Kategoria: Uncategorized

Grande finale

Viimeisellä harjoituskerralla laitoimme kaiken peliin, sillä tarkoituksena oli tuottaa täysin oma karttaesitys itse valitsemastaan aiheesta. Käytin hyvän tovin aineiston etsimiseen ja lopulta päädyin Suomen luonnonsuojelualueita käsittelevään aineistoon. Tarkemmin sanottuna aineistoja oli kaksi kappaletta: Valtion omistamat luonnonsuojelualueet ja yksitysessä omistuksessa olevat luonnonsuojelualueet. Molemmissa aineistossa dataa oli melkoinen määrä, sillä Tilastokeskuksen (2023) mukaan luonnonsuojelualueita on kaiken kaikkiaan Suomessa noin 14 500 kappaletta. Näistä suurin osa, noin 92 prosenttia, on yksityisessä omistuksessa.

Aloitin karttaesityksen työstämisen tuomalla molemmat aineistot QGIS:iin. Visionani oli, että olisin luonut koropleettikartan luonnonsuojelualueiden osuuksista Suomen kuntien pinta-aloista. Aineistojen tarkastelun jälkeen huomasin, että dataa ei ole tuotettu kuntatasolla, eikä edes maakuntatasolla, vaan ELY-keskuksien tasolla. Attribuuttitaulukossa oli siis jokaisen luonnonsuojelualueen kohdalla merkintä, minkä ELY-keskuksen alueelta kyseinen luonnonsuojelualue löytyy. Elinkeino-, liikenne- ja ympäristökeskukset toimivat valtion aluehallintoviranomaisina edistäen alueellista kehittämistä hoitamalla valtionhallinnon toimeenpano- ja kehittämistehtäviä alueellaan (Työ- ja elinkeinoministeriö 2023). Pienen pohdinnan jälkeen päädyin luomaan karttaesityksen luonnonsuojelualueiden osuuksista Suomen ELY-keskusten pinta-aloista.

Koska aineistoja oli kaksin kappalein, päätin yhdistää ne yhdeksi ja samaksi. Katsoin, että tämän karttaesityksen kannalta ei ole merkityksellistä se, kuka luonnonsuojelualueen omistaa. Aineistojen yhdistäminen onnistui naurettavan yksinkertaisesti kopioi ja liitä -toiminnolla. Kopioin siis kaikki valtion omistamat luonnonsuojelualueet ja liitin ne yksityisessä omistuksessa olevien luonnonsuojelualueiden attribuuttitaulukkoon. Toiminto oli yksinkertainen, mutta raskas, sillä dataa oli niin massiivinen määrä. Siksi tämä oli tehtävä useammassa eri osassa, jottei QGIS kaatuisi kesken prosessin.

Saatuani kaiken datan yhteen attribuuttitaulukkoon, oli laskettava jokaisen ELY-keskuksen alueella sijaitsevien luonnonsuojelualueiden yhteispinta-ala. Tähän käytin merge-toimintoa. Yhdistin kaikki yhden ELY-keskuksen aluella olevat luonnonsuojelualueet yhdeksi sarakkeeksi, josta löytyy alueiden yhteispinta-ala. Nyt tiedossa oli kuinka monta neliökilometriä luonnonsuojelualuetta on kunkin ELY-keskuksen alueella.

Seuraavaksi halusin verrata luonnonsuojelualueiden pinta-aloja ELY-keskusten pinta-aloihin. Pitkänkään etsinnän jälkeen en löytänyt aineistoa, jossa olisi ELY-keskusten rajat tai pinta-alat. Huomasin, että ELY-keskukset noudattelevat maakuntien rajoja kuitenkin sillä erouksella, että useampi maakunta saattaa muodostaa yhden ELY-keskuksen. Tämän tiedon valossa päätin käyttää tavallista maakunta-aineistoa, jota muokkasin merge-toiminnolla yhdistelemällä maakuntia ELY-keskuksiksi.

Vielä oli laskettava ELY-keskusten pinta-alat, jotta vertailu olisi mahdollista. Tämäkin onnistui kohtalaisen helposti attribuuttitaulukosta löytyvällä laskentatyökalulla. Tässä yhteydessä tarkastin myös luonnonsuojelualueiden pinta-alat laskemalla ne uudelleen, sillä aiemmista tehtävistä oppineena aineistoon ei aina ole luottamista. Tälläkertaa aineiston arvot täsmäsivät omiin laskelmiini, joten kaikki oli kunnossa ja vertailu oli mahdollista toteuttaa.

Kaiken tämän jälkeen syntyi luonnonsuojelualueiden osuuksia ELY-keskusten pinta-aloista havainnollistava karttaesitys (kuva 1). Luokittelin aineiston luonnollisten luokkarajojen mukaan, mutta pyöristelin luokkia hieman visuaalisempaan muotoon. Kuvasta 1 on nähtävillä, että Lapin ja Varsinais-Suomen ELY-keskuksissa luonnonsuojelualueiden osuudet alueiden kokonaispinta-aloista ovat kaikkien suurimmat, jopa yli 10%. Tämä selittynee sillä, että Lapissa sijaitsee Suomen suurimmat kansallispuistot. Varsinais-Suomessa sen sijaan sijaitsee Saaristomeren kansallispuisto, joka käsittää satoja suojeltuja saaria ja luotoja. Kaikkein pienintä luonnonsuojelualueiden osuus on Suomen keski- ja kaakkoisosissa. Tämä selittynee sillä, että näillä alueilla ei ole merkittäviä kansallispuistoja tai muita laajempia luontokohteita.

Kuva 1. Luonnonsuojelualueiden osuus ELY-keskusten pinta-aloista.

Aivan ensimmäisellä kurssikerralla tein saman tyylisen koropleettikartan ja silloin mainitsin sen olevan hyvä vertailukohde tulevia harjoituksia silmällä pitäen (Korhonen 2023). Nyt palatessani tuohon tämän kurssin ensimmäiseen tuotokseeni huomaan, että kehitystä on tapahtunut. Tämän viikon harjoituskerran kartta (kuva 1) on mielestäni paremmin luokiteltu ja visuaaliselta ilmeeltään selkeämpi. Todettakoon, että kurssin opit ovat menneet perille ja GIS-ohjelmistojen käyttötaidot ovat parantuneet melkoisesti.

