Artikkelit

Julkaistu

Kurssi pakettiin

Kurssin viimeisellä opetuskerralla annettiin aika lailla vapaat kädet karttojen puuhasteluun. Vaikeinta tällä kertaa olikin aineistojen ja muuttujien valinta, sillä kiinnostavaa valikoimaa oli jo pelkästään ohjeissa ehdotettujen lähteiden puitteissa aivan valtavasti. Onneksi sentään noudatin ohjeita siltä osalta, että tarkastelin aineistoja etukäteen, sillä siihen hurahtikin reippaanpuoleisesti aikaa. Pääsin kurssikerralla saman tien karttojen työstämisen kimppuun, ja työskentely oli sen verran sujuvaa, että ehdin tehdä karttoja parikin kappaletta. Jälkeenpäin ajateltuna olisi ollut mielekkäämpää valita aineistoja, joiden työstäminen olisi tuottanut enemmän haastetta ja vaatinut laajemmin QGIS:in eri työkalujen käyttöä, mutta taustatyön valmistumisen jälkeen aihetta on ikävää lähteä enää vaihtamaan.

Ilmastotoimia ja epätasa-arvoa

Kuva 1: Asukaskohtaiset kasvihuonepäästöt ja ilmastorahoitus EU:ssa vuonna 2019.

Valitsin tämän kerran karttoihin tarkasteluun itseäni kiinnostavia muuttujia EU-maihin liittyvistä tilastoaineistoista. Kuvan 1 kartassa on havainnollistettuna koropleettikartan muodossa kunkin maan kasvihuonepäästöt asukasta kohden, ja pylväsdiagrammein on kuvattu, kuinka paljon maa osaltaan rahoittaa teollistuneiden maiden yhteistä ilmastonmuutoksen ehkäisyyn ja siihen sopeutumiseen tarkoitettua rahastoa. Vertailtavuuden vuoksi myös jälkimmäinen on esitetty lukuna asukasta kohden. Lopputulos on kaukana täydellisyydestä, sillä kaikista valtioista ei löytynyt samalta vuodelta tietoa molemmista muuttujista. Lisäksi ainoa suurimpien kasvihuonepäästöjen luokkaan kuuluva maa, Luxemburg, on kartalla niin pieni, että se jää kokonaan pylväsdiagrammin peittoon. Valitettavasti QGIS:issä vaikuttaisi olevan varsin rajallisesti mahdollisuuksia vaikuttaa pylväiden sijoitteluun, ainakin yksittäisten pylväiden osalta.

Kuva 2: Sukupuolten palkkaero ja kansanedustajien sukupuolijakauma EU:ssa vuonna 2018.

Kuvan 2 kartassa puolestaan on vastaavalla koropleettikartta-diagrammi-asetelmalla vertailtu sukupuolten välistä palkkatasa-arvoa ja kansanedustajien sukupuolijakaumaa. Kartassa on käytetty vuoden 2018 aineistoja, sillä ne olivat kattavimmat, kohtuullisen tuoreet sarjat. Tämä kartta kärsii hieman samasta ongelmasta kuin edellinenkin, sillä piirasdiagrammit tuppaavat herkästi peittämään pienemmät valtiot alleen. Ajatuksena kartan taustalla oli pohtia, onko lainsäätäjien sukupuolella ja sukupuolten välisellä palkkatasa-arvolla selkeästi nähtävissä olevaa yhteyttä; silmämääräisesti tarkasteltuna näin ei näyttäisi olevan. On kuitenkin muistettava, että parlamenttitason toimenpiteet näkyvät käytännössä yleensä viiveellä, eivätkä epätasa-arvoa ylläpitävät yhteiskunnan rakenteet ylipäätään välttämättä korjaannu pelkästään lainsäädännöllisillä toimilla, vaan vaaditaan myös esimerkiksi muutoksia yleisiin asenteisiin.

Loppumietteet kurssista

Kurssin varsinainen sisältö – teknisen suorittamisen osalta siis – ei aiheuttanut kovin paljoa päänvaivaa, mutta blogin kirjoittaminen sen sijaan tuntui ainakin alkuun sitäkin haastavammalta. Hieman se sentään helpottui kurssin edetessä; uskoisin oppineeni jossain määrin päästämään irti vaistomaisesta tarpeesta tuottaa kuivaa asiatekstiä, ja löytäneeni sen rinnalle myös mielentilan, jossa voi astetta rennommin iskeä Word -dokumenttiin kaikki sekalaiset aiheesta heränneet ajatukset. Tästä huolimatta joudun komppaamaan Katariina Maijalaa, joka totesi blogin kirjoittamiseen liittyen: ”ajoittain tuntui, että eipä tässä paljoa sanottavaa löydy”. Kurssin alussa odotin mielenkiinnolla muiden opiskelijoiden blogien lukemista, ja mahdollisuus päästä näkemään kaikki erilaiset tuotokset ja pohdinnat olikin ehdottomasti blogimuotoisen suorituksen parhaita puolia.

