Category: Uncategorized

Viimeisellä kurssikerralla tehtävänämme oli kartan laatiminen vapaavalintaisesta aiheesta itse etsimämme aineiston avulla. Koska koko kurssin olimme tehneet karttoja lähinnä Suomesta, halusin tehdä kartan jostakin toisesta maasta. Aavistelin toki, että aineiston löytäminen saattaisi näin olla hankalampaa, ja olinkin oikeassa. Aloitin siis aineiston etsinnän jo hyvissä ajoin ennen kurssikertaa, ja sainkin siihen uppoamaan useita tunteja. Kaikista vaikeinta minusta oli kuitenkin kartta-aiheen keksiminen.

Olen aina ollut kiinnostunut Uudesta-Seelannista, ja ollessani siellä vapaaehtoistöissä erään maoriperheen turismialan perheyrityksessä näin, koin ja kuulin vierestä Maorien kohtaaman syrjinnän ja sen vaikutukset. Perheyrityksen ideana oli jakaa maorikulttuuria turisteille ja tuotoilla auttaa vähävaraisten maoriperheiden lapsia muun muassa jakamalla ruoka-apua, lämpimiä talvitakkeja sekä parantamalla heidän kouluttautumismahdollisuuksiaan.

Maoriperheen luona ollessani kuulin esimerkiksi siitä, kuinka Maorien ja Uuden-Seelannin valtaväestön välillä on kuilu koulutustasossa, vaikka tilanne onkin koko ajan parantumaan päin (esim. Stats NZ 2020a). Päätinkin siis tutkia koulutustasoa ja Maorien osuutta väestössä. Näin jälkikäteen viisastuneena aihe oli minusta ehkä liian hankala ja monisyinen, enkä ole oikein tyytyväinen karttoihini. En mielestäni saanut teemoja kovin hyvin esitettyä karttoina, joissa esitän alueellisia eroja. Tätä aihetta ei toisaalta edes voi tyhjentävästi kartalla esittää, vaikka kartta voisi toimiakin visuaalisena apuna. Aihe sopisikin ehkä paremmin esitetyksi jollakin muulla esitystavalla, kuten taulukkoina ja diagrammeina.

Aineistojen hankkiminen

Ensiksi tarvitsin pohjakartan Uudesta-Seelannista. Aloitin etsimällä tietoa Uuden-Seelannin hallinnollisista alueista. Uusi-Seelanti jaetaan 16 paikallishallintoalueeseen (regional councils) ja 67 alueviranomaiseen (territorial authorities) (kts. esim. Stats NZ 2023b). Tehtävän ohjeistuksen mukaan tutkittava alue olisi hyvä pystyä jakamaan edelleen 20–30 pienempään alueeseen. Aluksi ajattelin käyttää 67 aluejakoa, mutta tilastotietoa hankkiessani tämä osoittautui hankalaksi, joten päädyin käyttämään 16 paikallishallintoaluetta.

Lähdin etsimään pohjakarttaa googlesta hakusanoilla “new zealand open data region shapefiles”. Löysinkin lopulta Uuden-Seelannin hallituksen alaisen sivuston, josta pystyi lataamaan erilaisia vektorimuotoisia pohjakarttoja. Sivustolle täytyi ensin kuitenkin luoda tili, jotta sieltä pystyi lataamaan mitään. Aineistoa ladatessa sai valita monista eri formaateista ja koordinaattijärjestelmistä. Valitsin aineistomuodoksi tutun shapefile-tiedoston, mutta koordinaattijärjestelmän kanssa täytyi taas ottaa Google avuksi. Sainkin selville, että Uudessa-Seelannissa käytetään WGS84-koordinaattijärjestelmästä versiota WGS 84 / UTM Zone 59S (EPSG32759) (MapTiler 2022), joten valitsin vaihtoehdoista tämän.

Seuraavaksi lähdin etsimään tilastotietoa valitsemistani teemoista. Löysin lopulta vähän Suomen Tilastokeskusta vastaavan Uuden-Seelannin version, mutta Tilastokeskuksen sivuihin verrattuna sivusto oli mielestäni todella tönkkö ja vaikeakäyttöinen. Sieltä sai kuitenkin ladattua aineistoa csv-muodossa. Koska halusin tarkastella nimenomaan maoriväestöä suhteessa valtaväestöön, etsin aiheesta taustatietoa. Uuden-Seelannin väestö jaetaan kuuteen ryhmään etnisyyden perusteella (Stats NZ 2020b), joten päädyin lopulta vertailemaan maoriväestöä kokonaisväestöön.

Uuden-Seelannin koulutusjärjestelmä eroaa jonkin verran Suomen koulutusjärjestelmästä. Uudessa-Seelannissa ei jaotella koulutusta Suomen tavoin peruskouluun, toisen asteen tutkintoon tai alempaan ja ylempään korkeakoulututkintoon. Koulutustason pohtiminen tuottikin kovasti päänvaivaa. Uuden-Seelannin koulutus jaetaan eritasoisiin pätevyyksiin (qualification), joita on kymmentä eri tasoa (levels). Jos tasoja verrataan Suomen koulujärjestelmään, Tason 1 toodistus (Level 1 certificate) suoritetaan yleensä Vuoden 11 (Year 11) päättyessä opintopisteiden perusteella eli Suomeen verrattuna ikään kuin silloin, kun lukion ensimmäinen vuosi on käyty. Pähkäilin asiaa aika kauan, ja päädyin lopulta esittämään kartalla sen osuuden väestöstä, jolla ei ole Uuden-Seelannin järjestelmän mukaan mitään pätevyyksiä (no qualifications). Tämä on ikään kuin verrannollinen Suomen koulutustasoissa peruskoulun käyneiden kanssa, vaikkeivat ne ihan suoraan verrannollisia olekaan. (Ministry of Education 2022, NZQA New Zealand Qualifications Authority 2023a & 2023b) Uusimmat tiedot löytyivät vuodelta 2018. Koulutuspätevyyksien kohdalla aineistossa väestöön oli otettu mukaan vain väestöstä se osuus, jonka ikä oli 15 vuotta tai enemmän.

Karttojen laatiminen

Karttojen laatimisessa haastavimmaksi osuudeksi osoittautui lataamani tilastoaineiston muokkaus järkevään muotoon. NZ.Stat-sivustolta lataamassani aineistossa sarakkeet, rivit ja muuttujat olivat asettuneet todella epäkäytännöllisesti, vaikka muokkasin taulukon esittämistapaa sivustolla ennen sen lataamista. Kartat 1 ja 2 on tehty muokkaamatta aineistoa excelissä, ja vaikka niidenkin teko lopulta onnistui, oli se ärsyttävää ja hankalaa. Se voi myös vaikuttaa siihen, että en saanut kartoistani mieleisiä. Lisäksi kahden muuttujan esittäminen kartalla osoittautui hankalaksi. Kartassa 3 on esitetty vain yksi muuttuja, mikä oli huomattavasti helpompaa. Karttaa 3 varten myös muokkasin csv-tiedostoa excelissä ja tulin siihen tulokseen, että olisi pitänyt tehdä se jo aiemmin.

Käytin karttoja 1 ja 2 tehdessäni QGIS:in toiminnoista paljon Join-tietokantaliitoksia, Select by value -työkalua, Field calculatoria ja valittujen kohteiden exporttaamista uudeksi tasoksi. Ainoa pieni ongelma tuli liittäessä tietokantoja, kun eräs kohde ei liittynyt ollenkaan, vaikka tarkistin liitettävien sarakkeiden kirjoitusasut monta kertaa. Koska kyseessä oli vain yksi kohde, korjasin tämän manuaalisesti. (Vasta kolmatta karttaa tehdessäni huomasin, että kohteiden nimissä oli kuin olikin pieni ero kirjoitusasussa.) Lisäksi uusien tasojen kenttätyypit eivät siirtyneet tasosta toiseen, enkä keksinyt missä vika oli. Korjasin asian luomalla uuden sarakkeen tekstimuotoisista numeroista valitsemalla uuden sarakkeen kenttätyypiksi integer. Tunsin oloni hieman tyhmäksi, koska ajattelin tämän olevan ihan pöljä keino. No, se kuitenkin ratkaisi pulmani. Laskin Field calculatorilla uusiin sarakkeisiin myös haluamani prosenttiosuudet.

Kuva 1. Maorien osuus väestöstä ja ei pätevyyksiä koulutuksessa omaavien osuus väestöstä Uudessa Seelannissa paikallishallintoalueittain vuonna 2018. (Pohjakartta: Stats NZ 2023a, Tilastotieto: Stats NZ 2018a & 2018b)

Kuva 2. Maorien osuus väestöstä ja ei pätevyyksiä koulutuksessa omaavien osuus väestöstä (koko väestö ja maoriväestö) pylväinä Uudessa Seelannissa paikallishallintoalueittain vuonna 2018. (Pohjakartta: Stats NZ 2023a, Tilastotieto: Stats NZ 2018a & 2018b)

Halusin verrata Maorien osuutta väestöstä no qualifications-väestöön alueittain. Tarkoituksenani oli tutkia, onko no qualifications-väestön osuus suurempi alueilla, joilla on enemmän maoriväestöä. Visualisoin kartoille 1 ja 2 maoriväestön suhteelliset osuudet koko väestöstä kategorisoimalla alueet. No qualifications-väestön osuuden visualisoin kartalla laittamalla ne näkyviin Labelsien kautta. En ole varma, oliko tämä hyvä ratkaisu, enkä saanut tätä mitenkään järkevästi merkattua legendaan. Kartassa 2 testasin myös esittää koko väestön no qualifications-osuuden ja maoriväestön no qualifications-osuuden pylväinä kartalla. Tässä oli oikeastaan sama homma. Niin kuin aikaisemmin pohdiskelin, teemani olivat mielestäni hankalia esittää kartalla, tai sitten itse en vain keksinyt järkeviä tapoja siihen.

Kuva 3. Se osuus maoriväestöstä, jolla ei ole pätevyyksiä koulutuksessa Uudessa-Seelannissa paikallishallintoalueittain vuosina 2006, 2013 (kartalla näkyy 2011) ja 2018 (kartalla näkyy 2016). (Pohjakartta: Stats NZ 2023a, Tilastotieto: Stats NZ 2018a & 2018b)

Kolmatta karttaa (kuva 3) tehdessäni ajattelin aluksi tehdä karttasarjan kolmesta kartasta, mutta sitten keksin, että voisin kokeilla luoda temporaalisen kartan. Etsin netistä vähän ohjeita, ja löysinkin hyvän videon. Olin muokannut csv-tiedostoa jonkin verran, eikä QGIS antanut muokata sen attribuuttitaulukkoa. Loin siitä uuden tason, jolloin kenttätyypit olivat taas kadonneet. Tein sitten saman tempun kuin edellistenkin karttojen kanssa, mutta nyt QGIS ei antanut minut tallentaa tasoon tehtyjä muutoksia. Ärsyyntyneenä tästä päätin yrittää tehdä kartan nopeasti, ettei QGIS ehtisi kaatumaan siinä välissä.

Loin attribuuttitaulukkoon Field calculatorilla uuden sarakkeen, koska tarvitsin päivämäärän temporaalista karttaa varten. Attribuuttitaulukossani oli tekstimuotoinen sarake vuosiluvulle, ja loin siitä päivämäärämuotoisen sarakkeen käyttämällä Field calvulatotin alavalikosta Conversion-työkaluja apunani (convert to date). Lisäksi laskin tarvitsemani prosentuaaliset osuudet uuteen sarakkeeseen. Kolmannessa kartassa en käyttänyt tietokantaliitosta, vaan työkalua Join attributes by field value, jolla sain luotua uuden tason, johon sisältyivät sekä karttatason että csv-tason halutut tiedot.

Visualisoin karttaa käyttämällä kuutta eri luokkajakoa perustuen visualisoimani muuttujan hajontaan ja arvoihin. Sitten loin temporaalisen kartan käyttämällä tason Properties-valikosta löytyvää Temporal-toimintoa. Hommaa hankaloitti hieman se, että aineistossani ei ollut vuosien välillä tasaisiä välejä, vaan ensimmäisen ja toisen vuoden välissä oli 7 vuotta ja toisen ja kolmannen välissä 5 vuotta. Sen takia valmiissa kartassani näkyy vuodet 2006, 2011 ja 2016 vaikka siinä pitäisi olla vuodet 2006, 2013 ja 2018. Tämän olisi varmaankin saanut jotenkin korjattua, mutta en osannut (hehe). View-valikosta löytyi alakohta Decorations, jolla sain kartalleni otsikon, legendan ja muut tarvittavat. Legendan tein ensin New print layout-ikkunassa kuvaksi, jonka liitin karttaan. Nyt huomaan, että pohjoisnuoli ja mittakaava jäivät puuttumaan. (Ääh, en jaksa korjata sitä.) Exporttasin kartan ja tein lopullisen gif-animaation GIMP-ohjelmalla, joka on ladattavissa netistä ilmaiseksi.

Tuloksien tulkintaa

Kartasta 1 ei voi suoraan päätellä no qualifications-väestön kasvavan maoriväestön osuuden kasvaessa, vaikka pienimpien maoriväestön alueilla osuus onkin alle 20 %, jos ei oteta huomioon paikallishallintoalueita, joilla maan suurimmat kaupungit Auckland ja Wellington sijaitsevat. (Nämäkin olisi ehkä hyvä näkyä kartassa.) Toisaalta on varmasti muitakin vaikuttavia tekijöitä, joita tulisi ottaa huomioon. Esimerkiksi paikallishallintoalueen elinkeinorakenne vaikuttanee asiaan. Kartasta 2 on nähtävissä, että no qualifications-väen osuus maoriväestössä on suurempi kuin no qualifications-väen osuus koko väestössä. Erot eivät ole kuitenkaan kovin suuria varsinkaan kaikilla alueilla. Kartasta on myös hieman vaikea erottaa eroja. Karttaa selkeyttäisi, jos prosenttiosuudet lukisivat siinä.