Lähteet

Korhonen, J. (2023) Viikko 1. 13.4.2023. https://blogs.helsinki.fi/kojoona

Tilastokeskus (2023) Luonnonsuojelu- ja erämaa-alueet. 13.3.2023. https://www.tilastokeskus.fi/tup/suoluk/suoluk_alue.html

Työ- ja elinkeinoministeriö (2023) ELY-keskukset. 13.3.2023. https://tem.fi/ely-keskukset

Hasardi harkkakerta

Toiseksi viimeisen viikon teema oli pisteaineiston esittäminen kartalla. Poiketen aiemmista viikoista, tällä kertaa tuotimme aineiston itse. Lähdimme rapeaan pakkassäähän tallustelemaan ja merkkaamaan Epicollect5-sovellukseen kohteita ja niiden sijainti- ja ominaisuustietoja. Tavoitteena oli havainnollistaa Kumpulan alueen julkisten tilojen kuten puistojen ja bussi- ja raitiovaunupysäkkien turvallisuutta. Turvallisuus määriteltiin asteikolla yhdestä viiteen niin, että yksi oli kaikkein vähiten turvallinen ja viisi kaikkein turvallisin. Jokainen opiskelija tulkitsi turvallisuudentunnetta oman kokemuksensa mukaan.

Kerätty data esitettiin kartalla ensin pisteinä, joka ei kaupunkitilaa tutkittaessa kerro juurikaan mitään. Tästä syystä pisteaineisto interpoloitiin. Interpolointi on menetelmä, jossa pisteaineistosta luodaan jatkuva taso arvioimalla pisteiden saamien arvojen, niiden lukumäärän ja tiheyden avulla, minkä arvon saavat kohdat, joissa aineistossa ei ole tietoa (GIS Resources 2013). Interpoloinnin seurauksena syntyi kuvan 1 mukainen karttataso. Kartasta (kuva 1) on havaittavissa, että opiskelijaryhmämme kokemusten mukaan kaikkein turvattomin alue on ns. Integraalimäen alue Kumpulan kampuksen edustalla, ja kaikkein turvallisin alue Arabianrannan alue puistoineen.

Kuva 1. Interpoloitu kartta turvallisuudentunteesta Kumpulan alueen julkisissa kaupunkitiloissa.

Tämän viikon itsenäisesti suoritettavana tehtävänä oli tuottaa kolme karttaesitystä, joita voisi käyttää opetustarkoituksessa. Valitsin teemaksi meteoriitit. Päätin lähestyä tehtävää melko yksinkertaisella otteella, sillä opetustarkoituksessa ykisnkertainen on usein toimivaa ja selkeää. Aloitin tehtävän tarkastelemalla meteoriittitietokantaa (NASA 2023). Meteoriitteja on aineistossa yhteensä 45 716 kappaletta, joista vanhimmat ovat pudonneet maanpinnalle jopa yli tuhat vuotta sitten. Vaikka tietokanta on päivitetty vuonna 2023, ovat tuoreimmat meteoriittihavainnot vuodelta 2013. Päätin, että ensimmäisessä karttaesityksessä visualisoisin 2000-luvulla pudonneita tai löydettyjä meteoriitteja. Mielestäni tämä on opetuksellisesti mielenkiintoinen tarkasteluajankohta, sillä ilman ennakkotietoja oletin, että meteoriitteja putoaa maahan melko harvoin.

2000-luvulla pudonneista tai löydetyistä meteoriiteista kertova karttaesitys (kuva 2) syntyi melko yksinkertaisella toiminnolla. Valitsin select features by value toiminnolla vuodeksi suuremman kuin 2000 ja toin valitut pisteet omaksi karttatasokseen. Aikavälillä 2000-2013 pudonneita tai löydettyjä meteoriitteja on tietokannassa yhteensä 17 929 kappaletta. Näistä meteoriiteista 6 020 ei kuitenkaan sisällä sijaintitietoja ja 4 497 on merkitty pisteeeseen 0.0,0.0. Tämä herätti pieniä epäilyksiä aineiston laadusta. Tarkasteltuani aineistoa vielä hieman tarkemmin huomasin, että itseasiassa todella moni aineistossa oleva meteoriitti on merkattu pudonneeksi tismalleen samaan pisteeseen. En osaa arvioida miksi joillakin meteoriiteilla ei ole lainkaan sijaintitietoa tai miksi useita meteoriitteja on merkattu samaan pisteeseen, mutta tämä on ehdottomasti asia, joka tulee huomioida aineistoa tulkittaessa.

Kuva 2. Aikavälillä 2000-2013 pudonneet tai löydetyt meteoriitit koko maailmassa (NASA 2023) .

Mielestäni karttaesitys (kuva 2) on selkeä ja havainnollistaa hyvin meteoriittien putoamispaikkoja maapallolla. Nähtävillä on, että 2000-luvulla meteoriitteja on pudonnut eniten Lähi-Idän kaakkoisosiin Omanin valtion alueelle sekä Yhdysvaltain länsirannikon ja Pohjois-Afrikan alueille. Napapiirin pohjoispuolelta ei ole löydetty tai havaittu yhtäkään meteoriittia. Meteoriitit ovat ilmiönä globaali ja putoamispaikat näyttävät olevan kohtalaisen sattumanvaraisia. Joillakin alueilla meteoriitin putoamisen todennäköisyys on vain hieman suurempi kuin toisilla.

