Kurssikerta 7: Itsenäinen projekti

Tämän kurssikerran tavoiteena oli tehdä oma projekti valitsemastaan aiheesta. Valitsin tarkasteltavaksi aiheeksi luonnonsuojelualueet Jyväskylässä.  Rajasin tutkimuskysymystä tarkemmin siihen, kuinka nykyiset suojelualueet vastaavat vanhojen metsien esiintyvyyttä.  Innostukseni aiheeseen sain MYOK-sivuaineen kursseilta.

Aineistona projektissani  käytin Luken v. 2015 puuston ikä -tietokantaa sekä karttalehteä N4324L Jyväskylän alueelta. Rajasin clip-toolilla alueen Jyväskylän keskustan ympärille. Rakennetutu alueet ,tiestö ja nykyiset luonnonsuojelualueet ovat osa maastotietokantaa. Field calculatorilla määrittelin, että puuston ikä on yli 90,8 vuotta vanhoissa metsissä. Valitsin silmämääräisesti pinta-alaltaan suurimmat alueet, joissa esiintyy vanhaa puustoa.

Rajasin alueita(oranssilla), jotka olisivat potentiaalisia suojelukohteita puuston iän perusteella. Vanhat metsät ovat arvoikkaita suojelukohteita, sillä tutkimusten mukaan niissä biodiversiteetti on suurempi kuin nuorissa metsissä (Kurssi ME-229  Introduction to tropical forestry). Tarkasteluni tuloksena havaitsin, että Jyväskylän keskustan alueella on laajoja  vanhoja metsäaluita, joita ei ole suojeltu. Nykyiset luonnonsuojelualueet ovat pinta-alaltaan pieniä, eivätkä esiinny juurikaan vanhan metsän alueella. Toisaalta voi olla, että metsän ikä ei ole ollut tärkein kriteeri niitä perustettassa. Yksi huono puoli Jyväskylän keskusta-alueen luonnonsuojelussa on myös se, että suojellut alueet ovat pirstaloituneet ympäri aluetta, mikä voi heikentää suojeltujen eliöiden liikkuvuutta alueella. Tämäkin osaltaan heikentää alueen biodiversiteettia.

Mielestäni karttani onnistui hyvin, sillä se on selkeä ja informatiivinen. Ladattuani karttani blogiin, huomasin, että legenda on harhaanjohtava, sillä tiestön symboli (mustat viivat) jäi uupumaan. Yritin etsiä ratkaisua tälle, kuitenkaan onnistumatta siinä. Myöskin kuvan laatu kärsi melkoisesti, sillä jouduin pienentämään kuvan kokoa saadakseni sen näkyviin blogissani.

 

 

Kuva 1. Jyväskylän luonnonsuojelualueet ja puuston ikä.

Kurssikerta 6: Pisteestä pisteeseen

Tällä kurssikerralla harjoittelimme pistemäisen aineiston esittämistä kartalla. Tein kurssikerralla vain yhden kartan, sillä kurssikerta meni aikamoiseksi säätämiseksi tietokantojen kanssa. Kurssikerralla keräsimme myös itse aineistoa Epicollect5-sovelluksen avulla Kumpulan lähialueilta.  Vastoin ennakko-odotuksia datan kerääminen olikin helppoa ja mukavaa puuhaa.

Varsinaisen itsenäistyön aiheena oli pohtia, miten pistemäistä tietoa esittävät kartat sopivat opetukseen. Laadin kartan yli 7 magnitudin järistyksistä maailmassa vuosina 1900-2016 (ks. kuva 1).  Kartan tekeminen oli pienimuotoinen operaatio, sillä ohjeista huolimatta taulukoiden data ei meinannut aluksi näkyä halutulla tavalla QGisissä.

Mielestäni laatimani karttakuva  sopisi hyvin opetukseen, sillä se on selkeä ja yksinkertainen. Yksinkertaisuudella tarkoitan sitä, että kartalla on esitetty vain yksi ilmiö. Monien ilmiöiden esittäminen samalla kartalla voi hämmentää lukijaa. Toisaalta nyt kartalta ei käy ilmi, mitä muita ilmiöitä maanjäristyksien yhteyteen voi liittyä.