Kartasta 3 huomaa kuitenkin hyvin koulutustason kehittymisen maoriväestössä, niin kuin aiemmin mainitsinkin. Tulokset ovat vertailtavissa, koska kaikissa kartoissa käytetään samaa luokkajakoa ja väritystä. Kehitys on tapahtunut mielestäni todella nopeasti. Vuonna 2006 ainakin puolella hallintoalueista maoriväestöstä 40–45 %:lla ei ollut pätevyyksiä koulutuksessa. Vuonna 2018, eli vain 12 vuotta myöhemmin, suurin prosentuaalinen osuus oli enää vain 25–30 %:n välissä. Viime vuosikymmeninä Uuden-Seelannin koulutusjärjestelmässä onkin panostettu parempaan kulttuuriseen ymmärtämiseen ja opetustapoihin, millä on voinut olla vaikutusta tuloksiin (Stats NZ 2020a).

Kurssikavereiden tuotoksia ja loppulöpinöitä

Lueskelin muiden kurssilaisten blogeja kiinnostuneena siitä, minkälaisia omia tuotoksia he ovat saaneet aikaan. Esimerkiksi Laura Kaapu (2024) oli tehnyt hienon kartan lukutaitoisten ihmisten ja köyhyysrajan alapuolella asuvien ihmisten osuuksista maailman valtioissa ja pohtinut näiden yhteyttä. Anna Seppälä taas (2024) oli tutkinut maailman urbaanien alueiden ja tulivuorten sijoittumista sekä Suomen pääväyliä. Emma Kolkka (2024) taas oli tutkinut Euroopan lentokenttiä, satamia ja tiheästi asuttuja alueita. On ollut kiva lukea muiden kurssilaisten blogeja; oivalluksia, ongelmia ja ratkaisuja!

Nyt on tämä GIS-kurssi tullut sitten päätökseen! Vaikka välillä on ärsyttänyt ja turhauttanut, on minulle jäänyt kurssista ja QGIS:istä pääsääntöisesti hyvä fiilis. Koen oppineeni paljon uutta ja osaavani käyttää QGIS:iä ainakin perusasioissa. Temporaalisen kartan tekeminen ei ollut ollenkaan niin vaikeaa kuin olin kuvitellut, ja inspiroiduin siitä ajatuksesta, että QGIS:issä on vielä paljon jännittäviä toimintoja, joista en tiedä mitään.

Lähteet

Kaapu, L. (2024) Kurssikerta 7. Lauran blogi. Viitattu 28.2.2024. https://blogs.helsinki.fi/lakaapu/2024/02/27/kurssikerta-7/

Kolkka, E. (2024) Seitsemäs ja viimeinen kurssikerta. Emman GIS blogi. Viitattu 28.2.2024. https://blogs.helsinki.fi/emkolkka/2024/02/28/seitsemas-ja-viimeinen-kurssikerta/

MapTiler (2022) EPSG:32759. epsg.io. https://epsg.io/32759

Ministry of Education (2022) Types of schools and year levels. https://www.education.govt.nz/school/new-zealands-network-of-schools/about/types-of-schools-and-year-levels/

NZQA (2023a) About the New Zealand Qualifications and Credentials Framework (NZQCF). https://www2.nzqa.govt.nz/qualifications-and-standards/about-new-zealand-qualifications-credentials-framework/

NZQA (2023b) Secondary School and the National Certificate Educational Achievement (NCEA). https://www2.nzqa.govt.nz/ncea/understanding-secondary-quals/secondary-school-and-ncea/

Stats NZ (2018a) Age and sex by ethnic group (grouped total responses), for census night population counts, 2006, 2013 and 2018 Censuses. (2018 Census.) NZ.Stat. https://nzdotstat.stats.govt.nz/wbos/

Stats NZ (2018b) Highest qualification and ethnic group (grouped total responses) by age group and sex, for the census usually resident population count aged 15 years and over, 2006, 2013 and 2018 Censuses. (2018 Census.) NZ.Stat. https://nzdotstat.stats.govt.nz/wbos/

Stats NZ (2020a) Education outcomes improving for Maori and Pacific peoples. Stats NZ. https://www.stats.govt.nz/news/education-outcomes-improving-for-maori-and-pacific-peoples

Stats NZ (2020b) Ethnic group summaries reveal New Zealand’s multicultural make-up. Stats NZ. https://www.stats.govt.nz/news/ethnic-group-summaries-reveal-new-zealands-multicultural-make-up

Stats NZ (2023a) Geographic Data Service. https://datafinder.stats.govt.nz/data/

Stats NZ (2023b) Statistical standard for geographic areas 2023. https://www.stats.govt.nz/assets/Methods/Statistical-standard-for-geographic-areas-2023/statistical-standard-for-geographic-areas-2023-updated-december-2023.pdf

Seppälä, A. (2024) 7. Viikko – Viimeinen näytös – luovuus valloilleen. Gisvelhon loitsuja. Viitattu 28.2.2024. https://blogs.helsinki.fi/sexanna/2024/02/27/7-viikko-viimeinen-naytos-omilla-kartoilla/

Kuudennella kurssikerralla pääsimme itse keräämään pistemäistä dataa vastaamalla kysymyksiin pienellä kenttätutkimuskävelyllä käyttämällä Epicollet5-sovellusta. Tänään ei särkenyt päätä kurssikerran lopuksi! Tunnin ulkoilu teki siis hyvää. Opettelimme tuottamaan kartalle pistemuotoista aineistoa eri tavoilla ja tuomaan QGIS:iin dataa internetistä eri muotoisina tiedostoina. Saimme kurssikerralla tehdä taas melko vapaasti ja itsenäisesti hommia tehtävänämme tuottaa luonnonhasardeista karttoja, joita voisi käyttää opetuksessa.

Vaarallinen Kumpula?

Epicollect5-sovelluksella tuotettu data ladattiin Moodlesta löytyvänä csv-tiedostona QGIS:iin. Tämä oli tuttua puuhaa ja sujuikin jo oikein hyvin. Nyt muistelen ihan ensimmäisiä kertoja, jolloin lisätehtävää tehdessäni yritin tehdä samaa hommaa ja se tuntui vaikealta. Sittemmin oppimillani kikoilla sekin olisi silloin onnistunut ilman verta, hikeä ja kyyneliä. On kiva huomata, että oppimiskäyräni ei ole horisontaalinen viiva! Pisteaineiston uutena visualisointimahdollisuutena kokeiltiin kurssikerralla interpolointia. Nyt voin toivottavasti lisätä tämänkin työkalun käytön arsenaaliini.

Kuva 1. Kumpulan ja sen lähialueiden koettu liikkumisturvallisuus helmikuussa 2024.

Lisäsin karttaan (kuva 1) hieman nimistöä helpottamaan alueen sijainnin hahmottamista. Koska itse kävelin ympäriinsä kartan alueella tuottamassa dataa ja tiedän alueesta muutenkin jotain, saan kartasta jotain irti. Mietin kuitenkin, kuinka hyvin karttaa pystyy lukemaan paikkaa tuntematon henkilö. Saatuihin tuloksiin vaikuttaa myös datan keräyshetki, joka ei kuitenkaan ainakaan kartasta tule ilmi. (Sen olisi tietysti voinut kirjoittaa johonkin ylös, lisäänpäs sen ainakin kuvatekstiin). Esimerkiksi talvinen liukkaus on vaikuttanut saatuihin tuloksiin tässä kyselyssä; muun muassa Integraalipolku loistaa vaarallisuuttaan! Tietämätön kartan lukija saattaisi tästä kyseisestä kartasta tehdä ihan erilaisia johtopäätöksiä kuin minä.

Minusta oli myös mielenkiintoista nähdä, miten eri kurssiryhmien kartat erosivat toisistaan. Esimerkiksi Saara Torven (2024) blogin vastaavassa kartassa vaarallisimmaksi koetuksi kohdaksi oli päätynyt Arabian kauppakeskuksen viereinen risteys liikenteen vilkkauden vuoksi. Saara tuo esiin myös huomion siitä, että paikan vaarallisuus voisi säilyä myös eri ajankohtana, sillä vaarallisuuden syyt eivät liittyneet säähän. Hauskana huomiona huomasin, että Lidlin paistopistekin oli päätynyt attribuuttitaulukon perusteella dataan mukaan! Epicollect5-sovellusta voisi kuitenkin käyttää opetustilanteissa pistämällä oppilaat itse tuottamaan tietoa, niin kuin Arttu tunnilla sanoikin. Tästä päästäänkin hyvin aasinsiltaa pitkin seuraavaan tehtävään.

Karttoja luonnonhasardeista opetuskäyttöön

Itse en halua ainakaan opettajaksi, mutta koetin silti parhaani mukaan tuottaa karttoja, joita sellaisessa käytössä voisi kenties hyödyntää. Päätin tehdä kartat tulivuorista ja maanjäristyksistä niiden ollessa laattatektoniikkaan liittyviä hasardeja (National Geographic n.d.) ja siten mahdollisesti myös yhteydessä toisiinsa. Opetuskäytössäkin tällaisia mahdollista korrelaatiota ja kausaatiota on mielekästä tarkastella. Ensiksi minun oli haettava dataa internetistä. Maanjäristystietoja hain U.S. Geological Surveyn (USGS) maanjäristystietokannasta ja tulivuoritietoja National Oceanic and Athmospheric Administrationin (NOAA) tulivuoritietokannasta.

Kuva 2. Laattatektonisten hasardien maanjäristysten ja aktiivisten tulivuorten sijoittuminen maapallolla. (Datan lähde: USGS ja NOAA)

Kuva 3. Litosfäärilaatat, niiden liikesuunnat, tulivuoret ja maanjäristykset. (The Geographer Online n.d.)

Ensimmäiseksi halusin esittää kartalla maanjäristysten ja aktiivisten tulivuorten sijainnit (kuva 2), ja verrata niitä litosfäärilaattojen saumakohtiin. Myös Sini Rautiainen (2024) on sitä mieltä, että opetusnäkökulmasta litosfäärilaattojen saumakohdat olisivat kartalla olennaisia. Minusta olisi ollut kiva, jos olisin voinut itse tehdä kartan myös litosfäärilaatoista, mutten ainakaan nopealla etsinnällä löytänyt netistä mitään valmista vektorimuotoista pohjakarttaa. Heikki Säntti (2024) oli kuitenkin löytänyt netistä litosfäärilaattojen rajat sisältävän aineiston! Harmi, että ehdin tehdä omat karttani ennen Heikin blogin lukemista (enkä jaksanut tehdä uusia). Heikki oli myös vaihtanut pohjakartaksi ESRI:n satelliittikartan, ja lopputulokset ovat myös minun mielestäni hienompia kuin meillä valmiiksi ollut pohjakartta. (Täytyy muistaa Quick Map Services seuraavalla kerralla.) Löysin vertailukohteeksi kartalleni netistä esimerkiksi kuvan 3 kartan (The Geographer Online n.d.) kaikista kolmesta haluamastani aiheesta. Kuvassa ei ihan koko maapallo näy, mutta siitä saa kuitenkin hyvän käsityksen aiheesta. Kartassa keskiönä on kuitenkin esitetty Amerikan mantereet, mikä voi hieman hämätä äkkivilaukselta karttojen vertaamista.

Yellowstone Volcano Observatoryn (2022) mukaan aktiivisia tulivuoria ovat ne tulivuoret, jotka ovat purkautuneet holoseenin eli nykyisen interglasiaalin aikana. NOAA:n tietokantaa tutkiessani huomasin, että käytännössä kaikki tietokannan tulivuoret ovat tämän määritelmän mukaan aktiivisia. En siis rajannut tietokantahakuani mitenkään, vaan latasin syntyneen tsv-tiedoston sellaisenaan sekä lisäsin sen QGIS-projektiini. Visualisoin tulivuoret karttaan oransseina kolmioina, sillä ne kuvastavat mielestäni tulivuoria hyvin.

USGS:n maanjäristystietokannasta sai kerrallaan ladattua vain maksimissaan 20 000 pistettä, joten hakua piti jotenkin rajata. Tehtävänannossa kehotettiin tarkastelemaan ensiksi suurempien magnitudien maanjäristyksiä, joten päätin lähteä taktiikalla suurimmasta pienimpään. Michigan Technological Universityn (n.d.) sivuilta löysin maanjäristysten luokittelutaulukon magnitudin perusteella, ja käytinkin siitä löytyviä luokkarajoja tuotoksissani. Taulukon mukaan vähintään 5,5 magnitudin maanjäristykset aiheuttavat jo jonkin verran vahinkoa rakennuksiin ja muihin rakenteisiin. Kokeilin onneani tällä 5,5 magnitudin rajalla ja aikaikkunan alarajaksi pistin vuoden 1900. Sainkin tulokseksi karvan alle 20 000 tulosta, joten päätin käyttää tätä lataamaani csv-tiedostoa ensimmäisen karttani aineistona. Sekä csv- etä tsv-tiedostojen tuonti QGIS:iin onnistui helposti, kun vain muisti vaihtaa erottimeksi comma tai tab. Maanjäristysten väriksi ruskea sopi mielestäni kuvaavasti.