Seuraavaksi päätin havainnollistaa tarkemmin meteoriittien puotoamis- ja löytöpaikkoja maapallolla. Halusin selvittää, kuinka suuri osa meteoriiteista on pudonnut pohjoiselle pallonpuoliskolle ja kuinka suuri osa eteläiselle pallonpuoliskolle. Tämäkin sujui samalla yksinkertaisella select features by value toiminnolla. Valitsin leveysasteeksi ensin pienemmän kuin nolla ja sitten suuremman kuin nolla. Pohjoiselle pallonpuoliskolle on pudonnut yhteensä 8 850 meteoriittia (kuva 3). Näistäkään osa ei sisällä sijaintitietoa ja osa on merkitty tismalleen samaan pisteeseen. Mielestäni tämäkin kartta havainnollistaa hyvin meteoriittien putoamispaikkoja ja niiden satunnaisuutta.

Kuva 3. Pohjoiselle pallonpuoliskolle pudonneet meteoriitit (NASA 2023).

Eteläiselle pallonpuoliskolle on pudonnut yhteensä 23 413 meteoriittia (kuva 4). Tämä on  merkittävästi enemmän kuin mitä pohjoiselle pallonpuoliskolle on pudonnut, jopa aineiston virhemarginaali huomioiden. Vaikka eteläiselle pallonpuoliskolle onkin pudonnut huomattavasti enemmän meteoriitteja kuin pohjoiselle pallonpuoliskolle, näyttää se kartalla päinvastaiselta (kuva 3; kuva 4). Tähän vaikuttanee kyseinen karttaprojektio, jossa päiväntasaajan pohjoispuoli on selkeästi korostunut. Nämä kartat toimisivat mielestäni huonostiopetustarkoituksessa, sillä silmämääräisesti tulkitsemalla saatetaan päätyä virheelliseen tulkintaan.

Kuva 4 Eteläiselle pallonpuoliskolle pudonneet meteoriitit (NASA 2023) .

Kaikkia karttaesityksiä (kuva 2; kuva 3; kuva 4) tarkastellessani huomasin, että maapallolla on useita alueita, joille ei ole tämän tietokannan (NASA 2023) mukaan pudonnut koskaan yhtäkään meteoriittia. Silmiini pistäviä alueita ovat esimerkiksi Siperia , Pohjois-Kanada ja Amazonin sademetsän alue. Onko todella niin, ettei edellä mainituille alueille ole milloinkaan pudonnut meteoriittia, vai eikö niitä vain ole löydetty? Arvelen, että kyse on jälkimmäisestä. Karttojen opetuksellinen arvo onkin kenties enemmän karttaprojektion vaikutuksessa ilmiön tarkastelussa ja meteoriittihavaintojen puutteessa tietyillä alueilla. Kiia Korpinen huomautti blogissaan (2023), että meteoriittien putoamispaikkoja voisi olla mielenkiintoista tuntkia myös siitä näkökulmasta, millaisia jälkiä ne ovat maisemaan jättäneet.

Lähteet

GIS Resources (2013) Interpolation. 28.2.2023. https://gisresources.com/gis_interpolation_techniques_2/

Korpinen, K. (2023) Kurssikerta 6. 23.3.2023. https://blogs.helsinki.fi/kiiakorp/

NASA (2023) NASA’s open data portal. 22.2.2023. https://data.nasa.gov/Space-Science/Meteorite-Landings/gh4g-9sfh

Puskurointia

Viidennellä kurssikerralla opeteltiin etäisyyksien ja lukumäärien laskemista erilaisten työkalujen avulla. Muista harjoituskerroista poiketen, tällä kerralla saimme työskennellä suurimman osan ajasta itsenäisesti. Itse tai työparin kanssa pähkäillessä oppi meni hieman eri tavalla perille kuin opettajan ohjeita seuratessa. Toistot ja toimintojen rohkea kokeileminen olivat avain tämän kurssikerran tehtävissä onnistumiseen.

Ensimmäisessä itsenäisesti toteutetussa tehtävässä tarkoituksena oli selvittää Malmin sekä Helsinki-Vantaan lentokenttien läheisyydessä asuvien ihmisten lukumääriä ja muita tietoja. Tämä onnistui kätevästi bufferointitoiminnon avulla. Tämä toiminto tekee tarkasteltavan kohteen ympärille halutun suuruisen vyöhykkeen, jonka sisältä voidaan laskea esimerkiksi juuri väestömäärä. Laskemisessa apuna käytettiin Select features by location -työkalua, joka valitsi vain bufferin sisällä olevat pisteet. Näin data oli helposti luettavissa Statistics-paneelista.

Tulokseksi sain, että 1km säteellä Malmin lentokentästä asuu 9 244 ihmistä ja 2km säteellä 59 733 ihmistä. Vastaavasti 2km sätellä Helsinki-Vantaan lentokentästä asuu vain 10 630 ihmistä. Näistä 10 630:stä ihmisestä vain noin 0,16% asuu pahimmalla (65dB) melusaastealueella. Tämän sain selville niin, että tein kopion lentomelualueesta ja jätin sinne vain 65dB:n alueen. Sen jälkeen leikkasin clip-toiminnolla 65dB:n melusaastealueen edellä luodun bufferin mukaan. Jäljelle jääneellä alueella asuu vain 17 ihmistä. Suoritin jakolaskun ja vastaukseksi sain juurikin tuon 0,16%.

Tein samat toiminnot seuraavankin kysymyksen kohdalla, jossa oli tarkoituksena selvittää vähintään 55 desibelin melusaastealueella asuvien ihmisten lukumäärä. Tähän sain vastaukseksi 11 923 henkilöä. Edellä kuvaillut työvaiheet olisi ilmeisesti voinut tehdä helpommallakin keinolla, mutta tämän keinon keksin aivan itse joten pisteitä annan itselleni ainakin kekseliäisyydestä. Turkka Häkkinen (2023) näytti saaneen saman tuloksen, joten menetelmäni ei ollut täysin virheellinen, joskin hieman työläämpi.

