Se oli siinä!

Kiitos!

Heti aluksi on pakko myöntää, että kurssin alussa en kyllä tiennyt millaiselle taistelukentälle astuin. Pahin vastustajani, QGIS, osoittautui monimutkaiseksi ja hermoja raastavaksi tapaukseksi. Pari ensimmäistä kurssikertaa oli kyllä aikamoista räpellystä, joten kiitos Artulle kärsivällisyydestä!

Näin jälkikäteen mietittynä, kyllä sitä tuli oikeasti opittuakin jotakin – tai oikeastaan aika paljonkin. Kun ihan alkeista lähtee, suunta ei voi olla kuin ylöspäin. Ja mikä parasta, tuntuu että pystyin selättämään vastutajani (ainakin osittain)!

Nyt näin kuukausi kurssin loppumisen jälkeen voin myös huomata, miten nopeasti aika kultaa muistot. Salaa mulla on jopa vähän ikävä niitä taistelun täyteisiä maanantai-iltoja QGIS:n parissa.

TACK OCH ADJÖ!

Terkuin Senni 🙂

Kurssikerta 7: The final countdown – Euroopan lentokentät

Ja niin koitti se viimeinen kurssikerta, kun pitäisi osata tehdä asioita itsenäisesti. Olin jo valmiiksi päättänyt, että haluan tehdä tämän kerran QGIS-harjoituksen Euroopan alueesta. Latasin itselleni QGIS:siin koko maailmankartan, josta valitsin vain kokonaisuudessaan Eurooppaan kuuluvat valtiot. Tämä tarkoitti siis sitä, että esimerkiksi Venäjä ja Turkki pudotettiin pelistä pois.

Lentokenttädataa ihmettelemässä

Kun sain pohjakartan valmiiksi, aloin etsiä dataa, jota voisin hyödyntää. Halusin jonkin tietokannan, jossa on merkittynä myös tarkat koordinaatit, jotta saan aikaan pisteaineiston. Siksi päädyinkin tarkastelemaan Euroopan maiden lentokenttiä. Löysin datan Eurostatin nettisivuilta ja toin sen itselleni QGIS:iin. Näin sain siis näkyville kaikki Euroopan maiden lentokentät (kuva 1).

Kuva 1: Kuvakaappaus QGIS-näkymästä, johon on tuotu kaikki Euroopan lentokentät Eurostat -sivustolta.

Seuraavaksi muokkasin pisteaineiston koropleettikarttamuotoon. Hyödynsin ensin Count points in polygon -työkalua, jotta sain laskettua montako lentokenttää kunkin maan rajojen sisällä sijaitsee. Tämän jälkeen muodostin siitä koropleettikartan, jossa lentokenttien lukumäärää kasvaa vaaleasta sävystä tummempaan (kuva 2). Samaan koropleettikarttaan lisäsin myös histogrammit, joista toinen kuvastaa maan kokonaishiilidioksidipäästöjä ja toinen kuljetuksesta aiheutuvia hiilidioksidipäästöjä (datat vuodelta 2016).

Kuva 2: Koropleettikartta, jossa maan lentokenttien lukumäärä on kuvattu oranssilla sävyllä. Mitä tummempi sävy on, sitä enemmän lentokenttiä sijaitsee maan rajojen sisällä. Samaan karttaan on merkitty lisäksi hiilisioksidin kokonaispäästöt ja kuljetuspäästöt maittain histogrammeina. Kartta on koordinaatistossa ETRS89/ETRS-LAEA.

Lisäsin histogrammit hiilidioksidipäästöistä karttaan siinä toivossa, että lentokenttien lukumäärän ja hiilidioksidipäästöjen välillä olisi havaittavissa jonkinlaista korrelaatiota. Oma odotukseni oli, että maat joilla on paljon lentokenttiä (jolloin oletetusti myös paljon lentoliikennettä), se näkyy myös suurina hiilidioksidipäästöinä. Kuten kuvasta 2 voi huomata, eniten lentokenttiä sijaitsee Saksassa ja Ranskassa. Aivan yksiselitteistä positiivista korrelaatiota ei kuitenkaan ole näkyvissä lentokenttien lukumäärän ja hiilidioksidipäästöjen osalta. Toki Saksan hiilidioksidipäästöt ovat Euroopan suurimmat niin kuin heidän lentokenttien lukumääränsäkin (502 lentokenttää). Huomattavaa kuitenkin on, että esimerkiksi Ranskan kohdalla sama ei enää päde. Vaikka heillä on toiseksi eniten lentokenttiä, heidän hiilidioksidipäästönsä ovat alhaisemmat kuin esim. Iso-Britannialla, jossa lentokenttiä on vähemmän. Harmillista oli myös se, että dataa ei ollut kaikista Euroopan maista tarjolla. Siksi kartassa ei mm. Norjan kohdalla ole ollenkaan histogrammeja. Näin jälkiviisaana on myös hyvä todeta, että kartta ei muutenkaan ole kaikkein paras. Pienten maiden kohdalla, joilla on pienet hiilidioksidipäästöt erityisesti kulejtuksen osalta, datan tulkinta kartasta on melko mahdotonta. Tämä siksi, että histogrammit ovat jääneet onnettoman pieniksi.

Seuraavassa kartassa hyödynsin jo tekemääni koropleettikarttapohjaa lentokentistä. Tarkastelin, miten lentokenttien lukumäärä näkyy suhteessa lentomatkustajien ja lentäen kuljetetun tavaran määrään maittain (datat vuodelta 2016). Itse ajattelin, että maissa, joissa on paljon lentokenttiä, myös kuljetetun tavaran osuus lentoliikenteestä olisi suurempi. Jälleen kerran sain huomata, että ennakko-olettamukseni meni pieleen (kuva 3).

Kuva 3: Koropleettikartta, jossa maan lentokenttien lukumäärä on kuvattu oranssilla sävyllä. Mitä tummempi sävy on, sitä enemmän lentokenttiä sijaitsee maan rajojen sisällä. Samaan karttaan on merkitty lisäksi lentomatkustajien ja lentäen kuljetettujen tavaroiden määrät pylväsdiagrammeina (%). Kartta on koordinaatistossa ETRS89/ETRS-LAEA.

Jotta sain lentomatkustajien määrästä + kuljetetusta tavaran määrästä prosentteja, laskin ensin maittain lentomatkustajien ja lentäen kuljetetun tavaran määrät yhteen (=100%). Sitten jaoin sekä lentomatkustajien määrät, että lentäen kuljetettujen tavaroiden määrät niiden yhteissummalla ja muodostin näistä prosenttiluvuista ympyrädiagrammit. Ympyrädiagrammit kuvaavat siis 100%:a lentoliikenteestä.

Kuten kuvasta 3 voi huomata, oikeastaan kaikissa muissa maissa paitsi Luxemburgissa, lentäen kuljetetun tavaran osuus verrattuna lentomatkustajien määrään on häilyvän pieni. Sen lisäksi jälleen kerran tässä kartassa toistuu sama ongelma kuin kuvassa 2. Luxemburgin päällä oleva ympyrädiagrammi peittää koko maan alleen, jolloin kuvasta ei pysty tulkitsemaan Luxemburgin lentokenttien lukumäärää. Lentokenttädatasta tarkistettuna Luxemburgissa on kolme lentokenttää, eli muihin maihin verrattuna hyvin vähän.

