kanmikko's blog

Viimeisellä kurssikerralla saimme vapaat kädet tehdä kaiken maailman karttoja. Vaikeinta oli löytää aineistot ja keksiä kartta, joka kuvaa kahta muuttujaa. Aluksi tarkoitukseni oli tehdä kartta jostain itselle kiinnostavasta aiheesta, mutta mitään ei tullut mieleen. Keksin, että ottaisin kantaa Kolarin kunnan kiistanalaiseen Hannukaisen kaivoshankkeeseen, mutta hankkeen kaavoitukseen tutustuessa tulin siihen tulokseen, että se olisi liian iso pala purtavaksi.

Laura Hynynen oli blogissaan tehnyt karttasarjan tärkeästä aiheesta eli muovin kierrätyksestä ja uusiutuvan energian käytöstä Euroopassa. Kirjoituksessa oli otettu hyvin selvää asioista ja lopputulos on erittäin toimiva. Omassa blogissani en päässyt ihan yhtä syvälle aineistoon ja ilmiöön, joten siinä olisi parantamisen varaa.

Päätin siis tehdä kaksi täysin erilaista karttaa erilaisista aineistoista, jotta voin hyödyntää mahdollisimman montaa eri QGISsin ominaisuutta.

Perus koropleetti

Ensimmäinen kartta on tehty jo tutuksi tulleen Suomen kunta- aineiston pohjalta. Lisäsin aineistoon join- komennolla tilastokeskuksen aineistoja. Toinen aineistoista kuvaa kuntien asuintalouksien keskimääräistä asuntovelkaa euroina ja toinen asuntojen keskimääräistä neliöhintaa kunnittain euroina.

Ongelmaksi syntyi kahden muuttuja esittäminen. Asuntojen neliöhinnan päätin esittää pylväillä, mutta karttaan tuli liian monta pylvästä, joten kartasta tuli sotkuisen näköinen. Päätin siis tehdä pelkästään yhden muuttujan kartan koko Suomesta ja kahden muuttujan kartan rajasin vain eteläiseen Suomeen. Vilma Koljosen blogissa oli hienosti saatu esitettyä paljon tietoa yksinkertaisessa muodossa käyttäen ympyrädiagrammeja. Itse en näillä muuttujilla keksinyt muuta vaihtoehtoa, kuin pienentää aluetta.

Kuva 1, Asuntovelka kunnittain

Kuva 2, Asuntovelka kunnittain sekä asuntojen neliöhinta

Kartoista huomaa oletettavasti, että suurissa kaupungeissa sekä etenkin pääkaupunkiseudulla asuintalouksilla on eniten velkaa ja asunnot ovat kalliita. Poikkeuksen muodostaa Ahvenanmaa, jossa velkaa on lähes yhtä paljon kuin pääkaupunkiseudulla. Asuntojen hinnoista en löytänyt Ahvenanmaalta tietoa ja pitkän googlettamisen jälkeen Ahvenanmaalaisten suuret velat ovat edelleen mysteeri.

Raide-Jokeri ja interpolointi

Toisen kartan aineistot hain Helsingin karttapalvelun WFS- rajapinnan avulla. Latasin taustakartan sekä Raide-Jokerin linjauksen- ja pysäkit. Lisäksi käytin aiemmalta kurssikerralta tutuksi tullutta pääkaupunkiseudun pistemuotoista väestötietoa. Tein väestötiedon avulla interpoloinnin, joka kuvastaa väestön jakautumista Raide-Jokerin lähistöllä. Yritin tehdä interpoloinnista mahdollisimman yksinkertaisen ja kevyen, mutta ohjelmalta meni sen tekemiseen kuitenkin lähes tunti. Lisäsin myös pysäkkien nimet karttaan selkeyttämään lopputulosta.

