Rikosprosentti ja koulutusaste Euroopassa

Seitsemännen kurssikerran tehtävänä oli tuottaa tähän asti opittujen asioiden avulla vapaavalintainen kartta. Mietin pitkään, mitä muuttujia halusin kartallani esittää ja halusinko tehdä luonnonmaantieteellisen vai ihmismaantieteellisen kartan. Lopulta päädyin siihen, että halusin esittää rikollisuuttaa eri alueilla. Ajattelin aluksi, että olisin tutkinut rikollisuutta Saksan eri osavaltioissa, mutta minulla oli todella suuria ongelmia löytää pohjatiedosto, jossa olisi ollut esillä osavaltiojako. Jonkin aikaa tämän kanssa kamppailtuani päädyin siihen, että teen kartan sittenkin Suomesta maakuntajaolla. Tämä kuitenkin tuntui jotenkin turhan helpota aiheelta ja lopulta päädyin siihen, että aion vertailla rikollisuutta eri Euroopan valtioiden välillä.

Yritin etsiä aineistoa Euroopan valtiorajoista, mutta en löytänyt aineistoa, joka olisi kattanut pelkästään Euroopan. Emilian blogista Emilian Gis-Blogi sain idean siihen, että lataan koko maailman valtiot ja rajaan siitä haluamani alueen. Emilialla oli ollut sama ongelma aineiston kanssa, ja hän oli päätynyt tähän ratkaisuun. Tämän aineiston löysin Natural Earth palvelusta pienen säätämisen jälkeen.

Seuraavaksi lähdin etsimään esitettäviä muuttujia. Kartassani on näkyvissä kaksi eri muuttujaa: ympyrädiagrammi, josta näkyy valtion koulutusasteet, sekä alla oleva teemakartta, jossa on näkyvissä rikosprosentti väkilukuun suhteutettuna. Aineistot näihin löysin Eurostat palvelusta. Aineistot olivat yllättävän helppoja käyttää, kunhan ymmärsin mitä olin etsimässä. Käyttämäni aineistot olivat Suspects and offenders by citizenship, Population on 1 January sekä Population by educational attainment level, sex and age (%) – main indicators. Kaikki valitsemani aineistot olivat vuodelta 2018. Valitsin vuoden 2018, koska ajattelin sen kuvaavan normitilannetta parhaiten niin, että nykyinen koronatilanne ei vaikuta tilastoihin.

Kuva 1: Rikollisuusprosentti ja koulutusaste osassa Euroopan valtioista.

Ympyrädiagrammeissa on esitetty valtioiden koulutusasteet. Tähän käytetty tiedosto oli Population by educational attainment level, sex and age (%) – main indicators, joka esitti koulutusasteen eri numeroilla. Luvut olivat jo valmiiksi prosentteina, joten minun tarvitsi vain tuoda tiedot QGIS:iin ja yhdistää ne pohjakartan kanssa samaan tietokantaan. Yhdistämisen kanssa minulla oli pieniä ongelmia, sillä en aluksi tajunnut, että minun piti tuoda kaikki kolme muuttujaa omina tietokantoinaan, jotta saan kaikki niistä näkymään. Pienen säätämisen ja atribuuttitaulukon tutkimisen jälkeen ymmärsin ongelman ja sain sen korjattua.

Pohjakartassa on nähtävissä rikollisuusprosentti. Tämän sain näkyviin jakamalla valtiossa annettujen tuomioiden määrän valtion asukkailla. Tämä oli hieman ongelmallista, sillä en aluksi saanut millään laskutoimitusta suorittumaan. Päättelin tämän johtuneen siitä, että ohjelma ymmärsit tiedostot tekstiaineistoina eikä numeroina. Sain pienellä avulla aineistot muutettua numeromuotoon, minkä jälkeen laskutoimitus onnistui mutkatta.

Kartasta huomaa, että osassa valtioissa ei ole näkyvissä dataa. Tämä johtuu siitä, että osaan valtioista ei löytynyt dataa tai data ei yhdistynyt. Jouduin yhdistämään tietokantoja nimien perusteella, koska se oli ainut yhteinen muuttuja. Tämä johti siihen, että yhdistäminen saattoi kadottaa osan tiedosta tässä vaiheessa esimerkiksi eri kirjoitusasun takia.

