ajattelin, että yhdessä niistä saattaisi tulla liian sekava kokonaisuus. Kuitenkin luettuani paria muuta blogia koen, että tulvaherkkyyden ja järvisyyden keskinäistä riippuvuutta voisi arvioida selkeämmin, jos molemmat ovat samalla kartalla. Ainakin Tuomas Hartikainen ja Janne Turunen tekivät hienot kartat, joista voi nähdä, kuinka järvisyys vähentää tulvaherkkyyttä. Olisin itsekin veikannut, että järvet tasoittavat virtaaman vuosittaista vaihtelua, mutta Tuomas avasi syitä vielä lisää blogissaan: Niitä oli tosi kiinnostavaa lukea! Janne päätyi tekemään piirakkadiagrammit järvisyydestä, ja mielestäni ne ovat mukavan visuaaliset! Niistä näkee järvien osuuden yhdellä silmäyksellä, joten saattaisin itsekin tulevaisuudessa valita piirakat pylväiden sijasta.

Lähteet:

Hartikainen, T. (2022). Maa-gis-ta menoa. Luettu 6.2.2022 osoitteessa https://blogs.helsinki.fi/tuomhart/

Tammela, E. (2022). Geoinformatiikan menetelmiä Elisen tapaan. Luettu 6.2.2022 osoitteessa https://blogs.helsinki.fi/tammelael/

Turunen, J. (2022). Geoinformatiikan mystiset menetelmät. Luettu 6.2.2022 osoitteessa https://blogs.helsinki.fi/janneturunen/

 

Categories
Geoinformatiikan menetelmät

Toinen kurssikerta

Toistoja kehiin!

Tällä kertaa tutustuttiin karttaprojektioihin ja siihen, miten ne eroavat toisistaan. Karttaprojektiot voivat olla oikeapintaisia, oikeakulmaisia tai oikeapituisia, tai sitten kompromissi näiden välillä. Ne kuitenkin vääristävät aina jotain tietoa, koska pallon pinta ei taivu kaksiulotteiselle kartalle ilman virheitä. Niinpä projektion valinnalla on väliä.

QGISissä on työkalu, jolla voi mitata etäisyyksiä ja pinta-alaa kartalta. Mittasin mielivaltaisen etäisyyden ja pinta-alan Suomen lapista ja tutkin eri projektioiden tarjoamia lukuja näille mittauksille. Tulokset näkyvät kuvassa 1.

Kuva 1: Taulukointi etäisyydestä ja pinta-alasta eri projektioissa.

Tuloksissa näkyy, että karteesista koordinaatistoa käytettäessä virheet sekä etäisyydessä että pinta-alassa vaihtelevat huomattavasti. Sen sijaan ellipsoidin pinnalle sovitettuna ne pysyvät samana. Mercatorin projektio vääristää tuloksia kaikista eniten, kun verrataan ETRS/TM35FIN-järjestelmään, joka soveltuu hyvin Suomen kuvaamiseen.

Valitulla projektiolla on siis merkitys suoraan kartalta mitattaviin etäisyyksiin ja pinta-aloihin. Lisäksi projektioilla on vaikutus ihmisten mielikuviin maailmasta: esimerkiksi mantereiden tai valtioiden suhteelliset koot näyttävät muuttuvat projektiosta riippuen. Suomikin venyy tai puristuu hieman eri muotoiseksi eri projektioilla. Hanna miettiikin omassa blogissaan (https://blogs.helsinki.fi/pelkohan/), olisiko tähän ilmiöön syytä kiinnittää enemmän huomiota, koska karttojen käyttö ihan arjessakin on yleistynyt. Tämä on mielestäni hyvä pointti, koska mielikuvat syntyvät helposti alitajuisesti. Kartan tekijällä onkin vastuu siitä, miten hän tiedon esittää.

Seuraavaksi tein karttoja, jotka havainnollistavat pinta-alan vääristymää eri projektioissa suhteessa ETRS89/TM35FIN -projektioon. Käytin samoja projektioita kuin Excel-taulukossa. Tässä lopputulokset:

Kuva 2: Robinsonin projektion aiheuttama pinta-alan vääristymä kunnittain suhteessa TM35:een.
Kuva 3: Mercatorin projektion aiheuttama pinta-alan vääristymä kunnittain suhteessa TM35:een.
Kuva 4: Stereografisen projektion aiheuttama pinta-alan vääristymä kunnittain verrattuna TM35:een.

Värit kuvaavat pinta-alojen suhdetta, eli kertovat kuinka paljon kyseinen projektio vääristää tietyn kunnan pinta-alaa verrattuna TM35-projektioon. Nopealla vilkaisulla kartat näyttävät hyvin samankaltaisilta, mutta eron huomaa, kun tutkii legendaa: kuten taulukkovertailussa, myös näissä kartoissa Mercatorin projektio aiheutti suurimmat vääristymät.

