Äärimmäinen köyhyys Afrikassa

Viimeisellä kurssikerralla ryhdyimme heti työskentelemään itsenäisesti. Saimme melkein vapaat kädet kartan tuottamiseen. Ensiksi etsimme aineistot kartan laatimista varten. Ehkä haastavin osuus koko kartan tuottamisesta oli aineistojen muuttaminen käytettävään muotoon, sillä osa käyttämistäni aineistoista oli teksti -muodossa lukuarvojen sijaan. Pitkän etsinnän jälkeen löysin aineistot äärimmäisessä köyhyydessä elävien työssäkäyvien osuudesta Afrikassa sekä Afrikan maiden väkiluvuista. Sen jälkeen pääsin itse kartan tekemisen pariin. Tunnin aikana meinasin moneen kertaan menettää hermoni, sillä mitään ohjeita ei ollut, ja vaikka käytin tuttuja komentoja, ne eivät toimineetkaan aineistojeni kanssa samalla tavalla. Sain kuitenkin apua opettajalta sekä kavereilta.

Äärimmäinen köyhyys tarkoittaa sitä, että ihminen elää alle 2,15 dollarilla päivässä. Tämä on YK:n määrittämä raja, ja sen mukaan äärimmäisessä köyhyydessä elävällä on puutteita elämän perustarpeista kuten ruoasta ja puhtaasta vedestä. (Unicef) Kartassa muutama Afrikan valtio näkyy harmaana, sillä niistä valtioista ei ollut saatavilla dataa. Esimerkiksi Etelä-Sudanista, Kongon demokraattisesta tasavallasta ja Tansaniasta ei ollut saatavilla tietoa äärimmäisessä köyhyydessä elävistä, mutta esimerkiksi Tansanian väkiluku löytyi aineistosta. Väkiluku näkyy kartalla sinisenä pallona. Mitä suurempi pallo on, sitä suurempi maan väkiluku myös on. Pohdin kartan tekemisen jälkeen, että väestön lukumäärät olisi ollut hyvä lisä karttaan, sillä se olisi konkretisoinut äärimmäisessä köyhyydessä elävien määrän. Nyt kartasta näkee ainoastaan prosenttiosuuden siitä sekä väkilukua kuvastavan pallon.

Afrikan maiden suurin väkiluku on Nigeriassa noin 230 842 743 ihmistä vuonna 2023. Äärimmäisessä köyhyydessä elävien osuus Nigeriassa on noin 27,4 prosenttia. Tämä tarkoittaa siis arviolta noin 63 miljoonan ihmisen elävän alle 2,15 dollarilla päivässä Nigeriassa. Luku ei välttämättä pidä täysin paikkaansa, sillä tilasto on yli 15-vuotiaista ja huomattavan suuri osa väestöstä on lapsia suuren syntyvyyden ja lapsikuolleisuuden takia. Suhteessa väkilukuun eniten äärimmäisessä köyhyydessä eläviä on Madagaskarissa. 78,5 prosenttia työssäkäyvistä Madagaskarissa elää alle 2,15 dollarilla päivässä.

YK:n kestävän kehityksen toimintaohjelman Agenda 2030 tavoitteena on poistaa äärimmäinen köyhyys vuoteen 2030 mennessä ja vähentää köyhyydessä elävien ihmisten määrää. (Unicef) Vaikka kartan tekeminen oli haastavaa, koin sen silti mielekkäämmäksi kuin osan aikaisemmista harjoituksista, sillä aiheen karttaan sai valita itse omien mielenkiinnonkohteiden mukaan.

Kurssi on mennyt todella nopeasti ohi ja osa harjoituksista on ollut hyvin työläitä. Olemattomat gis-taitoni ovat kuitenkin vähän parantuneet kurssin aikana, mikä on kiva juttu. Opittavaa kuitenkin on vielä paljon.