Tämän kerran tehtävä oli todella kiva tehdä. Oli todella palkitsevaa huomata, että vapaavalintaisen kartan tekeminen oikeasti onnistui ilman suurempia ongelmia. Tämän kurssin alussa en osannut käyttää QGIS ohjelmaa lähes ollenkaan muistan, että kun käytimme sitä kurssilla 104 olin sitä mieltä, että ohjelman käyttäminen oli todella vaikeaa ja turhaannuttavaa. Tämän kurssin jälkeen koen järjestelmän käytön huomattavasti helpommaksi ja pystyn jopa ratkaisemaan erilaisia syntyviä ongelmia. Kaiken kaikkiaan koen oppineeni todella paljon tällä kurssilla.

Lähteet:

Natural Earth https://www.naturalearthdata.com/

Eurostat https://ec.europa.eu/eurostat/data/database

Emilian Gis-Blogi https://blogs.helsinki.fi/elmoinas/

Maanjäristysten kuvaamista kartoilla

Tämän kurssikerran tehtävänä oli tutkia maanjäristyksiä ja tulivuoria ja tuottaa niistä karttoja, joita olisi mahdollista käyttää aineistona opetuksen tukena. Pääsimme käyttämään ennestään tuttua toimintoa, jonka avulla voi tuoda tietoa muista lähteistä ja tutustumaan sen käyttöön tarkemmin. Tätä samaa toimintoa käytettiin kurssikerralla kolme, mutta tällä kurssikerralla uutena tuli koordinaatisto tietojen liittäminen karttaan ja pisteiden saaminen oikeille sijainneille tällä tavalla. Aineistojen vieminen QGIS:iin sujui lähes ongelmitta ja pienen säätämisen jälkeen tiedot sai sijoittumaan oikeisiin kohtiin.

Tarkoituksena oli tuottaa kolme karttaa kohtalaisen vapaavalintaiselta ajanjaksolta. Valitsin tuottavani ainesitoja, joissa näky eri suuruisia maanjäristyksiä vuosien 1980 ja 2012 välillä. Ensimmäisessä kartassa (kuva 1) on nähtävissä yli 8 Richterin järistykset, toisessa (kuva 2) yli kuuden ja kolmannessa (kuva 3) yli kuuden Richterin järistykset sekä tulivuoret.

Kuva 1: yli 8 Richterin maanjäristykset

Kuva 2: yli 6 Richterin maanjäristykset

Kuva 3: yli 6 Richterin maanjäristykset ja tulivuoret

Karttoja tutkiessa on havaittavissa, että maanjäristysten määrä kasvaa eksponentiaalisesti mitä pienempiä järistyksiä tutkitaan. Kartassa 2 on nähtävissä eri suuruisten maanjäristysten määrät eri väreillä ja voidaan huomata, että esimerkiksi yli kahdeksan Richterin maanjäristyksiä on vain muutamia, kun taas yli kuuden Richterin määrä on moninkertainen.

Kartoista on mielenkiintoista katsoa, mihin maanjäristykset sijoittuvat. On selkeästi havaittavissa, että todella suuri osa maanjäristyksistä sijoittuu litosfäärilaattojen reunoille. On myös havaittavissa, että järistykset sijoittuvat usein tulivuorten läheisyyteen. Myös maanjäristysten voimakkuutta katsottaessa on nähtävissä, että voimakkaimmat järistykset sijoittuvat juuri litosfäärilaattojen reunoille. Mielenkiintoisena havaintona voidaan tehdä se, että Afrikan mantereelta löytyy reilusti tulivuoria, mutta hyvin pieni määrä yli 6 Richterin maanjäristyksiä. Yli 8 Richterin järistyksiä mantereelta ei löydy ollenkaan. Katariina oli huomannut, että myös Islannissa on paljon tulivuoria, mutta vain vähän voimakkaita järistyksiä. Tämä todennäköisesti selittyy eri tulivuorityypeillä. Näillä alueella tulivuoret todennäköisesti ovat esimerkiksi kilpitulivuoria, jotka purkaantuvat paljon pienemmällä voimalla.