Luomaani karttaan (kuva 2) piirtyy hyvin näkyviin litosfäärilaattojen rajat. Karttaa voisikin mielestäni ihan hyvin käyttää opetuksessa laattatektoniikkaa, maanjäristyksiä ja tulivuoria ja niiden syntyä käsitellessä. Vähäisempikin tulivuorten ja maanjäristysten määrä olisi varmaan riittänyt piirtämään laattojen reunat kartalle, mutta pelasin tässä varman päälle. Omassa kartassani laattojen liikesuuntia ei näy, mutta ne olisivat käteviä erilaisten tulivuorityyppien sekä maanjäristysten syntytapojen opettamisessa.

Kuva 4. Vähintään 2,5 magnitudin maanjäristykset maapallolla 1.7.-31.12.2023. (Datan lähde: USGS ja NOAA)

Kuva 5. Suurten maanjäristysten sijainnit maapallolla vuosima 1900–2017. (Attreyee Ghosh 2020, kuva Wikipedia Commons)

Toisen kartan halusin tehdä eri magnitudin maanjäristyksistä (kuva 4). Tässäkin ongelmaksi tuli tietokannan rajoitukset, sillä halusin kartalle mahdollisimman paljon suuruusluokaltaan erikokoisia järistyksiä. Pohdin, että vuosi voisi olla yksi luonnollinen ajallinen rajaus, mutta sekin oli liian pitkä aika mahduttaakseen mukaan kaiken kokoiset järistykset. Päädyin lopulta vuoden 2023 jälkipuoliskoon siksi, että se on ajankohtaista tietoa ja mahtui lataamaani tiedostoon. Kartalla halusin havainnollistaa maanjäristyksen eri kokoja ja niiden sijainteja maapallolla. Visualisoin maanjäristykset magnitudin perusteella eri kokoisiksi pisteiksi. Skaalasin pisteiden värejäkin helpottamaan hahmottamista. Esimerkiksi Attreyee Ghoshin (2020) kirjoituksesta löysin kuvan 5 kartan, jossa maanjäristyksiä on kuvattu melko samalla tavalla kuin mihin itse päädyin. Nora Knippare (2024) on tehnyt blogissaan hienon lämpökartan yli 6 magnitudin maanjäristyksistä! Itse olisin kääntänyt ehkä väriskaalan toiste päin, mutta se on varmaankin vain makukysymys. Mielestäni lämpökartta kuvaa ilmiötä myös hyvin, ja siitäkin näkee jokseenkin litosfäärilaattojen sijainteja, vaikka Norakin kirjoittaa, että pistekartasta ne erottuvat selkeämmin.

Tämäkin tekemäni kartta (kuva 4) soveltuisi mielestäni hyvin opetuskäyttöön. Kartasta näkee esimerkiksi pienten maanjäristysten olevan paljon yleisempiä kuin suurten. Suuret maanjäristykset ovat harvinaisempia, niin kuin myös Anna Seppälä (2024) blogissaan kirjoittaa. Annan kartoissa tämä havainnollistuu toisaalta paremmin, kun eri kartoilla on tutkittu eri magnitudin maanjäristyksiä. Kartasta näkee myös eri kokoisten maanjäristysten sijaintipaikat ja pystyy sijoittamaan suurimmat maanjäristyksen tietyille alueille, kuten Tyynenmeren tulirenkaalle. Yhdistettynä muuhun opetusmateriaaliin voisin luulla kartan avulla pääsevän pureutumaan maanjäristyksiin ilmiöinä monipuolisesti. Muun muassa maailman riski-indeksi ja alueiden haavoittuvuusindeksi soveltuisivat tukevaksi tiedoksi esimerkiksi erilaisia alueisiin kohdistuvia vaikutuksia tutkiessa. Lisäsin tähän ja seuraavaan karttaani legendaan eri magnitudin maanjäristysten lukumäärät hahmottamista selventämään, mutta en tiedä olisiko se pitänyt merkitä selvemmin.

Kuva 6. Vuosina 1964–2023 tapahtuneiden tulivuortenpurkausten ja vähintään 6,1 magnitudin maanjäristysten sijainnit maapallolla. (Datan lähde: USGS ja NOAA)

Kolmannella kartalla (kuva 6) halusin kuvata viimeaikaisia tulivuortenpurkauksia ja yli 6,1 magnitudin maanjäristyksiä, sillä ne voivat aiheuttaa Michigan Technological Universityn (n.d.) taulukon mukaan jo suurta vahinkoa tiheästi asutuilla alueilla.NOAA:n tietokannassa uusimmat tulivuorenpurkaukset olivat tapahtuneet vuonna 1964 tai sen jälkeen, ja ne oli merkitty attribuuttitaulukkoon koodilla D1. Käytin tässä hyväkseni rakasta Select features by value -toimintoa ja sain haluamani tulivuoret kartalle luomalla uuden tason valituista kohteista. USGS:n tietokannasta hain kyseiseltä ajanjaksolta kaikki vähintään 6,1 magnitudin maanjäristykset.

Visualisoimani kartta muistuttaa kahta muutakin tekemääni karttaa, enkä oikein tiedä, pystyykö siitä päättelemään mitään tai käyttämään sitä opetuksessa. Tarkoituksenani oli tarkastella, voisiko tulivuortenpurkauksilla ja suurilla maanjäristyksillä olla mahdollisesti jonkinlainen yhteys, sillä maanjäristykset voivat olla tulivuorenpurkausten sekundäärisiä efektejä. Kaivoin esille jonkin edellisen kurssin materiaaleja, joista minulle selvisikin eräs tärkeä seikka. Heinosen ja Turusen (2023) mukaan tulivuorenpurkauksesta aiheutuva maanjäristys on harvoin suuruudeltaan yli 6 magnitudia. Minun olisikin siis tässä tapauksessa pitänyt tarkastella pienempiä järistyksiä. Maanjäristyksetkin voivat toisaalta mahdollisesti osasyynä aiheuttaa tulivuorenpurkauksia, mutta siihen pitäisi perehtyä vielä enemmän. Joka tapauksessa koen, että tämän haluamani ilmiön tutkimiseen tarvitsisi lisätietoa ja ylipäätään tarkempaa tietoa. Kartan aineisto ei sisällä maanjäristyksen tai tulivuorenpurkauksen tarkkaa ajankohtaa, joka vähintäänkin tarvittaisiin mahdollista kausaatiota etsiessä. No, kenties kartan avulla voisi ainakin käydä läpi tulivuortenpurkausten ja maanjäristyksen mahdollisia yhteyksiä teoriassa.

Lähteet

Attreyee Ghosh (2020) Understanding intraplate earthquakes. Blogs of the European Geosciences Union. https://blogs.egu.eu/divisions/gd/2020/07/08/intraplate_earthquake/

Heinonen, J. & Turunen, S. (2023) Tulivuoret ja impaktit globaaleina riskeinä. MAA-105 Globaalit tutkimuskysymykset maantieteessä-kurssin luentomateriaaleja.

Knippare, N. (2024) Vecka 6. GO GIS GIRL. Viitattu 22.2.2024. https://blogs.helsinki.fi/knippare/2024/02/22/vecka-6/

Michigan Technological Universityn (n.d.) Earthquake Magnitude Scale. UPSeis: an educational site for budding seismologists. Viitattu 21.2.2024. https://www.mtu.edu/geo/community/seismology/learn/earthquake-measure/magnitude/

National Geographic (n.d.) Plate Tectonics and Natural Disasters. National Geographic Education. Viitattu 21.2.2024. https://education.nationalgeographic.org/resource/plate-tectonics-and-natural-disasters/

NOAA (n.d.) Global Volcano Locations Database. National Centers for Environmental Information. Viitattu 20.2.2024. https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-data

Rautiainen, S. (2024) Kuudes kurssikerta. Sinin geoinformatiikka-blogi. Viitattu 22.2.2024. https://blogs.helsinki.fi/rautsini/2024/02/21/kuudes-kurssikerta/

Seppälä, A. (2024) 6. Viikko – turvallinen vai turvaton Kumpula? – Interpolointia ja maailman hazardeja. Gisvelhon loitsuja. Viitattu 22.2.2024. https://blogs.helsinki.fi/sexanna/2024/02/21/6-viikko-turvallinen-vai-turvaton-kumpula-interpolointia-ja-maailman-hazardeja/

Säntti, H. (2024) Kuudes kurssikerta. Heiggi’s blog. Viitattu 22.2.2024. https://blogs.helsinki.fi/hksantti/2024/02/20/kuudes-kurssikerta/

The Geographer Online (n.d) Plate tectonics: earthquakes and volcanoes. The Geographer Online. Viitattu 20.2.2024. https://www.thegeographeronline.net/plate-tectonics.html

Torvi, S. (2024) Kuudes kurssikerta – liukastelua ja interpolointia. Saara’s blog. Viitattu 22.2.2024. https://blogs.helsinki.fi/saatorvi/2024/02/21/kuudes-kurssikerta-liukastelua-ja-interpolointia/

USGS (n.d.) Search Eathquake Catalog. Earhtquake Hazards Program. Viitattu 20.2.2024. https://earthquake.usgs.gov/earthquakes/search/

Yellowstone Volcano Observatory (2022) Active, dormant, and extinct: Clarifying confusing classifications. USGS Science for a changing world. https://www.usgs.gov/observatories/yvo/news/active-dormant-and-extinct-clarifying-confusing-classifications

Viidennellä kurssikerralla harjoittelimme bufferointia ja sen hyödyntämistä erilaisissa analyyseissä. Kävimme pikaisesti läpi myös laskemista kohteiden avulla. Tutummaksi tulivat myös erilaiset valintatyökalut. Loppupuoli kurssikerrasta kului itsenäisesti QGIS:in kanssa näpertäessä, mikä tuotti parempia oppimistuloksia niin minun kuin esimerkiksi Anna Seppälän (2024), Armida Wanströmin (2024) ja Laura Siltalankin (2024) mielestä.

Puskurivyöhykeanalyysejä pääkaupunkiseudulla

Edellisviikolla pohdiskelin, että polygonienkin digitoinnin kertaus olisi ollut hyödyllistä. Nyt pääsinkin virkistämään muistiani parin pienen kiitoradan kanssa. Buffer-työkalua pääsi käyttämään tehtävissä useaan otteeseen, ja koenkin oppineeni sen käytön hyvin. Puskurointivyöhykkeet ovat kätevä työkalu esimerkiksi saavutettavuuden tutkimiseen tai kohteiden määrän laskemiseen suhteessa sijaintiin, kuten Anna on blogissaan kirjoittanut. Puskurivyöhykkeitä voitaisiin hyödyntää myös esimerkiksi erilaisten vaikutusalueiden laskemisessa vaikkapa luonnonkatastrofien tai onnettomuuksien yhteydessä. Armidakin on blogissaan kirjoittanut bufferoinnin hyödyllisyydestä vaikutusalueiden laskemisessa sekä pendelöinnissä. Onneksi Armida on myös selventänyt, mitä pendelöinti tarkoittaa, koska muuten minun olisi pitänyt kääntyä hyvän ystäväni Googlen puoleen. 😀 Bufferointia voisi hyödyntää myös esimerkiksi määriteltäessä hakkuualueita, kun vesistöjen tai vaikkapa lähteiden ympärille tulee jättää tietty suojavyöhyke. Myös luonnonsuojelussa puskurivyöhykkeitä voitaisiin hyödyntää, jos esimerkiksi tiedetään liito-oravien pesäpaikat.

Taulukko 1. Bufferointi- ja valintatyökaluilla saatuja tietoja kartta-alueen asukkaista.

Malmin lentokenttä
Asukkaita 2 km:n säteellä	58 761
Asukkaita 1 km:n säteellä	9 100
Rakennuksia 1 km:n säteellä	828
…joista rakennettu v. 1936 jälkeen	771
…joissa asukkaita	8 905
Helsinki-Vantaan lentokenttä
Asukkaita 2 km:n säteellä	11 776
…joista 65 dB:n melualueella	303 (2,8%)
Asukkaita väh. 55 dB:n melualueella	11 923
Asukkaita väh. 60 dB:n melualueella (Tikkurila)	13 354
Asemat
Asukkaita alle 500 m:n päässä	111 765
…joiden osuus kaikista asukkaista	21,7%
Työikäisten (15-64v.) osuus alle 500 m	67,1%
Taajamat
Asukkaita taajamissa kaikista asukkaista	96,2%
Kouluikäisiä (6-14v.) taajamien ulkopuolella	2 114
…joiden osuus kaikista kouluikäisistä	3,9%

Taulukossa 1 on nähtävissä QGIS:in työkalujen avulla saatuja vastauksia tehtävänannossa esitettyihin kysymyksiin. Käytin tietojen laskemiseen oikeastaan vain Buffer-työkalua ja Select features by location- ja Select features by value- työkaluja. Eri osuudet laskin excelissä saamieni lukujen perusteella. En tiedä, oliko nämä tarkoitus laskea QGIS:illä, mutta illalla tunkkaisessa GIS-luokassa aivosoluni eivät enää kyenneet siihen. Tehtävissä, joissa alueellisesti valituista piti valita vielä lisää arvon perusteella tein ensin uuden layerin käyttämällä ExportI-toimintoa valituista kohteista. Myöhemmin huomasin, että Select-työkaluilla olisikin pystynyt tekemään todella monipuolisia valintoja joissain tapauksissa myös ilman uuden tason luomista. Statistics-paneeli oli todella hyödyllinen tietoja kerätessäni, ja tykästyin varsinkin Selected features only-toimintoon.

