Havaintoja liito-oravista

Kurssikerta 7.

Viimeisellä kurssikerralla tehtävänä oli tuottaa karttaesitys itse etsityistä aineistoista. Lähestyin tehtävää selailemalla mahdollisia aineistoja netissä ja kokeilemalla, kuinka helposti ne saisi siirrettyä QGIS:siin. Törmäsin laji.fi-sivuston havaintotietokantoihin, ja sieltä sai ladattua suhteellisen helposti eri lajien havaintopisteitä kartalle. Päädyin kokeilemaan liito-oravahavaintojen lataamista ihan pelkästään uteliaisuudesta, ja lopulta tein lopullisenkin karttaesityksen niiden pohjalta. Pohjana käytin Suomen kuntajakoa, sillä siihen oli helppo lisätä muutakin dataa.

Kuva 1. Liito-oravahavaintoja Suomessa. (Laji.fi, 2022)

Lataamani liito-oravahavainnot ovat vuosilta 2015–2022. Laji.fi-sivustolta sai ladattua kerralla korkeintaan 10 000 havaintopistettä ja kahdessa erässä lataamalla sain liito-oraville noin 17 000 havaintopistettä. Havainnot sijoittuvat eteläiselle puoliskolle Suomea, mutta tämän lisäksi havaintojen määrässä on jonkin verran vaihtelua. Halusinkin tarkastella kartalla myös jotain muuta muuttujaa, jolla voisi olla vaikutusta liito-oravahavaintojen sijoittumiseen. Löysin netistä Suomen ympäristökeskuksen tekemän maanpeiteanalyysin, jonka pystyi yhdistämään kuntajakoon. Päädyin tarkastelemaan kartalla liito-oravahavaintojen määrää ja kuntien metsäisyyttä, sillä ajattelin, että niillä voisi olla jokin yhteys.

Aineistojen etsimiseen ja lataamiseen oikeassa muodossa kului aika paljon aikaa, mutta tämän jälkeen itse kartan teko oli varsin yksinkertaista. Hyödynsin aikaisemmin kurssilla opittuja menetelmiä: laskin liito-oravahavainnot eri kunnissa count points in polygon -toiminnolla ja visualisoin niiden määrää histogrammeilla. Maanpeiteanalyysissä oli valmiiksi laskettu prosentuaaliset osuudet erilaisille maanpeitteille, joten pystyin visualisoimaan metsäisyyttä helposti koropleettikartalla. Päädyin siis toteuttamaan ensimmäisen tehtävävaihtoehdon, jossa esitetään vähintään kahta muuttujaa tietyssä aluejaossa.

Kuva 2. Liito-oravahavaintojen määrä vuosina 2015–2022 ja kuntien metsäisyys. (Laji.fi, 2022 ja SYKE, 2018)

Valmiissa kartassa näkyvät siis kuntien metsäisyys prosentteina ja liito-oravahavaintojen lukumäärä eri kunnissa vuosina 2015–2022. Visuaalisesti kartassa olisi ehkä vielä parannettavaa. En ole esimerkiksi varma, kuinka hyvin kartasta välittyy, miten suuri ero liito-oravahavainnoissa on eri kunnissa, ja se olisi ollut hyvä saada jotenkin selkeämmin esille legendaan. Kaikki histogrammit eivät myöskään ihan tunnu erottuvan kartalta. Varsinkin Etelä-Suomessa, jossa on paljon pieniä kuntia, pylväät tuntuvat vähän hukkuvan karttaan.

Kiinnostavaa on kuitenkin havainto siitä, ettei kuntien metsäisyydellä vaikuta kartan perusteella olevan erityisemmin yhteyttä liito-oravahavaintojen määrään. Syynä tähän voisi olla esimerkiksi se, että liito-oravien esiintymiseen vaikuttavat muutkin tekijät kuin metsäisyys. Esimerkiksi ilmastolla on selkeästi vaikutusta, sillä liito-orava havaintoja on vain eteläisellä puolella Suomea eikä ollenkaan pohjoisessa. Metsänpeiteanalyysissä ei myöskään ole otettu huomioon sitä, millaista metsää kunnan alueelta löytyy. Wikipedian mukaan liito-oravat viihtyvät varttuneessa kuusivaltaisessa sekametsässä. Vaikka kunnan metsäisyysprosentti olisikin suuri, metsät eivät välttämättä ole otollisia liito-oravalle.

Myös lähdekritiikki täytyy ottaa tarkastelussa huomioon. Laji.fi-sivustolle havaintoja voi lisätä kuka vain, ja toisaalta pelkät havainnot eivät välttämättä ole suoraan verrannollisia liito-oravien todelliseen määrään. Alueelta, joilla liito-oravia sattuu olemaan paljon, havaintoja voi tulla moninkertaisesti enemmän jo ihan sen vuoksi, että niiden harvinaisuuden takia havainto voi tuntua ihmisistä ilmoittamisen arvoiselta asialta. Lisäksi karttavisualisointi itsessään voi johtaa harhaan, kun samalla kartalla tarkastellaan sekä absoluuttisia että suhteutettuja muuttujien arvoja. Hyvää pohdintaa koropleettikartoista ja niiden visualisointiin liittyvistä haasteista löytyy esimerkiksi Ronja Sonnisen blogista.

