Kerta 7- Itsenäisesti tehtävä kartta

Vimeisellä kerralla tehtävänä oli etsiä dataa, jota halusi visualisoida sekä pohjakartta, jolla visualisointi suoritettiin ja joka havainnollistaisi opittua. Valinnakseni tuli vanha kotimaani Australia ja sen osavaltiot, sekä väestössä tapahtuneet muutokset vuonna 2016. Tämän tuli olla lämmittely kartta, mutta harjoituksen alussa Arttu sanoikin osuvasti, että joskus yksinkertainen kartta voi olla hyvinkin työläs. Ja näinhän tässä kävi!

 

Työn alustus:

Karttapohja oli itseasiassa yllättävän vaikea löytää. Monet ”ilmaiset” GIS-data sivustot vaativat rekisteröitymistä ja ladattavat tiedostot olivat vain väliaikaisia. Reditin syövereistä onneksi löytyi useita GIS-osaajia ja sieltä löytyi myös tönäisy oikeaan suuntaan ja niin kartta saatiin myös Australian hallituksen operoimalta tilastokeskus sivuilta. Edeltävänä iltana sitten avasin kartan QGIS ohjelmassa ja atribuuttitiedosto oli valtava: rannikon saaret lisäsivät painoa turhan paljon. Niinpä yhdistelemällä saaret ja osavaltiot sain näppärämmän kartan, joka oli kaikin puolin toimivampi. Tämä onnistui helposti osavaltion nimeä hyödyntämällä. Data tiedostot sain Australian hallituksen operoimalta tilasto sivulta, jossa nämä oli ladattavissa suoraan csv-versiona.

 

Tuntityöskentely:

Urakka alkoi liittämällä csv-tiedosto osaksi pohjakarttaa. Ensimmäinen ongelma ilmeni liitoksen kohdalla, sillä csv-tiedossa osavaltiot olivat merkitty koodilla ja tämän vuoksi atribuuttitiedot jäivät matkan varrelle. Pikaisen Excel operaation jälkeen syötin tiedoston uudelleen QGIS:siin ja nyt atributtitiedot pysyivät mukana. Ideanani oli, että saisin värikoodattua luonnollisen kasvun osavaltioissa ja diagrammeilla esitettyä osavaltioiden välillä tapahtuneen muuttoliikenteen, sekä muuton ulkomaille. Tässä nousi uusi ongelma: ensin diagrammeja ei näkynyt ollenkaan. Noin vartin, neuvottelun opettajan kanssa ja usean testauksen jälkeen sain näkyviin vain NT:n diagrammin. Tässä kohtaa opettaja neuvoi tallentamaan yhdistetyt tiedot omana shapefilena, jolloin liitäntä on pysyvämpi. Tämän uuden shapefilen kanssa ongelma esiintyi kuitenkin uudelleen. Pähkäilyn, mietinnän ja kokeilun seurauksena en löytänyt itse ongelmaan ratkaisua ja jouduin jälleen tukeutumaan opettajan apuun. Tällä kertaa opettaja oli yhtä ihmeissään, kuin minä ja lähetin tiedostoni ZIP-muodossa opettajalle. Vastaus tulikin pikaisesti ja ilmeni, että QGIS luki atribuuttitaulukkoani väärin ja tämän vuoksi mm. pyöritysaika oli niin pitkä. Ongelmaa kampittaessa tutustuin Refactor fields-työkaluun. Avattuani tämän työskentely ikkunan, näin että ohjelma luki numerotiedostot tekstitietona ja tämän vuoksi se ei kyennyt käsittelemään dataa oikein. Pikaisen muutoksen ja prosessoinnin jälkeen olin jälleen valmis kampittamaan ongelmaa. Seuraavaksi ongelmaksi nousikin se, että uudessa Refracted scratch layerissä atribuuttitaulukon data oli jäänyt matkan varrelle. Useiden kokeiluiden jälkeen en edennyt kovinkaan pitkälle ja opettajan kanssa tutkiessa ongelmaa totesi hän, ettei tämä toiminto kunnolla toiminut minulla. Opettaja korjasi datan hänen omassa ohjelmassaan ja lähetti minulle korjatut tulokset. Tässä myös ilmeni ongelmia, sillä avattuani uudet, korjatut tiedot, oli datan lukemismuoto jälleen muuttunut. Pikaisen viestittelyn jälkeen sain uudelleen korjatut tiedot ja lopulta saatoin edetä karttani kanssa. Ja näin suunnittelemani visualisointi sai ilmeensä (kuva 1.) Ajattelin, että kartan kanssa olisi mennyt noin tunti, mutta neljän tunnin jälkeen oli lopullinen visualisointi kaikkine korjattuine ongelmineen valmis.

Huomioitavan arvoista mielestäni onkin, että vaikka jokin ohjelman toiminto ei toteudu suunnitelman mukaan voi se toimia jonkun toisen koneella tismalleen niin kuin pitää ja että yksinkertainenkin kartta voi vaatia paljon ongelmanratkaisua.

Kuva 1. Australian väestössä tapahtuneet muutokset vuonna 2016.

 

Kurssin lopputyö nyrjäytti aivot, mutta tunnilta jäi palkitseva olo: en ole varmaan ikinä ollut yhtä onnellinen nähdessäni diagrammin. Lisäksi ongelmanratkaisu ohjelman sisällä parani, sillä tutustuin uusiin työkaluihin, joilla ongelmia voi löytää ja korjata. Kurssilta tulikin opittua paljon uutta ja hattua nostan muille kurssilaisille sekä opettajalle, että tämä kaikki tehtiin vielä onnistuneesti etänä ja aikaiseksi saatiin karttoja. Esimerkiksi kurssitoverini Innanen (2021) loi sarjan hyvin havainnollistavia karttoja USA:sta, joissa käsiteltiin työllisyyttä ja väestöä, sekä näiden pohdintaa.