Kokonaisuutena kurssi joka tapauksessa tuntui sen verran rennolta ja mielenkiintoiselta, että sen loppuminen melkein harmittaa. Käytetyt aineistot ja tehtävänannot tuntuivat omasta mielestäni varsin käytännönläheisiltä ja ne houkuttelivat aineistojen lähempään tarkasteluun. Harjoitusta ja uutta osaamista QGIS:in käytöstä kertyi paljon, mutta lisää työtä vaaditaan vielä ennen kuin ohjelmiston käyttö muuttuu todella sulavan tuntuiseksi. Yksinkertaiset perustoiminnot alkavat olla hyvin hanskassa, mutta vähemmän käytetyissä prosesseissa joudun pitkälti vielä turvautumaan kirjallisiin ohjeisiin. Kyseessä on toisaalta vasta geoinformatiikan harjoittelun alkutaival, joten uskoisin että kurssin oppimistavoitteet on melko hyvin täytetty.

Lähteet:

Eurostat. Haettu 4.3.2022 osoitteesta https://ec.europa.eu/eurostat/data/database

Maijala, Katariina. (19.3.2022). Viimeinen koetus. Geoinformatiikan harjoittelua. Haettu osoitteesta https://blogs.helsinki.fi/katariinagem/2022/03/19/viimeinen-koetus/

Julkaistu

Paikallista havainnointia ja maailmanlaajuisia hasardeja

Tällä kertaa lähiopetus käynnistyi reippailulla kampuksen lähimaastoissa, mikä olikin mukavan piristävä aloitus perjantaiaamulle. Keräsimme Epicollect5 -sovelluksen avulla dataa kaupunkiympäristön viihtyisyydestä ja turvallisuudesta, ja pääsimme sitten tarkastelemaan ja visualisoimaan tuloksia QGIS:in avulla. Oli hauskaa tällä tavalla itse tuottaa aineistoa, jota pystyi käsittelemään paikkatieto-ohjelmiston avulla, vaikka prosessi olikin varsin yksinkertainen ja opettajan toimesta pitkälle valmisteltu. Viikon toisessa tehtävässä kokeiltiin hetkeksi astua maantieteen opettajan saappaisiin, ja tuottaa käyttökelpoista opetusmateriaalia muutamiin globaaleihin hasardeihin liittyen.

Visuaalisesti jakautunut Kumpula

Valitsin kerätystä aineistosta tarkempaan tarkasteluun havaintopisteiden visuaalisen miellyttävyyden. Pisteaineisto on interpoloitu ja visualisoitu havainnollistamaan, kuinka visuaalisesti miellyttäviä kutkin alueet keskimäärin ovat. Kuvan 1 valmiissa kartassa nähdään, että erityisen miellyttäviksi on koettu esimerkiksi Kumpulanlaakson puistoalue ja Kumpulan puutaloalueet. Vähemmän miellyttäviä vaikuttavat olevan ainakin Kumpulan maauimala ja tietyt pisteet yliopistokampuksen ympäristössä. Visuaalinen miellyttävyys on toki pitkälti mielipidekysymys, mutta ainakin tässä aineistossa vaikuttaa olevan jonkin verran yhtenäisyyttä havainnoijien tarkastelupisteille antamissa arvoissa; vanhat puutalot ja luonto näyttäisivät olevan kurssilaisten suosiossa.

Kuva 1: Eri havaintopisteiden visuaalinen miellyttävyys Kumpulassa.

Melkein käyttökelpoista opetusmateriaalia

Kurssikerran itsenäisenä tehtävänä oli tuottaa karttoja hasardeista ja pohtia niiden soveltuvuutta opetusmateriaaliksi. Tarjolla oli pistemuotoista aineistoa tulivuorista, maanjäristyksistä ja meteoriitti-impakteista, ja päätin tehdä yhden kartan jokaisesta ilmiöstä. Haasteena tehtävässä oli lähinnä sopivan kokoisen aineiston valinta, sillä esimerkiksi dataa maanjäristyksistä löytyi todella pitkältä ajanjaksolta, ja etenkin pienten maanjäristysten määrä on valtava. Kartoilla esitettyjen pistemäisten havaintojen määrä olisi voinut vielä reilusti karsia esimerkiksi ajallisesti tai ilmiön voimakkuuden perusteella jotta lopputulos olisi selkeämpi, mutta en jaksanut kuluttaa hirveästi aikaa siihen, että olisin kokeillut, millaisella rajauksella paras lopputulos olisi syntynyt.

Kuva 2: Tulivuoret ja litosfäärilaattojen rajat.
Kuva 3: Yli 6 magnitudin maanjäristykset ja litosfäärilaattojen rajat.

Kuvan 2 kartassa on kuvattu kaikki tunnetut tulivuoret. Kuvan 3 kartalla taas on esitetty yli 6 magnitudin maanjäristykset vuodesta 1900 alkaen. Opetuskäyttöä ajatellen kartoilla voisi havainnollistaa Maapallon erilaisten endogeenisten ilmiöiden yhteyttä toisiinsa; kartoilla näkyy hyvin maanjäristysten ja tulivuorten sijoittuminen pääasiassa litosfäärilaattojen raja-alueille. Kartat tuovat esiin maantieteellisille ilmiöille ominaisia syyseuraussuhteita, tässä tapauksessa mannerliikuntojen vaikutusta vulkanismin ja maanjäristysten syntyyn. Karttojen lisäksi erilaiset animaatiot ja videot, kuten Esri:n Animated Maps: Tectonic Plate Movement, toimivat hyvin apuna kun halutaan havainnollistaa mannerlaattojen liikettä Maapallon historiassa.

