Month: February 2022

Viides kurssikerta alkoi jännittävissä tunnelmissa, kun arvailin olinko osannut tallentaa viime kerran tehtävän. Yllättäen tallennus oli onnistunut. Siitä ei kuitenkaan ollut paljoa apua, koska en osannut avata kaikkia tasoja. Onneksi kurssikerran aineistoista löytyi QGIS-projekti, jossa oli kaikki tehtynä, niin että pystyin jatkamaan siitä, mihin olin jäänyt.

Pornainen

Harjoituksen tavoitteena oli oppia tekemään puskurivyöhykkeitä kohteille. Alkuvalmisteluina rajasimme kartalta ne rakennukset, joita halusimme tarkastella ja lisäsimme rakennuksiin asukkaita satunnaisesti. Teimme 100 m puskurivyöhykkeen teille, 500 m puskurivyöhykkeen terveyskeskukselle ja 1 km puskurivyöhykkeen koululle. Sen jälkeen tarkastelimme, kuinka moni asukas jäi näiden puskureiden sisälle. En taaskaan ihan ymmärtänyt mitä teimme ja se tuotti ongelmia myöhemmissä tehtävissä

Kuva 1: Pornainen, keltaisilla pisteillä rakennukset, joista on vähintään kilometrin matka violetilla kuvatulle koulurakennukselle.

Lentomelua ja ongelmia

Pornaisista oli tarkoitus matkata Malmin lentokentälle, mutta epähuomiossa siirryinkin Helsinki-Vantaan lentokentälle. Tehtävänä oli luoda kiitoradoille puskurivyöhykkeet kuvaamaan lentokentästä syntyvää melualuetta ja selvittää kuinka monta asuinrakennusta melualueella olisi (kuva 2).

Kuva 2: Helsinki-Vantaan melualueella olevat rakennukset. Vähintään 2 km päässä kiitoradoista asuu 10 576 ihmistä ja vähintään 1 km päässä 926 ihmistä.

Seuraavan tehtävän tehtävänanto aiheutti pahaa ahdistusta ja toi minulle takaumia lukion matematiikan tehtävistä. Se oli epäselvä ja kokemuksieni mukaan tehtävänantoja lukiessa ei kannata lähteä itse tulkitsemaan, koska omat arvailut menevät aina väärin. Vaihtoehtoja ei kuitenkaan ollut.

Vuonna 2002 saapuva lentoliikenne ohjattiin poikkeuksellisesti laskeutumaan kentälle kaakosta luoteeseen. Tehtäväni oli luoda väliaikaiselle laskeutuvalle liikenteelle meluvyöhyke. Koska en ollut pysynyt mukana edellisessä tehtävässä, oli minulla ongelmia myös tämän kanssa. Lopulta useiden kokeiluiden ja epäonnistumisten jälkeen sain tehtyä laskeutuvalle lentoliikenteelle 7 kilometriä pitkän ja kilometrin levyisen meluvyöhykkeen. Laskin vielä, että jos lentoliikenne ohjattaisiin uudelleen saapumana kyseisestä suunnasta, 27 219 asukasta jäisi kyseiselle melualueelle. Visualisoin tuloksista kartan (kuva 3).

Kuva 3: Vuoden 2002 tilapäisen lentoliikenteen melualue.

Tein vielä muutamia puskurivyöhykkeitä eri kohteille ja laskin vyöhykkeiden sisään jääviä rakennuksia ja asukkaita. Lopulta olin tehnyt kohteiden rajaamisen ja puskurivyöhykkeen kohteelle niin monta kertaa, että huomasin onnistuvani siinä ilman ongelmia. Kertaus siis todella on opintojen äiti!

 

”Tehtiin jotain en muista mitä”

Jälkeenpäin piti siis miettiä pitkään mitä seuraavina tunteina oli tapahtunut. Kello oli noin kaksi iltapäivällä ja siirryimme viimeiseen kurssikerran tehtävään. Jo silloin tuntui, että päivä oli täynnä, mutta koska tehtävien tekeminen kotona läppärillä on tosi hankalaa, oli parempi jäädä GIS-luokkaan tekemään niitä.

