Month: February 2023

Viides luento – Perjantai 17.2.2023

Heippa!

Viidennellä luennolla kertasimme jo aiemmin opittuja piirtotyökaluja ja käytimme niitä hyödyksi eri tehtävissä.  Miian blogista löytyi mielestäni hyvin työkaluja havainnollistava kuva, joten jaan sen myös tänne. Kuvassa 1 esiteltävistä työkaluista hyödynsimme ainakin clip, intersect sekä buffer toimintoja.

Kuva 1: QGIS toimintoja.

Clip-toiminnon avulla voidaan leikata tutkimusalue haluttuun muotoon (Kuva 1). Ohjeessa clip-toimintoa oli hauskasti verrattu piparkakkumuottiin, joka leikkaa kohdetietokannasta muotoisiansa paloja. Intersect-toiminto tarjottiin harjoituksessa vaihtoehtona clip-toiminnolle. Intersect-toiminnon avulla pystyttiin yhdistämään halutut yhteiset tekijät alueilta toisiinsa ja poistamaan muu informaatio. Buffereiden eli puskurivyöhykkeiden avulla voidaan luoda tutkimusalueelle halutun levyinen vyöhyke ja tarkastella sitä.

Itsenäistehtävät

Aluksi tehtävien määrä tuntui suurelta, mutta toisaalta juuri tehtävien määrän ansiosta työkalut tulivat tutuksi. Loppujen lopuksi niiden käyttäminen oli hyvin yksinkertaista ja sain tehtävät ratkottua melko nopeasti, kun “rutiini” syntyi. Havainnollistin kysymysten vastaukset taulukoihin selkeyden vuoksi.

Tehtävän 1 ensimmäisessä osassa tarkasteltiin Malmin ja Helsinki-Vantaan lentokenttien melualueita samantyyppisellä kaavalla. Ensiksi piirrettiin kiitoradat, joiden ympärille luotiin bufferialue, jota sitten lopuksi tarkasteltiin.

Taulukko 1: tehtävä 1. osa 1.1: Malmin lentokentät

Kuinka monta ihmistä asuu Malmin lentokentän pahimmalla melualueella sen toimiessa, (2 km säde)	58 795 asukasta
1 kilometrin säteellä Malmin lentokentästä asuvat	9 124 asukasta

Malmin lentokentän kiitoradan bufferia hyödyntäen saimme selville pahimmalla lentomelualueella asuvien määrän lentokentän ollessa toiminnassa (Taulukko 1; Kuva 2). Alla olevasta kuvasta 2 nähdään havainnollistettuna, kuinka bufferit toimivat. Vaaleankeltaisella kuvattu alue on 2 kilometrin bufferi linnuntietä kiitoradasta ja oranssilla kuvatut pisteet kuvaavat asutusta puskurialueella. Asutus on leikattu isommasta, pääasiallisesti Vantaan väestöä kuvaavasta aineistosta, jonka pisteet tarkkaan katsottuna voi huomata ruskean värisinä ja pienemmän kokoisina puskurialueen ulkopuolella.

Kuva 2: Malmin lentokentän pahin melualue (2 km).

Helsinki-Vantaa lentokentän tehtävän suoritin samaa kaavaa käyttäen kuin Malmin lentokentän tehtävän. Lisänä käytettiin vielä hyödyksi lentomeluvyöhykkeitä, jotka oli eroteltuna eri desibelitasojen mukaan (Taulukko 2; Kuva 3). Ensiksi tutkailtiin aluetta bufferin avulla, jonka jälkeen puskurialueelta eroteltiin vielä pahimmalla metelialueella asuvat. Lisäksi tutkiskeltiin desibelitasojen avulla vähintään 55 dB vyöhykkeellä asuvien määrää.