Helka Walldén kirjoitti blogissaan, että vastaavien karttojen avulla opetuksessa voitaisiin toisaalta pohtia myös, miksi jotkus tulivuoret ja maanjäristykset sijoittuvat laattojen sisäosiin. Tämä loisikin hyvän aasinsillan pluumien ja kuumien pisteiden käsittelylle, ja näiden yhdistäminen laattojen liikkeistä opittuun auttaisi ymmärtämään vaikkapa Havaijin kaltaisten tuliperäisten saariketjujen muodostumisprosessia.

Kuva 4: Meteoriitti-impaktit ja litosfäärilaattojen rajat.

Kuvan 4 karttaan on merkitty havainnoidut tai löydetyt meteoriitti-impaktit. Myös meteoriitti-impaktien kohdalla voisi pohtia, mitkä tekijät vaikuttavat havaintojen maantieteelliseen sijoittumiseen. Tässä yhteydessä olisi otollista tuoda esiin, millä tavoin esimerkiksi väestöntiheys ja tutkimusresurssit vaikuttavat tarkasteltavasta ilmiöstä saataviin tietoihin; impaktit ovat melko satunnaisesti Maapallon pinnalle jakautuva ilmiö, mutta tietyillä alueilla, kuten Euroopassa ja Yhdysvalloissa, tunnettujen impaktien tiheys on kuitenkin huomattavan suurta. Tähän vaikuttanevat havaintoja tekevän väestön suuri määrä, korkealuokkaiset havainnointilaitteet sekä järjestelmällinen tilastointi. Erittäin vaikeasti saavutettavilla maa-alueilla sekä merialueilla havaintoja sen sijaan ei löydy lainkaan. Havaintojen runsaus ei siis välttämättä tarkoita, että ilmiö olisi kyseisillä alueilla erityisen yleinen, vaan havaintoja on yksinkertaisesti tehty enemmän.

Lähteet:

Esri. (2019). Animated Maps: Tectonic Plate Movement. https://www.youtube.com/watch?v=q-ng6YpxHxU

Walldén, Helka. (4.3.2022). “Mitä jos meteoriitti tippuu päähäsi” (Pariisin Kevät – Meteoriitti). Helka ja QGIS. Haettu osoitteesta https://blogs.helsinki.fi/helkawal/2022/03/04/mita-jos-meteoriitti-tippuu-paahasi/

World tectonic plates and boundaries. (2014). https://github.com/fraxen/tectonicplates

 

Julkaistu

GIS-itsenäistymistä

Tällä kurssikerralla harjoituksia puuhasteltiin aiempaa enemmän itsenäisesti. Harjoitusten ohjeissa ei määritelty kohta kohdalta käytettäviä työkaluja ja tarvittavia työvaiheita, joten pääsin vihdoin toden teolla tunnustelemaan, kuinka hyvin kurssin tähänastiset sisällöt ovat painuneet mieleen. Oli helpottavaa huomata, että harjoitukset sujuivat hyvin; ilmeisesti ei siis ole kaikki asia mennyt toisesta korvasta sisään ja toisesta ulos kuten olin pelännyt.

Piirtelyä ja bufferointia

Ensimmäisissä itsenäisissä harjoituksissa piirreltiin lentokenttien kiitoratoja ja laadittiin bufferivyöhykkeitä, sekä hyödynnettiin select by location -työkalua oikein urakalla. Yksityiskohtaisten rakennustietokantojen avulla tarkasteltiin esimerkiksi lentokenttien meluhaitta-alueilla asuvien määriä ja asukasmääriä julkisen liikenteen asemien läheisyydessä. Alla taulukossa on koottuna vastauksia harjoituksen kysymyksiin.

Buffereilla voidaan näppärästi tarkastella kaikenlaisia vaikutusalueisiin liittyviä ilmiöitä. Kaikki ilmiöt eivät tietenkään vaikuta ympäristössään yhtä symmetrisen alueellisesti kuin QGIS:in kauniin säännölliset bufferivyöhykkeet, vaan niihin vaikuttavat lukemattomat ympäristön ominaisuudet. Buffereilla voidaan kuitenkin vähintäänkin suuntaa-antavasti hahmotella esimerkiksi juuri melusaasteen kantautumista, kaikenlaisia turvavyöhykkeitä tai kuten Ronja Sonninen blogissaan kirjoitti, alueen asukaskannan ja suunnitteilla olevan kauppakeskuksen yhteensopivuutta.

Putkiremontti-indeksi

Vapaavalintaisista tehtävistä poimin projektikseni putkiremonttitalojen kartoittamisen. En ole sataprosenttisen varma, osasinko käyttää joka työvaiheessa optimaalisia työkaluja, mutta luulisin päässeeni haluttuun lopputulokseen. Erottelin aineistosta 1965–1970 rakennetut talot, joita oli yhteensä 6286, ja näistä kerrostaloja oli 1206. Kyseisissä kerrostaloissa oli asukkaita 65206, ja asuntoja 39002. Hieman päänvaivaa aiheutti rakennusten tietojen yhdistäminen pääkaupunkiseudun pienalueisiin, sillä QGIS herjasi viallisista geometriatiedoista. Nopea googlaus tarjosi taas onneksi yksityiskohtaiset ohjeet ongelman korjaamiseksi, ja sain siistittyä pienalueaineiston käsiteltävään muotoon.

Kuva 1: Pääkaupunkiseudun pienalueiden putkiremontti-indeksi.