Eemilin laatima karttakuva kahden ilmiön, tulivuorien ja maanjäristysten,  esiintyvyydestä on onnistunut esimerkki siitä, että myös useampia ilmiöitä voidaan esittää kartalla samanaikaisesti. Eemil on valinnut kaksi erilaista symbolia ja värisävyä, jotta ilmiöiden esiintyvyys olisi helpompi erottaa toisistaan.

Opetukseen liittyen esimerkiksi muovijätteiden määrää kuvaavat kartat voisivat olla toimivia konkretisoimaan jätteen määrää. Pelkät luvut eivät juuri kerro oppilaille mitään! Tässä esimerkkikartta Tyynenmeren ja Atlantin muovijätteiden määristä ja niihin vaikuttavista merivirroista.

Kuva 1. Yli 7 magnitudin maanjäristykset maailmassa vuosilta 1900-2016. Lähde: University of Berkeley.

Kurssikerta 5: Pientutkimusta bufferoimalla

Tällä kurssikerralla teimme erilaisia bufferianalyysejä pääkaupunkiseudulla asuvista ihmisistä liittyen lentokenttiin.  Tutkimme muun muassa etäisyyksiä lentokenttiin, melusaasteelle altistumista, sekä kouluikäisiin liittyviä tietoja ( ks. taulukko 1.)

Harjoituksen alkupään tehtävät olivat melko simppeleitä, mutta loppupään tehtävissä tarvitsin jo apua. Laskennoissa käytetyt funktiot ovat itsestään selviä, mutta niiden toteuttaminen QGIS-ohjelmassa vaati hieman selvitystyötä. Hallitsen keskeisimpien työkalujen käytön melko hyvin, vaikkakin siityminen eri ohjelmistosta toiseen (esim. ArcGis) sekoittaa pakkaa aika ajoin. Laskentatyökalujen avulla voi selvittää pinta-aloja, pituuksia ja määriä eri karttakohteista. Ne ovat maantieteilijälle tärkeitä työkaluja.

Clip-, Intersection ja muut geoprosessointityökalut ovat nimensä mukaisesti myös hyödyllisiä.  Niiden avulla voidaan tehdä erilaisia päällekkäisanalyysejä laskutoimitusten lisäksi. Buffer-toiminto on tärkeä työkalu, sillä puskurianalyysit ovat arkipäivää maantietelijän työssä. Sen avulla voidaan tehdä vyöhykkeitä, ja laskea tietoa näiltä alueilta.  Esimerkiksi tällä kurssikerralla tutkimme ihmisten altistumista lentomelulle puskurivyöhykkeiden avulla.  Bufferointia voitaisiin myös käyttää esim. tutkimaan öljyvuotojen laajuutta Itämeressä.

QGisin avulla voidaan ratkaista monia ongelmia, mutta saatavilla olevat tietokannat rajoittavat tutkimustyötä. Lisäksi kvalitatiivisia ongelmia ei oikein pysty ratkomaan, tosin paikkatietoanalyysit voivat tuottaa tärkeää taustatietoa myös kvalitatiivisen tutkimuksen tueksi. Kuten Anette mainitsee blogissaan, minullakin on välillä tunne, että teen välillä asioita vaikeimman kautta. Toisaalta kantapään kautta opitut asiat yleensä myös jäävät mieleen!

 

 

 

Kurssikerta 4: All dem rasters

Tällä harjoituskerralla tutustuimme tarkemmin rasterikarttoihin ja ruudukkojen laatimiseen. Laadimme pistemuotoisesta väestöaineistosta rasterikarttoja eri aiheista, itse valitsin tarkasteltavaksi ruotsinkielisten vanhusten alueellisen jakautumisen pääkaupunkiseudulla. Koko väestöaineistosta valitsin 70–yli 85 vuotiaat ruotsinkieliset henkilöt.

Kartastani (kuva 1) on huomattavissa, että pääkaupunkiseudun ruotsinkieliset vanhukset ovat keskittyneet Helsinkiin, myös Länsi-Espoossa on yksi isompi klusteri. Vantaalla heitä on vähiten. Kuitenkin ruotsinkielisiä vanhuksia löytyy useasta eri ruudusta, eli he ovat jakautuneet suhteellisen laajasti ympäri pääkaupunkiseutua.