Vieruskaverini Annan kanssa huomasimme, että osa saamistamme luvuista olivat samoja, mutta osa taas erosi toisistaan jonkin verran. Lukiessani Lauran blogia huomasin saman ilmiön. Osa eroista selittyy sillä, että digitoimme itse lentokenttien kiitoradat, jolloin erot itsestään selvästi johtuvat digitoijan tarkkuudesta, vaikka muuten kaikki olisikin tehty samalla tavalla. Kouluikäisten ikää ei ollut tehtävänannossa määritelty, ja käytimmekin Annan kanssa ihan liikaa aikaa ikähaarukan päättämiseen. Päädyimme 6–14-vuotiaisiin, vaikka paljon tätäkin vanhemmat käyvät koulua (heh), koska työikäiset olivat tehtävänannon mukaan 15-vuotiaista ylöspäin. Asemien ja taajamien kanssa meillä kuitenkin oli valmiina valmiit aineistot. En tiedä, voisiko projektin valitulla koordinaattijärjestelmällä olla vaikutusta asiaan. Muistaakseni minä en bufferointia tehdessäni aina täpännyt dissolve-kohtaa. Käsitykseni mukaan se tarkoittaa yhdisämistä, mutta sen merkitys sen vaikutuksen kannalta on minulle epäselvä, joten en osaa sanoa olisiko sillä sitten ollut vaikutusta asiaan. Voisin kuitenkin olettaa, että se on vaikuttanut tuloksiin. Tästä kuitenkin huomaa muun muassa ohjelmiston käyttäjän osaamisen ja tarkkuuden vaikutuksia analyysien tekemiselle. Mietin myös, voiko työkalujen valinta mahdollisesti vaikuttaa analyysin tulokseen? Toisaalta ainakin kokeillessani Intersect- ja Clip-työkaluja saadut geometriset tulokset olivat samoja, eroja oli vain siinä, minkä tason tietoja uuden tason attribuuttitauluun tuli mukaan.

Uima-altaita ja saunoja kartalla

Innostuin kotona tekemään vielä lisätehtävän saunoista ja uima-altaista, koska 1) halusin testata soveltavia taitojani QGIS:in käytössä ja tutkia, mitä kaikkea osaan ja 2) sauna on suomalaisuuden ikoni, kuten tehtäväohjeissa mainitaan. Ensiksi halusin siistiä aineistoa visuaalisesti hyödyntämällä aiemmin kokeiltua Clip-toimintoa (jota olisin itse asiassa kaivannut jo eräällä aiemmalla kerralla mutten osannut ja tajunnut!). Törmäsin heti kuitenkin ongelmaan, sillä QGIS valitti tasojen geometria olevan ”invalid” ja kehotti minua ”fix geometries” tai tekemään jotain muuta, josta en ymmärtänyt mitään. Päätin kokeilla onneani ja etsin sanoja hakuvalikostaja törmäsinkin heti sellaiseen työkaluun kuin Fix geometries. Kokeilin työkalua tasoille, ja kappas vain, Clip-toiminto toimi tämän jälkeen kuin unelma (luoden toisaalta kokonaan uudet tasot). Googlasin, mitä geometrioiden korjaaminen tarkoittaa, mutta en ymmärtänyt vastauksesta mitään. Nyt kuitenkin pääsin jatkamaan tehtävääni.

Seuraavaksi loin uuden tason rakennuksista, sillä sen alkuperäinen attribuuttitaulukko oli niin valtava, että QGIS:illä meni ikuisuus pyörittää sitä. Kuten Annasofia Toivonen (2024) blogissaan kirjoittaa, on vaikea lähteä tekemään toimintoja, jos ei tiedä, mitä attribuuttitaulukossa on. Kyseisessäkin attribuuttitaulukossa sarakkeiden nimet olivat mitäänsanomattomia lyhenteitä, joten päätin uuteen tasoon ottaa mukaan vain ne muuttujat, jotka tehtävänannossa mainittiin. Poistin vanhan tason, ja QGIS jaksoi paljon kiltimmin pyörittää projektiani.

Kuva 1. Uima-altaiden määrä pääkaupunkiseudulla kaupunginosittain pylväinä kuvattuna.

Tein kartan (kuva 1) tehtävänannossa pyydetysti uima-altaiden määristä kaupunginosittain kuvaamalla määriä pylväinä ja niiden numeroarvoina. Pysähdyin hetkeksi sormi suussa miettimään, miten saisin laskettua uima-altaiden määrän alueittain. Sitten muistin Afrikka-tehtävässä käytetyn Count points in polygon-toiminnon ja näpyttelin sen Processing toolboxin hakukenttään. Uuden tason attribuuttitaulukkoon syntynyt sarake olikin helppo visualisoida. Ongelmia kohtasin seuraavaksi siinä vaiheessa, kun piti saada numerot esille pylväiden yläpuolelle. Diagrams-kohdasta en löytänyt mahdollisuutta, vaikka googlailinkin. Kokeilin sitten Labels-kohdasta, ja sainkin numerot jotenkin näkyviin kartalle. Vähän asettelemalla sain ne jokseenkin pylväiden yläpuolelle, mutta kartta on silti mielestäni melko vaikealukuinen. Kun QGIS:issä zoomasi lähemmäksi, näkyi kaikki hienosti, mutta pienempimittakaavaisella kartalla esitystapa on hieman epäselvä. En tiedä, olisiko numeroiden esittämiseen ollut jokin parempikin keino. Eniten uima-altaita oli Lauttasaaressa (taulukko 2), minkä hain vain järjestämällä attribuuttitaulukon halutun sarakkeen järjestykseen suurimmasta pienimpään.

Taulukko 2. Tilastotietoja pääkaupunkiseudun uima-altaista ja saunoista.

Uima-altaat ja saunat
Rakennuksia, joissa uima-allas	855
…joissa asukkaita	12 170
Omakotitaloja, joissa uima-allas	345
Kerrostaloja, joissa uima-allas	181
Rivitaloja, joissa uima-allas	113
Uima-allasrikkain kaupunginosa	Lauttasaari (53kpl)
Rakennuksia, joissa sauna	21 922
…joiden osuus kaikista asutuista rakennuksista	24,2%

Taulukon 2 tietoja hakiessani ja laskeskellessani oivalsin eri Select-työkalujen monipuoliset toiminnot, niin kuin jo aiemmin mainitsin. Opin kokeilemalla käyttämään eri arvojen perusteella valitsemista, ja löysin toiminnot, joilla pystyi jo lisäämään sen hetkiseen valintaan tai poistamaan siitä. Tämä yhdistettynä Statistics-paneeliin auttoikin minua keräämään tietoja helposti ja nopeasti. Paneelin kanssa täytyi kuitenkin olla tarkkana sen suhteen, mitä oli valinnut ja minkä attribuutin tiedot paneeli näytti. Täytyy myös ymmärtää, mitä tässä tarkoittavat rivit count ja sum. Tässä tehtävässä tein saunoista oman tasonsa, sillä tarvitsin sitä myöhemmin visualisoidessa. Tehtävässä piti laskea osuus kaikista asutuista rakennuksista, mikä hämäsi minua hetken. Sitten tajusin valita kaikki rakennukset, joiden asukasmäärä oli yli 0, jolloin huomasin, että kaikki tehtävän rakennukset olivat asuttuja.

Kuva 2. Saunallisten rakennusten suhteellinen osuus kaikista rakennuksista pääkaupunkiseudulla kaupunginosittain.

Koska Suomessa tunnetusti on paljon saunoja ja koska sauna best halusin vielä visualisoida kartalle saunojen määrän pääkaupunkiseudulla (kuva 2). Käytin taas Count points in polygon-toimintoa, jolloin sain kaikkien rakennusten määrän per kaupunginosa. Sitten avasin Join attributes by location-työkalun ja jännitin, osaanko käyttää sitä ilman ohjeita. Ja osasin! Muistan, kuinka aluksi minun piti silmä tarkkana katsoa, näyttääkö kaikki samalta kuin Artulla, mutta nyt huomasin ymmärtäväni työkalun eri toiminnot! Sitten loin vielä Field calculatorilla uuden sarakkeen, johon laskin saunallisten rakennuksien prosenttiosuudet kaikista rakennuksista. Visualisoidessani kartta huomasin, että kartalle jäi muutama alue, joiden väri oli ihan muu kuin mitä olin valinnut. Menin katsomaan attribuuttitaulukkoa, ja huomasin tiedon puuttuvan osasta ruuduista, koska jotakin laskutoimituksessa tarvittua tietoa ei ollut alun perin saatavilla. Muistelin, että Afrikka-tehtävässäkin manuaalisesti vain korjasimme tällaiset tapauksen, joten näpyttelinkin ne sitten nolliksi. Vasta myöhemmin huomasin, että karttaan olikin jäänyt yksi NULL-alue, jonka tarkkasilmäiset varmaan huomaavatkin.

Tuloksieni mukaan joillakin alueilla jopa 100 %:ssa rakennuksia on sauna, ja kiinnostuneena katsoinkin attribuuttitaulukosta, mitä tällaiset alueet ovat. Ne olivat Lentokenttä ja Niinisaari. Molemmissa oli vain yksi asuttu rakennus ja siinä rakennuksessa sauna. Niinisaaresta en tiedä sen enempää, mutta minusta oli jotenkin hauskaa ajatella, että lentokentälläkin on sauna suomalaiseen perinteeseen nojaavasti. (Vaikka enhän minä tiedä, mitä tässä tarkoitetaan alueella, joka on nimetty nimellä ”Lentokenttä”.) Ilmeisesti Espoolaiset pitävät saunoista eniten pääkaupunkiseudulla.:D En ole pääkaupunkiseudulta kotoisin enkä tarpeeksi (yleis)sivistynyt, että tietäisin näitä asioita, mutta pohdin voisiko saunojen määrä jotenkin liittyä rakennuskantaan ja sen ikään tai muuhun vastaavaan.

Reflektointia QGIS:istä ja opituista asioista

QGIS:in keskeisimmiksi työkaluiksi, jotka nyt hallitsen, koen tähänastisten kurssikertojen perusteella ainakin eri Select-työkalut, Field calculatorin, Join attributes by location (summary) –työkalun, nyt tutuiksi tulleet Buffer- ja Clip-työkalut sekä paneeleista ainakin Statistics. Lisäksi Layer propertiesin Joins on tullut tutuksi ja ollut hyödyllinen. Olen laskenut paljon varsinkin uusia sarakkeita taulukkoihin ja yhdistellyt eri tasojen attribuuttitietoa. Kaikkea tarvittua tietoa ei aina ole valmiiksi olemassa tai ne voivat olla eri tasoilla, ja muun muassa nämä mainitsemani työkalut auttavat tiedon luomisessa ja yhdistelemisessä. Kaikki tieto ei aina myöskään ole tarpeellista, jolloin valikoivasti voidaan yhdistellä tai valikoida siitä vain osa, mikä voi myös parantaa toimivuutta liian suuren tietomäärän hidastaessa prosesseja.

Digitoidessa mielestäni erittäin hyödyllinen on New scratch layer varsinkin, jos digitoitavia kohteita on todella paljon. Koen, että melkeinpä kaikki läpikäydyt rasteriaineistoihin liittyvät työkalut ovat jääneet minulle hieman hämäriksi sekä niiden käyttötarkoituksen että itse käyttämisen osalta. Vektoriaineistot ovat tutumpia ja tuntuvat muutenkin hyödyllisemmiltä paikkatietoanalyysien tekemisen kannalta. Tämä saattaa ainakin osaksi johtua juuri siitä, että olen pyöritellyt vektoriaineistoja enemmän ja osaan käyttää siihen liittyviä työkaluja paremmin. Lisäharjoitusta kaipaisin kuitenkin esimerkiksi Merge- ja Dissolve-työkalujen kanssa, sillä mielestäni ne käytiin vain todella nopeasti läpi. Olen kurssin edetessä huomannut, että työkalut, joita käytän useasti ovat jääneet hyvin muistiin, ja silloin niiden toimintaperiaatteet alkaa hahmottaa paremmin kuin vain perässä kopioimalla.

Olen mielestäni ihan hyvin onnistunut soveltamaan opittuja työkaluja ja muita ominaisuuksia, mutta toisaalta soveltavat tehtävät eivät olekaan mielestäni olleet kovin haastavia. Soveltaminen on kuitenkin hankalaa, jos ei anneta valmista listaa työkaluista, joita voi käyttää. Työkalujen syvällisempi ymmärtäminen ja hallitseminen helpottaisi kaikenlaista soveltamista, mutta siihen pisteeseen pääseminen vaatinee vain harjoitusta ja lisää harjoitusta. Googlekin on oiva apu myös QGIS:in kanssa.

Niin kuin Aili Mikola (2024) blogissaan kirjoittaakin, ”datan laatu ja saatavuus vaikuttavat siihen millaisia analyysejä QGIS:llä voi ratkaista”. QGIS:issä on kuitenkin paljon hyviä työkaluja, joilla parhaimmassa tapauksessa voi tuottaa tätä tietoa, niin kuin olen jo pohdiskellutkin. Niin kuin on jo todettu ja Laurakin kirjoittaa, käyttäjien työskentelytavat vaikuttavat analyyseihin, niin kuin vaikuttavat käyttäjän taidotkin. Laura on hyvin todennut, että ”[l]ienee siis hyvä muistaa pyöristämisen jalo taito ja hyväksyä, ettei analyyseissä saadut arvot tai vastaukset aina ole absoluuttinen totuus”. Niin kuin monessa tieteessä lähes aina, kyse on usein kuitenkin ainakin jonkinasteisesta yleistämisestä.