Kuvassa 1 on lopputuloksena syntynyt kartta. Olisin halunnut kartalle myös tiedon alueiden kerrostalojen kokonaismäärästä, mutta ainakin lukuarvojen ja pylväiden lisääminen teki lopputuloksesta hankalasti luettavan, koska alueita on niin paljon ja osa niistä on todella pieniä. Tähän tarkoitukseen tarvittaisiin melkeinpä interaktiivinen kartta, staattinen blogikuva kun voi sisältää kovin rajallisen määrän tietoa ja olla samalla kuitenkin selkeä. Päädyin nyt esittämään kartalla siis pelkän putkiremontti-indeksin.

Yleistä QGIS-reflektointia

Oma tunne on, että olen vieläkin hädin tuskin vasta-aloittelija QGIS:in käytössä, mutta toisaalta kurssin harjoitukset ovat sujuneet melko kivuttomasti, joten osaaminen on tällä hetkellä ehkä juuri sellaisella mukavalla perustasolla kuin tässä vaiheessa voi odottaakin. Olisi tietty hirveän mukavaa, jos aina saman tien muistaisi käyttötarkoitukseen soveltuvan työkalun nimen ja kaikki toiminnot löytyisivät ruudulta käden käänteessä, mutta tällaisen vaivattomuuden saavuttamiseen ei auta muu kuin armoton kertaus ja toisto. Tähänastinen GIS-näpertely on ollut mielestäni ennen kaikkea todella hauskaa ja mielenkiintoista, ja odotan innolla tulevia haasteita. Loppuhuomiona: on ollut ilo huomata, että QGIS on sen verran laajalti käytetty ohjelmisto, että netistä kyllä löytyy lähes aina vastaus ongelmaan, kun meinaa tulla tenkkapoo.

Lähteet:

QGIS Tutorials and Tips. Handling Invalid Geometries (QGIS3). Haettu 23.2.2022 osoitteesta https://www.qgistutorials.com/en/docs/3/handling_invalid_geometries.html

Sonninen, Ronja (17.2.2022). Tiedon analysointia. Ronjan GIS-blogi. Haettu osoitteesta https://blogs.helsinki.fi/sronja/tiedon-analysointia/

 

Julkaistu

Ruudut ja rasterit

Tällä kurssikerralla keskityttiin rasteriaineistoihin tutustumiseen ja ruutukarttojen laatimiseen, ja lopuksi vähän valmisteltiin pohjamateriaalia jo seuraavia harjoituksia varten. Harjoitukset käytiin jälleen perusteellisesti vaihe vaiheelta yhdessä läpi, ja jää nähtäväksi, kuinka paljon tuli taas aivottomasti klikkailtua nappuloita mallin mukaan ja kuinka paljon tuli oikeasti sisäistettyä asiaa.

Pisteistä ruuduiksi

Ensimmäisessä harjoituksessa piirrettiin kartalle ruudukko, johon yhdistettiin tietoja Pääkaupunkiseudun väestötietokannasta. Tein kartat ulkomaan kansalaisten absoluuttisesta määrästä (kuva 1) ja määrästä suhteutettuna alueen väestöön (kuva 2). Erot absoluuttisissa määrissä noudattelevat odotetusti eroja kokonaisväestön määrissä eri alueilla, joten kyseinen kartta ei mielestäni kerro ilmiöstä hirveästi mitään. Suhteellisia määriä esittävä kartta sen sijaan voi antaa jonkinlaista osviittaa siitä, mille alueille ulkomaalaisväestö ensisijaisesti keskittyy.

Kuva 1: Ulkomaan kansalaisten määrä pääkaupunkiseudulla.
Kuva 2: Ulkomaan kansalaisten suhteellinen määrä pääkaupunkiseudulla.

Absoluuttisten lukuarvojen kuvaaminen ruututeemakartalla on sinänsä hyväksyttävää, koska jokainen ruutu kattaa samankokoisen alueen, mutta niiden käytön mielekkyyttä pitää pohtia tapauskohtaisesti. Esimerkiksi kokonaisväestön kuvaaminen absoluuttisilla lukuarvoilla olisi järkevää, mutta jonkin alakategorian, kuten juuri ulkomaan kansalaisten määrän kuvaaminen vastaavalla tavalla vaatii jo kartan lukijalta jonkin verran taustatietoa alueen väestöntiheydestä, jottei ilmiöstä synny vinoutunutta kuvaa.

Suhteellisia määriä tarkasteltaessa karttaesityksen lopputulemaan toisaalta vaikuttaa huomattavasti ruutujen koko, sekä se, minkä alueen kukin ruutu rajaa sisäänsä. Itse satuin piirtämään ruudukon, jossa yhden ruudun kulmaan jäi vain yksi asukas, joka sattuu olemaan ulkomaan kansalainen; kyseisessä ruudussa ulkomaan kansalaisten osuus on siis 100 %. Tämä näyttää karttaesityksessä melko harhaanjohtavalta, etenkin kun tarkastelee aineistossa viereisten ruutujen väestöä, jossa ulkomaan kansalaiset ovat todellisuudessa hyvin pieni vähemmistö. Saara Aaltonen kirjoitti blogissaan samasta aiheesta, ja nosti tärkeänä seikkana esiin myös asukkaiden yksityisyydensuojan kyseisen kaltaisissa tapauksissa.

