Kurssikerta viisi

Tämän viikon tehtävän motiivina oli oppia sovelmamaan edellisten kurssikertojen taitoja sekä uutta tämän harjoituskerran taitoja.  Tehtävänä oli siis tutkia Helsinki -Vantaan sekä Malmin lentokentän aluetta ja siellä lentokoneista muodostuvaa menlusaastetta. Myös alueen julkisenraideliikenteen välitön asutus oli oma erillinen tehtävänsä, kuin myös taajamien asukasanalyysi. Tehtäväjoukkion loppuhuipennus oli kun saimme suorittaa harjoituksen joko putkiremonttien, koulujen tai uima-altaiden ja saunojen sijoittumista kartta-alueelle.

Malmin lentokentästä 2 km säteellä 69 571 ihmistä
Lentokentät
Malmi, 1km vyöhyke 8847
Malmi 2km vyöhyke 57577
Helsinki-Vantaa 2km vyöhyke 11501
65dB meluvyöhyke 31 ihmistä (0,25%)
55dB meluvyöhyke 11913
60dB meluvyöhyke 12140

Asemien alue

500m asemasta 106691, 22%
Työikäisiä vyöhykkeellä 69 %
Taajamat
Vantaan väestöstä taajamissa asuu 96 %
Kouluikäisiä taajaman ulkopuolella 3727
Ulkomaalaisten osuus yli 10% 65
Ulkomaalaisten osuus yli 20% 21
Ulkomaalaisten osuus yli 30% 13

Puskurivyöhykkeet olivat harjoituksen keskiössä. Tämä on hyödyllinen ja monipuolinen työkalu. Tehtävässä bufferia käytettiin vaikutusalueen mittaamiseen sekä sen avulla selvitettiin väestötietoa halutuista vyöhykkeestä. Puskurivyöhykettä voisi käyttää mihin tahansa alueelliseen operaation visualisointiin esimerkiksi saasteiden leviämiseen tietystä pisteestä, eri buffreiden avulla voitaisiin määritellä alueet jossa esiintyy tietty saastepitoisuus.

Koen että tärkeimmät paikkatieto-osaamisen tukipilarit ovat atribuuttitaulukoiden yhdistäminen sekä muut kerrosten yhdistys työkalut. Nämä selkeyttävät prosessia ja mahdollistaa uusien prosessien toteutuksen. Itselleni helpoimmat työkalut ovat piirtämiseen littyvät sekä kaikki toiminnot jotka ovat esitetty selkeästi työkalubannerissa. Jos koneto joka pitää suorittaa on hieman abstraktimpi enkä saa konkreettista käsitystä komennosta niin homaan olevani täysin hukassa.

Koneeni ei kyennyt tekemään spatial qeryä vantaan väestöaineistosa aika ajoin, tämän takia minulta puuttuu osa vastauksista. Suoritin kyselyn useita kertoja, mutta joka kerta ohjelma jumittui ja jouduin aloittamaan alusta.

 

Tämä harjoitustehtävä patteristo oli erittäin haasteellinen ja se laski elämänlaatuani useiden viikkojen ajaksi. QGIS ohjelma kaatui jatkuvasti, mikä ei sopinut ollenkaan epäonnistuneiden tehtäväsuoritusteni kanssa. Harjoitusta tehdessäni minulla ei ollut kertaakaan itsevarma tunne työstettävästä projektista, veikkaan myös ettie yksikään tehtävä mennyt oikein. Uskon nyt harjoituksen suorittaneena, että tämän jälkeen minulla on erittäin suuria haasteita palata geoinformatiikan pariin sillä lopulliset antipatiat alaa kohtaan ovat jo muodostuneet. Geoinformatiikasta traumatisoituneenan kuittaan kurssikerran viisi epäonnistuneeksi suoritukseksi.

Jos tässä blogissa olisi sallittua kiroilla, lopettaisin postaukseni vuolaaseen voimasanojen litaniaan.

Kurssikerta 6

Luennon aluksi harjoittelimme datan keräämistä. Jakauduimme pieniin ryhmiin ja menimme arvioimaan Kumpulan lähiympäristön julkistentilojen viihtyisyyttä ja turvallisuutta.  Kerätystä datasta loimme pisteaineiston ja tarkkailimme sen tarjoamaa informaatiota. Tämän harjoituksen jälkeen tutkimme haluamamme alueen kaupallisuutta GoogleStreetViewn avuin. Kuljimme virtuaalisesti katutasolla ja arvioimme ympäristön kaupallisuutta asteikoilla 1-5.  QGIS:iin muodostamasta pisteaineistosta laadimme interpoloidun karttaesityksen.

