Round VII: The Processing Force Awakens

Viimeinen kurssikerta

 

Viimeisen kurssikerran ennakkotehtävänä oli hankkia itsenäisesti paikkatietoaineistoja, ja laatia niiden pohjalta jotain julkaistavaa. Toisin sanoen, vapaat kädet. Koska internet on pullollaan mielenkiintoista dataa, oli ennakkotehtävä varsin haastava. Ideoita syntyi monia, ja kävinkin muutaman viranomaisen sivuilla ennen lopullisen päätöksen tekemistä. Tutustuin muun muassa argentiinalaisviranomaisten keräämään dataan, mutta .shp-muotoinen tarjonta oli kohtalaisen niukkaa ainakin viranomaisten omilla sivustoilla. Laajin valikoima oli Argentiinan puolustusministeriön alaisuudessa toimivalla valtion maantieteellisellä instituutilla.

Kohtuullisen internetissä seikkailun jälkeen päädyin takaisin pohjoiselle pallonpuoliskolle Yhdysvaltain itärannikolle. Esimerkiksi New Yorkin kaupunkisuunnitteluviraston Bytes of The Big Apple-projekti tarjoaa suuren määrän avointa dataa. New Yorkin osavaltion terveysviranomaisen alaisuudessa toimiva Department of Mental Health (toim. huom. Nimi oli ennen Department of Mental Health and Mental Hygiene) ylläpitää lemmikkikoirarekisteriä. Vapaasti ladattava tietokanta sisältää noin 122 000 riviä ja 16 saraketta, mikä on omiaan pistämään QGISin julmasti polvilleen. 122 000 rekisteröityä koiraa lähes yhdeksän miljoonan asukkaan kaupungille tuntuu aluksi melko pieneltä määrältä (noin 0,01 koiraa/asukas). Esimerkiksi Helsingissä on arviolta jopa 30 000 koiraa (Helsingin Uutiset 26.8.2017). Vaikka osavaltion lain mukaan koiran rekisteröimättä jättämisestä voidaan tuomita sakkorangaistukseen, vain noin 20% koirista rekisteröidään (lähde). Tiiviillä kaupunkirakenteella ja kerrostalovaltaisuudella voidaan toki olettaa olevan vaikutusta ihmisten intoon hankkia lemmikkejä, jotka vaativat päivittäistä ulkoilutusta.

Aineistoon suhtautuminen on hankalaa, koska sitä ei voi pitää kovin edustavana otoksena kaikista New Yorkin koirista. Se voi kuitenkin antaa suuntaa: tiedetään, että New Yorkissa on yhteensä arviolta noin 425 000 koiraa. Tämä voidaan ottaa huomioon laskuissa, esimerkiksi suhteutettaessa väestöön. Koirat on rekisterissä sidottu sijaintiin usealla tavalla. Itse valitsemani postinumeroalueisiin (Zip code) perustuva aluejako osoittautui jälkikäteen hankalaksi vaihtoehdoksi, Yhdysvaltain postiviranomainen kun ei julkaise tarkkoja postinumeroalueita. Näppärä tapa olisi ollut käyttää niin sanottua Neighbourhood Tabulation Area -järjestelmää, joka on edellämainitun kapunkisuunnitteluviraston kehittämä pienaluejako. Zip-alueista löytyy kuitenkin lähes todellisuutta vastaavia shapefileja, joten vaihtaminen kesken projektin ei tuntunut järkevältä, varsinkaan kun olimme jo Artun kanssa pyöräyttäneet koko aineiston Mapinfo-ohjelman kautta järkevään muotoon. (Kiitos Arttu)

Loubie on 5-vuotias kultainennoutaja New Yorkin Chelsean kaupunginosasta. Kuva: Chona Kasinger.

 

Ensimmäinen visualisointi

 

Ensimmäinen onnistunut visualisointi kertoo suuntaa antavan koirien määrän asukasta kohden postinumeroalueittain. Karttaan tulee suhtautua äärimmäistä kriittisyyttä noudattaen: alueelliset erot koirien rekisteröimisen yleisyydessä on muuttuja, joka vaikuttaa tietoon huomattavasti.

Näin kartta syntyi (aineiston valmistelun eli mapinfolla geokoodaamisen jälkeen):

  • Yhdistin postinumeroalueet yhtenäisiksi alueiksi Dissolve-toiminnolla.
  • Seuraavaksi Count points in polygon -toimintoa käyttäen selvitin postinumeroalueiden koiramäärät
  • Loin uuden kentän nimeltä “laskpop”, eli laskennallinen asukasluku, jossa asukasluku on suhteutettu suurin piirtein vastaamaan koirien otosta (Kuva 2)
  • Käyttämällä kaavaa “(KOIRAT/LASKPOP)*1000” sain visualisoitavaa dataa: koiria/1000 as.
  • Koska kyseessä on suhdeluku, käytän Jenksin luokittelua

 

Kuva 2. Laskennallisen väkiluvun luominen.

 

Painotan vielä, että tähän karttaan ei pidä luottaa sokeasti, koska sen luomiseksi on täytynyt tehdä melko rankkoja oletuksia. (!!!)

Kuva 3. New York Cityn koirat suhteutettuna asukaslukuun. Suhteuttamista varten oikea asukasluku muunnettiin vastaamaan rekisteröityjen koirien osuutta kaikista koirista. Laskelmat perustuvat arvioihin.

 

Alun perin minua kiinnosti ajatus siitä, mitä koirat voivat kertoa väestöstä: voisiko koirista kerätyn tiedon perusteella päätellä jotain myös niiden omistajista? Näkyykö säännöllinen lenkittäminen terveystilastoissa, tai voisiko rotujen perusteella päätellä jotain asuinalueista? Esimerkiksi noutajat ovat suosittuja lapsiperheiden keskuudessa: muodostaisivatko noutajien määrä suhteutettuna väestöön samanlaisen karttakuvion kuin lasten osuus kokonaisväestöstä?

Vastaus ensimmäiseen kysymykseen: tätä on tutkittu, ja on näyttöä siitä, että koiran omistamisella on vaikutusta niin fyysiseen (Ham & Epping, 2006) kuin psyykkiseenkin (Knight & Edwards, 2008) terveyteen. Vastaus toiseen kysymykseen: selvitetään.

Vaan eipäs selvitetäkään: kokonaisen illan etsimisen jälkeen kulttuurierot realisoituvat. Verrattuna Suomeen väestöä koskeva avoin data on rapakon takana todella heikkolaatuista. Koska alkuperäinen suunnitelma ei toteutunutkaan, päätin muuttaa selvityksen suuntaa. New Yorkin kaupunkisuunnitteluviraston ylläpitämä puisto- ja virkistysaluetietokanta(Kuva 4) on erittäin tarkka, ja vapaasti ladattavissa.

