Blogi 7 – Populazione d’Italia

Viimeinen kurssikerta – JES! Tätä hetkeä olen jo pitkään odottanut, sillä kaiken kaikkiaan kurssikerrat ovat tuntuneet aika raskailta. Asiaa on ollut paljon, samoin turhautumisen tunteita. Omista ennakko-oletuksistani poiketen tämä kurssikerta tuntuikin helpolta! Oletin, että en löydä paikkatietoaineistoja itse mistään Internetin syövereistä, mutta onnistuin siinäkin alle tunnissa. Päätin valita kohdemaaksi Italian, jossa olen viime kesänä ollut au pairina. Tänä lukuvuonna olen myös käynyt italian kursseilla ja siellä olemme puhuneet myös paljon Italian kulttuurista. Tunneilla ollaan keskusteltu muun muassa siitä, että yhä useampi italialaisista ei hanki lapsia tai avioidu. Tämä aihe on mielestäni hyvin kiinnostava ja etsinkin siis paikkatietoaineistoa Italian maantieteellisistä rajoista sekä väestöstä. Hetken googlailtuani löysin tarvittavat tietokannat.

Päätin tehdä karttaesityksen Italian syntyvyydestä ja kuolleisuudesta provinssittain. Vaikein osuus oli väestöä koskevin excel-tiedostojen muokkaaminen mahdollisimman siisteiksi niin, että pystyin yhdistämään Italian rajoja koskevaa vektorimuotoista tietoa CSV-tiedoston kanssa. Osasin ryhtyä tähän siistimiseen ihan omin päin, mutta muutamassa kohtaa jouduin vaivaamaan opettajaakin. En ollut siivonnut tietokantaa tarpeeksi, jolloin excelin sisältämät numerot näyttäytyivät QGIS:n taulukossa tekstimuotoisena, jolloin lukuarvot eivät täsmänneet. Karsin vielä tietoa taulukosta ja lopulta yhdistin tietokannat “join” toiminnolla. Tämän jälkeen muutin “style”-valikosta kartalle värit “graduate”-luokittelun mukaan ensin syntyvyyden (kuva 1) ja sitten kuolleisuuden (kuva 2) osalta. Lopuksi päätin vielä tehdä karttaesityksen Italian luonnollisesta väestönkasvusta (kuva 3). Valitsin esitykiin vuoden 2016, sillä vuosilta 2017 ja 2018 osasta provinsseista puuttui tietoa. Valitsin karttaesityksiin Italian provinssit, koska niitä oli sopivan verran selkeän karttaesityksen luomiseen niin, että saataisiin suhteellisen tarkkaa tietoa alueista. Isommista hallinnollisista alueista (20 kpl) tieto olisi yleistynyt liikaa.

Syntyvyys tarkoittaa sitä, että kuinka monta lasta syntyy elävänä vuodessa tuhatta asukasta kohti (Knox & Marston, 2016, s. 104). Kartan (kuva 1) värit saattavat hämätä, sillä punainen väri antaa ymmärtää, että syntyvyys on siellä suurta. Italian tapauksessa näillä alueilla, joilla syntyvyys on suurinta, syntyy vain 9 lasta tuhatta asukasta kohden. Italian syntyvyys onkin koko Euroopan alhaisimmalla tasolla. Vuonna 2017 Italiassa syntyi noin 464 000 lasta, mikä on alhaisin määrä syntyneitä lapsia vuodessa Italiassa koskaan. Näin Italian väestö on viime vuosina huomattavasti vanhentunut ja jos syntyvyys pysyy alhaisena, Italialle voi seurata erilaisia ongelmia yhteiskunnallisella tasolla. (Birot, 2018.) Valitsin luokitteluväliksi 5, jotta välit suurenesivat noin yhdellä lapsella per luokka, mikä ei kaikissa luokissa kylläkään toteudu. Näyttäisi siltä, että varsinkin Sardeniassa syntyvyys on erityisen alhaista. Italian pohjoisosissa syntyvyys jakautuu epätasaisemmin, sillä siellä on sekä matalan syntyvyyden (9-10.4) provinsseja että hyvin matalan syntyvyyden provinsseja (5.4-6.5).

Kuva 1. Italian syntyvyys 2016.

Kun verrataan alla olevaa karttaa (kuva 2) syntyvyyttä kuvaavaan karttaan (kuva 1), huomataan, että suurimmalta osin kuolleisuusluvut ylittävät syntyvyyden. Kuolleisuudella tarkoitetaan kuolleiden määrää tuhatta asukasta kohden (Knox & Marston, 2014, s. 104). Tästä johtuen Italian luonnollinen väestönkasvu on tällä hetkellä negatiivista, mikä tarkoittaa sitä, että Italian väestö vähitellen vähenee. Luonnollinen väestönkasvu lasketaan vähentämällä syntyvyydestä kuolleisuus. Väestöllisen muuntumisen mallissa Italia on siis saavuttanut viidennen, hieman epävirallisen, vähenevän väestön vaiheen. Myös esimerkiksi Saksassa väestön kasvu on kääntymässä laskuun. (Knox & Marston, 2014, s. 104-105; 111.) Tässä karttaesityksessä päädyin puolestani kuuteen luokkaan, jotta luokkaväli olisi noin yksi.

Kuva 2. Italian kuolleisuus 2016.

Väestön kasvua – tai tässä tapauksessa surimmaksi osin vähenemistä, kuvaavassa kartassa (kuva 3) olen kääntänyt värit toisin päin, jotta ne nimenomaan antaisivat kuvan siitä, missä väestö vähenee eniten. Periaatteessa tämä kartta sisältää yhdistynyttä tietoa kahdesta edellisestä kartasta, koska luonnollinen väestönkasvu lasketaan syntyvyys – kuolleisuus. Vain muutamissa provinsseissa väestön kasvu on positiivista tai kääntyy vain hieman negatiivisen puolelle. Tällaisia provinsseja löytyy erityinen ryhmittymä aivan pohjoisesta Italiasta. Toisaalta Ranskan rajaa lähestyttäessä pohjoisessa on myös provinsseja rykelmä, joissa väestön väheneminen on hyvin suurta.

Kuva 3. Italian väestö vähenee.

Nyt voi huokaista helpotuksesta ja sanoa, että selvisin tästä kurssista! Kiitos kaikille blogiani lukeneille ja minuun viitanneille. Toivottavasti tästä Italian väestön tietoiskusta oli teille jotakin iloa!

Ida

Lähteet

Birot, M. (2018). What does a plummeting birth rate mean for Italy’s future? The Localin verkkosivut. Saatavissa: https://www.thelocal.it/20180627/italy-declining-birthrate-population. Viitattu 26.2.2019.

Knox, P. L., & Marston, S. A. (2016). Human Geography: Places and Regions in Global Context, Global Edition (Vol. 7th edition, global edition). Harlow: Pearson.

Blogi 6 – pisteitä ja interpolomista

Tällä kurssikerralla olin kuumeessa, joten kun muut kurssilaiset lähtivät ulos reippailemaan, jäin sisälle. Olin kuitenkin kokeillut sovellusta kotona, joten sain jonkinlaisen käsityksen, mitä muut tekivät ulkona.

Oli mielenkiintoista nähdä käytännössä, miten erilaisiin pisteisiin voidaan liittää erilaista tietoa sijainnista ominaisuuksiin, kuten tällä kertaa esimerkiksi kohteiden turvallisuuteen. Tällä kurssikerralla pisteiden kanssa operoiminen ja niistä tehdyn interplointikartan tekeminen tuntui yllättävän helpolta! Päälimmäiseksi jäi mieleen kartan värien käyttö. Kun oli kyse turvallisuudesta, käytimme havainnollistavina väreinä väriskaalaa vihreästä punaiseen. Vihreät pisteet merkitsivät turvallisia alueita ja punaiset turvattomampia. Yhden värin eri sävyt eivät olisi ehkä tuoneet ilmiötä samalla tavalla esille.

