Katariina vs. GIS

Viimeinen luento – aika laittaa kaikki GIS-taidot peliin ja tuottaa itse karttoja ilman step-by-step -ohjetta tai valmista aineistoa. Pakko myöntää, että aineistojen etsiminen oli melko tuskaista, Jokainen aineisto minkä löysin, paljastui vääräksi tai käyttökelvottomaksi pitkän export-import -prosessin jälkeen. Loppujen lopuksi miljoonan FREE GIS DATA HERE – mainoksen ja muutaman kyyneleen jälkeen löysin sopivan shapefilen pohjaksi työlle ja sain sen muutaman mutkan kautta QGISsiin auki. Halusin pohjakartaksi Yhdysvallat, mutta vain mantereella olevat 48 osavaltiota, eli poislukien Alaskan ja Havaijin. Lataamani aineisto sisälsi ne, mutta niiden poistaminen onnistui melko helposti ja vaihdoin kartan projektion perusprojektiosta WGS85-Pseudo mercatoriin, jotta maa näyttäisi oikeammalta.

Kun pohjakartta oli valmiina, oli aika hankkia siihen tietoa. Tutkiskelin tarjolla olevaa osavaltiokohtaista dataa Yhdysvalloista ja onnistuin löytämään kaksi tietokantaa, joista toinen sisälsi yksityiskoulujen jakautumisen alueella ja toinen julkisten koulujen. Datan sai siirrettyä melko vaivattomasti pisteaineistoksi QGIS:siin ja aloitin laskemalla kunkin koulun lukumäärän joka osavaltiossa count points in polygon -toiminnolla. Tämän tehtyäni totesin, ettei tässä ollut mitään järkeä ja koulujen määrällä ei ole mitään merkitystä niiden jakauman kannalta, sillä kouluja on paljon osavaltioissa joissa ihmisiä on paljon. Ei mitään uutta siis. Hetken pohtimisen jälkeen tajusin, että merkittävämpää on yksityisten ja julkisten koulujen suhde osavaltiossa. Onko tietyssä paikassa huomattava määrä yksityisiä tai julkisia kouluja ja miksi juuri siellä? 

Tein siis koropleettikartan molemmista graduated-toiminnolla. Ensimmäinen kartta (Kuva 1.) kuvaa yksityiskoulujen prosentuaalista osuutta ja toinen (Kuva 2.) julkisten koulujen prosentuaalista osuutta. Kartoista  tulee selvästi ilmi, että länsirannikolla, varsinkin Pennsylvanian ja sitä ympäröivien osavaltioiden alueella on suuri osa yksityiskouluja. Pohjoisissa osavaltioissa taas, kuten Wyomingissa ja Pohjois-, sekä Etelä-Carolinassa on suurin osa julkisia kouluja.

Seuraavaksi halusin pohtia, onko tiettyjen koulujen suuri määrä yhteydessä alueella vallitsevaan rauhattomuuteen tai sosiaalisiin ongelmiin? Käytin tilastona Data.Gov -sivustolta löytämääni dataa Yhdysvaltojen koulujen naapurustojen köyhyydestä. Kartassa (Kuva 3.) on esitetty IPR (Income to Poverty Ratio), joka mittaa perheiden, joilla on 5-18 -vuotiaita lapsia, prosentuaalisen määrän tuloja, jotka ovat yli köyhyysrajan asteikolla 0-999. Kuten kartasta näkyy, suurimman IPR:n omistavat perheet ovat sijoittuneet samoille alueille kuin yksityiskoulut ensimmäisessä kartassa (Kuva 1.), eli itärannikolle suurkaupunkien tuntumaan ja aivan länsirannikolle, Kaliforniaan, Oregoniin ja Washingtoniin. Voi siis todeta, että suurituloisilla alueilla lapset laitetaan mielummin yksityiskouluun. Jos tätä karttasarjaa vielä jatkaisi, olisi mielenkiintoista tehdä vielä jatkotutkmuksia näiden alueiden oppimistuloksista ja oppilaiden jatko-opinnoista, mutta se jääköön tältä kerralta.