Kuva 3, Raide-Jokeri ja interpolointi

Lopputulos on mielestäni visuaalisesti selkeä. Interpoloinnissa on havaittavissa joitakin epäkohtia, mutta radan pysäkkien ja väestön määrän välillä on selkeä yhteys, pysäkkien lähellä asuu paljon ihmisiä. Interpoloinnin tiedoista en ole kuitenkaan ihan satavarma. Jakautuuko väestön määrä jonkun yksikön mukaan, vai ovatko legendan luvut interpoloinnin luokkia? Lisäksi luvut pitäisi esittää väestön tiheytenä eikä absoluuttisina lukuina. En löytänyt interpoloinnista mitään ominaisuustietoa  ja ohjelma kaatui aina jos yritin selvittää niitä, joten päätin luottaa pelkkään aineiston visuaalisuuteen.

Viimeiset mietteet

Kurssi oli mielestäni erittäin onnistunut, vaikka maanantain iltavuorot vietettiinkin melko koomaisissa tunnelmissa. Siihen nähden, että kurssin alussa en ollut ikinä edes nähnyt QGIS- ohjelmaa ja seitsemän kurssikerran jälkeen pystyn tuottamaan erilaisia karttoja itsenäisesti on hienoa. Vielä ollaan kuitenkin lähtökuopan pohjalla, joten en malta odottaa uusia GIS- kursseja.

Kiitos kurssista ylivelhojumala ! (Arvonimen antanut Matti Katajisto 2020)

Lähteet:

Karttojen lähteet:

Tilastokeskus: https://www.stat.fi/tup/statfin/index.html (Käyty 28.2.2020)

Helsingin kaupunki WFS-rajapinta: https://kartta.hel.fi/ws/geoserver/avoindata/wfs (Käyty 28.2.2020)

Laura Hynynen kurssikerta 7 ( Luettu 1.3.2020)

https://blogs.helsinki.fi/lauravel/

Vilma Koljonen kurssikerta 7 (Luettu 1.3.2020)

https://blogs.helsinki.fi/vilmakol/

Matti Katajisto kurssikerta 5 (Luettu 1.3.2020)

https://blogs.helsinki.fi/mattikat/

Kenttätyöt

Kurssikerta  lähti liikkeelle kenttätöillä, jossa tallennettiin puhelimen avulla pistemäistä tietoa. Tämän tiedon avulla teimme interpoloinnin eri alueiden turvallisuudesta Kumpulan lähistöllä. Vaarallisiksi alueiksi kartalla osoittautui Hämeentien lähistö ja risteykset. Oli hienoa nähdä, kuinka nopeasti saimme itse kerätystä aineistosta tehdyllä analyysillä aikaan konkreettisia tuloksia. (Kuva 1)

Kuva 1, Kuvankaappaus keskeneräisestä kartasta. Interpolointi Kumpulan alueelta. Vaaralliseksi koetut kohdat punaisella. 

Maanjäristykset ja meteoriitit

Kotona tehtävässä harjoituksessa toin pistemuotoista dataa maailmankartalle. Astuessa opettajan saappaisiin saa hyvän uuden näkökulman kartan tarkasteluun. Ensinnäkin maanjäristyksistä puhuttessa on tärkeä selittää, että yhdeksän magnitudin järistys on jopa miljoona kertaa voimakkaampi, kuin viiden magnitudin. Eli kyseessä ei todellakaan ole mikään tasavälinen asteikko. Mittakaavaa kyseisiin karttoihin ei voinut laittaa, sillä kartan projektion takia mittakaava vaihtelee pohjois-eteläsuunnassa. Meinasin sokeana laittaa karttoihin janamittakaavan mikä näytti sataa metriä. Kuten Janina Vikman toteaa blogissaan ei GIS- ohjelmaan kannata aina sokeasti luottaa.

Kuvassa 2 voi huomata, että voimakkaimmat järistykset sijoittuvat pitkälti litosfäärilaattojen saumakohtiin. Kartta antaa kuitenkin sellaisen kuvan, että laattojen saumakohtien ulkopuolella ei ole ollenkaan maanjäristyksiä.

Kuva 3 antaa mielestäni hyvän kuvan järistyksien sijainnin ja voimakkuuden suhteesta. Suurin osa järistyksistä ja kaikki voimakkaimmat järistykset tapahtuvat saumakohdissa,mutta myös saumojen ulkopuolella voi tapahtua pieniä järistyksiä. Saumakohdissa on kuitenkin niin paljon järistyksiä, että osa pisteistä jää muiden alle.