Itsenäinentehtävä:

Tehtävän motiivina oli löytää internetistä dataa hasardeista ja tuoda ladatut tiedot QGIS:iin tuottaen siitä kolme opetuskelpoista karttaa.  Pyrin tekemään kartoistani mahdollisimman seilkeitä ja toisiinsa liitoksissa olevia. Karttoja joiden kautta saisi helposti pohjatieto meteoriittien historiasta. Koen karttojeni olevan hyvinkin havainnollistavia, sillä esitys on selkeä ja pelkistetty. Kukin kartta tarjoaa perustieto joka kiinnostaa varmasti kaikkia sekä niitä ei tarvitse syvemmin tulkita. Nuoremmat oppilaat voisivat opetella perustietoa meteoriiteistä, kuntaas edistyneemmät opiskelijat voisivat keskittyä karttojen tulkintaan ja tuottaa uutta tietoa niiden kautta.

 

Kuva 1. Kartassa on kuvattu viimeisten 200 vuoden aikana Maahan iskeytyneiden rekisteröityjen 1000-4000g meteoriittien sijaiti. Pisteiden väri kuvaa kappaleen painoa

Kuva 2. Kuvan kaksi kartta kuvastaa meteoriittien ikäjakukmaa. Punaiset ovat alle 100 vuottavanhoja ja vihreät yli satavuottavanoha kappaleita. Tilaston vanhimmat meteoriitit olivat 200 vuotta sitten iskeytyneitä.

Kuva 3. Tähän karttaan on merkattu viimeisen neljänsadan vuoden yleisimmät neljä meteoriitti tyyppiä L6, H5, L4 ja L5.

Kuvan kartta on maailmankartta, joten kaikessa yksinkertaisuudessaan sillä voitaisiin opettaa meteoriittien lisäksi  esimerkiksi globaaleja ilmiöitä tai luonnonhasardien esiintymistä ja vaikkapa paikkojen nimiä.  Muuta meteoriitteihin esiintyvää tietoa kyseisillä kartoilla on haastava esittää, sillä niiden iskeytyminen maahan on täysin satunnaista, eikä ilmiö ole lainkaan paikkasidonnaista. Kartoilla voisi kuitenkin esitää sitä kuinka eri alueita on tutkittu. Esimerkiksi Euroopassa, Australiassa sekä
Pohjois Amerikassa jossa korkeakoulutus on yleistä ja tutkimuksen taso on korkealla on löydetty paljon meteoriittejä, eli aluetta  on tutkittu enemmän.  Puolestaan Afrikassa on tehty muita maanosia vähemmän meteoriitti löytöjä, vaikka pinta-alaltaan se on  yhteensä pohjois Amerikkaa ja Eurooppaa suurempi.  Uskaltaisin olettaa, että kyse ei ole siitä etteikö alueelle olisi iskeytynyt lähes lainkaan meteoriitteja, vaan kys eon ennemminkin resurssipulasta jonka johdosta aluetta ei ole tutkittu yhtä kattavasi kuin Länsimaita. Kartoista voi myös havainnoida, että suurilla metsäalueilla, erityisesti sademetsissä ei ole lähes ollenkaan meteoriitti löytöjä. Metsät ovat tiiviitä ja  kasvusto peittää alleen impaktin jäljet. Tästä inspiroituneena kartalla voitaisiin esittää potenttia laserkeilaus alueita joiden motiivina olisi meteoriittikraatereiden löytäminen, eritysesti runsaan kasvuston alueilta. 

 

Kuva 4. Kartassa on esitetty maailman 800 parasta yliopistoa. Näiden avulla voi havainnoida korrelaatiota koulutustason sekä löytyneiden meteoriittien välillä.

 

Kuva 5. Kartta havainnollistaa Maan laajimmat metsäalueet. Tämän kartan avulla voisi suunnitella mahdollisia laserkeilaus alueita.

