The final countdown

Koitti sekin tuomiopäivä, kun kaikkien piti osoittaa kyvykkyytensä ja tuottaa omatoimisesti alusta loppuun jokin kartta tai karttasarja – olimme valmiita siihen tai emme (lue: emme). Saimme hyvät ohjeet viimeiselle kurssikerralle valmistautumiseen sekä kattavan listan mahdollisista paikoista, joista tiedonhaun voisi aloittaa. Silti koko ajatus tuntui hirvittävältä. Ajattelin, että minun taidoillani ja tuurillani luvassa olisi fiasko.

Vaan eipä tullutkaan fiaskoa! Datan etsiminen etukäteen ja teeman ideointi kotona pelasti minut, samoin meille vinkatut datasivustot. Hylkäsin monta suunnitelmaa ennen lopullista ratkaisua, sillä pelkäsin haukata liian suurta palaa. Halusin mieluummin panostaa siihen, että aihe olisi realistinen ja oikeasti esimerkiksi opetusmateriaalina käytettävä, ja että saisin datan toimimaan ja kartat loppuun asti tehtyä. Testasin kotona jopa läppärilläni QGIS:ssä, että lataamani data varmasti toimi, mikä oli todella kannattavaa. Siispä toimivan datamateriaalin perusteella aiheekseni valikoitui karttapari, joissa esitetään satamien sijaintia sekä kalastusalusten määrää.

Ihan ensimmäiseksi etsin itselleni toimivan vektorimuotoisen maailmankartan [1], josta voisin tarvittaessa tarkastella myös pienempiä alueita. Latasin samalta sivustolta myös yhteensopivia yksityiskohtia, kuten valtiorajoja ja jokia. Lisäksi satuin löytämään sivustolta pistemuotoista dataa satamista ja niiden sijainnista, joten siinä vaiheessa päätin aiheeni liittyvän kalastukseen tai vesiliikenteeseen. Tarkoituksenamme oli tehdä useampi kartta ja esittää parin eri muuttujan tietoja samassa kartassa. Siispä ensimmäinen karttani (kuva 1) on aiheeseen johdatteleva maailmankartta, jossa suuria/tunnettuja/tilastoituja satamia esitetään punaisin palloin. Sivustolta ei käy ilmi, millä perusteella kyseiset satamat ovat valikoituneet aineistoon, mutta esitin kartalla ne kaikki. Epäilen myös, että satamia on todellisuudessa maailmassa paljon enemmän.

Kuva 1. Kansainvälisiä satamia maailmankartalla. (Kuva: Laura Ahola, QGIS)

Kuvasta 1 nähdään, että satamia on tiheästi etenkin Yhdysvaltojen itärannikolla ja Euroopassa. Tähän syynä lienee muun muassa Yhdysvaltojen ja Euroopan sisäinen vilkas laivaliikenne, sekä Atlantin ylittävä kaupankäynti.  Päätinkin etsiä tähän tueksi Euroopasta tarkempaa tietoa satamien käytöstä [2]. Eurostat -sivustolla on todella kattavasti dataa Euroopasta lähes mistä vaan aihepiiristä, ongelmaksi meinasikin muodostua valinnanvaikeus (tai datan yhteensopimattomuus). Yhteensopimattomuusongelmista saatan myös syyttää enemmän itseäni kuin todellisia virheitä, en vieläkään luota kovin hyvin kykyihini ymmärtää, hallita ja käsitellä dataa. Kuvassa 2 visualisoin lopulta Euroopan maiden kalastusaluksien määrää sekä satamien sijaintia. Tässä kartassa voi huomata vielä paremmin, että satamien määrää on syytä epäillä. Esimerkiksi Islannissa satamia ei ole näköjään olemassakaan, ja Suomessakin vain Helsingissä. Koska muissa maissa on kuitenkin useampiakin satamia, tulin siihen tulokseen, että tilastointiehtona on saattanut toimia käyttöaste tai sataman suuruus. Ikävä kyllä asian todellinen laita ei käy ilmi.