Tekemiäni karttoja olisi mielestäni mahdollista käyttää opetuksessa. Niille paras käyttötapa olisi juurikin tulivuoren sijaintien ja järistysten esiintyvyyksien yhteyden etsimisessä. Kartoista tekisi vielä havainnollistavampia se, jos niihin laittaisi litosfäärilaattojen rajat ja kulkusuunnat. Tämä toisi selkeästi esiin sen, kuinka läheisyys liitoskohtaan vaikuttaa voimakkuuteen. Löysin kuvan, jossa tämä on esitetty sivustolta clarkscience8.weebly.com (8th Grade Science). Kartassa on kuvattuna sekä laattojen rajat, ovatko ne törmäys- vai erkanemisvyöhykkeitä jne. sekä maanjäristysvyöhykkeet, ja tulivuorten sijainnit.

Kuva 4: Patterns of earthquakes and volcanoes 

 

Lähteet:

Maanjäristykset: https://ncedc.org/anss/catalog-search.html

Tulivuoret: https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search

Kuva 4: https://clarkscience8.weebly.com/patterns-of-earthquakes-and-volcanoes.html

Katariinan Blogi: https://blogs.helsinki.fi/karvkata/?lang=en

Analyysityökalujen harjoittelua

Tällä kurssikerralla pääsimme tekemään todella paljoin itsenäistä työskentelyä. Tarkoituksena oli opetella käyttämään buffer työkalua ja tehdä sen avulla erilaisia rajauksia. Tällä kurssikerralla oli paljon minulle täysin uutta tietoa ja oli todella hyvä, että sitä pääsi saman tien käyttämään itsenäisissä tehtävissä, koska se jäi tällä tavalla hyvin päähän.

Tämän kurssikerran harjoitukset olivat minulle vaikeimpia tähän mennessä. Aikaisemmin opittua tietoa pääsi soveltamaan laajasti ja ainakin itse huomasin, että monessa kohdassa sai vähän testailla, ennen kuin löysi oikean työkalun tai sai käskyn suorittumaan halutulla tavalla. Aino Pahkala kuvasi tätä todella hyvin blogissaan: “Vaikka itsenäistehtävät aiheuttivat harmaita hiuksia, oli niiden tekeminen silti opettavaista, ja pakotti luoviin ratkaisuihin, jos oikeita toimintoja ei muistanut. Tunnilla opettajan ohjeita seuratessa ei tule keskityttyä tarpeeksi toimintojen muistamiseen, joten ne unohtuvat nopeasti, ja tehtävien tekoa on vaikea jatkaa.”

QGIS on monessa suhteessa todella hyödyllinen työkalu, kunhan sen käytön ymmärtää kunnolla. Olen huomannut näiden kurssikertojen aikana, että vähitellen asioita alkaa jäämään päähän ja tietyt toiminnot tulevat jo aivan itsestään. On ollut todella palkitsevaa huomata, että tietyissä tilanteissa pystyy myös itse ratkaisemaan ongelmia, jos ja kun jotain menee pieleen.

Tällä hetkellä minusta vaikuttasi siltä, että tärkeimpiä QGIS:in työkaluista ovat juuri analyysityökalut. QGIS:in avulla on mahdollista rajata aineistoja halutuilla tavoilla, joka mahdollistaa eri asioiden tutkimisen. Esimerkiksi juuri tällä kurssikerralla käytetty buffer tai intersect toiminto on hyvä esimerkki tästä. Aineistoa on mahdollista rajata halutulla tavalla, ja sen jälkeen tutkia rajattuja attribuutteja omana tietokantanaan tai osana suurempaa kokonaisuutta. Toinen todella hyvä ominaisuus QGIS:ssa on se, että siihen pystyy tuomaan aineistoja hyvin monesta eri lähteestä. Se tekee sen käytöstä ja ominaisuuksista paljon laajempaa.

Myös field calculator on minusta yksi tärkeimmistä työkaluista. Sen avulla pystyy tekemään hyvin suuren määrän erilaisia komentoja. Samalla field calculator on minulle yksi vaikeimmista työkaluista käyttää ja koen tarvitsevani sen kanssa enemmän harjoitusta. Minulle kaikki matemaattinen työskentely, esimerkiksi juuri kaavojen tekeminen on todella vaikeaa, mikä vaikeuttaa field calculatorin käyttöä minulle. Tämän lisäksi koen tarvitsevani enemmän harjoitusta yleisesti siinä, että osaan valita oikean komennon ja ymmärrän mitä mikäkin komento käytännössä tekee. Tällä hetkellä minulle helpoimpia ominaisuuksia käyttää ovat erilaiset aineistojen yhdistelemiset ja erottamiset toisistaan.