 

Kuva 4. New Yorkin puisto- ja virkistysalueet. Tietokannassa on noin 12 000 kohdetta.

 

Tämän tietokannan alueella halusin selvittää, missä koirilla (ja miksei heidän omistajillaankin) on parhaat oltavat.( Yksi mielenkiintoinen vaihtoehto olisi ollut lisätä päälle toinen tietokanta paloposteista ja lyhtypylväistä, jotka varmasti ainakin koirien näkökulmasta lisäävät ympäristön viihtyisyyttä.) Oheinen kartta (Kuva 5) on toteutettu samalla idealla kuin kurssikerta 3:n valuma-aluekartta (Eveliina Sirolan valuma-aluekartta), joskin tällä kertaa visualisoitavaa muuttujaa (eli viheralueiden osuutta pinta-alasta) ei visualisoida diagrammein, vaan perinteisenä koropleettikarttana.

Kuva 5. Viheralueiden (puistot ja virkistysalueet) osuus postinumeroalueiden pinta-alasta. Huomaa laaja vaihteluväli (0-98). Central Parkilla on oma postinumero, ja toisaalta esimerkiksi New York Cityn luoteisnurkan satama-alue muodostaa itsenäisen ei-niin-vihreän postinumeroalueen.

 

Tarkoituksenani oli laatia myös tilasto, jossa olisi visualisoituna kunkin alueen suosituin koirarotu. Tämä osoittautui kuitenkin tietokantateknisistä syistä suhteellisen haastavaksi (vaikka keksinkin, että tekstimuotoisen rotusarakkeen olisi voinut SPSS-ohjelmalla muuttaa numeeriseksi). Suurin osa tietokantaan rekisteröidystä koirista oli kuitenkin saanut arvon “Mixed/Other”, joten päätin lopuksi avata eri koirarotujen suosiota sanallisesti. New Yorkissa erityisen suosittuja ovat pienikokoiset koirarodut, kuten yorkshirenterrieri, maltankoira ja chihuahua. Tämä on ymmärrettävää: pienikokoiset koirat ovat huomattavasti yksiö- ja metroyhteensopivampia kuin esimerkiksi alaskanmalamuutit tai tanskandoggit. Toisaalta myös perinteisesti suositut koirarodut, kuten labradorinnoutajat, kultaisetnoutajat ja saksanpaimenkoirat ovat tilastossa vahvasti edustettuina. Rotukoirien kysyntä on alueella kovaa, ja pentujen hinnat nousevat helposti useisiin tuhansiin dollareihin. Tämä on murheellisella tavalla paradoksaalista, sillä kaupungin eläinsuojelujärjestelmä on ylikuormittunut, ja etenkin sekarotuisia kodittomia koiria on paljon.

 

P.S. Lähetin sähköpostia New Yorkin avoimen datan portaaliin. En ole vielä saanut vastausta, enkä täten voi kertoa portaalin periaatteista/anteliaisuudesta. Mutta jos alueen tarkastelu kiinnostaa, täältä voi pyytää käyttöönsä kaupungin viranomaisten keräämää dataa (vaatii perustelun).

 

Lähteet:

Argentiinan maantieteellinen instituutti (Instituto Geográfico Nacional): http://www.ign.gob.ar/content/datos-abiertos

Bytes of The Big Apple-projektin verkkosivut: http://www1.nyc.gov/site/planning/data-maps/open-data/bytes-archive.page?sorts[year]=0

Eveliina Sirola – Kurssikerta 3: https://blogs.helsinki.fi/evsirola/2018/01/31/kolmas-kurssikerta-afrikan-valtioita-ja-tulvaindekseja/

Ham, S. & Epping, J. (2006): Dog walking and physical activity in the United States. Preventing Chronic Disease, 2006 Apr;3(2):A47. verkkojulkaisu, 15.3.2006. https://www.ncbi.nlm.nih.gov/pubmed/16539788?report=docsum

Helsingin Uutiset (26.8.2017) https://www.helsinginuutiset.fi/artikkeli/553666-koirien-maara-kasvaa-helsingissa-jopa-asukaslukua-enemman-naissa-kaupunginosissa

Knight, S. & Edwards, V. (2008): In the Company of Wolves – The Physical, Social and Psychologial Benefits of Dog Ownership. Journal of Aging and Health. Vol. 20/4 s. 437-455  http://journals.sagepub.com/doi/abs/10.1177/0898264308315875

New York City Economic Development Corp (21.7.2017): New York City’s Dog Population (blogikirjoitus) https://www.nycedc.com/blog-entry/new-york-citys-dog-population

Kasinger, C. (2017) Meet The NYC Dog Who Stands on the Corner Offering Hugs. Rover Daily Treat, 2017.  https://www.rover.com/blog/louboutina-hugging-dog-manhattan-nyc/

 

Round VI

Paikkatiedon elämänkaari

 

Kuudes kurssikerta oli jälleen uudenlainen, ja saimme tutustua paikkatiedon analysoinnin ja visualisoinnin lisäksi myös sen etsimiseen ja keräämiseen itsenäisemmin kuin aiemmilla kurssikerroilla. Käytännössä kolmen ja puolen tunnin aikana keräsimme hankimme paikkatietoa kolmella erilaisella

Epicollect5-sovelluksen logo.

menetelmällä: jalkautumalla kentälle sekä fyysisesti että virtuaalisesti sekä hakemalla tietoa erilaisista tietokannoista. Kurssikerta alkoi virkistävällä jalkautumisella raikkaan helmikuiseen kampuksen lähiympäristöön. Ennakkoon puhelimiin ladatuilla Epicollect5-sovelluksilla keräsimme paikkatietoa Kumpulan kampuksen lähiympäristöstä: sijainti perustui GPS-mittaukseen (koska käytettävät laitteet olivat matkapuhelimia, on syytä olettaa, että niissä käytetään paikannukseen A-GPS -versiota.), sekä siihen yhdistettyyn kyselylomakkeeseen. Tarkoituksena oli siis sijainnin lisäksi kerätä ympäristöä kuvailevaa numeerista dataa. Sovelluksen käyttö oli helppoa, ja oli mukavaa huomata, että omien aineistojen kerääminen on parhaimmillaan yksinkertaista ja sujuvaa. Aamureippailun jälkeen siirryimme takaisin sisätiloihin, ja pääsimme tarkastelemaan keräämäämme paikkatietoa kartalla.