Kuva 2. Koropleettikartta kalastusaluksien määrästä eri EU-maissa. Satamat on merkitty punaisin palloin. (Kuva: Laura Ahola, QGIS)

Toinen kartta (kuva 2) onnistui mielestäni hyvin ja visualisoi selkeästi haluamiani asioita. Jouduin käsin poimimaan EU-valtioita alkuperäisestä kartasta, koska en saanut muita valintatyökaluja toimimaan oikein. Lisäksi tajusin alkuvaiheessa, että jotta informaatio on yhdenmukaista, minun tulee noudattaa alkuperäisen maailmankartan ja satamadatan kartan sääntöjä. Kalastusaluksien määrä piti ensin muokata notepadissa ja excelissä oikeaan muotoon, jotta QGIS ymmärsi sitä. Kerrankin sekin sujui mutkitta, couldn’t believe it! Sen jälkeen sain yhdistettyä kalastusalusdatan satamadataa join -työkalulla, ja tein koropleettikartan esittämään kalastusaluksien määrän eroja. Halusin säilyttää tarkan numerotiedon legendassa yksityiskohtaisempaa vertailua varten, mutten halunnut esittää numerotietoa kaavioina tai pylväinä kartalla. Mielestäni lopputuloksesta näkee näin nopeammin suurimmat erot, jonka jälkeen asiaa voi tarkastella vielä lähemmin. Itse asiassa, olen tyytyväinen molempiin karttoihini! Tuloksista käy ilmi, että Atlantin reunalla olevat valtiot sekä Välimerenvaltiot, joissa oletettavasti on hyvät kalastusalueet ja kalastus on edelleen tärkeä elinkeino, on enemmän kalastusaluksia kuin muualla.

Näin jälkikäteen kurssia ajatellen, ei se ollutkaan niin paha kuin oletin. Työt sai esimerkiksi paljon nopeammin tehtyä kuin vaikka Corel -kursseilla. Aihepiiri ei ollut kuitenkaan itselleni se mieluisin, mutta tästäkin on nyt selvitty! Toisin kuin Juho, joka kertoo blogissaan mielenkiinnon syttyneen QGIS:iä kohtaan, voin itse todeta, että osaltani QGIS jää tähän, ellei jotain erittäin hyvää ja pakollista syytä tulevaisuudessa ilmene. Ymmärrän sen hyödyllisyyden, mutta minua kutsuvat tästä eteenpäin labra ja hiirimallit!

Kiitos kurssikavereille vertaistuesta, Kristalle vieressä istumisesta ja yhteisistä tuskailuista, sekä Arttu Paarlahdelle maailman kärsivällisimmästä, ystävällisimmästä ja selkeimmästä opetuksesta ja ohjauksesta!

LÄHTEET
[1] https://www.naturalearthdata.com/downloads/ (ladattu 27.2.2019)
[2] https://ec.europa.eu/eurostat/tgm/table.do?tab=table&init=1&language=en&pcode=tag00116&plugin=1 (ladattu 27.2.2019)
[3] https://blogs.helsinki.fi/juhokaup/ (luettu 3.3.2019)

 

Back on track

Vihdoin tuntuu taas siltä, että elämä voittaa ja QGIS ei ole olemassa vain opiskelijoiden kiusaksi! Asiaan saattoi vaikuttaa myös se, että koin tämän kurssikerran helpommaksi kuin aiemmat ja käytimme paljon tuttuja työkaluja. Uutena asiana kokeilimme pistedatan interpolointia (Kuva 1). Keräsimme Epicollect-sovelluksella kurssikerran alussa dataa Kumpulan kampuksen ympäristöstä vajaan tunnin ajan. Data kerättiin Epicollectin lomakkeella, jossa muun muassa arvosteltiin datankeräyspaikan mielekkyyttä, käyttöastetta ja turvallisuuden tunnetta. Jokainen lomakkeen täyttö tallentui sijainnin mukaan omaksi pisteekseen. Interpoloinnilla pystyttiin visualisoimaan esimerkiksi tuloksien hot spot -alueita, kuten kuvasta yksi voi huomata.