Kaikissa kuvissa ja etenkin kuvassa 4 on se ongelma, että havaintojen määrä riippuu alueesta. Euroopassa ja Yhdysvalloissa pienetkin maanjäristykset saadaan havainnoitua tehokkaasti ja meteoriittien putoamispaikkoja tutkitaan paljon. Meteoriittien putoamispaikoissa voi myös huomata, että havaintoja on vähän metsäisillä alueilla, koska putoamiskraateria voi olla vaikea havaita puuston alta. Meteoriitteja on todellisuudessa varmasti pudonnut lähes jokaiselle alueelle, joten kartta antaa väärän kuvan.  Saana Järvinen oli blogissaan tullut samaan tulokseen tulivuoria tutkittaessa. “Tiedon vähyyden syitä voi olla, että purkauksesta on niin kauan (Yhdysvallat), tai sitten siksi koska kyseisille alueille ei helposti rahoiteta tutkimukia (Antarktis).” Ongelman voisi korvata tekemällä kyseisille alueilla oman luokituksensa, jossa ilmaistaisiin, että alueelta ei ole tietoa saatavilla.

Kuva 2, Yli 5 magnitudin maanjäristykset 

Kuva 3, Yli 2,5 magnitudin maanjäristykset 

Kuva 4, Meteoriittien putoamispaikat

Lähteet:

Tekniikka ja talous (Luettu 19.2)

https://www.tekniikkatalous.fi/uutiset/miksi-magnitudin-9-maanjaristys-on-1-000-000-kertaa-suurempi-kuin-magnitudin-5/fe96183a-c580-3652-bf6b-1df2d2270255

Janina Vikman kurssikerta 6 (Luettu 19.2)

https://blogs.helsinki.fi/jagvikma/

Saana Järvinen kurssikerta 6 (Luettu 19.2)

https://blogs.helsinki.fi/jarvsaan/

Lentoasemat ja pysäkit

Ensimmäisessä itsenäistehtävässä tehtiin buffereita eri alueiden ympärille. Buffereiden avulla pystyin tekemään “select by location” -komennon avulla valintoja, joilla selvitin Malmin lentoasemasta 2- ja 1 km säteellä elävien ihmisten määrän.

Tein myös lisätehtävät, jossa selvitin, että 1km säteellä Malmin lentokentästä olevista rakennuksista 51 kappaletta on rakennettu ennen vuotta 1936 eli ennen lentokentän käyttöönottoa. Toisessa lisätehtävässä tein Malmin lentokenttäalueesta polygonin, jonka avulla rajasin väestöä eri alueilta. Malmin lentokentän alueelle kaavaillaan uusia asuntoja jopa 25 000 asukkaalle. Suurin määrä asukkaita, jotka sain alueen sisälle oli Kontulan ja Mellunkylän alueella. Kyseisellä alueella luku oli kuitenkin vaivaiset 7200. Malmin lentokentän alueesta tulee siis todella tiheästi rakennettu. Todennäköisesti, jos aineistossa olisi ollut Helsingin keskustan väestötiedot olisin päässyt samaan tai suurempaan asukaslukuun.

Toisessa tehtävässä tein samantapaisia perusharjoituksia Helsinki- Vantaan lentokentälle sekä pääkaupunkiseudun metro- ja juna-asemille.  Molemmissa harjoituksissa huomasi select by location- komennon tärkeyden tiedon rajaamisessa aineistosta.

Saunoja ja uima-altaita

Todellisen luksuksen omaavia eli uima-altaallisia rakennuksia löytyy pääkaupunkiseudulta 855 kappaletta. Yllättävää oli että vain reilu 30% edellisistä on omakotitaloja. Yritin tehdä kartan uima- altaista ja eri osa- alueista, mutta “polygon has invalid geometry” -virhe esti minua tekemästä “count points in polygon”- sekä “join attributes by location”- toimintoja. Annika Luoma oli blogissaan kohdannut saman ongelman ja korjannut sen lataamalla uuden pluginin QGISsiin. Näin pitkälle en itse kyennyt ajattelemaan. Sieltä lunttaamalla voin todeta, että Lauttasaaressa on eniten uima-altaita.  Tarkastelemalla aineistoa voin kuitenkin todeta, että Helsingin kantakaupungin alueella on suuri määrä uima- altaita. Ehkä se johtuu vain rakennusten suuresta määrästä.

