Viimeisellä kurssikerralla pääsin luomaan kartan täysin itsenäisesti aina aiheen ja alueen rajauksesta asti. Suosituksena annettiin, että alueen tulisi jakautua useampaan pienempään osa-alueeseen, kuten valtioon. Alun perin olisin halunnut tarkastella Tunisiaa ja sen Facebook käyttäjien määrän kasvua vuoden 2011 vallankumouksen jälkeen. Facebookilla nähtiin olevan kriittinen rooli Tunisian vallankumouksen varsinaisessa mobilisoinnissa. Olisikin ollut mielenkiintoista tuottaa kartta, josta olisi voinut havainnoida alueellisia eroja käyttäjien nousun kanssa.  Ei kuitenkaan tullut suurena yllätyksenä, ettei Tunisiasta ollut saatavilla kaikkia tarvittavia tilastoja ja paikkatietoaineistoja tällaisen vertailun tuottamiseksi. Selvitin kuitenkin omaksi ilokseni, että Dubain hallintokoulun arabien sosiaalisen median raportin mukaan Tunisiassa nähtiin Facebook käyttäjissä jopa 17 prosentin nousu edelliseen vuoteen verrattuna (Huang 2011). Yousri Marzoukin artikkelin The Contribution of Facebook to the 2011 Tunisian Revolution: A Cyberpsychological Insight mukaan sosiaalisen median mahdollistama tiedonvälitys oli elintärkeää Tunisian vallankumoukselle ja Facebook olikin sen tärkein katalysaattori.

Päädyin Tunisia-saagani jälkeen valitsemaan alueeksi tutun ja turvallisen Suomen, sillä taustakarttakin löytyi helposti edellisten kurssikertojen aineistosta. Päätin tarkastella Suomen äänestysprosenttia vuoden 2018 presidentinvaaleissa kunnittain, sillä Tilastokeskuksen tuottamat tilastoaineistot olivat helposti löydettävissä blogissa annetun linkin kautta sekä ovat loogisesti helppo yhdistää karttapohjaani. Koen, että presidentin vaalien äänestysaktiivisuuden tarkastelulla voidaan jollain tapaa nähdä kuntien yhteiskunnallisen osallistumisen tasoa. Kuinka paljon äänestäjät näkevät presidentillä olevan yhteiskunnallista painoarvoa. Kaiken kaikkiaan Tilastokeskuksen aineisto olikin äärimmäisen helppo siirtää Excelin kautta QGIS-ohjelmaan. Soveltamalla kurssilla oppimaani sainkin aikaiseksi ihan toimivan kartan (Kuva 1).

Valitsin karttaani luokitteluvälit, jotka korostavat äänestysaktiivisuuden poikkeamaa. Kuten Helsingin Sanomat uutisoivat, äänestysprosentti koko Suomen osalta oli 69,9% (HS 2018). Kartassani vaalein ja tummin väri edustavat tästä luvusta poikkeavan alhaista tai korkeaa äänestysaktiivisuutta. Pyrinkin ohjaamaan kartan mahdollisen lukijan katseen näihin kuntiin.

Lähteet:

Huang, Carol (2011). Facebook and Twitter key to Arab Spring uprisings: report. The National. http://www.l2f.inesc-id.pt/~fmmb/wiki/uploads/Work/misnis.ref01.pdf

Marzouki, Y., I. Skandrani-Marzouki, M. Béjaoui, H. Hammoudi, T. Bellaj (2012). The Contribution of Facebook to the 2011 Tunisian Revolution: A Cyberpsychological Insight. Cyberpsychology, Behavior, and Social Networking 15: 5.