 

Aurinkoista kevään jatkoa!

 

Lähteet:

Innanen, A., (2021), Harjoitus 7:Karttoja omavalintaisista aineistosta https://blogs.helsinki.fi/anninnan/2021/03/03/harjoitus-7-karttoja-omavalintaisista-aineistoista/  Viitattu 28.03.2021

Kerta 5- Bufferointia ja itsenäistä harjoittelua

Tällä kerralla tutustuimme bufferointiin, analysointiin ja uusiin QGIS ominaisuuksiin, joita edustivat mm. clip, sum line length ja intersection. Näihin tehtiin tunnilla pintaraapaisu, kun työkaluihin tutustuttiin ja samalla opettelimme bufferoinnin saloja (kuva 1).

Kuva 1. Teiden bufferointia.

Suurin osa tästä kerrasta oli omistettu itsenäiselle työskentelylle. Meinasi heti mennä sormi suuhun, sillä tavallisesti tunnit ovat edenneet opettaja edellä ja minä perässä tapaisesti. Hetken tehtäviä pyöritettyä ne kuitenkin alkoivat avautumaan. Lentokenttä tehtävät sujuivat helposti, olihan bufferointi tuoreessa muistissa, kuten myös edeltävällä kerralla opittu vektoritason viivadatan tuottaminen. Kuitenkin itseäni epäilyttivät saamani numerot ja vertailtuani näitä luokkalaisteni tuotoksiin. Tulin siihen lopputulokseen, että tämä todennäköisemmin johtuu siitä, että tuotetut piirustukset ovat hieman eriäviä keskenään, jolloin myös bufferoimalla saatu data on hieman keskenään eriävää.

Tehtävästä 1. saatuja ratkaisuja:

Malmin lentokentästä pahimmalla lentomelualueella eli 2km säteellä asuu 58 054 asukasta ja 1km säteellä 9356 asukasta.

 

Helsinki-Vantaan lentokentästä asuu 2km säteellä 10 847 asukasta, joista pahimmalla lentomelualueella on 65 asukasta tai 0,6%. Vähintään 55db melualueella asuu 11 923 asukasta. Lentosuunnan kääntyessä suoraan Tikkurilan ylitse vähintään 60db lentomelu haittaisi 26 475 asukasta

 

Kokonaisväestöstä asemien lähettyvillä asuu 21, 69% eli 111 975, joista työikäisiä on 66,89%.

 

Tehtävästä 2. saatuja ratkaisuja:

Taajamissa väestöstä asuu 96,4% ja kouluikäisiä on 4%. Ulkomaalaisten osuus oli 10% tai enemmän 58 taajama-alueella, 20% tai yli 26 alueella ja 30% tai yli 15 alueella.

 

Kolmas tehtävä aiheutti hyvin paljon turhautumista. Valitsin aiheeksi altaat ja saunat, jotka tuntuivat aiheista avautuvan helpoimmin. Ongelmia kuitenkin ilmeni jo alkuvaiheista ja en ollut alkuun ihan varma, miten lähteä etsimään kysymyksiin vastauksia. Kuitenkin hetken mietinnän jälkeen aivot alkoivat löytämään linkkejä jo opitun ja ongelmanratkaisun välillä, mikä yllätti itseni täysin. Ongelmatonta tehtävän ratkaisu ei kuitenkaan ollut, sillä suurin ajatuskatkos tuli sen kohdalla, miten yhdistää pistetiedot ja polygonin datan. Onnekseni Mattila (2021) oli blogissaan löytänyt erinomaisen ratkaisun ongelmaan työkalulla Count points in polygon. Jostain syystä kuitenkin kaksi aluetta, joilla näkyi pistetietona altaita eivät kestäneet laskutoimia ja näistä ei saatu visualisointia. Nämä näkyvät kartalla vihreinä alueina ilman diagrammeja. Aivot olivat kuitenkin käyneet jo sen verran kovilla, etten saanut oikein selkoa mistä tämä johtui.  Ongelmia ilmeni myös visualisoinnissa, sillä alkuun en ymmärtänyt miksi laskettu data erosi niin vahvasti alun datasta. Tämä kuitenkin johtui siitä, että kaikki lasketut altaat oli jaettu alueellisesti eli lukumäärät olivat huomattavasti pienempiä mutta täysin järkeen käyviä. Tämän pienen puntaroinnin jälkeen loppu visualisointi onnistui helposti (kuva 2.) ja tuli samalla kerrattua kuinka diagrammeja tuotetaan. Tällä kertaa kokeilin ympyrädiagrammia, sillä olin aikaisemmin testannut pylväsdiagrammia.

Kuva 2. Altaiden määrä PK-seudulla.

Itsenäistehtävä 3. muut vastaukset:

Altaalla varustettuja asuntoja löytyi 855. Taloissa, joissa on uima-allas, asuu 12 170 asukasta, ja näistä omakotitaloja on 345, kerrostaloja 181 ja rivitaloja 113. Saunoja löytyy 21 922 talosta, joka on 24% kaikista taloista.

 

Tämä kerta oli selvästi työläin, turhauttavin ja myös palkitsevin. Kertausta tuli paljon, mutta sitä jäi vielä myös kaipaamaan, sillä tämän tehtävän kautta tuli huomattua kuinka alkutekijöissä oma osaaminen vielä on. Oli mukava kuitenkin huomata, että tältä kurssilta on kertynyt taitoja ja niitä osaa pienen pähkäilyn, tutkimisen ja kertaamisen jälkeen soveltaa.