Lähteet:

https://www.cia.gov/the-world-factbook/field/population/country-comparison/

https://ilostat.ilo.org/data/africa/#

https://webapps.ilo.org/shinyapps/bulkexplorer31/?region=AFRICA&lang=en&id=SDG_0111_SEX_AGE_RT_A

ttps://www.naturalearthdata.com

https://www.unicef.fi/tyomme/lapsen-oikeudet/kestavan-kehityksen-tavoitteet-agenda-2030/tavoite-1/

Datan keräämistä ja interpolointia

Aloitimme kurssikerran keräämällä itse aineistoa Kumpulan Kampuksen läheltä. Keräsimme dataa alueen ympäristön turvallisuudesta sekä viihtyvyydestä. Merkitsimme havaintoja Epicollect5 -sovellukseen. Saimme yhteensä 100 havaintoa ympäristöstä. Teimme kartan alueen turvallisuudesta, ja harjoittelimme samalla interpolointia. Kartassa punaisella värillä näkyvät turvattomiksi koetut alueet ja sinisellä taas turvalliseksi koetut alueet. Turvattomiksi koettuja alueita ovat esimerkiksi Physicumin edessä olevat portaat sekä mäki Kumpulan kampukselle luultavasti jään ja liukastumisvaaran takia. Turvalliseksi koettuja alueita taas ovat muun muassa hyvin hiekoitetut alueet sekä Arabian kauppakeskus. Jos sääolosuhteet olisivat olleet toiset, turvattomia paikkoja olisi luultavasti ollut vähemmän.

Hasardit ja niiden yhteys

Toisessa harjoituksessa tutkimme eri hasardeja ja niiden yhteyksiä. Tehtävänä oli luoda vähintään kolme vapaavalintaista karttaa. Päätin tarkastella kartoilla maanjäristyksiä sekä tulivuoria. Ensimmäiseen karttaan merkitsin yli 6 magnitudin maanjäristykset niiden voimakkuuden perusteella. Maanjäristykset ovat aikavälillä 1980-2024, eli maanjäristyksiä kartalla on paljon. Se vaikeuttaa hieman kartan lukemista, sillä pisteet menevät toistensa päälle. Olisin voinut siis valita lyhyemmän aikavälin, niin kartasta olisi tullut selkeämpi.

Seuraavassa kartassa on näkyvillä maailman tulivuoret. Aluksi tein kartan, jossa näkyi kaikki tulivuoret samanlaisina palloina. Kartta näytti kuitenkin todella tylsältä ja lukiessani Veera Matikaisen blogia inspiroiduin tekemään samalla tavalla eli merkitsemään tulivuoret niiden korkeuden perusteella. Kartasta pystyy havainnoimaan, että kaikista korkeimmat tulivuoret sijaitsevat Tyynenmeren tulirenkaan alueella tai muuten litosfäärilaattojen reunakohdissa.

Kolmannesta kartasta näkee hyvin seismisten ilmiöiden yhteyden sillä tulivuorten lisäksi myös suurin osa maanjäristyksistä tapahtuu Tyynenmeren tulirenkaan alueella, tai muuten litosfäärilaattojen reunakohdissa. Aapeli Leppä oli blogissaan lisännyt karttaan litosfäärilaattojen reunat näkyviin. Tämä olisi ollut hyvä lisä karttaan. Aapeli Lepän kartat sijoittuivat esimerkiksi Kaakkois-Aasian maanjäristyksiin ja Pohjois-Amerikan vulkanismiin, mikä oli hyvin mielenkiintoista. En itse edes ajatellut, että olisin voinut rajata alueen eritavalla.

Kartoistani tuli aika yksinkertaisia ja selkeitä. Tämä oli varmaan ensimmäinen kurssikerta, josta selvisin ilman isompia ongelmia ja apuja.

Lähteet:

Kurssikerta 6 aineistot

https://helsinkifi-my.sharepoint.com/personal/apaarlah_ad_helsinki_fi/_layouts/15/onedrive.aspx?id=%2Fpersonal%2Fapaarlah_ad_helsinki_fi%2FDocuments%2FGEM2024%2FHarjoitus6_2024%2Ezip&parent=%2Fpersonal%2Fapaarlah_ad_helsinki_fi%2FDocuments%2FGEM2024&ga=1

Tulivuoritietokanta https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-data

Maanjäristystietokanta https://earthquake.usgs.gov/earthquakes/search/

Veera, Matikainen. 21.2.2024. Veeran GIS-blogi. Kuudes kurssikerta. (Viitattu 9.3.2024) https://blogs.helsinki.fi/veematik/