Merkittävin asia, jonka kuvan kolme perusteella voi kuitenkin todeta on, että ihmiset liikkuvat lentäen tänä päivänä erittäin paljon. Jopa niin paljon, että lentäen kuljetetun tavaran osuudelle ei monessa maassa jää ympyrädiagrammista kuin suorastaan säälittävän kokoinen siivu. Suomen osalta esimerkiksi Yle uutisoi vuonna 2016, että Finavian lentomatkustajien määrässä oli kasvua jopa 6%, joka on vuodessa melko paljon. Ylen uutiseen pääset tutustumaan tästä. Koko ajan liisäntyvä lentomatkustus tuo myös omat haasteensa ilmastosopimuksiin ja luo paineita kehitykseen, jossa pyritään vähentämään lentomatkustuksesta aiheutuvia päästöjä.

Ja vielä lopuksi jos Yhdysvaltojen pommi-iskut ja maailman väestönkasvun tila kiinnostaa, käykäähän lukemassa Sannin blogia, joista hän oli tehnyt tämän viimeisen kerran kurssityönsä.

Lähteet:

7.3. Viimeinen kurssikerta!, Sanni Hannulan blogi, viitattu 22.3.2018: https://blogs.helsinki.fi/sannihan/

Yle, Matkustajaennätyksen tehnyt Finavia: Kasvua jälleen +6 %, viitattu 22.3.2018: https://yle.fi/uutiset/3-8807565

Data karttoja varten:

Eurostat database, http://ec.europa.eu/eurostat/data/database

Eurostat geodata, http://ec.europa.eu/eurostat/web/gisco/geodata/reference-data

Natural Earth, http://www.naturalearthdata.com/downloads/

Kurssikerta 6; Ei pieni pakkanen pahaa tee – mutta mikä on maanjäristysten laita?

Oman aineiston keruu

Tämän maanantai-iltapäivän aloitimme noin tunnin mittaisella reippailulla Kumpulan lähistöllä niin sanotusti kenttätöissä. Saimme tehtäväksi etsiä n. 10 kohdetta, joiden viihtyvyyttä, turvallisuutta ja sopivuutta hengailuun arvioimme asteikkolla 1-5 (1 = ei ollenkaan viihtyisä, 5 = erittäin viihtyisä). Lähdimme yhteistuumin toisen kurssilaisen kanssa kiertämään Arabiarantaa ja arvioimaan sen  viihtyisyyttä. Sovelluksena käytimme puhelimeen ladattavaa EpiCollect5:sta, joka oli minulle ennestään tuttu maantieteen didaktiikan kurssilta. Pieniä haasteita aiheutti navakka pakkanen, joka sai aikaan kaipuun näppäimellisiä puhelimia kohtaan. Reippaassa -10 asteen pakkasessa olisi ollut mukavaa, että puhelimen käyttö olisi onnistunut hansikkaat kädessä. Kosketusnäyttö ei sitä kuitenkaan salli, joten ei auttanut kuin purra hammasta ja ”nauttia” talvisäästä.

Luokkaan palattuamme pääsimme tarkastelemaan ryhmämme keräämää aineistoa EpiCollectin automaattisesti tekemältä kartalta. Aineistossa näkyi hienosti esimerkiksi se, miten lähellä tietä sijainneet kohteet oli arvioitu poikkeuksetta vähemmän turvallisiksi kuin kauempana liikenteestä sijainneet kohteet. Aivan aukoton EpiCollectin sovellus ei ole koordinaattien tallennuksen suhteen, koska osa omista kohteistani heitti kartalla siitä sijannista, josta arviointi oli oikeasti tehty. Tehtävän perimmäisenä tarkoituksena oli ilmeisesti se, että saamme jonkin käsityksen siitä, miten aineistoa voi kerätä itse, koska sen enempää emme aineistoa analysoineet.

Aina ei suju niin kuin Strömsössä

Seuraavaksi siirryimme harjoittelemaan sitä, miten StreetWiewin kautta pystyy keräämään GQIS:ssä aineistoa. Tarkastelimme Helsingin keskustan korttelien kaupallisuutta arvioimalla sitä asteikolla 1-5. Merkitsimme korttelien ympärille pisteitä, joille annoimme StreetWiewin näkymän perusteella kaupallisuudesta arvosanan. Juuri kun olin päässyt alkuun, QGIS palautti minut maanpinnalle kaatumalla ja kaikki siihen mennessä merkitsemäni pisteet hävisivät. Muutaman ärräpään jälkeen sain ohjelman takaisin käyntiin ja yritin ottaa muita kiinni. Ehdin merkitä n. 8 pistettä, kunnes Arttu ilmoitti, että mennään eteenpäin, joten aineistoni jäi melko pieneksi.

Ongelmat eivät kuitenkaan loppuneet tähän. Seuraavaksi aloimme interpoloimaan QGIS:ssä juuri keräämäämme aineistoa kaupallisuudesta. Teimme kuitenkin Artun johdolla jo pisteiden merkitsemistä varten perustetussa tasossa virheen. Kaupallisuuden luokittelua varten valitsimme luvuksi kokonaisluvut. Interpolointia aloittaessamme huomasimme kuitenkin hyvin pian, että lukujen arvoksi olisi pitänyt valita desimaaliluvut, joten interpolointi ei onnistunut näillä pisteillä. Siksi jouduimme perustamaan uuden tason, jonne arvoimme merkitsemillemme pisteille arvot 1 ja 5 välillä. Nyt interpolointi toki onnistui, mutta ei ollut ainakaan minun kohdalla ollenkaan todenmukainen. Siksi tässä blogimerkinnässä ei nähdä kuvaa interpoloinnistani.

Maanjäristykset maapallolla

Hieman takkuisen alkutunnin jälkeen saimme luvan unohtaa aiemmin tekemämme kartat QGIS:llä ja siirryimme eteenpäin. Saimme itse päättää tuotammeko kartan liittyen maanjäristyksiin, tulivuoriin vai meteoriittien putoamispaikkoihin. Koska itse ehdin jo aloittaa maanjärsitysten kanssa, päätin, että keskityn siihen.

Toin maanjäristyaineiston QGIS:iin sivustolta http://quake.geo.berkeley.edu/anss/catalog-search.html ja valtisin tarkasteluajaksi vuodet 2002-2017. Minimi magnitudiasteikko aineistossa oli 6, eli sen pienempiä maajäristyksiä ei ole aineistossa mukana.

Ensimmäiseksi päätin tarkastella yli 8 magnitudin maanjäristyksiä, joista tein kartan (kuva 1).

Kuva 1: Yli 8 magnitudin maanjäristykset merkitty kartalle maanjäristyksen sijainnin perusteella. Pallot on skaalattu väreillä niin, että magnitudin suuruus kasvaa pallon värin tummuessa.

Kuten kuvasta 1 voi huomata, yli 8 magnitudin maanjäristykset ovat jo melko harvinaisia. 15 vuoden aikana niitä on tapahtunut 19 kpl, joten vuodessa tapahtuu n. 1,3 yli 8 magnitudin maanjäristystä. Aineistossa on toki mukana vuosia, jolloin näin voimakkaita maanjäristyksiä ei ole ollut ollenkaan ja taas vuosia, jolloin niitä on ollut useampia (esim. vuonna 2013 oli kolme yli 8 magnitudin maanjäristystä).