 

Lähteet:

Mattila, L. (2021). Itsenäiset tehtävät: Tunteiden vuoristorata. https://blogs.helsinki.fi/lottmatt/ Viitattu 28.02.2021

 

 

Kerta 6-Interpolointia ja pisteiden keräilyä

Harjoitus 6: Pisteaineistojen esittäminen kartalla

Tunnilla tutustuimme Epicollect 5-sovellukseen, jolla keräsimme pisteitä ja jotka sitten interpoloinnin avulla visualisoimme kartalle. Epicollect5-sovellus oli mielestäni helppokäyttöinen ja käyttäjäystävällinen. Oli myös mielenkiintoista tarkastella omaa naapurustoa ja pohtia sen turvallisuutta. Visualisoinnissa keskityimmekin turvattomuuden tunteen visualisointiin (kuva 1.), mutta tässä tietoa ei ole pohjustettu. Alue voidaan kokea turvattomaksi liukkauden, vandalismin, siistiyden, vaarallisen liikenteen tai muiden paikalla olijoiden vuoksi. Kartan visualisointiin tulisikin suhtautua kriittisesti tästä syystä.

 

Kuva 1. Epicollect5-sovelluksella kerätyt pisteet ja niiden ympäristössä koettu turvattomuus interpoloituna.

 

Toinen harjoitus oli omatoiminen hasardien visualisointia opetustarkoitukseen. Tutustuimme eri sivustoihin ja näiltä saataviin tietoihin, jotka siirrettiin csv-muodossa QGIS:iin. Itse tein kaksi karttaa maanjäristyksistä vuosilta 1950-2012, jotka olivat yli 5,5 magnitudia. Ensimmäinen visualisointi on interpolointi (kuva 2.), joskin järistysten runsas lukumäärä luultavasti laimensi vaikuttavia visuaalisia ääripäitä ja siten jäi mielestäni puutteelliseksi opetusmateriaalina. Myös valitsemani värit eivät toimineet mielestäni kovin hyvin tai taustakarttaa olisi voinut nostaa esille vielä enemmän. Korpi oli onnistunut tässä itseäni paremmin, sillä hän oli rajoittanut maanjäristysten määrää jolloin visualisointi toimi paremmin ja tyypilliset järistysalueet nousivat selkeämmin esille.

Kuva 2. Maanjäristykset interpoloituna magnitudin mukaan.

Toisessa kartassa (kuva 3.) sama tieto on ilmaistu pistetietona, ja näiden voimakkuus on ilmaistu eri värein. Tässä kartassa maanjäristysten runsaus näkyy hyvin erillä tavalla interpolointiin verrattuna ja näiden paikallisuus korostuu. Tämä mielestäni soveltuu siten paremmin tuntimateriaaliksi, mutta järistysten vaikutusalueet näkyvät heikommin.

Kuva 3.

Kolmannessa kartassa (kuva 4.) näkyy pistetietona maanjäristykset ja tulivuorten sijainti. Kartassa näkyy selvästi Tyynenmeren tulirinki ja mannerlaattojen reunat, joten nämä voisi sisällyttää myös opetukseen. Kaikilla reunoilla ei kuitenkaan ole tulivuoria, vaikka laatat niissä ovat kosketuksissa. Tämä johtuu siitä, että nämä laatat ovat ylityöntölaattoja tai sivuavat toisiaan. Kartasta olisi voinut vielä tehdä version, jossa visualisoidaan yhä aktiiviset tulivuoret. Selkeyden puolesta tämä kartta olisi mielestäni paras opetustarkoitukseen.

Kuva 4. Tulivuoret ja maanjäristykset pistetietona.

Lähteet: Korpi, S. (2021). Hasardit paikat (vk6). https://blogs.helsinki.fi/sakorpi/ Viitattu 26.2.2021

Kerta 4- Ruudukoita ja tiedon tuottamista piirtämällä

Kurssikerralla tutustuimme ruututiedon tuottamiseen, korkeuserojen visualisointiin, rasteritiedostojen tuomiseen QGIS ohjelmassa, sekä tiedon tuottamiseen piirtämällä- eli paljon uutta ja ihmeellistä!

Ensimmäisenä tuntitehtävänä visualisoimme ruotsinkielisten puhujien määrää ja sijoittumista pääkaupunkialueella. Ruututietoa tuottaessa oli tärkeää valita metrien sijaan kilometrit, jotta tiedon esittäminen ei jumittaisi konetta ja se olisi selkeämpää tulkita. Myös piirretyn ruudukon muodon saattoi valita, jolloin visuaalista ilmettä sai muokattua enemmän mieleisekseen. Atribuuttitaulukosta löytyviä tietoja myös karsittiin ja jäljelle jäi vain välttämättömimmät tiedot, jota kartassa haluttiin ilmaista (kuva 1.). Näin myös ohjelman prosessointi aika pieneni merkittävästi. Tärkeää oli myös tallentaa syntynyt scratch layer export toiminnon avulla (ja sieltä save feature as), jotta muutokset pysyvät projektissa kun se seuraavan kerran avataan.

Kuva 1. Ruotsinkielisten puhujien sijoittuminen pääkaupunkiseudulla.