Rastereiden kimppuun

Ruutukarttojen jälkeen kurssikerralla opeteltiin vähän uudenlaista teknistä näperrystä, eli päästiin käsittelemään rasteriaineistoja. Aineistoon sisältyi huikean tarkkaa laserkeilausdataa, jonka avulla lähdettiin tutkailemaan korkeusvaihteluiden visualisointia. Korkeuserojen havainnollistaminen rinnevarjostuksen avulla on kätevää, mutta tietystä suunnasta tuleva valo vaikeuttaa jonkin verran rinteiden jyrkkyyden hahmottamista (kuva 3). Harjoituksessa päästiin kokeilemaan myös korkeuskäyrien luomista itse, ja omasta mielestäni korkeusvaihtelut avautuvatkin kartalta kaikista parhaiten rinnevarjostuksen ja korkeuskäyrien yhdistelmää tarkastelemalla.

Kuva 3: Korkeuserojen hahmottelua.

Itse luotujen korkeuskäyrien vertaaminen maastokarttaan näyttää korkeuserojen kuvautuvan pääpiirteittäin samoin molemmissa (kuva 4). Erona ovat maastokartassa ruskealla katkoviivalla kuvatut apukäyrät, sekä erilainen yleistyksen taso käyrien muodoissa. Korkeusdatasta QGIS:illä tuotetut käyrät ovat hyvin pikkutarkkoja – arkikäyttöä ajatellen turhankin pikkutarkkoja – kun taas maastokartassa käyrien pienempiä mutkia on reippaasti oiottu helpommin luettavan lopputuloksen aikaansaamiseksi.

Kuva 4: Maanmittauslaitoksen (yllä) vs. QGIS:illä tuotetut korkeuskäyrät.

Lähteet:

Aaltonen, Saara (15.2.2022). Teemoittain juttuja. Saara Goes GIS. Haettu osoitteesta https://blogs.helsinki.fi/aaltosaa/2022/02/15/teemoittain-juttuja/

Julkaistu

Myöhäiset muistelmat kolmannesta kurssikerrasta

Kurssin kolmannella lähiopetuskerralla tutustuttiin hieman tietokantojen muokkaamiseen ja valmisteluun sujuvampaa tarkastelua varten. Jonkin verran käytiin läpi jo aiempien itsenäisten harjoituksien kautta tutuksi tullutta asiaa, mutta QGIS:in kanssa kyllä tuntuu, ettei kertausta ole koskaan liikaa.

Konflikteja ja internetiä

Yhteisesti tehdyssä harjoituksessa opeteltiin yksinkertaistamaan valmiita aineistoja olennaisia tietoja kuitenkaan menettämättä. Tässä käytettiin apuna yksityiskohtaista tietokantaa Afrikasta, jossa oli eriteltynä kaikkien valtioiden pääalueiden sekä niille kuuluvien saarien tai erilliskohteiden pinta-alat. Ehdin jo hieman järkyttyä, kun alkuun pinta-aloja alettiin yhdistellä yksi valtio kerrallaan, koska hetken aikaa luulin, ettei toimenpidettä pysty sen tehokkaammin automatisoimaan. Pelko osoittautui onneksi pian turhaksi, sillä ohjelmistosta löytyi kuin löytyikin työkalu, joka laski yhteen kerralla kaikkien valtioiden kokonaispinta-alat. CSV-tiedostojen tuominen ohjelmistoon ja tietokantaliitokset sen sijaan olivatkin jo tuttuja kunta-aineistoharjoituksen ansiosta.

Aineistoja yhdistelemällä laskettiin myös konfliktien, timanttikaivosten ja öljykenttien määrä kunkin valtion alueella. Jälleen kerran sain huomata, että pelkästä attribuuttitaulukosta eri muuttujien välisiä maantieteellisiä suhteita on vaikeaa tarkastella, sillä monet valtiot ovat pinta-alaltaan niin laajoja, että saman valtion alueelle sijoittuvat asiat saattavat olla todella kaukana toisistaan. Kartalta (kuten kuvasta 1) on helpompaa tarkastella, ovatko konfliktit keskittyneet esimerkiksi valtioiden tai kansojen pääasiallisten elinalueiden rajoille, tai vaikkapa juuri arvokkaiden resurssien yhteyteen. Pelkän sijainnin perusteella ei tietenkään voi vielä hirveästi vetää johtopäätöksiä syy-seuraussuhteista, ja konfliktien laskeminen valtioittain saattaa johtaa siinä mielessä harhaan, että monet niistä ulottuvat useiden valtioiden alueelle. Lisäksi konfliktien tilastoinnissa voi olla suuria eroja liittyen niiden laajuuteen, ajankohtaan, ja mieltämiseen useina yksittäisinä tai yhtenä jatkuvana konfliktina.

Kuva 1: Konfliktit, timanttikaivokset ja öljykentät Afrikassa 1947-2008.

Aineistopakettiin sisältynyttä tietoa internetin käyttäjien osuudesta Afrikan eri valtioissa ei pahemmin käsitelty yhteisesti, mutta Henry Hemtman mainitsi blogissaan, että aineistojen perusteella voisi pohtia myös konfliktien vaikutusta internetin käyttäjien määrään. Tämä oli hyvä huomio, sillä konfliktit usein vaikuttavat mahdollisuuksiin kehittää ja ylläpitää alueen tietoliikenneinfrastruktuuria. Nopealla silmäyksellä kuvien 2 ja 3 karttoja tarkasteltaessa näyttäisikin, että valtiot, joissa internetin käyttäjien osuus on korkea, eivät ole 2000-luvulla olleet ainakaan aivan sieltä konfliktiherkimmästä päästä.