 

Tämän jälkeen siirryimme tutustumaan hieman erilaiseen tapaan tarkastella kaupunkiympäristöä. QGISin OpenStreetMap-laajennusta käyttämällä on mahdollista “liikkua” ohjelman katunäkymässä, ja kirjata tietoja samanaikaisesti QGISin avulla tietokantaan, esimerkiksi pistemuotoisesti. Harjoituksessa tehtävänä oli arvioida muutaman korttelin alueelta eri pisteistä avautuvan näkymän kaupallisuutta asteikolla 0-5. Valitsemani kortteli (ehdin tarkastella vain yhtä) oli Katajanokankadun, Kruunuvuorenkadun, Luotsikadun ja Kauppiaankadun väliin jäävä suurehko kortteli. Keräämisen jälkeen harjoittelimme itse keräämällämme aineistolla interpolointia (laskemaan arvoja pisteille, joista ei ole havaintoja). Tällainen kammiosta käsin tehtävä tutkimus mahdollistaa sen, että aineistoja voidaan kerätä tarkasti vaikka toiselta puolelta maailma. Toisaalta Street View-kuvat saattavat paikoin olla todella pahasti vanhentuneita, eivätkä täten sovellu ainakaan kaikkien asioiden tai ilmiöiden tarkasteluun.

 

Laattatektoniikka 101

 

Varsinaista blogitehtävää varten haimme tietoa erilaisista tietokannoista. Käytössä olevat kaksi tietokantaa tilastoivat tulivuorenpurkauksia ja maanjäristyksiä. Tehtävänä oli luoda karttasarja, jota voisi käyttää apuna opetuksessa. Pedagoginen lähestymistapa asettaa tietynlaisia rajotteita: esityksen tulee olla selkeä ja havainnollinen, eikä se saa sisältää liikaa informaatiota. Itse päädyin liikkumaan pitkälti altaan matalassa päässä, sillä oletuksenani oli, että opetus olisi suunnattu lukiolaisille tai perusopintovaiheessa oleville opiskelijoille. Korkealentoiset analyyist ovat toki vaikuttavia, mutta eivät välttämättä mahdollista suurinta pedagogista arvoa.

Ensimmäinen kartta (Kuva 1) on yksinkertainen heatmap, jossa havainnollistettavana ilmiönä ovat maanjäristykset (painotettu magnitudin mukaan). Heatmapit soveltuvat klustereiden tarkasteluun, mikä sopii teemaan hyvin: maanjäristyksiä tapahtuu toisilla alueilla selkeästi enemmän kuin muualla. Tämäntyyppisinä ne eivät kuitenkaan sovellu kovin tarkkaan analyysiin, mutta opetuksessa on tärkeää hahmottaa laajoja kokonaisuuksia ja oppia ymmärtämään niitä alueellisesti, on heatmap mielestäni toimiva ratkaisu.

Kuva 1. Heatmap-visualisointi maanjäristyksistä (painotettu magnitudin mukaan.) Harmaan sävyn olisi voinut poistaa, mutta toisaalta se on ihan siisti. Mittakaavajana on turhake, sen olisi voinut jättää pois.

 

Toinen kartta (Kuva 2) pyrkii havainnollistamaan mereisten ja mantereisten litosfäärilaattojen välisten törmäysvyöhykkeiden sijaintia, käyttäen eräänlaisena “proxyna” syviä maanjäristyksiä (engl. Deep-focus earthquake). Syviksi maanjäristyksi luokitellaan maanjäristykset, joiden hyposentrumi on yli 300 kilometrin syvyydessä (Spence, Sipkin & Choy, 1989). Niitä tavataan lähes ainoastaan törmäysvyöhykkeillä, ja ne soveltuvat näin ollen melko hyvin havainnollistamaan törmäysvyöhykkeiden sijaintia. Usein tällaiset mereinen-mantereinen törmäysvyöhykkeet ovat seismisesti hyvin aktiivista aluetta, ja maantietelijän tulee pystyä paikantamaan ne edes auttavasti. Maanjäristyksen syvyyttä esittää kartassaan myös Eemil.

Kuva 2. Syvät maanjäristykset indikoivat mantereisen ja mereisen laatan välistä törmäysvyöhykettä. Mittakaavajana on turha, kartta olisi ehkä ollut hienompi ilman sitä.

 

Kolmas ja viimeinen kartta (Kuva 3) oli tämän kurssikerran visualisoinneista huomattavasti työläin. Mainittakoon heti aluksi, että tämänkään kartan pohjalta ei kannata lähteä tekemään mitään tarkkoja laskennallisia analyyseja: projektiona käyttämäni WGS84 käyttää mittayksikkönä asteita, eivätkä kartalle piirtyneet viivat siis ole keskenään vertailukelpoisia. Kartta on tehty käyttämällä Distance to nearest hub-analyysia, joka käytännössä piirtää viivan kahden vektoriobjektin välille. Tässä tapauksessa viivat on piirretty siten, että tulivuoritason pisteistä on piirretty viivat lähimpiin maanjäristystason pisteisiin. Kartan tarkoituksena on:

1. Havainnollistaa näiden kahden ilmiön alueellista yhteyttä

2. Saada opiskelija pohtimaan, miten litosfäärilaattojen keskellä sijaitsevat tulivuoret ja maanjäristykset syntyvät.

(3. Harjoitella distance to nearest hub -työkalun käyttöä)

Mielestäni tämä visualisointi sopii parhaiten toiseen kohtaan, sillä kaukana litosfäärilaattojen keskellä sijaitsevat tulivuoret on sen avulla helppo huomata viivojen muodostamien viuhkamaisten kuvioiden avulla. Seismisesti ja vulkaanisesti aktiivismmat alueet eivät tule yhtä selkeästi esille tässä visualisoinnissa.

Kuva 3. Distance to nearest hub-analyysin visualisointi

 

Karttojen teossa käytetty aineisto ei ole täysin luotettavaa: erityisesti tulivuoriaineistoon oli jossain vaiheessa päässyt mukaan muutama virhe. Pyrin huomioimaan ja poistamaan tällaiset stiplaukset parhaan kykyni mukaan. Ohessa loppukevennyksenä esimerkki Keski-Ruotsista (Kuva 4). Oikeasti Islannissa sijaitseva, vuonna 1783 purkautunut, maailmanlaajuista tuhoa aiheuttanut ja miljoonia ihmisiä välillisesti tappanut Lakagigar oli aineistossa jostain syystä päätynyt Ruotsiin. Tämä on huomiotu kuvan 3 analyysissa.