Kaiken kaikkiaan tältä kurssilta jäi käteen paljon kaikenlaista. Vaikka QGIS:sin käytössä onkin varmasti vielä hirveästi opeteltavaa, hallitsen ainakin perusasiat. Minusta oli myös positiivista huomata, että joihinkin kurssin aikana kohtaamiini haasteisiin pystyin itse etsimään ratkaisun esimerkiksi netistä – vaikka aikaa tähän menikin välillä aika paljon. Viimeinen kurssikerta avarsi mieltäni erityisesti siitä, miten paljon erilaisia aineistoja on saatavilla ja mihin kaikkiin erilaisiin tarkoituksiin niitä voidaan hyödyntää. Geoinformatiikalla on ihan hirveästi erilaisia käyttömahdollisuuksia.

On myös ollut kiinnostavaa seurata muiden kurssiblogeista pohdintoja liittyen kurssin tehtäviin. Kiitos kaikille kurssista!

 

Lähteet:

Ronja Sonninen (2022). Vihdoinkin viimeinen viikko. Ronjan GIS-blogi. Lainattu 9.3.2022. Saatavilla: https://blogs.helsinki.fi/sronja/vihdoinkin-viimeinen-viikko/

Laji.fi, Suomen lajitietokeskus (2022). Lajitietokanta. Lainattu 4.3.2022. Saatavilla: https://laji.fi/observation/list

SYKE, Suomen ympäristökeskus (2018). Maanpeiteanalyysit: maanpeite kunnittain 1. luokittelutasolla. Lainattu 4.3.2022. Saatavilla: https://www.syke.fi/fi-FI/Avoin_tieto/Paikkatietoaineistot/Paikkatietoanalyysien_tuloksia(37720)

Tulivuoria, maanjäristyksiä ja räntäsadetta

Kurssikerta 6

Tällä viikolla lähdettiin kävelylle, interpoloitiin ja tehtiin hasardikarttoja. Tehtävänä oli kuvitella itsensä opettajan asemaan ja tuottaa kolme karttaa, joita voisi käyttää opetuksen tukena. Aineiston teemana olivat hasardit, joista itse päädyin hyödyntämään tulivuori- ja maanjäristysaineistoja. Halusin havainnollistaa ilmiöitä tavalla, joka rohkaisisi pohtimaan niiden taustalla vaikuttavia tekijöitä ja toisaalta maapallon toimintaa holistisena kokonaisuutena. Lukiossa itseäni eri asioiden syy- ja seuraussuhteiden hahmottamisessa helpotti se, että tarkastelin eri ilmiöitä kuvaavia karttoja vierekkäin ja pohdin niiden yhteyttä toisiinsa. Tuottamieni karttojen kanssa voisi siis hyödyntää esimerkiksi karttoja mannerlaattojen reunoista, muista vulkaanisista ilmiöitä tai vaikka väestön tiheydestä.

Kuva 1. Voimakkaiden maanjäristysten sijoittuminen maailmankartalla. (USGS, 2022)

Ensimmäisessä kartassa on kuvattu 2000-luvulla sattuneiden voimakkaiden (6–9 magnitudin) maanjäristysten sijoittumista maailmankartalla. Alkuperäinen tarkoitukseni oli lisätä samaan karttaan myös mannerlaattojen reunat mutten saanut sitä onnistumaan. Toisaalta jäin pohtimaan myös sitä, että ehkä tämän yhteyden oivaltaminen ilman valmista karttaa aiheesta voisi tuntua palkitsevammalta. Opetuksessa voisi kartan tulkitsemisen lisäksi pohtia esimerkiksi maanjäristysten seurantaa ja vaikutuksia tai vaikka maanjäristysten aiheuttaman riskin yhteyttä väestöntiheyteen, infrastruktuurin laatuun ja niin edelleen.

Kuva 2. Tyynenmeren tulirengas. (NOAA, 2022)

Seuraavassa kartassa kuvaan tulivuorten sijoittumista Tyynenmeren tulirenkaan alueella. Halusin keskittää kartan Tyynellemerelle, jotta tulivuorten rengasmainen sijoittuminen tulisi paremmin ilmi. Tämä onnistui kartan projektiota vaihtamalla. Tämänkin kartan rinnalla voisi tarkastella mannerlaattojen reunoja kuvaavaa karttaa ja pohtia esimerkiksi tulivuorten aiheuttamaa riskiä eri alueilla. Samalla voisi käsitellä myös muita vulkanismiin liittyviä ilmiöitä.

Kuva 3. Islannin Tulivuoret. (NOAA, 2022 )

Kiinnostavat esimerkit ovat tärkeä osa oppimista, ja vulkanismin kohdalla Islanti on ehdottomasti yksi niistä. Halusin tehdä kartan, joka esittelisi vulkanismia Islannin alueella, ja näin ollen siinä olisi ollut kiinnostavaa esittää myös muita vulkanismiin liittyviä ilmiöitä, kuten geysirejä ja kuumia lähteitä. Lisäksi olisin halunnut rajata kartalle ainoastaan aktiiviset tulivuoret, mutta se ei onnistunut aineistosta mitenkään järkevästi. Joka tapauksessa erilasten ilmiöiden lähestyminen kiinnostavien esimerkkien kautta on mielestäni hyvä keino oppia tai opettaa niistä. Kartan lisäksi opetuksessa voisi käyttää myös esimerkiksi kuvia ja videoita Islannin vulkanismista.