Kuva 1. Interpolointiharjoitus Epicollect-sovelluksella kerätystä aineistosta. Epicollect-aineisto kerättiin oppilasvoimin Kumpulan kampuksen ympäristöstä. (Kuva: Laura Ahola, QGIS)

Tämän jälkeen siirryimme käsittelemään dataa maanjäristyksistä, meteoriiteista ja tulivuorista, sekä toteuttamaan valitsemastamme aiheesta visualisointia kuvitteellista opetustilannetta varten. Koska tulivuoret [2] ja maanjäristykset [1] kiinnostavat minua meteoriitteja enemmän, päätin paneutua kyseisiin datoihin tarkemmin.

Kuva 2. Yli kuuden magnitudin maanjäristykset maailmassa vuosina 1950-2019. (Kuva: Laura Ahola, QGIS)

Kuten Sini Ahtinen blogissaan kertoo, maanjäristysten voimakkuudet ilmoitetaan maailmanlaajuisesti Richterin asteikon mukaan [3]. Kuvassa kaksi visualisoin ensin maailmankarttaan kaikki kuutta magnitudia tai sitä suuremmat maanjäristykset vuosilta 1950-2019. Maanjäristyksiä on paljon, ja kartalla esitettynä ne ryhmittyvät litosfäärilaattojen rajakohtiin. Tällaista karttaa voisi esimerkiksi käyttää pohjustuksena oppilaille, ja herätellä heitä ajattelemaan, miksi maanjäristykset ovat sijoittuneet kyseisellä tavalla. Sen jälkeen oppilaille voisi esitellä kuvan 3 mukaisen kartan, jossa on visualisoitu tulivuorten sijainti maapallolla. Kuten edellä, oppilailta voisi kysellä syytä ilmiölle sekä sitä, miten tulivuoret ja niiden sijoittuminen liittyvät aiempaan karttaan (kuva 2).

Kuva 3. Tulivuoret (kolmiot) esitettynä maailmankartalla. (Kuva: Laura Ahola, QGIS)

Halusin yrittää vielä edellisissä kartoissa esitettyjen tietojen yhdistämistä – onnistunutta karttaa kun olisi voinut käyttää esimerkiksi yhteenvetokarttana oppilaille, jossa käsitellyt aiheet havainnollistettaisiin ja oikeat vastaukset käytäisiin läpi. Käytännössä en kuitenkaan saanut tyydyttävää lopputulosta aikaiseksi. Yritin interpoloimalla saada kuuden magnitudin järistykset sekä tulivuorten sijainnit samaan karttaan (kuva 4), mutta ilmeisesti muun muassa pohjakartan tyypin vuoksi järkevä visualisointi oli todella hankalaa. En ole lopputulokseen tyytyväinen, mutta uskon, että parempi QGIS-taitaja saisi ilmiön visualisoita halutulla tavalla.

Kuva 4. Maailmankartta, jossa on yritetty esittää sekä tulivuoret (kolmiot) että kuuden magnitudin maanjäristykset (tummennetut alueet). (Kuva: Laura Ahola, QGIS)

 

lähteet:
[1] https://earthquake.usgs.gov/earthquakes/search/ (ladattu 20.2.2019)
[2] https://catalog.data.gov/dataset/global-volcano-locations-database (ladattu 20.2.2019)
[3] https://blogs.helsinki.fi/ahtisini/ (luettu 26.2.2019)

Kun flunssa pilaa kaiken

Tipuin kärryiltä, totaalisesti.


Kurssin pahin pohjanoteeraus koitti, mutta päätin, etten anna sen lannistaa minua, vaan keskityn enemmän kokonaisuuteen, eli siihen mitä olen aiemmilla kerroilla oppinut, ja mitä tulevina kertoina voinkaan oppia. Pienten tuskanvääntelyiden jälkeen päätin myös myöntää suoraan (sekä itselleni että yleisölle), että kelvollista taulukkoa tehtävien tuloksista ei tähän yhteyteen saada. Siispä tässä postauksessa teen väli-itsearvioinnin ja pohdin, mihin tulevaisuudessa voisin hyödyntää QGIS:iä ja minkälainen työkalu siitä on minulle muodostunut.