Taulukko 2: tehtävä 1. osa 1.2: Helsinki-Vantaa lentokenttä

Kuinka monta asukasta asuu Helsinki-Vantaa lentokentän välittömässä läheisyydessä (2 km säde)	11 668 asukasta
Helsinki-Vantaa lentokentän pahimmalla melualueella asuvien osuus välittömässä läheisyydessä asuvista (65dB)	19 asukasta = 0,16 prosenttia
Vähintään 55dB melualueella asuvien määrä	11 923 asukasta
Kuinka monen ihmisen elämää vähintään 60dB lentomelu haittaisi Tikkurilassa, mikäli saapuva liikenne käännettäisiin jälleen laskeutumaan poikkeuksellisesta suunnasta	13192 asukkaan

Kuva 3: Lentomeluvyöhykkeet vaaleanliilalla, joista keltaisella on valittu 60dB ja 55dB lentomeluvyöhykkeet. Alla vaaleanpunaisella on 2 km säteen bufferi ja sen keskellä Helsinki-Vantaan lentokenttä.

Tehtävän 1 viimeisessä osassa perehdyttiin juna- ja metroasemiin ja niiden läheisyydessä asuvien ihmisten määrään (Taulukko 3; Kuva 4). Tarkasteltavalta alueelta lähes 22 prosenttia väestöstä asuu 500 metrin päässä lähimmästä juna- tai metroasemasta. Lisäksi tutkittiin työikäisten osuutta puskurivyöhykkeiden sisällä hyödyntäen atribuuttitaulun laskumahdollisuutta.

Taulukko 3: tehtävä 1. osa 2: Asemat.

Kuinka monta asukasta asuu kartan alueella alle 500 m päässä lähimmästä juna- tai metroasemasta?	111 765 asukasta
Kuinka suuri osuus kaikista alueen asukkaista asuu alle 500 m päässä asemasta?	21,7 prosenttia
Kuinka monta prosenttia a-kohdan ihmisistä on työikäisiä (15-64v)?	67,1 prosenttia

Kuva 4: Asemien bufferit harmaalla ja sinisellä merkitty niiden sisällä asuva väestö. Vihreällä muu väestö.

 

Tehtävässä 2 tarkasteltiin taajamissa asuvien osuutta väestöstä sekä taajamien ulkopuolella asuvien koululaisten määrää ja osuutta. Viimeistä osaa tehtävästä en jostain syystä saanut tehtyä. Tajusin alkuun, että atribuuttitaulukosta löytyi “piilotettuja” arvoja (99999…), mutta kuitenkaan vastausta en silti saanut, vaikka monta kertaa yritin eri keinoja käyttäen.

Taulukko 4: tehtävä 2: Taajamat

Kuinka monta prosenttia tehtävän alueen asukkaista asuu taajamissa?	496 555 asukasta = 96,2 prosenttia
Kuinka monta kouluikäistä asuu taajamien ulkopuolella?	2 675 kouluikäistä
Kuinka suuri taajamien ulkopuolella asuvien kouluikäisten osuus on?	3,6 prosenttia kouluikäisistä asuu taajamien ulkopuolella
Kuinka monella alueella ulkomaalaisten osuus on yli 10%, entä 20% tai 30%?	? :(

 

Viimeisessä tehtävässä oli kiinnostavia vaihtoehtoja, mutta päädyin tekemään tehtävän kouluista (Taulukko 3). Törmäsin kuitenkin isoimpaan ongelmaan tässä kohtaa ihan vaan sen takia, että en meinannut millään muistaa minkä ikäisenä ollaan milläkin luokalla. Päädyin kuitenkin rajaamaan kouluikäiset lapset ja nuoret haarukkaan 7-15 vuotiaat (ala-aste + ylä-aste). Erika mainitseekin blogissaan, että kouluun voi mennä jo kuusivuotiaana, mutta usein puhutaan siitä, että koulu aloitetaan 7-vuotiaana. Siksipä rajasin ikähaarukan seitsemästä ylöspäin.

Tehtävässä 3 tutkittiin Helsingin Yhtenäiskoulun seuraavan kouluvuoden tarpeita keskittyen omaan koulupiiriin (Taulukko 3). Kuvasta 5 voidaan nähdä keltaisella valittu pieni koulupiiri Käpylästä, joka on tarkastelussa. Alueella sijaitsee yksi koulu, vaikkakin kuvassa 5 koulupiirin reunalla näyttäisi olevan toinen punainen piste.

