Kurssikerta 5

 

Viides kurssikerta keskittyi bufferointiin eli puskurointiin, joka onkin yksi paikkatieto-ohjelmien tärkeimmistä työkaluista. Bufferoinnilla luoda kohteiden ympärille vyöhykkeitä (buffereita) laskennallista tai visuaalista analysointia varten. Bufferoinnilla voidaan selvittää asioiden vaikutusalueita ja saavutettavuuksia. Klassikko esimerkki bufferoinnista voisi olla puhelinantennien katve-alueiden kartoittaminen.

Tällä kurssikerralla pyrittiin tekemään tehtäviä itsenäisesti. Ensimmäisessä tehtävässä tarkasteltiin lentomelua Helsingissä ja Vantaalla. Tehtävä meni käsittääkseni ihan hyvin ja ainakin osa saamistani tuloksista osoittautui samanlaisiksi kuin monen muun kurssitoverin blogeihinsa kirjaamat. Toisen tehtävän kohdalla aika loppui kesken ja jätin loput hommat kotitehtäviksi.

Malmin lentokentästä 2 km säteellä 69 571 ihmistä
1 km Helsinki-Malmin lentokentältä asuu 12 958 ihmistä
2 km Helsinki-Vantaan lentokentästä asuu 14 179 ihmistä
Pahimmalla melualueella (65 dB) asuu 31 ihmistä = 0,26%
Vähintään 55dB melualueella asuu 11913 ihmistä
Tikkurilassa melu haittaisi 26 167 ihmistä

taulukko 1.  Lentomelu. Saadakseni selville Tikkurilaan hypoteettisesti kohdistuvan meluhaitan tein 7 km pitkän ja 1 km leveän bufferin kiitoradasta kaakkoon. Bufferin alueella Tikkurilassa asuu eli melulle altistuu 26 167 ihmistä.

Avatessani jälleen QGISsin tuntui etteivät tehtävät oikein luonnistuneet. Viidennestä kurssikerrasta oli kulunut aikaa noin viisi viikkoa ja olin ehtinyt unohtaa paljon. Jouduin tuhlaamaan huomattavasti aikaa turhiin kokeiluihin kerta toisensa jälkeen. Tarvittavien ikäluokkien yhdistäminen uudeksi kentäksi ei onnistunut. Useimpiin kohtiin löysin kuitenkin lopulta vastauksen. Uima-allastehtävässä oli paljon apua muiden blogien lukemisesta. Erityisesti Meri Suppulan ja Vivi Tarkan blogit olivat tällä kertaa hyödyllisiä. Myös kurssikerran ohjeita ja googlea tuli jonkin verran luettua. Uima-altaalla varustettuja taloja löytyi pääkaupunkiseudulta 855 kappaletta. Tämän näki suoraan statistics panelista. Kun valitsi uima-altaalliset talot, näki statistics panelista myös, että uima-altaallisissa taloissa asuu yhteensä 12170 henkilöä. Uima-altaat talotyypeittäin löytyivät select/filtter features -toiminnolla. Tehtävässä tarvittava join attributes by location piti opetella uudestaan kokeilemalla. Aineiston visualisointi (kuva 1) onnistui, mutten enää jaksanut ottaa selvää miten kuvaan saa uima-altaiden numeroita tai pylväitä.

 

Asemat
a. 500 metriä asemista asuu 106691 ihmistä
b. eli kaikista alueen asukkaista noin 106691/490173=0,2176…=21,8%
c. a kohdan asukkaista työikäisiä
Taajamat
Asukkaista asuu taajamassa 90 725 / 87789 =0,9676… =97%

Taulukko 2. Asemat ja taajamat

Uima-altaalla varustettuja rakennuksia 855
Asukkaita taloissa, joissa on uima-allas 12170
Omakotitalot 345 uima-allasta
Paritalot 158 uima-allasta
Rivitalot 113 uima-allasta
Kerrostalot 181 uima-allasta
Saunat 21922
Saunalliset talot suhteessa muihin 21922/90725 = 0,241… =24%

Taulukko 3. Uima-altaat ja saunat.

Kuva 1. Uima-altaita pääkaupunkiseudun taloissa. Uima-altaat sijoittuvat melko epätasaisesti.