Karttoja myöhemmin tarkastellessani huomasin muutaman parannuskeinon. Ensimmäisessä ja toisessa kartassa liitin osavaltioiden nimet mukaan selvyyden vuoksi. Laitoin niille valkoisen taustavärin, jotta ne erottuisivat tummasta taustasta, mutta kauempaa katsottuna ne näyttävät hieman suttuisilta. Koitin etsiä tekstivalikosta behind fill-vaihtoehtoa mutta en löytänyt vastaavaa. Toinen haaste oli kartassa kolme, jossa halusin esittää pisteet kartalla ilman ääriviivoja, jotta ne eivät sotkisi kuvaa. Kartan legendassa ne ovat kuitenkin hieman epäselvät, enkä keksinyt tapaa saada niitä isommiksi. Jotain kehitettävää löytyy siis ainakin QGIS-osaamisestani.

Kurssi on ollut oikein antoisa ja en ikinä olisi uskonut ensimmäistä kertaa ohjelmaa avatessani, että joku päivä tuottaisin omia karttoja ilman suurempaa katastrofia. Mahtavaa myös ihastella muiden itsenäisiä karttatuotoksia ja silmään pisti erityisesti Siiri Nymanin “Seitsemäs kurssikerta”-etelämantereen kartat, joista opin jopa jotain uutta! 

Kiitos Arttu Paarlahdelle opetuksesta ja kärsivällisyydestä, sekä vieruskaveri Matias Hytille, kun kertoi mitä nappia pitää painaa kun itse en itse sillä hetkellä kuunnellut ohjeistusta.

 

Lähteet:

Nyman, S. (27.2.2020). Seitsemäs kurssikerta (Luettu 3.3.2020)<https://blogs.helsinki.fi/nymsiiri/2020/02/27/seitsemas-kurssikerta/>

Private school locations 2015-16 (2019). National Center for Education Statistics (1.3.2020) <https://catalog.data.gov/dataset/private-school-locations-2015-16>

Public school locations 2015-16 (2019). National Center for Education Statistics (1.3.2020) <https://catalog.data.gov/dataset/public-school-locations-2015-16>

School Neighborhood Poverty Estimates 2015,2016 (2019). Office of Federal Student Aid (3.3.2020) <https://catalog.data.gov/dataset/school-neighborhood-poverty-estimates-2015-2016>

United States shapefile (2020). IGISMap (1.3.2020) <https://www.igismap.com/united-states-shapefile-download-free-map-boundary-states-and-county/>

 

Kuudes luento alkoi tuulisessa kevätsäässä omaa dataa tuottaen. Käytimme Epicollect5-sovellusta ja keräsimme pisteitä kampuksen lähimaastosta. Sovellus hyödynsi puhelimen paikannusta ja yhdisti syötetyn tiedon pisteeseen kartalla. Pisteistä tuotettu tieto käsitteli alueen viihtyvyyttä ja turvallisuutta. Kun data oli kerätty, siirryimme luokkaan tuottamaan siitä jonkinlaista järkevää materiaalia. Pisteaineisto siirrettiin kartalle ja interpoloitiin “heatmap”-tyyliseksi, josta on helppo havaita datan mukaan viihtyisät ja turvalliset alueet.

Blogissa tänään kuitenkin aiheena erilaiset hasardit kartalla esitettynä. Karttojen tarkoituksena oli toimia mahdollisimman opetus-ystävällisinä. Käytetty data ladattiin eri järjestöjen nettisivuilta, yksinkertaisesti lataamalla tai muutaman excelin muotoisen mutkan kautta tuotettuna. Valitsin kolme eri hasardia ja tuotin kolme eri karttaa, joissa jokaisessa esiintyy yksi hasardi parhaalla näkemälläni tavalla.