Aapeli, Leppä. 9.3.2024. Aapelin kootut GIS-kärsimykset Kuudes kurssikerta – Interpolointia ja karttavisualisointimania. (Viitattu 9.3.2024) https://blogs.helsinki.fi/aapleppa/

Bufferointia

Viides kurssikerta jatkui siitä, mihin viimeksi jäimme. Jatkoimme Pornaisten alueen tarkastelua. Teimme jo ennestään tuttuja Bufferi- eli puskurianalyysejä. Saimme valmiiksi tehdyn QGIS -tiedoston, vaikka viime kerralla aloitimmekin itse digitoimaan Pornaisten aluetta.  Aloitimme tutkimalla, kuinka monesta talosta Pornaisten alueella lapset saavat tulla pyörällä kouluun. Etäisyyden täytyi olla vähintään kilometri koulusta. Loimme ensiksi puskurivyöhykkeen Pornaisten koulun ympärille. Koulumatkojen tarkastelun jälkeen loimme bufferin myös pääteiden ja terveyskeskuksen ympärille, ja tarkastelimme rakennuksia, jotka jäivät bufferin sisälle. Teimme ensimmisen harjoituksen yhdessä Arttu Paarlahden johdolla ja kaikki keskittymiseni meni ohjeiden seuraamiseen, minkä takia en huomannut ottaa kuvia tehtävästä lainkaan. Lukiessani Sampo Väätäjän blogia huomasin, että kuvat olisivat antaneet hyvin informaatiota tehtävästä.

Lentokentät ja melualueet

Seuraavassa tehtävässä tarkoituksena oli tarkastella lentokenttien läheisyydessä pahimman melualueen sisälle jääviä asukkaita. Ensiksi digitoin Malmin lentokentän kiitoradan kartalle, jolle loin puskurivyöhykkeet yhden sekä kahden kilometrin säteellä. Luomani puskurivyöhykkeen mukaan yhden kilometrin säteellä lentokentästä asuu 8921 asukasta ja kahden kilometrin säteellä 57 329 asukasta. Malmin lentokenttä ei kuitenkaan ole käytössä tällä hetkellä, eli todellisuudessa meluhaittaa ei sieltä tule.

 

Taulukko 1, Meluhaitta Malmin lentoaseman läheisyydessä

Tein saman Helsinki-Vantaan lentoasemalle, eli digitoin kiitoradat ja loin bufferit yhden ja kahden kilometrin säteillä. Bufferin mukaan yhden kilometrin säteellä asuu ainoastaan 1083, mutta kahden kilometrin säteellä asukkaita on jo 11 459. Yllättävän paljon asukkaita jää siis myös Helsinki-Vantaan lentoaseman melualueen sisään. Myös pahimmalla eli yli 65 desibelin melualueella asuu noin 350 asukasta.

Taulukko 2, Meluhaitta Helsinki-Vantaa lentoaseman läheisyydessä

Tarkastelin vielä lentokoneiden poikkeuksellista reittiä kaakosta luoteeseen, ja sen aiheuttamaa meluhaittaa. Poikkeuksellinen laskeutumissuunta pidentäisi kiitorataa seitsemän kilometrin pituisen ja yhden kilometrin leveän alueen verran. Loin näillä tiedoilla uuden bufferivyöhykkeen. Poikkeuksellinen kiitorata aiheuttaisi meluhaittaa 13 204 asukkaalle ja bufferin alle jäisi 1810 taloa.

Lopuksi tarkastelin vielä alle 500 metrin etäisyydellä juna- ja metroasemista asuvien ihmisten määrää.  Loin juna- ja metroasemien ympärille bufferit samaan tapaan kuin aikaisemmin. Sain tulokseksi asukkaiden määrän 500 metrin säteellä kaikista asemista olevan yhteensä 110 805.

Tämä kurssikerta oli huomattavasti haastavampi kuin aikaisemmat, sillä itsenäistä työskentelyä oli enemmän kuin ennen. Tehtävät sujuivat silti yllättävän hyvin. Tunti kuitenkin laittoi aivosoluni koetukselle ja päätinkin säästää hermojani ja jättää viimeisen vapaavalintaisen tehtävän tekemättä.