Lähteet:

Kuva 4: https://www.timeshighereducation.com/student/news/best-universities-world-revealed-world-university-rankings-2015-2016

Kuva5: https://ourworldindata.org/forests

Kurssikerta 7

Kurssikerran seitsemän tehtävän anto oli muita harjoituksia avoimemepi. Tätä harjoitusta varten latasin maanmittauslaitoksen maastotietokanta  aineistoista koorkeusmallin, vinovalovarjostuksen sekä nimistötietokannan ja korkeuskäyrän kohteesta Juva. Loin kaksi eri karttaesitystä alueesta, ensimmäinenen kartta on perus maastokartta ja toinen on interpoloitu korkeusmalli alueesta.

Kuva 1. Maastokartta karttalehdestä N511. Lisäsin maastokarttaan korkeuspisteet jotta interpoloidun kartan analysointi olisi lukijalle helpompaa sekä informatiivisempaa. Juvan kylän pohjoispuolella on turpeenotto alue, mutta kartalle se on merkitty moreeninan. En onnistunut löytämään aineistosta alueelle omaa koodia, jonka avulla olisin saanut muodostettua siitä onman layerin. Tästä syystä alue jäi kartalle tunnistamatta.

Juvan maastoa hallitsee vaihtelevat korkeuserot sekä kosteikot. Alue on täynnä monimuotoisia moreenimuodostumia jotka ovat syntyneet soraan mannerjään liikunnan tuloksena. Erillaisia kulutus ja kasausmuotoja aluella ovat drumliinit, vakoumat sekä kumpumoreenia. Kumpumoreenia esiintyy kahtena erillisenä rykelmänä alueella. Pohjoisempana oleva rykelmä on pienempi, mutta selkeämpi. Alue on kapea ja pitkä ja moreenikumpujen välissä oleva alue on soitunut. Tämästä syystä kummut erottuvat kartalla voimakkaammin. Etelämpään sijoittunut kumpumoreenialue on luonteeltaan hyvinkin erillainen. Alue on topografisesti korkeammalla sekä alue on voimakkaasti ruhjoutunut. Tämäkin kumpumuodostuma noudattaa pitää ja kapeaa muotoa.

Kuva 2.

Interpoloidusta kartasta pystyy selkeästi havainnoimaan alueen galsigeenisaä pinnanmuotoja. Kaakosta löytyy muutama hieman kookkaampia drumliineja. Ne ovat suuntautuneet mannerjään liikkeen mukaisesti ja niistä on selkeästi havaittavissa proksimaali- sekä distaaliosat. Drumliinin muoto erottuu myös korkokuvassa, proksimaalirinne jonka sisällä saattaa esimerkiksi lymyillä suuri lohkari on muuta aluetta korkeampi ja väriltään kartalla punaine/keltainen. Kartan keskellä ja siitä luoteeseen erottuu vakoumia. Alue on pinnanmuodoiltaan juovamainen, täynnä pitkiä ja kapeita kohtalaisen matalia harjanteita. Nämäkin ovat orjentoituneet jään liikkeen suuntaisesti. Alueen suuri järvi Jukajärvi löytyy kartan kaakkoisosasta, tämä erottuu selkeästi syvemmän sinisenä eli matalana alueena. Järven ympäröivä alue näyttää myös olevan muuta maastoa alempana muodostaen laajemman painanteen.

Kokemuksia kurssikerrasta 7:

Tämän harjoituksen teko oli minulle kaikkein mielekkäin. Viihdyin harjoitusen parissa mukavasti ja sitä oli ilo työstää. Kuten Tuuli Lahinlla, niin minullakin oli ongelma nimistön kanssa. Aineiston ä- ja ö -kirjaimet muuttuivta kartalla oudoikis symboleiksi.  Lahin mainitsi kurssikerran seitsemän blogitekstissään ettei halunnut laittaa virheellistä tietoa kartalleen ja tämän vuoksi jätti nimistön pois kartaltansa. Minulla oli nimistön pois jättämiseen täysin sama syy.

Tunnista geoinformatiikan taitojeni olevan vielä hyvin alkeelliset enkä päässyt viimeisesstä tehtävässä käsittelemään aineistoja samalla tasolla kuin esimerkiksi Matti Hästbackan analyysi koirista New Yorkin alueella tai Karoliina Laineen globaali ruoka-analyysi. Tämän takia pitäydyin viimeisessä tehtävässä omalla taitotasollani ja pyrin kekittymään ainoastaan kartan visuaaliseen selkeyteen enkä esimerkiksi monimutkaisiin funktioihin.