Aineistoa etsiessäni, varsinkin tulivuorenpurkaukset aiheutti päänvaivaa. Moni löytämäni data oli aivan liian laajaa, ei sisältänyt tarvitsemaani tietoa, tai oli muulla tavalla liian sekalaista tähän tarkoitukseen. Monen epäonnistuneen CSV-tiedoston jälkeen kuitenkin löysin NOAA.n sivuilta oikeanlaisen listauksen ja käytin sitä.

 

Kartta 1 – Maanjäristykset

Ensimmäisessä kartassa (Kuva 1.) on esitettynä yli 5,4 magnitudin maanjäristykset vuodelta 2019. Kartassa on esitettynä vain yli 5,4 magnitudin järistykset, sillä pienimmätkin järistykset mukaan lukien kartasta ei olisi saanut selvää. Kuten järistysten muodosta huomaa, ne asettuvat melko tarkasti litosfäärilaattojen reunoille. Varsinkin Kaakkois-Aasian ja Atlantin keskiselänteen alueella niitä on runsaasti. Suurimpia, yli 7 magnitudin järistyksiä on esiintynyt Indonesiassa, sekä Andien vuoristossa. Opetusmielessä karttaan voisi lisätä vielä litosfäärilaattojen rajat selventämään ja kenties isoimmat kaupungit, hasardin tuottaman vahingon pohtimisen avuksi. Esimerkiksi Aino Sainiuksen blogipostauksessa “Hikoilua ja hasardeja” liitosfäärilaattojen rajat on esitetty hienosti.

Kartta 2 – Tulivuoret

Seuraavassa kartassa (Kuva 2.) on esitettynä tulivuorenpurkaukset vuodelta 2019. Purkaukset ovat luokiteltu niiden räjähtävyyden mukaan, jota mittaa VEI (Volcanic Exposivity Index). Maanjäristykset ja tulivuoret ovat kartoissa samalta ajanjaksolta, mutta maanjäristyksiä esiintyy huomattavasti enemmän. Karttaa voisi kuvata kenties myös alueen tuhon ja evakuoitujen ihmisten määrän perusteella. Päätin kuitenkin kuvata kaikki purkaukset vuoden ajalta, jotta niitä voisi verrata maanjäristyksiin (Kuva 1.). Opetuskäytössä kartalla luokitteleva VEI kuvaa hyvin erityyppisiä tulivuoria, esimerkiksi Havaijilla purkautunut Kilauea on hyvin rauhallinen, rakopurkauksen tyyppinen ja siksi sillä on hyvin matala VE-indeksi.

Kartta 3 – Meteoriitit

Kolmannessa kartassa kuvataan meteoriittien iskeytymistä Maahan. Kartassa on esitettynä massaltaan yli 100g kappaleet, koko siltä ajalta kun iskuja ollaan listattu, vuoteen 2013 asti. Pienempiä kappaleita esiintyi niin suuri määrä, että rajasin määrää hieman. Kartassa on kuvattuna myös Pohjois-Amerikan alue, sillä iskut ovat keskittyneet niin vierekkäin, ettei koko maailman kartasta saisi mitään selvää. Kartasta, varsinkin opetusmielessä on hyvä tehdä huomio, että ensi silmäyksellä näyttää kuin meteoriitteja iskeytyisi vain mantereelle, suurien ihmisjoukkojen sekaan. Todellisuudessa mereen, tai keskellä erämaata laskeutuneita meteoriitteja ei huomata, joten havainnot ovat suurilta osin ihmisten asuttamilla alueilla. Tämä on hyvä esimerkki siitä, kuinka kartta saattaa “valehdella” ja tulisi pohtia esitettävää asiaa myös hieman kartan ulkopuolelta.