 

Kartasta tuli todella selkeä, mutta oppitunnilla tuli todella paljon uutta asiaa! Uusia toimintojakin tuli opeteltua paljon. Niinpä tein harjoituksen kotona uudestaan (kuva 2.) ja visualisoin heksagoneilla pääkaupunkiseudun yli 85-vuotiaiden sijoittumista kartalla.  Heksagoneja halusin testata siitä syystä, että opettaja mainitsi näiden olevan erityisen käytettyjä (video)peleissä ja luovat hauskan visualisen ilmeen. Innanen (2021) oli tehnyt visualisoinnin myös asukkaiden ikäjakaumasta. Tätä tulisi itse vielä kokeilla, sillä kartta oli todella selkeä ja Innasen analyysi tämän pohjalta oli myös mielenkiintoista luettavaa.

 

Kuva 2. Pääkaupunkiseudun yli 85-vuotiaden sijoittuminen alueella.

Ruutukartoilla saattaa siis arvioida alueellisia eroja nopeasti silmämääräisesti. Varsinkin silloin, jos vaihtoehtona on mittava pistetiedosto kuten tässä tapauksessa. Yksittäiset pisteet eivät kertoneet sen kummempaa tietoa, kuin että niitä oli valtavasti ja joka puolella pääkaupunkiseutua. Ruutuihin yhdistämällä pisteiden tietoa saatiin kartalla ilmenevää datasotkua huomattavasti siistimpään ja siten helpommin luettavaan muotoon, kuitenkaan menettämättä dataa. Jos datan olisi halunnut ilmaista vieläkin selkeämmin, olisi voinut tehdä pienempiä ruutuja kuitenkin muistaen, että kohtuus kaikessa! Liian pienet ruudut suurella alueella tekevät myös kartasta sekavan ja vaikeasti tulkittavan. Innanen oli myös kertonut hyvin blogissaan, kuinka on järkevää miettiä mitä ja miten kannattaa muuttujaa kuvata.

 

Tauon jälkeen edessä oli rasteri tietoihin ja työkaluihin tutustumista. Korkeuskartat olivat maanmittauslaitokselta ja ne olivat hyvin yksityiskohtaisia. Tuoduista raster layereistä luotiin yksi yhtenäinen hillshade layer, joka näytti korkeuserot paremmin kuin mustavalkoiset alkutiedostot. Tieto oli tuotettu laserkeilaamalla ja vaikka tarkkuudeksi QGIS:ssä valittiin ”average” oli tarkkuus häkellyttävän tarkka (kuva 3.).

Kuva 3. Laserkeilauksella ilmennettyä topografiaa.

 

Pienen hienosäädön jälkeen saatiin peruskarttalehdelle luotua valon ja varjon avulla keinotekoinen 3D-efekti eli rinnevarjostus, mikä teki karttalehdestä todella eläväisen näköisen (kuva 4.) ja teki korkeuserojen havainnoinnista mielestäni selkeämpää, kuin mitä korkeuskäyrien avulla voitaisiin havaita. Laserkeilaus toi esille myös pinnanmuotoja mitä ei silmämääräisesti tai peruskarttalehteä silmäilemällä voitaisi muuten havaita.

Kuva 4. Rinnevarjostuksen visualisointia. 

Tämän jälkeen tuotimme alueesta tietoa piirtämällä. Piirsimme ensi kertaa varten tiet sekä pistetietona talot, joka sujui todella kätevästi CorelDRAW:sta hankittujen taitojen ansioista. Kerralla tuli siis todella paljon uutta asiaa, mutta mielestäni kerta oli erityisen kiinnostava johtuen rinnevarjostuksesta. Tätä olisi hauska harjoitella lisää kunhan ensin keksisi mistä tarvittavat materiaalit saisi kaivettua esiin!

 

Lähteet:

Innanen, A. (2021.) Harjoitus 4: Väestöteemakartta ruutuaineistosta. https://blogs.helsinki.fi/anninnan/ Viitattu 11.2.2021

Kerta 3-Kun data ja kartta ovat erillään

Kolmannella kerralla opettelimme kartan ja erillisen datan yhdistämistä ja kuinka tätä havainnollistetaan. Materiaalina oli Afrikan kartta (joka oli TAB), erillinen Excel-tiedosto maiden netin käytöstä, sekä erilliset shapefile:t timantikaivoksista, öljykentistä ja konflikteista. Tunnilla yhdisteltiinkin tietoja ja tutustuttiin lisää siihen, mitä GQIS oikein kätkeekään sisäänsä. Tiedot saatiinkin siististi samaan atribuuttitaulukkoon, josta niitä voitiin vertailla. Kotona askarteltavaksi jäi Suomen tulvaindeksin tekeminen dataa yhdistelemällä, sekä tämän visualisointi.

 

Päätelmiä tuntitehtävän materiaalista:

Konfliktit järjestettiin atribuuttitaulukolla siten, että vain yksi konflikti per vuosi laskettiin, jolloin pystyttiin havainnoimaan pitkäaikaisia konflikteja paremmin. Tarkastellessa kuitenkin myös yksittäisten konfliktien määrää, pysyi kärkikolmikko samana: Etiopia, Angola ja Chad. Maista, jossa timanttikaivoksia löytyi, esiintyivät pitkäaikaisimmat levottomuudet Angolassa, Chadissa ja Algeriassa, mutta osassa maita, joissa kaivoksia löytyi, ei ollut koettu konflikteja lainkaan. Tarkastelu toteutettiin myös öljykentillä, sekä internetkäyttäjien määrillä. Öljykenttiä tarkastellessa pyrittiin tutkimaan, toimiko öljykentät stabiloivana tekijänä, mutta jälleen Angola ja Chad loistivat listoilla. Internet käyttäjien määrässä kärkeä veti Egypti, Nigeria ja Kenia, näistä Kenialla ei esiinny timantteja tai öljykenttiä ja konflikteja oli esiintynyt 6 vuotena.