Lähteet:

Meri Suppulan blogi https://blogs.helsinki.fi/merisupp/2018/02/21/5-kurssikerta-vaihtelevia-tuntemuksia-bufferoinnin-lomassa/

Vivi Tarkan blogi https://blogs.helsinki.fi/vivitark/2018/02/20/search-attributes-by-expressions-vai-miten-sen-meni/

http://www.qgistutorials.com/en/docs/performing_spatial_joins.html

Kurssikerta 4

Tällä kurssikerralla käsiteltiin rasterimuotoisia aineistoja. Kurssikerta koostui kahdesta osiosta. Ensimmäisessä osiossa opeteltiin tekemään ruudukko eli grid. Pohja-aineistona käytettiin Helsingin karttaa ja suurta paikkaan sidottua tilastoaineistoa Helsingin asukkaista. Tilastotietoja opeteltiin yhdistämään kartalle luotuun ruudukkoon. Matti Hästbacka toteaa blogissaan ruutukartan olevan hyvä analyysityökalu. Ruudut eivät ole sidoksissa koropleettikartan aluejakoihin, joten ilmiön tai asian esiintyvyys hahmottuu tarkemmin. Olen Hästbackan kanssa samaa mieltä. Ruutukartan sisäinen vertailu on helppoa, sillä ruudut ovat keskenään saman kokoisia. Ruudukko tukee myös visuaalista analyysiä ja voi tuoda esiin uusia ilmiöitä.

Itse tutkin montako 21-vuotiasta asuu kussakin 500 m x 500 m ruudussa. Taustakarttana toimii GoogleMaps. Kartta (kuva 1) kertoo ruudussa asuvien 21-vuotiaiden absoluuttisen määrän. Kartassa korkeita arvoja savat ruudut, joissa asutus on muutenkin tiheää. Esimerkiksi keskustassa on paljon punaisia ruutuja. Ilman muita tilastoja tai karttoja ruudukkoaineistoni edustaa aikalailla nollatutkimusta. 21-vuotiaiden suhteellista osuutta kuvaava kartta voisi sen sijaan olla informatiivisempi.

Kuva 1. 21 -vuotiaat Helsingin seudulla. Mielestäni ruudukko toimii parhaiten nimeenomaan epätasaisesti jakautuneen pisteaineiston analysoinnissa.

Kurssikerran toinen puolisko keskityttiin rastereihin. Aineistona käytettiin laser-keilauksella tuotettua korkokuva-aineistoa Pornaisista. Korkokuvaa paranneltiin värien ja korkeuskäyrien avulla. Aineistoa täydennettiin rinnevarjostuksella. Lopulta aineiston päälle tuotiin rasterimuotoinen Pornaisten peruskartta. Sitten opeteltiin luomaan dataa QGISssin piirtotyökaluolla. Luotiin omat layerit viivoille, pisteille ja polygoneille.

Lähteet:

Matti Hästbackan blogi: https://blogs.helsinki.fi/madhastb/2018/02/13/round-iv/

Kurssikerta 7

Viimeisellä kurssikerralla testattiin opiskelijoiden kykyjä soveltaa opittuja QGIS-taitoja.  Muista kerroista poiketen valmiita aineistoja, ohjeita tai tehtävänantoja ei ollut. Kartat ja aineistot piti löytää itse. Tulokseksi vaadittiin kuitenkin vähintään kahden muuttujan kartta tai karttasarja. Suosituksena oli valita selkeisiin, vertailtaviin osa-alueisiin jakautuva alue. Päädyin valitsemaan työni aiheeksi Kanadan. Valintaan oli kaksi pääasiallista syytä. Ensimmäiseksi Kanada jakautuu selkeisiin ja hyvin vertailtavissa oleviin provinsseihin ja territorioihin (kuva 2). Provinssit ja territoriot ovat myös tarpeeksi erilaisia keskenään. Toiseksi, arvelin että Kanadasta on paljon vapaasti käytettävää tilastoaineistoa. Arveluni osui oikeaan . Kanadan tilastokeskuksesta (http://www.statcan.gc.ca/eng/start) löytyy valtavasti erilaista dataa.