 

 

Lähteet:

Earthquake Catalog (2020). United States Geological Survey, Virginia. 1.3.2020 <https://earthquake.usgs.gov/earthquakes/search/>

Meteorite landings (2018). NASA, Washington. 1.3.2020 <https://data.nasa.gov/Space-Science/Meteorite-Landings/gh4g-9sfh>

Sainius, A. (25.2.2020). Hikoilua ja hasardeja.<https://blogs.helsinki.fi/sainius/2020/02/25/38/> (Luettu 3.1.2020)

The Significant Volcanic Eruption Database (2020). National Geophysical Data Center, NOAA. 1.3.2020 <https://www.ngdc.noaa.gov/nndc/servlet/ShowDatasets?dataset=102557&search_look=50&display_look=50>

Viidennellä luennolla aiheena oli erilaisten bufferianalyysien tekeminen ja aloitimme viime luennolla tutusta Pornaisten kartasta. Ensin tarkoitus oli tehdä kartassa esiintyville teille bufferit ja sitten tarkastella niiden avulla paikan ominaisuuksia. Sama idea toistui Lentokenttien ja raideliikenteen asemien kanssa ja niistä tehdyt tehtävät on käsiteltynä alempana.

Blogissa kuitenkin tänään pohdin enemmänkin omaa osaamistani tähän mennessä kurssilla. Sovelluksen perustoiminnot, kuten vektori- tai rasteriaineistojen tuominen sujuu nykyään melko vaivattomasti. Myös loogisimmat ja yksinkertaiset toiminnot, kuten bufferointi ja yksinkertaisten analyysien tekeminen sujuu hyvin. Pidän myös QGIS:sin loogisuudesta ja yleensä vaikeimmissakin työkaluissa oon jonkiin näköinen yksinkertainen polku, jota kautta hommat saa toimimaan.

Buffereiden teko vaikutti olevan varsin pätevä toiminto osata, kaikessa yksinkertaisuudessaan sillä saa aikaan hyviä analyysejä. En keksinyt sille vielä ainakaan uutta käyttötarkoitusta kurssillakin käytyjen analyysien lisäksi.

Itsenäistehtävät sujuivat lentokenttien ja asemien kanssa melko hyvin, vaikeuksia aiheutti viimeisessä putkiremontti-kartassa QGIS:in virheilmoitus, joka pitkän taistelun ja goooglettamisen jälkeen kuitenkin saatiin selätettyä. (Vinkki: kannattaa googlata aina ensimmäisenä, voi säästää PALJON turhaa taistelua). Bufferianalyysien teko oli hyvin mielenkiintoista ja tuotettavaa titeoa on varmasti loputtomasti. Jonna Kääriäinen kuvasi blogissaan hienosti analyysien hyödyntämistä näin: “Tällaisia paikkatietoaineistoanalyysejä voikin hyödyntää niin julkinen sektori kuin kaupalliset toimijat vaikutustenarvioinnissa, aluesuunnittelussa, saavutettavuutta arvioitaessa tai vaikkapa uuden kaupan sijaintia ja sen asiakaskuntaa selvitettäessä.”. Mahdollisuuksia tämän kaltaisilla analyyseilla on siis paljon. Tässä vielä saatua tietoa tehtävistä:

Taulukko 1: Lentokenttien vaikutusalueita

Kuinka monta ihmistä asuu..?	Asukasta
2km säteellä Malmin kentästä	56 952
1km säteellä Malmin kentästä	8 707
2km säteellä Helsinki-Vantaasta	10 354
Pahimmalla melualueella (65db) Helsinki-Vantaalla	324
Vähintään 55db melualueella Helsinki-Vantaalla	11 913
Yli 60db melualueella Tikkurilassa, jos koneet laskevat Tikkurilan yli	5 377

 

Taulukko 2: Vantaan alueen väestön jakautuminen

	Asukkaita
Kuinka moni asuu 500m etäisyydellä asemasta?	106 691 ihmistä, eli 21,8% alueen ihmisistä.
Kuinka moni 500m etäisyydellä asemasta asuva on työikäinen (15-64v)?	73 108, eli 68,5% alueella asuvista.
Kuinka moni asuu taajamassa?	478 371, eli 97,6%
Kuinka monta kouluikäistä (7-16v) asuu taajaman ulkopuolella?	1 156, eli 2,7% alueen kouluikäisistä.
Kuinka monella alueella ulkomaalaisia on 10%? Entä 20% ja 30%?	40 alueella ulkomaalaisia on 10%, 11 alueella 20% ja 6 alueella 30%.

