Tekijä: Lotta Mattila

Ja näin on kurssi saatu päätökseen.

Kurssi oli hyvin opettavainen ja uutta asiaa tuli sankoin joukoin. Joka kerralla olin itsevarmempi Qgissin käyttäjä ja onnistuin ratkomaan ongelmia yhä oma-aloitteisemmin.

Viimeinen kurssikerta oli yllättävän mieluisa. Tehtävänä oli valita jokin aihe sekä etsiä siihen sopivat aineistot ja esittää kartalla vähintään 2 muuttujaa. Tai tekemällä karttasarja. Ensiksi ajattelin, että mihin sitä taas joutuu, mutta oli oikeastaan aika mielenkiintoista tutkia erilaisia aineistoja, valita oma aihe ja pohtia toteutus tapaa. Ei sillä, kyllä jouduin turhautumaan tässäkin tehtävässä. Ongelma oli erilainen kuin muissa tehtävissä, mutta yleinen maantieteellinen kysymys: miten voin esittää aiheeni kartalla mahdollisimman selkeästi ja visuaalisesti miellyttävänä? Olen kiinnostunut Suomen väestön ikääntymisestä ja siitä, kuinka se vaikuttaa huoltosuhteeseen. Näihin kysymyksiin kiteytyy myös muuttoliike sekä työllistyminen. Valitsin aineistoni Tilastokeskuksen StatFin-tilastotietokannasta ja pohjakartan Paitulista. Huomasin kuitenkin melko alussa, että aihettani ei voi esittää kovinkaan mielenkiintoisella tavalla. 2 muuttujaa kartalla osoittautui melkein mahdottomaksi. Loppuvaiheessa pohdin olisiko pitänyt ottaa aiheeksi jokin, johon olisin voinut käyttää esimerkiksi buffer-ominaisuutta (lemppari).

Kuva 1. Yli 65-vuotiaiden määrä ja suurimmat huoltosuhteet.

Kuvassa 1 tarkoitukseni oli esittää väestön ikääntymistä ja sitä, miten se vaikuttaa huoltosuhteeseen. Valitsin esitystavaksi seuraavan: valitsin yhdeksän suurimman huoltosuhteen kuntaa ja tein niille diagrammit. Ongelmaksi tuli kuitenkin se, ettei kartasta saada tietää vertailun avuksi pienintä huoltosuhdetta.

Kuva 2. Huoltosuhde kunnittain.

Kuvassa 2 on huoltosuhteen jakautuminen kokonaisuudessaan.

Kuva 3. Kuntien nettomuutto.

Otin kuvasarjaan myös nettomuuton. Positiivisen nettomuuton kunnissa näkyy samankaltaisuutta kuin kuvan 2 pienemmän väestöllisen huoltosuhteen kunnissa. Olisin halunnut lisätä kuvan 3 karttaan esimerkiksi yliopistojen sijainnin. Yliopistot toimivat yhtenä kuntien vetovoimatekijänä ja kunnista muutetaan opintojen perässä toiseen kuntaan. Yllättävää oli kuinka hankalaa aineistojen etsiminen välillä oli. Jotkin sivustot tuntuivat hyvin monimutkaisilta enkä löytänyt haluamaani aineistoa kaiken seasta tai en saanut sitä haluamassani muodossa. Arttu kyllä varoitti aineistojen määrästä.

 

Kuva 4. Kuntien työllisyys.

Kuvassa 4 esitin kuntien työllistyneisyyttä. Kartasta huomaa samankaltaisuutta aiempiin karttoihin, esimerkiksi kuvaan 1. Työllisyys on myös vetovoimatekijä. Monipuoliset palvelut avaavat työpaikkoja, jolloin työn perässä muutetaan toisiin kuntiin. Työntekijät, ja samalla veronmaksajat, ylläpitävät palveluita ja yrityksiä kulutusvoimallaan. Tämä taas mahdollistaa yhä monipuolisempien palveluiden tarjonnan, mikä on yksi kuntien vetovoimatekijöistä. Lähtökunnissa veronmaksajat kuitenkin vähenevät, mikä johtaa palveluiden heikkenemiseen. Työikäisen väestön muuttaessa pois jäljelle jää vanhempi väestö, joka ei käy enää töissä ja käyttävät esimerkiksi julkisia palveluita enemmän.