Taulukko 5: tehtävä 3: Koulut

Kuinka paljon Helsingin Yhtenäiskouluun on tulossa uusia koulutiensä aloittavia oppilaita aineiston keruuhetkestä seuraavana vuonna, sen omasta koulupiiristä?	14 oppilasta
Kuinka suurta määrää oman koulupiirin yläasteikäisiä oppilaita Helsingin Yhteiskoulun pitää varautua opettamaan seuraavana vuonna? ( 13-15v)	62 oppilasta
Kuinka suuren osuuden koulupiirin alueella asuvista asukkaista muodostavat kouluikäiset lapset ja nuoret (7-15v)	0,0839 = 8,4 prosenttia
Kuinka monta muunkielistä kouluikäistä alueella asuu, jos oletetaan että muunkielisissä perheissä lasten ja aikuisten suhde on sama kuin edellisessä kohdassa laskettu? (arvio, 7-15v)	Muunkieliset * edellisen tehtävän luku = vastaus 110 * 0,0839 = noin yhdeksän muunkielistä kouluikäistä

Kuva 5: Koulupiirit Helsingin kunnan alueella, eroteltuna tarkasteltu koulupiiri.

Mietteet

Kyllähän se sitten onneksi onnistuikin, ainakin mielestäni. Toki tällä kurssikerralla käydyt hommat oli osittain jo entuudestaan tuttuja taas vaihteeksi, joten se varmasti nopeutti työskentelyä. Hiljalleen jopa rupeaa tuntumaan siltä, että ongelmaan törmätessä sen osaa ratkaista itse ihan vain pohtimalla (ainakin melkein aina…). Toistoja on tuntien aikana tullut reilusti ja tosiaan myös entisen osaamisen myötä tuntuu siltä, että melkein millaisen karttaesityksen vaan saisi luotua QGIS avulla.

Puskurivyöhykkeet ovat mielestäni helppokäyttöisiä ja niiden avulla saadaan mielenkiintoista informaatiota. Helin tavoin mieleen nousi mahdollisuus hyödyntää puskurivyöhykettä selvittämään muun muassa uuden kaupan ympäröivää väestörakennetta. Lisäksi bufferien avulla voitaisiin tutkia muun muassa jokien suojavyöhykkeitä.

Ainoat ongelmia aiheuttavat asiat (jotka tällä hetkellä tulevat mieleen), joita pitäisi kerrata vielä hieman lisää ovat atribuuttitaulujen yhdisteleminen joins-toiminnon avulla sekä csv-tiedostojen tuominen. Jostain syystä csv-tiedostoja tuodessa jotain aina unohtuu tai tuotu informaatio onkin halutun paikan sijaan toisella puolella maapalloa. Eiköhän nämäkin onneksi ratkea, kun kertausta tulee enemmän.

Lähteet :)

Lindblom, E. (2023). Erika’s blog: 5. kurssikerta.

<https://blogs.helsinki.fi/lierika/2023/02/26/6-kurssikerta/> (vierailtu: 23.2.2023)

Tuomi, H. (2023). Kurssikerta & harjoitus 5.

< https://blogs.helsinki.fi/tuomihel/2023/02/21/kurssikerta-harjoitus-5/> (vierailtu: 23.2.2023)

Vuolle, M. (2023). Kurssikerta 5.

<https://blogs.helsinki.fi/mevuolle/2023/02/14/kurssikerta-5/> (vierailtu: 23.2.2023)

 

Neljäs luento – Perjantai 10.2.2023

Heippa!

Nuha edelleen vaivaa, joten jäin tekemään hommia kotoota käsin. Moodleen jaettiin onneksi zoom-videot, joita katsoessa tuntui kuin olisi itse luennolla ollut. Kuten myös Saini mainitsi, niistä oli suuri hyöty :) Tällä kertaa tutkiskeltiin muun muassa pisteaineistoja sekä opeteltiin tekemään ruutukarttoja.

Vaikka ohjetta seurasin, niin päätin silti ilmeisesti väsyneenä hypätä pari riviä ohi ja kokeilla ruudukon tekemistä metrin tarkkuudella. Voi varmaankin arvata jo, että eipä siitä hirveästi mitään tullut ja konekin päätti irtisanoa itsensä pari kertaa, mutta onneksi sisäistin vihdoin lukemani myöhemmin ja ymmärsin mistä koko homma johtui.