 

Lähteet

Tuuli Lahin: https://blogs.helsinki.fi/lahintuu/

Matti Hästbacka: https://blogs.helsinki.fi/madhastb/

Karoliina Laine: https://blogs.helsinki.fi/karollai/

 

Kurssikerta kolme

Kolmannella kurssikerralla harjoittelimme ulkoisen tiedon liittämistä tietokantaan, tiedon hakua ja tietokantojen yhdistämistä sekä uuden tiedon tuottamista jo olemassa olevan tiedon pohjalta. Tunnilla tehtävien töiden lisäksi saimme itsenäisen harjoituksen, jossa teimme teemakartan Suomen valuma-alueista ja tulvaindeksistä 

Luennolla tehtävässä harjoituksessa opettelimme kohteiden ryhmittelyä ja uuden tiedon lataamista QGIS:in ulkopuolisista ohjelmista. Harjoituksessa pyrimme siivoamaan turhat tiedot pois aineistosta, jotta paikkatietoa olisi helpompi esittää haluamallamme  tavalla. Yhdistimme erillisiä karttakohteita valtion nimen perusteella ja yhdistimme ne yhteen samaan kohteeseen. Loimme siis useasta pienemmästä kohteesta yhden suuremman ryhmän. Yhdistys periaatteena oli valtion nimi.

Ulkopuolisen tiedon haimme excelistä, tiedosto tallennettiin .csv-tiedosto (comma separated values) muotoon. Taulukko sisälsi tietoa Afrikan populaation internetinkäytöstä vuosina 2000 ja 2017.  Prosessi oli erittäin yksinkertainen eikä se vaaatinut paljoa aikaa. Suoritimme tietokantaliitoksen JOIN- komennolla ja yhdistimme aineistot valtion nimen perusteella, koska nimet olivat kumapaakin tietokantaa yhdistävä atribuutti.

Tuotimme myös uutta tietoa tietokantaan laskemalla kuinka suuri osa populaatiosta käytti internettiä vuosina 2000 ja 2017. Prosessi oli erittäin yksinkertainen: loimme uuden sarakkeen johon laskimme tietokannan tarjoaman tieden avulla uutta dataa matemaattisen lausekkeen avulla.  Tämän jälkeen tuotimme uutta tietoa sijainnin perusteella. Siihen käytimme uutta dataa Afrikan konflikteista, timanttikaivoksista sekä öljynporaus alueista rannikolla. Tarkaselemamme polygon oli koko Afrikka, sillä halusimme selvittää  juuri lataamamme tiedon korrlatiivisä suhteita koko Afrikan alueella.

 

Kuva 1 väärä kartta, ei timantteja näkyvissä.

TULVAINDEKSIKARTAN TEKEMINEN

Seuraavassa tehtävässä tuli laskea keskiylivirtaama ja tulvaindeksi attribute tabelissa ja tämän jälkeen visualisoida tulvaindeksi sekä järvisyysprosentti eri valuma-alueilla Suomessa. -Lotta Mallinen

Ensin liitimme yhteen tietokantaan tiedot järvisyydestä, keskialivirtaamasta (MNQ) ja keskiylivirtaamasta (MHQ), joista sitten laskettiin itse tulvaindeksi jakamalla keskialivirtaama, keskiylivirtaamalla (MNQ/MHQ). – Emmi Hagelberg

Tulvaindeksi ja järvisyysprosentti ovat kääntäen verrannollisia keskenään eli mitä tulvaherkempi alue, sitä vähemmän järviä. -Lyyra Furu

Kuva 2. Kartassa näkyy  Suomen kuntien tulvaherkkyys, karttaan on myös merkitty alueiden järvisyys prosentteina, mikä on esitetty aluekohtaisilla histogrammeilla.

Mitä kartoista on havaittavissa? 

Prosenttuaalisesti järvisemmillä alueilla ei ollu tulvariskiä lähes lainkaan. Esimerkiksi Lapissa tulvaindeksi on kaikkialla 18-50, paitsi Inarinjärven alueella. Järvisyysprosentti on tällä valuma-alueella myös huomattavasti korkeampia kuin ympäröivillä valuma-alueilla. Sama ilmiö on havaittavissa Järvi-Suomessa missä järvisyysprosentti on kaikkein korkein ja tulvaindeksi kaikista pienin. Syynä on järvien suuri volyymi. Rankkasateiden tai lumien sulamisen aikana vesi valuu uomastoja pitki järviin aiheuttamatta vedenpaisumusta.  Topografialtaan tasaiset alueet tulvivat herkästi. Tästä syystä Pohjanmaalla tulvat ovat jokavuotinen riski ja kuvan 2 tulvaherkintä aluetta. Valuma-alueen koko vaikuttaa myös tulvan riskiin, mitä pienenpi valuma-aluen on kyseessä, sitä korkeampi tulvaindeksi. Koropleetti kartasta on havaittavissa, että pienimmät valuma-alueet kuuluvat korkeimpiin riskiryhmiin. Tulvan riskiin kaikuttaa myös maaperä, kasvillisuus, mereisyys sekä kaupunkiympäristö.