Internetin leviäminen voisi viitaa teollistumiseen, infrastruktuurin kehittymiseen, sekä yleisesti nousseeseen varallisuustasoon. Tietoa voisi myös tarkastella kuinka suuri prosentuaalinen määrä internetin käyttäjiä on maittain, joka voisi myös valaista asiaa. Toisaalta ilmiö voisi viitata myös kaupungistumiseen, jolloin se ei välttämättä kertoisi käyttäjien nousseesta varallisuudesta tai parantuneesta asemasta.

Konfliktien tapahtumavuosien tarkkailu, sekä näiden laajuus toisi kontekstia datalle. Konfliktien esittäminen pistetietoina ei myöskään kerro niiden sädettä tai kuinka tuhoisa yksittäinen konflikti on ollut (esim. aseelliset yheenotot). Afrikassa on itsenäistynyt valtava määrä maita viime vuosisadan aikana, siellä on esiintynyt pitkiä kuivia kausia ja ollut mellakoita. Niinpä dataa tarkkailtaessa tulisikin olla kriittinen sen suhteen, eikä keskittyä vain atribuuttitaulukkoon yhdistetyistä tiedoista. Erityisesti Angolassa ja Chadissa ilmenneet pitkäaikaiset konfliktit eivät välttämättä ole suoraa seurausta siitä, että maissa esiintyy timanttikaivoksia ja öljykenttiä, vaikka näillä voikin olla asian kanssa tekemistä. Tarkastelu öljykenttien ja timanttikaivosten löytymis- sekä tuotannon alkuvuosilla konfliktien alkuvuosiin ja näiden jatkuvuuteen voisi myös havainnollistaa maissa ilmenevää tyytymättömyyttä. Tuottavuusluokittelua voitaisiin puolestaan verrata internetkäyttäjien määrään ja siten selvittää, onko näillä yhteyttä ja onko siten maan hyvinvointi kohonnut.

Luokittelua voidaan siis käännellä ja tulkita monella tapaa, mutta esille nostettua dataa ei saa eristää maiden todellisuudesta, menneisyydestä tai politiikasta, sillä silloin tieto voi luoda väärän kuvan alueesta  ja sen dynamiikasta. Kuitenkin jo näitä tietoja tarkasteltaessa voidaan saada maista jonkinlainen pelkistetty kuva: Keniassa on paljon internetin käyttäjiä ja Angolassa esiintyy pitkäaikaisia konflikteja.

 

Harjoitustehtävä:

Luokkatoverini S. Korpin (2021) kartta oli mielestäni todella onnistunut ja selkeä, joten tästä suuresti inspiraatiota löytäneenä työstin omaani. Erityisen silmiä avaava itselleni oli, kuinka taustakartan näkyvyyteen saattoi myös vaikuttaa, sekä eri kerrosten läpinäkyvyyteen. Tästä siis uusia eväitä datan parempaan visualisointiin ja eikun toimeksi!

Kuva 1.:ssä esiintyvässä kartassa havainnollistetaan Suomen tulvaindeksiä ja järvisyysprosenttia diagrammina. Itseäni jäi häiritsemään, kuinka diagrammeissa ei esiinny prosentuaalista lukua (enkä tätä saanut esille, vaikka kuinka ohjelman syövereissä seikkailin), joten se ei tarjoa mielestäni kovinkaan hyvää informaatiota kartan tulkitsijalle. Esimerkiksi Lapin keskellä olevalla alueella järviprosentti on sama kuin Saimaalla tai Päijänteellä, vaikka todellisuudessa tällä alueella ei esiinny isoja järviä lainkaan. Tältä osin kartan tieto on siis harhaanjohtavaa. Tässä kerroksen läpinäkyvyyden säätäminen olisi voinut tehdä tulkitsijalle helpommin havaittavan ja näin prosentit olisivat saaneet vertailussa kontekstia. Tulvaindeksi on kuitenkin helposti tulkittavissa ja se on jakautunut valuma-alueisiin, jonka vuoksi Suomi-neito on saanut tutusta poikkeavan muodon. Tämänkin olisi voinut tuota paremmin kartassa esille. Myös järviprosentit näyttävät jakautuvan tulviville alueille, mikä voi olla karttaa tulkitsevalle hyvin harhaanjohtavaa. Taustakartta osin auttaa hahmottamaan valuma-alueiden sijoittumista.

Kuva 1. Tulvaindeksi ja järvisyysprosentti Suomen valuma-alueilla.

Oma tulkinta:

Itse en ollut kovinkaan yllättynyt tulvaindeksistä, sillä ajattelin sen käsittävän ihmisasutusta koskevaa tulvimista. Rannikko on tulva-alttiimpaa, sillä Suomessa suuri määrä asutusta keskittyy juuri etelään ja rannikolle, jolloin todennäköisesti sadevedet muuttuvat hulevesiksi, jotka eivät pääse imeytymään maahan. Rannikolla esiintyy myös enemmän sateita, joka myös vaikuttaa tulvaindeksiin. Tulvaindeksillä näkyvät tummemmat alueet ovat myös alavaa maata ja useat joet laskevat niiltä Itämereen, joka myös puolestaan lisää tulvimisriskiä erityisesti keväällä lumien sulaessa ja Pohjoisempana myös silloin, kun tuntureiden lumet sulavat. Jokien virtaus luultavasti hidastuu näillä alavilla mailla, jolloin virtauksen kuljettamat sedimentit ehtivät laskeutua pohjaan korottaen näin veden pintaa. Näillä alueilla on kuitenkin pyritty rakentamaan tulvimista ehkäisevää infrastruktuuria. Suurin yllättäjä olikin, kuinka Pohjois-Suomessa Utsjoen alue on korkeammalla tulvaindeksissä, kuin Torniojoen tai Ounasjoen alueet, mutta tähän luultavasti vaikuttaa lumien sulamisprosessien aiheuttama tulviminen, joka on luultavasti Tenojoella pitempi aikaisempaa. Tenojoen seutu on myös mäkisempää ja Norjan puolella siihen luultavasti laskee usea tunturi sadevetensä, jolloin tulvimiseen vaikuttaisi sen toimiminen valuma-alueena. Alue sijoittuu myös korkeammalle pohjoisessa, jolloin siellä voisi esiintyä enemmän lunta. Mäkisyytensä vuoksi lumi saattaa kerääntyä isoiksikin kasoiksi uomiin, rotkoihin ja laaksoihin, joka kasvattaisi kevättulvia entisestään.

Lähteet:

Korpi, S. (2021). Teemakartan tulkintaa. https://blogs.helsinki.fi/sakorpi/. Viitattu 2.2.2021

Kerta 2 – kertaus on opintojen äiti

Toisella kurssikerralla kerrattiin ensimmäisen kerran taitoja ja QGIS ohjelmassa tarvittavia navigointi taitoja. Lisäksi tutustuttiin mitta- ja valintatyökaluihin, sekä laskettiin suhdelukuja. Tällä kerralla visualisoitiin myös karttaprojektiota, joka myös avarsi karttaprojektioita itselleni huomattavasti paremmin ja havainnollistaminen oli todellinen AHAA!-elämys. Tutustuimme myös WFS, WMS; EMTS ja WCS rajapintoihin eli ladattaviin aineistoihin, sekä mistä dataa haetaan omiin projekteihin ja kuinka ne saadaan QGIS:siin. Haimme myös taustakartta materiaalia, jota jo luokkatoverini Jantunen (2021) olikin hyödyntänyt blogissaan verraten projektioiden eroja.

Ensin tutkittiin projektioiden vaikutusta Suomen pinta-aloihin, pituuksiin ja leveyksiin. Aineistona oli Suomen kuntakartta vuodelta 2020. Tunnilla vertailtiin ETRS89-TM35FIN-projektiota, Mercatoria, Lambertia ja itse tutkin lisäksi vielä LAEA ja Robinson projektioiden eroja (taulukko 1.).

 

Taulukko 1. Projektioiden mittaustulosten vertailua.

 

Mercator tarjosi kaikista räikeimmät erot, sillä pituutta Suomeen tuli sitä käytettäessä yli 1000 km verrattuna ETRS89-TM35FIN-projektioon ja pituuttakin huikeat noin 600km lisää! Myös Robinson vääristi Suomea sadoilla kilometreillä molempiin suuntaan verrattuna Lambertiin, LAEAan ja ETRS89:n. Pinta-aloja verrattiin myös Utsjoen kunnan mittauksilla ja eroja tarkasteltiin Ellipsoidal eli ”pallolle siloitellu” kartan ja Cartesian eli ”pöydälle siloitellun” kartan välillä. Tässä Robinson ja Mercator erosivat toisistaan valtavasti; missä Mercator oli yhtenäisempi Cartesian mittaustulosten kanssa muiden projektioiden mukana, erosi Robinson yli 2000 km kun taas Robinson pärjäsi paremmin Ellisoidal vertailussa kuin Mercator. Lambert, LAEA ja ETRS-TM35FIN välillä erot olivat pienempiä, mutta silti havaittavissa.

 

Vertailussa käytetyt projektiot:

Pahamaineinen Mercator on tunnettu siitä, kuinka se vääristää maita erityisesti navoille siirryttäessä säilyttäen kuitenkin oikeakulmaisuutensa ja siten vääristää maiden mittasuhteita. Robinsonin projektio pyrkii olemaan hyvä kompromissi ja National Geography-käyttääkin sitä virallisena projektionaan (Opettajalta kuultu mielenkiintoinen fakta aikaisemmilta kursseilta!). ETRS89-projektio on osa eurooppalaisen koordinaattijärjestelmää ja TM35FIN on sen kansallisen realisaatio, sekä Suomen uusi virallinen karttaprojektio (Maanmittauslaitos 2021). Lambertin karttaprojektio on itselleni suhteellisen uusi tuttavuus. Lambertin projektio on oikeakulmainen karttaprojektio, jota käytetään lentosuunnistuskartoissa (Wikipedia 2021).

 

Seuraavaksi visualisoitiin projektioiden eroja. Visualisoimme tunnilla Mercatorin ja ETRS89-TM35FIN:n suhteellisuutta (Kuva 1.) Vertasin myös Lambertin ja ETRS89-TM35FIN:n (Kuva 2.).  Kuvista voi nähdä eroja ja luokat ovat valittu sen mukaan, että väriskaalan voi vielä erottaa ja että se kykenee havainnollistamaan eroja mahdollisimman hyvin. Erityisen tärkeää oli suhteellisuutta laskettaessa, että vertailtavat kohteet laitettiin oikein päin. Visuaalisesti Mercator vertailu oli mielestäni miellyttävämpi, sillä Lambert vertailussa tummanvioletista värisävystä on kuntarajoja vaikeampi erottaa.

Kuva 1. ETRS89-TM35FIN ja Mercator-projektioiden vertailu.

Kuva 2. ETRS89-TMFIN35 ja Lambert-projektioiden vertailu.