Luentokerralla käytiin läpi paljon uutta asiaa, johon en aikaisemmin ollut törmännyt ja tuntui, että piti muistaa paljon erilaisia yksityiskohtia. Onneksi hommat rupesivat ainakin jotenkin sujumaan, vaikka vähän hankalalta välillä tuntuikin. Varmasti nuhan mukana tuoma väsymys johti moniin pieniin virheisiin, joihin matkan varrella tuli törmättyä.

Ruutukartat

Valitsin tarkasteltavaksi muuttujaksi 25-29-vuotiaiden määrän pääkaupunkiseudulla, jonka havainnollistin kartalle 500m x 500m ruudukolle (Kuva 1).

Kuva 1: 25-29-vuotiaiden määrä pääkaupunkiseudulla, 500 m x 500 m ruutukartalla.

Kuvasta 1 voidaan huomata, että alueet, joissa asuu eniten 25-29-vuotiaita sijaitsevat pääasiallisesti Helsingin keskusta-alueella ja sen läheisyydessä sekä Otaniemessä, Teekkarikylässä. Ainakin jonkin asteinen yhteys voidaan huomata 25-29-vuotiaiden asuinpaikan sekä liikenneyhteyksien välillä, jos pohditaan esimerkiksi lähijunaliikenteen tai metron sijoittumista. Tämän ohessa korkeakoulujen vaikutus voidaan huomata kartalta. Teekkarikylän 25-29-vuotiaiden määrään on vaikuttanut oletettavimmin Aalto yliopiston läheinen sijainti.

Kuten kuvasta 1 voi huomata, niin ruutukartalle voi esittää absoluuttisia lukuarvoja, sillä kaikki kartalla käytetyt ruudut ovat yhdenkokoisia (Tilastokeskus s.a). Jos kyseessä olisi erikokoiset ruudut niin täytyisi lukuarvot muuttaa suhteellisiksi. Kuitenkin minusta tuntui hieman hassulta esittää lukuarvot absoluuttisina, sillä siihen ei vain ole tottunut. Karttoja tehdessä tein versiot myös suhteellisista arvoista, jolloin huomasin, että kartat muuttuivat jonkin verran. Absoluuttisia arvoja tarkastellessa on hyvä pitää mielessä, että eri alueilla asuu eri määrä ihmisiä. Esikaupunkialueella voi asua määrällisesti vähemmän 25-29-vuotiaita, mutta suhteutettuna väkilukuun osuus voi olla suurempi kuin keskusta-alueella, esimerkiksi Kampissa.

Karttaa tehdessä valitsin ruutukooksi 500m x 500m neliökilometrin sijaan, sillä mielestäni pienempi ruutukoko kuvasi muuttujan jakaumaa paremmin (Kuva 1). Tarkastelualue on suhteellisen pieni, joten pienemmän ruutukoon käyttäminen ei mielestäni aiheuttanut suuria ongelmia. Isommalla mittakaavalla olisi mielestäni myös isompi ruutukoko toimivampi.  Pienemmän ruutukoon käyttäminen vaati kuitenkin sen, että muutin ruutujen reunojen paksuuden pienemmäksi, jotta värit pääsivät paremmin esille. Neliökilometrin tarkkuudella kuvattu kartta oli selkeä, mutta ei mielestäni tuonut kaikkea alueellista vaihtelua kunnolla esille, erityisesti ydinkeskustassa.

Mielestäni alkuperäisen aineiston pisteteemakarttaan verrattuna ruutukartta on tarkastelualueelle sopivampi keino esittää asioita. Pisteiden päällekkäisyys vaikeuttaa analysointia, eikä kartasta oikein saanut selville kuinka monta pistettä alueella oli. Ruutukartta on sinänsä kyseenalainen, että se kuvaa koko ruudun samalla arvolla, vaikka ruudun sisäinen vaihtelu voi myös olla suurta. Koropleettikartoissa on vähän sama ongelma: alueella esitettävä tieto on alueen keskimääräinen arvo, eikä sisäisestä vaihtelusta kerrota mitään. Sofia (2023) mainitsee blogissaan: “Verrattuna aikaisemmin tehtyihin koropleettikarttoihin, mielestäni rasteripohjainen aineisto ei ole alueiden jaossa yhtä tarkka.”. Olen kuitenkin asiasta Sofian kanssa samaa mieltä. Kuvia 1 ja 2 tarkastellessa voidaan huomata ruutujen “jatkuvan” kuntarajojen ulkopuolelle, vaikka aineisto rajattiin alueen eli kuntien mukaan.