Itsenäisistä tehtävistä valitsin tekeväni kolmannen, eli koulutehtävän. Olisin halunnut tehdä putkiremonttitehtävän ja aloitinkin sen tekemisen, mikä on nähtävissä taulukosta (taulukko 1). En kuitenkaan osannut tehdä tehtävää loppuun ja jonkin aikaa sen kanssa kamppailtuani päätin, että teen jonkin toisen tehtävän. Olisi todella kiinnostavaa oppia, miten tämä tehtävä olisi kuulunut ratkaista. Koululaistehtävän sain onneksi tehtyä ilman sen kummempia ongelmia.

Taulukko 1: Kurssikerran tehtävien tuloksia

Lähteet:

Geoinformatiikkaa (Aino Pahkala)  https://blogs.helsinki.fi/pahkalaa/

Ruututeemakarttoja ja korkeuskäyriä

Tällä tunnilla teimme ruutumuotoisia aineistoja. Ruututeemakarttojen tekeminen oli ennestään tuttu asia kurssilta MAA-201, mutta tämä oli ensimmäinen kerta, kun teimme niitä QGIS ohjelmalla. Ruudukon tekeminen oli yksinkertaista, joskin hieman hidasta. Tein ensiksi tehtävää ohjeiden mukaan, joissa luki ruudukon kokona 250 metriä ja väestötietojen yhdistämisessä tähän ruudukkoon kesti lähes puoli tuntia. Kun tein tehtävää uudestaan tajusin onneksi käyttää suurempaa ruudukkokokoa ja aineistojen yhdistäminen kävi huomattavasti helpommin. Ruudukon luomista lukuun ottamatta tällä tunnilla tehdyt asiat olivat pitkälti minulle ennestään tuttuja.

Tein ruututeemakartat ruotsinkielisestä (kuva 1) ja muunkielisestä (kuva 2) väestöstä. Molemmat kartoista on tehty samalla periaatteella, ja niiden ulkonäkö on hyvin pitkälti sama. Itse tiedoissa on kuitenkin havaittavissa jonkin verran eroja. Ruotsinkielistä väestöä tutkiessa (kuva 1) on havaittavissa, että luokat ovat jakaantuneet aika eri suruiksi, kuin kuvassa 2. Molemmat luokista on tehty luonnilliset luokkarajat-jaolla ja väestössä ei ole mitään älyttömän suuria eroja, mutta luokkien suuruuksissa on selkeitä vaihteluja. On myös havaittavissa, että ruotsinkielinen ja muunkielinen väestö sijoittuu kartalla hyvin pitkälti eri alueille, etenkin suurimmat keskittymät. Suurin osa ruotsinkielisestä väestöstä sijoittuu keskustan alueelle, kun taas muunkielinen väestö on jakautunut suuremmalle alueelle ja keskittymiä löytyy etenkin Itä-Helsingistä.

Kuva 1: Ruotsinkieliset asukkaat pääkaupunkiseudulla

Kuva 2: Muunkieliset asukkaat pääkaupunkiseudulla

Minusta tuottamani kartat ovat kohtalaisen selkeitä, vaikka niihin ei saisi enempää kontekstia. Niitä selkeyttäisi ehkä eniten se, että lisäisin enemmän luokkia, jotta vaihteluvälit eivät olisi niin suuria.

Ruututeemakartat ovat minusta hieman sekavampia, kuin tavalliset teemakartat. Ruudut tekevät alueiden hahmottamisesta haastavampaa ja aineistosta sekavampaa. Vaikka ruutukartan hyvänä puolena sinänsä on se, että se yksinkertaistaa tietoa, minusta se vaikeuttaa aineistojen hahmottamista. Ruutuaineistojen tutkiminen tuntuu myös vähemmän tarkalta. Esimerkiksi pisteaineistoissa sijainnit saa todella tarkasti paikalleen, kun taas ruutuaineisto yleistää pinta-aloja. Absoluuttisten arvojen esittäminen ruutukartassa on hyväksyttävää ja se onkin yksi ruutukartan hyvistä puolista. Koska tutkittavat ruudut ovat aina saman kokoisia ne ovat keskenään suoraan vertailukelpoisia, eikä niitä tarvitse suhteuttaa pinta-alaan.