Hei taas.

Kuudes kurssikerta on jo ohi ja kurssi lähenee loppuaan. Viimeisin kurssikerta oli mielenkiintoinen: pääsimme vihdoin maastoon tekemään paikkatietoa konkreettisesti! Tehtävänä oli vastata kysymyksiin erilaisten paikkojen turvallisuudesta sekä viihtyvyydestä ja kirjata niitä Epicollect5-sovellukseen. Oli mielenkiintoista nähdä, miten paikkatietoa voidaan tehdä ja nähdä, miten kävelyretkeltä napatut tuotokset malliintuu kartalle. Tällä sovelluksella olisi helppo saada paikkatietoa pelonmaantieteeseen.

Uutena asiana kurssikerralla tuli interpolointi. Harmikseni voin sanoa, ettei uusi ystäväni. En tiedä mikä siinä oli, mutta kartastani ei tullut interpoloinnin vuoksi mallisuoritusta.

Opettajan saappaissa

Toisena tehtävänä oli tehdä karttoja hasardeista, joita voitaisiin käyttää oppimateriaalina: tarkoitus oli siis asettua opettajan saappaisiin. Tämän tehtävän jälkeen voin sanoa, että osaan paremmin liittää erilaisia tiedostoja Qgissiin. Csv-tiedostojen kanssa vääntäessä aloin ymmärtämään, mitä liittämiseen vaaditaan. Muistion käyttäminen oli uusi ja yllättävä tuttavuus Qgissin käytössä.

Valitsin hasardeikseni maanjäristykset sekä tulivuoret. Eli lähinnä mannerlaattojen liikkumisten aiheuttamat hasardit. Lähestymistapani oli seuraavanlainen: Valitsin kartalle yli 4 magnitudin järistyksiä, joita on paljon, mutta huomattavasti vähemmän kuin lähtisi tarkastelemaan esimerkiksi 1 magnitudin järistyksistä lähtien.

Kuva 1. Yli 4 magnitudin maanjäristykset

Tarkoituksenani olisi huomauttaa, miten maanjäristykset selkeästi esiintyvät tietyillä alueella, mutta lähes satunnaisesti myös kauempana muista. Näille maanjäristyksille on muita selityksiä, mutta maanjäristysten ryppäille on selitys, jonka havainnollistamiseen pyrin: mannerlaatat ja niiden liikkeet. Mielestäni esitys tapa on hyvin selkeä ja siitä näkee hyvin maanjäristysten esiintymien jakautumisen ja kumuloituminen.

Kuva 2. Mannerlaatat ja niiden liikesuunnat. Geologia.fi.

Kuvaa 1 ja 2 vertailemalla huomataan yhdenmukaisuutta. Tässä vaiheessa opettajana kertoisin, mistä maanjäristykset syntyvät ja miten ne liittyvät mannerlaattojen liikkeisiin. Mannerlaattoihin liittyvät syntyvät, kun kalliolohkot liikkuvat toisiaan vasten. Tätä liikettä vastustaa lohkojen välinen kitka ja näiden välille voi synty jännityskertymää. Jännityskertymä kasvaa kasvamistaan, kunnes se ylittää kallioperän kovuuden ja kallio antaa periksi aiheuttaen maanjäristyksen.

Kuva 3. Isoimmat maanjäristykset

Kuvassa 3 nähdään vielä suuremman magnitudin järistyksiä. Kaikista suurimmat, yli 8 magnitudin järistykset, laitoin selkeyden vuoksi huomattavalla kolmiolla. Tästä näkee, miten suuret järistykset ovat kumuloituneet mannerlaattojen reunoille.

Kuva 4. Maanjäristysten ja tulivuorten sijoittuminen.

Kuvassa 4 halusin näyttää maanjäristysten ja tulivuorten sijoittumisen yhteneväisyydet. Lisäksi halusin pakosta kokeilla interpolointia uudelleen. Tässä nyt lopputulos. Ei ihan sellainen kuin odotin, mutta on siinä jotain järkeä. Tapion tekemät kartat ovat erittäin visuaalisesti miellyttäviä ja olisin itsekin voinut laittaa esimerkiksi leveyspiirit karttaan selkeyttämään.