Edit: ainiin…

Olinkin tehnyt myös toisen kartan, jolla kuvasin asukastiheyttä pääkaupunkiseudulla (Kuva 2).

Kuva 2: Ruutukartta pääkaupunkiseudun asukastiheydestä neliökilometrin tarkkuudella

Asukastiheyden kuvaaminen ruutukartalla tuntui luontevalta ja olen melko varma, että olen jossain nähnyt vastaavanlaisen kartan aikaisemminkin. Kuvasin asukastiheyden perinteisesti neliökilometrin tarkkuudella, sillä se tuntui luontevalta. Valitsin seitsemän luokkaa tarkasteluun, jotta eroavaisuudet nousisivat hieman paremmin esille. Värimaailma kartassa 2 tuntuu hieman selkeämmältä kuin kartassa 1.

Kuvasta 2 tulee selkeästi esiin suurimmat asumiskeskittymät, joita ovat Helsingin keskusta-alue, Meilahti, Ruskeasuo sekä Matinkylä. Harvaan asuttuja alueita ovat Sipoo sekä pääkaupunkiseudun luoteisosa. Kuvaa tarkastellessa voi huomata asukastiheyden olevan korkeampaa itäisellä puolella pääkaupunkiseutua.

Mielestäni kartat ovat onnistuneita ja kuvaavat haluttuja asioita. Karttojen tulkintaa voisi helpottaa kuntien nimet. Lisäksi voimakkaampi kontrasti luokkia kuvaavien värien välillä tekisi selkeämmän lopputuloksen, erityisesti kuvassa 1.

– Sini c:

Lähteet

Lankinen, S. (2023). Harjoitus 4 ja itsenäistä työtä.

< https://blogs.helsinki.fi/sainilan/2023/02/15/harjoitus-4-ja-itsenaista-tyota/> (vierailtu: 17.3.2023)

Salonen, S. (2023). Sofia’s blog: Kurssikerta 4 – 8.2.2023.

< https://blogs.helsinki.fi/sofisalo/2023/02/13/kurssikerta-4-8-2-2023/> (vierailtu: 17.3.2023)

Tilastokeskus (s.a). Tilastoteemakartat

< https://tilastokoulu.stat.fi/verkkokoulu_v2.xql?page_type=sisalto&course_id=tkoulu_teemak&lesson_id=4&subject_id=3> (vierailtu: 17.2.2023)

Kolmas luento – Perjantai 3.2.2023

Heippa!

Tällä kertaa kolmas luento jäi väliin, mikä tarkoitti sitä, että kartat piti tehdä kotoa käsin. Aloittaminen taisi olla suurin hankaluus. Sain kuitenkin kartat tehtyä paljon nopeammin kuin olin odottanut. Suurin kiitos kuuluu StackExchange -sivustolle, josta on löytynyt vastaukset pulmiin koko kurssin ajan sekä Annalle ja Siirille siitä, että tehtävän tekeminen lähti käyntiin  :)

Afrikka kartalla

Ensimmäiseksi lähdin työskentelemään Afrikan valtioista tietoa sisältävän tietokannan kanssa. Tavoitteena luentokerralla oli oppia käyttämään erilaisia tiedostomuotoja sekä yhdistää tietoa erilaisten kyselyiden avulla. Harjoituksen lopputulokseksi syntyi kaksi karttaa. Ensimmäisellä kartalla, kuvassa 1, havainnollistetaan konfliktien, maalla sijaitsevien öljykenttien sekä  timanttikaivosten sijaintia Afrikassa. Konflikteja on tapahtunut Afrikassa lähes joka puolella, mutta suurin osa on sijoittunut eteläisen Afrikan ja Pohjois-Afrikan välille.

Kuva 1: Konfliktien, timanttikaivosten sekä maalla sijaitsevien öljykenttien sijainnit Afrikassa.