Lähdekritiikkiä painotetaan nykyään opetuksessa paljon, ja myös sitä voisi pohtia tuottamieni karttojen yhteydessä esimerkiksi siitä näkökulmasta, kuka aineiston on tuottanut ja voiko se näin ollen olla jotenkin vinoutunut. Esimerkiksi Taru Tornikoski havaitsi omissa kartoissaan, että tarkasteltaessa pienemmän magnitudin maanjäristyksiä havainnot painottuvat Yhdysvaltojen ja Kanadan alueelle. Syy tälle on varsin selkeä: datan kerääjä on Yhdysvaltojen geologinen tutkimuslaitos. Lähdekritiikki onkin hyvä pitää mielessä aina karttoja tarkasteltaessa tai niiden avulla opettaessa.

Myös erilaisia interaktiivisia kartta- ja paikkatietopalveluita voidaan hyödyntää nykyään laajasti opetuksessa. Tulivuoria ja viimeaikaisia maanjäristyksiä voi tarkastella esimerkiksi seuraavan karttapalvelun avulla: https://www.usgs.gov/programs/VHP.

Tuntuu, että QGIS toimi tällä viikolla viimeinkin niin kuin sen pitääkin. Hämmennyin ainoastaan siitä, ettei maailmankarttaan pystynyt (tietenkään) lisäämään mittakaavaa, vaan se vääntyi epämääräisen muotoiseksi niin yrittäessä. Muuten viikon tehtävät sujuivat varsin hyvin, eikä aineistojen tuomisessa QGIS:siin ollut juurikaan vaikeuksia. Sääolosuhteet kävelyllä käymiseen eivät tosin olleet erityisen otolliset.

 

Lähteet:

Taru Tornikoski (2022). Lumisia hasardeja. Geoinformatiikkaa tutkimassa. Lainattu 2.3.2022. Saatavilla: https://blogs.helsinki.fi/tornitar/2022/02/24/lumisia-hasardeja/

USGS, United States Geological Survey (2022). Earthquakes. Lainattu 25.3.2022. Saatavilla: https://earthquake.usgs.gov/earthquakes/search/

NOAA, National Oceanic and Atmospheric Administration (2022). Volcanoes. Lainattu 25.3.2022. Saatavilla: https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search

Ongelmanratkaisua

Kurssikerta 5

Viikon avainsanat ovat ongelmanratkaisu ja googlaus. Viidennellä kurssikerralla päästiin tekemään itsenäisesti tehtäviä, joissa pääpaino oli erilaisissa paikkatietoanalyyseissa, aineiston rajaamisessa ja tiedon keräämisessä aineistosta. Tehtävät vaativat aikaisemmin opittujen asioiden yhdistelemistä ja paljon kokeilua, jotta pääsi haluttuun lopputulokseen (tai edes sinnepäin). Välillä oli ihan pakko googlata, miten jokin asia QGIS:sä toimii, kun muuten ei vain päässyt eteenpäin. Virheilmoituksilta ei siis tälläkään kurssikerralla vältytty, mutta ainakin tehtävissä riitti ongelmanratkaisua.

Ensimmäisessä kahdessa tehtävässä kerättiin pääasiassa tietoa siitä, kuinka paljon asukkaita tietyillä alueilla tai tiettyjen palveluiden läheisyydessä asuu. Tehtävänä oli esimerkiksi selvittää, kuinka paljon asukkaita Helsinki-Vantaan lentokentän eri melualueilla on tai kuinka monella ihmisellä on juna- tai metroasema viidensadan metrin säteellä kotoaan. Niissä hyödynnettiin bufferianalyysia, jossa jonkun kohteen ympärille lasketaan puskurivyöhyke ja voidaan näin rajata aineistoa halutulla tavalla. Bufferianalyysia voidaan käyttää monenlaisiin tarkoituksiin, joissa kiinnostus keskittyy jonkun alueen tai kohteen reunavyöhykkeeseen. Anna Makkonen ehdottaa blogissaan käyttötarkoitukseksi esimerkiksi jonkun luonnonhasardin vaikutusalueen arviointia. Itselle tulee mieleen esimerkiksi maanjäristyksen aiheuttamien tuhojen arviointi.

Taulukko 1. Tehtävien vastauksia.

Ensimmäiset kaksi tehtävää sujuivat pääasiassa hyvin ja ongelmat alkoivat oikeastaan vasta kolmannessa tehtävässä. Vapaavalintaiseksi tehtäväksi otin uima-altaita ja saunoja koskevan tehtävän, ja yhtäkkiä mitkään perusjututkaan eivät tuntuneet toimivan. Ensimmäinen ongelma tuli siinä, kun yritin yhdistää pistetietokannassa olevia tietoja aluetietokantaan. QGIS:sin mukaan alueet, jotka kattoivat pääkaupunkiseudun eri kaupunginosat, olivat geometrialtaan virheellisiä, eikä niillä voinut suorittaa mitään toimintoja. Googlasin virheilmoituksen, ja kaikeksi onneksi QGIS:stä löytyi ”fix geometry” -työkalu, jolla ongelman saattoi ratkaista. Lopulta sain kuin sainkin aineistosta tarvittavat tiedot ulos.

