Month: January 2021

Hei taas! Toisen luennon aiheena oli tällä kertaa datan lähteet ja erilaisten projektioiden kanssa työskentely. Alkutunnista tutustuimme erilaisiin datan lähteisiin (joita muuten oli todella monta) ja erityisesti erilaisiin rajapintoihin, kuten WFS-, WMS-, WMTS- ja WCS-palveluihin. Aluksi nämä “rajapinnat” olivat itselleni aivan hukassa, lyhenteet epäselviä ja termit vaikeita käsittää. Pääsimme lopputunnista kuitenkin käsittelemään WFS-palveluita ja ne osoittautuivatkin hyvin helpoiksi käyttää.

Ensimmäiseksi harjoittelimme QGIS:illä erilaisten valintojen tekemistä select features by expression -työkalulla. Olin avannut Moodlesta aineiston, jossa Suomi oli jaettu kuntiin. Select by expression -työkalulla pystyin valitsemaan kartalta tiettyjä alueita jatkokäsittelyyn; tässä tapauksessa Pohjois-Karjalan. Toiminto oli hyvin kätevä ja helppo käyttää, joten tulen varmasti käyttämään sitä myös tulevaisuudessa.

Lopputunnista vertailimme vielä erilaisia projektioita ja miten ne vaikuttavat kartan ulkonäköön ja esimerkiksi pinta-aloihin tai pituuksiin. Teimme kaksi tasoa, joista toinen käytti projektiota ETRS89/TM35 ja toinen World-Mercatoria. Attribuuttitaulukkoa tarkastelemalla voitiin huomata, että kahden eri projektion pinta-alat kartalla olivat hieman erilaiset.

Laskin vielä suhdeluvun näille kahdelle projektiolle ja loin kartan, jossa värit kuvaavat pinta-alojen suhteen vääristymistä (Kuva 1). Kuten kartalta voidaan huomata, vääristyy pinta-ala sitä enemmän, mitä kauemmas päiväntasaajasta mennään. Mercatorin projektiolle ominaista onkin, että mittakaava kasvaa päiväntasaajalta navoille siirryttäessä, jolloin kauempana päiväntasaajaa olevien alueiden pinta-alat vääristyvät.

Meille jäi vielä kotiin tehtäväksi vertailla samalla tavoin vääristymiä myös muilla projektioilla. Aluksi minulla oli todella paljon ongelmia QGIS:in kanssa, sillä aina kun yritin valita uuden projektion tarkasteltavaksi, ohjelma jumittui. Sain kuitenkin lopulta sen toimimaan ja valitsin toiseksi vertailtavaksi projektioksi Winkel-Tripel nimisen projektion (Kuva 2). Lähes mikään muu projektio ei itselläni toiminut, vaan ohjelma jumittui tai herjasi erroria. Ties mistä sekin johtui? Toisaalta myös Tapio oli blogissaan potenut samaa ongelmaa eri projektioiden toimimattomuuden kanssa.

Ylläolevaa karttaa tutkaillessa voidaan ihan ensimmäiseksi huomata koko Suomineidon ulkonäkö. Suomi on Winkel-Tripelin projektiossa kallistunut hieman vasemmalle päin. Pinta-alat Mercatorin projektion tapaan vääristyvät enemmän pohjoisemmassa. Kartassa on tapahtunut pieni virhe, sillä olisi loogisempaa, että isommat vääristymät olisivat punaisella ja pienemmät sinisellä, kuten kuvassa 1; huolittomuusvirhe siis.

Winkel-Tripelin projektiossa pinta-alojen erot verrattuna TM35:een eivät ole suuret ja tämä johtuu siitä, että projektiossa ei pyritä täysin eliminoimaan vääristymiä vaan hakemaan kompromissi, jossa mikään kartan osatekijöistä ei vääristy liikaa. Pinta-alojen vääristymä on tästä syystä hillitympi, eikä erot kahden projektion välillä ole suuria, mutta kuten useat muut projektiot, vääristymät suurenevat päiväntasaajilta navoille mentäessä.