Lähteet:

Kurssikerta 5 aineistot https://moodle.helsinki.fi/mod/folder/view.php?id=3476408

Sampo, Väätäjä. Viides kurssikerta (13.2.2024). Sampon blogi. Viitattu 10.3.2024 https://blogs.helsinki.fi/vsampo/

Piste- ja ruutuaineistot

Neljännellä kurssikerralla tutustuimme piste- ja ruutuaineistoihin. Pisteaineistot ovat vektoriaineistoja ja ruutuaineistot taas rasteriaineistoja. Kurssikerralla opettelimme yhdistämään nämä. Pisteaineistot ovat todella tarkkoja ja sopivat siksi hyvin ruutuaineiston pohjaksi.

Ruotsinkielisten osuus

Ensimmäisessä harjoituksessa pääsimme itse tekemään rasterimallisen ruutukartan. Valitsin ominaisuudeksi ruotsinkielisten osuuden pääkaupunkiseudulla. Ensimmäinen versio kartasta näytti ruotsinkielisten määrän eri ruuduissa Tämä ei ollut kovinkaan havainnollistava, sillä kartta näytti eniten ruotsalaisia ruuduille, joilla oli myös eniten asukkaita. Muokkasin karttaa niin, että siitä näkee ruotsalaisten osuuden prosentteina. Ruotsinkielisten prosenttiosuuden sai selville ensiksi jakamalla ruotsinkieliset kaikilla asukkailla.

Kartassa on kuvattu Helsingin, Espoon, Vantaan ja Kauniaisten kuntien asukkaat. Jos olisimme tehneet tavallisen koropleettikartan, luonnollinen aluejako olisi ollut kunnat. Ruutukartta sen sijaan näyttää myös kuntien välisiä eroja. Ruutujen kokoa on myös mahdollista muuttaa, jos haluaisi tarkempaa tai yleistetympää tietoa. Ruotsinkielisten osuus on jakautunut pääkaupunkiseudun reunoille. Etenkin Helsingin, Espoon ja Kauniaisten keskustoista löytyy ruotsinkielisiä. Myös Itä-Helsingistä löytyy, mikä ihmetytti minua. Itä-Helsinki on monikulttuurista aluetta, mutta en ajatellut sieltä löytyvän ruotsinkielisiä noin paljoa. Emma Kolkka kirjoittaa blogissaan, että Helsinkiin on liitetty aikaisemmin Sipooseen kuuluva alue, mikä selittääkin ruotsinkielisten osuutta alueella.

Annasofia Toivonen kirjoittaa blogissaan , että kartta ei kuvasta ruotsinkielisten todellista osuutta, sillä sitä ei ole verrattu väkilukuun. Tämä on ihan totta. Helsingin keskustassa asuu eniten ihmisiä, minkä takia myös ruotsinkielisten määrä on siellä suurin. Toivonen oli laatinut kartan, johon oli laskenut ruotsinkielisten osuuden väkilukuun nähden.  Hän oli myös huomioinut asumattomat alueet kartassaan. Kartta oli näin minusta paljon informatiivisempi ja sitä oli helpompi lukea.

 

Pornaisten digitointi

Aloitimme toista harjoitusta tunnilla. Käytimme harjoituksessa rasteriaineistoja ja yhdistelimme niitä. Tarkastelimme aluksi alueen korkeuskäyriä rinnevarjostuksen avulla. Sen jälkeen digitoimme karttaan Pornaisten alueelta löytyvät isoimmat tiet ja rakennukset. Tiet digitoimme viivamuodossa ja talot pistemuodossa. Harjoitus jatkuu seuraavalla kurssikerralla.