Seuraavaksi mallinsin poikkeusreitillä lentävän lentokoneen aiheuttamaa meluhaittaa alueen ihmisille. Bufferoin 7km pitkän ja 1km leveän melusaastealueen (kuva 1), jonka sisältä laskin väkimäärän. Kuvassa 1 normaali melusaastealue Helsinki-Vantaan lentoasemalla on kuvattu tummalla pinkillä ja itse bufferoimani melusaastealue vaaleanpunaisella. Alueen rakennukset, joissa on vakituisia asukkaita on kuvattu oransseilla palloilla. Edellisistä tehtävistä tuttujen toimintojen tehtyäni sain selville, että mikäli lentokone joutuisi kuvan 1 mukaiselle poikkeusreitille, aiheuttaisi se yli 60 desibelin meluhaittaa 13 490:lle ihmiselle.

Kuva 1. Poikkeuksellisen lentoreitin melusaastealue Helsinki-Vantaan lentokentän läheisyydessä.

Hyvään vauhtiin päästyäni loput kurssikerran tehtävät etenivät varsin sujuvasti. Kokosin asema-tehtävän ja itsenäistehtävä 2:n tulokset taulukkoon (taulukko 1), jotta niitä olisi helppo muidenkin tarkastella. Taulukon kaksi ensimmäistä saraketta käsittelevät asema-tehtävää ja loput viisi saraketta taajama-tehtävää. Huomionarvoista on, että taajama-tehtävän aineisto oli täysin erilainen kuin asema-tehtävän aineisto. Saatuja arvoja ei siis voi, eikä kannatakkaan verrata muiden sarakkeiden arvoihin. Taajama-tehtävässä käsittelin koko pääkaupunkiseudun väestödataa kun taas asema-tehtävässä ainoastaan vantaan kaupungin väestödataa.

Taulukko 1. Itsenäistehtävien 1.2 ja 2 tulokset.

	Lkm	Osuus (%)
Asuu alle 500m päässä juna- tai metroasemasta	111 765	21,87
Asuu alle 500m päässä juna- tai metroasemasta ja on työikäinen	74 989	67,10
Asuu taajamissa	1 001 830	96,10
Asuu taajamien ulkopuolella ja on kouluikäinen	3 727	3,60
Taajamat, joissa ulkomaalaisten osuus yli 10%	65
Taajamat, joissa ulkomaalaisten osuus yli 20%	22
Taajamat, joissa ulkomaalaisten osuus yli 30%	15

Alueiden määrittäminen ulkomaalaisten osuuksien mukaan tuotti minulle hetkellisesti päänvaivaa, mutta muutama syvä henkäys ja akuutti aivoriihi vieruskaverin kanssa auttoivat lopulta eteenpäin. Luukas Mickelsson (2023) oivalsi, miten taajamat, koko väestön lukumäärät ja ulkomaalaisten lukumäärät saadaan samaan attribuuttitaulukkoon, ja minä keksin miten saadaan aikaiseksi prosenttiosuudet ja löydetään lopulta oikea määrä taajamia. Join attributes by location -työkalulla kaikki data saatiin samaan taulukkoon ja prosenttisuudet sai laskettua tuttuun tapaan omalla laskutoiminnollaan. Kun ulkomaalaisten osuudet oli laskettu, järjestin taajamat suurimmasta ulkomaalaisten osuudesta pienimpään ja katsoin manuaalisesti tehtävässä kysytyt taajamien lukumäärät. Vastaus olikin näin yksinkertainen! Muistakaa, että kaverin aivoja kannattaa lainata, jos omat ovat hetkellisesti sumentuneet 😉

Lähteet

Häkkinen, T. (2023) ..ja matka jatkuu, Pornaisista Helsinkiin! Viikko 5. 19.2.2023. https://blogs.helsinki.fi/turkkaha/

Mickelsson, L. (2023) Viikko 5?-bufferianalyysit. 22.2.2023. https://blogs.helsinki.fi/luukasmi/

Ruutukartta

Neljännen viikon harjoituskerralle kömmittiin tuttuun tapaan keskiviikkoaamuna heti klo 8:15. Edellisten viikkojen QGIS-niksit ovat jollain ihmeen kaupalla jääneet muistiin, joten olo oli melko itsevarma. Harjoituskerran ensimmäisenä aiheena oli ruutukartan laatiminen. Ruutukartat ovat siitä käteviä, että yksittäisiin ruutuihin on mahdollista kerätä tietoa koko ruudun alueelta ja data pystytään visualisoimaan teemakarttana.

Loin ruutukartan muun kuin suomen- tai ruotsinkielisten lukumäärästä Helsingin seudun alueella (kuva 1). Kartan ruudut ovat yksi kilometri kertaa yksi kilometri kokoisia. Ruutukartassa on mahdollista esittää absoluuttisia lukuarvoja, sillä kaikki ruudut ovat pinta-alaltaan saman kokoisia ja täten vertailukelpoisia. Lukumäärältään eniten muun kuin suomen- tai ruotsinkielisiä näyttäisi olevan Helsingin seudun etelä- ja kaakkoisosissa. Eri tutkimusruutujen väliset erot ovat melko suuret, sillä joillain ruuduilla muun kuin suomen- tai ruotsinkielisten lukumäärä on jopa yli 2500 henkilöä, kun taas joillakin ruuduilla lukumäärä on alle 50 henkilöä.

Kuva 1. Ruutukartta muun kuin suomen- tai ruotsinkielisten lukumäärästä Helsingin seudun alueella vuonna 2016.

Kuvan 1 karttaesitykseen tein luokittelun aivan itse. Päädyin kuuteen eri luokkaan, sillä kokeiltuani eri luokkamääriä tämä näytti kaikkein järkevimmältä. Noudatin luokittelussa luonnollisia luokkarajoja, mutta pyöristelin niitä, jotta legenda näyttäisi siistimmältä ja helpommin luettavammalta. Tyhjät valkoiset kohdat keskellä ruudukkoa ovat alueita, missä ei ole vakituisia asukkaita. Täten ne on jätetty huomiotta karttaesityksessä. Data on kuitenkin vuodelta 2016 ja huomasin, että esimerkiksi oma asuinalueeni Jätkäsaaressa on kartassa valkoisella, sillä silloin alueella ei ollut vielä asukkaita. Viime vuoden asukastilastoilla kartta olisi luultavasti hyvin eri näköinen.