Kuva 3: Korkeuskäyriä

Kuva 4: Korkeuskäyriä

Ruututeemakarttojen lisäksi harjoittelimme tunnilla sekä rinnevarjostusten että korkeuskäyrien tekemistä. Kuvissa 3 ja 4 on nähtävissä kuvakaappaus aineistosta, jossa on korkeuskäyriä Pornaisten alueelta. Mustat viivat ovat Paitulista ladattuja virallisia aineistoja ja punaiset viivat ovat itse tekemiäni korkeuskäyriä. Näitä vertaillessa on havaittavissa, että viralliset korkeuskäyrät ovat selvästi tarkempia ja yksityiskohtaisempia (kuva 3). On myös nähtävissä, että joissain kohdissa käyrät eivät täsmää keskenään lähes ollenkaan ja itse piirretyt käyrät ovat todella sekavia (kuva 4). Sara oli blogissaan tehnyt samanlaisen huomion ja kuvannut tätä “siksak” kuviona. Suurimman osan ajasta käyrät osuvat kuitenkin suunnilleen samoille kohdille.

Lähteet:

Sara Virtanen: https://blogs.helsinki.fi/virsara/

Aineistojen yhdistelemistä

Tällä kurssikerralla harjoituksena oli oppia yhdistämään tietoa erilaisista tietokannoita ja muokata sitä haluttuun muotoon. Käytimme useita uusia toimintoja, jotka olivat minulle aivan vieraita. Näitä samoja toimintoja päästiin harjoittelemaan uudestaan myös kotona tehdyssä harjoituksessa, joka sai ne jäämään paremmin muistiin ja teki ne tutuiksi. Ainakin itse koin ”ahaa-elämyksen” siinä, miten QGIS ohjelmana toimii ja miten tietoa siinä kuuluu yhdistellä. Harjoittelimme muun muassa eri aineistojen yhdistämistä yhdeksi kokonaisuudeksi, jota pystyy käsittelemään sellaisenaan, sekä yhdistämään erilaisia tietolähteitä. Harjoittelimme esimerkiksi Excel taulukoiden yhdistämistä shapefilenä tuotuun dataan. Tämän lisäksi opettelimme rajaamaan aineistoa ja yhdistämään aineiston sisällä olevia objekteja. Tämä tunnin harjoitukset olivat minulle hyvin pitkälti täysin uutta tietoa, ja ne selvensivät ohjelmiston käyttöä huomattavasti.

Tämän kurssikerran ensimmäisenä tehtävänä oli tutkia timanttikaivoksia, konflikteja ja öljykenttiä Afrikassa. Aluksi muokkasimme aineistot sellaiseen muotoon, jossa meidän oli mahdollista tutkia näitä asioita päällekkäin. Sitten tehtävänä oli pohtia, mihin tätä tietoa voitaisiin käyttää ja mitä siitä voidaan päätellä.

Timanttikaivosten tuottavuusluokittelusta voidaan päätellä mitkä timanttikaivokset ovat tuottavia ja mihin niistä kannattaa panostaa. On myös mahdollista arvioida, mitkä kaivoksista tulevat tulevaisuudessa muuttumaan tuottamattomiksi ja on mahdollista nähdä etukäteen, miten se tulee vaikuttamaan alueen talouteen, ja esimerkiksi työllisyyteen. Samaa periaatetta voidaan käyttää myös öljykenttien tutkimiseen. Näistä voi myös tutkia, miten turvallisuus ja tuottavuus vaikuttavat toisiinsa.

Konflikteja tutkimalla taas on mahdollista nähdä, mitä on tapahtunut minäkin vuonna, ja on myös mahdollista tutkia onko konfliktit sidoksissa öljykenttiin ja timanttikaivoksiin. Voidaan esimerkiksi tutkia, onko niillä tekemistä konfliktien kanssa esimerkiksi omistajuuskysymyksissä tai onko niistä saatu rahoitusta konflikteihin.