Kuvan 4 tulivuorten sijoittuminen mannerlaattojen päälle kertoo lisää laattatektoniikasta. Opettajana tässä vaiheessa kertoisin, miten tulivuoria syntyy, kenties niiden vaikutuksia, ja miten ne liittyvät mannerlaattoihin.

 

Lähteet

Laatta tektoniikka. Geologia.fi <https://www.geologia.fi/2018/05/20/laattatektoniikka/> Luettu 2.3.2021.

Maanjäristys. Wikipedia. <https://fi.wikipedia.org/wiki/Maanj%C3%A4ristys> Luettu 2.3.2021.

6: Urbaania ristiretkeilyä ja hasardeja. Tapion kurssiblogi. https://blogs.helsinki.fi/tapiotur/

Hei!

Taidetaan vedellä kurssin viimeisiä kertoja. Viime kurssi kerralla aloitimme harjoittelut bufferoinnilla, jonka jälkeen siirryimme tekemään tehtäviä itsenäisesti. Ennen kun alan kiukuttelemaan Qgissille ja rypemään pohjamudissa: huomaan, että olen edistynyt erilaisten karttojen tekemisessä. Tehtävänannon saatua huomaa, että aivot alkavat raksuttamaan miten kartta tulisi toteuttaa. Olen tehnyt kuitenkin yhteenvedon törmäämistäni ongelmista: useimmat johtuvat siitä, että unohdan miten toteutus käytännössä tehdään, vaikka olemme käyneet sen läpi luennolla. Mutta ei hätää, kertaamalla oppii!

Ongelmista selviytyminen tuntuu aina hyvältä. Itsenäisiä tehtäviä tehdessäni ymmärsin, että kokeilemalla oppii. Qgissin ominaisuudet alkavat tuntumaan jo tutuilta ja niitä on helpompi soveltaa erilaisiin tehtäviin. Huomasin Sanna Jantusen blogista, kuinka hän oli ylistänyt buffertoimintoa (Jantunen 2021). Ja olen samaa mieltä, buffertoiminto nousi suosikikseni sen soveltavuuden sekä monipuolisuuden vuoksi. Koen, että select-työkalut ovat jo melkoisen hallussa. Puskurivyöhykkeitä voi käyttää useaan tarkoitukseen ja antavat erittäin käytännöllistä tietoa. Esimerkiksi melualueharjoitus oli hyvin mielenkiintoinen. Tulvivalle joelle voi tehdä puskurivyöhykkeen. Tai vaikka linja-auto reitille ja tutkia, kuinka moni asukas asuu 2 kilometrin säteellä siitä. En juuri osaa nimetä yhtä asiaa, missä tarvitsisin lisäharjoitusta, vaan koen sen enemmänkin kokonaisuutena. Tarkoitan siis, että tarvitsen kertauksen kertauksen kertausta, jotta muistan, mistä erilaiset toiminnot löytyvät ja miten ne toimivat.

Esimerkiksi neljännen tehtävän uima-allas tehtävä oli sellainen. Toisaalta suuri kiitos ja kunnia kuuluu Ilarille, joka blogissaan neuvoi, miten kiertää aineistossa oleva ongelma (Leino 2021). Nämä Qgissin ja aineistojen väliset errorit ovat ärsyttävin ongelma, joiden ratkaisemiseen kärsivällisyyteni juuri ja juuri riittää. Tehtävässä aineistojen yhteen liittämisessä oli silti ongelmia, mutta pienoiset hurraa-huudot päästin yksiössäni, kun löysin tieni ratkaisuun käyttämällä count points in polygon -toimintoa. Olen hieman tyytymätön tulokseen silti, koska lopputulos ei ole kovin selkeä. Halusin kuitenkin pohjalle kartan, josta uima-altaiden sijoittumisen voisi lukea. En kuitenkaan voinut hylätä pienalueiden ääriviivoja, enkä tutkimisen jälkeen löytänyt selkeämpää karttaa. Tästä pitää vielä ottaa selvää. Lukumäärien sijoittuminenkin toi hieman päänvaivaa.

 

Kuva 1. Uima-altaallisten rakennusten määrä kuvattuna pylväillä.