Tuotin itse neljä karttaa hyödyntämällä tällaista pisteisiin hyödynnettyä tietoa. Interpoloinnin jätin näistä esityksistä pois. Itse opiskelen luokanopettajaksi, joten tuntui helpolta laatia opetuskäyttöä varten tarvittavia havainnollistavia karttoja. Aiheena olivat erilaiset hasardit ja niistä löytyviä tietokantojha ja QGIS:llä luotuja karttoja olisi voinut tehdä enemmänkin.

Ensimmäiseen karttaan havainnollistin yli 6 magnitudin maanjäristyksien esiintyvyyttä maapallolla vuodesta 1950 tähän päivään (kuva 1). Oppilaille voisi olla mielenkiintoista vertailla muutamia erilaisia karttoja pelkästään tästä aiheesta eri aikavälillä. Näin oppilaat voisivat vertailla esimerkiksi tätä karttaa yli 6 magnitudin järistyksiin, jotka ovat tapahtuneet lähimenneisyydessä esimerkiksi viimeisen viiden vuoden sisällä (kuva 2). Näin voitaisiin ajallisesti vertailla järistyksien sijoittumista ja määrää kartalla.

Kuva 1. Yli 6 magintudin maanjäristyksen vuosina 1950-nykyhetki.

Seuraavaksi laadin kartan (kuva 2), jossa havainnollistuu nimenomaan vain viimeisen viiden vuoden aikana tapahtuneet yli 6 magnitudin järistykset. Niitä oli tietenkin huomattavasti vähemmän. Muutin myös pisteiden väriä niin, että tietty väri edustaa maanjäristyksen voimakkuutta. Näin voidaan nähdä, onko juuri kaikkein voimakkaimpien ja vaarallisimpien järistysten sijainnissa jotakin eroa. Opettaja voisi osallistaa oppilaita pohtimaan, mistä nämä erot johtuvat ja mitkä seikat vaikuttavat ylipäätään maanjäristysten esiintyvyyteen. Tässä kohtaa voitaisiin nostaa esille myös uutisotsikoihin päässeet voimakkaammat maanjäristykset ja pohtia oppilaiden kanssa niiden konkreettisia seurauksia. Esimerkiksi 9 magnitudin järistyksiä olivat sekä Sumatralla 2004 että Japanissa 2011 tapahtuneet järistykset, joita seuranneet tsunamit aiheuttivat myös paljon tuhoja. Ritcherin asteikolla yli 8 magnitudin järistykset ovatkin luokiteltu valtaviksi järistyksiksi, jotka aiheuttavat täydellistä tuhoa ja vakavia vaurioita satojenkin kilometrien päässä järistysalueelta. (Geologian verkkosivut.)

Kuva 2. Yli kuuden magnitudin maanjäristykset aikavälillä 2014-nykyhetki.

Tässä kohtaa voisi olla järkevää esittää erityisen maanjäristysherkiltä alueilta lähempiä karttaesityksiä, jotta nähtäisiin vielä selkeämmin maanjäristysten sijoittuminen (kuva 3). Opetuksessa olisi hyvä hyödyntää varmaankin muutamaa tällaista erilaista tarkempaa karttaa, jotta eri alueita voidaan vertailla. Yhtä tarkempaa aluetta voitaisiin tarkastella myös esimerkiksi viimeisen 10 tai 20 vuoden aikana tapahtuneiden järistysten osalta ja tehdä päätelmiä vertailukohteiden kautta.

Kuva 3. Yli 6 magnitudin järistykset Indonesiassa viimeisen viiden vuoden ajalta.

Koska maanjäristyksille ja tulivuoritoiminalle on yhteistä niiden sijoittuminen mannerlaattojen liitoskohtiin, tein myös neljännen kartan, joka havainnollistaa tätä ilmiötä (kuva 4). Kartoista voisi laatia esimerkiksi erilaisia kysymyksiä tai pohdintatehtäviä oppilaille. Lisäksi tällaisilla kartoilla voitaisiin havainnollistaa muidenkin hasardien sijoittumista ja pohtia hasardien vaikutuksia niin rakennetun ympäristön kuin luonnonympäristön kannalta, puhumattakaan ihmisistä. Tällaiset kartat ovat varmasti mielenkiintoinen ja hyvä lisä opetukseen ja maantieteen oppikirjoista löytyviin kuviin. Karttaesitykset tukevat myös sellaisia oppilaita, joilla on hyvä kuvamuisti. Ainoa huono puoli laatimissani koko maailmaa kuvaavissa kartoissa on kuitenkin tiedon määrä, sillä valitsin sen kummemmin ajattelematta hyvin suuren aikavälin, joten kartalla näkyvät järistykset ovat noin 70 vuoden ajalta. Näin ollen kartalla on aika paljon informaatiota, eikä siinä esimerkiksi näy pienempiä järistyksiä. Niitä ei toisaalta olisi varmaankaan järkevää esittää erikseen kartalla, sillä niitä on tapahtunut niin paljon.

Kuva 4. Maanjäristysten ja tulivuorien sijainnit maapallolla.

Emilia Ihalainen tuo hyvin blogissaan esille tietokantojen luotettavuuden. Hän huomauttaa blogissaan, että tulivuoritietokantaan oli lipsahtanut virhe, jota en itse huomannut, vaikka se näkyy myös omassa karttaesityksessäni. Yksi tulivuorista on nimittäin Ruotsissa, vaikka todellisuudessa kyseinen tulivuori sijaitsee Islannissa. Luultavasti tarkimmat oppilaat olisivat huomanneet tämän, joten ei välttämättä olisi ollut katastrofi, jos tällainen moka päätyisi omiin opetusmateriaaleihin.

Toinen huomio on se, että itseltäni kyseisistä karttaesityksistä jäi kokonaan mannerlaattojen rajat pois, mikä voisi olla tällä kartalla olennainen yksityiskohta, kuten esimerkiksi Kia Kautosen karttaesityksissä.  Suuria manner- eli litosfäärilaattoja on maapallolla seitsemän ja juuri niiden liitoskohdissa tulivuori- ja maanjäristystoiminta ovat aktiivisimmillaan (Geologian verkkosivut). Kia myös pohtii kirjoituksessaan pisteiden runsasta määrää, kun tarkastellaan tällaista pisteaineistoa maanjäristyksistä pitkältä aikaväliltä. Kartasta voi näin helposti tulla sekava ja osa pisteistä jää toisten alle. Tein itse juuri tämän virheen ensimmäisessä kartassa, mutta tästä kuitenkin opin.

Tämä tehtävä oli tähän mennessä kurssin mukavin tehtävä! Ensinnäkin tällaisten karttaesitysten laatiminen ei ollut kovin vaativaa ja oli mukava saada jonkinlainen idea siitä, miten tällaista pistemäistä aineistoa voidaan kerätä. Tulevana opettajana olin innoissani, kun tehtävän ideana oli pohtia opetukseen soveltuvaa materiaalia, vaikka maantieteenopettaja minusta ei tulekaan. Ehkä voisin kuitenkin myös alakoulun puolella hyödyntää jonkinlaisia karttaesityksiä ympäristöopin oppiaineen kohdalla.

Viimeistä (huh) kurssikertaa odotellen,

Ida

Lähteet

Ihalainen, E. (2019). Viikko 6 – Hasardit. Saatavissa: https://blogs.helsinki.fi/ihem/2019/02/24/viikko-6-hasardit/. Viitattu 26.2.2019.

Kautonen, K. (2019). Viikko 6. Hasardit. Saatavissa: https://blogs.helsinki.fi/kautkia/2019/02/25/viikko-6-hasardit/. Viitattu 26.2.2019.

Maan rakenne. Geologian verkkosivut. Saatavissa: http://www.geologia.fi/index.php/2018/05/21/maan-rakenne/. Viitattu 26.2.2019.

 

 

Blogi 5 – Lepää rauhassa Olli Lindholm

Tämä kurssikerta alkoi suru-uutisilla Yö-yhtyeen laulajan poismenosta. Tunnelmaa ei yhtään nostanut se, että tiedostojen lataaminen ei onnistunut, mikä söi 40 minuuttia tunnistamme…

Kurssin tavoitteena oli tutustua bufferointiin ja harjoitella sen toimintaa. Bufferoimme tunnilla monia erilaisia kohteita. Itsenäistä harjoitteluani hankaloitti se, että  joissakin tehtävissä joitakin ominaisuustietokannan muuttujista piti lisätä yhteen. QGIS ei millään suostunut pyörittämään laskutoimintoja loppuun. Päätinkin seitsemännen kerran jälkeen luovuttaa ja palata asiaan myöhemmin.