Kokemuksia:

Kolmannen kurssikerran töitä oli jo mielestäni hauska tehdä! En toki seliviinyt tästäkään ilman hetkittäisä romahduksia. Suurin ongelmani harjoituksia tehdessä oli jälleen kerran kättämämme ohjelma, QGIS. Minulla ei ole antipatiaa ohjelmaa kohtaan, toivoisin vain, että se voisi joskus edes toimia moitteettomasti. Harjoitusta tehdessä ohjelam kaatui jatkuvasti ja pyyki juuri tehdyt työniOerittäin rasittavaaettä ohjelma lamaantuu juuri kun on saaanut tarvittavat harjoitukset tehtyämutta työtä ei ehdi tallentamaan ennen kun järjestelmä kaatuu. Joka kerta join- toiminnon aikana ohjelma kaatuijoten minulla kesti kohtalaisen kauan että sain harjoituksen numero kolme loppuun. Alan jo tottumaan ohjelmaan ja sitä on jokakerta helpompi käyttääOhjelmassa ei ole peruutus toimintoa minkä koen jonkinlaisena hidasteena. Tietokoneiden kanssa työskentelyssä turhauttvinta on se, että moni asia oysin itsestään jomasta yrityksestään riippumatonta.

Lähteet:

Lotta Mallisen blogi:

https://blogs.helsinki.fi/lotmalli/

Emmi Hagelbergin blogi: https://blogs.helsinki.fi/hagemmi/

Lyyra Furun blogi: https://blogs.helsinki.fi/fufufu/

Toinen Kurssikerta-

Kurssikerran tehtävänä oli tarkkailla eri projektioiden vaikutuksia esitettäviin kohteisiin sekä tehdä visuaalisia esityksiä datasta, ja tietenkin tutustua lisää QGIS:in käyttömenetelmiin.  

Tehtävän ensimmäisessä ossassa harjoittelimme eillaisten valintatyökalujenkäyttöä.

Kuvassa 1 näkyy kartta johon olen valinnut  select by expression -työkalulla maakunnan Pohjois- Pohjanmaa. Valitsin karttaikkunasta haluamani alueen ja nostin sen esille komennon ”maakunta_ni1″= ’Pohjois-Pohjanmaa’. Näin sain suodatettua muutaman haluamani samanaikaisen paikkatieto ehdon. (maakunnan nimi on Pohjois-Pohjanmaa)

Mittasimme Suomen pohjois osan pinta-alaa sekä Suomen leveyttä itä -länsi suunnassa ja tarkastelimme kuinka eri koordinaattijärjestelmät vaiukuttivat alueen kokoon.

Taulukko projektioiden mittasuhde-eroista:

Projektio  Pinta-ala  Pituus 
Lambert Azimuthal Equal Area (ETRS89 / ETRS-LAEA) 9 750,663 km²   508,750 km 
Sphere_Mercator (EPSG:53004) 80 723,777 km²   1 119,382 km 
Sphere_Gall_Stereographic (EPSG:53016) 25 256,189 km²   791,187 km 
Sphere_Robinson (EPSG:53030) 13 949,415 km  740,147 km 
KKJ / Finland Uniform Coordinate System (EPSG:2393) 11 221,655 km²    508,752 km  

Lambertin projektio on oikeapintainen  kuin myös kkj eli Gauss-Krüger-projektio,  Robinsonin projektio on puolestaan oiekapintainen kompromissi projektio. Mercator- ja Gall- porjektiot ovat oikekulmaisia koordinaatistojärjestelmiä. 

Harjoituksessa testailimme eri projektioita ja laskimme muutamien projektioiden välisiä prosentuaalisia eroja, tehden tästä datasta koropleettikarttoja.  