Lähteet

Mikola, A. (2024) Buuferointia. Ailin GIS-luola. Viitattu 22.2.2024. https://blogs.helsinki.fi/maili/2024/02/14/buuferointia/

Seppälä, A. (2024) 5. viikko – Bufferointia Helsinki-Vantaalla. Gisvelhon loitsuja. Viitattu 22.2.2024. https://blogs.helsinki.fi/sexanna/2024/02/16/5-viikko-bufferointi-helsinki-vantaalla/

Siltala, L. (2024) Viides kurssikerta. Lauran blogi. Viitattu 22.2.2024. https://blogs.helsinki.fi/lesiltal/2024/02/14/viides-kurssikerta/

Toivonen, A. (2024) VIIKKO 5: Buffereita ja itsenäisiä tehtäviä. Annasofian blogi. Viitattu 22.2.2024. https://blogs.helsinki.fi/annasoto/2024/02/21/viikko-5-buffereita-ja-itsenaisia-tehtavia/

Wanström, A. (2024) Bufferointi ja reflektointi viikko 5. Gissful thinking. Viitattu 22.2.2024. https://blogs.helsinki.fi/armida/2024/02/15/bufferointi-ja-reflektointi-viikko-5/

Neljännellä kurssikerralla tutustuimme ruutukarttojen tekemiseen ja tiedon esittämiseen niiden avulla käyttäen edelleen nyt jo tutuksi tullutta rakasta QGIS:iä. Harjoittelimme myös rasteriaineiston operointia sekä digitointia rasterikartan avulla, joka kuitenkin oli taustatyötä ensi viikkoa varten. Olen tähän asti tunneilla vain seurannut perässä sitä, mitä opettaja tekee. Puhuimme Venlan kanssa siitä, kuinka tällä tavalla ei toisaalta tunnu sen syvemmin ymmärtävän tekemäänsä. Olenkin huomannut oppineeni läpikäydyt asiat paremmin, kun olen aloittanut jokaisen kartan tekemisen aiemmillakin viikoilla kotona alusta. Tästä puhui Arttukin tunnilla, ja tämänkertaiset täällä blogissa julkaistavat kartat jäivätkin kotiläksyksi.

Yritän aina tehdä kartat ensin ilman ohjeita, mikä on osoittautunut tehokkaaksi oppimismuodoksi virheineen ja onnistumisineen. Nytkin ruutukarttojen tekeminen onnistui niin helposti, että epäilen tehneeni jotain väärin. Viime viikolla blogitekstiäni kirjoittaessani pohdin sitä, kuinka sopivan luokkajakotavan valitsemisen perusteet ovat jääneet minulle hieman epäselviksi. Tällä viikolla Arttu kuitenkin ehti kertoa asiasta ennen kuin ehdin kysyä siitä. Arttu sanoi, että Equal count -kvantiilien käyttäminen usein vääristää aineistoa ja sopii vain sellaisiin tilanteisiin, joissa aineistossa on eri suuruisia havaintoja suurin piirtein saman verran. Natural breaks -luokkajako taas etsii aineistosta luonnollisia katkoskohtia. Melkein kaikkien tällä kurssilla käyttämieni aineistojen jakaumat ovat olleet erittäin vinoja, ja nyt viisastuneena tekisinkin ensimmäisellä kerralla tekemäni väestöntiheyskartan hieman eri valinnoilla.

Ruututeemakartta Helsingin seudusta

Tunnilla puhuimme siitä, kuinka absoluuttisten arvojen esittäminen kartalla on usein ongelmallista, varsinkin jos kyseessä on muuttuja, joka tulisi suhteuttaa toiseen muuttujaan. Kuten Stella Syrjänen (2024) blogissaan kirjoittaakin, arvot tulisi esittää suhteellisina, jotta eri alueiden vertailu toisiinsa onnistuisi. Venla Punkka (2024) kirjoittaakin blogissaan siitä, kuinka erilaiselta ilmiö näyttää absoluuttisina arvoina kuvattuna verrattuna suhteellisilla arvoilla kuvattuna. Yritin pohtia, millaista ilmiötä voisi esittää absoluuttisilla arvoilla ja mieleeni tuli ainakin lämpötila. Tässä karttatehtävässä päädyin esittämään muun kuin suomenkielisten asukkaiden osuuden väestöstä Helsingin seudulla. (Itse asiassa en ole varma, onko se sittenkin muun kuin suomen- tai ruotsinkielisten osuus, koska attribuuttitaulukon kyseisen sarakkeen nimeä ei oikein pystynyt tulkitsemaan.) Suhteellisen luvun sain, kun loin attribuuttitaulukkoon uuden sarakkeen jo tutuksi käyneellä toiminnolla jakaen ruudun muunkielisen väestön määrän ruudun kokonaisasukasmäärällä kertoen sen vielä sadalla saadakseni suoraan prosenttiluvun.

Päädyin tekemään kolme karttaa, kunkin eri kokoisilla ruuduilla. Halusin vertailla sitä, kuinka sama ilmiö esittäytyy erilaisena kartalla mittakaavan muuttuessa. Yhdeksi ruutukooksi valitsin 1000m x 1000m (kuva 1), sillä monia väestöön liittyviä ilmiöitä kuvataan usein suhteutettuna neliökilometriin. Toiseksi ruutukooksi valitsin 500m x 500m (kuva 2), sillä halusin kokeilla edellistä tarkempaa esitystapaa. Kolmanneksi ruutukooksi valitsin 2000m x 2000m (kuva 3), koska halusin tarkastella neliökilometriä suurempaa esitystapaa. Piirsin ruudukot ensimmäisen piirtämäni ruudukon reunoja mukaillen, jotta niistä tulisi mahdollisimman vertailukelpoiset keskenään. Kahdesta pienemmästä ruudukosta tuli täysin samankokoiset, mutta isoin ruudukko on hieman leveämpi oikealta reunalta. Uskon kuitenkin, että ne silti jokseenkin hyvin kelpaavat vertailuun. Heini Tolvanen (2024) kirjoittaa blogissaan innostuneensa vertailemaan kartoilla absoluuttisten ja suhteellisten arvojen esittämisen eroja. Näin jälkikäteen pohdin, että se olisi omalla kohdallanikin tuonut mielekästä syvyyttä analyysiin.

Kuva 1. Muun kuin suomenkielisten osuus väestöstä (%) per neliökilometri Helsingissä, Espoossa, Vantaalla ja Kauniaisissa.

Kuva 2. Muun kuin suomenkielisten osuus väestöstä (%) 500m x 500m kokoisilla ruuduilla Helsingissä, Espoossa, Vantaalla ja Kauniaisissa.

Kuva 3. Muun kuin suomenkielisten osuus väestöstä (%) 2km x 2km kokoisilla ruuduilla Helsingissä, Espoossa, Vantaalla ja Kauniaisissa.

Visuaalisesti omaa silmääni miellyttää eniten kuvan 3 kartta. Suuremmat ruudut tekevät kartasta helpommin luettavan, ja sain karttaan lisättyä myös bufferoidut kuntien nimet, mikä helpottaa kartan hahmottamista. Nyt kuitenkin huomasin, että nimet ovat epähuomiossa hypänneet vääriin paikkoihin, kuin mihin ne alun perin sijoitin tehden kartasta hieman epäselvemmän. No, kuvien 1 ja 2 kartoista nimet puuttuvat, sillä ne hankaloittivat mielestäni kartan lukemista. Kuntien nimet kuitenkin lisäisivät kartan informaatioarvoa, sillä ilman niitä lukijan voi olla hankala hahmottaa kartan sijaintia ja täten asettaa kartalla esitettävä ilmiö minkäänlaiseen kontekstiin. Nyt lukija näkee, että jonkinlaiset rajat kartalla on esitetty, mutta hän ei tiedä mitä ne rajat ovat. Heini (2024) pohtii blogissaan omien karttojensa luettavuutta haittaavan sisäisten kuntarajojen puuttuminen, ja ilman niitä ilmiön paikantaminen tosiaan hankaloitunee entisestään.

Kuvan 2 kartta ei mielestäni visuaalisesti toimi. Ruudut ovat liian pieniä kuvattavan alueen kokoon nähden, enkä näe, että olisi edes mielekästä esittää ilmiö tässä tapauksessa niin pienillä ruuduilla. Kuvan 3 kartta toisaalta saattaa yleistää ilmiötä liikaa, joten kuvan 1 kartta perinteisten neliökilometrin kokoisine ruutuineen lienee paras. Pienempien ruutujen tai oikeastaan koko ruututeemakartan hyvä puoli on kuitenkin siinä, että sillä pystyy esittämään alueen sisäisiä vaihteluja. Jos esimerkiksi vertaa kartan 3 jotakin ruutua kartan 2 samassa kohtaa sijaitseviin ruutuihin, huomataan todellisuudessa vaihtelun olevan suurempaa kuin mitä karkeammalla mittakaavalla näyttää. Koropleettiteemakartta myös yleistäisi ilmiötä alueellisesti enemmän, sillä se ei ilmentäisi alueen sisäisiä eroja. Ehkä on vain makukysymys, haluaako käyttää ruututeemakarttaa vai koropleettikarttaa. Pisteteemakartalla saman ilmiön voisi esittää kasvattamalla pistekokoa, mutta se voisi tuottaa sekavamman ja visuaalisesti epämiellyttävämmän sekä vaikeammin luettavan lopputuloksen. Jos haluttaisiin kuitenkin painottaa sijaintia ruudun sisällä, pistekartta olisi hyvä tarkoitukseen.

Ruututeemakartta hyvin tehtynä on mielestäni ihan hyvin luettavissa. Ainakin oma silmäni on kuitenkin tottunut enemmän esimerkiksi koropleettikarttoihin, ja vierastaa symmetrisiä samankokoisia ruutuja hieman. Laura Siltala (2024) kirjoittaakin blogissaan, kuinka lienee hyödyllistä, jos kartan lukijalla on kokemusta ruututeemakarttojen lukemisesta: Laura kirjoittaa hyvin, että tällöin “sitä ihmettelee vähemmän ja lukee enemmän”. Ruututeemakartalla voi myöskin järkevästi esittää vain yhden muuttujan kerralla, tai kartasta tulisi mahdollisesti epäselvä. Tekemäni ruututeemakartan pohjana on käytetty pistetietokantaa rakennuksista, joihin on liitetty muuta tietoa. Ruututeemakartassa menetetään esitetyn tiedon tarkka sijainti, jota ei toisaalta mielestäni olisi edes mielekästä säilyttää. Kartat yleistävät kuvattavaa ilmiötä aina, mutta se on toisaalta usein hyväksikin ilmiön ymmärtämisen kannalta.

Ilman mitään muita taustatietoja karttoja voi olla mielestäni hankala tulkita. En osaisi esittää kartoilla kuvatun ilmiön syitä pelkän kartan pohjalta. Kartta (kuva 1) kertoo minulle muunkielisten prosentuaalisen osuuden neliökilometrillä muttei mitään siitä, miksi näin on. Jos kartan lukijalla on ennakkotietoa pääkaupunkiseudusta ja sen alueista, voisi hän saada kartasta enemmän irti. Nyt kartasta voisi kuitenkin päätellä esimerkiksi mahdollisia maahanmuuttajakeskittymien sijainteja. Jos alueella on paljon maahanmuuttajia, siellä on todennäköisesti paljon muunkielistä väestöäkin. Minusta on myös mielenkiintoista, kuinka eri kokoiset ruudut muuttavat muunkielisten suhteellista määrää. Kuvien 1 ja 2 kartoissa on myös ruutuja, joissa muunkielisten määrä on 100 %. Se antaa jo pelkkinä lukuinakin hyvin erilaisen kuvan kuin kuvan 3 kartan suurin prosenttimäärä 66 %. Niin kuin Stella (2024) kirjoittaakin, ”ruuduista voidaan käytännössä tehdä minkä kokoisia tahansa ja ruutujen koon muuttamisella voidaan muokata tuloksia”. Kartan voi tosiaankin saada näyttämään miltä tahansa, ja siksi kartan tekijällä onkin aina suuri vastuu.

Rasteriaineistoja ja digitointia

Kurssikerran toisella puoliskolla operoimme rasteriaineistojen kanssa. Sampo Väätäjä (2024) kirjoittaa blogissaan, että ei ymmärtänyt rasteriaineistojen toimintaperiaatteita täysin. Minullekin jäi jokseenkin samat fiilikset. Luulen sen osittain johtuvan siitä, että tähän asti olemme työskennelleet oikeastaan vain vektoriaineistojen parissa. Uskon rasteriaineistojenkin käyvän tutummiksi seuraavien kertojen kuluessa. Teimme Hillshade-rinnevarjostuksen karttaamme, ja omani näytti verrattuna muiden karttoihin todella vaalealta, joten ehdin jo hermoilemaan hieman. Ilmeisesti kaikki oli kuitenkin kunnossa, ja se on vain asetuksista kiinni.

Kuva 4. Pornaisten keskusta digitoituna osittain.

Pääsimme kurssikerran lopuksi vielä digitoinnin pariin. Digitointi on tullut tutuksi jo syksyllä Corel Draw -ohjelman parissa. Mielestäni QGIS:illä digitoiminen on paljon karkeampaa ja tönkömpää kuin Corel Draw:lla digitoiminen, ja teiden piirtäminen ja talojen klikkailu alkoi pian jo ärsyttääkin minua. Sampo (2024) oli digitoinut myös järvet karttaansa, koska oli halunnut kokeilla myös polygonien digitointia. Minustakin voisi olla kivaa kokeilla polygonien digitointia, niin kuin Heinikin (2024) blogissaan kirjoittaa. Kuva 4 esittää tällä kerralla tekemääni aikaansaannosta. Vaikka tiesin tallentaneeni kaikki layerit ja projektin oikein, oli minun silti heti testattava, sainko projektin aukaistua siten, että kaikki oli tallella. Huokaisin helpotuksesta, sillä en todellakaan olisi halunnut joutua digitoimaan taloja uudelleen.