 

Kuva 4. Lakagigar, tuo Jämtlannin tulta syöksevä vulkaani.

 

Lähteet:

Eemil Beckerin blogi, kurssikerta 6.  https://blogs.helsinki.fi/beemil/2018/02/23/pedagogiset-katastrofit/

Spence, W., Sipkin, S. & Choy, G. (1989): Determining depth of earthquakes. Earthquakes and Volcanoes, Vol. 21 no. 1/1989.  United States Geological Survey, Washington D.C.  https://earthquake.usgs.gov/learn/topics/determining_depth.php

Wikipedia (en) – Laki: https://en.wikipedia.org/wiki/Laki

Wikipedia – A-GPS: https://fi.wikipedia.org/wiki/A-GPS

Round V

Ongelmanratkaisua paikkatietomenetelmillä

 

Tämä kurssikerta oli aiempia kertoja itsenäisempi: tehtäviä ei tehty step-by-step -tyylisesti, vaan aineiston lisäksi meille jaettiin joukko kysymyksiä, joihin oli etsittävä vastaukset erilaisin menetelmin. Tällainen ongelmanratkaisutyylinen opiskelu tuntui varsin kehittävältä ja hauskalta, kun tarvittavat taidot oli ensin hankittu. Aluksi tutustuimme kuitenkin puskureiden (engl. buffer) tekemiseen edellisellä viikolla digitoimamme aineiston avulla. Bufferoimalla pystytään luomaan tilapäisiä alueita, joiden avulla voidaan suorittaa erilaisia kyselyjä. Tämä yksinkertainen mutta tehokas taito laajensi ainakin omaa gis-osaamistani tuntuvasti.

Käytettävä aineisto koostui Vantaan (myös osia naapurikunnista) kattavasta rakennustietokannasta, taustakartasta, lentokenttien melualueista, (SYKE:n luokitukseen perustuvasta?) taajamatietokannasta ja juna-asemien sijainneista. Teimme myös itse analysointia varten buffer-alueita, joiden ominaisuudet perustuvat osittain itse digitoimaamme dataan, mistä johtuen vastaukset voivat hieman poiketa toisistaan.

Oheisessa listassa ovat vastaukseni kurssikerran kysymyksiin.

Lentokentät

 

  • Malmin lentokentän melualue (2 km säteellä): 57576 asukasta
  • Malmin lentokentän melualue (1 km säteellä): 8885 asukasta
  • 1 km säteellä lentokentästä on 768 rakennusta, joista 710 (92,4%) on rakennettu vuoden 1936 (lentokentän valmistumisvuosi) jälkeen.
  • Helsinki-Vantaan lentokentän välittömässä läheisyydessä (2 km säteellä kiitoratojen ulkoreunoista) asuu 3524 ihmistä. Heistä 31 (0,9%) asuu pahimmalla (65 dB) melualueella
  • Vähintään 55 dB melualueella asuu 11913 ihmistä.
  • Jos laskeutumissuuntaa muutettaisiin niin, että koneet laskeutuisivat etelästä, 60dB melualueella asuisi arviolta 12532 ihmistä.*

* Tämä perustuu oletukseen, että melualue on kiitoradan suuntainen, 7 kilometriä pitkä ja yhden kilometrin levyinen kaista.

Asemat

 

  • 500 metrin säteellä juna-asemista asuu 106691 ihmistä. Heistä työikäisiä oli 73108 (68,5%).**
  • Taajamissa asuu 414 337 ihmistä. (84,5% kaikista aineiston asukkaista)
  • Kouluikäisiä on alueella yhteensä 43786. Heistä taajamissa asuu 36830 (84,1%).***
  • Taajamien ulkopuolella asuvia kouluikäisiä on 6956 (15,9%)
  • Ulkomaan kansalaisia alueen väestöstä on väestöstä
    • yli 10% 39 alueella
    • yli 20% 12 alueella
    • yli 30% 7 alueella
  • SYKE:n (?) alueita on aineistossa ytheensä 334 kappaletta.

** Tämä vaati pientä soveltamista: lähtöaineiston kavennus valitsemalla karkeasti junaratoja myötäilevä alue, niin että “turhat” pisteet eivät tulleet laskutoimitukseen mukaan. onnistui. alueen kokonaisväkiluku: 490 173

*** Taajamiin liittyvissä tehtävissä on huomioitava, että tulokset eivät vastaa todellisuutta, sillä monista yrityksistä huolimatta en saanut joitain alueita mukaan analyysiin. Näistä alueista ainakin kaksi oli suuria taajamia, joilla asuu paljon ihmisiä.

 

Kuva 1. Kuvakaappaus lentomelutehtäviin käytetyistä aineistoista. Kartalla näkyvät viivamaiset alueet ovat Helsinki-Vantaan lentokentän kolme kiitorataa, pisteet ovat rakennuksia. Siniset alueet ovat lentomelualueita, keltaiset puolestaan analyysia varten luotuja buffer-alueita.

 

Koulupiirit

 

  • Yhtenäiskoulun koulupiirin alueella asuu 14 seuraavana vuonna koulutiensä aloittavaa lasta.
  • Yhtenäiskoulun pitää varautua opettamaan seuraavan vuoden aikana 63 yläasteikäistä oppilasta oman koulupiirinsä alueelta.
  • Kouluikäisiä on alueen asukkaista 8,4%
  • Alueella asuu noin 10 muunkielistä lasta.

 

Lukiessani muiden blogikirjoituksia huomasin, että tulokset saattoivat näyttää hyvinkin erilaisilta. Esimerkiksi Matti Moisalan blogissa olevat vastaukset ovat paikoin täysin erilaisia kuin omat tulokseni. Luulen, että vaihtelua selittää lähinnä eri aineistojen käyttö: aineistossa oli kaksi erilaista rakennustietokantaa: koko pääkaupunkiseudun kattava tietokanta sekä lähinnä Vantaaseen keskittyvä rajattu versio.