Kurssikerrasta oli mielestäni hyvin vaikea saada aikaan tekstiä tai mitään syviä pohdintoja. Bugin takia en edes saanut mitään karttaa aikaiseksi, joten tämän viikon postaus on keskivertoa huonompi.

Tämä on GIS- ohjelmistojen ja lähes kaikkien muidenkin ohjelmistojen ärsyttävä puoli. Pieni virhe tai bugi estää koko työn tekemisen ja mikäli googlen tai kavereiden avusta ei ole apua, voi tilanne olla toivoton. Tilanne on kuitenkin korjattavissa harjoituksella ja toistoilla. Toistojen tärkeyttä oli otettu hyvin esiin Pihla Haapalon blogissa. “Näissä tilanteissa toiminnon uudelleen tekeminen auttaa, usein toisella kerralla osaa jo kiinnittää huomiota unohtuneisiin välivaiheisin tai ruutujen rastimisiin huolellisemmin.” Toistojen kautta varmuus ja huolellisuus tekemiseen siis kasvaa, joten ei muuta kuin kohti uusia GIS-haasteita.

EDIT “Ei se nii vaikeeta ollutkaan”

Nopea fix geometry- toiminto ja sain kartan tehtyä.

Kuva 1, Pääkaupunkiseudun uima-altaat alueittain

Taulukko 1, Valittuja paloja tehtävistä

 

Malmin kentästä 2km säteellä asuvat	57533
Malmin kentästä 1km säteellä asuvat	8707
Malmin kentästä 1km säteellä olevat rakennukset, jotka rakennettu ennen 1936	51 rakennusta 184 asukasta
Helsinki- Vantaan kentästä 2km säteellä asuvat	11338
Tikkurilan poikkeuksellisella melualueella	12627
500m säteellä juna- tai metroasemasta asuvat	106691 (noin 22% koko väestöstä)
PK- seudun uima– altaat	855
Uima- altaallisissa rakennuksissa asuvat	12170

Lähteet:

Annika Luoma, Kurssikerta 5 (Luettu 13.2)

https://blogs.helsinki.fi/luomanni/

Pihla Haapalo, Kurssikerta 5 (Luettu 13.2)

https://blogs.helsinki.fi/haapalop/

 

 

 

 

 

 

 

 

 

Ruutukartta

Kurssikerralta tuli heti opittua tärkeitä ominaisuuksia. “Select by location” sekä “save selected features as”- komennot ovat erittäin hyödyllisiä, sillä niiden avulla voidaan rajata aineistoa ja pienentää datan määrää ja eri algoritmien kestoa. Ruutukartan luominen oli lisäksi yllättävän vaivatonta.

Kotona tein 100m ruutukartan Helsingin kantakaupungista. Halusin todistaa kaverille, että Töölössä asuu pelkkiä vanhuksia, joten valitsin muuttujaksi asukkaiden keski- iän. Hienon kartasta tekee se, että samanlaista 100m ruutuaineistoa ei ainakaan tietääkseni saa ladattua suoraan paikkatietoikkunasta. Tein siis ihan oikeasti uuden aineiston.  Kyseessä on absoluuttinen muuttuja, mutta ruutuaineistossa se toimii alueiden ollessa saman kokoisia. Ruutuaineisto toimii etenkin tutkittaessa alueellista jakautumista. Kuten Sonja Nylund toteaa blogissaan: Ruututeemakartta siis havainnollistaa alueellisia eroja selkeämmin ja alueita on myös helpompi vertailla keskenään, sillä kaikki ruudut ovat saman kokoisia. Selkeys on itseni mielestä myös ruutukartan tärkein ominaisuus.