Loput tehtävien ratkaisut: Itsenäinen KK5

Toisto on oppimisen isä ja äiti. Sannan blogi. <https://blogs.helsinki.fi/smjantun/> (viitattu 19.2.2021)

Viides kurssikerta. Ilarin Maantiedotusblogi. <https://blogs.helsinki.fi/ilarilei/> (viitattu 19.2.2021)

Ruututeemakartta

Neljännellä kerralla perehdyimme rasterikarttoihin: aikaisemmin työskentelyn alla on ollut vain vektorikarttoja. Ensimmäisenä tehtävänä oli luoda ruudukko pääkaupunkiseutua esittävän kartan päälle.

Kuva 1. Muunkielisten määrä ruuduittain pääkaupunkiseudulla.

Kuvassa 1 näkyy neljännen luentokerran tuotokseni. Lisäsin kartan informatiivisuutta lisäämään suuralueiden rajat. Kokeilin lisäksi lisätä tiestöä sekä pienalueitten rajoja, mutta kartan selkeys ja luettavuus kärsi melkoisesti. Näin päädyin vain suuralueiden rajoihin.

Kartasta näkee, miten muita kieliä kuin suomea puhuvat ihmiset ovat jakautuneet pääkaupunkiseudulla. Suurin määrä muunkielisiä on Helsingissä. Tämä ei ole sinänsä yllätys, koska asukasluku Helsingissä on suurempi verrattuna muihin pääkaupunkiseudun kaupunkeihin. Muiden kuin suomen kielen puhujien suuri määrä näkyy punaisina ruutuina.

Mielestäni kartta on selko lukuinen ja nopealla vilkaisulla tästä jakaantumisesta saa selkeän mielikuvan. Ruudut ovat 1 km x 1 km, joten hyvin selkeitä ne eivät ole. Mielestäni informatiivisuutta lisäisi paikannusta auttavat rajat. Tämä kuitenkin tekee kartasta hyvin epäselvän. Koropleettikarttaan olisi saanut selkeästi lisättyä esimerkiksi tiestöä, mutta toisaalta koropleettikartta olisi ollut ehkä hankalampi toteuttaa näin jakautuvasta ilmiöstä. Ruuduilla on ehkä selkeämpi kuvata määrien vaihettumista. Ruututeemakartan luettavuus kärsii mielestäni hyvin helposti ja pienillä lisäyksillä saa helposti sekavan kartan. Yksinkertaista esitystapaa vaativa ilmiö esiintyy ruututeemakartalla kuitenkin kätevästi. Esimerkiksi prosenttilukuja olisi mielekkäämpää esittää erilaisilla teemakartoilla. Yleensä ruuduilla kuvataan määriä ja numeroita, jotka koskevat asukkaita. Siksi on mielekästä esittää ruututeemakartalla absoluuttisia lukuja. Desimaaliluvut sekoittaisivat karttaa, sillä emme ajattele ihmisiä muina kuin absoluuttisina lukuina.

Korkeuskäyrät

Laadimme toisessa tehtävässä korkeuskäyrät rinnevarjostuksen avulla Pornaisen alueelle. Aineisto oli niin suurta, että korkeuskäyrien tekeminen ei ollut kovin helppoa. Itse asiassa Qgissini pyörittää operaatioita edelleen. Jotakin sain kuitenkin kartalle.

Kuva 2. Maanmittauslaitokselta ladattu maastokartta, 1:50 000.

Kuva 3. Rinnevarjostuksesta laaditut korkeuskäyrät.

Latasin Maanmittauslaitoksen sivuilta 1:50 000 maastokartan (kuva 2), jotta voin verrata tekemiäni korkeuskäyriä. Mml:n maastokartassa korkeuskäyriä on yksityiskohtaisemmin ja enemmän. Esimerkiksi Lahokalliota tai Kylä-Knuuttilaa ei kuvan 3 korkeuskäyristä erota juuri ollenkaan. Vaikka laatimiani korkeuskäyriä on vähemmän, näkyy kuvissa vastaavuutta esimerkiksi Korkeamäen seudulla. Toisaalta kartat ovat muutenkin erilaiset.

Kohteiden lisäämistä ja yhdistelyä

Sanoisin, että kolmas kurssikerta oli tehtäviltään helpompi verrattuna viime kertaan. Jos poissuljetaan se tosiasia, että lähetin isäni ajamaan ympäri Oulua muualle unohtuneen läppärin laturin perässä. Onneksi laturilähetys saapui juuri, kun koneesta loppui virta kahvitauon päätteeksi. Joka tapauksessa, Qgissiä tuli taas kulutettua.