 

Tässä vaiheessa kurssia voi jo todeta, että oma paikkatieto-osaaminen alkaa laajentua: se ei enää rajoitu vain ohjeiden seuraamiseen, vaan sitä pystyy jo soveltamaan yksinkertaiseen ongelmanratkaisuun. Koen omaksi vahvuudekseni paikkatietoasioissa kokonaisuuksien hahmottamisen: pystyn ymmärtämään ja hahmottamaan melko laajoja systeemejä ja ilmiöitä ja syy-seuraussuhteita. Toisaalta tämä on myös heikkous: yksityiskohtien opettelu tuntuu vaivalloiselta, ja suurten kokonaisuuksien hahmottaminen vaatii paljon työtä ja jaksamista. Monipuolinen analysointi on avartanut myös omaa suhtautumistani GISiin ja saanut minut näkemään paremmin sen, että lopputuloksen ei tarvitse olla visualisoitua dataa sisältävä karttaesitys. Geoinformatiikasta on moneksi, ja se on tehokas tapa tuottaa uutta tietoa vanhan pohjalta: puskurivyöhykkeiden luominen on tästä oivallinen esimerkki: luomalla kuvitteellisia maantieteellisiä alueita voidaan saada tarkkaa tietoa alueista, ihmisistä ja monista ilmiöistä. Tämä kiteyttää mielestäni hauskalla tavalla koko maantieteen olemuksen: sen lisäksi, että voimme tuottaa “puhtaan maantieteellistä” tietoa, voimme maantieteen ja geoinformatiikan menetelmillä tuoda alueellista näkökulmaa täysin erilaisten ilmiöiden tutkimiseen. Tällaiset eri tieteenalojen ja tutkimuskenttien rajapinnat ovat mielestäni äärimmäisen kiehtovia, ja GISin avulla niitä on mielenkiintoista etsiä ja löytää.

 

Lähteet:

Matti Moisalan blogi: https://blogs.helsinki.fi/moisalam/ (Luettu 1.3.2018)

Intermission: Mercator?

Onko Mercatorin projektio todella niin huono?

 

Kurssin toinen opetuskerta, ja erityisesti siellä annetut tehtävät ovat poikineet melko voimakasta ja ehdotonta keskustelua karttaprojektioista. Erityisenä arvostelun ja kritisoinnin kohteena on ollut Mercatorin projektio, tarkemmin ottaen sen versio, joka QGISin valikoista löytyy nimellä Mercator Sphere. Kyseessä on siis oikeakulmainen projektio, joka on suunniteltu koko maapallon kuvaamiseen siten, että suuntakulmat säilyvät oikeina paikasta riippumatta. Projektion laatija Gerhardus Mercator oli 1500-luvulla reilusti aikaansa edellä: hän onnistui laatimaan merenkulkuun erittäin hyvin soveltuvan karttaprojektion kauan ennen kuin kukaan maailmassa olisi osannut päätyä samaan lopputulokseen matemaattisesti. Koska Mercatorin projektio on oikeakulmainen, ja koska maapallo ei ole kaksiulotteinen taso, kärsivät kartan jotkut ominaisuudet. Gerhardus-vainaa pahoittaisi varmasti mielensä, jos kuulisi kuinka rumasti hänen mestarityöstään tänä päivänä puhutaan. Sitä syytetään toisinaan jopa rasistiseksi (Palmer, N., 2014)

On selvää, että yksikään karttaprojektio ei pysty säilyttämään maapallon pinnan kaikkia ominaisuuksia. Mercatorin projektion ansio on se, että sen avulla navigointi merellä helpottui huomattavasti. Sen avulla ei kuitenkaan ole järkevää vertailla pinta-aloja. Ongelma syntyykin sillä hetkellä, kun kartta valitaan tietoisesti poliittiseksi välineeksi: Mercatorin projektion käyttäminen mahdollisti tehokkaan merenkulun, imperialismin ja Euroopan rikastumisen ja pääsyn valta-asemaan. Sitä on kuin onkin käytetty vuosisatojen ajan maailmankarttojen projektiona, koska se korostaa pohjoisen pallonpuoliskon alueiden roolia. Tämä ei kuitenkaan johdu Gerhardus Mercatorin tyhmyydestä tai pahuudesta, vaan väärän projektion valitsemisesta erilaisten ilmiöiden kuvaamiseen. Post-imperialismi ja merkantilistisen talouden luoma asetelma eri maanosien välille ei ole mikään vitsi, vaan todellinen ongelma. Vaikka muodolliset isäntämaa-siirtomaa suhteet ovatkin jo pääpiirteittäin historiaa, ovat länsimaiset yritykset jatkaneet entisten siirtomaiden riistämistä ja hyötyneet niistä taloudellisesti paikallisten ihmisten hyvinvoinnin kustannuksella. Kuten kaikki saimme harjoitusta tehdessämme todeta, soveltuu ko. projektio huonosti kuvaamaan esimerkiksi Inarin väestöntiheyttä tai Suomen pinta-alaa suhteessaa Eritrean pinta-alaan. Jos tarkoituksena olisi päästä laivalla Suomesta Eritreaan, olisi Mercator Sphere erinomainen valinta, ja sillä löytäisi hyvin perille.

Kaikki on kiinni käyttötarkoituksesta, näkökulmasta ja vastuullisesta toiminnasta kartografina. Kartta voi olla vallan ja propagandan väline, tai se voi olla korvaamaton apuväline ja totuuteen pyrkivä: Mercatorin projektiota voi käyttää imperialismin ja eurosentrisen maailmankuvan pönkittäjänä. Toisaalta samaan ideaan perustuva ETRS-TM35-FIN toimii peruskarttojemme projektiona. Kysymys ei siis ole vain yksittäisen projektion huonoudesta tai hyvyydestä, vaan laajemmin siitä, miten tärkeää oikean projektion valitseminen on.

Tässä vähän ajatuksia aiheesta, kommentoikaa toki.

 

Lähteet:

Palmer, Nathan (2014): “Your map is racist, and here’s why”. Sociology in focus, 2014. http://sociologyinfocus.com/2014/03/your-map-is-racist-and-heres-how/#fn:1

https://fi.wikipedia.org/wiki/Gerhardus_Mercator

 

Round IV

Erimuotoisia aineistoja

Neljännen kurssikerran aloitimme tutkimalla QGISin ruudukkotyökalua. Käytettävissä oleva aineisto kuvasi pääkaupunkiseudun väestöä ja asumista erittäin tarkasti: jokainen rakennus oli kuvattu pisteellä, johon oli liitetty tieto esimerkiksi rakennuksessa asuvien ihmisten iästä ja sukupuolesta. Tämä suuri pistetietokanta liitettiin QGISin avulla luotuun ruudukkoon. Esitystarkkuus ei siis ollut enää yhtä korkea, mutta toisaalta aineiston visualisointi ja hahmottaminen ruudukon avulla on huomattavasti helpompaa.