Internetin käyttäjämäärää voi hyödyntää esimerkiksi erilaiset tietotekniikka ja sosiaalisen median yritykset siinä mielessä, että on mahdollista tutkia mihin maihin palveluita kannattaa kohdistaa, kun on nähtävissä, missä niitä todennäköisesti eniten käytettäisiin.

Toinen kurssikerralla tekemämme harjoitus liittyi Suomen järvisyyteen. Teimme teemakartan (kuva 1), jossa havainnollistettiin järvisyysprosenttia ja tulvaindeksejä eri puolilla Suomea. Tämän kartan tekemisessä pääsimme käyttämään Afrikkaa koskevassa harjoituksessa oppimiamme asioita ja soveltamaan niitä itsenäisesti. Uutena asiana tuli karttaan lisättävät pylväsdiagrammit, joiden kansa kamppailin hyvin kauan, mutta jotka lopulta sain avulla tehtyä. Muiden kurssilaisten blogeja selaillessa huomasin, etten suinkaan ollut ainoa tämän ongelman kanssa. Esimerkiksi Olivialla oli ollut samankaltaisia ongelmia, mikä tuli helpotuksena. Ohjelmiston käyttö tuntuu minusta usein todella haastavalta ja on kiva tietää etten ole ainoa. 🙂

Kuva 1: Tulvaindeksi ja järvisyysprosentti 

Kartassa on näkyvissä se, että suurin osa Suomesta kuuluu pienen tulvaindeksin luokkaan. Pääkaupunkiseudulla tulvaindeksi on korkealla. Tähän voidaan olettaa vaikuttavan sen, että pääkaupunkiseudulla on paljon rakennuksia ja esimerkiksi teitä ja maa-alueita on päällystetty, jolloin vähemmän sadevedestä pystyy imeytymään maaperään. Tämä aiheuttaa veden kertymistä muun muassa jokiin nopeasti, joka kasvattaa niiden tulvimisriskiä. Toinen korkean tulvaindeksin alue on Turun suunnassa. Tähän vodaan olettaa vaikuttavan samojen asioiden kuin pääkaupunkiseudulla. Turussa virtaava Aurajoki ja sen sivujoet ovat todennäköisesti yksi syy tulvimiseen.

Mielenkiintoisesti näyttää siltä, että siellä missä järvisyys on suurinta, tulvaindeksi on pienimmillään. Voidaan siis päätellä, että järvien olemassaolo vaikuttaa tulvimisen pienuuteen. Todennäköisesti esimerkiksi moni alueella virtaava joki johtaa järviin ja monet järvistä myös varmasti ovat yhdistyneet toisiinsa jokien välityksellä. Näin alueella tapahtuvalla valumalla on paikka, jonne mennä. Järvissä kapasiteetti vedelle on paljon suurempi, joten niihin päätyvä valuma ei johda samanlaiseen tulvimiseen. Voidaan myös olettaa, että ainakin osa näistä alueista on harvemmin asuttuja ja maa-alueita ei ole päällystetty yhtä tehokkaasti, jolloin vesi pääsee ensiksi imeytymään maaperään ja tulvivan veden määrä on huomattavasti pienempi ja tulva tapahtuu hitaammin. Tulvimiseen voi vaikuttaa myös esimerkiksi pellot, metsät ja muu kasvillisuus, joka sitoo itseensä osan vedestä.

Lähteet:

Olivian Blogi: https://blogs.helsinki.fi/tfolivia/

Karttaprojektioiden tutkimista

Tällä kurssikerralla tutkimme tarkemmin karttaprojektiota. Aihe oli luonnollisesti jo ennestään tuutu, mutta tämä kerta selvensi asiaa entisestään. Viikon harjoituksena oli kokeilla, miten erilaiset projektiot vaikuttavat kartalla ja minkälaisia vääristymiä ne aiheuttavat. Tutkimme sitä, kuinka erilaiset projektiot vaikuttavat pituuksiin ja pinta-aloihin Suomen kartalla ETRSTM35FIN-projektioon verrattuna.