 

Taulukko 3: Tehtävän 3 kysymyksiä ja vastauksia. 

Kysymys	Vastaus
Kuinka monta asuinrakennusta Helsingissä on rakennettu vuosina 1965-1970?	6 286 rakennusta (90 725 kokonaismäärästä)
Kuinka moni edellä mainituista rakennuksista on kerrostaloja?	1206 taloa.
Kuinka monta asuntoa näissä kerrostaloissa on?	1206 asuntoa.
Kuinka monta asukasta mahdollisista remonteista kärsii?	6 286 ihmistä.

Pitkän taistelun jälkeen sain aikaiseksi kuitenkin koropleettikartan (Kuva 3.) alueista Helsingissä, joilla on suurin “putkiremontti-indeksi”, eli alueella on suuri määrä vuonna 1965-1970 rakennettuja taloja. Kartassa numerot kuvaavat alueella olevien putkiremontti-alttiiden talojen määrää. Tietokannassa oli kaksi polygonia ilman geometriatietoa, jotka kartassakin näkyvät täysin valkoisina koillisnurkassa ilman lukua. Taistelin pitkään tämän virheen kanssa, sillä count points in polygon -toiminto ei suoritunut ennenkö nämä polygonit oli otettu pois laskuista.

 

 

Lähteet:

Kääriäinen, J. (16.2.2020). Analyysityökaluilla uutta tietoa (Luettu 4.3.2020)<https://blogs.helsinki.fi/kaarijon/2020/02/16/analyysityokaluilla-uutta-tietoa/>

Neljännellä luennolla aiheena oli ruutuaineistot. Käytimme pohjatietona asukastietoja Helsingistä ja olin kovin yllättynyt, kuinka yksityiskohtaista tietoa asukkaista on saatavilla.

Ensimmäisenä harjoituksena tein ruutukartan, joka kuvaa väestöntiheyttä Helsingin alueella (Kuva 1.). Kartasta tuli melko yksinkertainen, väestöntiheys on sen verran yleinen muuttuja, että siitä on varmasti tehty kartta tai toinenkin. Toiseksi tein samalla idealla kartan ruotsinkielisten ihmisten jakautumista Helsingissä (Kuva 2.). Kartasta voi selvästi hahmottaa alueet, joissa ruotsinkielisiä asuu merkittävä määrä. Esimerkiksi Kauniainen, Etelä-Helsinki ja Lauttasaari. Venla Moisio totesi blogissaan, että “..pienituloiset maahanmuuttajat asettuvat asumaan halvemman vuokratason alueille, eli esimerkiksi Itä-Helsinkiin..”, mikä ilmenee myös omassa kartassani ruotsinkielisten vähäisenä määränä Itä-Helsingissä.  Molemmissa kartoissa valitsin ruutukooksi 250m x 250m, sillä 100 neliömetrin ruudut vaikuttivat liian pieniltä ja valitsemaani kokoa suuremmat taas hävittäisivät kenties osan tiedon yksityiskohtaisuudesta. Koin varsinkin jälkimmäistä karttaa tehdessäni hieman vaikeuksia ruutujen jakamisen kanssa. On mielestäni hieman vaikea hahmottaa, mikä jaottelutapa luokissa olisi paras ja informatiivsin. Olen kuitenkin ihan tyytyväinen valmiisiin karttoihin ja varsinkin jälkimmäistä oli mielenkiintoista tehdä.

Ruututeemakartat ovat mielestäni käteviä kaikessa yksinkertaisuudessaan, mutta sanoisin silti, että absoluuttisten tietojen käsittelyssä myös tavallinen koropleettikartta ajaa asian. Ruututeemakarttaa voisi kenties käyttää, kun tarkasttellaan aluetta, joka on symmetrinen, tasainen ja jakautuu helposti saman kokoisiin ruutuihin. Kenties esimerkiksi tontteja tai rakennuksia vertaillessa ruutukartta on sopiva.