Roope pohtii blogissaan, että “Alueita vertailtaessa kartan informatiivinen arvo kärsii huomattavasti jos [ruotsinkielisten] lukumääriä ei ole suhteutettu koko populaatioon, luonnollisesti tähän vaikuttaa myös arvojen keskihajonnan voimakkuus.” Olen samaa mieltä hänen kanssaan, esimerkiksi omassa kartassani (Kuva 1) näyttäisi siltä, että jollain alueilla (tummimmat ruudut) ruotsinkielisiä on todella paljon, vaikka suurimmatkin arvot ruuduissa ovat 13-30 henkilön luokkaa.

Kuva 1. Ruotsinkielisten vanhusten alueellinen jakautuminen pk-seudulla.

Eli siis kartan legendaan voisi vielä listä koko populaation koon vertailun vuoksi. Mielestäni kartan symboliikka on onnistunut, sillä eri luokat erottuvat toisistaan selkeästi. Mietin pitkään, miten toimin kartan rantaviivan kanssa, mutta päätin jättää sen ruutujen alle, jotta ruutujen arvot olisivat helpommin tulkittavissa.

Tällä harjoituskerralla tuli käytyä läpi paljon vanhaa edellisiltä kursseilta (esim. rinnevalovarjostuksen tekeminen), mutta se oli kuitenkin hyödyllistä kertausta. Uutta oli se, miten ruututeemakartan ja koropleettikartan käyttökohteet eroavat toisistaan.

Kurssikerta 3: Tietokantoja ja virtaamia

Tällä harjoituskerralla tutustuimme tarkemmin tietokantoihin. Harjoitustehtävänä puhdistin Afrikka-tietokannan, jossa oli saman valtion tiedot useampaan kertaan. Jäljelle jäi 53 valtiota. Yhdistin saman nimiset valtiot Selecet features by value -toiminnolla. Käytin “Exact to” vaihtoehtoa, jotta esimerkiksi Guinea ja Guinea-Bissau eivät yhdistyisi samaan sarakkeeseen.  Uutta oli Merge selected features -työkalun käyttö, ja opin myös kätevästi maiden englanninkielisiä nimiä. Tietokantaliitokset, esimerkiksi Excell-taulukoiden liittäminen, oli tuttua aiemmilta kursseilta.

Lisäksi tallensin tietokantaan tietoja öljynporausaluiesta, timanttikaivoksista ja konflikteista valtioittain. Tämä tuotti päänvaivaa, mutta onnistui lopulta. Näiden tietojen lisäksi tietokantaan voisi liittää muitakin tietoja, esimerkiksi öljykenttien poraamisen aloitusvuoden. Tämän liitoksen avulla voisimme tarkastella, miten öljyn poraaminen korreloi konfliktien kanssa alueellisesti ja ajallisesti. Myös timanttikaivosten aloitusvuosia voisi vertailla samaan tapaan konfliktien kanssa.

Laadin tämän harjoituskerran karttaesityksen Suomen valuma-alueiden tulvaindekseistä. Laskin tulvaindeksin keskiylivirtaaman (MHQ) ja keskialivirtaaman (MNQ) suhteena. Keskiylivirtaama kuvaa tulvahuippujen keskiarvoa ja keskialivirtaama taas kuivien kausien virtaama-arvojen keskiarvoa (Lähde: kurssimateriaali).

Tulva-indeksi kartassa näkyy vain osa tarkastelluista valuma-alueista, sillä jostain syystä Exell-taulukon liitoksessa osa aluiesta jäi puuttumaan.

Kuten Roope sanoo blogissaan, Järvi- sekä Etelä-Suomessa vesistöjen läheisyys ja paikoittain alava maa lisäävät tulvariskiä.Tämä näkyy myös kartalla (kuva 1). Samat tekijät vaikuttavat myös Pohjanmaalla, jossa on myös tulvaherkkiä jokilaaksoja.

 

Kuva 1. Tulvaindeksi kartta Suomesta. Huom! Näkyvissa vain osa Suomen valuma-alueista.

Pinnanmuotojen lisäksi myös ilmasto vaikuttaa tulviin. Jos lumi sulaa keväällä nopeasti, syntyy nopeasti korkea tulvahuippu (ELY-keskus). Toisaalta tuvia voi syntyä myös muina vuodenaikoina, jos sademäärä on riittävä.