Tilasto 1. Tietoa Kanadasta

Aloitin luomalla koropleetti-kartan Kanadan väestöntiheydestä (Kuva 1). Kanada on yksi maailman harvaanasutuimmista maista. Vuonna 2011 Kanadan väestöntiheys oli vain 3,7 /km2 (tilasto 1). Väestöntiheyserot provinssien ja territorioiden välillä ovat suuret. Pohjoisimmilla alueilla keskimääräinen väestöntiheys alittaa jopa 0,0:n rajan. Suurin väestöntiheys on Prince Edward Islandilla, jossa yhdellä neliökilometrillä asuu keskimäärin 24,7 ihmistä. Väestöntiheyden eroihin vaikuttavat esimerkiksi luonnonmaantieteelliset ja historialliset seikat. Kanadan pohjoiset alueet ovat harvaan asuttuva, sillä ilmasto on kylmä ja luonnonolot ankaria. Kaamos ja pakkanen eivät ole houkutelleet uudisraivaajia. Routainen maa on estänyt maanviljelyn. Myös maan historia näkyy väestön jakautumisessa. Tihein väestö ja suurimmat kaupingit sijaitsevat Kaakkois-Kanadassa. Juuri sinne eurooppalaiset uudisasukkaat saapuivat ensimmäiseksi. Tähän liittyen, myös kulkuyhteyksinä toimineet vesireitit (suuret järvet, St.Lawrence ja Atlantti) ovat asukastiheyden kannalta merkittäviä.Kuva 1.  Kanadan väestöntiheys vuonna 2011

Kuva 2. Kanadan provinssit ja territoriot

Seuraavaksi piti keksiä jokin väestöntiheyteen verrattava muuttuja. Valitsin kannabiksen hintoja kuvaavan aineiston, sillä se oli yksinkertainen ja antio tarkoitukseeni sopivia tuloksia. Lisäksi aihe on ajankohtainen, koska Kanada aikoo laillistaa kannabiksen viihdekäytön heinäkuussa 2018. Seuraavaksi (kuvat 3 ja 4) karttaesitykset kannabiksen hinnoista ($/g) Kanadassa vuonna 2017.Kuva 3. Lääkekannabiksen keskimääräinen hinta  Kanadan provinsseissa ja territorioissa vuonna 2017Kuva 4. Ei lääkkeeksi tarkoitetun kannabiksen keskimääräinen hinta  Kanadan provinsseissa ja territorioissa vuonna 2017

Tilastot eivät ehkä ole sataprosenttisen luotettavia, sillä osa aineistosta on koottu anonyymeillä kuluttajatutkimuksilla. Hintatrendejä on silti havaittavissa. Kannabiksen hinnoissa on jopa 1/3 osa heittoa alueiden välillä. Lääkekäyttöön tarkoitettu kannabis on kaikkialla keskimäärin hieman muuta kannabista kalliimpaa. Pohjoiset territoriot ovat kaikenlaisille kannabiksen käyttäjille kaikkein kalleimpia. Samat alueet ovat myös erittäin harvaan asuttuja. Voisi järkeillä, että harvaan asutuilla ja syrjäisillä alueilla bisnes on heikommin tuottavaa, mikä nostaa hintoja. Myös kilpailua saattaa olla vähemmän. Tiheimmin asutut alueet eivät kuitenkaan yllättäen olekkaan halvimpia. Kanadan edullisinta kannabista saa tilastojen mukaan Manitobasta ja Brittiläisestä Kolumbiasta.

Lähteet:

Pohjakartat : http://www.naturalearthdata.com/downloads/50m-cultural-vectors/50m-admin-1-states-provinces/

Tilasto 1. : http://www12.stat-states-provincescan.gc.ca/census-recensement/2011/dp-pd/hlt-fst/pd-pl/Table-Tableau.cfm?LANG=Eng&T=101&S=50&O=A

http://www.statcan.gc.ca/pub/13-610-x/cannabis-eng.htm

Kuva 2.  : https://fi.wikipedia.org/wiki/Kanadan_provinssit_ja_territoriot

http://www.cbc.ca/news/politics/liberal-legal-marijuana-pot-1.4041902

Kurssikerta 2

Toisella kurssikerralla tutkailtiin projektioita. QGIS:sistä käytiin läpi joitakin valintatyökaluja ja muita toimintoja. Kurssikerralla tehtiin harjoituksia, jotka osoittivat käytännössä, miten valittu projektio vaikuttaa lopputulokseen. Harjoitusten lopputulokset on koottu allaolevaan taulukkoon. 