 

Seuraavaksi vuorossa oli rasteriaineiston yhdistäminen ja korkeuskäyrien ja rinnevarjostuksen muodostaminen. Nämä sujuivat melko vaivattomasti hyvien ohjeiden avulla. Tarkoituksena oli verrata itse tehtyjä korkeuskäyriä Maanmittauslaitoksen peruskarttalehden korkeuskäyriin. Molemmat ovat 5 metrin välein eroja kuvaavia. Kuten kuvasta (Kuva 3.) näkyy, eroja karttojen välillä kyllä on, kun hieman tarkastelee. Huomasin vasta jälkikäteen, että itse tehdyt käyrät olisi voinut merkata kuvaan selkeämmin, että eron huomaisi helpommin. Lisäsin selvyyden vuoksi vielä tarkan kuvan korkeuskäyristä (Kuva 4.), jossa käyrät ovat eri väreillä ja erot huomaa tarkemmin.

 

Lähteet:

Moisio, V. (5.2.2020). Viikko 4 – Ruudukoiden hyödyntämistä ja rasteriaineistoihin tutustumista. (Luettu 27.2.2020) <https://blogs.helsinki.fi/moivenla/2020/02/05/viikko-4-ruudukoiden-hyodyntamista-ja-rasteriaineistoihin-tutustumista/>

Ja niin kolmas luento koittaa, siirrytään suoraan asiaan! Aloitimme aineistolla Afrikan maista ja ensimmäinen tehtävä oli saada valtavasta aineistosta hieman yksinkertaisempi. Se onnistui dissolve-työkalun avulla, tekemällä jokaisesta maasta oman rivinsä, useamman sijaan. Harjoittelimme myös exel-muotoisen aineiston tuomista ohjelmaan ja yhdistämistä olemassa olevan aineiston kanssa. Exelistä aineistojen tuominen oli melko yksinkertaista hyvien ohjeiden avulla, mutta vaati hieman hienosäätöä ja muutaman tuskan hetken kun oikeita nappuloita ei löytynyt heti.

Seuraavaksi harjoittelimme eri aineistojen tiettyjen ominaisuuksien yhdistämistä omiksi tasoikseen. Esimerkiksi Afrikan kartalta löytyvien timanttien ja öljyn sijainti suhteessa alueella tapahtuneisiin konflikteihin. Alla kartassa (Kuva 1.) Afrikan kartta ja siellä esiintyvät muuttujat.

Itsenäisesti harjoituksia tehdessä tuotimme valmiista aineistosta Suomen järvisyysprosentin (Kuva 2.) sekä tulvaindeksin (Kuva 3.) Ensimmäistä, järvisyydestä kertovaa karttaa oli hieman vaikea saada visuaalisesti ymmärrettäväksi ilman että se olisi vain täynnä epämääräisiä viivoja ilman suuntaa tai tarkoitusta. Lopulta turhauttavan pitkän hienosäädön jälkeen kartasta tuli melko selkeä ja lisäsin selkeyden vuoksi vielä pylväiden rinnalle viivan osoittamaan pylvään alkupäätä. Pylväät karttaan luotiin diagrammi-työkalulla ohjelmassa, joka aiheutti myös harmia vaikeaselkoisuudellaan.

Toisessa kartassa (Kuva 3.) taas kuvataan tulvaindeksiä, josta kanssaopiskelija Enni Pyysalo kertoi hienosti omassa blogissaan: “Punaisella oleva tulvaindeksi kertoo kuinka suuri on vuoden suurin tulva suhteessa normaaliin vesimäärään verrattuna. Järvisyys näyttäisi olevan suurinta alueilla, joissa tulvaindeksi on pieni.”. Tämä oli mielestäni hyvä ja selkeä kuvaus tulvaindeksistä ja sen merkityksestä. Tulvaindeksi oli melko helppo tuottaa koropleettikartaksi edellisten kurssikertojen kokemuksella. Kohtasin kuitenkin taas ikuisen murheeni, desimaalit. Yhden sijasta niitä on kartassa taas neljä..? Ehkä neljännellä luennolla opin olla viljelemättä niitä? Toinen outo päähänpisto oli ilmoittaa tulvaindeksi prosentteina?? Miksi? En tiedä?