Lähteet:

Turpeinen, T. (28.1.2021). “Kurssikerta 2 (27.1.) Pohjois-Karjalaa ja projektioita”. <https://blogs.helsinki.fi/tapiotur/>

Koponen, J. (14.4.2017). “Mercatorin projektio ei sovi maailmankarttoihin. Gall-Peters on lähes yhtä surkea vaihtoehto”.<http://informaatiomuotoilu.fi/2017/04/mercatorin-projektio-ei-sovi-maailmankarttoihin-gall-peters-on-lahes-yhta-surkea-vaihtoehto/>

Esri, ArcGIS Pro (2021) “Winkel Tripel”. <https://pro.arcgis.com/en/pro-app/latest/help/mapping/properties/winkel-tripel.htm>

Ensimmäinen kurssikerta ja kurkistus geoinformatiikan maailmaan ovat nyt takana päin. Tämän blogin ideana on harjoitella akateemista kirjoittamista ja omien harjoitusten julkaisua, sekä muiden kurssilaisten harjoitusten analysointia. Kurssin nimi geoinformatiikan menetelmät 1 kertoo jo paljon. Kurssin ideana on pikku hiljaa alkaa ymmärtämään geoinformatiikan käytännön puolta vain teorian kertaamisen sijaan. Kurssilla tullaan luomaan erilaisia kurssitöitä ja harjoituksia, jotka sitten julkaistaan tässä blogissa. Blogi toimii tällätavoin myös samanaikaisesti eräänlaisena oppimispäiväkirjana.

Geoinformatiikka on itselleni vielä hieman vieras maantieteen ala. Lukiossa geoinformatiikan kurssi ei paljoakaan inspiroinut, joka tietenkin kantoi yliopistoon asti hieman negatiivisena suhtautumisena oppiaineeseen. Itseäni geoinformatiikassa eniten kiinnostaa datan analysoiminen ja erilaiset taulukkohommat. Karttojen tekeminen ja niiden visualisointi taas ovat pahin painajaiseni.

Ensimmäisellä luennolla kävimme aluksi hieman geoinformatiikan teoriaa, jonka jälkeen kävimme itse hommiin. Sovelluksena käytimme QGIS-nimistä ohjelmaa, joka kädestä pitäen näyttämällä toimi suhteellisen hyvin. Ohjelma kuitenkin toimii parhaiten englanninkielellä, joten ilman kirjallisia ohjeita, olisi tehtävien suorittaminen varmasti todella vaikeaa tällaiselle aloittelijalle kuin minä. Loimme luennolla QGISillä kartan, joka visualisoi typen päästöjä valtioittain (kuva 1). Voin heti sanoa, etten todellakaan olisi osannut tehdä tällaista karttaa ilman step-by-step ohjeistusta. Harjoitus kuitenkin tekee mestarin!

 

QGIS:issä oli monta hyödyllistä toimintoa, jotka tekivät siitä mukavemman käyttää, kuin esimerkiksi Corel Draw -ohjelmasta. Tällaisia olivat esimerkiksi valmiit pohjoisnuolen ja mittakaavan symbolit, jotka tekivät kartasta heti selkeän ja asiallisen näköisen. Luomassani kartassa on kuitenkin myös hieman epäselvyyksiä, kuten mustat alueet valtioiden päällä. Yritin kovasti etsiä tähän keinoa selventää karttaa, mutta se meni minulta aivan ohi. Muuten kartta on ensimmäiseksi tuotokseksi mielestäni oikein mainio. Kartan teossa oli kuitenkin varsinkin aineiston tuomisessa monenlaisia erilaisia vaiheita, joiden harjoittelua minun pitää vielä jatkaa.