Viimeisessä tehtävässä oli kolme vaihtoehtoa. Tein tehtävää yhdessä kurssikavereideni kanssa, koska olimme kaikki jo aika väsyneitä ja edelliset tehtävät olivat olleet vaikeita. Valitsimme tehtävän, jossa piti laskea uima-altaita ja saunoja pääkaupunkiseudulla.

Jälleen kerran tehtävänannossa ei juuri ollut ohjeita sen tekemiseen. Selvisimme ensimmäisistä kysymyksistä kuitenkin kohtuullisen helpolla ja nopeasti. Kuten Victoria Rumbin kirjoittaa bloginsa ”Matka GIS-guruksi” julkaisussa ”Kurssikerta 5 – Tuskaisia työtunteja Helsingin seudun parissa” tässä kohtaa tunnelma oli vielä positiivinen ja juuri kun kuvittelin, että pääsisin pian kotiin luin tehtävän toiseksi viimeisen kohdan. Siinä piti tehdä kartogrammi uima-altaiden määrästä, kussakin kaupunginosassa.

Aloitimme tehtävän ja teimme jotain, en muista mitä, mutta se oli hankalaa ja aikaa vievää. Seuraava mitä muistan, oli aineistojen attribuuttitauluihin liittyvä ongelma. Jotta olisimme saaneet selville jokaisen kaupunginosan uima-altaiden määrän, meidän piti yhdistää uima-altaita kuvaava tieto kaupunginosiin liittyvään tietoon, niin että attribuuttitaulusta lopulta näkisi kuinka monta uima-allasta kussakin kaupunginosassa on. Tämän jälkeen pylväsdiagrammin teko olisi suorastaan helppoa.

Kokeilimme useita keinoja ja etsimme apua intialaisilta YouTubesta. Emme kuitenkaan millään saaneet tietoja yhdistettyä, joten kellon lähestyessä viittä päätimme laskea uima-altaiden määrän manuaalisesti. Sen jälkeen itse kartan tekeminen oli helppoa. Kartasta tuli todella ruma, mutta siinä on kaikki mitä pitääkin (kuva 4). Tein myös taulukon tehtävän aikana lasketuista tuloksista (taulukko 1).

Kuva 4: Uima-altaiden absoluuttinen määrä kaupunginosittain

Taulukko 1: Uima-altaiden ja saunojen määriä pääkaupunkiseudulla.

Uima-altaalliset talot	855
Saunoja alueella	21922
Uima-altaalliset omakotitalot	345
Asukkaat, joiden käytössä uima-allas	12170
Saunojen osuus alueen taloista	24,4%

Juuri kun olimme viimeistelemässä karttaa, Ilari Leino (@mineraalimies) keksi, miten uima-altaiden määrän olisi saanut laskettua kaupunginosittain. Kävi ilmi, että vikana oli joku asetus (settings > options > prosessing > general > invalid features filtering > skip), jonka takia emme olleet onnistuneet tietojen yhdistämisessä. En kyllä yhtään yllättynyt. Kokeilin vielä itse yhdistää tiedot, niin että korjasin kyseisen asetuksen ja se onnistuikin vain muutamalla klikkauksella… 🙂

Lopuksi

Olimme lopulta GIS-luokassa yhteensä 8 ja puoli tuntia vääntämässä tehtäviä. Viimeisen tehtävän jälkeen totesin, että koska ”tää oli niin traumaattinen kokemus et mä varmaan unohan kaiken heti” kannattaisi ehkä kirjoittaa tärkeimmät asiat 8 ja puolen tunnin touhusta ylös. Yllättäen en muistanut mitään. Olisi todellakin hyödyllistä kirjoittaa blogia samaan aikaan kun tekee tehtäviä, mutta jos haluan ymmärtää opetetuista asiaoista edes sitä vähää mitä tähän mennessä, on syytä seurata silmät ja korvat tarkkana. Mitä tulee tämän kurssikerran itsenäisiin harjoituksiin, jälkeenpäin ajateltuna ne olivat mielestäni liian vaikeita. Vaikka meitä oli useampi niitä pohtimassa, niissä meni silti monta tuntia.