Seuraavassa kartasssa tarkastelin taas vastaavasti alle 7 magnitudin maanjäristyksiä maapallolla (kuva 2). Kuten kuvasta huomaa, tämän suuruisten maanjäristysten määrä vuodesta 2002 vuoteen 2017 on jo huimasti suurempi verrattuna kuvaan 1.

Kuva 2: Alle 7 magnitudin maanjäristysten jakautuminen maapallolla. Pallot on skaalattu väreillä niin, että magnitudin suuruus kasvaa pallon värin tummuessa.

Kuvassa 3 taas on esitetty mahdollisimman ajankohtaista tietoa, eli karttaan on poimittu vain maanjäristykset vuodelta 2017.

Kuva 3: Yli 6 magnitudin maanjäristykset maapallolla vuonna 2017. Pallot on skaalattu väreillä niin, että magnitudin suuruus kasvaa pallon värin tummuessa.

Miten sitten opettajan hyödyntäisin kuvien 1-3 karttoja opetuksessa? Käyttäisin kuvaa 2 havainnollistamaan oppilaille sitä, missä kohdin maapalloa maanjäristykset yleisimmin tapahtuvat. Pieni mielenvirkistys mannerlaattojen liikkeistä ja maanjäristysten synnystä on varmastin kuvan käsittelyn yhteydessä paikallaan. Kuvan 1 yhteydessä taas toisin esille sen, että hyvin voimakkaita maanjäristyksiä tapahtuu maapallolla huomattavasti harvemmin kuin hieman pienempiä maanjäristyksiä. Tässä myös kuvien 1 ja 2 vertailu voisi olla tehokasta. Kuvan 3 avulla taas oppilaat saisivat informaatiota viimeaikaisista maanjäristyksistä. Kuva 3 olisi helppo liittää esim. tehtävään, jossa oppilaiden tulee etsiä jokin uutinen liittyen 2017 vuonna tapahtuneeseen maanjäristykseen ja liittää tämä uutinen kartalle oikean maanjäristyksen kohdalle.

Jos vastaavanlaiset kartat tulivuorista kiinnostaa, kannattaa käydä kurkkaamassa Eveliinan blogia. Hän on karttojen lisäksi tuonut myös erittäin hyvin mannerlaattojen liikkeitä kuvaavia havainnekuvia osaksi tekstiään. Vastaavasti Eemil oli valinnut kolmannen tehtävävaihtoehdon, joten hänen blogissaan on käsitelty meteoriittien putoamispaikkoja. Käykäähän lukemassa! 🙂

Lähteet:

Eveliina Sirolan blogi, 6. kurssikerta: Pakkassäässä reippailua ja pedagogisia karttasarjoja, viitattu 26.2.2018: https://blogs.helsinki.fi/evsirola/

Eemil Beckerin blogi, 6. kurssikerta: Pedagogiset katastrofit, viitattu 26.2.2018: https://blogs.helsinki.fi/beemil/

Kurssikerta 5; Bufferoinnin salainen maailma ja uima-allasrikkaus PK-seudulla

Mikä ihmeen bufferi?

Tämän kerran alkutunnin teemat kytkeytyivät vahvasti buffereiden tekoon. Bufferilla siis tarkoitetaan tietyn suuruista puskurivyöhykettä jonkin asian tai ilmiön ympärillä. Harjoittelimme kaikki yhdessä buffer-toiminnon käyttöä viime kerralla aloitetun Pornaisten karttalehtiaineiston kanssa. Tutkimme mm. sitä, kuinka paljon taloja on 100 metrin säteellä Pornaisten pääteistä. Itse bufferointi siis tapahtui työkalulla ”Fixed distance buffer”, jonne pystyi itse määrittämään halutun etäisyyden tiestä.

Kuva 1: Kuvakaappaus QGIS:n työnäkymästä, jossa on piirretty bufferit teiden sekä koulun ympärille. Lisäksi kuvassa näkyy keltaisina pisteinä ne talot, jotka ovat sekä tie- että koulu-bufferin sisällä.

Alkulämmittelyn jälkeen pääsimme itsenäistehtävän parissa tositoimiin. Ensimmäinen tehtävä liittyi Malmin lentokentän melualueisiin. Samalla tuli myös kerrattua, miten QGIS:llä piirretään, koska ennen varsinaisen tehtävän aloitusta meidän piti itse piirtää Malmin lentokentän kiitoradat omalle tasolleen. Itse piirsin kiitotiet viivoina enkä alueina, jolloin kiitotien todellinen leveys ei aivan toteutunut. Pyrin kuitenkin piirtämään viivat aivan kiitoteiden ulkoreunaan, jotta pufferista tulisi mahdollisimman todenmukaisen kokoinen. Tein sekä 1km että 2km kokoiset bufferit kuvastamaan lentoliikenteestä aiheutuvaa melualuetta ja tarkastelin, kuinka paljon rakennuksia ja asukkaita jäi näiden buffereiden alueelle (tulokset koottu taulukkoon 1).

Samantapaisen bufferoinnin teimme myös Helsinki-Vantaan osalta, jossa tarkastelimme 2km melualuetta sekä 65 desipelin ja vähintään 55 desipelin melualueella asuvien määrää. Myös nämä tulokset näkyvät taulukossa 1. Lisäksi tarkastelimme Helsinki-Vantaan osalta tilannetta, joka oli silloin kun Helsinki-Vantaalle rakennettiin uutta kiitotietä. Tuolloin kaikki laskevat lennot ohjattiin laskeutumaan Tikkurilan yli. Siksi tarkastelimmekin nyt, montako ihmistä altistuisi lentomelulle nykyään, jos laskevat lennot käännettäisiin jälleen laskeutumaan samaa reittiä. Laskeutumisreitti aiheuttaa n. 7km pitkän ja 1km leveän melualueen, joten pyrin piirtämään tämän kokoisen bufferin. Aloitin piirtämällä 6km pituisen viivan kiitoradan päästä ja tämän jälkeen määritin bufferin koon.  Ensimmäinen bufferi meni pieleen, koska en osannut huomioida, että leveydeksi tulee laittaa 500 metriä, eikä 1km, jotta saadaan oikean kokoinen alue. Tein siis aluksi tuplasti liian leveän alueen. Tästä johtuen taulukossa 1 on koottuna Tikkurila-nimellä kahdet eri tulokset.

Taulukko 1: Koottuna tulokset sekä Malmin lentokentän, että Helsinki-Vantaan bufferialueilta sekä PK-seudun juna-ja mertoasemista.

Bufferialue Rakennuksia bufferialueella Asukkaita bufferialueella
Malmin lentokenttä 2 km 4698 57128
1 km 749 8707
Helsinki-Vantaa 2 km 2255 10920
2km, 65 desipeliä 41 324
2km, Vähintään 55 desipeliä 1728 11913
2km, Tikkurila (liian iso bufferi) 3530 25319
1km, Tikkurila (korjattu) 1735 12372
Asemat Alle 500m asemasta 5169 106691 -prosentteina 21,77% kaikista asukkaista
Työikäisten määrä alle 500m asemasta 73108 – prosentteina 68,52% kaikista alle 500m asemasta asuvista asukkaista
Kuva 2: Kuvakaappaus QGIS:stä, jossa näkyy bufferialue, jos lentoliikenne käänettäisiin laskeutumaan taas Tikkurilan yli. Tämä bufferialue on nimenomaan se virheellinen, joka on tuplasti liian leveä ja siksi alueelle jää myös n. 2-kertaisesti enemmän rakennuksia (keltaiset pisteet), kuin oikean kokoisessa bufferissa.