Seuraava ongelma tuli aineiston visualisoinnissa. Tarkoituksena oli tuottaa kartta, jossa uima-altaallisten rakennusten määrä näkyy sekä pylväinä että numeroina alueiden päällä. Onnistuin lisäämään sekä pylväät että numerot kartalle, mutta QGIS ei suostunut näyttämään niitä järkevästi päällekkäin, vaan jokaisella alueella näkyi epämääräisesti joko pylväs tai numero. Päädyin lopulta tekemään kartan, jossa näkyvät pelkästään pylväät. Visuaalisessa puolessa olisi ehkä vielä hiottavaa mutten jaksanut käyttää siihen enää enempää aikaa.

Kuva  1. Uima-altaallisten rakennusten lukumäärä pääkaupunkiseudun eri alueilla.

Oikeastaan kaikki kurssikerran asiat olivat varsin helppoja ymmärtää, ja suurimmaksi haasteeksi osoittautui itse ohjelmiston käyttö. QGIS vaikuttaa oikein monipuoliselta ja toimivalta paikkatieto-ohjelmalta, jolla pystyy varmasti vaikka mihin, jos sen käyttämisen vain hallitsee. Monesta lukemastani kurssiblogista tuntui tältä kurssikerralta huokuvan turhautumista siihen, miten vaikea käytettyjä komentoja on muistaa itsenäisesti enää kurssikerran jälkeen. Samaistun tähän täysin.

Tältä kurssikerralta käteen jäi ainakin se, että hyvät googlaustaidot ovat tärkeitä lähes missä vaan tekemisessä ja että ongelmanratkaisu on toisinaan turhauttavaa mutta lopulta usein myös aika palkitsevaa. Tällä hetkellä ainakin erilaisten valintatyökalujen ja bufferianalyysin käyttö tuntuvat suhteellisen yksinkertaisilta, ja aineistojen yhdistelykin onnistuu toisinaan. Harjoiteltavaa on kuitenkin vielä paljon, jos QGIS:siä haluaisi käyttää oikeasti ilman ohjausta.

 

Lähteet:

Anna Makkonen (2022). Puskurointia ja ajatuksia QGIS:sta. Annan kurssiblogi. Viitattu 24.2.2022. Saatavilla: https://blogs.helsinki.fi/annmakko/?lang=en

Ruotsinkielisiä ruututeemakartalla

Kurssikerta 4

Neljännellä kurssikerralla harjoittelimme rasteriaineistojen tuottamista QGIS-ohjelmistossa. Vektroriaineistoihin ja koropleettikarttoihin verrattuna rasteriaineistojen avulla voidaan esittää hieman erilaisia ilmiöitä kartalla, ja siinä missä koropleettikartan pohjana on aina jokin valmis aluejako, rasteriaineistojen avulla tietoa voidaan esittää vapaammin eri alueilla tai eri mittakaavoissa. Näin ollen valmiiksi määriteltyjen alueet, esimerkiksi kuntajako, eivät aiheuta pinta-alaharhaa ja vaikuta näin kartan tulkintaan. Toisaalta myöskään rasteriaineistot eivät kuvaa todellisen maailman ilmiöitä täydellisesti, joten myös niiden tulkintaan täytyy suhtautua kriittisesti.

Toisin kuin koropleettikartoissa ruututeemakartassa on hyväksyttävämpää esittää absoluuttisia arvoja. Tämä johtuu siitä, että kaikki ruudut kuvaavat saman kokoisia alueita, eli ilmiö on ikään kuin valmiiksi suhteutettu alueen pinta-alaan. Toisaalta absoluuttisten arvojen esittäminen ei aina ole mielekästä, sillä jotkin ilmiöt voidaan suhteuttaa pinta-alan lisäksi myös muihin muuttujiin, kuten esimerkiksi väkimäärään. Myös suhteutettuja ruututeemakarttojen tulkinnassa täytyy olla tarkkana, sillä ne saattavat antaa virheellisen kuvan ilmiön todellisesta ilmenemisestä.

Toteutin itse kaksi ruututeemakarttaa ruotsinkielisistä pääkaupunkiseudulla. Ruudut ovat kooltaan 1 km x 1 km. Ensimmäisessä kartassa ruotsinkielisten määrä on ilmoitettu absoluuttisina lukuina ja toisessa suhteellisena osuutena ruudun väestöstä. Kartat ovat keskenään hyvin eri näköisiä, ja niissä kuvautuvat ilmiöt ovat lähes toistensa vastakohdat. Siksi onkin hyvä pysähtyä miettimään, mitä kartassa oikeastaan halutaan kuvata ja millaisia virheitä tulkinnassa voidaan tehdä.

 

Kuva 1. Ruotsinkielisten absoluuttinen lukumäärä pääkaupunkisedulla. 

 

Kuva 2. Ruotsinkielisten suhteellinen osuus alueen väestöstä pääkaupunkiseudulla.