Yksi tehtävä tuotti kuitenkin päänvaivaa, enkä olisi selvinnyt siitä ilman apua mitenkään… Tehtävien soveltaminen ei siis itseltäni todellakaan sujunut, kun piti laskea melualue Tikkurilaan, jos lentoreitti taas muuttuisi.

Kaiken kaikkiaan bufferointiharjoitusten jälkeen koin saavani siitä aika hyvän käsityksen, vaikka kaikkia tehtäviä en osannutkaan ilman opastusta kovin hyvin tehdä. Todellista ymmärtämistä, varsinkin bufferoinnin monipuolisempien hyödynnyskohteiden ymmärtämistä varten, tulisi harjoitella vielä lisää. Bufferointi vaikuttaa hyvältä keinolta selvittää erilaisia asioita esimerkiksi liittyen rakentamiseen tai kaupunkisuunnitteluun tai vastaaviin.

Sen avulla voidaan pohtia erilaisia syy-seuraussuhteita eri tekijöiden välillä ja se voi toimia suunnittelun tukena. Esimerkkinä voisi toimia uuden tehtaan tai vaikkapa lentokentän rakentaminen. Bufferoinnin avulla voidaan luoda erilaisia malleja siitä, miten tämä rakennusprojekti ja valmis rakennus ja siellä tapahtuva toiminta voivat vaikuttaa ihmisiin tai luontoon sen ympärillä tietyllä sätellä. Vaikutukset ovat suurempia lähellä kuin kaukana eli bufferoinnin avulla voitaisiin esimerkiksi selvittää, kuinka kauas jostakin asuinalueesta tai vaikkapa pohjavesialueesta jokin tehdas tulisi sijoittaa, jotta se ei aiheuttaisi suurta haittaa ympärillä asuville ihmisille tai luonnon elementeille. Esimerkkinä tulee mieleen hiljattain lehdissäkin ollut huoli Helsingin seudulla elävistä liito-oravista ja niiden suojelusta. Suojelun suunnittelun tukena voitaisiin ihan hyvin hyödyntää bufferointia. Iina Rusanen antaa blogissaan toisen esimerkin nimenomaan rakentamiseen ja kaupunkisuunnitteluun liittyen: puskurianalyysin avulla voidaan miettiä parasta sijaintia esimerkiksi kunnallisille palveluille tai liiketilojen sijainnille niissä asioivien henkilöiden asuinpaikkaan nähden.

Muutamaa päivää myöhemmin löysin itseni kotona kuumeesta poskiontelontulehduksen kourissa eli taukoa QGIS-hommiin tuli yli viikon verran, sillä en omista tietokonetta, joka pyörittäisi QGISä. Seuraavalle tunnille kuitenkin tulin, vaikka olinkin kuumeessa. Muut lähtivät ulos kartoittamaan kohteita, mutta itse jäin sisälle tekemään viidennen kurssikerran rästihommia. Viikon tauonkaan jälkeen laskeminen QGIS:llä ei sujunut, mikä hidasti työskentelyäni jälleen. Muutenkin viikon tauon jälkeen tuntui haastavalta tarttua toimeen, kun tuskin muisti mitä kaikkia toimintoja harjoittelimme viikko sitten. Huomasin myös, että työikäisten laskeminen ei onnistunut silläkään kertaa, joten päätin katsoa asiaa uudestaan, kunhan olisin parantunut!

Tämän kurssikerran työt olivat jääneet minulta todella pahasti myöhästyneeksi. Sain kuin sainkin tehtyä kaikki tehtävät, kun QGIS suostui vihdoin yhteistyöhön. Alla taulukko (taulukko 1) saamistani vastauksista. Osa niistä saattaa olla ihan miten sattuu, koska siitä on niin pitkä aika, kun tein ensimmäiset tehtävät. Luotin, että ne ovat menneet silloin oikein, enkä alkanut niitä enää tarkastaa.

Kolmannesta itsenäistehtävästä valitsin kouluihin liittyvän tehtävän, koska opettajana aihe tuntui omimmalta. Aluksi asiat tuntuivat muutenkin epäselviltä, kunnes ne pikkuhiljaa palautuivat mieleen.

Ensimmäiseksi kysyttiin, kuinka monta oppilasta aloittaa seuraavana vuonna koulun, joten oletin tämän tarkoittavan 6 vuotiaiden määrää. Ongelmaksi muodostuu kuitekin se, että osa aloittaa koulun todellisuudessa vuotta aiemmin tai myöhemmin, joten lukema ei aivan täysin pidä paikkaansa. Valitsin yhtenäiskoulun koulupiiriin kuuluvat väestöä kuvaavat pisteet ja tarkistin 6-vuotiaiden määrän statistic panelista. Helsingin yhtenäiskoulun koulupiirin alueella asui neljätoista 6-vuotiasta lasta. Yläkouluikäisiin laskin mukaan koulupiirissä asuvat aineiston keruuhetkellä 12, 13 ja 14-vuotiaat, koska he ovat sitten seuraavana vuonna yläasteikäisiä. Määräksi tuli 18, 21 ja 23 eli yhteensä omassa koulupiirissä oli vain 62 yläkouluikäistä oppilasta.

Seuraavaksi laskin, kuinka monta prosenttia koulupiirin asukkaista ovat ylipätään kouluikäisiä. Yhteensä kouluikäisiä alueella oli 159 ja kaikenkaikkiaan asukkaita asui koulupiirin alueella 1894. Kouluikäisiä oli koulupiirin alueella siis pyöristettynä 8,4 %.  Jos ajatellaan, että alueella asuvien muunkieleisten asukkaiden määrä jakautuu suhtellisen samalla tavalla kouluikäisiin lapsiin/nuoriin ja aikuisiin kuin koko alueella, noin 9 oppilasta olisi vieraskielisiä.

Helsingin yhtenäiskoulu sijaitsee Käpylässä ja sen lähellä on muutama muukin iso koulu, kuten Käpylän peruskoulu ja Helsingin luonnontiedelukio (Google Maps). Koulupiiri ei ole kuitenkaan kovin iso, sillä sen sisään jää vain 168 rakennusta ja se on pinta-alaltaan noin 0,64 neliökilometriä. Esimerkiksi vieraskielisten oppilaiden lukumäärä selittyy osittain sijainnilla, sillä se on aika alhainen verrattuna esimerkiksi  joihinkin lähiöalueilla sijaitseviin kouluihin, joissa yli puolet oppilaista saattaa olla vieraskielisiä.  Vieraskielisten oppilaiden määrää saattaa karsia esimerkiksi koulussa olevat yläkoulun painotetut liikuntaan ja kotitalouteen suuntaavat luokat, joihin on pääsykoe (Helsingin peruskoulut). Tämä selittää varmasti myös oman koulupiirin pieneksi jääviä yläkouluikäisten määriä, sillä liikunta- ja kotitalouspainotteiset luokat vetävät varmasti oppilaita myös toisista koulupiireistä. Myös vapaus valita oma koulu oman koulupiirialueen ulkopuolelta lisää oppilasmäärää, joten tässä tehtävässä tuloksista pystyy päättelemään vain oman koulupiirin eli kaikkein lähimmiltä alueilta tulevien oppilaiden määriä.

Tehtävä itsessään tuntui helpolta – vähän liiankin. En ole varma, teinkö tätä ollenkaan oikein, sillä en käyttänyt tehtävässä ollenkaan bufferointia vaan pelkästään field calculatoria ja statistics panelia. Valitsin tämän tehtävän aiheen kiinnostavuuden takia, mutta tulee myöntää, että kaksi jälkimmäistä vaihtoehtoa myös vaikuttivat itselleni todella haastavilta. Mutta nyt tästäkin on selvitty!