Karttaa tarkasteltaessa huomaa, että korkeamman keski- iän alueet sijoittuvat esimerkiksi Katajanokkaan, Ullanlinnaan ja Eiraan. Kyseiset alueet sisältävät paljon omistusasuntoja ja alueet ovat suhteellisen hintavia, joka voi selittää ilmiötä. Töölö erottuu myös vanhemman väestön takia, mutta ei mitenkään erityisen paljon. Yllättävä alue on Merihaka, jonka äkkiseltään olisin luullut nuorison asuinalueeksi. Oletettavasti nuoremman väestön asuinalueina erottuu erityisesti Punavuori ja Kallio. (Kuva 1)

Ongelmia kartassa on nimistön puuttuminen. Lisäsin karttaan Openstreetmap- tiet, jotka auttavat vähän alueiden hahmottamisessa, mutta ei kovin paljoa. Paras tapa olisi saada ruudut jotenkin sulautettua alla olevaan karttaan ilman että ne peittäisivät sitä kokonaan ja ettei ruudut olisi kuitenkaan liian haaleita.

Kuva 1, Ruutukartta Helsingin kantakaupungin ikäjakaumasta

Korkeuskäyrät

Toinen tehtävä oli tähänastisista ylivoimasesti mielenkiintoisin. Tutkin maastokarttoja ja rinnevarjostus-aineistoja muutenkin usein vapaa- ajallani ja nyt pääsin itse tekemään niitä. Tämän lisäksi tutkimamme alue on lähellä kotiseutujani ja olen usein liikkunut siellä.

Käytimme ensimmäistä kertaa rasteriaineistoja ja eron huomasi heti ohjelman nopeudessa ja yleisessä käytettävyydessä.  Korkeuskäyrien ja rinnevarjostuksen tekeminen korkeusmallista oli jälleen kerran yllättävän yksinkertaista ja ohjelma teki suurimman osan työstä. Ongelmia itselleni syntyi muutaman valinnan unohtamisesta yhdistäessä korkeusmalleja toisiinsa. Jos unohtaa poistaa valinnan “place each layer in separate band” ei ohjelma onnistu korkeusmallien yhdistämisessä. Se on pienestä kiinni. Kotona latasin saman alueen peruskartan ja vertasin sen korkeuskäyriä ohjelman tekemiin käyriin.

Verrattaessa peruskartan ja ohjelman tekemiä korkeuskäyriä toisiinsa voi todeta, että ne ovat yllättävän samanlaisia. (Kuvat 2 ja 3) Ohjelman tekemät käyrät ovat kuitenkin liian tarkkoja ja yksityiskohtaisia. Kuten Matti Katajisto blogissaan toteaa: esimerkiksi retkeilijälle luettavuus on korkeammassa arvossa kuin absoluuttinen tieto.  Lisäksi yksittäiset kivet ovat voineet aiheuttaa ylimääräisiä korkeuskäyriä kartalle. (Kuva 4) Luulisin että melko yksinkertaisella komennolla ohjelman tekemät käyrät saisi yleistettyä selkeämmiksi, mutta äkkiseltään en osannut tehdä sitä.

Kuva 2, Maanmittauslaitoksen peruskartta ja korkeuskäyrät

Kuva 3, Ohjelman tekemät korkeuskäyrät peruskartalla.

Kuva 4, Maanmittauslaitoksen peruskartan korkeuskäyrät ruskealla ja ohjelman tekemät käyrät punaisella

Lähteet:

Sonja Nylund kurssikerta 4 (Luettu 6.2.2020)

https://blogs.helsinki.fi/sonysony/

Matti Katajisto kurssikerta 4 (Luettu 6.2.2020)

https://blogs.helsinki.fi/mattikat/

Maanmittauslaitos Peruskartta 1:20 000 (2007)

 

 

Aineiston muokkaaminen ennen käyttöä 

Projektioiden aiheuttamat hämmennykset ovat menneen talven lumia ja menemme kohti uutta kurssikertaa. Nyt palasimme taas normaaliin tekemiseen ja kaikki tuntui luonnokkaalta ja loogiselta.  

Tällä kertaa käytimme Afrikan pohjakarttaa ja muokkasimme sen käytettävään muotoon. Aineistoa muokattaessa huomasin, kuinka tärkeää on tarkastaa aineiston attribuuttitiedot ennen sen käyttöä.  