 

Ensimmäisessä kartassa ruotsinkieliset näyttävät keskittyvän eniten Helsingin keskustaan. Tästä ei voida kuitenkaan päätellä vielä hirveästi mitään, sillä väestö on ylipäätään keskittynyt pääkaupunkiseudulla juuri sinne. Koska näissä ruuduissa väkimäärä on suurempi kuin muualla, on myös todennäköisempää, että ruotsinkielisten lukumäärä on niissä suurempi kuin muualla. Toisessa kartassa ruotsinkielisten suhteellinen osuus taas keskittyy enemmän pääkaupunkiseudun reuna-alueille. Täytyy kuitenkin ottaa huomioon, että näissä ruuduissa väkimäärä on kokonaisuudessaan verrattain pieni, joten korkea ruotsinkielisten osuus ei tarkoita sitä, että ruotsinkielisiä itsessään olisi välttämättä erityisen paljon.

Salla Kärkkäinen pohtii samaa ilmiötä blogissaan. Hän on tuottanut kahden muun kartan lisäksi sellaisen kartan, jossa ruotsinkielisten suhteellisesta osuudesta näkyy erikseen ne ruudut, joilla ruotsinkielisiä ei ole ollenkaan tai joilla on pelkästään ruotsinkielisiä. Näin saadaan vielä kolmas visualisointi samasta ilmiöstä ja voidaan korostaa erityisesti sitä, että ruotsinkielisiä asuu lähes jokaisella 1 km x 1 km ruudulla pääkaupunkiseudulla, eikä pelkästään tietyillä keskittyneillä alueilla.

Kaiken kaikkiaan neljännellä kurssikerralla korostui  jälleen se, että kartta ja sen visualisointi täytyy aina valita käyttötarkoituksen mukaan. Mikään kartta ei voi koskaan havainnollistaa täydellisesti kuvaamaansa ilmiötä, ja se täytyy ottaa huomioon niiden tulkinnassa. Jos esimerkiksi haluttaisiin suunnitella ruotsinkielisille suunnattujen palveluiden – esimerkiksi ruotsinkielisten koulujen – sijoittumista, molemmat tekemistäni visualisoinnista voisivat johtaa harhaan.

 

Lähteet:

Salla Kärkkäinen (2022). Viikko 4: Flashbackit TEMMI:lle ja muuta mukavaa. Sallan kurssiblogi. Lainattu 19.2.2022. Saatavilla: https://blogs.helsinki.fi/karkkais/2022/02/09/viikko-4-flashbackit-temmille-ja-muuta-mukavaa/

Ympyrät vs. Pylväät

Kurssikerta 3.

Kolmannella kurssikerralla harjoiteltiin tietokantojen muokkaamista ja yhdistelyä QGIS-ohjelmistossa. Parhaiten mieleen jäi esimerkiksi se, miten helposti QGIS kaatuu tietokantoja yhdistäessä ja toisaalta se, miten paljon erilaista tietoa tietokantaan voi sisällyttää. Harjoitusaineistona käytimme Afrikan karttaa ja siihen liittyviä tilastoaineistoja esimerkiksi timanttikaivoksista, öljykentistä ja konflikteista. Havainnollistamalla tällaisia asioita kartalla voidaan helposti hahmottaa niiden mahdollisia suhteita toisiinsa. Pelkän kartan avulla ei kuitenkaan voida tehdä päätelmiä ilmiöiden varsinaisesta kausaliteetista.

Visualisoimme Afrikan kartalla esimerkiksi timanttikaivosten ja öljykenttien sijaintia suhteessa konflikteihin. Olisi helppo tehdä päätelmä siitä, että kamppailu luonnonvaroista aiheuttaa konflikteja, mutta pelkkää karttaa tarkastellessa ei voida mennä analysoinnissa näin pitkälle. Konfliktit ovat monimutkaisia ilmiöitä, jotka voivat liittyä paitsi luonnonvaroihin myös esimerkiksi Afrikan siirtomaahistoriaan ja varallisuuden epätasaiseen jakautumiseen. Aineiston avulla voidaankin lähinnä saada osviittaa siitä, mitkä voisivat olla kiinnostavia kohteita laajempaan tutkimukseen.

Timanttikaivosten, öljykenttien ja konfliktien sijainnin lisäksi aineisto sisältää myös ominaisuustietoa niistä sekä esimerkiksi internetkäyttäjien määrän vuosittain eri valtioissa. Kiinnostavia tutkimuskohteita voisi löytyä myös esimerkiksi luonnonvarojen ja internetkäyttäjien määrän väliltä, ja niiden välistä yhteyttä voisikin selittää esimerkiksi varallisuuden lisääntymien. Tämäkin vaatisi kuitenkin laajempaa tutkimusta, sillä varallisuus voi olla jakautunut hyvin epätasaisesti ja toisaalta siihen vaikuttavat muutkin tekijät kuin pelkät timanttikaivokset ja öljykentät.

Toisena tehtävänä oli kuvata Suomen valuma-aluekartalla tulvaindeksin suuruutta ja järvisyysprosenttia. Tein kartasta kaksi eri visualisointia, sillä halusin kokeilla sekä ympyrä- että pylväsdiagrammien tekemistä, enkä ollut tyytyväinen ensimmäisen karttani luettavuuteen. Ympyrädiagrammit havainnollistaisivat ehkä paremmin sitä, että järvisyys on ilmoitettu prosentuaalisena osuutena alueen pinta-alasta, mutta en saanut niiden kokoa ja sijaintia säädettyä niin, että sekä tulvaindeksi että järvisyysprosentti olisivat selkeästi luettavissa kartasta (kuva 1). Siksi päädyin kokeilemaan saman kartan toteuttamista myös pylväsdiagrammeilla (kuva 2).