Ida

Lähteet

Helsingin peruskoulut – Yhtenäiskoulu. Helsingin kaupungin verkkosivut. Saatavissa: https://www.hel.fi/peruskoulut/fi/koulut/yhtenaiskoulu/. Viitattu 28.2.2019.

Rusanen, I. (2109). Ongelmanratkaisua ja onnistumisia. Saatavissa: https://blogs.helsinki.fi/iinarusa/2019/02/18/ongelmanratkaisua-ja-onnistumisia/. Viitattu 28.2.2019.

 

 

 

 

Blogi 4 – rasteriaineisto ja ruututietokannat

Neljännellä kurssikerralla painimme taas lukuisten uusien QGIS-toimintojen parissa, vaikka mukana oli hieman vanhaakin. Itselleni jäi neljän tunnin setistä todella uupunut olo, kun asiaa tuli niin paljon.

Tehtävänä oli tehdä pistetietokannan avulla ruututietokanta pääkaupunkiseudun väestöstä ja sen ominaisuuksista.  Yksi tarkimmista paikkatietoaineistoista ovatkin pistetietokannat ja niitä käytetäänkin ruututietokantojen lähteenä. Pistetietokannoissa on tietoa pistemäisistä kohteista, kuten rakennuksista ja niissä asuvista ihmisistä. (Arttu Paarlahti 5.2.2019.) Tässä tulee kuitenkin ottaa huomioon se, että osa asukkaista on sijoitettu pistetietokannassa esimerkiksi merelle, koska heidän asuinpaikkaansa ei voi määrittää. Tämä tulee huomioida tietenkin tässä postauksessa esiteltävien harjoitustehtävien tulkinnassa. Myös se, että ruututietokanta esittää pistetietokannan arvoja yhteenlaskettuna, tulee ottaa huomioon. Yhden ruudun sisälle saattaa osua ääripäiden arvoja tai toisiaan lähellä olevia arvoja eli kartalla esitetty tieto yleistyy ja pelkistyy silloin.

Harjoitustehtävänä teimme ruututeemakartan pääkaupunkiseudun ruotsinkielisten asukkaiden määrästä. Tässä harjoituksessa yhden ruudun suuruus oli 1000 m x 1000 m (kuva 1).

Kuva 1. Pieleen mennyt harjoitus.

Huomasin jälkikäteen, että kartassa on jotakin pahasti pielessä ainakin legendan lukuarvoista päätellen. Enää en ole varma, missä on mennyt pieleen, mutta jätän tuotokseni nyt kuitenkin tähän. Kartta voisi pikemminkin kuvastaa koko PK-seudun väestömääriä, kun luvut ovat niin isoja.

Aloitin samankaltaisen projektin kokonaan alusta ryhtyessäni tekemään ruututeemakarttaa jostakin toisesta väestön ominaisuutta kuvaavasta muuttujasta. Aluksi mietin tekeväni esityksen vanhemmasta väestöstä, tyyliin yli 85 vuotiaista, kunnes muistin että esimerkiksi ne, jotka ovat vanhainkodeissa, eivät näy pistetietokannassa oikein. Päätin valita pääkaupunkiseudulla asuvat 18-vuotta täyttäneet eli halusin tarkastella täysi-iän saavuttaneiden lukumäärää. Valitsin ensimmäiseen ruututietokantaani ruutukooksi 250 m x 250 m, koska halusin tarkastella harjoitustehtävästä selkeästi poikkeavaa ruudukkoa (kuva 2).

Kuva 2. 18 vuotiaiden määrä pääkaupunkiseudulla (250 m x 250 m ruututeemakartta).

250 m x 250 m kokoinen ruudukko aiheutti ongelmia, kun yritin käyttää QGIS:n “composer”-työkalua, sillä ruudut olivat niin pieniä, että kuvaan ei mahtunut ihan kaikki pisteet, ilman että kuvassa olisi näkynyt vaan ruudukoiden mustia reunoja. Olisin ehkä voinut ottaa reunat pois, mutta en ole varma, olisiko se toiminut haluamallani tavalla ja palvelisiko se enää sitten ruututietokantaa, jos selkeitä ruutuja ei ole näkyvissä. Tässä ensimmäisessä kartassa unohdin siirtää kyseisen layerin alimmaiseksi, joten ruudut eivät mene aivan rantaviivan mukaan. Tekevälle sattuu!Tajusin korjata tämän kuitenkin seuraavassa kartassa. Myöskin järvet ja joet jäivät pistetietokannan alle, mutta tein tämän tarkoituksella, jotta ruututietokannan informaatiota ei jäisi niiden alle.

Kartalta (kuva 2) huomataan, että pääkaupunkiseudun laitamilla asuu vähän 18-vuotiaita, monissa paikoissa ei ollenkaan. Tämä voi johtua esimerkiksi siitä, että pääkaupunkiseudun laitamilla asuu muutenkin vähemmän ihmisiä verrattuna esimerkiksi kantakaupunkiin, jossa 18-vuotiaita näyttäisi olevan myös paljon. Tämän ongelman on tuonut esille blogissaan myös Iina Rusanen, jonka mukaan tällainen pistekarttaesitys sellaisenaan antaa kuvan väestön levinneisyydestä pääkaupunkiseudulla, kun tietyn ominaisuuden omaavia asukkaita ei verrata alueen kokonaisväestöön. Eräs keskittymä näyttäisi olevan myös itäisessä Helsingissä Vuosaaren alueella. Kartassahan ei ole nähtävissä nimistöä, josta katsojalle välittyisi selkeämpi kuva, missä kaupunginosissa 18 vuotiaita on enemmän. Kartalla on tummempia punaisia ruutuja suhteellisen hajanaisesti ympäri pääkaupunkiseutua. Tietokanta ei myöskään kerro, kuinka moni näistä 18-vuotiaista asuu esimerkiksi jo omillaan, on saanut ajokortin tai on esimerkiksi armeijassa. Tällaisia asioita olisi mielenkiintoista ehkä tutkia, ja tästä syystä valitsinkin juuri tuon iän tarkasteltavaksi, sillä täysi-ikäisyys tuo ihmiselle paljon erilaisia mahdollisuuksia ja velvollisuuksiakin.

Laadin samasta aiheesta myös toisen karttaesityksen, jossa käytin 1000 m x 1000 m ruudukkoa. Ensimmäinen kartta 250 m x 250 m antaa siis tähän karttaan verrattuna tarkempaa tietoa 18-vuotiaiden todellisesta sijoittumisesta kartalle, sillä ruudun sisällä olevat pisteet on laskettu yhteen ja neliökilometrin kokoiselle alueelle pisteitä mahtuu paljon enemmän. Tämä näkyy myös karttaesityksessä (kuva 3).

Tässä ruututeemakartassa 18 -vuotiaiden määrä ensinnäkin on suurentunut ruuduittain, koska määrät on laskettu yhteen isommalta alueelta.

Kuva 3. 18 vuotiaiden määrä pääkaupunkiseudulla (1000 m x 1000 m ruututeemakartta).

Toisena kotitehtävänä oli tarkoitus hakea itse rasteriaineistoa Internetistä ja verrata tämän tietokannan aineistoa tunnilla käsiteltyyn aineistoon. Tunnilla tarkastelimme erästä peruskarttalehteä Pornaisen alueelta. Tarkastelimme kyseisestä alueesta laserkeilauksen avulla laadittua rasteriaineistoa alueen korkeuskäyristä. Laserkeilauksen avulla saadaan kaikkien tarkin pisteaineisto, kun  mittakeilain lähettää lasersäteitä eri suuntiin, ja kun säteet kohtaavat jonkin esteen, kuten puun, ihmisen tai kiven, ne heijatuvat takaisin laitteeseen. Tästä aiheutuukin aineistoon niin sanottua kohinaa, joka pitää siivota pois, koska satunnaisesti maastossa kulkevat ihmiset eivät ole mittauksen ydin. Mittauksen tuloksena saadaan tietoa osuman sijainnista ja se talentaa sen pisteeksi. Kohteista muodostuu kolmiulotteinen malli, pistepilvi. Se koostuu laserkeilaimen tallentamista pisteistä eli mittauksen lasersäteiden osumista. Tämä sisältää siis tietoa pisteen koordinaateista 3D-tasolla X, Y ja Z koordinaatistossa. (Arttu Paarlahti 5.2.2019, Atlastica, 7.2.2019).