Kuvassa 2 on esitys Lambertin ja Mercatorin projektion välisistä pinta-ala eroista. Mitä tummemip väri on kartalla, sitä suurempi pinta-ala ero on projektioiden välillä.

Mercatorin projektio on oikeakulmainen, tarkoittaen että kartan kulmat ovat todenmukaisia, mutta pinta alat ovat vääristyneet. Projektion pituus ja leveyspiirit ovat yhden suuntaisia. Leveyspiirin etäisyydet kasvavat navoille päin edetessä,  vääristäen napa-alueiden ja niiden lähiseudun pinta-alaa kaikkein eniten. Tämä vääristymä on helposti havaittavissa kuvan 2 teemakartan avulla.

Kuva 3. Tämä on esitys siitä kuinka Robinsonin projektio vääristää Suomen pinta-alaa.

Kuvan kolme pojektio on vääristynyt huomattavasti.  Robinsonin projektion kuuluisi olla oikeapintainen, mutta kuten kuvasta huomaa pinta-alat ovat vääristyneet dramaattisemmin kuin Mercatorin projekstossa, vaikka se ei ole oikeapintainen. Tämä oletettavasti johtuu siitä, että käyttämäni projektio oli globaali, eikä lokaali. Tästä syystä projektio on hyvin epätarkka yleistys kaikista Maan alueista.

Seuraavaksi vertailin sitä, kuinka  väestötiedot muuttuivat eri projektion mukaan

Epäonnistuin tässä tehtävässä, koska kartalla esitettävät tiedot eivät muuttuneet. Väestöntiheyden ertot muuttuivat, mutta karttaesitys pysyi samana.

 

Kokemuksia:

Tämä kurssikerta meni minun osalta täysin oho. En sisäistänyt tehtävien tietoa enkä oppinut käyttämään niitä. Suorittamani tehtävät olivat laadultaan heikkoja.

Kurssikerta 1; kärsivällisyyttäni koetellaan

Tehtävänanto

Kurssilla Geoinformatiikan menetelmät 1 opettelemme käyttämään avoimen tietolähteen paikkatieto-ohjelmaa QGIS. Ensimmäisen kurssikerran harjoitukseksi meille annetiin tehtäväksi luoda vektorimuotoinen koropleettikartta, joka kuvastaa Itämereen laskevien valtioiden typpipäästöjä. Tarkoituksena oli tutustua uuteen ohjelmaan samalla tuottaen visuaalinen esitys annetusta datasata. Aiempaa kokemusta paikkatieto-ohjelmista minulla ei ole, joten minulla on vielä paljon opittavaa ja sisäistettävää edessä!

Moodleen oltiin laitettu karttatasoja minkä päälle aloimme rakentamaan omaa esitystämme annetusta datasta. Vektorimuotoinen kartta muodostui tasoista; Nitrogen inputs, HELCOM marine area, Depth contours, Lakes ja Administrative boundaries.  Karttojen projektiona käytimme ETRS89 LAEA (Lambertin oikeapintainen tasoprojektio).