Paikkatieto-osaaminen ei ole ollut ikinä vahvinta alaani muun muassa siksi, että olen pohjimmiltani enemmän biologi kuin maantieteilijä. Koska tulevaisuudessa toivon työskenteleväni aineenopettajana lukiossa tai vaikkapa asiantuntijana jossain yrityksessä, pyrin saamaan mahdollisimman laajan osaamisen kummaltakin alalta ja myös ei niin mielekkäiltä osa-alueilta. QGIS soveltuu parhaiten käytössäni omien karttojen tekemiseen tai jonkin ilmiön visualisoimiseen oppilaille. Olen useinkin välivaiheiden aikana aivan ulalla, mutta jälkikäteen hahmotan paremmin kokonaisuuden ja miksi kaikki vaiheet piti tehdä. Kurssi selvensi hyvin perusasioita kuten vektori- ja rasteriaineiston eroja. Eniten yllätyin ja tykästyin atribuuttitaulukoiden tarjoamaan dataan ja mahdollisuuksiin muokata sitä. Yleensä numerodatan edessä tuskastuisin alta aikayksikön, mutta kurssin edetessä huomasin että attribuuttitaulukon kanssa voi pelata hyvinkin paljon, sen kanssa pitää vain olla hyvin tarkkana.

Viidennen kurssikerran harjotystöihin käytettiin uutta työkalua, eli ”bufferointia”. Sen avulla voidaan luoda ns. puskurivyöhykkeitä ja tutkia esimerkiksi tietyltä alueelta jotain ilmiötä tai asiaa. Kyseisellä kurssikerralla bufferoimme esimerkiksi lentokentän kiitorata-aluetta, ja selvitimme kuinka paljon taloja jää sen lentomelualueelle. Mielestäni buffer-toiminto oli helppo ymmärtää, mutta jostain käsittämättömästä syystä en saanut koko toimintoa toimimaan oikealla tavalla. Omat tulokseni heittivät aivan sanonko miten, joten kävin katsomassa, millaisia tuloksia muut opiskelijat olivat koonneet taulukkoihinsa. Esimerkkisuorituksen voi nähdä esimerkiksi Kian blogista [1], jossa on myös selitetty hyvin miten bufferointi olisikaan voinut toimia oikein..

Kurssista kokonaisuutena minulla on todella ristiriitaisia fiiliksiä. Pelkäsin kuulopuheiden vuoksi kurssia todella paljon, ja oletin etten saisi mitään aikaan. Sen sijaan kurssi ei olekaan ollut niin työläs ja pelottava kuin suurin osa aiemmista maantieteen kursseista. Jälkikäteen koen, että vaikken kaikkea tekemääni vieläkään ymmärrä tai täysin hahmota, yleisolotila ei ole ollenkaan niin sekava ja pystyisin jopa hyödyntämään ohjelmaa tulevaisuudessa.

 

lähteet:
[1] https://blogs.helsinki.fi/kautkia/ (luettu 28.2.2019)
[2] Kuvat: google

 

 

Ystävä hädässä tunnetaan

Tiesin jo ennen kurssin alkua, että tulen olemaan matkan vuoksi yhden kerran pois kurssilta. Olin melko huolissani etukäteen, miten minun kävisi kun tulen takaisin ja kuinka ulalla tulen olemaan asioista. Aiemmilta mantsankursseilta oppineena tiesin, että matka saattaisi tulla olemaan todella tuskainen tehtäviä omatoimisesti tehdessä. Noh, lomat on lomailtu ja paluu arkeen koitti – flunssan kera.  Onneksi on olemassa ihania kilttejä ihmisiä kuten Krista, joka opasti minua kädestä pitäen rästiin jääneissä tehtävissä <3 Jokaiselle tehtävälle on olemassa Moodlessa selkeät yksityiskohtaiset ohjeet, mutta ne eivät vain aina tunnu riittävän. QGIS päättää useinkin toimia täysin omalla tavallaan, tai oikeastaan vielä useammin jättää toimimatta kokonaan..