Konfliktien ja timanttikaivosten sekä öljykenttien välillä ei näy selkeää yhteyttä, jonka avulla kaikki konfliktit olisivat selitettävissä (Kuva 1). Rebekka kuitenkin tuo esille blogissaan, että jonkinlaista säännönmukaisuutta on havaittavissa. UNEP julkaiseman raportin mukaan 40 prosenttia viimeisen 60 vuoden aikana  tapahtuneista konflikteista on liittynyt luonnonvaroihin jollain tasolla (UN s.a).

Samoja tietokantoja käyttäen tein myös kartan kuvastamaan Facebookin käyttäjien osuutta valtioittain vuonna 2020 (Kuva 2). Mitä tummempi sininen kartalla on, niin sitä suurempi osuus väestöstä käyttää Facebookia. Valitsemani väri mielestäni sopii hyvin kuvaamaan jakaumaa, sillä Facebook on “tunnettu” käyttämästään sinisestä värimaailmasta. Facebookia käytetään eniten Pohjois-Afrikassa, erityisesti Libyassa sekä Tunisiassa. Eteläisessä Afrikassa Facebookia käytetään toiseksi eniten. Muualla käyttäjien osuus on pääasiallisesti alle 30 prosenttia.

Kuva 2: Facebookin käyttäjien osuus väestöstä valtioittain Afrikassa vuonna 2020.

Karttaa 1 ja 2 vertailemalla voidaan tehdä huomio, että Facebookia käytetään vähemmän valtioissa, joissa on enemmän konflikteja. Voidaan kuitenkin huomata, että valtioissa, kuten Algeriassa ja Egyptissä, Facebookin käyttäjien osuus on merkittävä, mutta alueella on ollut myös useita konflikteja. Voidaan olettaa, että vakaammilla alueilla sosiaalista mediaa käyttää suurempi osuus väestöstä.

Tietokantoihin oli myös tallennettuna paljon muuta informaatiota kuin Facebookin käyttäjien osuus sekä kuvassa 1 havainnollistetut tiedot.  Konflikteista olisi voinut tutkia tarkemmin niiden ajallista jakaumaa ja vaikutusalueita. Timanttikaivoksista ja öljykentistä on lisätietoa niiden tuottavuudesta, jonka avulla voisi tutkia vaikuttaisiko tuottavuus konfliktien määrään. Lisäksi timanttikaivosten kaivauksien löytämis- ja aloitusvuoden sekä öljykenttien löytämis- ja poraamisvuoden tietoja voisi vertailla konfliktien ajalliseen jakaumaan. Facebookin käyttäjien ohessa internetin läpäisevyyttä voisi tarkastella ajallisesti, jonka avulla saataisiin kehittyneisyydestä enemmän selville.

Tulvaindeksikartta

Harjoitustehtävänä tällä kertaa oli tulvaindeksikartan luominen, joka vaatikin hieman enemmän tekemistä. Ohjeiden avulla kartan tekeminen kuitenkin onnistui, vaikka vähän mietitytti, että näyttikö se nyt kuitenkaan siltä miltä sen piti. Onneksi muiden blogeja tutkaillessa huomasin, että aika samalta näyttää kuin muilla :)

Tulvaindeksi kartta kertoo Suomen valuma-alueiden tulvaherkkyydestä (Kuva 3). Kartta saatiin muodostumaan laskemalla tulvaindeksi eli jakamalla tulvahuippujen keskiarvo kuivien kausien aliempien arvojen keskiarvolla. Tarkkasilmäisin voi ehkä kiinnittää huomiota siihen, että lisäsin kartalle valtioiden rajat, koska ne auttavat ainakin itseäni hahmottamaan paremmin kartan. Hyödynsin myös ensimmäisen kurssikerran aineistoa, jotta saisin vesialueet sinisiksi.

Kuva 3: Tulvaindeksi Suomen valuma-alueilla

Kuvassa 4 on tuotu esille myös järvisyys, jolla tarkoitetaan järvien prosenttiosuutta valuma-alueen alasta (Tieteen termipankki s.a). Karttaa tehdessä päätin jostain syystä, että on hyvä asia, kun pienintä tulvaindeksiä kuvaavalla luokalla ei ole rajoja, joka nyt järvisyysprosenttia lisätessä monimutkaisti asiaa. (Tähän täytynee palata takaisin ja korjata ongelma… jos jaksanee) Ei oikein ole järkevää kuvata osuuksia kartalla ilman, että on selvää minkä alueen osuudesta on kyse. Tästä huolimatta kartalla on esillä järvisyys, ympyrädiagrammin avulla havainnollistettuna. Ilmeisesti myös kaksi tyhjää diagrammia on ilmestynyt kartalle? Mysteerien määrä se kun kasvaa.