Kempas, Karla & Pauliina Jokinen (2018) Presidentinvaalien äänestysaktiivisuus jäi 69,9 prosenttiin. Helsingin Sanomat 28.1.2018.  https://www.hs.fi/politiikka/art-2000005542934.html

Sauli Niinistö valittiin presidentiksi I vaalissa 2018. Tilastokeskus. 6.9.2019 https://www.stat.fi/til/pvaa/2018/pvaa_2018_2018-01-30_tie_001_fi.html

Kurssikerralla paneuduin pisteaineistojen esittämiseen kartalla itsenäistehtävän avulla. Epicollect tehtävän toteutin jo vuoden 2017 puolella, jolloin kiersin pitkin Kumpulaa arvioiden maiseman miellyttävyyttä Sadun ja Milenan seurana.

Toteutin tehtävän Artun tarjoamien avoimien tietolähteiden kautta. Muutin internetistä saamani tiedot Excelin avulla csv-muotoon, jonka avulla siirsin tiedot QGIS-ohjelmistoon esitettäväksi. Ensimmäisessä kartassa halusin tarkastella maanjäristysten esiintymistä. Kartta esittää Richterin asteikolla voimakkuudeltaan yli 6:n magnitudin maanjäristyksiä 2000-luvulla (Kuva 1). Käytännössä Richterin asteikko perustuu logaritmiin ja yli 6:n magnitudin järistykset luokitellaan voimakkaiksi, hyvin voimakkaiksi tai erittäin voimakkaiksi (Seismologian instituutti). Voimakkaat maanjäristykset myös esiintyvät huomattavasti harvemmin kuin pienet. Suvi Salonen onnistui blogissaan esittämään voimakkuuksiltaan eri asteiset järistykset tehokkaammin, merkiten ne selvästi eri värisiksi.

Seuraavassa karttaesityksessä pyrin esittämään 1964 vuoden jälkeen purkautuneiden tulivuorten vaikutusaluetta edellisen kurssikerran tehtävästä inspiroituneena (Kuva 2). Kaiken kaikkiaan sain ainakin oikeat tiedot tuotua QGIS:iin. En kuitenkaan kiireessä muistanut muokata karttani esitystapaa mielekkäämmäksi pisteaineiston esitystavan sijaan. Esimerkiksi puskurialue olisi kannattanut muokata polygoniksi tulivuoria esittävien pisteiden ympärille. Lisäksi unohdin täysin lisätä esimerkiksi mitta-asteikon sekä legendan esityksiin.

Jos toisen karttatuotokseni puutteellisen esityksen jättää huomioimatta, on kartat kuitenkin suhteellisen onnistuneet. Pyrin koko harjoituksen ajan pitämään mielessäni voisiko karttoja hyödyntää jonkin asian opetukseen niitä tehdessäni. Halusinkin näyttää, että tulivuorten sijainneilla ja niiden purkauksien vaikutusalueiden laajuuksilla voi olla havaittavissa korrelaatio maanjäristysten sijaintiin. Saavathan molemmat energiansa maapallon sisuksen lämpöenergiasta, joka esiintyy maanpinnalla vaihtelevin ilmenemismuodoin.

 

Lähteet:

Perustietoa maanjäristyksistä (2019). Seismologian instituutti. 12.6.2019

https://www.helsinki.fi/fi/seismologian-instituutti/maanjaristykset/perustietoa-maanjaristyksista-0).

Suvi Salonen (2019). Kurssikerta 6 – aineiston tuottamista ja hasardeja. 12.6.2019

https://blogs.helsinki.fi/marttils/

Uskallan väittää, että viidennen kurssikerran tehtävät aiheuttivat minulle eniten päänvaivaa. Niinkin paljon, että kurssin suorittaminen tyssäsi lähes neljäksi kuukaudeksi. Taustalla ehkä vaikutti myös muiden kurssien sekä töiden suomat kiireet keväälleni. Muutaman tovin kerättyäni rohkeutta uskalsin kuitenkin palata kurssin pariin.