Kurssikerran neljä tavoitteena oli tuottaa ruututeemakartta, joka havainnollistaisi parin eri muuttujan tietoja. Itseäni hieman armahtaen päätin tehdä Kristan kanssa samasta aiheesta, eli esittää muunkielisen väestön sijoittumista pääkaupunkiseudulla (ruudukko 1km x 1km) [1]. Ruutukokoon päädyin tarkemman informaation toivossa, sillä epäilin näkyisikö isommasta ruutukoosta riittävän hyvin alueellisia eroja.

Kuva 1. Muunkielisen väestön jakautuminen pääkaupunkiseudulla. Väestötiedot on havainnollistettu 1km x 1km -ruudukossa. (Kuva: Laura Ahola, QGIS)

Kuten Vilma blogissaan toteaa, ruutumatriisi mahdollistaa absoluuttisten arvojen vertailukelpoisen tarkastelun tietyllä alueella [2]. Ruututeemakartta esittää paremmin tarkkaa tietoa koko alueesta kuin esimerkiksi pistekartat tai koropleettikartat. Pistekartta ei kata yleensä koko aluetta eikä kerro tietoja yhtä tarkasti kuin ruututeemakartta. Koropleettikartassa puolestaan alueet ovat suurempia ja ilmentävät enemmän keskittymiä. Kuvasta 1 käy ilmi, että tiheimmät muunkielisen väestön keskittymät sijaitsevat kuntien raja-alueilla ja niitä on enemmän idässä kuin lännessä. Tämä voi selittyä esimerkiksi halvemmilla asumiskustannuksilla ja suuremmalla työttömyydellä tai vähävaraisuudella.

Kartan visualisointia ajatellen, ruutumatriisi olisi voinut olla läpinäkyvämpi ja kuntarajat selkeämmin erottuvampia. Lisäksi jälkikäteen aloin epäilemään, että legendassa esitetyt väestöluvut ovat jossain vaiheessa muuttuneet, eivätkä olisi enää realistisia ainakaan absoluuttisina arvoina. Prosentteinakaan luvut eivät vaikuttaisi kovin järkeviltä. Yleisesti väestötietojen esittäminen ruuduissa myös prosentteina voisi toimia, jos haluttaisiin suurpiirteisempiä alueellisia eroja eikä niin spesifisiä.

Kuva 2. Korkeuskäyrien eroja Pornaisten alueella. (Kuva: Laura Ahola, QGIS)

Lisäksi vertailimme Pornaisten alueen korkeusmallirasterin ja Maanmittauslaitoksen peruskarttalehden [3] korkeuskäyrien eroja. Kuvassa 2 turkoosin väriset korkeuskäyrät on tehty itse 5 metrin välein ja mustat korkeuskäyrät ovat Maanmittauslaitoksen aineistosta. Typerä veto oli jättää pois pohjakartta, sillä se olisi auttanut paljon alueen hahmottamisessa ja sijoittamisessa. Toisaalta korkeuskäyrien erot näkee selkeämmin ilman muuta sälää. Esimerkiksi suurimmat erot nähdään kuvan vasemmassa yläkulmassa, jossa eri aineistojen korkeuskäyrät eroavat täysin toisistaan. Kartan visualisointi jäi kuitenkin hieman ala-arvoiseksi tällä kertaa, vähän kyllä harmittaa. Ensi kerralla paremmin.

lähteet
[1] https://blogs.helsinki.fi/knyfors/ (luettu 20.2.2019)
[2] https://blogs.helsinki.fi/vilmakau/ (luettu 21.2.2019)
[3] https://www.maanmittauslaitos.fi/ (peruskarttalehti haettu 18.2.2019)