Lähteet:

Rumbin Victoria, 2022, Kurssikerta 5 – Tuskaisia työtunteja Helsingin seudun parissa, Matka GIS-guruksi, luettu 17.2.2022, saatavilla: https://blogs.helsinki.fi/vrumbin/

 

Neljäs oppitunti ei ollut helppo. QGIS:n käyttö on vielä aika vaikeaa ja karttojen tekemisessä on usein hankaluuksi. Tämäkään viikko ei ollut poikkeus.

Piste ja ruutuaineistot

Tällä kurssikerralla tarkastelussa olivat piste- ja ruutuaineistot. Pisteaineistot ovat kaikista tarkimpia aineistoja ja ne ovat datamäärän kannalta taloudellisia, koska ne ovat pieniä ja yksinkertaisia kohteita ja tarvitsevat vain yhdet koordinaatit, mutta niihin voi tallentaa paljon tietoa. Pisteaineistot soveltuvat hyvin pistemäisten kohteiden kuten rakennusten kuvaamiseen. Esimerkiksi laserkeilauksella tuotetut rinnevarjostusmallit ovat pisteaineistoja.  Laserkeilauksella voidaan löytää kohteita, joita on hankala havaita ilmakuvista tai maanpinnalta ihmisen näkökulmasta esimerkiksi metsän peitossa olevia rakennuksia.

Ruutuaineisto puolestaan on pisteaineistoon pohjautuvaa ruutumaista aineistoa. Ruutuaineisto on hyvä tapa kerätä aineistoa ilman valmista-aluejakoa ja ruuduilla aineistoon saadaan samankokoisia alueita. Monet suuret Suomea kuvaavat aineistot ovat ruutuaineistoja. Niiden huono puoli on korkea hinta.

Ruutuaineisto pääkaupunkiseudun väestöstä osa 1

Kurssikerran harjoituksena oli ruutuaineiston tuottaminen QGIS-ohjelmassa. Tehtävän aineistona oli pistemäistä rakennustietokantaa Helsingistä, Espoosta, Kauniaisista ja Vantaalta. Siinä näkyivät pisteinä kaikki rakennukset ja jokaiseen pisteeseen oli tallennettu tietoa esimerkiksi asukkaiden määrästä. Teimme aineistolle itse ruudukon ja rajasimme aineistoa, jotta se ei olisi niin iso. Laskimme aineistosta muunkielisten asukkaiden osuuden suhteessa suomenkielisiin, josta visualisoin kartan (kuva 1).

Korkeuskäyriä

Seuraavaksi tehtävänä oli tehdä korkeuskäyriä maastokartalle rinnevarjostusmalli aineistona. Kartta oli Pornaisista. Muodostimme korkeuskäyrät rinnevarjostusmallin mukaan, jonka jälkeen digitoimme teitä ja merkitsimme pisteillä rakennuksia. Minun piti tehdä digitointi kahteen kertaan, koska jostain syystä kaikki piirtämäni pisteet ja tiet poistuivat. Tässä kohtaa ei naurattanut. Jatkamme tätä karttatehtävää ensi viikolla, ja paljastan mahdollisen valmiin lopputuloksen vasta silloin.

Ruutuaineisto pääkaupunkiseudun väestöstä osa 2

Tunnin jälkeen jäin tekemään itsenäistä harjoitusta, jossa piti samaan tapaan kuin ensimmäisessä, visualisoida kartta jostain annetun aineiston muuttujasta. Kun palasin ensimmäiseen harjoitukseen huomasin riemukseni, että jokin oli mennyt vikaan kartan tallennuksessa ja suurin osa tekemästäni työstä oli kadonnut. Tässä kohtaa minulla loppui huumorintaju. Myös Anni Leppä oli kokenut saman traumaattisen kokemuksen, mutta hän oli onneksi ottanut kuvakaappauksen kartasta ja ystävällisesti lainasi sitä minulle (kuva 1).