Kuva 4: Suomen valuma-alueiden tulvaindeksi ja järvisyys.

Karttojen avulla voidaan nähdä tulvaindeksin olevan suurin länsi- ja etelärannikoilla, joissa järvisyys on pientä. Rannikkoalueiden tulvaherkkyyttä lisää alava ja tasaisempi maasto. Kaupungeissa ongelmia aiheuttavat myös huonosti vettä läpäisevät pinnat. Järvi-Suomessa järvisyys on suurta ja tulvaherkkyys matalaa. Voisi siis olettaa, että vesialueet tarjoavat paikan vedelle, joka ilman niitä aiheuttaisi tulvia. Susanne tuo blogissaan esille myös kiinnostavan pohdinnan pohjoisimmasta tulvaherkästä alueesta: “Pohjoisimman tulvaherkkyyden saattaa selittää vuoristoisuus ja runsas lumi, jää ja routa, jotka sulaessaan saattavat aiheuttaa tulvia. “.

EDIT: Tässä korjattu versio, mutta pari tyhjää diagrammia vielä jäljellä :C Tiedot olivat kadonneet atribuuttitaulusta…

Kuva 5: Paranneltu versio kuvasta 4

Mietteitä

Hieman mietitytti järvisyyden kuvaaminen palkkeina. Mielestäni järvisyyden osuus valuma-alueen alasta tulee esille paremmin, kun se suhteutetaan maapinta-alaan. Pelkkien palkkien käyttäminen havainnollistamisessa vaikeutti ainakin omaa kartan tulkintaa. Lisänä kuitenkin se, että en koe ympyrädiagrammienkaan olevan esteettisin keino kuvata järvisyyttä ja sen käyttämisessä on myös omat ongelmansa.

– Sini :)

Lähteet

UNEP (2015). UNEP marks International Day for Preventing the Exploitation of the Environment in War and Armed Conflict.

<https://www.unep.org/news-and-stories/press-release/unep-marks-international-day-preventing-exploitation-environment-war> (vierailtu: 13.2.2023).

Rautamo, S. (2023). Susanne’s blog: Kurssikerta 3.

< https://blogs.helsinki.fi/rautamos/2023/02/01/kurssikerta-3/> (vierailtu: 13.2.2023)

Tieteen termipankki (s.a). Valuma-alue.

<https://tieteentermipankki.fi/wiki/Ymp%C3%A4rist%C3%B6tieteet:valuma-alue#:~:text=M%C3%A4%C3%A4ritelm%C3%A4%20Alue%2C%20jolta%20pinta%2D%20ja,j%C3%A4rveen%20tai%20tiettyyn%20uoman%20kohtaan.> (vierailtu: 13.2.2023)

Ylätalo, R. (2023). Reben blogi: Kolmas kurssikerta.

<https://blogs.helsinki.fi/rebekyla/2023/02/07/kolmas-kurssikerta/> (vierailtu: 13.2.2023)

 

 

Toinen luento – 27.1.2023

Toisella luentokerralla perehdyimme tarkemmin eri karttaprojektioihin ja tutkimme miten eri projektiot vaikuttavat Suomen muotoon ja kokoon kartalla. Ennen kartan luomista kokeilimme mittatyökalun avulla tehdä muutamia yksinkertaisia mittauksia Pohjois-Suomesta käyttäen eri projektioita.

Lopputunti kuluikin eri karttaprojektioiden ja ETRS-TM35FIN projektion välisten vääristymäkertoimien tutkailemisessa ja niiden havainnollistamisessa.

karttatehtävät

Vauhtiin päästäksemme sekä myöhemmän itsenäisen työn mahdollistamiseksi muodostimme yhdessä kartan Suomesta, jossa vertailtiin ETRS-TM35FIN projektion sekä Mercator projektion välistä vääristymäkerrointa (Kuva 1).