Lisäksi taulukkoon 1 on merkattu alle 500 metrin päässä juna- tai metroasemasta asuvien ihmisten määrät, sekä erikseen laskettuna työikäisten määrä kaikista alle 500 metrin päässä asuvista asukkaista. Kuten työikäisten prosenttiosuudesta verrattuna kaikkiin alle 500 metrin päässä asemasta asuviin voi huomata, lähes 70% asemien läheisyydessä asuvista on työikäisiä. Tämä kertoo siitä, että työikäiset painottavat asuinaluevallinnassaan hyviä kulkuyhteyksiä.

Taajamien tarkastelua

Teimme tarkastelua myös pääkaupunkiseudun taajamiin ja tarkastelun tulokset on esitetty taulukossa 2. Huomattavaa on se, että lähes 85% kouluikäisistä asuu taajamien sisäpuolella, jolloin luonnollisesti myös koulumatkat ovat lyhyemmät.

Taulukko 2: Taulukkoon on merkattuna taajaman sisäpuolella asuvien määrä pääkaupunkiseudulla, sekä kouluikäisten määrät taajamassa ja sen ulkopuolella. Lisäksi taulukkoon on laskettu, kuinka monella alueella ulkomaalaisten määrä ylittää tietyn prosenttiosuuden.

Taajamat
Taajaman sisäpuolella asuvien määrä 414337, prosentteina 84,53 %
Kouluikäisten määrät 41463 (taajamassa) 7821 eli 15,87%  (taajaman ulkopuolella) 49284 (yhteensä)
Ulkomaisten osuudet

Alueella yli 10% ulkomaisia

-> 40 aluetta

Alueella yli 20% ulkomaisia

-> 11 aluetta

Alueella yli 30% ulkomaisia

-> 7 aluetta

Aivan täysin aukottomia taulukoidut tulokset taajamien osalta eivät ole, sillä käsittelemämme taajama-aineisto oli jollain tavalla vioittunut. Kun yritin poimia kaikkia taajamassa olevia rakennuksia, kartalle jäi kaksi selkeää taajama-aluetta, joista rakennukset eivät poimiutuneet mukaan. Arttu yritti tätä tiedostoa korjata, mutta korjatusta aineistosta huolimatta eivät nuo alueet edelleenkään poimintuneet valintaan mukaan. Tämä virhe näkyy kuvassa 3.

Kuva 3: Vaaleanpunaisella ympyröidyt alueet eivät aineston korjauksesta huolimatta poimiutuneet mukaan, kun yritti poimia taajaman sisällä sijaitsevia rakennuksia. Näkymä on kuvakaappaus QGIS:stä.
Uima-altaita ja saunoja pääkaupunkiseudulla

Valinnaisista tehtävistä päätin pureutua uima-altaita ja saunoja käsittelevään aineistoon. Sen sijaan Liisa Niemi oli päättänyt valita itsenäisen tehtävän kouluihin liittyen, joten kannattaa käydä vilkaisemassa hänen blogissaan millaisia tuloksia hän sai.

Taulukko 3: Taulukossa merkattuna tuloksia uima-altaista ja saunojen määristä pääkaupunkiseudulla.

Uima-altaat ja saunat  Määrä
rakennuksia joissa uima-allas 855
asukkaita rakennukissa joissa uima-allas 12170
omakotitaloja joissa uima-allas 345
kerrostaloja joissa uima-allas 181
rivitaloja joissa uima-allas 113
paritaloja joissa uima-allas 158
saunojen määrä taloissa 21922
asuttujen talojen määrä prosentteina joissa on sauna 24,16 %
Kuva 4: Koropleettikartta uima-altaiden lukumäärästä pääkaupunkiseudulla, johon on merkattuna lisäksi kunkin alueen kohdalle uima-altaiden määrä numeroina ja histogrammeina. 

Kuten kuvasta 4 käy ilmi, kaikkein uima-allasrikkain alue PK-seudulla on Lauttasaari ja hyvänä kakkosena tulee Länsi-Pakila. Yli 40 uima-allasta löytyy myös Marjaniemestä, Kulosaaresta ja Vanhasta Munkkiniemestä. Omasta mielestäni kartasta tuli hieman suttuinen, kun siihen laittoi sekä numerot että histogrammit, joten kartan selkeyttämiseksi halusin laittaa taakse koropleettikartan. Mielestäni tämä helpottaa kartan tulkintaa.

Mitä QGIS:stä on tähän mennessä jäänyt käteen?

Vaikka alku QGIS:n kanssa ei ollut kovin ruusuinen, nyt tuntuu, että ainakin jotain on jäänyt ns. lihasmuistiin. Muistin näitä 5. kerran itsenäisiätehtäviä tehdessä mm. sellaisten työkalujen kuin Spatial Query ja Count points in polygon käytön jo aiemmilta kurssikerroilta. Myös se, miten kohteita saa valittua aineistosta tuntuu nyt paljon helpommalta kuin aluksi. Lähes rutiiniksi on muodostunut Field Calculatorin käyttö, jossa kykenen laskemaan yksinkertaisia laskutoimituksia itsenäisesti.  Yksi edelleen hieman päänvaivaa aiheuttava työkalu on Join atributes by location, jossa joudun aina punnitsemaan, mihin kohtaa ruksit laitetaan, jotta saan haluamani lopputuloksen.

Lyhyenä summauksena tämän hetkisestä tasostani QGIS:n käytössä voisi todeta, että alkuun on päästy ja tunnelin päässä on valoa, mutta loppu on edelleen tavoittamattomissa. Työnsarkaa siis riittää…

 

Lähteet:

Liisa Niemen blogi, 5. Kurssikerta: pohdintaa, buffereita ja ongelmien ratkaisua, viitattu 21.2.2018: https://blogs.helsinki.fi/nliisa/

 

Kurssikerta 4; Ruudukoita ja vieraskielisten jakautumisen tarkastelua PK-seudulla

Jälleen koitti aika riemukkaan ”illanvieton” QGIS:n parissa maanantain ratoksi. Täytyy kyllä todeta, että ohjelman parissa painiessa neljä tuntia hurahtaa melko vauhtia – niin tälläkin kerralla.

Ruudukoiden tuottaminen QGIS:ssä

Tämän kerran materiaalina meillä oli pääkaupunkiseudun kunnat ja niiden asuinrakennuksiin ja asukkaisiin liittyvät väestötietokanta. Asukkaista oli kerätty tietoa mm. iästä, sukupuolesta ja kielestä kun taas rakennuksista mm. rakennusvuosi ja rakennuksessa asuvien ihmisten määrä. Avattuamme materiaalit QGIS:ssä pääsimmekin oikeastaan heti tämän kurssikerran asiaan – ruudukoiden tuottamiseen. Tämä toimenpide oli oikeastaan melko yksinkertainen ja vain parin klikkauksen päässä. Lisäksi ruudukon sai itse piirtää ohjelmassa haluamansa kokoiseksi ja yksittäisen ruutujen koon sai määritellä. Käytimme harjoituksessa ruutukokoa 1000m x 1000m. Kuvassa 1 näkyy miltä ruudukko näytti heti sen piirtämisen jälkeen.

Kuva 1: Työnäkymä QGIS:stä juuri ruudukon piirtämisen jälkeen. Ruudukon päällä näkyvät ruskeat pisteet kuvaavat pääkaupunkiseudun väestötietokannan keräyspaikkoja eli rakennuksia.