 

Lähteet:

Pyysalo, E. (29.1.2020). Kurssikerta 3 – Tietojen yhdistämistä ja diagrammeja (Luettu 5.2.2020) https://blogs.helsinki.fi/enxen/2020/01/29/kk3/

Toinen luento saapui, tarkoituksena oppia noutamaan aineistoja rajapinnasta ja käsittelemään ja käyttämään projektioita karttojen tulkitsemisen välineenä.

Tarvittavat tiedostot oli tarkoitus noutaa käytettäväksi suoraan url-osoitteella WFS-palvelusta (Web Feature Service), joiden käyttöä esimerkiksi Tiina Aalto blogissaan kuvaili hyvin. Aloitin tunnin kuitenkin pienien vaikeuksien kautta, kun QGIS did me dirty ja en saanut tarvittavia aineistoja auki WFS-palvelusta ja jouduin noutamaan ne manuaalisesti tavallisina vektoriaineistoina.

Asiaan: Aloitimme valintatyökalujen käyttämisellä ja harjoittelimme esimerkiksi tekemään yksinkertaisia analyysejä Suomen kuntakartasta. Seuraavaksi vertailimme eri projektioita ja niiden vaikutusta karttojen pinta-aloihin. Karttaa tarkastellessa muodonmuutoksen huomasi selvästi, mutta oikeiden mittojen eroa ei silmällä havaitse. Siksi tässä (Taulukko 1.) tiivistettynä eri projektioiden väliset erot Suomen  ETRS89-TM35FIN -projektioon. Pinta-alat on mitattu aivan Suomen pohjoispäädystä ja etäisyys Vaasan seuduilta leveyssuunnassa.

 

Taulukko 1: Pinta-alan ja pituuden muutos eri projektioissa suhteessa ETRS89-TM35FIN -projektioon.

Projektio	Pinta-ala	Pituus	Pinta-alan ero TM35-projektioon	Etäisyyden ero TM35 -projektioon
ETRS89 / TM35FIN	3982,2 km²	466,7 km
Robinson	5537,1 km²	683,1 km	39,05 %	46,37 %
WGS84 Pseudo-Mercator	3999,8 km²	466,6 km	0,44 %	-0,02 %
Lambert 1	54569,3 km²	10298,8 km	1279,33 %	2106,73 %
Equidistant conic	3995,3 km²	467,6 km	0,33 %	0,19 %
Gall Stereographic	10212,3 km²	727,8 km	156,45 %	55,95 %

 

Taulukon lukuja tarkastellessa huomaa, että erot voivat olla todella suuria. Tämä on todella tärkeää, varsinkin pinta-alaan tai etäisyyteen liittyvien karttojen tuottamisessa. Kartta voi tässä suhteessa todellakin valehdella. 

Seuraavaksi tarkoitus on havainnollistaa projektioiden pinta-alojen eroa koropleettikartalla. Aloitin vertaamalla usein maailmankartoissa käytettyä Robinson-projektiota Suomessa käytettyyn TM35FIN -projektioon (Kuva1.). Kuten kartasta käy ilmi, suurin muutos tapahtuu kartan pohjoisosassa. Eli mitä pohjoisemmaksi mennään, sitä suurempi on pinta-alojen muutos. Muutoksen huomaa varsinkin maailmankartoissa, joissa käytetään Robinson-projektiota ja Suomi näyttää valtavan kokoiselta verrattuna esimerkiksi Keski-Eurooppaan. Toisessa kartassa taas (Kuva 2.) kuvaan muutosta LAEA-projektion ja Mercator-projektion välillä. En tiedä mitä tässä tapahtui ja miksi karttani on poikittaissuunnassa eikä pystysuunnassa…? En tiedä mitä tähän nyt sanoisi, harjoittelemisen paikka. Kartasta kuitenkin näkee asteittaisen eron lännestä itään, mutta en uskalla tehdä enempää analyysejä ihmeellisen asettelun vuoksi. Ensimmäinen kartta (Kuva 1.) on esitetty TM35-FIN -projektiossa ja toinen (Kuva 2.) sphere-mercator -projektiossa, joka päätyi karttani kohtaloksi. 