Kuva 1: ETRS-TM35FIN- ja Mercator projektioiden välinen vääristymäkerroin

Kuvasta 1 nähdään, että vääristymäkerroin kasvaa mitä pohjoisemmaksi Suomea mennään. Vääristymäkertoimella tarkoitetaan eroavaisuutta karttaprojektioiden välillä – mitä suurempi vääristymäkerroin on kuvassa 1, sitä suurempi ero on pinta-alallisesti.

Kuvasta 2 nähdään eroavaisuudet, jotka ovat esitettynä Tissotin indikaattorin avulla. Kartalla olevien pallojen kokoerojen avulla pystymme näkemään, missä vääristymät ovat. Mercatorin projektiossa mittakaava kasvaa pohjoisemmaksi mentäessä, sillä karttaprojektio on oikeakulmainen lieriöprojektio (ArcGIS s.a).

Kuva 2: Mercator projektion vääristymiä kuvaava kartta (Wikipedia s.a).

Valitsin toisen projektion vertailun vuoksi mukaan. Kuvassa 3 on havainnollistettuna ETRS-TM35FIN- ja Equal Earth -projektioiden väliset vääristymäkertoimet. Kuvasta 3 voidaan huomata vääristymäkertoimien luokkien välisten erojen olevan hyvin pieniä verrattuna kuvan 1 karttaan. Kaikki kuvan 3 arvot jakautuvat 0,991-0,996 välille. Suurin vääristymä sijaitsee pohjoisimmassa osassa Suomea, Utsjoen kunnassa. Muuten suurimmat vääristymät löytyvät pääasiallisesti alueelta, joka alkaa kaakkois-Suomesta ja etenee luoteeseen, Oulua kohti.

Kuva 3: ETRS-TM35FIN- ja Equal Earth  -projektioiden väliset vääristymäkertoimet.

Alla vielä kartassa 3 käytetyn Equal Earth projektion vääristymät esitettynä Tissotin indikaattorin avulla (Kuva 4). Kuvasta nähdään paremmin, mistä kartta on vääristynyt ja millä tavoin. Equal Earth-projektio on oikeapintainen pseudolieriö.

Kuva 4: Equal Earth projektion vääristymiä kuvaava kartta (Wikipedia s.a).

Loppumietteet

Karttaprojektioita enemmän pyöritellessä heräsi ajatuksia siitä, miten suuri merkitys projektiolla voi olla asian esittämisessä ja miten on tottunut näkemään maailman “sen tietyn” projektion kautta. Karttoja tehdessä erityisesti silmään pisti Suomen “väärä” muoto, kun Mercator- ja Equal Earth- projektiot olivat käytössä.

Mielestäni kartat onnistuivat ihan hyvin, mutta perfektionistina silmään pisti legendassa luokkien järjestys. Loogisesti tummempi väri on suurin arvo ja luokista viimeisin listalla, mutta kartalla tummin väri sijoittuu pohjoiseen, joten käänteinen järjestys jäi hieman häiritsemään.

Lucaksen (2023) tavoin mietin myös, että olisi voinut olla kiva lisä jättää kuvat Suomen muodosta kussakin projektiossa karttojen viereen. Vääristymäkertoimia voisi ymmärtää paremmin kun erot olisivat myös havainnollistettuna muodon mukaan.

 

Lähteet

ArcGIS (s.a a). Equal Earth. <https://pro.arcgis.com/en/pro-app/latest/help/mapping/properties/equal-earth.htm> (vierailtu: 5.2.2023)

ArcGIS (s.a b). Mercator.   <https://pro.arcgis.com/en/pro-app/latest/help/mapping/properties/mercator.htm> (vierailtu: 30.1.2023)

Yoni, L. (2023). Viikko 2: Hieman ärsytti, mutta se ei haitannut. <https://blogs.helsinki.fi/luberger/2023/01/30/viikko-2-hieman-arsytti-mutta-ei-se-haitannut/> (vierailtu: 5.2.2023)

Wikipedia (s.a a). Equal earth projection. <https://en.wikipedia.org/wiki/Equal_Earth_projection> (vierailtu: 29.1.2023)

Wikipedia (s.a b). Mercator projection. <https://en.wikipedia.org/wiki/Mercator_projection#/media/File:Mercator_with_Tissot’s_Indicatrices_of_Distortion.svg> (vierailtu: 29.1.2023)