Latasin Paituli-palvelusta kyseisen alueen kartan, josta näkyivät korkeuskäyrät ja vertasin niitä laserkeila-aineistoon. Laserkeila-aineiston korkeuskäyrät on kuvattu punaisella ja Maanmittauslaitoksen kartan korkeuskäyrät mustalla (Kuva  4).

Kuva 4. Korkeuskäyrien (5 m) vertailua.

Molemmissa aineistoissa korkeuskäyrien väli on viisi metriä.  Maanmittauslaitoksen  korkeuskäyrät mukailevat Laserkeila-aineiston avulla laadittujen vastaavia, mutta kuvasta on nähtävissä, että Maanmittauslaitoksen kartassa korkeuskäyrät ovat hieman pelkistetympiä. Laserkeilain kuvaa maastossa olevat pisteet hyvin tarkasti, eikä niistä kaikkia ole tarkoituksenmukaista käyttää korkeuskäyriä kuvaavassa kartassa. Ylimääräinen “kohina”, joka johtuu esimerkiksi maaston epätasaisuuksista ja ihmisistä tai muusta vastaavista on poistettu. Tämä on näkyvissä esimerkiksi ympyrän muotoisena muodostelmana suon keskellä.

Tällä kertaa tuntui, että alkaa jo pikku hiljaa oppia QGIS:n käyttöä, mutta vielä tarvitaan monen monta toistoa sen sujuvaan käyttämiseen. Edelleen tuntuu, että teen asioita kuitenkin orjallisesti mallin mukaan, enkä oivalla kovin helposti itse QGIS:n käyttöä. Muiden blogit ovat kuitenkin olleet opettavaisia siinä suhteessa, että huomasin tässäkin blogissa oman ruotsinkielisten määrää esittävän kartan olevan ainakin lukuarvoiltaan ihan vinksallaan, enkä olisi tätä varmaan itse muuten edes tajunnut. Toivottavasti seuraavien kertojen jälkeen pystyisin jo ymmärtämään tekemiämme karttoja ja QGIS:ä hieman paremmin.

Palataan taas,

Ida

Lähteet

3D-skannaus eli laserkeilaus, mitä se on? Atlastican verkkosivut. Saatavissa: https://atlastica.fi/laserkeilaus/. Viitattu 7.2.2019.

Paarlahti A. (5.2.2019). Piste- ja ruutuaineistot, Powerpoint-esitys.

Rusanen, I. (8.2.2019). Ruututietokantoja ja rastereita. Saatavissa: https://blogs.helsinki.fi/iinarusa/. Viitattu 17.2.2019.

 

Blogi 3 – omaa visuaalisuutta etsimässä (ja tulvaindeksiä tarkastelemassa)

Kolmannella kurssikerralla päästiin vihdoin Suomenkin ulkopuolle ja tarkastelemaan Afrikkaa – tarkemmin Afrikan eri maiden konflikteja ja niiden yhteyksiä öljy- ja timanttivaroihin. Mielestäni QGIS-harjoitukset olivat kiedottu mielenkiintoiseen ja ajankohtaiseen aiheeseen, sillä öljyvarojen merkitys maailmankaupalla ja niiden epätasainen jakautuminen ovat johtaneet tai tulevat johtamaan koflikteihin eri tahojen välillä (Knox & Marston, 2016, s. 288). Tietokannoissa oli myös tietoja esimerkiksi konfliktien tapahtumavuosista, jonka avulla pystyi selvittämään konfliktien tiheyden ja päättelemään paljon alueen tilanteesta. Joillakin alueilla oli saattanut olla 32 konfliktia, mutta konfliktit olivat tapahtuneet 32 vuoden ajalta, kun taas joissakin maissa 32 konfliktia oli voinut sisältyä vain kahdeksaan vuoteen eli alueella on ollut huomattavasti levottomampaa. Tietokannan tietojen avulla voitaisiin myös selvittää, onko nimenomaan öljyvarojen tai timanttikaivosten löytäminen johtanut konfliktien lisääntymiseen, jos tiedetään myös öljykenttien ja timanttikaivosten löytämis-, poraamis-, ja kaivausten aloitusvuosi. Mielenkiintoista oli myös tarkastella sitä, että onko olemassa yhteyttä konfliktien ja Internetin käyttäjien määrän välillä eri maissa. Myös öljyvarat ja timanttivarat voisivat olla yhteydessä Internetkäyttäjiin maiden vaurastumisen perusteella ja myös tätä voitaisiin tietokantojen avulla selvittää.

Tehtävä korosti myös tietokantojen eri luonnetta, sillä kuvanlaatu vaikutti hyvältä, mutta jokainen objekti olikin erillinen. Tämän takia yhdistelimmekin eri tietokannan kohteita toisiinsa. Tähän sisältyi taas useita pienien nappien klikkailuja, ja tarkkaavaisuus oli tunnilla koetuksella. Tämä kuvasti hyvin sitä, että  tietokannan tietojen muokkaaminen omaa käyttötarkoitusta vastaavaksi on työlästä. Muutaman kerran jouduin tekemään jonkin kohdan uudestaan, kun hetkeksi keskityin johonkin muuhun. Tämä oli toisaalta turhauttavaa ja aiheutti paniikkia, koska ajatteli, ettei pysy sitten seuraavassa kohdassa perässä, kun korjailee omia mokiaan. Toisaalta toisto edisti oppimistani ja tämä oli nähtävissä tehtävässä, joka jäi kotiin.

Työskentelimme tunnilla ensin taulukkomuotoisen tiedon parissa, mutta lopussa lisäsimme siihen myös spatiaalisen ulottuvuuden. Harjoittelimme “join” ja muita toimintoja Afrikan kartan avulla, mutta itse kotitehtävä liittyi Suomen karttaan, jonka tekemiseen hyödynsimme tunnilla käsiteltyjä komentoja. Aluksi tuntui hankalalta taas muistaa, mitä kaikkea oli juuri oppinut, mutta lopulta tehtävän teko sujui suht. mallikkaasti. Tuntui, että QGIS:n käyttö oli omalla kohdallani jo huomattavasti sujuvampaa, ja pystyin kokeilevalla otteella löytämään asioita, joita en muistanut tai olleet vielä käyneet läpi. Toisaalta tunnin aikana tuli eteen useita tilanteita, jossa kuvittelin tehneeni oikein, mutta jokin aineistossa ja sen käsittelyssä mätti. Aina en tiennyt, mistä ihmeestä virhe johtui ja tämä oli turhauttavaa. Opettaja osasi joissakin neuvoa, mutta osa jäi edelleen mysteeriksi…? Toisaalta omaa aikaani ja hermojani söi myös QGIS:n kaatuminen useaan otteeseen… Ainakin opin, kuinka tärkeää tallennusnapin painaminen on – ja mieluummin liian usein kuin harvoin!