Pinta-alojen suhteiden laskemisen jälkeen tarkoitukseni oli muuttaa kartat takaisin TM35-projektioon, jotta Suomi näyttäisi sopusuhtaiselta. Unohdin kuitenkin tehdä tämän vaiheen stereografiselle projektiolle, joten Suomen muodostakin voi nähdä hieman vääristymää.

Kaikissa kartoissa on nähtävissä etelä-pohjoissuuntainen vääristymän kasvu, mikä kuvastaa projektioiden taipuvuutta liioitella napaseutujen pinta-alaa. Stereografisessa projektiossa vääristymä kulkee enemmän luode-koillinen-suunnassa, mutta jos tässä kartassa katsoo pohjoisnuolta, huomaa, että karttaa onkin vähän kallistettu.

Lähde:

https://blogs.helsinki.fi/pelkohan/

Categories
Geoinformatiikan menetelmät

(Toinen) Ensimmäinen kurssikerta

Okei, kokeillaas uudestaan. Viime vuonna sain kokonaisen yhden blogitekstin tehtyä, mutta sentään se tarkoittaa, että blogialusta on tällä kertaa edes vähän tuttu.

Ensimmäisen kurssikerran sisältö vastasi viime vuoden sisältöä, joten olin jo kertaalleen tehnyt nämä kartat. Jos lukijoita kiinnostaa, viime vuoden karttani löytyvät edellisestä blogipostauksestani. Niitä on ainakin omasta mielestäni hauska verrata: ensinnäkin tänä vuonna sain kartan reunuksen olemaan suorassa suhteessa karttaan.

Toisekseen otin oppia viime vuoden ohjeistani ja jätin Itämeren syvyyskäyrät merkitsemättä, jolloin kartta on mielestäni helppolukuisempi. Kartanhan on tarkoitus esittää Itämerta reunustavien valtioiden osuuksia Itämeren typpipäästöistä. Syvyyskäyrät eivät mielestäni tuo siihen lisäselvennystä.

Kolmanneksi, tällä kertaa järvien rajaus- ja täytevärit ovat samat ja sen ansiosta järvien väri kartalla vastaa legendan väriä. Viime vuonna olin asettanut järvien reunavärin erisävyiseksi siniseksi, jolloin pienen pinta-alansa takia suurin osa järvistä näytti kokonaan reunojensa värisiltä.

Toisaalta tällä kertaa järvien ja HELCOM-merialueen värit ovat todella lähellä toisiaan. Niiden selkeämpi erottaminen auttaisi ehkä kartan luettavuutta. Lisäksi mittakaavan asettelua olisi voinut vielä hienosäätää. Itseäni häiritsee hieman, että valtioiden rajat kulkevat tekstin ”500 km” alta.

Kuva 1. Itämeren valtioiden osuudet typpipäästöistä (%)

Tekninen toteutus oli tällä kertaa hieman helpompaa, koska minulla oli viime vuoden kurssin alku pohjalla. En siis avannut QGISiä aivan ensimmäistä kertaa. Toisaalta olen edelleen vitkuttelun mestari, ja tein tänäkin vuonna kotitehtävän vasta viime hetkellä ennen seuraavaa kurssikertaa.

Kuva 2. Eläkeläisten osuus (%) kunnittain vuonna 2015.

Valitsin Kunnat-kartasta visualisoitavaksi eläkeläisten osuuden kunnittain. Tällä kertaa muistin paremmin, mistä liukuvärin saa kartalle. Lisäksi tässäkin kartassa on reunat (toisin kuin viime vuonna)! Kartan pohjoisnuoli on hieman vinossa, jottei Suomen tarvitse. Muutin siis käytetyn koordinaattijärjestelmän ETRS89 LAEA:ksi, jolloin Suomineito näytti olevan etukenossa. Layout-lehdellä sitten muutin kartan kallistuskulmaa visuaalisesti miellyttävämmäksi. Onneksi QGIS käänsi pohjoisnuolta vastaavan verran automaattisesti!

Kartta on mielestäni helppolukuinen myös lähdemateriaalia tuntemattomille. Eläkeläisten jakautuminen maassamme seurailee suurin piirtein kaupunkien sijoittumista: Niissä kunnissa, joissa on isompia kaupunkeja, eläkeläisiä on suhteessa vähemmän. Kaupungit tarjoavatkin työpaikkoja, joten on loogista, että niissä asuu enemmän työikäisiä. Suomen sisäisen muuttoliikenteen seurauksena työikäiset muuttavat kaupunkeihin, kun taas eläkeläiset jäävät maaseutumaisiin kuntiin. Niinpä eläkeläisten suhteellinen osuus haja-asutusalueiden väestöstä on suurempi.

Categories
Geoinformatiikan menetelmät

Ensimmäinen kurssikerta – tästä se lähtee!

Ensimmäinen kurssikerta geoinformatiikan menetelmiä on nyt takana. Tällä kerralla tutustuttiin QGIS:n käyttöön ja ominaisuuksiin, ja tuotettiin ensimmäinen kartta! En ole aiemmin käyttänyt QGIS:iä, joten esittelytunti tuli kyllä tarpeeseen. Seuraamalla opettajan ohjeita ja toistamalla askeleita samaan tahtiin tunti eteni kuitenkin mukavasti.