Lisäksi käytimme erilaisia kohteiden laskemiseen käytettäviä työkaluja. Tärkein uusi tuttavuus oli kuitenkin toolbox- hakutyökalu. Tämän olisi voinut kertoa jo ensimmäisellä kurssikerralla, sillä hakutoiminnon avulla työkalut löytää ilman, että tarvitsee selata koko ohjelmaa läpi.  

Afrikka–aineistossa oli valtioiden lisäksi esitettynä konfliktit, timanttikaivokset sekä öljykentät. Lisäksi liitimme aineistoon join- komennolla tietoa Afrikan internetin käyttäjistä. Join- komento oli itselle tullut jo vahingossa tutuksi ensimmäiseltä kurssikerralta.  

Internetin käyttäjissä mielekiintoista oli Facebook- käyttäjien ja internetin käyttäjien ero. Joidenkin valtioiden kohdalla Facebook käyttäjiä oli moninkertaisesti enemmän. Aineiston arvioidut tiedot käyttäjien lukumäärästä voivat olla epätarkkoja tai valtioiden kansalaisilla voi olla useita Facebook- käyttäjiä. Useat käyttäjät henkilöä kohti voi olla hyvinkin todennäköisiä, sillä Afrikassa on paljon esimerkiksi huijariprofiileja.  

Afrikka- aineiston tutkimisen jätin vähemmälle, sillä kuvittelin, että aineistosta ei saa irti mitään mielenkiintoista. Laura Hynysen blogia lukiessani kuitenkin huomasin , että aineistosta löytyi hyviä yhteyksiä esimerkiksi valtioiden kehittymisen ja konfliktien määrän välillä. Lisäksi blogissa on saatu aikaan selkeä teemakartta, jossa näkyy aineiston kaikki tärkeimmät muuttujat. 

Tulvaindeksi ja diagrammit 

Itsenäisenä tehtävänä oli tehdä Suomen valuma– alueiden tulvaindeksi sekä laskea alueiden järvisyysprosentti ja esittää ne pylväsdiagrammeina.  

Aloitin tehtävän tekemisen omaan tyyliini lukematta ohjeita kunnolla. Tästä johtuen ensimmäisestä kartasta puuttui diagrammit ja tulvaindeksi oli laskettu väärin. Kartan luokkien esityksessä on myös puutteita, sillä alin luokka on valkoinen, joka antaa sellaisen kuvan että alimmat luokat eivät kuulu esitykseen. Lisäksi lopputulos on sotkuisen näköinen. 

Kuva 1, Ensimmäinen hutiloitu yritys kartasta, jossa lähes kaikki on väärin.

Lopullinen kartta syntyi kotona ohjeiden lukemisen jälkeen. Kartan tekeminen onnistui lähes kivuttomasti. Järvisyys– aineiston liittämiseen meni hetki, sillä liittämisprosessissa täytyi muistaa tehdä pari pientä valintaa. 

Poistin tällä kertaa kartasta kaiken tarpeettoman ja lopullinen esitys on mielestäni siistin näköinen. Pylväsdiagrammien asettuminen Suomen etelärannikolla on erikoinen, mutta sekään ei vaikuta kartan tulkittavuuteen liikaa. Järviä en laittanut karttaan, sillä kuvittelin niiden haittaavan luettavuutta , mutta Annika Luoman blogissa oli kuitenkin onnistuttu lisäämään järvet karttaan onnistuneesti. Erityisen hyvin pylväiden esittämisessä on onnistunut Miklas Kuoppala, jonka kartassa pylväät näkyvät selvästi, mutta eivät haittaa muun aineiston tulkittavuutta. Kuitenkin Kuoppalan päätös laittaa viimeinen tulvaindeksin luokka punaisella, muiden ollessa sinisen sävyissä on hieman kyseenalainen.  

Kuva 2, Lopullinen karttaesitys, jossa on esitetty vain välttämättömät muuttujat.

Kartasta voi huomata, että valuma- alueet, joilla on pieni järvisyysprosentti tulvivat herkemmin. Kyseisiä alueita on etenkin etelärannikolla sekä Pohjanmaalla. Mielenkiintoista oli myös huomata, kuinka suuren alueen Kokemäenjoen, Kymijoen sekä Vuoksen valuma-alueet kattavat.