Minun on pakko myöntää, etten omaa mielestäni hyvää visuaalista silmää. En oikeastaan tiedä, mitkä värit sointuvat yhteen, ja mikä näyttää kartalta hyvällä ja harmonisena. Ensimmäisestä kokeilustani tehtävän parissa tuli suorastaan kammottavan näköinen, mutta tulipahan ainakin harjoiteltua QGIS:N käyttöä. Lisään tuotoksen tähän, jotta voitte ottaa ainakin mallia, miten karttoja EI pitäisi tehdä 😀 Minulla olisi hirveästi muutakin kouluhommaa meneillään, mutta pakko tehdä uusi, korjailtu kartta. Tähän saattaa kuitenkin kulua aikaa, koska minun pitää usean kokeilun kautta löytää sopivat värit karttaan, paksuudet ja pituudet palkeille. Kirsi Ylinen kertoi tuskailevansa tämän saman asian kanssa: värien kanssa leikkimistä ja kokeilemista voisi jatkaa ikuisuuden. Tässä tämä ensimmäinen versio:

 

Eli ei mennyt ihan putkeen… Otsikkokin meni ekassa versiossa pieleen. Tässä kuitenkin paranneltu versio, jonka ulkoasuun olen paljon tyyväisempi, sillä se on selkeämpi. Vaihdoin värimaailman siniseen, mutta tämä aiheutti ongelmia järvien ja jokien värien valintaan, jotta ne näkyisivät eri sinisen sävyillä kuvatuilla alueilla. Tämäkin kuva näytti mielestäni paremmalta isona QGIS:ssä, mutta tässä pienennetyssä kuvassa harmaat palkit eivät ole niin selkeitä, kuin olisin toivonut. Laura Ahola esimerkiksi esittää omassa kartassaan saman asian pylväiden sijaan ympyröiden avulla sekä on ottanut joet pois esityksestään selkeyden vuoksi. Itse toimin ohjeiden mukaan, mutta mielestäni hänen kartassaan alueiden järvisyys tuli hyvin näkyviin myös ympyröinä kuvattuina. Kartta oli myös miellyttävämmän näköinen ilman jokia. Tämä kuvaa mielestäni hyvin jokaisen kartantekijän ja heidän luomiensa visuaalisten esitysten ainutlaatuisuutta ja omaperäisyyttä sekä QGIS:n monipuolisia työkaluvaihtoehtoja.

Kartat kuvaavat siis tulvaindeksiä eri valuma-alueilla esitettynä eri sinisen sävyin sekä järvisyyttä prosentteina kuvattuna pylväinä. Itseäni ihmetytti pyydettyjen histogrammien lisääminen, sillä tällä mittakaavalla ne eivät varsinkin vähäjärvisillä alueilla näy kunnolla. Mielestäni ne tekivät kartasta hieman epäselvän, sillä osalla pienemmistä valuma-alueista pylväs peitti tärkeää infoa. Päädyin molemmissa 10 luokkaan, sillä testaillessani eri vaihtoehtoja, 10 luokan kohdalla erottui muutama selkeä alue lisää, ja tämä tieto olisi suuremmilla luokkaväleillä hävinnyt. Toisaalta 10 luokassa sävyerot eri luokkien välillä ovat suhteellisen pieniä, mikä saattaa vaikeuttaa kartan tulkintaa. Luokkavälien valinta ilmiöstä riippuen tuntuu vielä itselleni hankalalta: kuinka monella luokalla esitys antaisi kyseisestä aiheesta kaikkien selkeiten informaatiota, ilman että sitä menetettäisiin.

Kartalla näkyy selkeästi Järvi-Suomi, jossa järviä on huomattavasti enemmän ja pylväät nousevat korkeammalle kuin muualla.  Esko Kuusiston (2015, s. 286) mukaan järviä on alueella noin 22 000, jos järvi määritellään koon mukaan suuremmaksi vesialueeksi kuin 1 hehtaari. Pohjoisessa myös Inarijärvi ja sen alue näkyy selkeästi, vaikkakin alueella on Kuusiston mukaan enimmäkseen lampia. Kuviosta huomaa myös sen, että korkea järvisyys ei korreloi suuren tulvaindeksin kanssa. Tätä voi selittää esimerkiksi se, että tällöin vesi on säilössä järvissä, eikä siksi näy tulvaindeksissä, joka on laskettu niin, että joen keskiylivirtaama on jaettu keskialivirtaamalla. Samanlaista pohdintaa oli esimerkiksi myös Emilia Ihalaisen blogissa.

Tulvaindeksi kertoo virtaaman vaihtelua alueella ja huomioi sekä kaikkien kuivimmat että tulvaisimmat ajat. Ominaisuustietokantaa tarkasteltaessa Aurajoen tulvaindeksi on kaikkein korkein, 1100. Seuraavaksi suurin tulvaindeksi on Halikonjoella, jonka tulvaindeksi yltää vain 500 eli on huomattavasti pienempi kuin Aurajoen.

Kartasta on selkeästi erotettavissa Pohjanmaan alue. Johanssonin (2005) käsittelee kirjoituksessaan Rivers draining into the Gulf of Bothania jokia, ja esittää erilaisia aluerajauksia perustuen alueiden jokiin,  hydrologisiin olosuhteisiin ja morfologiaan. Hänen mukaansa alue, jolla Selkämereen virtaa esimerkiksi Kokemäenjoki ja Karvianjoki, on hyvinkin matalaa. Aluetta kuvaa se, että valuma-alueet virtaavat korkeimman rantaviivan alapuolella, alueella on suhteellisen paljon järviä ja rannikko on hyvin tasaista. Pohjanmaa ja hieman sitä pohjoisemmatkin alueet rannikolla puolestaan kuuluvat eri alueeseen ja tällä alueella Perämereen virtaavat esimerkiksi Kyrönjoki, Ähtävänjoki, Siikajoki, Oulujoki ja Kemijoki. Tätä aluetta kuvaa myös sen topografian tasaisuus. Lumen sulaminen ja rankat sateet vaikuttavat virtaaman kasvuun ja Lounais-Suomessa sekä Pohjanmaalla onkin paljon kevättulvia. (Karlsson, 2005, s. 325-337.) Suurin mitattu virtaama Pohjanmaalla on ollut Kyrönjoessa vuonna huhtikuussa 1922, jolloin se oli lähes 600 m3/s. Pohjanmaalla tulvii erityisesti keväällä, kun lumet sulavat mutta myös muina vuodenaikoina eli se on erityisen tulvaherkkää aluetta. (Rautio, L.M, 2016.) Tulviminen on siis riippuvainen sää- ja vesistöolosuhteista ja tulva-alueen laajuus sekä tulvan aiheuttamat seuraukset riippuvat esimerkiksi maaston muodoista, maankäytön muodoista alueella sekä vuosittain vaihelevasta vesitilanteesta (Ympäristö.fi:n verkkosivut).

Toivottavasti ensi viikolla löydän paremmin selkeän visuaalisen ilmeen kartoilleni. Se jääköön nähtäväksi seuraavissa kirjoituksissa,

Ida

Lähteet

Ahola, L. (31.1.2019). Hermot koetuksella. Saatavissa: https://blogs.helsinki.fi/lauahola/2019/01/31/hermot-koetuksella/. Viitattu 2.2.2019.

Ihalainen, E. (31.1.2019). Tietokannasta tietotulvaan. Saatavissa: https://blogs.helsinki.fi/ihem/. Viitattu 2.2.2019.

Johansson, C. E. (2005). Rivers draining into the Gulf of Bothania. Teoksessa M. Seppälä The physical geography of Fennoscandia (s. 325-348). Oxford University Press.

Knox, P. & Marston, S. (2016). Human Geography: Places and Regions in Global Context. Harlow: Pearson Education Limited.

Rautio, L. M. (2016). Milloin Pohjanmaalla tulvii? Etelä-Pohjanmaan ELY-keskuksen blogi. Saatavissa: https://etelapohjanmaanely.wordpress.com/2016/03/22/milloin-pohjanmaalla-tulvii/. Viitattu 2.2.2019.

Tulviin varautuminen. Ympäristöhallinnon verkkopalvelu. Saatavissa: https://www.ymparisto.fi/tulvat. Viitattu. 2.2.2019.

Ylinen, K. (30.1.2019). Sinä lähdit ja tulvii Pohjanmaa. Saatavissa: https://blogs.helsinki.fi/yxkirsi/. Viitattu 2.2.2019.

 

Blogi 2 – QGIS ja karttaprojektiot

Toinen kurssikerta käsitteli karttaprojektioita, joihin perehdyimme hyödyntämällä QGIS-ohjelmaa.

Taas oli paljon toimintoja, joita harjoiteltiin. Itselle jopa hieman liikaa yhdelle kerralle! Koitinkin tällä kertaa yrittää kerrata opettajan kanssa käytyjä toimintoja tekemällä niistä oman kokeilun. Tähän ei vaan kovin paljoa jäänyt aikaa, sillä neljän tunnin aikana on niin paljon asiaa käytävänä. Koin, että tämä kuitenkin tehosti oppimistani lukuisten eri toimintojen käytössä – suosittelen kokeilemaan!