Kotona harjoiteltiin myös projektioiden vertailun visualisointia. Vertailussa oli LAEA-projektio ja Robinson (kuva 3.), Robinson ja Mercator (kuva 4.) sekä LAEA ja Mercator (kuva 5.) Kuten myös aikaisemmassa vertailussa, Mercator tarjosi räikäimmät erot.

Kuva 3. LAEA ja Robinson-projektion vertailu.

Kuva 4. Robinson ja Mercator-projektion vertailu.

Kuva 5. LAEA ja Mercator-projektoiden vertailu.

 

Päällimmäiseksi tunnilta jäi mieleen, kuinka projektion valinta on äärimmäisen tärkeää, sillä väärä projektio vääristää pinta-aloja mahtuakseen kyseiseen projektioon. Projektioita tuleekin tarkastella kriittisesti, sillä väärä projektio voi vaikuttaa mielipiteeseen vahvasti: eri projektiot liioittelevat eri alueiden merkittävyyttä ja pieneksi jääneet alueet voidaan tulkita vähemmän tärkeiksi. Kartoilla voidaan siten vaikuttaa tulkitsijan mielikuvaan alueista ja dynamiikasta.  Tunnilla käyty kertaus tuli todella tarpeeseen ja luotto jo opittuihin tietotaitoihin lisääntyi. Harjoittelu tuntui jo selkeästi luontevammalta, sillä mahdolliset kompastuskivet olivat selkeästi silottuneet.

 

LÄHTEET:

Jantunen, S. (2021). Projektioita ja karttaharjoituksia. https://blogs.helsinki.fi/smjantun/. Viitattu 1.2.2021.

Maanmittauslaitos (2021). ETRS89 Koordinaattijärjestelmä. https://www.maanmittauslaitos.fi/sites/maanmittauslaitos.fi/files/old/ETRS89koordinaattijarjestelma_kayttoon.pdf. Viitattu 1.2.2021.

Wikipedia (2021). Lambertin oikeakulmainen kartioprojektio. https://fi.wikipedia.org/wiki/Lambertin_oikeakulmainen_kartioprojektio. Viitattu 1.2.2021.

 

 

 

 

 

Ensikosketus QGIS-ohjelmaan 22.01.2021

Geoinformatiikan menetelmät 1-kurssi polkaistiin viime tiistaina oikein vauhdilla käyntiin! Ohjelman visualisoinnin mahdollisuuksista ja hyödyllisyydestä olen kuullut jo aikaisemmin, joten olin sekä innoissani että hieman kauhuissani, minä kun en ole mikään tekniikan ihmelapsi. Oppitunti eteni sutjakkaasti seuraten opettajan esimerkin perässä ajoittain paniikinomaisesti, jotta pysyisin mukana ja pian neljä tuntia oli liukunut ohitse ennenkuin kerkesi kissaa sanoa. Ensikosketus QGIS-ohjelmaan oli hyvä, toiminnot käytiin läpi yhdessä opettajan kanssa, vaikka välillä ohjelma tuntuikin labyrintin omaiselta monine ikkunoineen. Tunnilla saatiin aikaiseksi koropleettikartta Itämeren typpipäästöjen lähtömaista (Kuva 1.) ja innostus oli valtaisa- ohjelmahan on siis jo melkein hallussa!

Kuva 1. Koropleettikartta Itämeren typpipäästöjen % määristä maittain.

Koropleettikartasta tuli mielestäni selkeä yleisilmeeltään. Jos karttaa olisi halunnut selkeyttää entisestään, olisi syvyyskäyrät ainakin voinut ottaa pois, ehkä jopa pienet järvet, sillä nämä tekevät yleisilmeestä sekavan. Myös muiden maiden puuttuvat järvitiedot (Esim Ranska, Sveitsi, Iso-Britannia) voivat tehdä tiedosta tulkitsijalle harhaanjohtavaa, joten jo tästä syystä ne voisi jättää pois. Havainnolistamisvärin olisi voinut vaihtaa hieman neutraalimmaksi, esimerkiksi keltaiseksi, jolloin vaikuttamiselta kartan tulkitsijaan välytyttäisiin. Kuitenkin olennaisin tieto eli osuus Itämeren typpipäästöistä maittain on helppotulkintaista, jonka myös kokematon kartanlukija saa selville. Pohjoisnuolen kokoa suhteutettuna karttaan on myös liioiteltu. Harjoitus oli todella mielenkiintoinen ja oli hauskaa päästä tekemään kartta oikeaa dataa hyödyntäen! Koropleettikartan teko tuntuikin huomattavasti nopeammalta kuin CorelDRAW-ohjelmassa. Ohjeetkin olivat tarpeeksi selkeät ja luennolta jäi positiivinen fiilis.

 

Keskiviikkona kävinkin itsevarmuutta uhkuen harjoitusten kimppuun.  Ensimmäisessä harjoituksessa tuli visualisoida Suomen kunnista mieleinen muuttuja vuodelta 2015 ja valinnakseni päätyi väestöntiheys. Selkeät ohjeet auttoivat pitkälle ja systemaattisen etenemisen seurauksena sain koropleettikartan aikaiseksi (kuva 2.). Ohjelma tuntui intuitiiviseltä, jopa loogiselta ja käyttäjäystävälliseltä. Rintaa pöyhistellen ja henkseleitä paukuttaen päätin, että tässä oli tarpeeksi yhdelle illalle ihmettelemistä sillä ohjelman kanssa toimiminen sujui luonnostaan.Kuva 2.

Kuva 2. Koropleettikartta Suomen Kuntien väestöntiheydestä vuonna 2015.