Kuva 2: Internetin käyttäjien osuus Afrikan valtioissa (2020).
Kuva 3: 2000-luvun konfliktien laajuus Afrikassa.

Kuvan 3 kartta syntyi, kun pyörittelin Afrikka-aineistoa vielä kotona ja kokeilin tehdä esimerkiksi kartan 2000-luvun (aineiston ajallisen rajallisuuden takia käytännössä vuosien 2000 ja 2008 välisten) konfliktien laajuudesta. Lopputulos ei ole karttaesityksenä kovin kehuttava, sillä konflikteja on lyhyelläkin aikajaksolla niin paljon päällekkäin, että karttaa on vaikeaa lukea. Lisäksi pallomaiset symbolit todennäköisesti kuvaavat todellisuutta varsin kehnosti, sillä konfliktien vaikutusalueet tuskin ovat kovin säännöllisen muotoisia. Legendankin elementit ovat sijoittuneet vähän miten sattuu, mutta sitä tehdessä päätin jo luovuttaa viimeistelyn suhteen, koska kyseessä oli vain huvin vuoksi tehty kartta. Kartan tekeminen oli joka tapauksessa hyvää lisäharjoitusta QGIS:in käytöstä, vaikka jälki ei kovin tasokasta olekaan.

Tulvahuippuja ja diagrammeja

Kurssikerran itsenäisenä tehtävänä tarkasteltiin ja visualisoitiin aineistoja liittyen Suomen valuma-alueisiin ja jokien tulvaherkkyyteen. Harjoitus oli enimmäkseen aika suoraviivainen; CSV-tiedostojen tuomista QGIS:iin, pari laskutoimitusta. Järvisyyspylväiden saaminen kartalle järkevässä muodossa vaati hieman enemmän näperrystä, diagrammityökalu kun oli vielä aivan vieras. Lopputuloksesta (kuva 4) tuli kuitenkin mielestäni ihan järkevän näköinen.

Kuva 4: Suomen valuma-alueiden tulvaindeksi ja järvisyysprosentti.

Kuvan 4 kartassa tulvaindeksi on laskettu kaavalla MHQ/MNQ, eli se kertoo, kuinka moninkertainen joen keskiylivirtaama on suhteessa sen keskialivirtaamaan. Selvästi korkeimmat tulvaindeksit, eli suurimmat erot kuivimpien ja runsasvetisimpien aikojen välillä, löytyvät rannikolta, ja etenkin Aurajoki erottuu joukosta erityisen tulvaherkkänä. Joen tulvaherkkyyteen vaikuttavat monet tekijät, mm. valuma-alueen muoto ja koko. Rannikon pienillä valuma-alueilla valumavedet kerääntyvät nopeasti joenuomiin ja aiheuttavat korkeampia virtaushuippuja kuin sisämaan suurilla valuma-alueilla. Lisäksi rannikon suhteellisesti korkeammalla sateisuudella voi olla vaikutus tulvaindeksiin. Kartasta on nähtävissä myös yhteys järvisyyden ja matalan tulvaindeksin välillä, sillä järvisillä alueilla valumavedet jakaantuvat tasaisemmin useiden vesialueiden välillä, loiventaen virtaamahuippuja.

Lähteet:

Hemtman, Henry (11.2.2022). Kursomgång 3: Karta på karta. GIS-Vandring. Haettu osoitteesta https://blogs.helsinki.fi/hemtmanh/2022/02/11/kursomgang-3-karta-pa-karta/

Julkaistu

Pohdintaa projektioista

Toisen viikon harjoituskerran aluksi tutustuttiin tarkemmin työkaluihin, joilla QGIS:in tasoilta voi valita elementtejä sekä mitata välimatkoja ja pinta-aloja. Mittojen johdattelemana siirryttiin pohtimaan ja tarkastelemaan erilaisten projektioiden roolia karttaesityksissä, käytännössä kokeilemalla miten projektion vaihtaminen ohjelmistossa vaikuttaa valittujen pisteiden välisiin näennäisiin etäisyyksiin ja esimerkiksi Suomen kuntien pinta-alaan.

Pinta-alojen vääristymät kartalla

Kuntien pinta-aloja tutkailtiin eri projektioissa, ja vertailukohtana käytettiin Suomen alueella pinta-aloja melko minimaalisesti vääristävää poikittaista lieriöprojektiota, ETRS-TM35 -projektiota.

Kuva 1: Pinta-alojen vääristymät Mercator-projektiossa

Mercator-prjektio on oikeakulmainen lieriöprojektio, ja tunnettu malliesimerkki pinta-alavääristymistä. Kuten kuvasta 1 näkyy, erot ETRS-TM35 -projektioon ovat valtavat, suurimmillaan yli 8-kertaiset, ja vääristymät kasvavat dramaattisesti kohti pohjoista.

Kuva 2: Pinta-alojen vääristymät Robinsonin projektiossa

Robinsonin projektio (kuva 2) on sovellettu projektio, joten siinä kaikki ominaisuudet, niin pinta-alat, kulmat kuin etäisyydetkin, vääristyvät jonkin verran. Pinta-alojen vääristymät ovat siinä huomattavasti kohtuullisempia kuin Mercator-projektiossa.

Kuva 3: Pinta-alojen vääristymät Aitoffin projektiossa

Aitoffin projektiossa (kuva 3), joka sekin on sovellettu projektio, vääristymät kasvavat edellisiä enemmän myös lännestä itään. Kaiken kaikkiaan vääristymät Aitoffin projektiossa ovat melko pieniä, ja erot eteläisen ja pohjoisen Suomen välillä ovat hyvin pieniä.