Ruudukon piirtämisen jälkeen seuraava vaihe oli vain niiden ruudukoiden poimiminen, jotka sisältävät jotakin tietoa (toisin sanoen jonkin rakennuksen). Tämä onnistui QGIS:n työkalulla nimeltä ”Spatial query” ja lopputuloksena oli kuvan 2 kaltainen ruudukko. Kuten kuvasta näkyy, kaikki tyhjät ruudut ovat poistuneet.

Kuva 2: QGIS:n työnäkymä sen jälkeen, kun ruudukosta oli poimittu vain ne ruudut, joiden sisällä oli rakennus.

Yhteisesti teimme harjoituksen siitä, miten ruotsinkieliset asukkaat ovat pääkaupunkiseudun väestötietokannan tietojen perusteella jakautuneet ruuduille. Tämä onnistui niin, että tallensimme väestötietokannasta ruotisinkielisten määrät omaksi tasokseen ja yhdistimme tämän tietokanna 1000m x 1000m tason kanssa. Tämän jälkeen ruotsinkielisten osuudesta pystyi tekemään ruututeemakartan, jossa ruotsikielisten määrät oli kuvattu ruuduittain eri värein (kuva 3).

Kuva 3: Ruotsinkielisten määrät pääkaupunkiseudulla ruututeemakarttaan kuvattuna.
Vieraskielisten osuudet eri puolilla pääkaupunkiseutua

Tämän yhteisen harjoituksen jälkeen saimme itse päättää, mitä tietokannan tietoa käytämme vastaavaan tarkasteluun. Minua itseä kiinnosti vieraskielisten osuus  pääkaupunkiseudun eri alueilla, joten päätin toistaa harjoituksen poimimalla tietokannasta muunkielisten määrät. En ollut aivan varma mikä ruutukoko olisi hyvä tähän tarkasteluun, joten päätin kokeilla sekä 500m x 500m että 250m x 250m kokoisia ruutuja ja yhdistin muunkielisten tietokanna näihin molempiin ruudukoihin. Hyvin nopealla tarkastelulla huomasin, että 250m x 250m ruudukko oli tarkastelun kannalta liian pieni. Ruutujen pienen koon vuoksi teemakarttaa oli hyvin vaikea tulkita (kuva 4).

Kuva 4: Ruututeemakartta muunkielisten määrästä pääkaupunkiseudulla. Ruudukon koko 250m x 250m.

Tästä johtuen päädyin hylkäämään 250m x 250m ruudukon ja jatkoin työskentelyä asteen isommalla, 500m x 500m ruudukolla. Tein vastaavanlaisen ruututeemakartan isommalla ruudukolla ja kartan tulkinta oli jo huomattavasti helpompaa (kuva 5) 

Kuva 5: Ruututeemakartta muunkielisten määrästä pääkaupunkiseudulla. Ruudukon koko 500m x 500m.

Kuvan 5 perusteella vieraskieliset ovat Helsingissä keskittyneet melko voimakkaasti itään, mutta jonkin verran myös läntiseen ja eteläiseen Helsinkiin. Espoossa painopisteet taas ovat Leppävaaran, Espoon keskuksen ja Espoonlahden alueilla. Vantaalla keskittymät ovat kutakuinkin Myyrmäen ja Korson alueilla. Kuvan 5 kartta ei kuitenkaan ole kovin luotettava tai informatiivinen, koska siinä näkyy vain muunkielisten absoluuttiset määrät kullakin alueella. Mitään vertailupohjaa ei siis ole alueen koko asukasmäärään. Tästä johtuen päätin tehdä vielä yhden, informatiivisemman kartan, johon on laskettu muunkielisten prosenttiosuus koko väestöstä yhtä ruutua kohde (kuva 6).Kuva 6: Muunkielisten prosenttiosuudet koko väestöstä pääkaupunkiseudulla ruututeemakarttana esitettynä. Ruutukoko 500m x 500m.

Nyt verrattaessa kuvia 5 ja 6 keskenään, ero on selkeä. Muunkielisten osuus koko asukasmäärästä jakautuu kuvassa 6 huomattavasti tasaisemmin eri alueiden kesken. Toki lähes samat keskittymät on olemassa myös kuvassa 6, kuin mitä kuvassa 5 oli havaittavissa, mutta esim. Etelä-Helsingissä ruututeemakartan ”ilmeen” muutos on suorastaan hämmästyttävä. Kuvan 5 perusteella tulee mielikuva, että Etelä-Helsingissä asuu muunkielisiä suhteessa lähes yhtä paljon kuin Itä-Helsingissä. Kuvasta 6 kuitenkin huomaa, että todellisuudessa tiheästi asutussa Etelä-Helsingissä muunkielisten osuus koko väestöstä on melko pieni – usein alle 14,7%. Huomattavaa kuvassa 6 on erityisesti Helsingin osalta se, että muunkielisten osuudet ovat verrattavan korkeat nimenomaan Itä-Helsingissä suhteessa Helsingin muihin alueisiin.

Tämä vieraskielisen väestön keskittyminen Helsingissä nimenomaan itään on ollut tutkimuksissa esillä jo useita vuosia. Helsingin kaupungin tietokeskuksen raportissa vuodelta 2017 todetaankin, että ”Helsingin sisällä suurimmat vieraskielisten ryhmät ovat keskittyneet ennen
kaikkea Itäiseen, mutta myös Koilliseen ja Läntiseen suurpiiriin”. Itään keskittynyt vieraskielinen väestö puhuu äidinkielenään useimmiten somalia, viroa tai venäjää, kun taas eteläisessä Helsingissä asuvien äidinkieli on usein englanti (Helsingin kaupungin tietokeskus, 2017).  Tämä vieraskielisen väestön keskittyminen tietyille alueille taas aiheuttaa segregaatiota, kun kantaväestö alkaa karttaa maahanmuuttajapainotteisia alueita esim. kulttuurillisista eroista johtuen.

Seuraava katkelma Helsingin sanomien uutisesta vuodelta 2016 kiteyttää, mihin tämä segregaatio voi pahimmillaan johtaa:

”Pienituloisten ja monesti maahanmuuttajataustaisten ihmisten eristymisen uskotaan helposti johtavan syrjäytymiseen muusta yhteiskunnasta. Syntyy rinnakkaisia, toisiaan ymmärtämättömiä todellisuuksia, joiden välinen hankaus kärjistyy pahimmillaan yhteiskunnallisiksi levottomuuksiksi Pariisin, Lontoon ja Tukholman mellakoiden tapaan.”

Ruututeemakartta – uhka vai mahdollisuus?

Ruututeemakartan informatiivisuus ja luotettavuus riippuu paljon siitä, mitä sillä esitetään. Tästä hyvänä esimerkkinä on tämän blogimerkinnän kuvat 5 ja 6. Pelkät absoluuttiset luvut eivät sellaisenaan ruututeemakartassa anna välttämättä kauhean kattavaa infoa, joten on tärkeää miettiä aina ilmiökohtaisesti olisiko se parempi esittää suhteellisina lukuina.  Oman haasteensa ruututeemakarttaan tuo myös  ruutujen sattumanvarainen sijoittuminen. Jokin hyvin paikallinen ilmiö saattaa jakautua ruututeemakartassa kahden ruudun alueelle, eikä tällöin tule niin selkeästi esille, mitä todellisuudessa pitäisi. Vastaavasti Tuuli Lahin kertoo blogissaan toisesta mahdollisesta virhetilanteesta, jossa hänellä ruutu oli osunut niin, että sen sisällä oli vain 1 asukas. Hän tarkasteli omassa ruututeemakartassan eläkeläisten osuutta, jolloin ruudun eläkeläisten määräksi tuli 100%, joka luonnollisesti antaa harjaanjohtavan kuvan eläkeläisten jakautumisesta.