Tehtävänä oli tehdä ruutukarttaesitys jostakin väestöllisestä muuttujasta. Oheinen kartta (kuva 1) kuvaa alle 15-vuotiaiden lasten osuutta koko väestöstä 500×500 metrin ruudukossa. Jokaisen ikäluokan (0-14) sarakkeet on laskettu yhteen, minkä jälkeen saatu summa on suhteutettu ruudun kokonaisasukaslukuun. Lopullisesta esityksestä on jätetty pois sellaiset ruudut joiden alueella A) ei ole asukkaita ja B) asuu alle 20 alle 15-vuotiasta lasta. Rajaus on tehty koska ensimmäisessä ei-rajatussa versiossa jotkut Pohjois-Espoon (yleensä muutaman asukkaan) ruudut saivat todella korkeita arvoja, mikä vaikeutti luokittelua ja kokonaisuuden tulkintaa ja siitä tehtäviä mahdollisia johtopäätöksiä.

Ruutukartta on hyvä analyysityökalu, ja se tarjoaa ilmiöiden tutkimiseen hieman toisenlaisen näkökulman kuin tavalliset koropleettikartat: koska kaikki alueyksiköt ovat keskenään saman kokoisia, voi niillä esittää myös absoluuttisia lukuarvoja. Kartalla, jonka aluejako koostuu valmiista alueyksiköistä (esim. kunnat tai valuma-alueet), voidaan vertailla vain suhdelukuja. Laatimallani kartalla on kuitenkin päädytty esittämään suhdelukuja, sillä tarkasteltavaa ilmiötä on luonnollisempaa kuvata suhteessa kokonaisväestöön. Varpu Savolaisen blogissaan tekemä oivallus luokittelun päällekkäisyydestä  kiinnitti huomion myös omaan karttaani, ja huomasin saman ongelman vasta blogimerkintää viimeistellessäni.

Eemil Becker laati blogiinsa hienon kartan, joka esittää ruudukon avulla rakennusten keskimääräistä ikää.

Kuva 1. Alle 15-vuotiaiden osuus väestöstä Pääkaupunkiseudulla, 500 x 500 metrin ruudukossa. Huomaa Helsinginniemen matalammat luokat ja sitä ympäröivän Lounais-Espoosta Pohjois-Helsingin ja Vantaan kautta Itä-Helsinkiin etenevä vyöhyke.

 

Kurssikerralla tutustuttiin myös rasterimuotoiseen paikkatietoon. Sen käsittely QGISissä tuntui aluksi muutaman viikon rasteridatan käytön jälkeen melko työläältä ja hitaalta, mutta alkoi nopeasti avautua. Käytössämme oli maanmittauslaitoksen korkeusmalliaineisto Pornaisista. Sen pohjalta oli mahdollista laatia rinnevarjostuksia ja korkeuskäyriä. Yleisesti rasteridata tuntui kuitenkin hieman raskaalta käyttää. Oheisessa kuvakaappauksessa (kuva 2) on peruskarttalehden M4114 esittämän alueen korkeusmalli, joka on esitetty väärävärikuvana. Siitä on myös luotu QGISin avulla rinnevarjostus ja korkeuskäyrät. Kuvasta on löydettävissä erilaisia geomorfologisia muodostumia, esimerkiksi järven itärantaa pitkin etenevä harju. Korkeuskäyrien “ekstraktointiin” käytin r.contour.step-työkalua, jolla oli mahdollista valita käyrien keskinäisen välityksen lisäksi myös matalin ja korkein esitettävä arvo. Tällä tavoin oli mahdollista saada viivat kuvaamaan samoja korkeuksia kuin peruskartassa.

 

Kuva 2. Korkeusmalli Hämeenlinnan Iittalasta, Vanajaveden lounaspuolelta. Vanajaveden pinta on noin 79,8 metriä merenpinnan yläpuolella, joten 80 metrin käyrä seurailee siististi rantaviivaa. Käyrät viiden metrin välein.

Korkeuskäyrät näyttävät pääpiirteittäin samalta kuin peruskarttalehdellä, mutta kulkevat paikoin hieman eri reittiä, ja niiden välit ovat harvemmat kuin peruskartalla (kuva 3). Pääpiirteittäin ne näyttäisivät noudattavan samoja linjoja, ja samat maastonmuodot on tunnistettavissa sekä korkeusmallin että peruskartan pohjalta, mutta algoritmi näyttäisi olevan paikoin “liiankin tarkka”. Algoritmi laskee käyrät hyvin tarkasti ja ainoastaan korkeusmalliaineiston pohjalta: se ottaa huomioon niin peltojen kyntöurat ja ojitukset kuin “oikeat” maastonmuodotkin. Se saattaa myös huomioda sellaisia kohteita, jotka karttaan merkittäisiin pistemäisinä: esimerkiksi rakennuksia tai suuria kiviä. Tämä puolestaan vaikuttaa kartan tulkittavuuteen: peruskartan pelkistetyt käyrät ovat selkeämmät ja helpommin luettavissa.

 

Kuva 3. Kuvakaappaus peruskarttalehdeltä M4114R. Korkeuskäyrät ovat huomattavasti pehmeämpiä ja selkeämpiä kuin suoraan laserkeilausaineiston pohjalta lasketut käyrät. Kivet ja kuopat on merkitty omilla pistemäisillä symboleillaan. Tunturivuori on löydettävissä myös korkeusmallista (kuva 2). Se on kaikkein itäisin Vanajaveden länsipuolisista suurista kohoumista.

 

Lähteet:

Varpu Savolaisen blogi: https://blogs.helsinki.fi/sadvarpu/

Eemil Beckerin blogi: https://blogs.helsinki.fi/beemil/2018/02/08/kurssikerta-4/

Peruskartta 1:20 000. Lehti M4114R Iittala. Maanmittauslaitos, 2007.

Round III

Kolmannella kurssikerralla ohjelman perustavanlaatuisimmat toiminnot alkoivat olla hallussa, ja uusien asioiden hahmottaminenkin alkoi tuntua jo hieman helpommalta. Edellisen kerran asioita syvennettiin, ja pääsimme tutustumaan tietokantaliitoksiin, sekä “ulkopuolisen” tiedon lisäämiseen QGISiin.