Hermot koetuksella

Kurssilla aletaan selvästi lähestyä sellaisia harjoituksia, joissa tahti kovenee, komennot ja tavoitteet monimutkaistuvat ja aina ei enää ymmärretä, miksi asioita tehdään kyseisellä tavalla. Olen edelleen sitä mieltä, että QGIS olisi oikea kultakaivos karttojen tuottamiseen tulevaisuudessa esimerkiksi opetusta varten, mutta vaatisi todella säännöllistä käyttöä ja paljon harjoittelua. Aika näyttää mille tasolle tämän kurssin jälkeen ollaan päästy.

Kolmannella kurssikerralla selkein tarkoituksemme oli oppia yhdistelemään eri tietokantoja, mikä oli hyödyllistä mutta pienen tuskan takana. Muistamista oli paljon, tarkkana sai olla koko ajan, eikä ohjelma välttämättä silti heti toiminut halutulla tavalla. Tai sitten se ei toiminut, koska itse menin ja sössin huomaamattani sitä sun tätä. Onneksi on kärsivällinen opettaja ja kurssikaverit apuna!

Konkreettisina harjoituksina saimme ensin eteemme Afrikan mantereen tietokannan ja tietoa siellä esiintyvistä öljy- ja timanttialueista sekä konflikteista [1]. Oli erittäin hyvä, että harjoittelimme tietokantojen yhdistämistä ennen lopullista karttaharjoitusta, sillä komentojen ja niiden järjestysten muistamisessa oli silti ongelmia. Sitten paneuduimme Suomen tulvaindeksin laskemiseen ja järvisyysprosentin esittämiseen (Kuva 1).

Kuva 1. Tulvaindeksi ja järvisyysprosentti esitettynä Suomen valuma-aluekartalla. Tulvaindeksi on saatu laskemalla keskiylivirtaama (MHQ) jaettuna keskialivirtaamalla (MNQ). Järvisyysprosentti havainnollistaa eri alueiden järvien määrää. (Kuva: Laura Ahola, QGIS).

Ensin meidän tuli yhdistää eri järvisyys-, valuma-alue- ja virtaamatietokantojen tietoja samaan tietokantaan ja laskea attribuuttitaulukkoon tulvaindeksi. Saaga selittää asian ytimekkäästi blogissaan: ”Tulvaindeksin laskeminen onnistuu monella tavalla, mutta kyseisen  kartan teossa käytimme kaavaa MHQ/MNQ, eli jaettiin keskiylivirtaama keskialivirtaamalla. Kaavalla lasketaan tulvahuppujen ja kuivien kausien pienimpien arvojen keskiarvon suhde. Järvisyys tarkoittaa järvien osuutta koko valuma-alueen pinta-alasta.” [2]

Lopputuloksesta tehtävä kartta oli tähänastisista kartoista vaikein visualisoida sen useiden tasojen vuoksi. Kaikkia tasoja, kuten esimerkiksi jokia, en edes ottanut mukaan lopulliseen karttaan selvemmän lopputuloksen saamiseksi – tietoa kun piti esittää niin paljon samassa kartassa. Samoin kapinoin järvisyysprosentin esittämistä pylväsdiagrammeina, koska kartan luettavuus kärsi siitä todella paljon. Siksi järvisyysprosentti on kartassani esitettynä vaaleanpunaisin palloin. Pallot on myös pyritty sijoittamaan selvyyden vuoksi esiintymisalueen keskelle, ei alueen järvisyyden painopisteen mukaan, mikä saattaisi muussa tapauksessa olla hyödyllisempää.