Projektio Pinta-ala Pituus
WGS 84 1 664,016 km² 485,612 km
Mercator 14 092,315 km² 1 075,474 km
Robinson 2 377,638 km² 706,175 km
ETRS89 / ETRS-LAEA 1 664,016 km² 485,612 km
ETRS-TM35FIN 1 664,016 km² 485,612 km

Taulukko 1. Projektioiden vertailu

Taulukosta voi havaita, että käytetyllä projektiolla on merkitystä. Mercatorin ja Robinsonin projektiot antavat pinta-alojen ja matkojen vertailussa suurempia arvoja kuin muut kolme projektiota. Mercatorin projektioa kritisoidaankin tunnetusti pinta-aloja vääristävänä  mallina. Etenkin Maapallon napoja lähestyttäessä Mercatorin projektio suurentaa alueita luonnottomasti. Robinsonin projektio taas on pienimittakaavaisiin karttaesityksiin tarkoitettu ”kompromissi” projektio. WGS 84, LAEA ja ETRS-TM35FIN antavat mittauksissani samoja lukuja, mutta todellisuudessa niidenkin välillä on eroja. WGS 84 on ylesmaailmallinen tasokoordinaattijärjestelmä, jonka tarkkuus jää hieman LAEAsta eli Lambertin oikeapintaisesta projektiosta. Ero on kuitenkin yleensä alle metrin luokkaa, joten siitä ei normaalisti tarvitse välittää. ETRS-TM35FIN perustuu itseasiassa käänteiseen Mercatorin projektioon. Siinä perinteisen Mercatorin projektion päiväntasaaja on käännetty Suomeen nähden pohjois- etelä suuntaiseksi meridiaaniksi. Näin ETRS-TM35FIN kuvaa Suomea erittäin tarkasti. Muun maailman pinta-aloja projektio kuitenkin vääristäisi yhtä lailla kuin haukuttu Mercatorin projektio. On tärkeää osata käyttää projektioja oikein. Jos tehdään pinta-aloja kuvaavia esityksiä, kannattaa valita oikeapintainen, kuten Lambertin projektio. Kuvassa 1. esimerkkejä Suomesta erilaisissa projektioissa.

Kuva 1. Suomen muoto eri projektioissa (ei mittakaavassa). Vasemmalla Mercatorin, keskellä Lambertin projektio. Oikealla WGS 84

 

 

Lopulta tehtiin koropleettikarttaesitys Mercatorin ja Lambertin projektioiden pinta-alojen prosentuaalisista eroista Suomessa. Kartasta (kuva 2) on helposti havaittavissa, että pinta-alojen vääristymä kasvaa Suomessa pohjoiseen päin mentäessä. Mercatoria ei tosiaankaan kannata käyttää pinta-alojen vartailussa. Suuntiin liittyvissä (ja monissa muissakin) asioissa Mercatorin projektio toimii hyvin, kunhan sen pinta-alavirheet tiedostaa. Monet eivät kuitenkaan tiedosta. Monille saattaakin syntyä vääristynyt kuva mantereiden ja valtioiden mittasuhteista. Esimerkiksi, kuten Tuomas Kirjavainen blogissaan huomauttaa, Mercatorin projektiossa Grönlanti näyttää lähes Afrikan kokoiselta, vaikka Grönlanti oikeasti mahtuisi Afrikan sisälle noin 14 kertaa.

Kuva 2. Mercatorin ja lambertin projektioiden pinta-alojen prosentuaalinen ero Suomessa

Lähteet:

Tuomas Kirjavaisen blogi: https://blogs.helsinki.fi/tuokirja/2018/01/23/12/

https://fi.wikipedia.org/wiki/ETRS-TM35FIN

Kurssikerta 1

Geoinformatiikan menetelmät 1

Kurssikerta 1.

Ensimmäisellä kurssikerralla tutustuimme QGIS-ohjelmistoon. QGIS on paikkatieto-ohjelma, jota tulemme käyttämään paikkatietomenetelmien opiskeluun kurssin aikana. QGIS on niin kutsuttu OpenSource eli avoimeen lähdekoodiin perustuva ohjelmisto. Tämä tarkoittaa, että se on kaikille verkonkäyttäjille ilmainen. Kävimme läpi QGIS:sin perustoimintoja, kuten aineiston sovellukseen tuomista ja kartan värien muuttamista. Kurssikerralla käytetty aineisto kertoi Itämeren typpipäästöistä. Kurssikerran lopuksi sain valmiiksi Itämeren typpipäästöjä kuvaavan kartan. Kartta kuvaa Itämerenalueen valtioiden typpipäästöjen määrää väreillä. Esitykseen kuuluu hyvän kartan periaatteiden mukaisesti myös pohjoisnuoli ja legenda.