Tunnilla tehtävät liittyivät karttaprojektioihin, joita on lukuisia erilaisia. Joonatan Huhdanpää kertoi blogissaan tiiviisti yleistä tietoa karttaprojektioista, joka auttoi minuakin löytämään hyvän suomenkielisen lähteen tähän kirjoitukseen.

Karttaprojektioiden valinta riippuu siitä, mitä kartalla halutaan kuvata. Esimerkiksi WGS84-projektio sopii koko maapalloa kuvaaviin karttaesityksiin, kun taas Suomen tarkasteluun sopii yleiseurooppalaisesta koordinaattijärjestelmästä johdettua kansallista ETRS-TM35FIN-tasokoordinaatisto. (Tilastokeskus, 26.1.2019.) Tätä tasokoordinaatistoa käytimme QGIS-ohjelmistossa. Tunnilla konkretisoitiin mielestäni hyvin eri karttaprojektioiden eroja, ja pääsimme itsekin vertailemaan niitä taulukoinnin avulla; miten pituudet ja pinta-alat muuttuvat projektiosta riippuen. Erilaisten ja monipuolisten tehtävien tekeminen liittyen projektioihin ainakin auttoi minua pääsemään projektioista paremmin perille, sen sijaan, että niihin liittyen oltaisiin tehty vain yksi tehtävä. Tällainen konkreettinen puuhaaminen tuotti omalla kohdalla ainakin jonkinlaista oppimista – katsotaan, muistanko ensi viikolla enää mitään 😀 !

Projektiotehtävät sivusivat myös toista maantieteellisten aineistojen käyttämiseen liittyvää aihetta eli tietokantoja. Minulle tuli ainakin yllätyksenä, että suurin osa ei ole maksullisia ja että ilmaisetkin aineistot voivat olla laadultaan hyviä. Tietokantojen runsaus tuli hyvin esiin tietokantojen nimissä, jotka näyttäytyivät itselleni vain hirvittävinä kirjainyhdistelminä. Tälläkin kertaa saimme pääsyn aineistoon suoraan Moodlesta eli otimme aineiston annettuna. Kokeilemmekohan seuraavilla kurssikerroilla itse aineiston hakemista tietokannoista?

Projektioilla leikkimisessä käytimme Suomen kunnista kertovaa aineistoa. Ominaisuustaulukkoa tutkiessa sai hyvän käsityksen siitä, miten tietokannan ominaisuudet ja sisältö vaikuttavat siihen, mitä QGIS:n avulla aineistolle voidaan tehdä. Tällaista aineistoa voi hyödyntää monissa erilaisissa analyyseissa, sillä aineistosta löytyi monipuolista tietoa eri kuntien väestöstä ja muista tekijöistä. Tällaisen aineiston tutkiminen oli mielestäni mielenkiintoista. Aineisto käsitteli kuitenkin vain Suomea, ja sen avulla voidaan tehdä alueellisia esityksiä erilaisista muuttujista ja esimerkiksi vertailla niitä. Tietokantoja löytyy ympäri maailmaa, mutta tällä kurssikerralla keskityimme kuitenkin vain Suomeen. Muiden maidenkin tutkiminen olisi kiinnostavaa, varsinkin projektiokokeiluiden näkökulmasta. Käytimme aika monimutkaisia laskukaavoja, mutta oli hyvä nähdä tietoa sekä numeerisessa että kuvallisessa muodossa, kartalla esitettynä.

Teimme ensimmäisen tehtävän yhdessä opettajan kanssa, jossa vertailimme Lambertin ja Mercatorin projektioita (kuva 1). Tämähän sujui, kun vain keskittyi ja seurasi. Ohjeiden seuraaminen tuntui hyvin intensiiviseltä, kun koko ajan piti olla aistit valmiina ottamaan informaatiota vastaan. Tämän huomasi pääkipuna tunnin jälkeen… :/ Mutta hommasta selvittiin! Toinen juttu olikin sitten se, miten toistaa tämä tehtävä vertailemalla jotakin toista projektiota Lambertin projektioon (kuva 2). Pienen googlailun jälkeen päädyin Eckertin 1 -projektioon, joka on oikeapituinen projektio, jossa etäisyyksien suhteet ovat kartalla oikein. Valitsiko kukaan muu tätä? Itse valitsin sen siksi, että se ainakin eroaa Lambertin oikeakulmaisesta projektiosta. Käytin edellisessä vertailussa kuutta luokkaa ja luokittelin ne samoin myös toisessa tehtävässä. Toimeen oli hankalaa ryhtyä, koska kolmen tunnin opiskelun jälkeen oli vaikeaa muistaa, mitä juuri oli tehty. Tämä turhautti, ja aistin samanlaista turhautumista myös muissa. Kiva tietää, ettei ole ainoa 🙂

Kuva 1. Pinta-alojen suuruuserot prosentteina Lambertin ja Mercatorin projektioissa.

 

Kuva 2. Pinta-alojen suuruuserot prosentteina Lambertin ja Eckertin 1 projektioissa.

Ensimmäinen huomio näitä kahta vertailua tarkasteltaessa on se, että Mercatorin projektion pinta-alat eroavat Lambertin projektion pinta-aloista huomattavasti enemmän kuin Eckertin 1 projektion pinta-alat. Mercatorin projektion pinta-alat ovat Lambertin projektiossa kuvattuja pinta-aloja jopa yli 700 prosenttia suurempia. Vertailtaessa Lambertia ja Eckeretiä suurimmat erot yltävät vain 33 prosenttiin.

Voidaan siis todeta, että Eckertin 1 projektion pinta-alat eroavat Lambertin projektiosta vähemmän kuin Mercator, mutta näissä eroissa on havaittavissa  samanlaista jakautumista etelä-pohjoissuunnassa. Pohjoiseen mentäessä pinta-alojen erot suurenevat molemmissa esityksissä. Niistä voidaan huomata, että pohjoisessa tummemmansinisten alueiden rajautuminen on suhteellisen samanlaista, vaikka vertailussa onkin kaksi eri projektiota. Etelään mentäessä vaaleansinisempien alueiden eli alempia  luokkia kuvaavien värien jakautuminen onkin jo erilaisempaa.  Neljää alinta arvoa kuvaavien värien peittämät alueet eroavat toisistaan selkeämmin näissä esityksissä, kaikkein selviten pienen luokka, joka on jälkimmäisessä esityksessä paljon kapeampi.

Tämä tehtävä auttoi syventämään ymmärrystäni siitä, että projektioilla ja niiden ominaisuuksien tietämisellä on merkitystä siihen, miten sellaisia asioita, jotka ovat suhteutettu pinta-alaan, voidaan kuvata.

Jälleen ensi viikkoon, hieman viisaampana ja turhaantuneempana,

Ida

Lähteet

Huhdanpää J. (23.1.2019). Viikko 2: Uutta opittavaa. Saatavissa: https://blogs.helsinki.fi/joonatah/2019/01/23/viikko-2-uutta-opittavaa/. Viitattu 26.1.2019.

Tilastoteemakartat. Tilastokeskuksen verkkosivut. Saatavissa: https://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_teemak&lesson_id=2&subject_id=4&page_type=sisalto. Viitattu 26.1.2019.

Blogi 1 – QGIS:n käytön harjoittelua

Käsittelimme Geoinformatiikan menetelmät 1-kurssin ensimmäisellä kurssikerralla paikkatietoa sekä tutustuimme QGIS-ohjelmaan. Harjoittelimme QGIS:n perustoimintojen käyttöä, kuten zoomaamista ja projektiin tuotujen tietokantojen sisältöjen värien muokkaamista. Opiskelun tukena meillä oli myös kirjalliset ohjeet opettajan ohjeiden lisäksi. Itse koin QGIS:n perustoimintojen käytön suhteellisen helpoksi juuri näiden hyvien ohjeiden takia. Ilman ohjeita olisin kuitenkin varmasti ollut aika hukassa, koska olen käyttänyt QGIS-ohjelmaa vain kerran aikaisemmin pari vuotta sitten, ja silloinkin kykenin tekemään tehtävät vain kirjallisten ohjeiden avulla. Hyvistä ohjeista kiitokset opettajalle! Onneksi on myös muita kurssilaisia, jolta pyytää apua 🙂 Olikohan kellään muulla samanlaisia tuntemuksia? Vai tuntuiko ohjelman käyttö heti helpolta?