Lähtöaineistomme oli erittäin tarkka shp-tiedosto Afrikasta. Se koostui sadoista polygoneista, jotka oli varustettu tiedolla siitä, mihin maahan ne kuuluvat. Tätä tietoa hyväksikäyttämällä oli mahdollista tehdä kyselyjä ja liittää samalle maalle kuuluvat polygonit yhdeksi objektiksi. Koska Afrikassa on yli 50 maata, oli helpointa käyttää Dissolve-nimistä toimintoa, jolla tietokannan rivejä pystyy yhdistelemään toisiinsa valitun sarakkeen tiedon perusteella. Tässä tapauksessa oli helpointa valita joko maan nimi tai sen kolmikirjaiminen koodi, ja antaa algoritmin hoitaa loput. Kun tietokanta oli saatu järkevämpään muotoon, aloimme liittää siihen muita tiedostoja, kuten tietoja luonnonvaroista, konflikteista ja internetin käyttöasteesta maittain. Kun tietokannoista oli saatu yhdisteltyä järkevä määrä tietoa “päätietokantaan” erilaisin menetelmin, oli mahdollista laatia erilaisia visualisointeja. Oheinen kartta (kuva 1) esittää konfliktien pitkittyneisyyttä Afrikan eri maissa, ja se perustuu aineiston konfliktitietokantaan. Esitettynä on tieto siitä, kuinka monena eri vuonna kussakin maassa on ollut tilastoitu konflikti.

Kuva 1. Konfliktivuosien lukumäärä (1945-2008) Afrikassa maittain.

Alun perin tarkoituksenani oli suhteuttaa tuo absoluuttinen luku maiden itsenäisyyden kestoon, mutta en onnistunut lataamaan haluamaani itsenäistymisvuodet sisältävää tietokantaa wikipediasta. Näin ollen oli tyydyttävä yksinkertaisempaan esitykseen, jossa aikaikkunana on tietokannan tilastointijakso 1945-2008. Monet Afrikan maat ovat ajautuneet pitkiin ja monimutkaisiin konflikteihin juuri itsenäistymisensä yhteydessä, ja ilmeisesti myös luonnonvaroilla on ollut paikoin yhteiskunnallista vakautta järkyttävä vaikutus. On mielenkiintoista huomata kuinka vähän alimpaan luokkaan kuuluvia maita on.

Kurssikerran toista tehtävää varten saatu aineisto esitti Suomen valuma-alueita. Niihin oli mahdollista liittää kurssikerralla opetelluilla tavoilla lisää lähinnä vesistöjä koskevaa tietoa. Tietokannat sisälsivät tietoa muun muassa eri valuma-alueiden virtaamista, ja niiden perusteella oli mahdollista laskea tulvaindeksi. Oheinen kartta (kuva 2) havainnollistaa kyseisen muuttujaa eri värein. Kartalla näkyvät ympyrädiagrammit puolestaan kuvaavat järvien osuutta kunkin valuma-alueen kokonaispinta-alasta. Eemil Becker havainnollistaa blogissaan järvisyyden ja tulvaindeksin välistä yhteyttä. Valuma-alueet joilla on paljon järviä, saavat tulvaindeksivertailussa yleensä matalamman arvon kuin vähäjärviset valuma-alueet. Järvet toimivatkin veden varastoina, eikä tulva pääse syntymään yhtä helposti.

 

Kuva 2. Valuma-alueet tulvaindeksin mukaan. Ympyrädiagrammit kuvaavat järvien osuutta valuma-alueen kokonaispinta-alasta.

 

 

Lähteet:

Eemil Beckerin blogi: https://blogs.helsinki.fi/beemil/2018/02/01/harjoituskerta-3-lisaa-soveltamista/

 

Round II

Toisella kurssikerralla pääsimme jo hieman syvällisemmin perehtymään QGIS-ohjelman toimintoihin ja uuden datan luomiseen. Vaikka varsinaista teorian kertaamista ei tällä kertaa ollut, tuli tehtävien kautta kerrattua erilaisten karttaprojektioiden ominaisuuksia ja erityisesti niiden keskinäisiä eroja. Sen lisäksi, että opimme teknisesti käyttämään paikkatieto-ohjelman työkaluja kasvaa tehtävien myötä myös ymmärrys maantieteellisistä ilmiöistä. Kuten edellisessä päivityksessäni totesin, on käytännön työskentely mukavaa vaihtelua teoriaopintoihin, mutta sen lisäksi sen avulla voi oppia hahmottamaan jo opittuja asioita entistä paremmin.

Käytettävä aineisto oli Tilastokeskuksen kuntatietokanta vuodelta 2015. Se sisältää väestöllistä perustietoa kunnittain, ja on jo sellaisenaan monikäyttöinen. Kun ollaan tekemisissä paikkatieto-ohjelmiston kanssa, oleellista on ilmiöiden alueellisuus ja sijainti. Taulukossa oleva tieto on yhdistetty sijaintiin sekä kunnan nimen että koordinaattien perusteella, mikä mahdollistaa ilmiöiden alueellisen tarkastelun. Oheinen kartta perustuu käyttämämme tietokannan tietoihin, ja se kuvaa eläkeläisten suhteellista osuutta väestöstä kunnittain (kuva 1).

Kuva 1. Eläkeläisten osuus väestöstä kunnittain. Korkeimpaan luokkaan kuuluvat kunnat ovat lähes poikkeuksetta maaseudun muuttotappiokuntia, joissa kokonaisväkiluku on pienehkö. Kartta vahvistaa käsitystä kaupungistuvasta Suomesta, jossa maaseudulle ja haja-asutusalueille jäävästä väestöstä suuri osa on eläkeläisiä.

 

Tätä ja useita muita väestöllisiä ilmiöitä tarkastellessa ei kartan geometrialla, projektiolla tai maantieteellisellä laskennalla ole suurta vaikutusta lopputulokseen, vaan kartta toimii apuvälineenä ilmiön alueellisuuden hahmottamisessa. Kun puolestaan tarkastellaan ilmiöitä, jotka liittyvät pinta-alaan, tulee nämä asiat huomioida. Erilaisilla projektioilla saadaan esimerkiksi väestöntiheyttä laskettaessa hyvinkin erilaisia tuloksia. Euroopan komissio suosittelee pinta-alaa tarkasteltaessa käytettäväksi Lambertin oikeapintaista tasoprojektiota, jolla saadaan melko tarkasti todellisuutta vastaavia mittauksia sijainnista riippumatta. Yleisesti käytetty (ja kritisoitu) Mercatorin projektio puolestaan on tunnettu siitä, että se vääristää juurikin pinta-aloja. Oheisessa kartassa on havainnollistettu kahden em. projektion pohjalta lasketun väestöntiheyden prosentuaalisia eroja (Kuva 2).

Kuva 2. Mercatorin ja Lambertin oikeapintaisen tasoprojektion välinen ero väestöntiheyttä mitattaessa.