Tämän viikon harjoitus oli todella mielenkiintoinen ja havainnollistava, koska pääsimme oikeasti itse tutkimaan ja kokeilemaan erilaisia projektioita ja näkemään niiden vaikutukset karttaan. Tämän kurssikerran harjoitukset avasivat karttaprojektiota ja niiden aiheuttamia vääristymiä minulle tavalla, jota en ole ennen ymmärtänyt. Minulle on aina ollut vaikeaa hahmottaa mitä vääristymiä mikäkin aiheuttaa, mutta tämä kurssikerta selkeytti asiaa minulle todella paljon.

Kuva 1: Mercatorin projektion aiheuttamat vääristymät ETRSTM35FIN-projektioon verrattuna.

Kuva 2: Robinsonin projektion aiheuttamat vääristymät ETRSTM35FIN-projektioon verrattuna.

Ensimmäiset kaksi karttaa tein Mercatorin (kuva 1) ja Robinsonin (kuva 2) projektioista. Nämä projektiot ovat molemmat lieriöprojektioita, jossa maapallo sijoitetaan kuvitteellisen lieriön sisään ja tämä lieriö sivuaa maapalloa päiväntasaajalta. Tämä aiheuttaa vääristymiä päiväntasaajalta poispäin mentäessä. Näitä kahta projektiota vertaillessa on havaittavissa, että niiden prosentilliset erot ovat kohtalaisen suuria. Mercatorin projektio vääristää todellisuutta reilusti enemmän, kuin Robinsonin projektio. Suurin vääristymä Robinsonin projektiossa on 1,203%, kun taas Mercatorin projektiossa se on jopa 8,26%. Vääristymät kuitenkin sijoittuvat hyvin pitkälti samoille kohdille karttoja katsoessa.

Suomi on maana pitkä pohjois-etelä suunnassa, minkä takia vääristymät ovat selkeästi havaittavissa. On mielenkiintoista nähdä, kuinka projektioissa vääristymät kasvavat vyöhykkeittäin pohjoisemmaksi mentäessä. Tämä sama vääristymä on nähtävissä myös, kun katsotaan esim. Mercatorin projektiota koko maapallon karttaan sijoitettuna. Mitä kauemmaksi päiväntasaajasta mennään, sitä enemmän vääristymiä esiintyy.

Kuva 3: Bonnen projektion aiheuttamat vääristymät ETRSTM35FIN-projektioon verrattuna.

Valitsin kolmanneksi projektioksi Bonnen projektion, joka on oikeapintainen. Tämän takia siinä näkyvät vaihtelut ovat todella pieniä. Vaihtelut sijoittuvat välille 0,997-1,001%. Oli todella mielenkiintoista nähdä, kuinka nämä pienet vääristymät sijoittuivat kartalle. Kun Mercatorin ja Robinsonin projektioissa vääristymät sijoittuivat pohjois-etelä suunnassa, Bonnen projektiossa vääristymät taas sijoittuvat itä-länsi suunnassa. Tämä johtuu siitä, että projektio on kartioprojektio. Kartioprojektiossa maapallo sijoittuu kuvitellun kartion sisään ja tämä kartio sivuaa maapalloa jonkin leveyspiirin kohdalta. Yleisimmin tämä leveyspiiri on päiväntasaaja. Tämän takia mitä kauemmaksi päiväntasaajasta mennään, sitä pienempiä vääristymät ovat.

Oli kiinnostavaa nähdä, kuinka erilaisten projektioiden käyttö vaikuttaa konkreettisesti. Aihe on aina ollut minulle hankala ymmärtää ja tämä harjoitus selvensi asiaa huomattavasti. Jokainen projektio aiheuttaa kartalla jonkinlaisia vääristymiä, sillä pallon muotoisen objektin saaminen kaksiulotteiseksi on haastavaa. Tämä ei kuitenkaan tarkoita, että mikään tietty projektio olisi toista huonompi, niillä on vain erilaisia käyttötarkoituksia. Samankaltaisia ajatuksia oli herännyt myös Hetalle.

Taulukko 1: Pituuksia ja pinta-aloja eri projektioissa.