Havainnollistaakseni kuvan 1 ilmiötä hieman eri tavalla loin toisen karttaesityksen muun kuin suomen- tai ruotsinkielisten osuudesta väestöstä Helsingin alueella (kuva 2). Tässä karttaesityksessä ruutuihin on siis laskettu suhteelliset lukuarvot kuvan 1 absoluuttisten lukuarvojen sijaan.  Kuvan 2 karttaesityksen luokittelun tein samalla tavalla kuin kuvan 1 karttaesityksen. Päädyin samaan määrään luokkia, ja luokkajakoja tehdessäni noudattelin pääosin luonnollisia luokkarajoja, jotka vain pyöristin lähimpään viiteen prosenttiin. Tämän tein legandan luettavuuden ja luokkien rajojen hahmottamisen selkeyttämiseksi. Valkoiset alueet ovat tässäkin karttassa vakituisesti asumattomia alueita.

Kuva 2. Ruutukartta muun kuin suomen- tai ruotsinkielisten osuudesta väestöstä Helsingin seudun alueella vuonna 2016.

Valitsemalla kartalle joko absoluuttiset- tai suhteelliset arvot, kartta saadaan näyttämään huomattavasti erilaiselta. Kuvassa 2 kaakkoinen Helsingin seutu erottuu edelleen korkeine arvoineen, mutta kuvasta 1 poiketen myös pohjoinen Helsingin seutu saa paikoittain hyvinkin korkeita arvoja. Näyttäisi siltä, että alueilla, joissa on lukumäärältään eniten muun kuin suomen- tai ruotsinkielisiä ei välttämättä ole suhteessa eniten tällaisia asukkaita. Sama pätee toisinpäin. Molemmat kartat (kuva 1; kuva 2) havainnollistavat samaa ilmiötä, mutta varsin eri näkökulmista. Mielestäni kumpikaan esitys ei ole toistaan parempi, vaan ainoastaan informaatioltaan eriävä.

Tietoa tiedon päälle

Kolmannen viikon harjoituksissa käsittelimme tietokantojen hallintaa ja muokkaamista, sekä teimme tuttuun tapaan muutamia karttaharjoituksia QGIS-ohjelmistolla. Joissakin valmiissa paikkatietoaineistossa data voi välillä olla turhankin yksityiskohtaista. Harjoittelimme kohteiden yhdistämistä datan käsittelyn yksinkertaistamiseksi parillakin eri keinolla. Koin kohteiden yhdistelyn kohtalaisen yksinkertaisena prosessina, joskin välillä täytyi pysähtyä miettimään, mitä tietoa haluan liittää mihinkäkin. Kuten muissakin tämän kurssin toimissa, tässäkin huolellisuus on valttia.

Tietojen yhdistelyn lisäksi harjoittelimme uuden tiedon lisäämistä sekä tuottamista. Uutta tietoa saa lisättyä aika näppärästi, kunhan vain valitsee oikeamuotoista tietoa. Uutta tietoa tuodessa on myös huomioitava se, että tieto on mahdollista liittää jonkin yhteisen ominaisuuden, kuten vaikkapa nimen avulla attribuuttitaulukoon. Uutta tietoa luotaessa esimerkiksi laskemalla, on kiinnitettävä huomiota laskukaavojen oikeellisuuteen sekä siihen, että ohjelmisto varmasti tulkitsee numerot numeroina, eikä tekstinä. Moni kompasteli tänään ohjelmiston tulkitessa numerot tekstimuodossa, jolloin arvoja ei tullut lainkaan näkyviin. Tämän vinkin muistan tästä eteenpäin harjoituksia tehdessäni: tekstimuotoisena numerot asemoituvat sarakkeen vasempaan reunaan, lukuarvomuotoisena sarakkeen oikeaan reunaan.

Tulvaindeksi

Tämän harjoituskerran virallisena tehtävänantona oli tuottaa karttaesitys valuma-alueiden tulvaindekseistä sekä järvisyydestä. Karttaesityksen teossa oli tarkoitus soveltaa aiemmin oppimaamme tietokantojen hallinnasta sekä uuden tiedon tuottamisesta. Tulvaindeksi kuvaa joen virtaaman vaihtelua ja sen avulla on mahdollista selvittää kuinka moninkertainen on virtaaman huippu verrattuna kaikkein kuivimpaan aikaan. Tulvaindeksin laskukaava on keskiylivirtaama (tulvahuippujen keskiarvo) jaettuna keskialivirtaamalla (kuivien kausien alimpien arvojen keskiarvo).

Kuva 1 osoittaa, että tulvaherkimmät valuma-alueet löytyvät Suomen etelä- ja länsirannikoilta. Kaikkein korkein tulvaindeksi on Aurajoen valuma-alueella Suomen lounaisrannikolla. Näiden alueiden tulvaherkkyyttä saattaa selittää alueiden mataluus merenpinnasta. Etenkin Länsi-Suomen rannikkoalue on pinnanmuodoiltaan tasaista ja alavaa. Järvisyydellä ja tulvaherkkyydellä ei näytä olevan merkittävää yhteyttä, sillä kaikkein järvisimmillä alueilla tulvaindeksi on kaikkein pienin.

Kuva 1. Suomen valuma-alueiden tulvaindeksit ja järvisyysprosentit.

Karttaesityksen (kuva 1) luominen onnistui tänään kuin itsestään. Tuotokseen olen erittäin tyytyväinen. Aineiston luokittelu sekä kartan väritys ovat mielestäni tarkoitukseen sopivia. Luokittelin aineiston hieman eri tavalla useampaan luokkaan kuin kurssikaverini (Jentze 2022, Häkkinen 2022), jotta saisin havainnollistettua myös vähäisempää tulvaindeksiä esimerkiksi Pohjois-Lapin ja Kaakkois-Suomen alueilla. En niin ikään kokenut tarpeelliseksi lisätä karttaan jokia tai järviä, sillä muuten informaatiota olisi yksinkertaisesti ollut liikaa. Järvitieto kun löytyy kartasta jo histogrammien muodossa.