Kuva 1: Kuvakaappaus tehdystä kartasta juuri ennen kohtalokasta hetkeä, kun huomasimme Anni Lepän kanssa karttojemme kadonneen. Kartassa muunkielisten asukkaiden osuus suhteessa suomenkielisiin Espoossa, Helsingissä, Vantaalla ja Kauniaisissa.

Epäonnisen sattumuksen jälkeen minun piti aloittaa koko urakka alusta. Tunnelma ei ollut hilpeä. Tehtävien ohjeet ovat valitettavasti hieman epäselviä, joten niistäkään ei aina ole apua. Sain kuitenkin lopulta jonkinnäköisen kartan kasaan. Siinä näkyy ruotsinkielisten osuus koko väestöstä (kuva 2).

Kuva 2: Ruotsinkielisten osuus koko väestöstä.

Kartan aihe on olosuhteista johtuen valitettavasti aika tylsä. Sen perusteella erityisesti Pohjois- ja Etelä-Espoossa, Pohjois-Vantaalla sekä Itä-Helsingissä on paljon ruotsinkielisiä suhteessa väestöön. Vähiten ruotsinkielisiä suhteessa väestöön on Pohjois-Helsingissä. Visuaalisesti kartta on riittävän selkeä, mutta selkeyttä olisi voinut parantaa tummentamalla ilmiön arvoluokkien värejä.

Ruutuaineiston hyvä puoli on se, että se ei vaadi valmiita alueita. Joitakin ilmiöitä kuvattaessa varsinaiset hallinnolliset tai muuten jaetut alueet ovat kuitenkin mielestäni parempia. Erityisesti yhteiskunnallisia ja väestöllisiä ilmiöitä voisi esittää esimerkiksi postinumeroalueittain tai kaupunginosittain. Mielestäni luettavuus hieman kärsii koska ruudut sotkevat hallinnollisten alueiden rajoja. Toisaalta joitain ilmiöitä kuvattaessa ruutuaineistot voivat olla hyviä, kun voidaan irrottautua valmiiksi tehdyistä aluerajauksista.

Ruututeemakartalla, kuten myös muilla teemakartoilla, on helppo esittää virheellistä tietoa, joko tarkoituksella tai tahattomasti. Ruutujen kokoa ja paikkaa muuttelemalla kartasta saa tehtyä hyvinkin erilaisen. Jokin harvemmin asutun alueen kohdalle sattuva ruutu saattaa esimerkiksi rajata mukaansa esimerkiksi vain yksittäisen talon asutuskeskittymän reunalta, jolloin todellisuus usein vääristyy.

Lopuksi

Jos edellinen tunti oli traumaattinen niin tämä vasta olikin. Lopputunnista sekä allekirjoittaneella että koneella alkoi olla voimat vähissä ja molemmat meinasivat hyytyä. QGIS kaatui tuttuun tapaan usean kerran muiden ongelmien ohella ja tallentamiset eivät aina onnistuneet. Ilmeistesti tallentaminen QGIS:ssä aiheuttaa myös muissa opiskelijoissa ahdistusta. Esimerkiksi Kerttu Mäcklin kirjoittaa bloginsa ”GIS ja Kerttu” julkaisussa ”Viikko 4 – ruutuja ja rastereita” kokevansa suurta ahdistusta tallentamisesta QGIS:ssä. Jään itsekin odottamaan onnistuiko kesken jääneen korkeuskäyrätehtävän tallennus vai pitääkö minun tehdä se kokonaan uudelleen…

Ps. Tällä kertaa blogin kirjoittaminen oli suhteellisen sujuvaa. olin kirjoittanut tunnin aikana asioita ylös, mikä helpottaa itse blogin kirjoittamista, kun tärkeimmät tunnin aikana tapahtuneet asiat ovat ylhäällä. Toinen hyvä puoli muistiinpanoja tehdessä on se, että siinä saa jo ison osan tekstistä kirjoitettua.