Karttojen lisäksi teimme taulukon, johon kokosimme mittaustuloksia eri projektioista. Taulukossa on nähtävissä eri projektioiden aiheuttamat pituus ja pinta-ala vaihtelut ETRSTM35FIN-projektioon verrattuna. Tein mittaukset hieman eri kohdista, minkä takia tulokset heittävät muutamalla metrillä. Jos mittauskohta olisi ollut täsmälleen sama, tulokset olisivat identtiset ellipseinä mitattuna. Tasoina mittaukset taas vaihtelevat keskenään suuresti. Selkeästi suurin ero on Mercatorin projektiossa, mikä käy järkeen, sillä Mercatorin projektio on oikeakulmainen, mutta ei oikea-alainen.

Taulukko auttoi mielestäni ymmärtämään vielä paremmin, kuinka paljon projektio vaikuttaa kartasta saatavaan tietoon. Teemakartoista näki, miten projektio vaikuttaa, mutta taulukosta ymmärsi konkreettisesti, kuinka paljon se muuttaa tuloksia.

Lähteet:

Hetsi ja Gis https://blogs.helsinki.fi/ikoheta/

Työttömyystilanne Suomen kunnissa

Ensimmäisellä kurssikerralla tutustuimme lähemmin Qgis-järjestelmään. Teimme tunnin aikana harjoituksen, jossa jaoimme valtioita luokkiin niiden typpipäästöjen mukaan (kuva 1).

Kuva 1: Kartta valtioiden typpipäästöistä

Olemme käyttäneet Qgis-järjestelmää myös yhdellä aikaisemmalla kurssilla, mutta en silloin oikein ymmärtänyt miten järjestelmä toimi. Tämä harjoitus tuli todella tarpeeseen, mutta huomaan ehdottomasti tarvitsevani reilusti enemmän harjoittelua ohjelman käyttöön. Yrittäessäni tehdä karttaa jäin täysin jumiin jo heti alkuvaiheessa enkä päässyt eteenpäin edes ohjeiden avulla. Sain kartan tehtyä vasta yhden ryhmäläisen avustuksella.

Epäonnistuneesta yrityksestäni saada harjoitus tehtyä oli kuitenkin aika paljon hyötyä. Päädyin tutkimaan useita Qgis:in tarjoamia työkaluja ja ymmärsin vihdoinkin, miten kenttäarvojen laskin (ainakin suurin piirtein) toimii.

Kuva 2: Työttömyysprosentti Suomen kunnissa

Tämän viikon harjoituksena valitsin tekeväni teemakartan Suomen kunnista. Karttaani valitsin aiheeksi työttömyysasteen eri kunnissa. Teknisesti karttani onnistui mielestäni suhteellisen hyvin. Mielestäni valitsemani värit kuvaavat tilannetta– tummemmat värisävyt kertovat suuremmasta työttömyysprosentista ja punaisen sävyt sopivat mielestäni hyvin aiheeseen. Mielenkiintoisesti eniten työttömyyttä näyttäisi olevan Vaara-Suomen alueella.

Karttaa tutkimalla on mielestäni kohtalaisen yksinkertaista nähdä, miten työttömyys jakaantuu eri kuntiin. Olen sitä mieltä, että kartta on täysin ymmärrettävissä, vaikka siihen ei saisi muuta kontekstia. Jaakko mietti blogissaan, että karttoihin olisi voinut lisätä esimerkiksi suurimpien kaupunkien sijainnit sekä väkiluvun.  Tämä olisi ollut karttaan hyvä lisäys, joka tosiaan olisi avannut sitä enemmän.

Valitsin luokkiin luonnolliset luokkarajat, mikä oli sama asetus, jota käytimme tunnilla tehdyssä tehtävässä. Oli mielenkiintoista päästä katsomaan, miten arvot jakaantuivat luokkiin histogrammin avulla ja se teki luokan vallinnasta myös helpompaa. Olen sitä mieltä, että luonnolliset luokkarajat oli tähän tilanteeseen paras vaihtoehto, mutta mikään luokkajaoista ei minusta ollut täysin sopiva. Olisin mieluiten päässyt itse valitsemaan, miten luokkien rajat määrittyivät. Minusta se, että 15% ja 22% on samassa luokassa antaa hieman vääristyneen kuvan työttömyystilanteesta, sillä näissä kahdessa on kuitenkin aika suuri ero.

Lähteet:

jhammars’s blog https://blogs.helsinki.fi/jhammars/