 

Lähteet:

ttps://helsinkifi-my.sharepoint.com/personal/apaarlah_ad_helsinki_fi/_layouts/15/onedrive.aspx?id=%2Fpersonal%2Fapaarlah_ad_helsinki_fi%2FDocuments%2FGEM2024%2FHarjoitus4_2024%2Ezip&parent=%2Fpersonal%2Fapaarlah_ad_helsinki_fi%2FDocuments%2FGEM2024&ga=1

Kolkka E. (2024) Emman Gis Blogi. Neljäs kurssikerta (9.2.2024). Viitattu 15.2.2024 https://blogs.helsinki.fi/emkolkka/

Toivonen, A. (2024). Annasofian blogi – VIIKKO 4: Pisteitä, ruutuja ja rasteriaineistoja. Viitattu 9.3.2024 https://blogs.helsinki.fi/annasoto/

Kolmannella kurssikerralla jatkoimme QGIS -sovelluksen harjoittelua. Etenkin toisessa harjoituksessa minulla oli paljon ongelmia, mutta tämän kurssikerran jälkeen minusta tuntuu, että alan pikkuhiljaa muistamaan eri komentoja ja itsenäinen työskentely ei tuota niin paljoa vaikeuksia.

Konfliktien ja luonnonvarojen yhteys

Ensimmäisessä harjoituksessa teimme kartan Afrikan konflikteista sekä luonnonvaroista. Käytimme taas QGIS -sovellusta. Yhdistelimme sekä laskimme tietoja, jotta saamme samaan karttaan näkyviin timanttikaivokset, öljykentät sekä konfliktit eri maissa. Tarkastelimme myös internetin käyttöä eri valtioissa. Lopuksi vielä muutimme kartalle näkyville konfliktit per vuosi, eli yksi merkki kartalla kuvasti vuoden aikana tapahtuneita konflikteja. Tapahtumavuoden avulla pystytään tarkastelemaan konfliktien kestoa, mikä kertoo alueen epävakaudesta tai vakaudesta. Kartasta ei kuitenkaan pysty huomioimaan näin konfliktien suuruuksia tai erottamaan saman vuoden aikana tapahtuneita erillisiä konflikteja. Myös erilaiset konfliktit näkyvät kartalla samanlaisina pisteinä, mikä antaa hieman vääristyneen kuvan.

Kartalta voi havainnoida luonnonvarojen ja konfliktien yhteyttä. Kartalla kuitenkin näkyy luonnonvaroista ainoastaan timanttikaivokset sekä öljykentät, vaikka Afrikasta löytyy paljon enemmän luonnonvaroja kuin vain nämä. Selkeää yhteyttä kartalta ei näe: monissa maissa joissa on paljon luonnonvaroja on myös paljon konflikteja, mutta myös niissä maissa joissa kyseisiä luonnonvaroja ei ole, niin konflikteja on silti paljon. Konflikteja aiheuttavat myös muut tekijät kuin luonnonvarat. Afrikassa esimerkiksi siirtomaa-aika vaikuttaa edelleen maiden kehittyneisyyteen, sekä valtioiden rajat ovat vedetty viivoittimella huomioimatta paikallisten kansojen elinalueita. Myös muut ongelmat, kuten nälänhätä, pula puhtaasta vedestä ja korruptio, aiheuttavat suuren osan konflikteista.

Suomen valuma-alueiden tulvaindeksit ja järvisyysprosentit

Toisessa harjoituksessa teimme koropleettikartan Suomen valuma-alueista ja niiden tulvaindekseistä ja järvisyydestä. Mitä tummempi vihreä alue kartassa on, sitä tulvaherkempää aluetta se on. Järvisyys on kuvattu kartassa ympyrädiagrammilla. Tulvaherkimmät alueet sijaitsevat rannikolla sekä tasaisilla ja vähä-järvisillä alueilla kuten Pohjanmaalla. Myös Lapissa esiintyy tulvia järvettömyyden sekä runsaan lumen ja jään sulamisen takia. Keski-Suomessa, jossa järviä on paljon, ei esiinny tulvia juuri ollenkaan, sillä järvet toimivat runsaiden sateiden ja lumen sulamisen aikaan ikään kuin veden varastona.

En ole niin tyytyväinen kartan visualisointiin. Värit ovat turhan samankaltaisia, mikä vaikeuttaa kartan lukemista. Järvisyysprosentti diagrammit myös ovat tulvaindeksi -alueiden päällä, mikä hankaloittaa tulvaindeksien hahmottamista. Tajusin vasta myöhemmin muiden blogeja lueskellessani, että olisin voinut tehdä kaksi karttaa, toisen tulvaindekseistä ja toisen järvisyysprosenteista, kuten esimerkiksi Pietu Nuortimo oli blogissaan tehnyt.