Lähteet:

Mäcklin Kerttu, 2022,  Viikko 4 – ruutuja ja rastereita, GIS ja Kerttu, luettu 15.2.2022, saatavilla: https://blogs.helsinki.fi/kmacklin/

Kolmannella viikolla harjoittelimme tietokantojen tuomista QGIS:iin muista ohjelmista. Tällä kertaa Excel-muotoista aineistoa Lisäksi teimme kyselyitä aineistoille ja yhdistelimme aineistossa olevia karttakohteita. Saimme myös ensimmäisen harjoituksen joka piti tehdä itse niin ettei vaiheita näytetty samalla.

Afrikkan konfliktit ja luonnonvaroja

Tunnin aikana teimme kartan Afrikan konflikteista timanttikaivoksista ja öljykentistä (kuva 1)
Tehtävä tuntui suhteellisen yksinkertaiselta ja kartan visualisoiminen oli kerrankin helppoa.

Analysoimme tunnin aikana aineiston attribuuttitaulua. Sen mukaan erityisesti Angola nousee esiin kaikilla kolmella muuttujalla. Afrikan poliittinen tilanne on ollut vuosikymmeniä epävakaa ja yksi konfliktien aiheuttaja ovat luonnonvarat. Kartan perusteella konfliktit keskittyvät erityisesti Saharan eteläpuolelle sekä pohjoisimpaan Afrikkaan. Eniten öljykenttiä puolestaan on Pohjois-Afrikassa sekä Guineanlahdella. Eniten timanttikaivoksia puolestaan on eteläisessä Afrikassa.

Kuva 1: Konfliktit, timanttikaivokset ja öljykentät Afrikassa

Valuma-alueet ja tulvaindeksi Suomessa

Itsenäisenä harjoituksena piti tuottaa kartta valuma-alueista sekä tulvaindeksistä. Tehtävä oli mielestäni haastava, koska se oli lopulta aika erilainen kuin tunnilla tehty harjoitus. Minulla kului tehtävän tekemiseen monta tuntia ja useita yrityksiä. Pohdimme tehtävää yhdessä muiden opiskelijoiden kanssa, minkä ansiosta sain kartan ylipäätään tehtyä.

Vaikeinta kartan tekemisessä oli sen visualisointi. Kartalla on niin paljon informaatiota, että siitä oli hyvin hankala saada selkeä ja hyvän näköinen. Hankalinta oli sopivien värien valinta sekä järvisyyttä kuvaavien pylväiden muotoilu. Tein kartan monta kertaa uudestaan, koska vaikka se näytti hyvältä QGIS:n työskentelytilassa, tulostusnäkymässä kartta oli yhtäkkiä todella epäselvä. Tiedostin myös sen, että kuvana ja varsinkin blogissa julkaistuna kartta tulisi olemaan pieni ja huonolaatuinen. Lisäksi QGIS päätti ilahduttaa minua kaatumalla muutaman kerran juuri silloin, kun en hetkeen ollut tallentanut :).

Sain kuitenkin lopulta visualisoitua kartasta mielestäni aika hyvän ja selkeän. Huomasin, että tässä tapauksessa kartta näytti paremmalta, kun taustasta teki tumman ja valuma-alueiden väreistä vaaleammat. Vaalealla taustalla kartta ei ollut tarpeeksi selkeä. Pylväitä piti myös korjailla useaan otteeseen, eivätkä ne edelleenkään ole mielestäni riittävän selkeästi, mutta varsinkin etelärannikolla pylväitä on niin tiheässä, että päällekkäisyys on väistämätöntä

Kartalla on kuvattuna tulvaindeksi valuma-alueittain sekä valuma-alueen tulvaindeksi. Kartalta voi yleistää, että tulvaherkimmät alueet sijaitsevat rannikoilla. Meren läheisyys vaikuttaa tulvimiseen, koska meri saattaa tulvia. Nämä alueet ovat myös tasaisia ja alavia, minkä vuoksi tulvia muodostuu herkemmin, kuin topografialtaan vaihtelevimmilla alueilla. Nämä alueet ovat myös jokien alajuoksuja, jotka tulvivat todennäköisemmin kuin yläjuoksut.