 

Kuva 1. Tulvaindeksi ja järvisyys Suomen valuma-alueilla. Versio 1.

 

Kuva 2. Tulvaindeksi ja järvisyys Suomen valuma-alueilla. Versio 2.

 

Kartoista voidaan havaita, että tulvaindeksin ja järvisyyden välillä vaikuttaa olevan yhteys. Tulvaindeksillä havainnollistetaan virtaaman vaihteluita (keskialivirtaama jaettuna keskiylivirtaamalla). Karttojen perusteella tulvaindeksi on suurinta rannikkojen pienillä valuma-alueilla ja pienintä laajemmilla valuma-alueilla sisämaassa. Niillä valuma-alueilla, joilla järvisyys on suurta, tulvaindeksi on yleensä pienempi kuin alueilla, joilla järviä on pinta-alaan suhteutettuna vähän. Tämä johtuu luultavasti siitä, että järvet varastoivat paljon vettä itseensä, jolloin ne myös tasaavat joissa virtaavan veden määrän vaihteluita.

Monilla muillakin asioilla voi kuitenkin olla vaikutusta tulvaindeksiin. Eeva Raki toteaa blogissaan, että myös esimerkiksi virtaama, topografia, korkeuserot ja valuma-alueen koko voivat vaikuttaa tulvaindeksin suuruuteen. Victoria Rumbin pohtii blogissaan tämän lisäksi myös sulamisvesiä, jotka voivat vaikuttaa virtaavan veden määrään keväisin erityisesti Lapissa. Kaiken kaikkiaan tulvaindeksi vaikuttaa siis moniulotteiselta ilmiöltä, johon liittyy järvisyyden lisäksi monia muitakin tekijöitä.

Kolmannella kurssikerralla opin esimerkiksi esittämään tietoa diagrammeina koropleettikartan päällä. Tietokantoja olin päässyt yhdistämään jo ensimmäisellä viikolla kunta-aineiston kohdalla, mutta näin toisella kerralla sekin tuntui jo paljon selkeämmältä. Sen sijaan monta teknistä asiaa kartan visualisoinnissa jäi vielä oppimatta – esimerkiksi se, miten ympyrädiagrammit saa siirrettyä pois koropleettikartan päältä.

 

Lähteet:

Eeva Raki (2022). Kurssikerta 3: Paineen alla. Oppimassa geoinformatiikkaa -blogi. Lainattu 10.2.2022. Saatavilla: https://blogs.helsinki.fi/eevaraki/2022/02/02/afrikka/

Victoria Rumbin (2022). Kurssikerta 3 – Afrikan konfliktit ja Suomi -tuhansien järvien maa. Matka GIS-guruksi -blogi. Lainattu 10.2.2022. Saatavilla: https://blogs.helsinki.fi/vrumbin/2022/02/03/kurssikerta-3-afrikan-konfliktit-ja-suomi-tuhansien-jarvien-maa/

 

Karttaprojektion monet puolet

Kurssikerta 2.

Toisella kurssikerralla harjoittelimme valintojen tekemistä QGIS-ohjelmistossa ja vertailimme erilaisia projektioita. Mieleen jäi erityisesti se, miten paljon Suomen muoto muuttui projektiosta toiseen vaihtaessa. Projektiolla voidaan siis todella vaikuttaa siihen, millaisen mielikuvan katsoja saa kartan kuvaamasta alueesta. Joissakin projektioissa korostuvat Suomen eteläisen osat ja joissakin pohjoiset osat, ja osassa niistä Suomi tuntui perinteisen Suomi-neidon muotoon tottuneena täysin vääristyneeltä. Suomi on pohjois-eteläsuunnassa pitkä valtio, joten erot projektioissa korostuivat juuri pituusakselilla.

Projisointi tarkoittaa kolmiulotteisen maapallon kuvaamista kaksiulotteisella pinnalla. Karttaprojektio ei voi koskaan täysin kuvata maapallon pintaa täydellisesti, vaan etäisyyksistä, pinta-aloista ja suunnista (eli pisteiden välisistä kulmista) vain yhtä voidaan kuvata totuudenmukaisesti ja muut vääristyvät. Tämän vuoksi yleensä pyritäänkin ainoastaan minimoimaan vääristymät eri osa-alueissa. On myös hyvä muistaa, että eri projektiot soveltuvat eri tarkoituksiin. Suomen aluetta hyvin kuvaavaa projektiota ei luultavasti olisi järkevää käyttää koko maapallon kuvaamiseen tai toisinpäin. Eri projektiot eivät siis lähtökohtaisesti ole toisiaan parempia, mutta tietyissä käyttötarkoituksissa niillä voidaan luoda virheellisiä mielikuvia alueista ja niiden välisistä suhteista.

Vertailimme Suomessa yleisesti käytössä olevaa TM35FIN-projektiota koko maapallon laajuisiin projektioihin. TM35FIN on poikittainen Mercatorin projektio, ja se on suunniteltu kuvaamaan hyvin juuri Suomen aluetta. Kuten Salla Kärkkäinen toteaa kurssiblogissaan, on hyvä muistaa, että vertailu tehdään juuri TM35FIN-projektioon. Tällöin korostuu, että juuri se on Suomen alueella toimiva projektio (Kärkkäinen, 2022). Jos vertailu tehtäisiin johonkin muuhun projektioon tai kokonaan toisella alueella, esimerkiksi koko maapallon laajuisesti, siinä korostuisivat kokonaan toiset asiat. Esimerkiksi TM35FIN tuskin kuvaisi kovin hyvin koko maapallon aluetta.