Jätin myös taustakartan tarkoituksella näkyviin, sillä minusta pelkät valuma-alueet irrallisina näyttivät hieman omituisilta, varsinkin kun ne eivät noudattele Suomen valtion rajoja. Edellisen, jokseenkin pitkähkön blogipostauksen jälkeen tiivistin tämän kertaiset asiat hieman lyhyemmäksi kokonaisuudeksi. Toivottavasti sisältö antoi kuitenkin ideoita ja ajateltavaa!

Lähteet

Häkkinen, T. (2022) #yhteisellämatkalla (QGIS:n parissa), viikko 3. 6.2.2023. https://blogs.helsinki.fi/turkkaha/

Jentze, T. (2022) Korjailua, paikkailua ja valumista. 6.2.2023 https://blogs.helsinki.fi/jentze/

Valintoja

Toisen viikon harjoitukset polkaistiin käyntiin pohtimalla eri mittakaavojen ja projektioiden vaikutuksia karttoihin. Avasimme QGIS ohjelmistoon Suomen kunnat 2020 -tietokannan kahdessa eri mittakaavassa; 1:4 500 000 ja 1:1 000 000. Toinen tietokannoista oli siis mittakaavaltaan melko tarkka, ja toinen selkeästi yleistetympi. Pohdimme, kumpaa on järkevämpi käyttää missäkin tilanteessa.

Mielestäni tarkempaa mittakaavaa on mielekästä käyttää esimerkiksi pistemuotoisen datan havainnollistamiseen. Etenkin, jos dataa tarkastellaan kuntatasolla, on tärkeää, että mittakaava on mahdollisimman tarkka, jotta data sijoittuu oikeiden kuntien alueille. Yleistetympää mittakaavaa on mielekästä käyttää esimerkiksi koropleettikartoissa, joissa kuntien rajojen tarkkuudella ei datan visualisoinnin kannalta ole merkitystä.

Mittakaavaa enemmän kartan ulkomuotoon ja mittoihin vaikuttaa karttaprojektio. Karttaprojektio on joko välimatkoiltaan, pinta-alaltaan, muodoltaan, tai suunniltaan vääristynyt kaksiulotteinen esitys maapallosta (Lehtinen & Kettunen 2019). Erilaisia karttaprojektioita on mahdollista tehdä miltei loputon määrä, eikä edes paikkatieto-ohjelmilla pystytä poissulkemaan projektioiden aiheuttamia vääristymiä. Tarkastelin eri projektioiden aiheuttamia vääristymiä mittaamalla Pohjois-Lapista kuvan 1 mukaisen alueen, ja taulukoin alueen pinta-alan muutokset karttaprojektiota vaihtaessa. Mittasin myös kartalta itä-länsi-suuntaisen matkan (kuva 1) ja taulukoin sen muutokset karttaprojektiota vaihtaessa.

Kuva 1. Mitattu matka itä-länsi-suunnassa, sekä mitattu alue Pohjois-Lapissa.

Valitsin tarkasteluun viis eri karttaprojektiota. ETRS-TM35FIN on suomalainen tasokordinaattijärjestelmä, jonka projektio on poikittainen Mercator-projektio. Gnomoninen projektio on normaaliasentoinen tasoprojektio, jossa maanpinta ajatellaan projisoiduksi tasolle, joka sivuaa maapalloa jossakin pisteessä, tässä tapauksessa pohjoisnavalla. Tästä pisteestä katsottuna kaikki suunnat näkyvät oikeina. Stereografinen projektio on oikeakulmainen tasoprojektio, joka kuvaa koko pallopinnan tasolle yhtä pistettä lukuunottamatta. Mollweiden projektio on oikeapintainen lieriöprojektio, jossa alueiden pinta-alojen suhteet ovat oikeat, mutta kulmat ja alueiden muodot vääristyvät suuresti varsinkin kartan reunoilla. Van der Grintenin projektio on ikään kuin kompromissi, joka ei ole oikeapintainen eikä oikeakulmainen. Se kuvaa koko maapallon ympyrän muotoisena, mutta napaseudut näkyvät kartassa suhteettoman laajoina.

Mitatun alueen (kuva 1) pinta-ala on tason pinnalla mitattuna 6364 km² (taulukko 1). Karttaprojektiota vaihtaessa huomataan, että myös tason pinnalla mitattu pinta-ala muuttuu. Suurin muutos tapahtuu ETRS-TM35FIN projektion ja Van der Grintenin projektion välillä, sillä pinta-alojen välinen erotus on jopa 21300 km² (taulukko 1). Tämä havainnollistaa hyvin Van der Grintenin projektion edellä mainittuja ominaisuuksia. Sen sijaan pienin muutos taphatuu ETRS-TM35FIN projektion ja Mollweiden projektion välillä, vain noin 21 km² (taulukko 1). Tämä selittyy sillä, että Suomi on Mollweiden projektiossa kuvattu lähes keskellä karttaa, eikä alueen muoto ole juurikaan vääristynyt. Ellipsoidin pinnalla pinta-ala ei muutu karttaprojektiota vaihtaessa, ainakaan näiden esimerkkiprojektioiden välillä.

Taulukko 1. Mitatun alueen pinta-ala eri karttaprojektioilla tason ja ellipsoidin pinnalla.

	Pinta-ala (km²)
Projektio	Karteesinen	Ellipsoidinen
ETRS-TM35FIN	6364	6369
Gnomoninen	7713	6369
Stereografinen	14872	6369
Mollweide	6385	6369
Van der Grinten	27664	6369

Kartalta mittaamani matkan (kuva 1) pituus on tason pinnalla mitattuna noin 494 km (taulukko 2). Kuten pinta-alankin kohdalla, niin myös tason pinnalla mitattu pituus muuttuu karttaprojektiota vaihdettaessa. Niin ikään suurin muutos tapahtuu ETRS-TM35FIN projektion ja Van der Grintenin projektion välillä (taulukko 2). Pienin muutos sen sijaan tapahtuu ETRS-TM35FIN projektion ja Gnomonisen projektion välillä. Kuten ei pinta-alakaan, ei pituuskaan muutu ellipsoidin pinnalla karttaprojektiota vaihdettaessa.