Eniten järviä on Itä- ja Keski-Suomessa. Järvisyys jakautuu myös niin että järviä on keskimäärin enemmän siellä missä tulvaindeksi on pienempi. Eeva Raki kirjoittaa bloginsa ”Geoinformatiikkaa oppimassa” julkaisussa ”Kurssikerta 3: Paineen alla” että järvisyys vähentää tulvimista, koska järvet säilövät paljon vettä. Tällöin vesi pysyy järvissä, eivätkä järvet tulvi yhtä herkästi kuin jatkuvasti muokkaantuvat joet.

Kuva 2: Valuma-alueen järvisyys (%) ja tulvaindeksi Suomessa ja lähialueilla.

Lopuksi

Tämän tunnin karttatehtävät olivat mielestäni jo aika haastavia. Varsinkin itsenäinen harjoitus vaati useita tunteja ja teekupillisia ja se aiheutti sekä fyysistä että henkistä kärsimystä. Haasteet kuitenkin opettavat ja voin sanoa oppineeni paljon uutta tunnin aikana ja sen jälkeen itsenäisen harjoituksen parissa.

Lähteet:

Raki Eeva, 2022, Kurssikerta 3: Paineen alla, Geoinformatiikkaa oppimassa, luettu 8.2.2022, saatavilla: https://blogs.helsinki.fi/eevaraki/

Toisella viikolla jatkoimme QGIS ohjelmaan tutustumista sekä tutustuimme erilaisiin datan lähteisiin ja datatyyppeihin, joita voi hyödyntää paikkatieto-ohjelmissa.

Data

Oikeastaan kaikki datan lähteistä ja datatyypeistä oli minulle uutta tietoa. Paikkatietoaineistoja voi ladata netistä pakattujen tiedostojen muodossa. Netistä löytyy paljon ilmaista dataa, jonka laatu on usein todella hyvää.

Paikkatietoaineistojen jakelussa käytetään myös ns. rajapintoja, joista voi käyttää dataa sekä suoraan lataamatta sitä ensin koneelle että lataamalla aineiston. Rajapinnoista löytyy erilaisia datatyyppejä, joista pitää valita omaan käyttöön sopiva.

Suomessa paikkatietoaineistoja tuottavat monet julkiset ja yksityiset tahot. Ilmaista dataa tuottavat esimerkiksi Helsingin, Espoon ja Vantaan kaupungit, Tilastokeskus, Maanmittauslaitos, SYKE ja Ilmatieteenlaitos.

Projektiot

Karttaprojektioita tarvitaan, jotta maapallo voitaisiin esittää kartalla tasossa. Erilaisia projektioita on paljon, joista jotkut sopivat koko maapallon tarkasteluun ja jotkut pienemmän alueen tarkasteluun. Karttaprojektioita voi valita myös käyttötarkoituksen mukaan. Esimerkiksi Mercatorin projektio sopii oikeakulmaisuutensa ansiosta navigointiin ja sitä käytetäänkin yleisesti merikartoissa. Suomessa käytetään koko maan kuvaamiseen poikittaista Mercatorin projektiota, jolla saadaan mahdollisimman totuudenmukainen kuva Suomesta. Muita projektioita käytettäessä esimerkiksi välimatkojen virheet ovat usein hyvin isoja.

Vertasin taulukossa (taulukko 1) tiettyä pituutta ja pinta-alaa maastossa eri karttaprojektioilla. Erot ovat aika pieniä, koska valitsin niin lyhyen mitan maastosta (kuva 1). Pidemmillä mitoilla erot olisivat ehkä tulleet selvemmin esille.