Kartasta voi helposti nähdä valtioiden aiheuttamat päästöt ja verrata niitä toisiinsa. Eniten typpipäästöjä näyttäisi aikaansaavan Puola. Seuraavaksi tulevat Venäjä ja Ruotsi. Tuloksia selittävät monet tekijät. Puolan typpipäästöjä selitetään usein Puolan maataloudella ja teollisuudella. Venäjän luulisi saastuttavan huomattavasti Ruotsia enemmän, mutta Venäjällä on vai vähän rantaviivaa Itämerellä. Suurin osa Venäjän typpipäästöistä valuukin todennäköisesti Mustaanmereen tai Jäämereen. Lähes kaikki Ruotsin typpipäästöt taas laskevat suoraan Itämereen. Myös ympäristömääräyksillä on luultavasti osuutta asiaan. Esimerkiksi kartan mukaan vähäpäästöisemmissä Suomessa ja Tanskassa on Puolaa ja Venäjää tiukemmat ympäristömääräykset.

Ville Paunonen nostaa blogissaan esille huomionarvoisen seikan kartan luotettavuudesta. Kartassa ei nimittäin oteta huomioon valtioiden pinta-aloja, väkilukuja eikä muita vaikuttavia tekijöitä. Saastuttajina esimerkiksi Liettuaa ja Ruotsia ei kannata verrata vain absoluuttisten typpiarvojen perusteella.

Viittaukset:

http://blogs.helsinki.fi/vilpauno/

Kurssikerta 6

Kurssikerta 6 keskittyi pistemäisten havaintojen keräämiseen ja esittämiseen. Havaintopisteiden dataa opeteltiin keräämään sekä kentältä että tietokoneelta käsin. Ensin mentiin keräämään paikkatietoa kampuksen lähialueelta. Tiedot tallennettiin epicollect5- nimisellä kännykkäsovelluksella. Lopputulokset visualisoitiin pikaisesti QGISsillä openstreetmapsin päälle. Paikkojen visuaalisesti arvioitavia ominaisuuksia voi kuitenkin kerätä myös käymättä varsinaisesti kohdealueella. Tämän teimme yhdistämällä GoogleMapsin katunäkymän QGISsiin. Katunäkymälle annettiin arvot (tässä harjoituksessa laskettiin kaupallisuuden näkyvyyttä katukuvassa), jotka liitettiin QGISsin karttaan. Lopputulos interpoloitiin ja visualisoitiin.

Kurssikerran itsenäistehtävänä oli tehdä hasarditilastoista opetuskäyttöön soveltuvia karttaesityksiä. Hasardeista valitsin tulivuoret ja maanjäristykset. Ensiksikin laajoista aineistoista piti valita tarpeeksi yleistävä, totuudenmukainen ja havainnollistava otos. Päädyin valitsemaan 2000-luvun puolella sattuneet, yli kuuden magnitudin maanjäristykset ja D1 luokitetut eli vuonna 1964 ja sen jälkeen purkautuneet tulivuoret. Ehdot täyttäviä pistehavaintoja löytyi tulivuorten osalta 281 kappaletta ja maanjäristyksistä 2726 kappaletta. Määräänsä nähden havaintopisteet uppoavat kartalle (kuva 1.) suhteellisen hyvin. Osa havainnoista menee päällekkäin, mutta se ei haittaa. Kartan tarkoituksena on kuitenkin havainnollistaa kokonaisuutta, ei yksittäispisteitä. Kartasta tuli selkeä ja ihan kivan näköinen. Asiaan perehtymättömänkin on mahdollista hahmottaa missä maailmankolkissa tulivuoret ja maanjäristykset sijaitsevat.