Lähteet

Punkka, V. (2024) 4. viikko – Ruututeemakarttoja ja yllättävän väkirikas Pornaisten kunta. vpunkka’s blog. https://blogs.helsinki.fi/vpunkka/2024/02/24/4-viikko-ruututeemakarttoja-ja-yllattavan-vakirikas-pornaisten-kunta/

Siltala, L. (2024) Neljäs kurssikerta. Lauran blogi. Viitattu 8.2.2024. https://blogs.helsinki.fi/lesiltal/2024/02/07/neljas-kurssikerta/

Syrjänen, S. (2024) 4 viikko, Ruututeemakartta. Stella’s blog. Viitattu 6.2.2024. https://blogs.helsinki.fi/stellasy/2024/02/06/4-viikko-ruututeemakartta/

Tolvanen, H. (2024) Neljäs viikko – Ruutukarttoja ja nivelvaurioita aiheuttavaa näpertämistä (eli digitointia). Tuloksia ja ihmettelyä Geoinformatiikan menetelmät 1 -kurssilta. Viitattu 8.2.2024. https://blogs.helsinki.fi/heinitol/2024/02/neljasviikko/

Väätäjä, S. (2024) Neljäs kurssikerta (6.2.2024). Sampon blogi. Viitattu 8.2.2024.  https://blogs.helsinki.fi/vsampo/2024/02/06/neljas-kurssikerta-6-2-2024/

Kolmannella kurssikerralla harjoittelimme tietokannan muokkaamista tehokkaaseen käyttöön, tiedonhakua ja tietojen yhdistelemistä erilaisten kyselyjen avulla sekä uuden tiedon tuottamista olemassa olevaan tietokantaan vanhan tiedon avulla. Lisäksi tutustuimme tietokantaliitoksiin sekä siihen, miten uutta dataa voi tuoda tietokantaan muista ohjelmista. Karttojen visualisoinnissa uutena tuli diagrammien tekeminen.

Afrikan konflikteja, timanttikaivoksia ja öljyesiintymiä

Harjoittelimme opeteltavia asioita tunnilla Afrikan konflikteista ja luonnonvaroista kertovan kartan avulla, ja harjoitellut asiat sujuivatkin sulavasti opettajan johdolla. Halusin kuitenkin kotona tehdä vielä paremmat kartat kuin mitä tunnilla tein. Pienen haparoinnin jälkeen toiminnot, kyselyt ja mistä mikäkin löytyy muistuivat mieleeni, ja koin kertauksen hyödylliseksi. Olin ensimmäisellä kurssikerralla jo haastanut itseni tuomaan QGIS:iin dataa toisesta ohjelmasta, ja vaikka se lopulta onnistuikin, tämän kurssikerran jälkeen huomasin sen olevan itse asiassa todella helppoa. Yhdistelimme ja laskimme tietoja siten, että saimme attribuuttitaulukkoon timanttikaivosten lukumäärän kussakin valtiossa, öljykenttien lukumäärän kussakin valtiossa, konfliktien lukumäärän kussakin valtiossa sekä konfliktien lukumäärän per tapahtumavuosi. Viimeinen operaatio siis ikään kuin niputtaa yhdeksi konfliktiksi kaikki ne konfliktit, jotka ovat tapahtuneet samana vuonna. Näin saadaan tietoa esimerkiksi alueen pitkäaikaisesta vakaudesta tai epävakaudesta (Paarlahti 2024).

Kuva 1. Konfliktien määrä valtioittain ja timanttikaivosten ja öljykenttien sijainnit Afrikassa.

Päädyin visualisoimaan karttaan (kuva 1) kuitenkin konfliktien määrän kussakin valtiossa, sillä ajattelin konfliktien kuitenkin olevan erillisiä, vaikka ne sijoittuisivatkin samalle vuodelle ja todennäköisesti voivat liittyä toisiinsa. Näin jälkikäteen tarkemmin ajatellen pohdiskelin, että pitkäaikaisesta vakaudesta tai epävakaudesta kertova tieto olisi sittenkin voinut olla mielekkäämpää. Yhdistin samaan karttaan öljykenttien ja timanttikaivosten sijainnit, sillä visuaalisesta esityksestä on helpompi tarkastella, onko näillä tekijöillä korrelaatiota ja pohtia mahdollista kausaatiota. Omasta mielestäni kartasta ei voi juurikaan päätellä, että mitä enemmän timantteja ja/tai öljyä alueella on, sitä enemmän konflikteja siellä on, vaikka se joillain alueilla pitäisikin paikkansa.

Jotta haluttuja teemoja ja niiden mahdollisia syy-yhteyksiä voitaisiin analysoida, pitäisi näihin olemassa oleviin tietoihin yhdistää paljon muutakin tietoa, joka kertoisi historiallisesta, ekonomisesta, sosiaalisesta ja monesta muusta kontekstista. Konfliktien ja luonnonvarojen yhteys on paljon monimutkaisempi asia, kuin mitä näin yksinkertaisella kartalla voidaan esittää näin pienellä määrää muuttujia. Afrikassa on ensinnäkin paljon muitakin luonnonvaroja kuin vain timantit ja öljy, ja omasta mielestäni ei välttämättä ole mielekästä tutkia vain näiden kahden muuttujan yhteyttä konflikteihin yleisenä ilmiönä. Mielekkäämpää olisi tarkastella jotakin valittua valtiota ja tutkia, voisiko kyseessä olevilla muuttujilla olla syy-yhteyksiä tämän valtion sisällä. Huomioon tulee kuitenkin ottaa muitakin tietokantoihin tallennettuja tietoja, kuten konfliktin tapahtumavuosi, konfliktin laajuus, timanttikaivoksen löytämisvuosi ja kaivausten aloitusvuosi, timanttikaivoksen tuottavuusluokittelu, öljykenttien löytämisvuosi ja öljynporaamisen aloittamisvuosi sekä öljykenttien tuottavuusluokittelu (Paarlahti 2024).

Kuva 2. Konfliktien määrä ja internetin käyttäjien osuus asukkaista valtioittain Afrikassa.

Päädyin visualisoimaan toiseen karttaan (kuva 2) kotona vielä internetin käyttäjien osuuden koko väestöstä, sillä Paarlahden (2024) mukaan sitä voi pitää suhteellisen hyvänä kehityksen mittarina epävarmuuksista huolimatta. Tein tiedolle aluksi attribuuttitaulukkoon uuden sarakkeen, johon laskin internetin käyttäjien määrän jaettuna asukasluvulla. Visualisoin internetin käyttäjien osuuden samaan karttaan konfliktien määrän kanssa pylväinä, sillä kotitehtävässä tein piirakkadiagrammeja, mutta keskusteltuamme Annan kanssa asiasta halusin kokeilla myös pylväitä. Anna Seppälä (2024) on visualisoinut järvisyysprosentit tulvista kertovaan karttaansa pylväinä ja pohtii tekstissään hyvin myös valintojen haasteita. Mielestäni pylväät toimivat tiedon kuvaamisessa oikein hyvin, mutten onnistunut visualisoimaan sitä legendaan niin hyvin kuin olisin halunnut. Kartan perusteella internetin käyttäjien osuudella ilmiönä on positiivinen ja selvempi korrelaatio konflikteihin kuin edellisen kartan luonnonvaroilla. Valtioissa, joissa internetin käyttäjien prosentuaalinen osuus asukkaista on pienempi on usein enemmän konflikteja.

Innostuessani tutkimaan Afrikan konflikteihin liittyviä aiheita enemmän tulin siihen tulokseen, että minun olisi ennemmin kannattanut visualisoida joitakin toisia attribuuttitaulukoista löytyviä muuttujia. Gaius Eriksson (2024) nostaakin blogissaan esiin sen, että minun olisi ollut mielenkiintoista suhteuttaa konfliktien määrä asukaslukuun. Asukasmäärästä ja konflikteista on myös tehty tutkimusta. Esimerkiksi Hegre ja Raleigh (2006) tutkivat valtion asukasmäärän ja asukasryhmien sijaintien (suhteessa pääkaupunkiin, valtion rajoihin ja tieverkostoihin) yhteyttä konfliktien määrään. Toisaalta kaikkien muuttujien mahdollisia syy-yhteyksiä on hyvä tutkia, ja sain taas ainakin harjoitusta ohjelmiston käytöstä ja karttojen visualisoinnista. Opin myös konkreettisesti sen, että erilaisia ilmiöitä ja asioita tutkiessa pelkkä kartta ei riitä, vaan tarvitaan paljon muutakin siihen liittyvää tietoa.

Suomen valuma-alueiden tulvaindeksit ja järvisyys

Aloitimme tunnilla myös tekemään koropleettikarttaa Suomen valuma-alueiden tulvaindekseistä ja järvisyydestä. Lähdin heti tekemään haastavampaa versiota, mutta se töksähti siihen kohtaan, kun olisi pitänyt laskea järvien pinta-ala alueittain itse aineiston pohjalta. Ohjeissa ohjeistettiin käyttämään Join attributes by location -työkalua, mutten googlailuistani huolimatta saanut hommaa toimimaan. Käytin intersect-funktiota, mutta silloin esimerkiksi Laatokka tuli mukaan joihinkin valuma-alueisiin, sillä niiden rajat sivusivat toisiaan. Aivoni olivat siinä vaiheessa jo sen verran mössöä, että päädyin tekemään tehtävän perusversion.

Kuva 3. Suomen valuma-alueiden tulvaindeksi sekä järvipinta-alan osuus valuma-alueen pinta-alasta.

Hommahan olikin suurimmalta osin helppo melkein kaiken ollessa vain kertausta Afrikka-kartan teosta. Törmäsin ensimmäiseen ongelmaan liittäessäni excel-tiedostosta muokattua csv-tiedostoa projektiini ääkkösten puuttumisen ja attribuuttitaulukon väärien kenttätyyppien muodossa, mutta Gaius auttoi minua ja sehän ratkesikin helposti. Karttaa (kuva 3) visualisoidessani mietin, jätänkö joet ja järvet karttaan, mutta ne toisaalta liittyvät teemaan vahvasti eivätkä haitanneet kartan selkeyttä ja luettavuutta, joten jätin ne kartalle. Tulvaindeksin laskemiseen esiteltiin kaksi vaihtoehtoa ja päädyin siihen, joka esittää sen, kuinka moninkertainen tulvahuipun vesimäärä on suhteessa keskimääräiseen joen keskivirtaamaan. En ole varma kumpaa tulvaindeksiä useimmin käytetään tai onko jompikumpi niistä mielekkäämpi.

Järvisyyden päätin esittää kartassa ympyrädiagrammina. Diagrammi-työkalun käyttö oli uutta, ja olinkin aluksi hieman hämmentynyt sen kanssa. Lopulta sain visualisoitua diagrammit mieleisikseni. Vasta jälkikäteen huomasin, että minun olisi kannattanut manuaalisesti vaihtaa legendassa pienimmän pisteen kohdalle aineistosta löytyvä kyseisen muuttujan pienin luku (1,4 %), sillä pelkkiä kokoja on kartalla hieman hankala vertailla. Mielestäni kartasta kuitenkin näkee selkeästi millä valuma-alueella on pinta-alasta enemmän järviä ja millä vähemmän. Esimerkiksi Gaius Eriksson (2024) ja Sampo Väätäjä (2024) kuitenkin tekivät kahden muuttujan diagrammin ja neuvoivat myös minua siinä, joten tein vielä toisen kartan (kuva 4), jossa diagrammi esittää järvien ja maan pinta-alojen osuudet. Karttaa on ehkä hieman hankala lukea diagrammien ollessa niin pieniä, vaikka tein diagrammeista niin isoja kuin järkevästi sain. En tehnyt kaikista diagrammeista samankokoisia keskenään, sillä mielestäni diagrammien suurentuminen järvisyyden osuuden kasvaessa on kuvaavampi.

Kuva 4. Suomen valuma-alueiden tulvaindeksi sekä järvipinta-alan ja maapinta-alan osuudet valuma-alueen pinta-alasta.

Kartasta 3 (ja 4) nähdään, että tulvaindeksi on suurin jokisilla rannikkoalueilla ja sen jälkeen Lapissa. Näillä valuma-alueilla on myös pieni järvisyysprosentti. Tulvaindeksi ja järvisyysprosentti korreloivat siis negatiivisesti; mitä suurempi järvisyysprosentti valuma-alueella on, sitä pienempi on alueen tulvaindeksi. Suomen ympäristökeskuksen (2021) mukaan järvisyys tasaa virtaamia, ja tulvariski onkin Suomessa pieni verrattuna moneen muuhun maahan. Kuten Stella Syrjänenkin (2024) blogissaan toteaa, meren läheisyys vaikuttaa rannikkoalueiden sisämaata suurempaan tulvaindeksiin, ja Suomen kohdalla alueen tasaisuudella on asiassa osansa myös. Suomen ympäristökeskuksen (2021) mukaan merenpinnan kohoaminen ilmastonmuutoksen myötä vaikuttaa tulvien riskin kasvuun, mutta Suomessa varsinkin rannikoilla tapahtuva maankohoaminen osittain kompensoi tätä. Kartassa voisi olla mielekästä esittää korkeuseroja tai maaperän laatua jollakin tavalla, vaikka se toisaalta voisi tehdä kartasta epäselkeämmän ja vaikeammin luettavan.