TM35FIN-projektioon vertailemani projektiot:

  • Mercatorin projektio: oikeakulmainen lieriöprojektio
  • Robinsonin projektio: pseudo-lieriö, yhdistelmäprojektio
  • Winkel tripel -projektio: muu, yhdistelmäprojektio

Kuva 1. Mercatorin projektion vääristymä verrattuna TM35FIN-projektioon.

 

Kuva 2. Robinsonin projektion vääristymä verrattuna TM35FIN-projektioon.

 

Kuva 3. Winkel tripel -projektion vääristymä verrattuna TM35FIN-projektioon.

Kartoissa on kuvattu vertailtavan projektion suhteellista pinta-alaa Suomen eri kunnissa verrattuna TM35FIN-projektioon. Kartoissa on käytetty vertailtavaa projektiota, mikä havainnollistaa myös Suomen alueen muodon ja pinta-alojen vääristymistä. Kaikista suurin vääristymä tapahtuu Mercatorin projektiossa, jossa kuntien pinta-alat ovat korkeimmillaan jopa seitsemän- tai kahdeksankertaisia TM35FIN-projektioon verrattuna. Mercatorin projektiossa korostuvat erityisesti Suomen pohjoiset alueet, jotka vääristyvät eteläisiä alueita enemmän.

Robinsonin projektiossa ja Winkel tripel -projektiossa pinta-alojen vääristymät ovat pienempiä, alle kaksinkertaisia TM35FIN-projektioon verrattuna, mutta Suomi näyttää hyvin venyneeltä itä-länsisuunnassa. Onkin hyvä pitää mielessä, että vertailu tehdään tässä ainoastaan pinta-alat huomioon ottaen. Niiden lisäksi olisi voitu tarkastella myös etäisyyksiä, pisteiden välisiä kulmia eli suuntia sekä alueen sopusuhtaisuutta kokonaisuudessaan. Se, että pinta-alat kuvautuvat lähes totuudenmukaisesti, ei vielä tarkoita, että kartta on muilta ominaisuuksiltaan hyvä. Vertailu kuitenkin osoittaa, miksi TM35FIN-projektion käyttö on oleellista. Se kuvaa vertailluista projektioista parhaiten Suomen aluetta.

Kuva 4. Vertailun vuoksi pelkkä TM35FIN-projektio. Suomen muoto näyttää tässä tutuimmalta.

Tämä kurssikerta sisälsi myös paljon QGIS:sin kanssa säätämistä, kadonneita tiedostoja, virheilmoituksia ja muita ongelmia, mutta kokonaisuudessaan sen käyttö alkaa vähitellen sujua. Jouduin laskemaan projektioiden pinta-alojen vertailut kahteen kertaan, sillä kurssikerralla tallentamani projektitiedosto ei sisältänytkään kaikkia tekemiäni muutoksia, kun avasin sen uudelleen kotona. Oli kuitenkin lohdullista huomata, että sen tekemiseen muodostui vähitellen rutiini. Ehkä tämä tästä!

 

Lähteet:

Salla Kärkkäinen (2022). Viikko 2: Kuntien avainlukuja ja gissiä. Sallan kurssiblogi. Lainattu 2.2.2022. Saatavilla: https://blogs.helsinki.fi/karkkais/2022/01/26/viikko-2-kuntien-avainlukuja-ja-gissia/

Erittäin varteenotettava tiedeblogi

Kurssikerta 1.

Tämän blogin tarkoituksena on toimia oppimispäiväkirjana Geoinformatiikan menetelmät 1 -kurssilla. Jakamalla omia ajatuksia kurssin sisällöstä, lukemalla muiden blogeja ja vuorovaikuttamalla niiden kanssa saadaan aikaiseksi pienimuotoinen yhteisö, jonka kanssa opittuja asioita voidaan käsitellä. Tuotoksena tämä blogi on tietysti erittäin varteenotettava ja tieteellinen – ja vaikkei olisikaan, ainakin pääsen esittämään kaikki mieleen tulevat kysymykset geoinformatiikasta. Mutta mitä tiedeyhteisön leikkimisestä oikein voidaan oppia?

Ensimmäisellä kurssikerralla käytiin läpi paikkatiedon perusjuttuja ja harjoiteltiin käyttämään QGIS-ohjelmistoa. QGIS on avoimen lähdekoodin paikkatieto-ohjelmisto, jonka käyttö tuntuu vielä varsin haastavalta ja aikaa vievältä. Tunnilla piirsimme teemakartan, jossa tarkoituksena oli havainnollistaa tilastotietoa vektoriaineistossa aluejaon mukaisesti. Itsenäiseksi tehtäväksi tuli tehdä vastaava koropleettikartta, jossa pohja-aineistona oli Suomen kunnat vuodelta 2015.

Kuva 1. Typpipäästöt valtioittain Itämerellä.