Taulukko 2. Mitatun matkan pituus eri karttaprojektioilla tason ja ellipsin pinnalla.

	Pituus (km)
Projektio	Karteesinen	Ellipsoidinen
ETRS-TM35FIN	493,9	494,0
Gnomoninen	552,2	494,0
Stereografinen	704,6	494,0
Mollweide	597,0	494,0
Van der Grinten	910,7	494,0

Vääristymiä

Edellinen mittausharjoitus osoitti, että kohteiden pituudet ja pinta-alat muuttuvat karttaprojektiota vaihdettaessa. Myös datan luotettavuus muuttuu karttaprojektiota vaihtelemalla. Tarkastelin eri projektioiden aiheuttamia vääristymiä Suomen kuntien pinta-aloihin laskemalla vääristymäkertoimen ETRS-TM35FIN projektion ja valitsemani toisen projektion välille.

Ensimmäisenä tarkastelin ETRS-TM35FIN projektion ja Mercatorin projektion välistä vääristymää. Kuva 2 osoittaa, että vähiten kuntien pinta-alat vääristyvät Etelä-Suomessa ja vääristymäkerroin kasvaa, mitä pohjoisemmaksi mennään. Mercatorin projektiossa napoja lähellä olevat alueet näkyvät kartalla huomattavasti suurempina kuin todellisuudessa, joten siitä syystä pohjoisessa Suomessa pinta-alan vääristymäkerroin on suurempi. Mielestäni aineiston luokittelu seitsemään luokkaan toimii hyvin, sillä se tuo esiin ilmiön vyöhykkeisyyden. Väritys niin ikään osoittaa ilmiön voimistumisen värin tummetessa.

Kuva 2. Suomen kuntien pinta-alojen vääristymä ETRS-TM35FIN projektion ja Mercatorin projektion välillä.

Seuraavaksi tarkastelin ETRS-TM35FIN projektion ja Van der Grintenin  projektion välistä vääristymää. Kuvasta 3 on nähtävillä, että vääristymä on kuvan 2 tapaan vyöhykkeinen ja kasvaa mitä pohjoisemmaksi mennään. Huomionarvoista kuitenkin on, että ETRS-TM35FIN projektion ja Van der Grintenin välinen vääristymä on kokonaisuudessaan vähäisempää (kuva 3) kuin ETRS-TM35FIN projektion ja Mercatorin projektion välinen vääristymä (kuva 2). Van der Gintenin projektio venyttää myös napojen läheisiä alueita, mutta näemmä vähemmän kuin Mercatorin projektio.

Kuva 3. Suomen kuntien pinta-alojen vääristymä ETRS-TM35FIN projektion ja Van der Grintenin projektion välillä.

Vielä lopuksi otin tarkasteluun ETRS-TM35FIN projektion ja Mollweiden projektion välisen vääristymän. Toisin kuin edellisissä esimerkeissä, nyt vääristymä ei kasvakkaan vyöhykemäisesti etelästä pohjoiseen siirryttäessä (kuva 4). Suurinta vääristymä näyttää olevan Kaakkois-Suomessa ja vähäisintä Länsi-Suomessa. Jostain syystä Utsjoen kunnan alueella vääristymä on lähialueitaan suurempaa. Kokonaisuudessaan kaikki luokat saavat pienemmän arvon kuin yksi, joten vääristymä on kohtalaisen pientä kaikkialla. Luokkien väliset erot ovat myös äärimmäisen pienet, joten suuria johtopäätöksiä on hankala tehdä. Mollweiden projektiossa alueiden muodot venyvät kartan reunoilla, joten tämä selittää sen, miksi Pohjois-Suomen vääristymäkerroin ei ole kuvien 2 ja 3 tapaan kaikkein suurin.

Kuva 4. Suomen kuntien pinta-alojen vääristymä ETRS-TM35FIN projektion ja Mollweiden projektion välillä.

Eri mitta-asteikkojen ja projektioiden käyttöä on harkittava tarkasti. Eri projektioiden runsaaasta lukumäärästä huolimatta jokaiselle projektiolle on jokin käyttötarkoitus (Lindblom 2022). Esimerkiksi merenkulussa käytetään eri karttaprojektiota kuin teemakartoissa. Myös monille maanosille ja jopa valtioille on omat projektionsa. Tämän viikon harjoitukset osoittavat, että väärän projektion valitessaan kartantekijä voi saada datan näyttämään paljon todellisuutta vääristyneemmältä.

Lähteet

Lehtinen, J. & Kettunen, P. (2019) Maailma venyy ja paukkuu kartalla. Tietoa Maasta 2/2019. https://www.maanmittauslaitos.fi/tietoa-maanmittauslaitoksesta/ajankohtaista/lehdet-ja-julkaisut/tietoa-maasta/maailma-venyy-ja-paukkuu

Lindblom, E. (2022) 2. kurssikerran harjoitukset. 1.2.2023. https://blogs.helsinki.fi/lierika/2023/01/30/kurssikerta-2-harjoitukset/

QGIS tutuksi

Ensimmäisellä kurssikerralla keskityimme QGIS-paikkatieto-ohjelmistoon tutustumiseen, sekä teimme pari yksinkertaista karttaesitystä oppimisen tueksi. Olen käyttänyt aiemmin ArcGIS Pro -paikkatieto-ohjelmistoa, joten tiesin ja tunsin QGIS-ohjelmiston perusperiaatteet jo entuudestaan. Varsinkin symbology ja attribute table -välilehdet ovat mielestäni aika samanlaiset ohjelmistosta riippumatta. Haastavinta harjoituksissa olikin ehkä ohjelmistossa navigointi ja eri toimintojen löytäminen.