Lähteet: 

Laura Hynynen, Kurssikerta 3 (Käyty 1.2.2020) 

https://blogs.helsinki.fi/lauravel/ 

Annika Luoma, Kurssikerta 3 (Käyty 1.2.2020) 

https://blogs.helsinki.fi/luomanni/ 

Miklas Kuoppala, Kurssikerta 3 (Käyty 1.2.2020) 

https://blogs.helsinki.fi/kmiklas/ 

 

 

 

Ensimmäinen blogipostaus oli tylsän totinen, joten tällä kertaa päätin tehdä vähän rennomman aloituskappaleen. Toisin kuin monille kanssaopiskelijoille ei GIS aiheuta minussa vihaisia tunteita edes kovin usein. Arvostan kuitenkin esimerkiksi Aapo Keinäsen blogissa kirjoittajan rehellisyyttä Gissin aiheuttamia tunteita kohtaan. Mikäli itse saan kurssilta vihaisia tunteita en myönnä sitä, sillä Gissiä on tarkoitus opiskella jatkossa 25 opintopisteen kokonaisuus. Tästä kurssista olen myös erityisen innoissani, sillä kurssilla pääsen käyttämään oikeaa GIS- ohjelmaa. Ainakin Alex Nylander jakoi samoja optimistisia tunteita blogissaan kanssani.  

Kurssikerran aikana tutustuttiin QGIS- ohjelman yleisiin valintatyökaluihin, jotka tuntuivat loogisilta. Opin rajaamaan myös atribuuttitaulukon sarakkeet siten, että vain valitut tiedot näkyvät taulukossa. Tiedon rajaaminen valtavasta taulukosta osoittautui todella hyödylliseksi.  

Suurin osa ajasta kului kuitenkin eri projektioiden käyttämiseen ja vertaamiseen. Oletettavasti maailmankarttojen kuvaamiseen tarkoitetut projektiot kuten Mercatorin projektio kasvattavat pinta– alaa merkittävästi etenkin projektion pohjoisilla osilla. Harjoitukset olivat mielestäni erityisen tärkeitä, sillä projektion aiheuttamaa vääristymää ei huomaa ohjelmassa, sillä ei ole mitään toista valtiota tai aluetta Suomen lisäksi, johon pinta– alaa voisi verrata. Esimerkiksi vaihtamalla projektioksi Miller Cylindrical projektion ei Suomen pinta– ala näyttänyt kasvavan, mutta mittaamalla selvisi, että pinta– ala oli kasvanut lähes viisinkertaiseksi. Robinsonin projektiossa vääristymä oli pienempi, sillä kyseessä on kompromissiprojektio, jossa vääristymät on pyritty minimoimaan. 

 

Tehdessä pinta– alaan tai etäisyyteen perustuvaa aineistoa, voi väärän projektion käyttö muuttaa lopputuloksia merkittävästi. Lisäksi tietyt projektiot vääristävät muotoja ja tavallaan “litistävät” Suomen kartan pohjoisia osia pituussuunnassa. (Koljonen 2020) 

 

Kuva 1, Miller Cylidrical projektio. Kuvasta huomaa litistyneen muodon verrattuna kuvaan 2.

 

Kuva 2, ETRS89 TM35FIN projektio. 

 

 

Kurssikerran aikana sain tehtyä Mercator ja TM35FIN projektioita kuvaavan teemakartan. Kartta on koropleettikartta, joka kuvaa Mercatorin projektion aiheuttamaa vääristymää. Kartan ulkoasu on mielestäni on melko hyvä. Legendaa olisin voinut parantaa kirjoittamalla otsikon selvemmin. 

Karttaa voi kuitenkin olla hyvin vaikea tulkita ilman tietoa projektioista ja kyseisen kartan pohja– aineistosta. Eikä se myöskään avaa aihetta ja sen syy– seuraussuhteita, kuten Jonna Kääriäinen myös totesi blogissaan.