Lähteet:

MAA-202 Geoinformatiikan menetelmät 1. KK 3. kansio

Nuortimo, Pietu (2024) Pietun GIS-seikkailu. MAA202 – Geoinformatiikan menetelmät 1. Kolmas kurssikerta. Viitattu 5.2.2024. https://blogs.helsinki.fi/pietunuo/2024/01/31/kolmas-kurssikerta/

 

Toisella kurssikerralla jatkoimme QGIS -sovelluksen käyttöä. Alan pikkuhiljaa hahmottamaan QGIS -sovellusta ja sen työkaluja enemmän. Tällä kurssikerralla perehdyimme lisää karttaprojektioihin. Karttaprojektioiden avulla kolmiulotteinen maapallo voidaan kuvata kaksiulotteiselle tasolle kartaksi. Projektiot kuitenkin vääristävät kartalla olevien kohteiden suuruutta, suuntaa tai pinta-alaa. Oli hyvin mielenkiintoista vertailla eri projektioiden vääristämiä eroja.

Projektioiden vertailua

Tutustuimme ensimmäisessä harjoituksessa karttaprojektioihin vertailemalla niitä keskenään. Vertasimme esimerkiksi kahden pisteen etäisyyttä sekä alueen pinta-alaa eri projektioilla. Yllätyin siitä, miten paljon merkitystä pituuteen ja etenkin pinta-alaan, projektion valinnalla on. Suurin pinta-ala vertailemistani karttaprojektioista tuli Mercatorin projektiolla. Tulos ei sinänsä yllättänyt, sillä Mercatorin projektio venyttää napa-alueita suuremmiksi kuin mitä ne ovat. Pienin pinta-ala taas tuli ETRS-TM35 projektiolla.

 

Projektioiden pinta-alaerot

Toisessa harjoituksessa tehtävänä oli vertailla eri karttaprojektioiden pinta-alojen eroja. Käytimme lähteenä Suomen kunnat karttaa. Vertailimme eri projektioita oikeapintaiseen tasoprojektioon ja valitsin verrattavaksi projektioksi TM35FIN projektion. Teimme ensimmäisen kartan tunnilla yhdessä, ja siinä käytimme verrattavana projektiona Mercatorin projektiota. Loput kaksi karttaa tein itsenäisesti ja valitsin verrattaviksi projektioksi Robinsonin sekä Winkel Tripel -projektiot. Karttojen tekeminen itsenäisesti tuotti vähän haasteita, mutta sain lopulta kartat valmiiksi ja lopputuloksesta tuli ihan hyvä.

Karttaprojektioita verratessa Mercatorin projektio on selkeästi vääristynein. Mitä pohjoisemmaksi mennään kartalla, sitä isompia vääristymät ovat. Robinsonin projektiolla ja Winkel Tripel projektioilla ei ole niin suurta eroa, mutta Robinsonin projektio on hieman vähemmän vääristynyt. Myös näissä kartoissa vääristymät ovat suurempia pohjoisessa kuin etelässä. Huomasin vasta karttoja vertaillessa, että olisi pitänyt muuttaa jakaumien lukuja ja värejä, jotta karttojen vertaileminen olisi ollut helpompaa. Nopeasti katsottuna Mercatorin projektio saattaa näyttää vähemmän vääristyneeltä kuin muut kartat, sillä tummat osuudet ovat pienempiä kyseisessä kartassa. Karttojen legendasta myös puuttuu prosenttimerkki, mikä vaikeuttaa karttojen tulkintaa.

 

Lähteet:

MAA-202: Geoinformatiikan menetelmät 1 – Kurssikansio 2: kunnat2020_tilastoja.shp

QGIS-sovellus ja paikkatiedon kertausta

Ensimmäinen kurssikerta jäi minun osaltani välistä, mutta onneksi  luennon aiheet käsittelivät paljon aikaisempien GIS- ja TEM-kurssien aiheita. Lukemalla luentodiat itsenäisesti pääsi hyvin kärryille ja sai palautettua mieleen paikkatiedon perusjutut. Tehtävässä käytimme QGIS -sovellusta, jota käytettiin myös ensimmäisellä geoinformatiikan kurssilla. Vaikka sovellus oli jo ennestään tuttu, niin sen kanssa oli aluksi vaikeuksia.