Lähteet:

Helsingin ulkomaalaistaustainen väestö vuonna 2016. Helsingin kaupungin tietokeskus, Tilastoja 2017:1; viitattu 7.2.2018,
https://www.hel.fi/hel2/tietokeskus/julkaisut/pdf/17_01_13_Tilastoja_1_Hiekkavuo.pdf

Asuinalueiden erot kasvavat Helsingissä koko ajan – ”Ihmisillä tuntuu olevan halu asua samankaltaisten lähellä”, 8.12.2016, Helsingin Sanomat ; viitattu 7.2.2018, https://www.hs.fi/kaupunki/art-2000004997752.html

Vastoinkäymisiä, mutta ei voittoja, Tuuli Lahin blogi, viitattu 7.2.2018: https://blogs.helsinki.fi/lahintuu/2018/02/07/kerta-1-vastoinkaymisia-mutta-ei-voittoja/

Kurssikerta 3; Harjoitus tekee mestarin (?) – Afrikkatreenit ja Suomen tulvaindeksit ja järvisyys

Aloitimme kurssikerran tutustumalla jälleen uusiin ominaisuuksiin, joita QGIS:n saloista löytyy. Harjoitusmateriaalina meillä oli Afrikan alue ja käytimme tarkastelussa Afrikan internetin käyttöä sekä konflikteja, timanttikaivoksia ja öljyesiintymiä.

Internetin ja Facebookin käyttö Afrikassa

Niin sanotusti lämmittelyn aloitimme laskemalla, kuinka suuri osa populaatiosta eri Afrikan maissa käyttää Facebookkia. Tämä saatii yksinkertaisesti jakamalla Facebookkia käyttävien määrä koko maan populaatiolla. Mielenkiinnosta laskin itselleni vertailuksi myös osuuden siitä, kuinka moni ylipäätään käyttää internettiä eri Afrikan maissa. Niin Afrikan maiden populaatiomäärät, kuin internetin ja Facebookinkin käyttäjämäärät olivat vuodelta 2017. Tein omat teemakarttansa internetin käyttäjien osuudesta (kuva 1) ja Facebookin käyttäjien osuudesta (kuva 2) Afrikassa.

Kuva 1: Afrikan maiden internetin käyttö prosentteina maiden koko populaatioon suhteutettuna. Tilastot ovat vuodelta 2017. Kartta on koordinaattijärjestelmässä Moznet.
Kuva 2: Afrikan maiden Facebookin käyttö prosentteina maiden koko populaatioon suhteutettuna. Tilastot ovat vuodelta 2017. Kartta on koordinaattijärjestelmässä Moznet.

Heti alkuun täytyy tunnustaa, että ennakkotietoni Afrikan yksittäisten maiden internetin, saatikka Facebookin käytöstä oli melko heikot. Toki jo pelkästään kehityksen puolesta oletukseni oli, että yhtä kattavaa ja laajaa internetverkkoa Afrikassa ei ole ihmisten käytössä, kuin esim. Euroopassa. Kuten kuvasta 1 huomaa, eniten ihmiset käyttävät internettiä Keniassa (58-89% väestöstä). Vähiten internettiä käyttävät kuvan 1 perusteella aivan keskinen Afrikka, johon kuuluvat esimerkiksi Kongon demokraattinen tasavalta, Keski-Afrikan tasavalta ja Tšad.

Kuvassa 2 näkyy, että eniten Afrikan väestöstä Facebookkia käyttävät Pohjois-Afrikan maat Algeria, Tunisia ja Libya. Merkittävä ero kuvaan 1 on se, että nämä maat kuuluvat internetin käyttäjinä vasta toiseksi suurimpaan luokkaan ja siitä huolimatta näissä maissa käytetään eniten Facebookkia. Paljon on myös sellaisia maita, jotka kuuluvat sekä internetin että Facebookin käytön suhteen pienimpään prosenttiluokkaan. Tällaisia ovat internetin käytön yhteydessä mainitsemani keskisen Afrikan maat ja esim. Punaisen meren rannalla sijaitseva Eritrea, joka on hyvin sulkeutunut maa kaikin puolin ja siksi verrattavissa jopa Pohjois-Koreaan (https://fi.wikipedia.org/wiki/Eritrea).

Facebookin lisäksi Afrikassa käytetään mm. WhatsAppia ja erityisen tärkeässä roolissa nämä sosiaalisen median kanavat ovat ihmisten työnhaussa ja uutisten seuraamisessa (Kehityslehti, 2017).

Konfliktit, timantit ja öljyesiintymät
Kuva 3: Kartta Afrikan alueen öljyesiintymistä. Kuvassa rusehtavalla värillä näkyy kaikki ne valtiot, joiden alueelle öljyesiintymiä ulottuu ja vihreät alueet kuvastavat öljyesiintymät aluetta. Kuvan kartta on projektiossa Moznet.
Kuva 4: Afrikan alueen kartta, johon on merkitty sekä timanttiesiintymät valkoisin pistein, että yksittäiset konfliktit harmain pistein. Lisäksi karttaan on erikseen merkitty valtiot eri värein konfliktien lukumäärään perustuen vaaleammasta tummempaan. Kuvan kartta on projektiossa Moznet.

Jatkoimme harjoituksia yhdistelemällä eri tietokantatasoja samalle tasolle, jotta ilmiöiden päälekkäin tarkastelu tuli mahdolliseksi. Kuten kuvasta 3 huomaa, Afrikan alueen öljyesiintymät ovat keskittyneet pitkälti Pohjois-Afrikkaan. Toki pienempiä esiintymiä löytyy myös esim. keskisestä Afrikasta. Monet esiintymät jakautuvat useamman valtion alueelle, johon perustuen voisi olettaa, että valtioiden välille syntyisi kiistaa näistä esiintymistä.

Ennakko-oletuksena voisi pitää myös sitä, että timanttiesiintymien ja konfliktien välillä olisi jonkinlainen yhteys. Osassa Afrikkaa näin onkin, kuten Angolassa, Sierra Leonessa ja Liberiassa, jota Sini Virtanen käsittelee blogissaan tarkemmin.  Huomattavaa kartalla on kuitenkin se, että Etiopian alueella on ollut lukumäärällisesti eniten konflikteja, mutta ei juurikaan timanttiesiintymiä ja öljyesiintymätkin ovat hyvin pienet (kuva 3). Levottomuuksien takana on siis oltava muut kuin luonnonvaroihin liittyvät seikat. Etiopia on Afrikan vanhin itsenäinen maa ja kärsinyt 2000-luvulla kuivuudesta ja sen aiheuttamasta nälänhädästä, jotka ovat johtaneet maan sisäisiin levottomuuksiin (BBC, 2018). Lisäki Etiopia kävi pitkään rajasotaa naapurimaansa Eritrean kanssa (BBC, 2018), joten nämä seikat selittänee Etiopian suuren konfliktien määrän.