Kuva 3, Koropleettikartta projektion aiheuttamasta vääristymästä

Vaikka tunnen osaavani jo QGIS– ohjelman peruskäytön, meni projektioiden vaihtaminen osaamisen ulkopuolelle. Kaksi erillistä projektiolle tarkoitettua valintapalkkia sekoittivat eniten. Kurssikerran aikana sain kartan tehtyä ikään kuin vahingossa. En siis tiedä miten sain kartan tehtyä, joten en oikeastaan oppinut mitään. Uskon kuitenkin, että tällaista eri projektioiden vertailua ei tulla jatkossa tarvitsemaan paljoa.  

Lähteet:  

Aapo Keinänen kurssikerta 1 (Luettu 26.1.2020) https://blogs.helsinki.fi/kaarijon/ 

Alex Nylander kurssikerta 1 (Luettu 26.1.2020) https://blogs.helsinki.fi/alny/ 

Vilma Koljonen kurssikerta 2 (Luettu 26.1.2020) https://blogs.helsinki.fi/vilmakol/ 

Jonna Kääriäinen kurssikerta 2 (Luettu 26.1.2020) https://blogs.helsinki.fi/kaarijon/ 

Kurssikerta 1, 13.1. 2020 

Tutustuin kurssikerran aikana ensimmäistä kertaa Qgis ohjelmistoon. Ohjelmisto vaikutti mielestäni ensinäkemältä yllättävän käyttäjäystävälliseltä. Ensimmäiset tehtävät tein pitkälti luennoitsijan esimerkin mukaan tunnin aikana, joten ne eivät tuottaneet suuria ongelmia. Ensimmäinen kurssikerta antoi hyvän perusosaamisen, jolla töitä pystyi jatkaa kotona. 

Kartta 1  

Ensimmäinen tekemäni kartta on koropleettikartta, joka kuvastaa eläkeläisten määrää suhteutettuna kokonaisväestöön kunnittain. Varmaa tietoa tämä ei kuitenkaan ole, sillä en osannut selvittää mitä kyseisen sarakkeen tiedot tarkalleen tarkoittavat, sillä sarakkeessa luki vain “eläkkeellä”. Tarkastin luvut kuitenkin tilastokeskuksen sivuilta ja ne täsmäsivät attribuuttitaulukon tietoihin. 

Kartan tekeminen oli vaivatonta, sillä luvut sai aineistosta suoraan ja samanlainen kartta oli jo tehty luennon aikana. Käytin kartassa tumman sinisiä sävyjä, jotka ovat sopivan neutraaleja eivätkä anna katsojalle väärää kuvaa.  

Kartasta voi huomata, että eläkeläisiä on suhteessa vähän suurimmissa kaupungeissa, sekä länsi ja etelärannikolla. Eläkeläisten osuus kasvaa pienissä kunnissa nuoren väestön muuttaessa suuriin kaupunkeihin.  

Kartta 2 

Seuraavan kartan aineiston hain tilastokeskuksen sivuilta ja liitin aineiston Qgis– ohjelman attribuuttitaulukkoon ja laskin vuoden 2015 ja 2040 väestön suhteellisen eron. Kartta kuvaa Suomen kuntien väestön muutosta 2015-2040. Tieto pohjautuu tilastokeskuksen vuoden 2019 väestöennusteeseen.  

Valitsin karttaan punaisen värin, jossa väestöä menettävät kunnat kuvataan vahvan punaisella. Väestön keskittyminen suuriin kaupunkeihin ja pienien kuntien taantuminen on ongelma, joten kartan on tarkoitus antaa katsojalle hälyttävä kuva Suomesta.  

Kartan ongelmia ovat liian suuret luokkavälit. Lisäksi yksi luokista on: 3- -13%, joka ei toimi, sillä siinä kasvavat ja pienenevät kunnat ovat yhdistetty yhteen luokkaan.  

Kartasta voi huomata, että suurin osa Suomesta tulee menettämään väestöä ja ainoastaan suuret kaupungit ja niiden läheiset kunnat tulevat kasvamaan. Molemmissa kartoissa on lisäksi havaittavissa yhtäläisyyksiä, jotka osoittavat, että samat alueet kokevat useita eri ongelmia. Eniten väestön on ennustettu vähenevän Ilomantsissa (Yli -40%) ja kasvavan Eurajoella (yli 40% kasvu).