Tehtäviä oli kolmea vaikeustasoa, ja tartuin niistä numeroon kaksi. Siinä lisähaastetta tuli siitä, että kunta-aineistoon yhdistettävä tilastotieto piti etsiä itsenäisesti netistä sen sijaan, että olisi käyttänyt aineistossa valmiiksi olevia tilastoja. Sopivan tilaston löytäminen ja yhdistäminen vektoriaineistoon osoittautui haastavaksi tehtäväksi. Parin tunnin Excelin ja QGIS:sin kanssa säätämisen jälkeen sain lopulta kartan ulos, mutta kohtasin matkan varrella monta teknistä ongelmaa. Oppimisprosessi meni jotenkin seuraavasti:

Päädyin käyttämään Tilastokeskuksen aineistoa vuoden 2021 kuntavaalien äänestysprosentista, sillä se on esitetty kunnittain ja arvot ovat prosentteja, joita voi esittää koropleettikartalla toisin kuin absoluuttisia arvoja. Aineistoa ei kuitenkaan saanut ladattua sopivassa muodossa CVS-tiedostona, joten jouduin kopioimaan sen Exceliin ja muokkaamaan sen itse sopivaan muotoon. Myös aineiston yhdistäminen Kunnat 2015 -vektoriaineistoon osoittautui haastavaksi. Lisäsin siihen vielä erikseen tilaston kuntanumeroista, jotta QGIS suostui yhdistämään äänestysprosentit tiettyihin kunta-alueisiin.

Seuraava tekninen haaste tuli siitä, ettei QGIS antanut jostain syystä kategorisoida äänestysprosentteja asteikollisiin luokkiin niiden arvojen perusteella. Meinasin jo tehdä kategorisoinnin käsin, kunnes ymmärsin, ettei QGIS pitänyt syöttämiäni tilastoja numeroina vaan pelkkänä tekstinä. Kun sain vaihdettua äänestysprosentit numeroaineistoksi, koropleettikartan teko onnistui viimein niin kuin sen kuuluukin.

Kuva 2. Äänestysprosentti vuoden 2021 kuntavaaleissa. (Tilastokeskus, 2021)

Valmiissa kartassa näkyy äänestysprosentti kunnittain vuoden 2021 kuntavaaleissa. Äänestysprosentin vaihtelussa ei voida erottaa mitään selkeää johdonmukaisuutta, joten pelkästään kartan perusteella ei voitaisi esimerkiksi päätellä eroa kaupunkimaisten ja maaseutumaisten kuntien äänestysprosenttien välillä. Lisäksi joistakin kunnista puuttuu kokonaan tieto äänestysprosentista. Tämä johtuu siitä, että kunta-aineisto on vuodelta 2015 ja äänestysprosentit vuodelta 2021. Tänä aikana kunnissa on ehtinyt tapahtua muutoksia – erityisesti kuntaliitoksia – jonka vuoksi kaikille kunta-aineiston kunnille ei löydy vastinetta äänestysprosenttiaineistosta. Kaiken kaikkiaan kartasta voi kuitenkin havaita, että äänestysprosentissa on jonkin verran eroja eri kunnissa.

Koropleettikartan havainnollistavuutta voidaan pohtia monelta kannalta. Tiina Ilmoniemi pohtii blogissaan sitä, että koropleettikartta aiheuttaa helposti pinta-alaharhoja, mikä Suomen tapauksessa tarkoittaa usein Pohjois-Suomen suurten kuntien korostumista (Ilmoniemi, 2022). Tämä näkyy myös äänestysprosenttikartassa, sillä erityisesti Lapin kunnat erottuvat kartalta hyvin. Sen sijaan esimerkiksi Uudenmaan kunnista äänestysprosentteja on vaikea erottaa. Vaikka koropleettikartta onkin usein osuva tapa visualisoida aineistoa, täytyy sitä tarkastellessa olla tarkka eri kokoisten pinta-alojen vaikutuksesta.

Tehtävän tekemiseen meni siis lopulta aika paljon aikaa, mutta ainakin opin samalla vahingossa aika monta uutta asiaa QGIS:sistä. Entä se tiedeyhteisöllisyys sitten? On ihan kiinnostavaa päästä näkemään, miten vuorovaikutteisuus toimii käytännössä. Opiskelun ollessa varsin etäpainotteista tuntuu myös ylipäätään tärkeältä päästä kuulemaan muiden kurssilaisten kokemuksia kurssin tehtävistä ja sisällöstä. Tiedeyhteisön leikkimisestä voidaan varmasti oppia paljon sekä vuorovaikutuksesta että tekstin julkaisemisesta ylipäätään. Blogini – kuten tuskin kenenkään muunkaan blogi tätä kurssia varten – tulee olemaan erityisen tieteellinen tai varteenotettava, mutta ainakin pääsemme jakamaan oppimiseen liittyviä ajatuksia ja kokemuksia tosillemme.

 

Lähteet:

Tilastokeskus (2021). 12wx — Kuntavaalit äänestystiedot, 2021. Lainattu 27.1.2022. Saatavilla: https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__vaa__kvaa__2021_05/statfin_kvaa_pxt_12wx.px/

Tiina Ilmoniemi (2022). Koropleettikarttojen maailmassa. Learning Geography -blogi. Lainattu 27.1.2022. Saatavilla: https://blogs.helsinki.fi/tiinailm/