Afrikkaa käsittelevässä aineistossa oli lisäksi mukana muitakin tietueita, joita en tällä kertaa hyödyntänyt teemakartoissani. Kuvassa 5 näkyy, mitä kaikkea konflkiteihin liittyvä aineisto piti sisällään.

Kuva 5: Kuvakaappaus konfliktiaineiston sisältämästä informaatiosta.

Aineistossa on merkittynä mm. konfliktin vuosi, tarkat koordinaatit ja konfliktin laajuus. Mielenkiintoista olisi ollut tarkastella esimerkiksi sitä, kuinka laajalle alueelle konfliktit ovat ulottuneet ja ovatko ne kenties olleet valtion rajat ylittäviä vai maan sisäisia konflikteja.

Itsenäinen työskentely; Suomen tulvaindeksi ja järvisyys

Varsinainen pallo meille kurssilaisille heitettiin kurssikerran puolen välin jälkeen, jolloin tarkoituksena oli kerrata jo opeteltuja asioita QGIS:llä. Aineistona meillä oli tuttu ja turvallinen Suomi ja sen tulvaindeksin laskeminen. Tulvaindeksillä tarkoitetaan siis jonkin alueen tulvaherkkyyttää ja se saadaan jakamalla keskiylivirtaama keskialivirtaamalla. Tein Suomen alueen tulvaindekseistä teemakartan (kuva 6), johon lisäsin lisäksi alueen järvisyyden pylväsdiagrammeina. Olin sen verran laiska, että käytin järvisyydestä tehtyä valmista Excel-pohjaa, enkä lähtenyt laskemaan järvisyyttä itse. Ongelmitta ei kuitenkaa selvitty, sillä jokien nimissä ilmenneet ääkköset aiheuttivat aluksi melko suurta päänvaivaa. QGIS tiputti kaikki ääkköset pois, kun Järvisyys -aineiston lisäsi ohjelmaan. Artun avustuksella pääsin kuitenkin eteenpäin ja sain kuin sainkin lisättyä järvisyyttä kuvaavat pylväät teemakarttaani – vielä täysin itse pähkäilemällä.

Kuva 6: Suomen alueen tulvaindeksit harmaan eri sävyin (mitä tummempi harmaa, sitä suurempi tulvaindeksi) ja järvisyys pylväsdiagrammeina. Kuvan kartta on projektiossa ETRS89 / ETRS-TM35FIN.

Kuten kuvasta 6 huomaa, tulvaindeksti ovat suurimmillaan aivan Etelä- ja Lounais-Suomen rannikolla sekä Pohjanmaan rannikolla. Suomen rannikkoseutu on melko tasaista ja matalaa, joten siitä johtuen esimerkiksi Pohjanmaalla tulvaindeksialueet ulottuvat melko pitkälle myös sisämaahan. Tähän vaikuttaa toki myös se, että alueella on paljon jokia, mutta järvien määrä on pieni. Tarkastelemalla sekä tulvaindeksejä että järvisyyttä, voi havaita selkeästi yhteyden näiden kahden muuttujan välillä. Siellä missä järvisyys on hyvin pientä on myös suuret tulvaindeksit. Tästä voikin tehdä johtopäätöksen, että suuri järvisyysprosentti laskee tulvaindeksiä, koska vettä varastoituu enemmän järviin. Tästä johtuen Järvi-Suomi on malliesimerkki alueesta, jossa tulvaindeksi on pieni, kuten Eveliina Sirolakin on blogissaan todennut.

Suomen tulviin vaikuttavat totta kai sääolot sekä alueen infrastruktuuri. Sateiset kesät ja lumien sulamisvedet aiheuttavat lähes vuosittain tulvavaaran tulvaherkillä alueilla, jolloin vaarana on rakennusten ja viljelysten tuohoutuminen. Lisäksi vaikuttaa se, kuinka paljon alueella on vettä läpäisemättömia pintoja, kuten asfalttia. Tämä vettä läpäisemättömien pintojen ongelma tulee esille erityisesti kaupunkiympäristössä.  Alueen viemäriverkoston tulee olla riittävän kattava, jotta hyvin sateisenakin päivänä vesi poistuu kaduilta tehokkaasti. Oman haasteensa tulevaisuudessa jo nyt tulvaherkille alueille tuo ilmastonmuutos, jonka seurauksena sademäärät kasvavat ja merenpinta nousee. Tämän seurauksena tulvaindeksit tulevat mitä luultavemmin kasvamaan entisestään ja tulvat levittäytyvät entistä laajemmille alueille.

Ja kuten otsikossakin jo viitataan, ehkä se tosiaan on niin, että harjoitus tekee mestarin – myös QGIS:n käytössä. Pieni toivon pilkahdus ainakin hetkellisesti käväisi tällä kurssikerralla mielen sopukoissa, kun onnistuin itsenäisesti tuottamaan teemakartan Suomen alueen tulvaindekseistä ja järvisyydestä.

Lähteet:

https://fi.wikipedia.org/wiki/Eritrea, viitattu 4.2.2018

Afrikassa netti aina mukana, Kehityslehti, 25.5.2017, https://kehityslehti.fi/lehtiartikkeli/afrikassa-netti-aina-mukana/, viitattu 4.2.2018

Veritimantteja ja valuma-alueita, Sini Virtasen blogi: https://blogs.helsinki.fi/7k110738/, viitattu 4.2.2018

Ethiopia country profile, BBC, 4.1.2018, http://www.bbc.com/news/world-africa-13349398, viitattu 4.2.2018

Kurssikerta 3: Afrikan valtioita, Internetinkäyttöä ja tulvaindeksejä, Eveliina Sirolan blogi: https://blogs.helsinki.fi/evsirola/, viitattu 4.2.2018

Kurssikerta 2; Karttaprojektion vaikutus pinta-alaan ja väestöntiheyteen

Tällä kerralla keskityimme siihen, miten eri karttaprojektioiden käyttö vaikuttaa Suomen alueen karttaan ja mittasuhteisiin. Karttaprojektiolla siis tarkoitetaan tapaa kuvata kolmiulotteinen maapallo kaksiulotteisesti kartalla ja aivan täydellistä karttaprojektiota ei ole olemassakaan. Projektiot vääristävät aina väkisinkin jotakin seuraavasta kolmesta seikasta; pinta-ala, etäisyys tai muoto. Sini Virtanen on käsitellyt blogissaan tätä projektioiden aiheuttamaa vääristymää erittäin havainnollistavasti.

Tarkasteltaessa koko Suomen aluetta, käytetään useimmiten ETRS-TM35FIN -koordinaattijärjestelmä, joka pohjautuu yleiseurooppalaiseen ETRS-89 -koordinaattijärjestelmään (Maanmittauslaitos, 2010). Käytettäessä jotakin muuta karttaprojektiota, Suomen alue saattaa vääristyä mittasuhteiltaan paljonkin. Tähän ilmiöön tutustuimme kurssikerralla mittamaalla aivan Suomen pohjoisosan, ns. Suomineidon ”päälaen” pinta-alaa ja Suomen itä-länsi -suuntaista leveyttä hieman Vaasan alapuolelta. Itse käytin vertailussa kaikkiiaan kuutta eri karttaprojektiota, joista yksi oli ETRS-TM35FIN, jota käytin vertailupohjana (taulukko 1).