Mielestäni laatimani tulvaindeksikartan väritys on onnistunut, tosin jäi harmittamaan, ettei Excell-tietokantaliitos onnistunut toivotulla tavalla. Tämä heikentää kartan informatiivisuutta, kun osa alueista jäivät valkoisiksi. Mielestäni kartta on muuten onnistunut: pohjoisnuoli ja mittakaava ovat sopivat ja myös legenda on selkeä.

 

 

 

 

 

Kurssikerta 2 – Projections are illuminati confirmed

Projektiot hämäävät kartan tulkitsijaa samalla tavoin kuin kuviteellinen(ko?) Illuminati pyrkii vaikuttamaan ihmismassoihin.  Koskaan kolmiulotteisin maapallon pintaa ei voida esittää täysin totuuden mukaisesti kaksiulotteisella pinnalla. Aina vähintään yksi ominaisuus — oli se sitten pinta-ala, pituus tai suunta — ei näy kartalla oikein.

Kuva 1. Illuminati confirmed.

Tällä harjoituskerralla tutustuimme erilaisiin projektioihin, ja siihen, millä tavalla ne vääristävät karttoja. Vertailimme muun muassa projektioiden vaikutusta kartalla esitettävien pinta-aloihin ja pituuksiin. Ensimmäiseksi mittasin pituuden Suomen keskivaiheilta mittaustyökalulla. Se on hyvin yksinkertainen ja helppo työkalu käyttää ja on tullut tutuksi jo aikaisemmilta kursseilta. Saman työkalun avulla pystyy mittaamaan myös pinta-aloja (ks. kuvat 2 ja 3).

 

Kuva 2. Mittatyökalun avulla mitattu pituus Suomen halki.

 

 

 

Kuva 3. Mittatyökalulla mitattu pinta-ala Pohjois-Suomessa.

Mittauksen jälkeen kokosin Exceliin tiedot siitä, miten mitattu pinta-ala ja pituus vaihtelevat eri projektioissa. Esimerkkinä oikeakulmaisesta projektioista käytin Universal transverse Mercatorin (UTM) eurooppalaista versiota  ETRS89/ETRS-TM35. Oikeapintaisista projektioista käytin Lambertin projektiota (Lambert Azimuthal Equal Area, ETRS_LAEA). Oikeakeskipituisia projektioita selailemalla löytyi varsin kiinnostava projektio, North Pole Azimuthal Equidistant, joka löytyy QGIS-ohjelmasta koodilla “EPSG:102016”.

Taulukosta 1 huomaamme, että pinta-alat ja pituudet eivät juurikaan vaihtele oikeakulmaisessa ja oikeapintaisessa projektiossa.  Sen sijaan oikeakeskipituisessa projektiossa pituus, ja etenkin pinta-ala, vääristyvät jo merkittävästi muihin projektioihin verrattuna.

 

Taulukko 1. Projektioiden ominaisuuksien vertailua

projektio oikeakulmainen oikeapintainen oikeakeskipituinen
pinta-ala 4 418 696 954,033 m² 4 418 696 954,417 m² 4 462 106 180,738 m²
pituus 501,457 km 501,457 km 519,943 km

Lisäksi tarkastelin pinta-alojen alueellisia eroja karttaesityksien avulla (ks. kuvat 4 ja 5). Mielestäni molemmat kartat ovat symboliikaltaan onnistuneita  — Vaikka molemmissa kartoissa on seitsemän luokkaa, kaikki luokat erottuvat silti hyvin kartalta. Kuvan 5 kartan legendassa on käynyt pieni moka, kun en ole muuntanut lukuja prosenteiksi. Kuitenkaan kartalla esitettävä tieto ei muutu, vaikka luvut muuntaisi prosenteiksi.

 

 

Kuva 4. Tässä kartassa vertaillut projektiot ovat oikeakulmainen Mercator Sphere ja oikeapintainen ETRS_LAEA.

Kuten Miia toteaa blogissaan, Mercator vääristää etenkin napojen pinta-aloja: Tämän huomamme esimerkiksi katsomalla kuvaa 4, jossa Pohjois-Suomen pinta-alojen vääristyminen korostuu Etelä-Suomea voimakkaammin. Kuvassa 5 huomaamme, kuinka pohjoisnavalle suunniteltu projektio vääristää enemmän Etelä-Suomen pinta-aloja kuin Pohjoisen alueita. Tämä johtuu siitä, että Etelä-Suomen alueet ovat kauempana pohjoisnavalta kuin Pohjois-Suomen alueet.