Tulkintaa

Suurimmat typpipäästöt tulivat Puolasta. Tämä ei tule yllätyksenä sillä ,  suurin ja väkirikkain valuma-alue joka laskee Itämereen on Puolassa.  Valuma-alue kattaa koko valtion(312 679km2) [1]. Tämä luontaisesti nostaa valtion nitrogeenipäästöjen määrää verrattuna muihinvaltioihin, joiden valuma-alue Itämereen on pienempi . Puolalla on myös Itämerta ympäröivistä valtiosta eniten viljelypinta-alaa [2].  Suurimmat pellot Puolassa sijoittuvat pohjoiseen, Itämeren rannalle [3] jolloin alueen NO2  päästöt valuvat suoraan Itämereen. Vivi Tarkka mainitsi blogissaan, että Puolan BKT:sta jopa 30% tulee teollisuudesta, tämä merkitsee siis sitä, että typen ilmalaskeumat ovat merkittävät alueella. Puolan korkeisiin päästölukemiin (~13-34%) vaikuttaa myös väljemmät lakisäädökset pööstöjä kohtaan, valtio on suorittanut myös säännöksiä koskevia rikkeitä, esimerkiksi bensiinipäästöjä koskevan EU-direktiiviä on laiminlyöty[4].  Ruotsin typpipäästöt Itämereen ovat lähes samalla tasolla kun Puolan, Anette Markula mainitsi blogissaan, että Ruotsilla on huomattavasti rantaviivaa verrattuna muihin maihin. Ruotisin kaikki vesistöt myös laskevat Itämereen. Tällä on vaikutuksensa korkeisiin typpilukemiin, sillä valuma-alue joka laskee Itämereen, on muita valtiota suurempi (Ruotsi 450 295km2 ) [5]. Peltopinta-alaa valtioilla ei ole valtavia määriä, mutta maatalous Ruotsissa on erittäin tehostettua [6], minkä takia keinotekoisia ravinteita vapautuu vesistöön. Ruotsin yksi suurimmista taloussektoreista on rautamalmin louhinta ja niiden jalostus[5]. Louhinnan yhteydessä vapautuu huomattavia määriä typpeä (eritysesti louhinnassa käytettävistä räjähteistä)[7], minä takia Ruotsin lukemat ovat korkeat. Venäjän Itämeren lyhyestä rantaviivasta huolimatta sen typpipäästöt ovat merkittävät. Pietari sijaitsee Itämeren rannalla ja tämä yhdyskunta saastuttaa ja laskee vesistöön suuria määriä typpeä. Pietarin alueella vettä ei puhdisteta lähes lainkaan, mikä johtaa radikaaliin Suomenlahden saastumiseen. Leningradin alueella kotieläintuotannon päästöt laskevat lähes vapaasti Itämereen tuoden runsaasti fosfori ja typpi pitoisia ravinteita [8]. Nämä ovat osa syistä miksi Venäjän asema Itämeren saastuttajana on vankka, sen pienestä Itämeren valuma-alueesta ja rantaviivasta huolimatta. Alhaisin typenpäästö osuus on Virolla, oletettavasti johtunen sen matalasta väkiluvusta ja siitä johtuvasta alhaisesta tuotannosta kaikilla osa-alueilla.

Kokemuksia harjoituksesta

Tutustuin QGIS- ohjelmaan itsenäisesti, sillä en päässyt ensimmäiselle luentokerralle, joten koin tehtävän erityisen haasteelliseksi. Harjoitus oli turhauttava, sillä tehtävä oli yksinkertainen sekä kattava ohjeistus tehtävän tekoon oltiin annettu. Tästä huolimatta uusi ohjelma ja täysin uusi aihepiiri toi vaikeuksia. Kaikista turhauttavimmaksi koin sen, että toimenpiteet tehtävän suorittamiseen olivat yksinkertaisia, mutta tästä huolimatta tehtävän toteutus oli hidasta.

Alkuun minulla oli asenneongelma tehtävän tekoon. Olin toistuvista epäonnistumisista johtuen pettynyt, jonka takia lannistun enkä edistynyt. Neljännen kerran kun aloitin tehtävän alusta, totesin osaavani kaikki tehtävään liittyvät taidot, jolloin keskittymiseni ja asenteeni parantui, tämän ansiosta sain tehtyä tehtävän loppuun. Tiedän kärsimättömän luonteeni tuottavan minulle ongelmia kurssin aikana. Tämä on aspekti, johon minun on kiinnitettävä huomiota sekä tehtävä tietoinen valinta, että keskityn joka kerta kun teen tämän kurssin tehtäviä.

Lähteet:

Vivi Tarkan blogi: https://blogs.helsinki.fi/vivitark/

Anette Markula blogi: https://blogs.helsinki.fi/anettmar/

Muut lähteet:

1 https://fi.wikipedia.org/wiki/Puola

2 https://www.stat.fi/tup/tietoaika/tilaajat/ta_02_03_vilj.html

3 https://portal.mtt.fi/portal/page/portal/taloustohtori/viljatietopankki/raportit/PuolaraporttiVYR_maaliskuu_2013_2.pdf

4 http://europa.eu/rapid/press-release_MEMO-17-1577_fi.htm

5 https://fi.wikipedia.org/wiki/Ruotsi

https://www.finpro.fi/documents/10304/16101/Ruotsinmaaraportti15122011.pdf

7 file:///C:/Users/aamu/Downloads/Apajalahti_Eeva-Lotta-2008-Metallien_jalostuksen_ekotehokkuus_Suomessa_2000%E2%80%932006.pdf

8 http://www.maaseuduntulevaisuus.fi/ymp%C3%A4rist%C3%B6/tutkijat-pietarin-kanalat-merkitt%C3%A4v%C3%A4-riski-it%C3%A4merelle-1.19697