Taulukko 1:  Suomen pohjoisosan pinta-ala ja Itä-länsi -suunnan leveys eri karttaprojektioilla mitattuna. 
Koordinaattijärjestelmä Päälaki Itä-länsi -suunta
ETRS89 / ETRS-TM35FIN 6 470,206 km² 533,048 km
ETRS89 / ETRS-LAEA 6 470,206 km² 524,855 km
Sphere_Mercator 53 795,522 km² 1 149,129 km
Sphere_Winkel_I 12 585,734 km² 835,742 km
Sphere_Azimuthal_Equidistant 8 498,031 km² 629,044 km
Sphere_Robinson 9 202,714 km² 756,615 km
Kuva 1: Eri karttaprojektioilla mitattu Suomen pohjoiskärjen pinta-ala merkitty oranssina alueena. Kuvan kartta on ETRS-TM35FIN -projektiossa.
Kuva 2: Itä-länsi -suunnassa mitattu Suomen leveys merkitty punaisena viivana. Kuvan kartta on ETRS-TM35FIN -projektiossa.

 

 

 

 

 

 

 

Kuten taulukon 1 arvoista huomaa, eniten Suomen mittasuhteita vääristi Mercatorin projektio. Lähimpänä ETRS-TM35FIN arvoja taas oli Lambertin projektio, jossa pinta-ala pysyi samana ja leveys itseasiassa pieneni. Kurssikerran seuraavassa harjoituksessa vertailimmekin itseasiassa juuri näitä kahta, Mercatorin ja Lambertin, projektiota keskenään. Teimme teemakartan (kuva 3), jossa vertasimme kuinka monta prosenttia Mercatorin projektio vääristää pinta-alaa verrattuna Lambertin projektioon. Oikeastaan vasta tämän vertailun jälkeen itselle konkretisoitui se, kuinka valtavia nämä eri karttaprojektioiden aiheuttamat vääristymät voivat olla. Vähiten vääristymää tapahtui Etelä-Suomessa, vaikka sielläkin pinta-alat suurenivat 2-3 kertaisiksi Mercatorin projektiolla. Kaikken eniten pinta-alat vääristyivä kuitenkin Lapissa, jossa kunnan pinta-ala saattoi olla jopa 730% suurempi Mercatorin projektiolla verrattuna suht todenmukaiseen Lambertin projektioon.

Kuva 3: Lambertin ja Mercatorin projektion pinta-alojen vertailu. Karttaan on merkitty, kuinka monta prosenttia suurempia kuntien pinta-alat olivat Mercatorin projektiolla verrattuna Lambertin projektioon. Kuvan kartta on ETRS-LAEA -projektiossa.

Pinta-alan vääristymällä on totta kai muitakin seurauksia. Jos esimerkiksi Mercatorin projektion pinta-alojen pohjalta lähdetään laskemaan kuntien väestöntiheyttä, suuremmat pinta-alat johtavat luonnollisesti huomattavasti pienempiin väestöntiheyksiin. Lambertin ja Mercatorin projektiovertailuun liittyen päätinkin laskea Suomen kuntien väestötiheydet kumpaakin projektiota käyttäen (kuvat 4 ja 5).

Kuva 4: Suomen kuntien väestötiheys Lambertin projektiolla laskettuna. Kuvan kartta on ETRS-LAEA -projektiossa.

 

Kuva 5: Suomen kuntien väestöntiheys Mercatorin projetiolla laskettuna. Kuvan kartta on ETRS-LAEA -projektiossa.

 

 

 

 

 

 

 

 

Nämä kuvat havainnollistavat hyvin sen, mitä väestöntiheydelle tapahtuu,  kun käytetään pinta-alaa vääristävää projektiota. Lambertin projektioiden väestötiheydet ovat hyvin lähellä todellista, mutta Mercatorin projektiosta ei todellakaan voi sanoa samaa. Mercatorin projektion perusteella suurimmassa osassa Suomea asuu vain 0-3 asukasta neliökilometriä kohden, joka tarkottaisi sitä, että suurin osa Suomea olisi lähes asumatonta.

 

Lähteet:

Karttaprojektioiden maailmassa, Sini Virtasen blogi,  viitattu 26.1.2018: https://blogs.helsinki.fi/7k110738/

ETRS89 koordinaattijärjestelmä käyttöön (2/2010), Maanmittauslaitos, Helsinki.

Kurssikerta 1; QGIS tutuksi

Ennen ensimmäistä Geoinformatiikka 1:n kurssikertaa olin täysin noviisi paikkatieto-ohjelmistojen käytössä. Siksi oikeastaan kaikki, mitä ensimmäisellä kerralla käytiin läpi liittyen QGis -ohjelmistoon, oli minulle uutta. Tästä johtuen en uskaltanut lähteä itsenäiseen työskentelyyn pelkkien kirjallisten ohjeiden varassa, vaan päätin seurata opettajan jokaista hiiren klikkausta tehdessämme ensimmäisen kerran harjoitusta. Koska en uskaltanut nojautua varsinaiseen itsenäiseen työskentelyyn, omat oivallukset jäivät tältä kurssikerralta hyvin vähäisiksi.  Keskittyminen opettajan ohjeiden perässä pysymiseen oli siis tämän kurssikerran ykkösprioriteetti minun osaltani.

Ensimmäisen kurssikerran harjoituksena oli teemakartan teko Itämeren rantavaltioiden typpipäästöistä. Harjoituksessa käytetyt aineistot olivat peräisin HELCOM:in data- ja karttapalvelusta.

Teemakartta Itämeren rantavaltioiden typpipäästöistä.

Päätin säätää teemakarttaan värit itselleni mieluisiksi ja tämä värien säätäminen ohjelmassa oli yksinkertaista ja helppoa, kuten Maritakin blogissaan toteaa. Lisäksi lisäsin teemakarttaan pohjoisnuolen, mittakaavan ja legendan. Legendaan on merkitty typpipäästöt niin, että vaalein väri kuvaa pienintä päästömäärää ja tummin vastaavasti suurinta. Lisäkis legendaan on merkitty Itämeren syvyyskäyrät.

Teemakartasta voidaan havaita, että tummimmalla värillä näkyvä Puola, on Itämeren suurin typpikuormittaja. Rosanna käsittelee blogissaan erittäin hyvin ja kattavasti miksi juuri Puola on saastuttajana suurin. Viro taas puolestaan kuormittaa typpipäästöillään Itämerta vähiten. Suomen typpipäästöt ovat rantavaltioiden keskiluokkaa. Kaiken kaikkiaan Itämeren alue on ongelmallinen, koska rantaviivaa on paljon ja vesimäärä pieni. Tästä johtuen suuren valuma-alueen mukana kulkeutuvat ravinteet, kuten typpi, rehevöittävät Itämerta erityisen voimakkaasti. Tämä rehevöityminen aikaansaa kesäisin laajoja sinilevälauttoja ja Itämeri onkin yksi maailman saastuneimmista vesistä (WWF).  Itämeren tilaa pyritään kuitenkin koko ajan parantamaan erilaisin suojeluohjelmin.

 

Lähteet:

Ensimmäinen kurssikerta: typen päästöt Itämeren alueella, Marita Selinin blogi, viitattu 20.1.2018: https://blogs.helsinki.fi/selkala/

Tutustuminen QGIS ohjelmaan 15.1.2018, Rosanna Lindgrenin blogi, viitattu 20.1.2018: https://blogs.helsinki.fi/rosannal/

Itämeri, WWF, 20.1.2018: https://wwf.fi/alueet/itameri/