Ensimmäinen kurssilla tuotettu karttaesitys tehtiin pääosin yhdessä kurssin opettajan johdolla. Tämä oli mielestäni hyvä tapa päästä kiinni sekä kurssin aiheeseen, että uuden ohjelmiston käyttöön. Karttaesityksen aiheena on Itämeren merellisen ympäristön suojelukomission (HELCOM) jäsenmaiden typpipäästöt. Sopimus itämeren merellisen ympäristön suojelemisesta allekirjoitettiin Helsingissä vuonna 1974. Sopimusta uusittiin vuonna 1992 ja nykyisellään se kattaa koko Itämeren sekä sen rannikko- ja valuma-alueet. HELCOM-sopimuksen osapuolia ovat Euroopan unioni ja kaikki Itämeren rantavaltiot. (HELCOM 2023)

HELCOM-maista selkeästi eniten typpipäästöjä tuottaa Puola ja vähiten Viro (kuva 1).  Suomen typpipäästöt ovat tässä vertailussa melko keskinkertaiset. Typpipäästöjen tarkastelu on oleellista Itämeren suojelun kannalta, sillä typpi on ravinne, joka aiheuttaa Itämeren rehevöitymistä (Pohjola 2020). Rehevöityminen taas aiheuttaa haittaa monen vedessä elävän lajin elämään, ravintoverkkoon ja lopulta koko ekosysteemiin (Pohjola 2020).  HELCOM-sopimus on osaltaan onnistunut vähentämään Itämeren ravinnekuormitusta viimeisten vuosikymmenten aikana, mutta meren tila ei siitä huolimatta ole merkittävästi kohentunut (Pohjola 2020). Mielestäni Saksan typpipäästöt ovat verrattaen pienet valtion kokoon ja teollisuuteen nähden (kuva 1). Mikäli Saksa onnistuu pitämään typpipäästönsä noin matalina, en näe mitään syytä sille, mikseivät muut enemmän typpipäästöjä aiheuttavat valtiot pystyisi samaan.

Kuva 1. Itämeren merellisen ympäristön suojelukomission jäsenvaltiot sekä niiden typpipäästöt.

Karttaesitys (kuva 1) on mielestäni varsin onnistunut. Kartasta erottuvat informaation kannalta oleelliset valtiot ja vesialueet. Näin jälkeenpäin mietittynä luokittelun olisi voinut tehdä hieman eri tavalla siten, että Viro olisi saanut jonkun muun värityksen kuin valkoisen. Valkoinen väri hukkuu hieman kartan valkoiseen taustaan, eikä tule tarpeeksi selkeästi näkyville. Lisäksi kartan lukeminen vaatii hieman ennakkotietoja etenkin siitä, mitä HELCOM-maat ovat ja mikä on tämän jaottelun taustalla. Tämän blogin lukijoille sitä tästä syystä hieman jo avasinkin.

Luokittelua ja havainnollistamista

Ensimmäinen kurssikerta ei suinkaan ollut vielä siinä, vaan tarkoituksena oli luoda omatoimisesti karttaesitys haluamastaan aineistosta. Valitsin aineistoksi alle 15-vuotiaiden osuuden väestöstä kunnittain. Valinnalle ei oikeastaan ollut sen kummempia perusteita. Hypoteesini oli kuitenkin se, että suurinta alle 15-vuotiaiden osuus väestöstä olisi Pohjalaismaakuntien kunnissa. Perusteena tälle on tietämykseni alueen uskontokunnista.

Hypoteesini osui oikeaan. Kuten kuvasta 2 on selkeästi nähtävillä, suurinta alle 15-vuotiaiden osuus väestöstä on nimenomaan Pohjalaismaakuntien alueella. Etenkin Kempele, Tyrnävä, Liminka, Lumijoki ja Muhos erottuvat kartasta selkeänä tummana ryppäänä Oulun eteläpuolella. Kerttu Rinkinen pohti omassa blogipostauksessaan (2023) sitä, miten lestadiolaisuus saattaa olla yksi runsasta alle 15-vuotiaiden lasten määrää selittävä tekijä. Lestadiolaisuus on levinnyt voimakkaimmin Suomessa Pohjois-Pohjanmaan seudulle ja lestadiolaisten elämänmuotoon kuuluvat usein suuret perheet (Suomen evankelis-luterilainen kirkko 2023). Minunkin mielestäni tämä on selkein syy Pohjalaismaakuntien kuntien erottumiselle kartalta.

Kuva 2. Alle 15-vuotaiden osuus väestöstä kunnittain.

Suhteessa vähiten alle 15-vuotiaita näyttää olevan Itä-Lapin kunnissa. Tälle en näin äkkiseltään keksi oikein mitään selitystä. Ehkä näissä kunnissa on muutenkin vähän perheitä ja väestörakenne keskittyy vanhuksiin tai yksin asuviin työssäkäyviin ihmisiin. Varmuudella voin kuitenkin todeta, että missään kunnassa alle 15-vuotiaiden osuus väestöstä ei ole täysin nolla.

Kuten edellisenkin kartan teko, tämänkin kartan teko onnistui kohtalaisen vaivattomasti. Aineiston luokittelu sekä väritys ovat mielestäni kohdallaan. Lopputulokseen olen niin ikään tyytyväinen. Kurssin lähtötaso on nyt asetettu, ja nähtäväksi jää, millaisia tuotoksia tulevien viikkojen aikana on luvassa. Pysykäähän kuulolla!

Lähteet

HELCOM (2022) About us. 23.1.2023. https://helcom.fi/about-us/

Pohjola, P. (2020) Rehevöityminen Itämerellä. Itämeri.fi. 23.1.2023 https://www.ostersjon.fi/fi-FI/Luonto_ja_sen_muutos/Itameren_tila/Rehevoityminen

Rinkinen, K. (2023) 1. harjoituskerta. 23.1.2021.  https://blogs.helsinki.fi/rkerttu/

Suomen evankelis-luterilainen kirkko (2023) Lestadiolaisuus. 23.1.2023. https://evl.fi/sanasto/-/glossary/word/Lestadiolaisuus