Kuten Emilia toteaa, alueilla, joissa järvisyysprosentti on suuri, tulvaindeksi on matala [3]. Syy ilmiöön on esimerkiksi pinnanmuodoissa. Mitä tasaisempi maasto, sitä pienempi tai vähäisempi virtaama. Lisäksi jos alueilla on enemmän järviä, virtavedet varastoituvat niihin eikä tulvaindeksi ole korkea. Länsi-Suomessa Pohjanmaalla myös maankohoaminen, meren läheisyys ja suuremmat joet yhdessä tasaisten pinnanmuotojen kanssa vaikuttavat tulvaindeksin olevan keskimäärin korkeampi kuin muualla Suomessa.

lähteet
[1] https://www.prio.org/ (luettu 30.1.2019)
[2] https://blogs.helsinki.fi/saagalaa/ (luettu 31.1.2019)
[3] https://blogs.helsinki.fi/ihem/ (luettu 31.1.2019)

Projektio vaikuttaa millaisena kartan näemme

Kuva 1. Suomen kuntakartta ETRS-TM35FIN-projektiossa. Sininen väri kuvaa, kuinka paljon suurempia kuntien pinta-alat ovat Mercatorin projektiossa. Yleisesti pinta-alat kasvavat lähestyttäessä pohjoisnapaa. (Kuva: Laura Ahola, QGIS, [1])
Yllätys, yllätys. Riitti, että edellisestä kurssikerrasta oli vain viikko ja QGIS tuntui ohjelmalta, jota en koskaan olisi nähnytkään. Onneksi alkukankeus helpotti melko pian ja toistimme paljon sekä edellisen kurssikerran vanhoja että kyseisen kerran uusia komentoja. Itselleni kurssikerran hyödyllisimmiksi asioiksi koin attribuuttitaulukolla työskentelyn ja tietokantojen konkreettisen visualisoinnin kartaksi. Aamutuimaan keskittyminen meinasi kuitenkin useampaan otteeseen herpaantua ja monen eri taulukon ja tietokannan yhtäaikainen pyörittely lähteä käsistä.

Kurssikerralla tarkoituksenamme oli kokeilla erilaisia mittaustyökaluja ja karttaprojektioita ja vertailla, minkälaisia eroja kartoissa ilmenee. Lisäksi HELCOM:n vektoridatan pohjalta laskimme attribuuttitaulukkoon eri karttaprojektioiden prosentuaalisia pinta-aloja ja tutkimme, miltä erot näyttävät kuntakartassa [1].

Kuva 2. Suomen kuntakartta ETRS-TM35FIN-projektiossa. Vihreä väri kuvaa, kuinka paljon suurempia kuntien pinta-alat ovat Robinsonin projektiossa. Yleisesti pinta-alat kasvavat lähestyttäessä pohjoisnapaa. (Kuva: Laura Ahola, QGIS, [1])
Valitsin vertailukohteiksi Mercatorin ja Robinsonin karttaprojektiot, joissa ilmeni selkeitä eroja Suomessa yleisesti käytettyyn ETRS-TM35FIN -projektioon verrattuna.  Mercatorin projektio on oikeakulmainen lieriöprojektio, jossa pinta-alat kasvavat päiväntasaajalta napa-alueille [3]. Robinsonin projektio on puolestaan ”kompromissiprojektio”, jossa on pyritty minimoimaan kaikkia vääristymiä. Se ei siis ole oikeapintainen eikä oikeakulmainen [2].  Kuten Kirsi asian hyvin blogissaan tiivistää, eri projektioiden aiheuttamat alueelliset erot jakautuvat muutamaa kuntaa lukuunottamatta siten, että mitä pohjoisempi kunta sitä suurempi vääristymä [4].

Äkkisältään Mercatorin (Kuva 1) ja Robinsonin (Kuva 2) projektioiden pinta-alaerot vaikuttavat melko samanlaisilta. Tarkasteltaessa lähemmin karttojen legendaa voidaan kuitenkin todeta, että Mercatorin projektiolla kuntien pinta-alat kasvavat etelässä liki 300 prosenttia ja pohjoisessa yli 700 prosenttia, kun Robinsonin projektiossa vastaavat muutokset ovat etelässä noin 20 prosenttia ja pohjoisessa noin 40 prosenttia. Hämäävää on, että myös käytettyjen kuuden luokan luokkarajat kulkevat maantieteellisesti yllättävän läheltä toisiaan. Esimerkiksi käsivarren alue Lapissa kuuluu kuitenkin eri projektioissa eri vertailuluokkaan.

