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/

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/

 

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/

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