Karttoja on vähän vaikea vertailla keskenään, koska kaikissa on sama väriskaala vaikka luokkien arvot ovat erilaisia. Kaikissa kolmessa projektiossa pinta-alat kuitenkin vääristyvät enemmän kohti pohjoista melko säännöllisinä vyöhykkeinä, mikä on tyypillistä useille maailmankartoissa käytetyille projektioille. Monissa niistä projektion maapalloa sivuava pinta tai kartan keskipiste sijaitsee päiväntasaajan seudulla, joten vääristymät kasvavat kohti napoja, ja jonkin verran myös keskimeridiaanilta itään tai länteen kuljettaessa. Näissä kartoissa on tarkasteltu vain pinta-alojen vääristymistä, mutta kuten Meri Lehto blogikirjoituksessaan toteaa, ei pelkkä pinta-alojen todenmukainen kuvautuminen kerro vielä kovinkaan paljoa kartan käyttökelpoisuudesta, sillä muut ominaisuudet saattavat olla voimakkaasti vääristyneitä.

Mitä tästä kerrasta jäi käteen?

Tätä harjoitusta tehdessä myös huomasin jälleen, että ilmiöiden tuominen kartalle oikeasti auttaa hahmottamaan niitä paremmin. Pinta-alan erojen tarkastelu attribuuttitalukosta ei vielä hirveästi kertonut mitään, sillä joissain projektioissa erot kuntien välillä olivat melko pieniä, eikä erojen maantieteellinen jakautuminen tule esiin, ellei sitten satu muistamaan joka ikisen kunnan sijaintia. Pinta-alojen vääristyminen monissa maailmankartoissa käytettävissä projektioissa sopi hyvin tähän harjoitukseen; tutun tuntuisen esimerkin avulla oli kätevää opetella itselle vieraita ohjelmiston toimintoja, ja arvioida lopputuloksen paikkansapitävyyttä.

Hankalimmalta tämän kerran harjoituksissa tuntui yksinkertaisesti kaikkien välivaiheiden muistaminen. Eri ominaisuudet kyllä alkavat löytyä QGIS:istä jo sujuvammin, mutta aina välillä meinaa unohtua joku ruksi ruudusta tai yhden valinnan muuttaminen ennen kuin klikkaa ookoota ja ohjelma lähtee suorittamaan toimintoa. Tämä aiheuttaa pienimuotoista turhautumista omaan hajamielisyyteen/huolimattomuuteen, mutta elättelen toivoa, että nämä alkavat ennen pitkää sujua lihasmuistista. Toistoa, toistoa, toistoa!

Lähteet:

Lehto, Meri (2.2.2022). Karttaprojektion monet puolet. Vielä yksi kysymys geoinformatiikasta. Haettu osoitteesta https://blogs.helsinki.fi/lehtomer/2022/02/02/karttaprojektion-monet-puolet/

Julkaistu

Ensimmäisen viikon mietteitä

Geoinformatiikan menetelmät -kurssi on nyt polkaistu käyntiin, ja tässä kirjoituksessa pohdiskelen ensimmäisen viikon aikana opittua ja oivallettua. Blogien kirjoittelu tuntuu työskentelytapana vieraalta ja vaati vielä totuttelua, mutta toisaalta on hauskaa kerrankin päästä lukemaan muiden opiskelijoiden ajatuksia muutenkin kuin vertaisarvioitavien tehtävien kautta.

Typpipäästöjen kartoitusta

Kurssin ensimmäisenä aiheena oli yksinkertaisten koropleettikarttojen tekeminen. Lähiopetuskerralla kaikki työvaiheet käytiin yhdessä läpi, joten kartan tekeminen tuolloin tuntui todella vaivattomalta. Huomasin kuitenkin, että koska olin vain seurannut ohjeistusta sen enempiä miettimättä, eivät ohjelmat eri toiminnot löytyneetkään enää niin sujuvasti, kun jälkikäteen aloin viimeistelemään karttaa. Vaikka olen hieman käyttänyt QGIS:iä yhdellä aiemmallakin kurssilla, on siinä yksinkertaisesti niin paljon ominaisuuksia, että niiden painuminen muistiin vaatii aikaa ja toistoa. Tällä hetkellä tekemistä vielä jonkin verran hidastaa eri toimintojen etsiminen valikoiden alta, mutta ainakin kaikki yhdessä läpikäydyt asiat palasivat uudelleen mieleen ohjelmaa vähän aikaa räplätessä.

Kuva 1: Kartta typpipäästöistä HELCOM-alueella

Lopputuloksena syntyi kartta, joka esittää eri maiden osuuksia typpipäästöistä HELCOM-merialueella (kuva 1). Valmiissa kartassa rantaviivat ja etenkin järvet pistävät omaan silmääni pahasti, sillä ne ovat kartan mittakaavaan nähden turhan yksityiskohtaisia, ja näyttävät lähinnä epämääräiseltä suhrulta. Muuten olen ihan tyytyväinen kokonaisuuteen, ja sanoisin että kartta tuo esiin ne asiat, jotka sen on tarkoituskin tuoda. Syvyyskäyrien tarpeellisuutta jäin tosin pohtimaan, sillä ne eivät ainakaan selkeytä kokonaisuutta, enkä osaa oikein sanoa ovatko ne juuri tämän kartan kannalta kovin olennainen elementti.