Lapissa tulviin vaikuttaa myös lumen ja jään suuri määrä, joista syntyy sulaessaan paljon sulavettä. Ilmastonmuutoksen myötä sateisuus Lapissa lisääntyy, mikä kasvattanee tulvaindeksiä ja lisännee tulvien riskiä. Ilmastonmuutos myös lisää rankkasateita, mikä lisää hulevesitulvien riskiä (Suomen ympäristökeskus 2021). Jos alueilla, joilla on jo valmiiksi korkeampi tulvaindeksi on paljon rakennettua ympäristöä, tulvaindeksi ja tulvariskit voivat kasvaa tulevaisuudessa paljon. Nyt olenkin tyytyväinen, että jätin karttaan joet ja järvet, sillä ne ovat olennaisia tulvien muodostumisessa. Pelkästään jokien tai järvien määrästä alueella ei kuitenkaan voi päätellä paljoakaan, vaan huomioon täytyy ottaa jokien ja järvien koot sekä se, minne joet laskevat.

Kaikkia karttoja tehdessäni käytin luokkajaossa Natural Breaks -jakoa, sillä sen on sanottu tunneilla olevan hyvä ja toimiva. Minulle on jäänyt hieman epäselväksi se, mitä jakoa milloinkin kannattaa käyttää ja toivonkin oppivani siitä lisää. Esimerkiksi Afrikka-kartan tapauksessa konfliktien määrän jakauma on epätasainen, mikä on ymmärtääkseni yksi peruste kyseisen luokkajaon käyttämiselle, mutta kaipaisin hieman lisäinfoa asiasta. Visualisointi on mielestäni muutenkin vaikeaa ja jään usein yliajattelemaan esimerkiksi värivalintojani. Mielestäni on myös hankalaa keksiä, mitä legendaan kirjoittaa karttaselitteiksi. Joka kurssikerralla opin kuitenkin aina lisää!

Lähteet

Eriksson, G. (2024) MAA202 Kolmas viikko. Viitattu 1.2.2024. https://blogs.helsinki.fi/ezgaius/2024/01/30/maa203-kolmas-viikko/

Hegre, H. & Raleigh, C. (2006) Population Size, Concentration, and Civil War. A Geographically Disaggregated Analysis. Political Geography. 28: 4, 224–238.

Paarlahti, A. (2024) Kurssimateriaali: kurssikerta 3 tehtävien ohjeet.

Seppälä, A. (2024)  3. viikko – Attribuuttitaulukkojen syövereissä. Viitattu 1.2.2024. https://blogs.helsinki.fi/sexanna/2024/02/01/3-viikko-attribuuttitaulujen-syovereissa/

Suomen ympäristökeskus (2021) Tulvariskien kehitys tulevaisuudessa. vesi.fi. https://www.vesi.fi/vesitieto/tulvariskien-kehitys-tulevaisuudessa/

Syrjänen, S. (2024) 3 viikko, tulvaindeksi. Viitattu 1.2.2024. https://blogs.helsinki.fi/stellasy/2024/01/30/viikko-3/

Väätäjä, S. (2024) Kolmas kurssikerta (30.1.2024). Viitattu 1.2.2024. https://blogs.helsinki.fi/vsampo/2024/02/02/kolmas-kurssikerta-30-1-2024/

Toisella kurssikerralla syvennyimme hieman enemmän QGIS:in ominaisuuksiin sekä pohdimme projektioita ja niiden merkitystä kartanteossa. Kolmiulotteista maapalloa on mahdotonta kuvata kaksiulotteisella kartalla täysin virheettömästi. Projektiossa voidaan esittää oikein vain yksi ominaisuus: joko pinta-ala, pituus tai kulmat eli muodot. (Holopainen et al. 2015) Tehtävänämme oli verrata erilaisten projektioiden aiheuttamia vääristymiä Suomen todelliseen muotoon ja pinta-alaan. QGIS:in avulla vertailu oli mielestäni helppoa, sillä projektiota pystyi vaihtamaan parissa sekunnissa ja erot oli helppo visualisoida ohjeiden mukaan. Huomasin myös QGIS:in käyttötaitojeni kehittyneen karttojen teon sujuessa sulakammin.

Suomessa käytetään nykyään EUREF-FIN-koordinaatistojärjestelmää (tarkka nimi ETRS-TM35FIN), joka perustuu Universal Transverse Projection -projektioon (Holopainen et. al 2015). Tätä blogitekstiä kirjoittaessani huomasin, että käytän tekemissäni kartoissa nimeä EUREF-FIN, vaikka TM35FIN on yleisemmin käytössä. Koska molemmat nimet kuitenkin viittaavat samaan projektioon, en viitsinyt lähteä korjaamaan karttojani. TM35FIN kuvaa kartalla Suomen pinta-alan ja muodon mahdollisimman oikein maastoon verrattuna, joten vertasimme muita projektioita siihen.

Otin yhdeksi vertailukohteeksi Mercatorin projektion, sillä Arttu Paarlahti sanoi tunnilla sen olevan yksi tunnetuimmista ja eniten käytetyistä projektioista, vaikka se vääristääkin suuresti pinta-aloja ja pituuksia. Kuten Aura Niskanen (2024) blogissaan toteaakin, projektioita oli niin runsaasti, että niistä oli vaikea valita. Aura myös toteaa kaikkien karttojensa näyttävän samalta ja pohtivansa, tekikö jotain väärin. Itsellänikin parin ensimmäisen kokeilun tulokset näyttivät lähes samalta vertailukohteeseen verrattuna, mutta sitten löysin myös projektioita, joissa erot näkyivät selvästi. Lopulta päädyinkin Pattersonin projektioon, sillä sekin vääristi pinta-aloja huomattavasti, ja lisäksi siitä näkee helposti sen vääristävän myös muotoja. Kolmanneksi projektioksi valitsin Cassinin projektion, sillä vaikka se ei kovinkaan paljon vääristä pinta-aloja, kiinnittyi huomioni siihen, että vääristymät tapahtuvat eri suuntiin kuin yleiseen pohjois-eteläsuuntaan.

Kuva 1. Mercatorin projektion aiheuttamat vääristymät Suomen pinta-aloihin prosenteissa kunnittain verrattuna TM35FIN-projektioon (EUREF-FIN).

Kuva 2. Mercatorin projektio ja sen vääristymiä kuvaavat Tissotin indikaattorit. (© Tobias Jung)

Mercatorin projektio on oikeakulmainen lieriöprojektio (Esri 2021b), eli se esittää kartalla oikein muodot, mutta vääristää pituuksia ja pinta-aloja. Tehdessäni kuvan 1 karttaa loin tason attribuuttitaulukkoon uuden sarakkeen, johon laskin prosentteina sen, kuinka paljon suurempia pinta-alat Mercatorin projektion mukaan todellisuuteen (TM35FIN) verrattuna ovat. Päädyin karttaa visualisoidessani Arttu Paarlahden ohjeisiin tunnilla väriskaalan ja esitettävien luokkien määrien ja tavan (natural breaks) suhteen.

Näin jälkikäteen pohdin, olisiko yksivärinen väriskaala sittenkin toiminut paremmin. Nyt vihreästä ja sinisestä väristä ainakin minulle itselleni tulee intuitiivisesti sellainen ajatus, että kyseisillä väreillä kuvatuilla alueilla vääristymät eivät olisi niin suuria, vaikka pienimmilläänkin Mercatorin projektion mukaan lasketut pinta-alat ovat 295 % suurempia kuin maastossa todellisuudessa. Kuvan 1 lisäksi kuvasta 2 näkee, että Mercatorin projektion vääristymät kasvavat mentäessä napoja kohti, ja ovat Suomen kohdalla jo todella suuria. Olen hieman yllättynyt siitä, että suurimmillaan Mercatorin projektion aiheuttamat vääristymät ovat Suomen pohjoisosissa jopa 726 %, mikä on 434 prosenttiyksikköä enemmän kuin Suomen eteläosissa.

Kuva 3. Pattersonin projektion aiheuttamat vääristymät Suomen pinta-aloihin prosenteissa kunnittain verrattuna TM35FIN-projektioon (EUREF-FIN).

Kuva 4. Pattersonin projektio ja sen vääristymiä kuvaavat Tissotin indikaattorit. (© Tobias Jung)

Pattersonin projektio on lieriöprojektio, jossa kaikki ominaisuudet ovat jonkin verran vääristyneitä. Pienimmät vääristymät ovat päiväntasaajalla. (Esri 2021c) Tämän huomaa myös kuvasta 4, jossa Tissotin indikaattorit ovat pohjoisessa ja etelässä huomattavasti suurempia ja vääristyneenmuotoisempia kuin päiväntasaajalla. Kartan (kuva 3) visualisoinnissa jatkoin samoilla periaatteilla kuin kuvan 1 kartankin visualisoinnissa. Jätin Pattersonin projektion QGIS:in projektioksi tulostaessani karttaa kuvaksi, jotta siitä näkisi helpommin muotojen vääristymät. Samalla siitä voi kuitenkin myös verrata vääristymien alueellista sijaintia maaston todellisuuteen luokkajaon avulla.

Niin kuin Mercatorin projektion pinta-alan vääristymiä kuvaavassa kartassa, pyöristin tämänkin kartan legendaa varten prosentit kokonaisluvuiksi. Niitä on mielestäni lukijan helpompi näin lukea. Mercatorin projektioon verrattuna Pattersonin projektion vääristymät kasvavat tasaisemmin pohjoiseen mentäessä. Vaikka Pattersonin projektion aiheuttamat vääristymät pinta-aloihin eivät ole niin suuria kuin Mercatorin projektion aiheuttamat vääristymät, ovat nekin kuitenkin vähimmilläänkin 175 % suurempia kuin todelliset pinta-alat.

Kuva 5. Cassinin projektion aiheuttamat vääristymät Suomen pinta-aloihin prosenteissa kunnittain verrattuna TM35FIN-projektioon (EUREF-FIN).

Kuva 6. Cassinin projektio ja sen vääristymiä kuvaavat Tissotin indikaattorit. (© Tobias Jung)

Mercatorin ja Pattersonin projektioiden aiheuttaessa suuria vääristymiä pinta-aloihin, ei niitä ole mielekästä käyttää kartoissa Suomea kuvatessa. Kolmas tarkastelemani projektio, Cassinin projektio, on poikittainen oikeapituinen lieriöprojektio (Esri 2021a). Cassinin projektion aiheuttamat vääristymät pinta-aloihin eivät ole ainakaan Suomen kohdalla kovinkaan suuria, vain 1–3 % (kuva 5), joten sen käyttämisestä Suomen kartoissa ei kenties olisi niin paljon harmia. Kuten kuvasta 6 kuitenkin nähdään, projektio vääristää muotoja ja pinta-aloja huomattavasti itään ja länteen mentäessä (projektiossa nollameridiaani on päiväntasaajan paikalla). Cassinin projektio ei siis yleisesti ottaen soveltuisi karttojen tekemiseen, vaikka se Suomen kohdalla sen sijaitessa melko lähellä nollameridiaania toimisikin.

Jätin kartan pohjaksi tulostaessani sitä taas Cassinin projektion, jotta siitä näkee sen eron muihin projektioihin sekä suunnan, jossa vääristymät kasvavat. Tämän kartan kohdalla oli mielestäni mielekästä pyöristää prosentit legendaan yhden desimaalin tarkkuudella lukujen ollessa sen verran pieniä. Tajusin myös vihdoin, että voin symbols-ikkunassa manuaalisesti muokata lukuja, ja sain lisättyä tasalukujenkin perään desimaalit, jotta ne ovat yhteneväisiä liukulukujen kanssa!

Kuva 7. Suomen väestöntiheys kunnittain vuonna 2020 TM35FIN-projektion pinta-aloihin suhteutettuna.

Kuva 8. Suomen väestöntiheys kunnittain vuonna 2020 Mercatorin projektion pinta-aloihin suhteutettuna.

Innostuin kotona vielä toisen tunnin tehtävien kirjallisessa ohjeessa olleesta tehtävästä, jossa piti verrata jonkin pinta-alaan suhteutetun muuttujan vääristymiä käytettäessä jotakin projektiota. Valitsin Mercatorin projektion sen aiheuttamien vääristymien ollessa tarkastelemistani projektioista suurimpia, jotta erot tulisivat kartalla selkeimmin esiin. Tein attribuuttitaulukkoon kullekin tasolle uuden sarakkeen, johon laskin kunnan asukasluvun jaettuna kunnan pinta-alalla, jonka olimme aiemmin saaneet eri projektioilla vector geometrics -toiminnon avulla.

Päädyin TM35FIN-karttaa (kuva 7) visualisoidessani käyttämään luokkajaossa equal count -jakoa, sillä aineiston histogrammi oli niin epätasaisesti jakautunut ja hajonta suurta. Valitsemani jako oli siis ainoa, jolla kartan sai mielestäni järkevän näköiseksi. Tai sitten en vain osannut muokata muita jakoja oikein. Mercatorin projektion karttaa (kuva 8) visualisoidessani asetin luokille manuaalisesti samat rajat kuin TM35FIN-kartassakin, jotta niitä voisi verrata keskenään, vaikka equal count -jako tietenkin aluksi ehdotti täysin eri jakoja.