Koropleettikartan luomista

Luennolta ei jäänyt käteen vain yhtä tehtävää, vaan sain jatkaa aivojeni kiusaamista  vielä kotitehtävän parissa. Tehtävänä oli luoda koropleettikartta omavalintaisesta aineistosta hyödyntäen Suomen kuntien tietokantaa vuodelta 2015. Harjoituksessa oli kolme vaikeustasoa joista valitsin nyt ensialkuun helpoimman, taitoni QGISin parissa kun eivät ole vielä hääppöiset. Jos teitä kiinnostaa nähdä miltä vaikeampien tasojen luomukset näyttävät, niin suosittelen tsekkaamaan Annikan blogin, missä hän myös selittää todella hyvin vaiheet joita on käynyt läpi harjoitusta tehdessään!

Mutta nyt oman luomukseni pariin. Tehtävänä oli siis luoda koropleettikartta, joka tuttuna terminä ei kuitenkaan aivan muistunut mieleen. Pienellä googlailulla selvisi kuitenkin, että koropleettikartta on niin sanottu aluesymbolikartta, jossa kartan alueet on usein luokiteltu ryhmiin niiden saamien lukuarvojen pohjalta (tilastokoulu.stat.fi).

Aika avata QGIS! Olin ladannut tehtävään tarvittavan kunta-aineiston Moodlesta ja avasin sen ohjelmassa. Aluksi minulla oli ongelmia löytää kartalta minkäänlaista tietoa ja aineistojenkin etsintä oli hankalaa, mutta lopulta ne löytyivät “statistics” nimisen ikkunan alta. Päädyin tarkastelemaan vain näitä aineistoja, enkä hakenut netistä uutta ihan jo sen takia, että olin käyttänyt niin paljon aikaa vain sovelluksen käytön ymmärtämiseen.

Valitsin visualisoitavaksi aineistokseni yli 65-vuotiaiden osuuden Suomessa (kuva 2).

Kun kartan tekemiseen tarvittavat työkalut oli vihdoin löydetty, oli se helppo visualisoida. Valitsin kartan väriksi viileän sinisen kuvaamaan Suomen ikääntyvää väestöä ja sen sijoittumista kunnittain. Karttaa tarkastelemalla voidaan huomata, että tummimmat alueet, eli kunnat missä väestö on ikääntynein, sijaitsevat enimmäkseen Keski- ja Itä-suomessa. Myös pohjoisessa sijaitsee pari suurta kuntaa, joilla väestöstä 26-37% on iältään yli 65 vuotiaita.

Iäkäs väestö on pääasiassa sijoittunut kuntiin, joissa opiskelijoita ja nuoria on vähemmän (vrt. opiskelijakaupungit). Esimerkiksi Jyväskylän, Oulun ja Helsingin alueilla väestö on enimmäkseen työikäistä, mikä tietysti selittyy esimerkiksi työpaikkojen sijainnilla. Vanhukset ovat sijoittuneetkin enimmäkseen maalle ja rannikolle, missä eläminen on ehkä seesteisempää kuin kaupungeissa.

Yhteenvetona ensimmäisestä harjoituksesta voisin sanoa, että vaikka QGIS:in käyttö on itselleni vielä lähinnä opetusvideoiden varassa, tuli ensimmäisistä kartoista jo ihan kelvolliset ja selkeät. Itselläni parantamisen varaa tulee vielä pienissä säädöissä, koska esimerkiksi luokittelu vaikuttaa hyvin paljon kartan ulkonäköön. En kokeillut tällä kertaa käyttää muita luokittelutapoja kuin “natural breaks”, joka luennollakin oli esitelty ihan vain siksi, että pääsisin aluksi helpommalla ja voisin sitten myöhemmin taitotason kasvaessa alkaa tutustumaan monimutkaisempiin kommervenkkeihin, mitä ohjelma tarjoaa.

Lähteet:

Tilastokeskus, Tilastokoulu, 4.2 Koropleettikartta <https://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_teemak&lesson_id=4&subject_id=2&page_type=sisalto> (luettu 25.1.2021)

Innanen, A. (22.1.2021), Harjoitus 1: Koropleettikartan laatiminen QGIS:issä.  <https://blogs.helsinki.fi/anninnan/> (luettu 25.1.2021)