Ensimmäinen tehtävä sijoittui Afrikan mantereelle. Aluksi kaikki kohteiden yhdistämiset tuntuivat olevan melko monimutkaisten painallusten takana. Tarkoitus oli kuitenkin looginen: asettaa taulukon karttakohteita yhteisen nimen alle, jotta karttaa sekä taulukkoa olisi yksinkertaisempi tarkastella. Koen kuitenkin, että varsinkin join-ominaisuus tuli tällä kertaa tutuksi. Internetin käyttömäärien, konfliktien, timantti- sekä öljykaivosten tuominen tietokantaan antoi mielenkiintoisia tuloksia tarkasteltavaksi, vaikka prosessi olikin melko haastava.

Internetin käyttäjien lukumäärä eri vuosina kertoo meille valtion kehittyneisyydestä. Esimerkiksi prosenttilukuina valtioita voidaan verrata toisiinsa, sillä yleensä internetin käyttäjämäärä osoittaa kehittyneisyyden verrattuna muihin valtioihin. Öljykaivokset tai timanttikaivokset voivat kasvattaa valtion varallisuutta, mikä voi näkyä internetin käyttäjämäärissä. Öljykenttien tuottavuus on tässä isossa osassa.  Lisäksi kehittyneisyyteen voisi verrata myös konfliktien määrään. Yleensä konfliktien repimä maa ei välttämättä ole niin kehittynyt kuin vakaa valtio. Yksityiskohtaisemmin tutkittuna syitä voi olla esimerkiksi hallitus, joka ei nauti kansan luottamuksesta.

Muita syitä konflikteille voi olla myös öljykaivokset. Öljyyn liittyviin konflikteihin sekaantuu myös muita maita. Konfliktin tapahtumavuosi voidaan yhdistää esimerkiksi pakolaisuusaaltoon naapurivaltioissa tai jopa Euroopassa. Konfliktin laajuus/säde voi kertoa pakolaisten määrästä. Tämä kuitenkin tarvitsisi enemmän lisätietoja eri aineistosta.

Tulvaindeksi kartan tekeminen

Seuraava tehtävä oli tehdä tulvaindeksi. Tehtävässä oli hieman hankaluuksia, mutta tässä tehtävässä opin käyttämään join-ominaisuutta paremmin. Lisäksi Excelin ja Qgissin yhteistyö onnistui nyt paremmin – toivottavasti myös tulevaisuudessa.

Kuva 1. Tulvaindeksi.

En osaa sanoa, että kartta oikeannäköinen, mutta yritys oli kova. En saanut tehtyä karttaan pylväitä, jotka antaisi järkevät selitteet legendaan. Qgissin diagrammi-ominaisuutta pyöritellessä päädyin ympyröihin, jolloin sain legendaankin järvisyydelle selityksen. Sama ongelma oli myös Ville Väisäsellä omassa blogissaan. Mielestäni kuitenkin kartta on melko selkeä lukuinen. Mitä isompi ympyrä sitä suurempi järvisyysprosentti. Käytännössä – niin kuin Villekin blogissaan kirjoitti – järvisyys tarkoittaa järvien osuutta valuma-alueen pinta-alasta.

Tulvaindeksi käsitteeni ei ole kovinkaan tuttu. Tulvaindeksissä on laskettu keskiylivirtaaman ja keskialivirtaaman välinen suhde. Tulvaindeksi kertoo virtaaman vaihtelua ja ottaa mukaan sekä kuivimmat kaudet että tulvaisimmat ajat. Tulvaindeksi on suurin rannikoilla Etelärannikolla ja Turun läheisyydessä. Pienin tulvaindeksi on kaukana rannikosta. Näillä alueilla järvisyys on lisäksi isoin. Olettaisin, että jokien virtaus on suurinta mereen ja näillä alueilla tulvavaara on isoin. On loogista, ettei rannikolla ole yhtä paljon järviä, koska jokien vedet eivät kasaannu maaperässä oleviin painaumiin, vaan valuvat mereen.

Lähteet:

Valuma-alueiden tulvaindeksi kartta. Villen GIS-blogi. <https://blogs.helsinki.fi/villvais/> (viitattu 2.2.2021)

Toisella kurssikerralla tehtävät olivat mielestäni astetta vaikeampia ja kärryiltä tipahtaminen hidasti työskentelyä ajoittain. Mutta kaikesta selvittiin.