Kuva 5. Tässä kartassa vertailin Lambertin projektiota (ETRS_LAEA)  ja North Pole Azimuthal Equidistant -projektiota.

 

Kurssikerta 1: Tutustumista QGIS-ohjelmistoon

Ensimmäisellä harjoituskerralla tutustuimme QGIS-ohjelmistoon, jonka perusominaisuudet ovat minulle tuttuja jo aikaseimmilta kursseilta. Uutta oli plugins-lisäosat, esimerkiksi kurssikerralla tutustuimme OpenStreetMapiin, joka vaikuttaa hyödylliseltä työkalulta. Koska OpenStreetMap perustuu avoimeen dataan, sen avulla on esimerkiksi helppoa sekä edullista luoda ja julkaista karttoja . QGIS-Browser oli myös sovellus, jota en ole käyttänyt aikaisemmin. Sen avulla tiedostoja voi esikatsella, mikä säästää aikaa. Se on varmasti hyödyllinen sovellus, kun käsitellään tietokantoja, jotka koostuvat useista tiedostoista.

Hárjoituskerralla laadimme kartan yhdeksän Itämeren alueen valtion typpipäästöistä (Kuva 1).

Karttaa varten latasimme erilaisia karttatasoja QGIS-ohjelmiston projekti-tiedostoon: Administrative boundaries, HELCOM area, Nitrogen inputs ja Depth contours (Nimet voi kääntää vaikka google kääntäjällä, jos et osaa englantia). Layerien koordinaattijärjestelmät varmistettiin vastaamaan haluttua järjestelmää, ja myös layerien väritys ja symboliikka visualisoitiin sopiviksi. Nämä olivat vielä itselleni tuttuja ja yksinkertaisia operaatioita.

Nitrogen inputs -data liitettiin osaksi Administrative boundaries-tietokantaa, ja  yhdistävänä sarakkeena käytettiin valtion nimeä.  Täydennyksen jälkeen luotiin uusi  tietokanta, johon tehtiin uusi sarake typen suhteellisia määriä varten. Sarakkeeseen laskettiin field calculatorilla typen suhteelliset arvot, eli jaettiin typen määrä typen kokonaissummalla. Filter-toiminnolla sai myös filtteröityä uudesta tietokannasta pois valtiot, jotka eivät sisältäneet haluttuja typpitietoja. Tämä osuus oli jo itselleni haasteellisempi ja täysin uusi juttu tällä ohjelmistolla, mutta se onnistui kuitenkin loppujen lopuksi.

Kartta visualisoitiin graduated -tyylillä, eli värit vaihtelevat asteittain, eikä esimerkiksi diskreettisesti. Koska vain yhdeksästä valtiosta oli tietoa typpipäästöistä, muut maat on esitetty kartassa vaalean keltaisella. Kartassa on mittakaava, pohjoisnuoli ja legenda, kuten hyvin laaditussa kartassa kuuluukin olla.

Kuva 1. Kartta Itämeren alueen typpipäästöistä. (Suosittelen avaaman kuvan uudessa välilehdessä, jotta se näkyy suurempana!)

Kartalta voimme havaita, että Puolan osuus typpipäästöistä on suurin. Viro on taas suhteellisesti vähiten merkittävä päästöjen aiheuttaja. Suomen päästöosuus taas on keskitasoa. Ruotsi ja Venäjä saastuttavat keskimäärin saman verran, vaikka Ruotsilla on huomattavasti enemmän rantaviivaa Itämerellä kuin Venäjällä. Etenkin Venäjän ja Puolan päästöt yritetään saada kuriin HELCOM:in johdolla.

Mielestäni laatimani kartta on ihan onnistunut, sillä käytetty väritys ja symboliikka ovat selkeitä ja legenda on informatiivinen. Resoluutio voisi aina olla parempi, mutta kartalta pystyy havaita kuitenkin oleellisimmat asiat ilman suurennuslasia.

 

 

 

 

Lähteet:

OpenStreetMap-verkkosivut  <https://www.openstreetmap.org/about> 17.1.2018

HELCOM-verkkosivut <http://www.helcom.fi> 17.1.2018