QGIS vaikuttaa suurelta osin siltä, että painikkeet tekevät mitä väittävätkin tekevänsä. Epäintuitiivisia ominaisuuksia kuitenkin löytyy, esimerkiksi se, että paneeli- ja tehtäväpalkkivalikot löytyvät klikkaamalla tyhjää aluetta yläpalkissa tai se, että tasojen värivalintoja voi hoitaa monesta eri valikosta, joissa on hieman eri toimintoja. Veikkaan kuitenkin, että ”piilotetummatkin” toiminnot tulevat tutummiksi kurssin edetessä (ja kokeilu ja epäonnistuminen ovat opettavainen yhdistelmä).

Tunnilla luotu kartta kuvastaa Itämeren rajavaltioiden osuuksia mereen päätyvistä typpipäästöistä. Mielestäni kartta visualisoi typpipäästöjen osuudet selkeästi, koska värit ovat keskenään riittävän erilaiset mutta kuitenkin samalla oranssin skaalalla. Myös maat, jotka eivät reunusta Itämerta erottuvat selkeästi värinsä avulla. Siitä voidaan sitten olla eri mieltä, ovatko värit esteettisesti miellyttävät.

Sen sijaan järvet jäivät aikamoiseksi mössöksi. Muutamaa isointa järveä lukuun ottamatta ne näyttävät eri värisiltä kuin legendassa esitetty tunnisteväri. Syynä on tummemman sininen rajaus ja järvien pieni koko, jolloin vain tuo rajausväri jää näkyviin ja sulautuu viereisten järvien rajoihin. Jatkossa voisin siis rajata järvet samalla värillä kuin täytän ne. Lisäksi Itämeren syvyyskäyristä ei välttämättä saa paljoa informaatiota irti, koska yhdelläkään käyrällä ei lue syvyyttä.

Kartan luettavuutta pohtiessani tulin siihen tulokseen, että kartasta saisi selkeämmän ilman järviä ja syvyyskäyriä. Silloin lähdemateriaalia tuntemattomankin olisi helpompi katsoa vain typpipäästöjä, eli sitä olennaista tietoa jota kartta yrittää välittää. Ilokseni huomasinkin, että ainakin Jaana Aaltonen oli päätynyt samaan tulokseen ja jättänyt järvet ja syvyyskäyrät pois omasta kartastaan.

Valtioiden osuus (%) Itämeren typpipäästöistä.

Tunnin jälkeen fiilikset olivat toiveikkaat, että eihän tuo nyt ollutkaan mitenkään mahdotonta. Sitten tein kohtalokkaan virheen ja vitkuttelin kotona tehtävän harjoituksen aloittamista. Avausluennosta oli jo kuusi päivää, kun lähdin tuottamaan toista karttaa. Tällä välin olin jo onnellisesti (tai onnettomasti) ehtinyt unohtaa paljon tunnilla näytettyjä vaiheita eikä oikeiden painikkeiden löytäminen ollut helppoa. Lopulta kokeilemalla, epäonnistumalla, kokeilemalla uudestaan, googlaamalla ja katsomalla luentotallennetta, onnistuin parhaani mukaan tuottamaan kartan Suomen kuntien työttömyysasteesta vuonna 2015.

Päätin tehdä annetuista vaihtoehdoista helpoimman tehtävän, koska uumoilin perusasioiden olevan vielä vähän hakusessa. Olin oikeassa, ja taistelinkin pitkään saadakseni valitsemani attribuutin näkymään kartalla alun alkaenkaan. Opin myös uudestaan eron Graduated ja Categorized -symbolien välillä, kun ensin valitsin kategorisoidun version ja legendassani jokaisella kunnalla oli oma värinsä.

Lopputulos on koropleettikartta, joka kuvaa työttömien osuutta kunnittain Suomessa vuonna 2015. Siitä en ole kuitenkaan itsekään varma, onko prosenttiosuus suhteessa kunnan koko väestöön vai työikäisiin. Ehkä metadatassa olisi ollut vastaus, mutten löytänyt sitä. Kartta itsessään on mielestäni helppolukuinen. Siitä näkee, hyvin karkeasti jakaen, että työttömyys on pääosin alhaisinta pääkaupunkiseudulla ja länsirannikolla, ja kasvaa itään ja pohjoiseen päin.

Työttömien osuus (%) kunnittain Suomessa 2015.

Suurin oivallukseni tältä viikolta on ehdottomasti se, että tehtävät kannattaa tehdä, kun luennon opit ovat vielä tuoreessa muistissa. Tavoitteenani on, että oppisin löytämään perustoiminnot vaivattomasti mahdollisimman aikaisin. Pitääkin pyytää opettajaa näyttämään ensi kerralla, mistä sen Identify Results -paneelin saikaan auki helpoiten.

Lähteet:

Ensimmäinen viikko