Yleisilmeeltä kartasta tuli selkeä ja luettava. Punainen väri on jälleen lukijan kannalta harhaanjohtava, sillä tummanpunaiset alueet suurten asutuskeskusten lähellä toivat itselleni mieleen hyvinkin tiiviisti asutetun urbaanin ympäristön. Kartan legendaa tarkastellessa, huomaakin että uhkaavasta väristä huolimatta, on asutusta kuitenkin alle 5200 neliökilometrillä ja tummimman haarukan skaala on hyvin laaja, useita tuhansia! Kartta ei siis anna kovinkaan tarkkaa kuvaa siitä, millaista asutusta näillä tummimmanpunaisilla alueilla on odotettavissa ja siten harhaanjohtavaa kartantulkitsijalle, tässä visualisointia olisi siis voinut parantaa entisestään lisäämällä porrastuksia tai käyttää QGIS:n tarjoamia porrastusvaihtoehtoja tehokkaammin hyödyksi. Visualisointi on kuitenkin selkeä ja eri alueiden väestömäärät nousevat hyvin esille, joskin alueellinen todellisuus jää peittoon.

 

Perjantaina päätin toistaa ensimmäisen harjoituksen toisella muuttujalla, tällä kertaa halusin visualisoida pohjoisen likkana saamenkielisten puhujien määrän väestöstä. Alkuviikon itseluottamus mureni kuitenkin äkkiä ja ohjelma palautti minut maanpinnalle ilmoittaessaan minulle error koodista. Liekö käyttäjäystävällisyys ollut vain alun vieraskoreutta? Ohjelman parissa ähkiessä, puhkiessa ja askarrellessa pääsi pari ärräpäätä ja taisipa yksi harmaa hiuskin ilmestyä silkasta turhautumisesta. Systemaattinen eteneminen sai jäädä syrjemmälle, kun päätin kokeile-erehdy lähestymistapaa, Googlen tietopankkia ja puhdasta tuuria yrittäessäni peitota tätä ongelmaa. Suurin ongelma oli ohjelman field calculator, joka ei suostunut tunnistamaan SUM kolumnia ja josta tämä uppiniskainen virhekoodi aina pongahti esille. Virhe oli luultavasti ihmislähtöinen, sillä virhe toistui muuttujaa vaihtaessa ja eihän tämä ollut kuin vasta kolmas kertani ohjelman parissa. Maanittelun, lepertelyn ja kikkailun jälkeen ei enää muu auttanut kuin lähettää SOS-viestiä opettajalle, jolta tulikin vahvistus että virhe oli kuin olikin käyttäjäperäinen. Ohjelman laskutoimituksia tehdessä olin ottanut ohjeet liiankin kirjaimellisesti ja kyseiset kirjaimet olisi saanut kokonaan jättää pois. Tulipahan opittua tämä ainakin juurta jaksain ja homma pääsi etenemään! Koropleettikartan tekeminen sujuikin jo huomattavasti verkkaisemmin ja ongelmitta tämän jälkeen (Kuva 3.).

Kuva 3. Koropleettikartta saamenkielisisten puhujien osuudesta kunnittain.

Saamenkielisten puhujien sijoittuminen kartalla ei yllättynyt itseäni. Kartan värisävyt olivat mielestäni onnistuneempia, sillä sinisen sävy on neutraalimpi ilmaistaessa asioita kartalla. Legendan info on kuitenkin puutteellista, sillä en tiennyt onko saamenkielenpuhujat suhteutettu kymmeniin, satoihin, tuhansiin vai kuntien väkilukuihin. Kartta siis on helppotulkintainen, mutta huomattavan puutteellinen. Paremman kartan saikin aikaseksi kurssitoverini Huttunen (2021), joka blogiinsa oli saanut jostain kaivettua tiedon, että kyseessä oli prosentuaalinen määrä kunnittain ja olipa hän saanut kaivettua jostain esiin kauniimman pohjoisnuolenkin.

 

Ensimmäisestä viikosta QGIS-ohjelman parissa jäi siis hyvin ristiriitaiset fiilikset. Koin onnistumisia ja epäonnistumisia, mutta ohjelmalla on selvää arvoa mantsanosaajan taitopankissa sillä visualisoinnin tulokset olivat selkeitä, mikä sai minut innostumaan opinnoista lisää. Visualisointi  kun on erinomainen esittämistapa, sillä se tarjoaa paljon infoa helposti luettavassa muodossa. Mieleeni pongahtikin USA:n äänestyskartta, COVID-19 etenemiskartta, sen esiintyminen kunnittain jne. Mahdollisuuksia on siis monia ja tämä toimii minulle motivaattorina kurssin edetessä. Taitojakin ensimmäiseltä kurssikerralta jäi mieleen, ja ensimmäisen viikon jälkeen osaan ainakin vaihtaa koordinaattijärjestelmän, tuoda tiedostoja ohjelmaan, vaihtaa kerrosten asetuksia, avata atribuuttikentän ja tehdä siinä laskutoimituksia, sekä saada viimeistellyn kartan JPEG- muodossa ulos ohjelmasta. Parantamisen varaa jäi kuten porrastamisen parantaminen, värisävyjen hionta visualisoinnissa, paremman pohjoisnuolen etsintä jne.  Ohjelman loogisuudesta jäi positiivinen mielikuva ja odotankin innolla uuden oppimista nyt kun osaan joten kuten ohjelmassa navigoida.

 

Lähteet

Huttunen, M. (2021).  Tästä se lähtee! https://blogs.helsinki.fi/humartta/2021/01/19/hello-world/. Viitattu 22.01.2021