Vili Rauhala esitti samaan karttaharjoitukseen liittyvässä blogikirjoituksessaan hyvän huomion liittyen luokittelun haasteisiin. Tässä aineistossa erot valtioiden suhteellisissa päästöissä ovat suurimmaksi osaksi kohtuullisia, mutta Puolan päästöt ovat verrattain todella suuret. Vaikka omassa kartassani on hieman erilainen luokittelu kuin Vilillä, molemmissa tapauksissa Puola on yksin omassa luokassaan, jonka alaraja on huomattavan paljon matalampi kuin maan todellinen osuus päästöistä. Kokeilin QGIS:ssä vielä erilaisten luokittelujen sopivuutta, mutta useissa ongelmana oli kokonaan tyhjän luokan syntyminen muiden maiden ja Puolan väliin. Päädyin lopulta alun perinkin käyttämiini luonnollisiin rajoihin.

Etätehtävä kunta-aineistosta

Etäharjoitusta varten selailin Sotkanetin indikaattoreita, ja päädyin valitsemaan tarkasteluun opiskelijoiden osuuden väestöstä. Luvut ovat vuodelta 2020, joten hain netistä myös vuoden 2020 kuntapohjan. Karsin Sotkanetistä ladattua taulukkoa ensin Excelissä, sillä siinä oli enemmän tietoa kuin tätä tehtävää varten tarvitsin; tallensin lopulliseen csv-tiedostoon ainoastaan kuntien nimet yksilöiväksi tiedoksi ja opiskelijoiden prosentuaaliset osuudet kuntien väestöstä. Tein tehtävän siis periaatteessa kakkosvaikeustasolla, mutta toisaalta tekemistä helpotti se, että aineiston luvut olivat jo valmiiksi suhteellisia osuuksia, eikä niillä tarvinnut koropleettikarttaa varten enää tehdä laskutoimituksia QGIS:issä.

Tuodessani csv-tiedoston QGIS:iin huomasin, ettei ohjelma suoraan tunnistanut prosenttiosuudet kertovaa saraketta lukuarvosarakkeeksi, vaan luokitteli sen tekstisarakkeeksi. Tämä ei ollut aineiston jatkokäsittelyn kannalta toivottavaa, mutta helppo ratkaisu ongelmaan onneksi löytyi nopealla googlauksella. Edellisen tehtävän jälkeen odotin sopivan luokittelun löytymisen aiheuttavan päänvaivaa, mutta QGIS:in histogrammiominaisuus onneksi helpotti elämää valtavasti. Opiskelija-aineistoista muodostui aika näppärästi luonnolliset luokkarajat (kuva 2), jotka ovat valmiissakin kartassa (kuva 3) käytössä.

Kuva 2: Histogrammi auttaa luokittelussa
Kuva 3: Opiskelijoiden suhteellinen määrä Suomen kunnissa

Kartasta näkee, että opiskelijoita on odotetusti eniten suurten kaupunkien läheisyydessä, sillä etenkin korkeakoulutus on pitkälti keskittynyt kyseisille alueille. Hieman yllättävää on, ettei Helsinki ole korkeimmassa luokassa, mutta se jääkin 8,4 % opiskelijaosuudellaan juuri luokkarajan alle. Vaikka molemmat pohja-aineistot ovat vuoden 2020 dataa, on niissä pientä yhteensopimattomuutta. Vuonna 2021 Kankaanpäähän yhdistynyt Honkajoen kunta löytyy kuntapohjasta, muttei opiskelijatilastoista. Kartalla kyseinen ex-kunta näkyy valkoisella värillä luokittelun ulkopuolella, mikä ei tietenkään ole ideaalitilanne, mutta päätin tyytyä tähän epätäydellisyysasteeseen.

Lopuksi

Näiden harjoitusten jälkeen tuntuu, että perusasiat alkavat olla hyvin hanskassa, mutta QGIS:issä kyllä riittää vielä nappulaa nappulan perään. Karttojen ja aineistojen pyörittely on onneksi ainakin omasta mielestäni sen verran hauskaa, että odotan innolla, mitä kaikkea ohjelmistolla kurssin aikana vielä opitaan tekemään. Tämän ensimmäisen blogitekstin aloittaminen sen sijaan oli aikamoisen henkisen kynnyksen takana, mutta lähti jo kirjoittamisen aikana sujumaan paremmin, joten eiköhän tässä vielä tule sekä QGIS että bloggaaminen hyvin tutuksi.

 

Lähteet:

Rauhala, Vili (27.1.2022). Viikko 1: Takaisin QGIS:n pariin. Sukelluksia paikkatiedon maailmaan. Haettu osoitteesta https://blogs.helsinki.fi/radvili/

Silver Spring Energy Consulting Ltd. Converting a String Field to a Numerical Field in QGIS. Haettu 27.1.2022 osoitteesta https://silverspringenergy.com/converting-a-string-field-to-a-numerical-field-in-qgis/

Tilastokeskus (2020). Kunnat 2020 (1:4 500 000) -aineisto. Haettu 27.1.2022 osoitteesta https://geo.stat.fi/geoserver/web/

Tilastokeskus (2020). Opiskelijat, % väestöstä (vuosi 2020 ennakkotieto). Sotkanet. Haettu 27.1.2022 osoitteesta https://sotkanet.fi/sotkanet/fi/index