Itämeren typpipäästöt

Tein ohjeiden mukaan kartan Itämeren rannikkovaltioiden aiheuttamista typpipäästöistä Itämereen. Kartan tekeminen vei paljon aikaa, sillä olin jo unohtanut miten QGIS -sovellusta käytetään. Monien yritysten jälkeen sain kuitenkin kartan valmiiksi. Sain myös onneksi kavereilta apua, jos jäin jumiin johonkin kohtaan. Lopputuloksesta tuli kuitenkin mielestäni selkeä ja helposti luettava. Itämeren ympäröivistä valtioista Suomi, Viro, Liettua, Saksa sekä Tanska tuottavat vähiten typpipäästöjä. Typpipäästöjen määrään vaikuttavat muun muassa väkiluku, maatalous sekä jäteveden puhdistuksen laatu.

Luin Heikki Säntin kirjoittamaa blogia, jossa hän pohti muun muassa sitä,  miksi Puola tuottaa suurimman osan Itämeren typpipäästöistä, vaikka rantaviiva on huomattavasti pienempi kuin esimerkiksi Suomella tai Ruotsilla. Typpipäästöt tulevat kuitenkin monista eri lähteistä. Esimerkiksi maatalous, teollisuus sekä laivaliikenne aiheuttavat runsaita typpipäästöjä. Rantaviivan pituudella ei siis ole lopulta hirveästi merkitystä.

Sofia Miettinen mietti blogissaan järvien ja meren syvyyskäyrien merkitystä kartalla. Vaikka niiden esittäminen kartalla voi tuntua turhalta, niin niillä saattaa olla merkitystä typpipäästöihin. Miettinen pohti, että järviin voi jäädä varastoon typpeä, joka olisi muuten kulkeutunut mereen, ja meren syvyyskäyrät näyttävät miten matala ja vähävetinen Itämeri on. Mitä vähemmän vettä meressä on, sitä voimakkaammin typpi vaikuttaa ja aiheuttaa voimakkaampaa rehevöitymistä.

 

 

Ruotsinkielisten osuus väestöstä

Seuraavana tehtävänä oli laatia koropleettikartta, jossa näkyy Suomen kuntien väliset erot valitun muuttujan suhteen. Valitsin muuttujaksi ruotsinkielisten osuuden koko väestöstä vuonna 2021. Kuten kartasta näkyy, on Suomessa hyvin vähän kuntia, joissa ruotsinkielisiä asuu. Ainoastaan Saaristo-Suomessa sekä etelä- että länsi-rannikoilla on kuntia, joissa ruotsinkielisiä asuu. Etäisyys Ruotsiin vaikuttaa huomattavasti ruotsinkielisten osuuteen kunnissa. On kuitenkin outoa, miksi Pohjois-Suomessa lähellä Ruotsin rajaa ei ruotsinkielisiä ole lainkaan. Alueet ovat kyllä Pohjois-Suomessa todella harvaan asuttuja, mikä saattaa myös vaikuttaa siihen. Kartan visualisointi oli hieman hankalaa, sillä niin monessa kunnassa ei ole ruotsinkielisiä ollenkaan, minkä takia lopputuloksesta tuli todella yksinkertainen ja jopa tylsän näköinen. Koropleettikartan tehtävä on kuitenkin esittää tietoa selkeästi sitä vääristelemättä, ja kyseinen kartta on mielestäni selkeä ja todenmukainen.

Lähteet:

MAA-202 – Geoinformatiikan menetelmät 1. Kurssikansio:

HELCOM marine area.shp, Lakes.shp, Administrative boundaries.shp, Depth contours.shp ja Nitrogen Inputs.shp

Kunnat2021.shp

Säntti, H. (2024). Heiggi’s blog. Ensimmäinen kurssikerta. Viitattu 29.1.2024 https://blogs.helsinki.fi/hksantti/

Sofia, M. (2024). Sofian Gis-blogi. Ensimmäinen kurssikerta. Viitattu 29.1.2024 https://blogs.helsinki.fi/mietsofi/

 

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!