Kuva 1. Tulivuoret ja maanjäristykset                                                                       Punainen kolmio = tulivuori                                                                                                  Oranssi ympyrä = maanjäristys

Toinen opetuskäyttöön suunniteltu karttani (kuva 2.) kertoo alueellisuuden lisäksi maanjäristyksen voimakkuudesta ja yleisyydestä. Aineisto on sama kun ensimmäisessä karttaesityksessä, mutta pisteet on luokiteltu maanjäristyksen voimakkuuden mukaan tasaväliselle asteikolle. Luokitteluasteikko on muuten hyvä, mutta luokat menevät hieman päällekkäin eli esim. 7.00 kuuluu kahteen luokkaan. Kartasta näkee minne tiheimmät ja voimakkaimmat maanjäristykset ovat keskittyneet. Kartta antaa myös suhteellisen käsityksen eri tasoisten maanjäristysten yleisyydestä.

Kuva 2. Maanjäristykset  2000-luvulla. Mielestäni teemaluontoinen maailmankartta ei vaadi tuekseen mittakaavaa tai pohjoisnuolta.

Tässä vaiheessa ’’opetusta’’ huomio johdetaan usein maanjäristysten ja tulivuorten alueellisuuteen vaikuttaviin syihin. Kuten monet muutkin kurssin opiskelijat, esimerkiksi Elli-Nora Kaarto, Eemil Becker ja Salla-Sofia Leppiniemi ovat blogeissaan havainneet, tämän toteuttaisi helposti litosfäärilaattojen saumakohtia kuvaavalla kartalla. Esimerkki tällaisesta kartasta kuvassa 3. Litosfäärilaattoihin ja hasardeihin liittyvien syy-seuraussuhteiden korostaminen tukisi oppimista. Tiedot tulivuorten ja maanjäristysten sijainneista eivät jäisi irrallisiksi.

Kuvahaun tulos haulle litosfäärilaatat karttaKuva 3. Litosfäärilaatat ja niiden liikesuunnat

Lähteet:

https://blogs.helsinki.fi/beemil/

https://blogs.helsinki.fi/lepsalla/

https://blogs.helsinki.fi/elkaelka/

Kuva 3.: https://www.thinglink.com/scene/972019960027021316

 

 

 

Kurssikerta 3

Kurssikerta kolmosen keskeisin teemana oli aineistojen yhdisteleminen QGISillä. Ensimmäisen harjoitusosion aineistona käytettiin tarkkaa ja yksityiskohtaista karttaa Afrikan mantereesta. Aineiston mukana oli tilastoja Öljyvaroista, konflikteista ja timanteista. Afrikan valtiot koostuivat aineistossa useammista palasista, joten ne piti yhdistää. Tässä vaiheessa QGIS jostain syystä kaatui useampaan otteeseen peräkkäin. Ratkaisin ongelman vaihtamalla toiselle koneelle. Tässä vaiheessa Afrikan valtioiden yhdistely oli kuitenkin jo ohi, joten jouduin hyppäämään suoraan seuraavaan vaiheeseen. Seuraavassa vaiheessa QGISsiin tuotiin Excel-tiedosto. Excel-tiedostoja yhdisteltiin Afrikka-tiedostoihin ja yhdistettyjen tietokantojen avulla laskettiin esimerkiksi maakohtaisia facebookin käyttäjämäärien muutoksi Afrikassa.

Seuraavaksi tehtiin esitys Suomen tulva-alueista. Tulva-alueet määriteltiin tulvaindeksillä, joka laskettiin jakamalla keskiylivirtaama (MHQ) keskialivirtaamalla (MNQ). Tuloksena syntyi oheinen teemakartta valuma-alueiden tulvaherkkyydestä. Kartasta näkyy, että Suomen tulvaherkimmät alueet ovat rannikolla Etelä-Suomessa ja Pohjanmaalla. Kyseiset alueet ovat topografisesti tasaisia ja jokia on melko paljon. Etenkin Pohjanmaalla on monia tunnettuja laskujokia. Järviä sen sijaan näyttäisi olevan suhteellisesti vähemmän kuin muualla Suomessa. Nämä tekijät, etenkin tasaisuus vaikuttavat merkittävästi alueiden tulva-alttiuteen.

Karttatulkinnasta tuli mielestäni ihan hyvä. Ei tarkastelun kohteena olevat alueet (legendassa rantaviiva) olisi kuitenkin pitänyt selkeyden vuoksi kuvata jollakin toisella värillä.