Taulukko 1: Pituuksia ja pinta-aloja eri projektioissa

	ETRS89 / TM35FIN (E,N)	World_ Robinson	World_ Mercator	World_ Patterson
pituus	15726,205 m	15938,095 m	15826,282	15826,282
pinta-ala	202339539,389 m²	202339539,359 m²	202339539,370 m²	202339539,376 m²

Taulukon perusteella Robinsonin projektiolla saatavat arvot eroavat eniten TM35FIN-projektion arvoista, joiden voidaan olettaa olevan lähimpänä totuutta. Mercatorin ja Pattersonin projektioissa pituuksien ja pinta-alojen arvot eivät eroa toisistaan, mikä on kiinnostavaa.

Jotta pituuksien erot näkyisivät selkeämmin, tehtävänä oli tehdä kolme karttaa, jotka vertailisivat alueiden pinta-alaa eri projektioissa. Tarkoituksena oli verrata haluamiaan projektioita Suomessa käytettävään TM35-projektioon. Kuvissa 1, 2 ja 3 tarkastelussa ovat Mercatorin projektio, Robinsonin projektio ja Winkel Tripel -projektio. Kaikkien projektioiden kanssa toistuva ilmiö olli se, että pinta-alat vääristyvät eniten pohjoisessa ja vääristymä vähenee etelään. Salla Kärkkäinen kirjoittaa blogitekstissään ”Kuntien availukuja ja gissiä” kokeilleensa kartan tekoa useilla eri projektioilla ja kaikissa pinta-alojen suhde erosi eniten pohjoisessa. Hänen mukaansa se voisi johtua siitä, että Suomi on pitkä maa etelä-pohjoissuunnassa. Lisäksi tämä voisi johtua siitä useissa koko maapalloa kuvaavat projektiot keskittyvät päiväntasaajalle, jolloin virhe kasvaa napoja kohti.

Näistä kolmesta Mercatorin projektiolla kuvatut pinta-alat eroavat eniten TM35-projektiosta. Arvot vaihtelevat jopa noin 4–8,3 välillä, minkä vuoksi Mercatorin projektio ei ole hyvä valinta, jos tarvitaan oikeat pinta-alat oikeassa suhteessa. Suuret erot projektioiden välillä eivät ole yllätys, koska Mercatorin projektio vääristää voimakkaasti erityisesti lähellä napoja sijaitsevia pohjoiseteläsuunnassa pitkiä alueita, jollainen Suomi on.

Pienimmät erot pinta-aloissa on TM35-projektion ja Robinson projektion välillä. Arvot vaihtelevat noin 1,19 ja 1,42 välillä. Vaikka näiden kahden projektion välillä saadaankin pienimmät erot pinta-aloja mitattaessa, erot ovat todellisuudessa suuria.

Kuva 1: TM35-projektion pinta-alan suhde Mercatorin projektion pinta-alaan.

Kuva 2: TM35-projektion pinta-alan suhde Winkel Tripel projektion pinta-alaan.Kuva 3: TM35-projektion pinta-alan suhde
Robinson projektion pinta-alaan.

Lopuksi

Minulla oli karttojen tekemisessä aluksi hieman hankaluuksia, mutta lopulta sain mielestäni tehtyä niistä hyviä. Kartoilta näkyy selkeästi mistä on kyse ja ne näyttävät hyvältä. Lisäksi kolmannen kartan jälkeen käytetyt komennot olivat tulleet tutuiksi ja ymmärsin mitä tein, mikä on tietysti tavoite jokaisella kerralla.  QGIS tuntuu taas hieman selkeämmältä kuin edellisellä kerralla!

Lähteet:

Salla Kärkkäinen, 2022, Kuntien avainlukuja ja gissiä, Sallan kurssiblogi, luettu 1.2.2022, https://blogs.helsinki.fi/karkkais/2022/01/26/viikko-2-kuntien-avainlukuja-ja-gissia/