 

Kuvassa on selkeä trendi, jossa vääristymä kasvaa pohjoista kohden. Pieninkin arvo on 295%, mikä on jo merkittävän suuri ero, ja vääristää kartan pohjalta tehtyjä tulkintoja. Oikea projektion valinta on siis tärkeää erityisesti pinta-alaan suhteutettuja suureita mitattaessa, sillä luultavasti harva “maallikko” ryhtyy itse analysoimaan valmiita karttoja kovin tarkasti itse. Tämä tehtävä toimi sopivana herättelynä myös ainakin minulle. Omaa tehtävääni varten tarkastelin jo kurssikerralla käytettyjä projektioita, koska lopputulos on siinä mielestäni selkeä ja miellyttävän näköinen. Eveliina Sirolan blogista löytyvä kartta on tehty vaihtoehtoisia projektioita käyttäen, ja siinä Suomi saa toisenlaisella tavalla etenevän värityksen. Erot eivät kuitenkaan ole yhtä dramaattisia kuin Mercator Sphereä vertaillessa. Lopputulos on mielestäni onnistunut.

 

Round I

Ensikosketus geoinformatiikkaan käytännössä

Geoinformatiikan menetelmät -kurssi aloitti kertaamalla syksyn peruskurssin perussisältöjä, eli paikkatiedon luonnetta ja ominaisuuksia. Tämänkaltainen muistinvirkistys oli mielestäni tervetullut: kun perusasiat ovat kunnossa ja tuoreessa muistissa, on helpompi alkaa kerryttämään uutta osaamista. Kertauksesta siirryttiin kuitenkin nopeasti itse asiaan. Mainittakoon tässä, että pienryhmämuotoinen opetus tuntuu tehokkaalta etenkin käytännön asioiden harjoittelussa. Kurssin aikana käytetään QGIS-nimistä paikkatieto-ohjelmaa, ja aloitimme sen käytön opettelun jo ensimmäisellä kerralla. Mielestäni oli mukavaa laittaa heti “kädet saveen”, ja ruveta tekemään käytännönläheisiä asioita: vaihtelu virkistää erityisesti varsin teoriapainotteisen syksyn jälkeen.

QGIS on avoimen lähdekoodin ohjelma (FOSS), mikä tarkoittaa sitä, että kuka tahansa voi käyttää, muokata, kehittää tai levittää ohjelmaa. QGIS:n käyttö opetuksessa tuntuu seurailevan viimeaikaista kehitystä, jossa juuri avoimen lähdekoodin ohjelmat ovat kustannustehokkuutensa ja mukautettavuutensa vuoksi kasvattaneet markkinaosuuttaan useilla aloilla (Steiniger & Hunter, 2012). Olin itseasiassa ottanut ohjelmaan tutustumisessa eräänlaisen varaslähdön, ja ladannut sen omalle koneelleni syksyllä. Pelkän googlen avulla opettelu tuntui kuitenkin tuolloin raskaalta, ja oli mukavaa saada asiantuntevaa opastusta.

Kurssikerran tavoitteena oli tuottaa paikkatietoaineston pohjalta kartta (kuva 1), samalla tutustuen ohjelmiston perustoimintoihin ja käydä läpi yksinkertaisia tietokantojen perusasioita. Koska käytin ohjelmaa kunnolla ensimmäistä kertaa kurssikerralla, syntyi ensimmäinen kartta käytännössä “tee perässä”-menetelmällä. Vaikka tämänkaltaisesta pedagogiikasta on joillain vielä kipeitä (ehkä tuoreitakin) muistoja, tuntuu se toimivalta ratkaisulta erityisesti perusasioiden harjoittelussa. Koen kokeilevan ongelmanratkaisun olevan itselleni luontevampi tapa oppia, mutta sen käyttäminen edellyttää kuitenkin tietyntasoista perusosaamista. On myönnettävä, että ensimmäinen kosketus QGISin käyttöön tuntui hämmentävältä, koska  oma kokemukseni vastaavantyyppisistä ohjelmistoista oli kapeahko.

Ensimmäisen kurssikerran aineistoista oli tavoitteena saada aikaan kartta, joka havainnollistaa valtioiden suhteellisia osuuksia Itämeren typpikuormituksesta. Käytössä olleista aineistoista osa ei päätynyt lopulliseen karttaan ja jälkiviisaasti voinee todeta, että enemmänkin olisi voinut jättää pois: muun muassa Eemilin blogissa on tehty päätös syvyyskärien pois jättämisestä, ja mielestäni lopputulos on toimiva. Luokkia kuvaava väriskaala on melko perinteinen oranssin ja punaisen eri sävyjä käyttävä liukuma, joka sopii mielestäni hyvin kuvaamaan ilmiötä, jota kartta havainnollistaa.

Kuva 1. Itämeren valuma-alueen maiden osuudet typpikuormituksesta. Huomaa, että valuma-aluetta ei ole merkitty karttaan.

 

Typellä on merkittävä rooli vesiekosysteemien toiminnassa. Se horjuttaa Itämeren herkkien ekosysteemien luonnollista tasapainoa ensisijaisesti ruokkimalla levien liikakasvua ja toisaalta aiheuttamalla syvemmillä alueilla pohjan happikatoa. Ihmisen tuottama typpikuormitus on peräisin ensisijaisesti maataloudesta ja jätevesistä. Kartta osoittaa selvästi, että suurin yksittäinen kuormittaja on Puola. Se on Euroopan suurimpia maatalousmaita, ja yleinen asenne ympäristöasioita ja erityisesti EU:n sääntelyä kohtaan on nihkeä. On huomionarvoista, että Tanska, Saksa ja erityisesti Venäjä laskevat jätevesiään myös muihin meriin. Itämeren valuma-alueeseen kuuluva osa Saksassa on vain pieni kaistale maan koillisnurkassa, Venäjällä se on hieman Baltiaa isompi, mutta sillä asuvien ihmisten määrä on kohtalaisen suuri. Pelkästään Pietarissa asuu lähes viisi miljoonaa ihmistä, ja vuosikymmenten ajan on kaupungin ja sen lähialueiden jätevesi valunut enemmän tai vähemmän suodattamattomana Itämereen. Valuma-alueen kokoa ja muotoa havainnollistetaan kuvassa 2.  Vedenpuhdistusteknologia ja siihen liittyvä infrastruktuuri on myös pitkään ollut Venäjällä varsin vaatimatonta verrattuna esimerkiksi Pohjoismaihin.

 

 

 

Kuva 2. Itämeren valuma-alue. Valuma-alueella on yhteensä 14 valtiota, ja sillä asuu  kymmeniä miljoonia ihmisiä. 

 

Lähteet:

Eemil Beckerin blogi: https://blogs.helsinki.fi/beemil/2018/01/26/ensimmainen-kurssikerta/

https://www.jarviwiki.fi/wiki/Typpi