Kartat onnistuivat visuaalisesti mielestäni hyvin. Olisin voinut käyttää useampaakin luokkaa jaottelussa, jolloin visuaalisesti eroja olisi ollut hieman enemmän ja helpommin hahmotettavissa, mutta pääydin kuuteen luokkaan legendan selvyyden vuoksi. Pääidea ja -erot ilmenevät kuitenkin hyvin kartoissa käytetyillä väreillä ja pelkistetyllä legendalla.

lähteet
[1] http://www.helcom.fi/
[2] https://fi.wikipedia.org/wiki/Robinsonin_projektio (luettu 28.1.2019)
[3] https://fi.wikipedia.org/wiki/Mercatorin_projektio (luettu 28.1.2019)
[4] https://blogs.helsinki.fi/yxkirsi/ (luettu 29.1.2019)

Ensikosketus QGIS:iin

Näin maantieteen sivuaineopiskelijana olen odottanut tiettyjä kursseja kauhulla, sillä huhuja käytetyistä tietokoneohjelmista ja niiden monimutkaisuudesta liikkuu paljon. Tiedon esittäminen maantieteessä -kurssin jälkeen huomasin kuitenkin ilokseni, että ohjelmia tosiaan oppii käyttämään kurssin aikana, vaikka ne olisivat entuudestaan olleet täysin vieraita. Lisäksi totesin, että perusasiat opittuani ohjelmilla pystyy tuottamaan jo todella upeita karttaesityksiä. Siksi lähdin tälle kurssille jo paremmilla fiiliksillä ja odotan mielenkiinnolla, millaisia tuotoksia QGIS-ohjelmalla saadaan aikaan.

QGIS on avoimen ja vapaan lähdekoodin paikkatieto-ohjelmisto ja vielä ilmaiseksi ladattavissa omalle koneelle [1]. Eräs ohjelman hyvistä ominaisuuksista on se, että se tukee ja käsittelee monipuolisesti erilaista dataa, kuten vektori-, rasteri- ja tietokantaformaatteja, joissa paikkatietoaineistoa usein esitetään. Ohjelmalla saadaan tuotettua helposti erilaisia karttoja ja kuvia.

Jo ensimmäisellä kurssikerralla pääsimme kokeilemaan QGIS:iä käytännössä, kun teimme HELCOM:n aineiston [3] pohjalta koropleettikartan (Kuva 1). Kartassa esitetään Itämeren valtioiden typpipäästöjen osuuksia. Mitä tummempi väri on, sitä suurempi on valtion osuus kokonaistyppipäästöistä. Kuten Elisa omassa blogissaan pohtii, syinä Itämeren typpipäästöihin ja rehevöitymiseen ovat muun muassa teollisuuden ja maatalouden, sekä väestön määrä Itämeren valuma-alueella.

Kuva 1. QGIS-ohjelmalla tuotettu kartta, jossa esitetään Itämeren kehysvaltioiden typpipäästöjä vuonna 2016. (Kuva: Laura Ahola, QGIS)

Ensimmäiseksi QGIS:llä tuotetuksi kartaksi olen melko tyytyväinen lopputulokseen. Värejä oppii varmasti vielä kurssin edetessä säätämään silmälle miellyttävämmiksi ja visuaalisesti kauniimmiksi, mutta ainakin esitettävä ilmiö erottuu muusta pohjakartasta, eivätkä esimerkiksi valtioiden tai järvien ääriviivat pomppaa liikaa silmään. Legendan avulla ulkopuolisenkin on mahdollista tulkita karttaa ja esitettävää ilmiötä.

Tästä seuraavaksi helpottuneilla ja jopa toiveikkailla fiiliksillä kohti seuraavaa kurssikertaa!

lähteet
[1] https://qgis.org/fi/site/about/index.html
[2] https://blogs.helsinki.fi/elqaho/
[3] http://www.helcom.fi/