Aloitimme myös ensimmäisen kurssityön tekemisen. Tästäkään en olisi selvinnyt ilman hyviä ohjeita ja opettajan esimerkin seuraamista. Tietokannoista löytyi tietoa eri maiden typpipäästöistä Itämeren ympäristössä, mikä oli mielestäni ajankohtainen ja tärkeä aihe. Tämän aineiston avulla teimme  QGIS-ohjelmistolla kartan (kuva 1), joka kuvastaa Itämerta ympäröivien maiden typen määrää kokonaispäästöistä. Vihreä värimaailma sointui hyvin alkuperäiseen värimaailmaani, joka noudatti QGIS:n ehdottamia värejä esimerkiksi maalle ja vedelle. Kartasta olisi voinut tehdä kokeilumielessä värimaailmaltaan hyvin absurdin, mutta halusin tehdä kartasta mieluummin siistin. Näin jälkikäteen huomasin, että kartan värit tulivat vahingossa käänteisinä – vaalea väri edustaa nyt korkeinta päästöä, vaikka tietenkin sen tulisi olla kaikkein tummin. Mutta kuten kliseinen sanonta kuuluu – VIRHEISTÄ OPPII!

Kuva 1. Typpipäästöt Itämeren alueella.

Kartan mukaan Puola olisi Itämeren alueella suurin typpipäästöjen tuottaja, kun taas Virossa typpipäästöt ovat pieniä. Suomessa typen osuus päästöistä on 7.0 – 9.5 % luokkaa. Pääosin typpi kulkeutuu Itämereen Suomesta jokivesien kuljettamana, mutta myös esimerkiksi ilmalaskeumana. Aikavälillä 2008-2014 Suomesta kulkeutui typpeä Itämereen n. 82 000 tonnia vuosittain. Esimerkiksi teollisuus, metsätalous ja kalankasvatus ovat osallisia Itämeren typpikuormitukseen. (Ympäristöhallinnon verkkopalvelu, 25.1.2019.) Typpikuormitus vaikuttaa Itämeren rehevöitymiseen, jolloin meren perustuotanto kasvaa ja kasviplanktonin määrä kasvaa. Tämän seurauksena vesi samenee. Samentuminen aiheuttaa ongelmia, sillä pohjan kasvillisuus kärsii siitä ja tämä johtaa muutoksiin myös pohjan eliöyhteisön lajistossa ja monimuotoisuudessa. Hapenkulutus lisääntyy rehevöitymisen seurauksena ja näin pohja-alueilla esiintyy happikatoa. (Luonnontilan verkkosivut, 25.1.2019.) Emilia Ihalainen huomioi hienosti blogissaan tämän esityksen tarkkuutta luokkarajojen suhteen, sillä ne ovat epätaiset ja suurimmassa luokassa on suuri vaihteluväli, jopa yli 20 prosenttia. Itseltäni tämä oli jäänyt huomioimatta. Yhdyn hänen mielipiteeseensä siitä, että toisin esitettynä nämä arvot olisivat voineet antaa kattavamman ja tarkemman kuvan typpipäästöjen osuuksista.

Karttojen tekemisessä QGIS-ohjelman avulla on monta vaihetta, joten pitää seuraavilla kurssikerroilla pysyä tarkkana, jotta ei tipu kärryiltä. Ohjelmassa on niin paljon toimintoja, että niiden löytäminen itse tuntui hankalalta, jos ei seurannut opettajaa. Minun tuleekin jatkossa kiinnittää huomiota omaan keskittymiskykyyni, sillä välillä ajatus harhaili muihin asioihin. Lähes neljän tunnin kurssikerta vain pienellä tauolla tuottaa haasteita omalle keskittymiskyvylleni.

Suurimmasta osasta muista kurssilaisista poiketen itse en opiskele pääaineenani maantiedettä, joten toisaalta karttojen tekeminen tuntuu hieman irralliselta muihin opintoihini verrattuna, mutta minusta niiden tekeminen on sopivan haastavaa ja poikkeavaa omista opinnoistani, joten maantieteen kursseille on kiva tulla. Olen tämän takia myös innokas oppimaan uutta, mutta karttojen laajemman käyttötarkoituksen ym. pohtiminen tuntuu siksi haastavalta. Tästä harjoituksesta voin kuitenkin sanoa, että tällaiset kartat ovat mielestäni hyvä ja tiivis tapa esittää tietoa kartalla eri värien avulla, vaikka informaatiota on kartalta tippunutkin pois. Itse en koe omaavani kovin hyvää värisilmää, joten hyvien karttojen tekemistä on vielä harjoiteltava.

Eiköhän tämä ala tästä pikku hiljaa kurssin edessä sujua 🙂 Odotan innolla muiden blogikirjoituksia, että miltä heistä tuntui ja miltä heidän karttansa näyttävät! Saan toivottavasti inspiraatiota oman värisilmäni kehittämiseen. Tällainen julkinen kurssin suoritustapa on hyvä tapa oppia myös toisilta, ja sitä aion hyödyntää. Toivottavasti jollekin on myös apua minun kirjoituksistani, ja ennen kaikkea, että niitä olisi mukava lukea. Onneksi luin muiden blogeja, koska muuten olisin unohtanut kokonaan tehdä kotitehtävän! Tein tämän (kuva 2) pari viikkoa myöhässä, mutta ainakin teemakartan luominen oli helpompaa, kun QGIS:stä on jo enemmän kokemusta.

Kuva 2. Avioeroja kunnittain kuvaava teemakartta.

Valitsin mielenkiinnosta tarkastelun kohteeksi avioerot. Kokeilin erilaisia luokkia, enkä ollut silti varma, kuinka monta luokkaa minun olisi kannattanut valita. Tuntui, että kuudella luokalla vaihteluvälit olivat todella suuria viimeisempien luokkien kohdalla, joten päädyin kahdeksaan luokkaan. Kartalta nähdään, että eniten erotaan pääkaupunkiseudulla. Myös esimerkiksi Tamperella, Turussa ja Oulussa avioliittoja päättyy runsain määrin. Huomattavaa ominaisuustietotaulukkoa katseltaessa oli sellainen seikka, mitä tämä karttaesitys ei tuo ilmi, että Helsingissä tehtiin vuonna 2015 yli 1700 avioeroa, mutta ero seuraavaan oli lähes 1000 avioeroa, sillä Espoossa vastaava luku oli 719.

Tilastokeskuksen mukaan vuonna 2017 13 485 avioliiton solminutta paria erosivat (Tilastokeskus, 2018). Vastaava luku oli vuonna 2015 oli hieman suurempi 14 170. Vuoden 2017 tilastoissa mielenkiintoista on kuitenkin se, että siinä oli eritelty eri sukupuolta ja samaa sukupuolta olevien avioerojen määrä. Vain kaksi näistä lähes 13 500 erosta oli samaa sukupuolta olevien parien avioero.

Ensi viikkoon,

Ida

Lähteet

Ihalainen, E. (18.1.2019). QGis:n alkeet. Saatavissa: https://blogs.helsinki.fi/ihem/. Viitattu 26.1.2019.

Itämeren typpikuorma Suomesta. Ympäristö hallinnon verkkopalvelu. 25.1.2018. Saatavissa: https://www.ymparisto.fi/fi-FI/Meri/Mika_on_Itameren_tila/Itameren_typpikuorma_Suomesta(31457).

IT2 Typpi. Luonnontilan verkkosivut. 25.1.2019. Saatavissa: https://www.luonnontila.fi/fi/elinymparistot/itameri/it2-typpi.

Siviilisäädyn muutokset  2017, Liitetaulukko 1. Avioliittojen ja avioerojen määrä vuosina 1990–2017.  Helsinki: Tilastokeskus, Suomen virallinen tilasto (SVT). Viitattu: 30.1.2019. Saatavissa: http://www.stat.fi/til/ssaaty/2017/ssaaty_2017_2018-05-08_tau_001_fi.html