Tehtävänä oli vertailla erilaisia projektioita ja pinta-aloja. Aloitimme vertailemalla ETRSTM35 projektion ja Mercatorin projektion pinta-aloja laskemalla kuntien pinta-alojen suhdelukuja.

Kartasta pystytään lukemaan, miten Mercatorin projektion ja ETRSTM35 projektion pinta-alojen erot ovat suurimmillaan pohjoisessa. Tämä johtuu Mercatorin projektiosta, joka venyttää alueita sitä enemmän mitä lähempänä ne ovat napoja. Vaikka minulla oli vaikeuksia saada suhdeluvut selkeiksi ja esittää ne kartalla, mielestäni lopputuloksesta tuli melko tehtävänannon mukainen

Kuva 1. ETRSTM35 projektion ja Mercatorin projektion pinta-alojen vertailua.

Toinen kartan tein vertaamalla ETRSTM35 projektiota Winkelin projektioon. Tässä pinta-alojen suhdeluvut eivät ole niin suuria verrattuna Mercatorin projektioon, joten kartassa esitettäviä värejä on vähemmän kuin edellisessä kuvassa. Kuvan 2 kartan tekeminen oli jo helpompaa ja sujui melkein mutkitta.

Kuva 2. ETRSTM35 projektion ja Winkelin projektion pinta-alojen vertailu.

Ensimmäisellä kurssikerralla aloitimme Qgissin käytön tekemällä kartan Itämeren alueesta. Qgis on lukioajoilta melko pintapuolisesti tuttu, joten oli mielenkiintoista päästä paikkatieto-ohjelmiston toimintoihin syvemmin käsiksi.  

Teimme ensimmäisellä luennolla teemakartan Itämeren typpipäästöistä. Valehtelematta Qgis vaikutti sekavalta ja olo oli hyvin kädetön. Aina välillä opettajan ohjeita piti keskeyttää kysymyksellä, mutta harjoitus oli sopiva ensimmäiselle kerralle. Kaipaus Physicumin luentosaleihin ja kahden näytön tietokoneisiin kivisti rintaa, kun ongelmia tuotti opettajan seuraaminen oman värkkäämisen lisäksi. Kuitenkin, vaikka ohjelmisto oli täysin uusi, kartan teko meni kuitenkin yllättävän helposti opettajan johdolla, kun ensin seurasi opettajaa ja teki itse vasta, kun tunsi olonsa enemmän tai vähemmän itsevarmaksi. Kartan viimeistely aiheutti hieman hampaitten kiristelyä eri versioiden välisten erojen vuoksi, mutta niistäkin selvittiin.

Mielestäni tuottamani kartta on ihan onnistunut. Taas muistin, kuinka yllättävän vaikeaa on valita värit, jotka ovat miellyttävät ja samalla selkeät. Koen, että tekemäni teemakartta on melko hyvin luettavissa. Kartan yhtenäisyyttä kuitenkin rikkoo esimerkiksi valkoinen väri. Myös prosenttivälit ovat hankalat: esimerkiksi 3,2 esiintyy legendassa kolme kertaa. Sanna Jantunen esitti blogissaan hyvän havainnon: tuovatko syvyyskäyrät jotain tärkeää informaatiota vai vaikeuttaako se vain oleellisen luettavuutta? Sannan mielestä syvyyskäyrät eivät tuo lisäarvoa ja sanoisin olevani samaa mieltä.

Teemakartta kuvaa eri maiden osuutta Itämeren typpipäästöistä. Mielestäni kartta on helppo lukuinen ja antaa selkeän kuvan osuuksista nopeallakin vilkaisulla. Esimerkiksi saadaan selville, että Puola on yksi Itämerta kuormittavimmista valtioista. Tämä saadaan selville kirkkaanpunaisesta väristä (joka voi olla hieman hankalasti erotettavissa). Toisesta päästä taas valkoinen Viro on vähiten kuormittava. Tällainen informaatio päästöistä on tärkeää erilaisten tutkimusten taustalle ja selkeällä kuvalla se on kaikkien ymmärrettävissä.

 

Lähteet:

Perusasioiden äärellä, Sannan blogi (2021). <https://blogs.helsinki.fi/smjantun/> (Viitattu 25.1.2021)