 

 

Lähteet:

Aalto, T. (26.1.2020). Rajapinnalta pinta-alaksi. (Luettu 5.2.2020)<https://blogs.helsinki.fi/tidaalto/2020/01/26/rajapinnalta-pinta-alaksi/>

Ensimmäinen GIS-luento on koittanut ja aika aloittaa karttojen tuottaminen ja uuden oppiminen. Lähtötiedot luennon alkaessa olivat melko pintapuoliset ja itse QGIS-ohjelman käyttäminen oli vielä suuri mysteeri.

Ensimmäinen luento sujui kuitenkin melko hyvin Artun kärsivällisen opastuksen avulla, kirjaimellisesti askel kerrallaan. Aloitimme ohjelman avaamisella ja perustyökalujen, kuten aineistojen lataamisen ja värien muuttamisen opettelemisella. Ohjelman käytön varmasti oppii vain sitä käyttämällä, mutta aluksi eteneminen on melko hidasta, kun jokainen kohta tulee opetella kädestä pitäen ja lyhytkestoista muistia koetellen.

Luennolla tutustuimme ohjelmassa käytettäviin aineistoihin ja niiden yksinkertaiseen muokkaamiseen ja käyttämiseen. Ideana oli siis saada aineisto ja tehdä siitä jotain hyödyllistä, tässä tapauksessa teemakarttoja. Aloitimme karttojen ulkonäön muokkaamisella, mikä on varmasti hyödyllistä valmiiden karttojen estetiikan ja luettavuuden takia. Opettelimme myös yksinkertaisten analyysien tekemistä ja ominaisuustietojen tulkitsemista.

Ensimmäinen kartta (Kuva 1.) kuvaa Itämeren ympärysmaiden osuutta typpipäästöistä. Sain kartan tehtyä ja siirrettyä tänne blogiin asti, mutta ulkonäöllisesti se kaipaisi ehkä hieman hienosäätöä. Väritys voisi olla selkeämpi, jotta mukaan lasketut maat tulisi selvästi esiin. Olen kuitenkin ihan ylpeä ensimmäisestä tuotoksestani!

Tehtävänä oli tuottaa kartta itsenäisesti, tilastokeskuksen aineistoja hyödyntäen. Tein oman koropleettikarttani työttömyyden alueellisesta jakautumisesta. Karttaani voisi kehittää entisestään esimerkiksi lisäämällä siihen kuntien asukasluvut tai muuta havainnollistavaa tietoa. Huomasin myös, että Emma Ward on blogissaan esitellyt samasta aiheesta tehdyn kartan, joka kuvaa aihetta myös hyvin selkeästi. Desimaalilukujen saaminen tarpeeksi lyhyiksi ja kartan legendan tuottaminen oli hieman ongelmallista, mutta siitäkin selvittiin. Tuntuu, että perusidea ohjelmasta ja sen pääpalasista on selkeä, mutta paljon on vielä opittavaa.

Näistä tehtävistä ja hankaluuksista oppineena on hyvä jatkaa kohti seuraavaa luentoa! Uskon, että joku päivä (toivottavasti jo tämän kurssin jälkeen) karttojani voi kuka tahansa lukea ja jopa ymmärtää!

Lähteet:

Ward, E. (23.1.2020). QGIS:iä sarvista kiinni! (Luettu 27.1.2020) <https://blogs.helsinki.fi/emmaward/2020/01/23/qgisia-sarvista-kiinni/>