Näissäkin kartoissa päädyin seitsemään luokkajakoon Arttu Paarlahden ohjeiden mukaisesti. Paarlahti mainitsi tunnilla, että yleensä käytetään jakoa viiteen luokkaan tai enimmillään seitsemään, koska silmä ei helposti erota enempää pientä vaihtelua yhden värin skaalassa. Tästä muistui mieleeni edellisellä viikolla tekemäni väestöntiheyskartta, jossa jaoin aineiston kymmeneen luokkaan. No, nyt opin ainakin tämän asian! Kaikissa tällä viikolla tekemissäni kartoissa on mielestäni syytä seitsemään luokkajakoon, koska muuten aineiston erot eivät mielestäni tulisi tarpeeksi selkeästi esille. Mielestäni karttojen visualisoinnissa vaikeinta on aina värien valitseminen ja legendan selitteiden kirjoittaminen. Ehkä vain yliajattelen asiaa, mutta toisaalta näillä seikoilla on paljonkin merkitystä kartan luettavuuteen ja tulkintaan.

Kuvia 7 ja 8 verratessa näkee selkeästi, kuinka Mercatorin projektion käyttö kartan pohjana tuottaa täysin vääristyneitä ja todellisuutta kuvaamattomia tuloksia. Kuvan 8 karttaa katsoessa lukija saa sellaisen kuvan, että koko Suomi on todella harvaan asuttua. Tämä vääristymä johtuu siis siitä, että Mercatorin projektio vääristää pinta-aloja suuremmaksi kuin ne todellisuudessa ovat. Toisaalta kun legendojen lukuja katsoo, ei Suomi ole kovin tiheästi asuttua esimerkiksi moniin muihin Euroopan maihin verrattuna. Sopimatonta projektiota käyttämällä voidaan kuitenkin tahallisesti tai tahattomasti silti aiheuttaa vääriä mielikuvia ja tulkintoja.

Lähteet

Esri (2021a) Cassini. ArcMap 10.8, ArcGis Desktop. Viitattu 26.1.2024. https://desktop.arcgis.com/en/arcmap/latest/map/projections/cassini.htm

Esri (2021b) Mercator. ArcMap 10.8, ArcGis Desktop. Viitattu 26.1.2024. https://desktop.arcgis.com/en/arcmap/latest/map/projections/mercator.htm

Esri (2021c) Patterson. ArcMap 10.8, ArcGis Desktop. Viitattu 26.1.2024. https://desktop.arcgis.com/en/arcmap/latest/map/projections/patterson.htm

Holopainen, M., Tokola, T., Vastaranta, M., Heikkilä, J., Huitu, H., Laamanen, R. & Alho, P. (2015) Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7. Uri: http://hdl.handle.net/10138/166765.

Niskanen, A. (2024) Toinen kurssikerta – valintojen maailmaan. Viitattu 26.1.2024. https://blogs.helsinki.fi/niskanau/2024/01/25/toinen-kurssikerta/

Kuvat 2, 4 ja 6

Tobias Jung [CC BY-SA 4.0 (http://creativecommons.org/licenses/by-sa/4.0)], via map-projections.net https://map-projections.net/license/cassini-landscape:tissot-30-stf

Tobias Jung [CC BY-SA 4.0 (http://creativecommons.org/licenses/by-sa/4.0)], via map-projections.net https://map-projections.net/license/patterson-cylindrical-projection:tissot-30-stf

Tobias Jung [CC BY-SA 4.0 (http://creativecommons.org/licenses/by-sa/4.0)], via map-projections.net https://map-projections.net/license/mercator-84:tissot-30-stf

Kurssin ensimmäisellä kerralla tutustuimme QGIS-ohjelmistoon ja sen ominaisuuksiin sekä kertasimme paikkatiedon perusteita. Olen käyttänyt QGIS:iä tasan kerran alkusyksystä Johdatus geoinformatiikkaan -kurssilla noudattaen ohjeita sen paremmin ymmärtämättä mitä olin tekemässä, joten perusteellinen tutustuminen ohjelmistoon oli tarpeen. Ensimmäisen kurssikerran jälkeen koenkin ottaneeni QGIS-ohjelmistoa haltuun jo huomattavasti paremmin.

Itämereen kohdistuvat typpipäästöt

Aloimme harjoitella QGIS-ohjelmiston käyttöä laatimalla sen avulla valmiista aineistosta koropleettikartan Itämerta ympäröivien maiden typpipäästöistä siihen (kuva 1). Kävimme opettajan johdolla vaiheet läpi melko hidasta vauhtia, mutta olin silti vähällä pudota kärryiltä istuessani luokan takana, josta en nähnyt taululle tarpeeksi hyvin. Olisi pitänyt saapua luokkaan aikaisemmin. Omaa oppimistani auttoi paljon se, että opettaminen tapahtui konkreettisesti, eikä tarvinnut itsekseen vain lukea kirjallisia ohjeita. Mielestäni oli hyvä, että kävimme läpi vain QGIS:in perusasiat, sillä hyvän pohjan päälle on helppo rakentaa osaamista. Apua sain lisäksi Uskolta silloin, kun jotkin ohjeet pääsivät livahtamaan ohitse!

Kuva 1. Itämerta ympäröivien valtioiden Itämereen kohdistuvat typpipäästöt.

Olen melko tyytyväinen karttaani, vaikka jälkikäteen löysinkin siitä paljon parannettavaa. Niin kuin Sanna Saarinenkin (2024) blogitekstissään pohtii, minäkin olisin voinut kiinnittää enemmän huomiota kartan saavutettavuuteen. Voisin kuvitella vaaleanpunaisen värin olevan sen verran lähellä punaista, että karttani ei liene luettavissa esimerkiksi punavihersokeille. Olisin voinut vihreän sijaan käyttää esimerkiksi harmaata, sillä kartan kannalta muut maat eivät ole olennaisia teemalle paitsi ehkä sijaintia hahmottavana tekijänä. Huomasin myös, että pohjoisnuoleni ei taida osoittaa täysin pohjoiseen kartan ollessa hieman vinossa ainakin verrattuna tavallisesti nähtäviin karttoihin.

Jätin legendasta pois vesialueet ja syvyyskäyrät, sillä ajattelin niiden olevan tarpeettomia ja sinisen värin intuitiivisesti kertovan vesialueista. Jäin jälkikäteen pohtimaan, olisinko voinut jättää syvyyskäyrät pois koko kartasta, kun niitä ei legendassakaan ole. Ne eivät välttämättä myöskään ole olennaisia kartan esittämän aiheen kannalta. Pohdin myös, onko pieniä järviä tarpeellisia esittää kartalla. Toisaalta ne eivät mielestäni myöskään tee kartasta sekavaa. Selite Itämerestä olisi kuitenkin ehkä pitänyt legendaan jättää, sillä se on erittäin olennainen aiheelle, jota kartta kuvaa. Lisäksi karttaa lukeva henkilö, jolle aineisto ei ole tuttu, ei välttämättä tunne kartan esittämää aluetta, vaikka itse tiedänkin kartan esittämien alueiden sijainnit. Muuten karttani on mielestäni melko helppolukuinen ja esittää kuvattavaa ilmiötä. Pohtimani muutokset ja puutteet olisi helppo korjata, sillä niihin tarvitaan vain kurssikerralla opittuja QGIS:in perustoimintoja. Tehtävä sai minut kokemaan sen, kuinka karttojen laatiminen vaatii osaamista ja miettimistä, vaikka kysymys olisi melko yksinkertaisestakin kartasta ja kuvattavasta ilmiöstä. Innostuin lopulta vielä parantelemaan karttaani hieman (kuva 2).

Kuva 2. Paranneltu kartta Itämerta ympäröivien valtioiden Itämereen kohdistuvista typpipäästöistä.

Näin kurssin alussa blogitekstien vähäisyyden vuoksi innostuin tutkimaan ja hakemaan inspiraatiota myös edellisen vuoden kurssin blogeista. Joanna Nuutinen (2023) pohtii blogissaan mielestäni hyvin sitä, että vaikka kartassa otetaan huomioon vain Itämeren rannikkoalueiden typpipäästöt, myös muiden valtioiden alueilta voi rajoja ylittävien jokien kautta valua typpipäästöjä Itämereen rannikkovaltioiden kautta. Nuutinen nostaa esille sen, että Itämeren valuma-alueeseen kuuluu kartassa esitettyjen rannikkovaltioiden lisäksi myös alueita Tšekistä, Slovakiasta, Norjasta, Venäjästä ja Valko-Venäjästä (Suomen ympäristökeskus 2013). Karttaa lukeva voi saada käsityksen, että Itämereen kohdistuvat typpipäästöt tulevat pelkästään kartalla estetyistä valtioista. Toisaalta näiden valtioiden osuudet ovat väistämättä suurimmat, eikä tässä tapauksessa ole välttämättä mielekästä lähteä analysoimaan muita pienempiä osuuksia. Karttahan kuitenkin kuvaa nimenomaan Itämerta ympäröivien valtioiden typpipäästöjä.

Kartan tekijällä on myös vastuu tiedon esittämisestä mahdollisimman neutraalisti. Kuvasta 1 huomaa Puolan erottuvan kartalta negatiivisessa valossa. Kartan lukijallakin on kuitenkin vastuu pohtia kriittisesti esitettyjä tietoja ja ilmiön mahdollisia syitä. Tässä tapauksessa huomiota tulisi kiinnittää esimerkiksi valtioiden rantaviivan pituuteen, väkilukuun sekä vaikkapa maaperään. Maaperä vaikuttaa maankäyttöön, ja sitä myötä esimerkiksi maatalouden runsauteen, joka vaihtelee Itämeren eri rannikkovaltioissa (Suomen ympäristökeskus 2013). Varsinkin jatkoanalyysin kannalta tällaiset erilaiset seikat ovat todella tärkeitä. Samalla kartalla tätä kaikkea ei kuitenkaan ole mielekästä esittää, sillä se tekisi kartasta todella sekavan.

Suomen väestöntiheys

Kotitehtävänä oli visualisoida Suomen kartta kunnittain jonakin muuttujana. Valmiin aineiston lataaminen ja visualisoiminen sujui ilokseni sen verran helposti, että päätin kokeilla yhtä tasoa vaikeampaa kotitehtävää. Siinä tulikin jo sitten huomattavasti enemmän mutkia matkaan. Päätin tehdä kartan Suomen väestöntiheydestä (kuva 3). Etsin Tilastokeskuksen sivuilta aineiston Suomen väestöntiheydestä kunnittain ja latasin sen ohjeiden mukaisena tiedostona. En saanut kuitenkaan tuotua sitä QGIS:iin oikein, ja pienen pähkäilyn ja googlailun seurauksena päädyin lataamaan aineiston ensin exceliin, jossa muokkasin sen haluamakseni. Excelistä tallensin aineiston ohjeistettuun muotoon, jolloin sainkin sen helposti tuotua QGIS:iin.

Eri tasojen attribuuttitaulukoiden yhdistäminen toisiinsa sen sijaan aiheutti päänvaivaa. Lopulta kokeilun ja virheiden kautta sekin onnistui, mutten saanut väestöntiheyttä kartalle, sillä sen kenttätyyppi attribuuttitaulukossa oli teksti desimaalin sijaan. Netin syövereistä löysin lopulta ohjeet siihen, miten attribuuttitaulukon kenttätyyppejä voi muuttaa. Usean erheen jälkeen onnistuin liittämään tuomani aineiston attribuuttitaulukon tehtävän valmiiseen kuntapohjaan ja sain haluamani kartan näkyviin.

Kuva 3. Suomen väestöntiheys kunnittain vuonna 2022 (Tilastokeskus 2023).

Karttaa visualisoidessani päädyin usean kokeilun kautta valitsemaan tiedon esitystavaksi Equal Count eli tasaisen luokkajaon. Yritin esittää tiedon mahdollisimman neutraalisti ja mielestäni aineiston tasainen jako pyrkii siihen. Päädyin kymmeneen eri luokkaan, sillä väestöntiheydessä oli sen verran hajontaa, että vähäisempi luokkajako olisi liiaksi häivyttänyt tietoa, mutta suurempi ei olisi tuonut enempää lisäarvoa. Kartan legendaan päädyin pyöristämään luvut tasaluvuiksi, sillä ne ovat mielestäni kartan lukijalle mielekkäämpiä ja helppolukuisempia. Omaa silmääni miellytti kuntien ääriviivojen poistaminen, mutta toisaalta ne olisi ehkä pitänyt jättää kartan esittäessä väestöntiheyttä nimenomaan kuntajaon perusteella.

Olen melko tyytyväinen väestöntiheyskarttaani. Se on mielestäni visuaalisesti parempi kuin ensimmäisestä tekemästäni kartasta (kuva 1). Koen, että opin huomattavasti QGIS:in käytöstä toista tehtävää tehdessäni. Vaikka se onkin kliseistä, virheiden kautta oikeasti oppii. Itsensä haastaminen kannatti, ja vaikka siihen kuluikin aikaa ja googlailua, palkitsi lopputulos ja hankittu osaaminen uurastukseni.

Lähteet

Nuutinen, J. (2023) QGIS-ohjelmistoon tutustuminen. Viitattu 16.1.2024. https://blogs.helsinki.fi/joznuuti/2023/01/23/qgis-ohjelmistoon-tutustuminen/

Saarinen, S. (2024) Ensimmäinen kurssikerta. Viitattu 16.1.2024.  https://blogs.helsinki.fi/saarinsa/2024/01/16/ensimmainen-kurssikerta/

Suomen ympäristökeskus SYKE (2013). Itämeri – ympäristö ja ekologia. https://www.syke.fi/download/noname/%7BC0E3E83E-6BEB-489E-939E-06C4B82E1501%7D/97989

Tilastokeskus (2023) Tunnuslukuja väestöstä alueittain, 1990–2022. https://pxdata.stat.fi/PxWeb/pxweb/fi/StatFin/StatFin__vaerak/statfin_vaerak_pxt_11ra.px/

Muut viittaukset

Usko: Usko Sinervon blogi https://blogs.helsinki.fi/usko/

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!