Aloitin kurssikerran harjoitukset käyttämällä bufferointi-toimintoa, eli puskurointia. Muistelisin käyttäneeni bufferointia aikaisemmin jollain toisella menetelmäkurssilla ja periaate oli ainakin tuttu. Olen luonut aiemmin ainakin peltojen läheisyydessä oleville puroille suojelualueet puskurointivyöhykkeiden avulla. Puskurivyöhykettä voi siis esimerkiksi hyödyntää tarkastellessa jonkin ilmiön tai asian vaikutusaluetta. Harjoittelin aluksi luomalla Pornaisten alueen päätien ympärille vaikutusalueen, jonka avulla tarkastelin kuinka monta ihmistä asuu 100 metrin etäisyydellä tiestä.

Seuraavaksi siirryin varsinaisten itsenäistehtävien pariin. Aloitin laskemalla Malmin lentokentän läheisyydessä olevia asukaslukuja, jotka kokosin alla esitettyyn taulukkoon (Taulukko 1).

Etäisyys	Malmin lentokenttä
1 Km	3704
2 Km	56357

Taulukko 1. Malmin lentokentän läheisyydessä asuvien ihmisten lukumäärät esitettynä 1 km ja 2 km säteillä.

 

Malmin lentokentän jälkeen siirryin Helsinki-Vantaan lentokentän pariin. Ensimmäiseksi suoritin samat laskutoimitukset, kun Malmin kentälle. Tämä sujui tässä vaiheessa jo varsin mutkattomasti.  Pahimpien melualueiden (eli 65dB ja 55dB) laskujen jälkeen QGIS kuitenkin romahti ja kaikki tekemäni hävisi kuin tuhka tuuleen. Tästä johtuen alla olevan taulukon luvut, joita en tietystikään muistanut saman tien ottaa ylös, ovat kirjoitettu sen perusteella mitä ulkoa muistin (Taulukko 2).

Kysymykset	Vastaukset
Asukkaat 2 Km säteellä Helsinki-Vantaasta	10374
Asukkaat 65dB melualueella	n. 370
Asukkaat 55dB melualueella	11913

 

QGIS:n kaatumisen jälkeen tehtävien jatkaminen tuntui mahdottomuudelta, joten turvauduin lukemaan ja vertailemaan muiden kurssilaisten blogitekstejä. Kaikilla näytti olevan toisistaan poikkeavia vastauksia tehtäviin, mikä herätti samanaikaisesti kysymyksiä tuottamani tiedon oikeellisuudesta, mutta tuntui myös lohdulliselta.  Kuten Sara Saastamoinen blogissaan tuo esiin, tuottamamme paikkatiedon luotettavuus onkin riippuvaista paikkatieto-ohjelmiston käyttäjästä.

 

Lähteet:

Saastamoinen, Sara (2019). Kurssikerta 5. 11.6.2019 https://blogs.helsinki.fi/saasara/2019/02/19/kurssikerta-5/

Viikon harjoituksessa pyrin toteuttamaan ruututeemakartan Helsingin alueesta. Tavoitteena oli tutustua piste- ja ruutumuotoisiin aineistoihin sekä luoda uutta tietoa olemassa olevaan tietokantaan maantieteellisten kohteiden avulla. Käsittääkseni ruututietokannat tulevat Tilastokeskuksen tuottamasta aineistosta, joiden aluejakona on hyödynnetty tilastoruudukkoja. Ilmiön kuvaus siis rajautuu ruudun kokoon.

Aloitin tehtävän luomalla QGIS:ssä yksinkertaisen 250 m x 250 m ruudukon, jonka avulla tein väestöntiheyskartan. Väestöntiheyskarttaan tarvitaan paikkasidonnaista tietoa, joten liitin join-toiminnon avulla pistedataa väestön sijainneista. Vielä lisäämällä tähän tuotokseen tiedon väestön kielisyydestä sain aikaiseksi ruututeemakartan pääkaupunkiseudun muunkielisten asukkaiden määrästä (Kuva 1). Tilastokeskus määrittelee muunkieliseksi käytännössä asukkaan, jonka äidinkieli on jokin muu kuin suomen- tai ruotsin kieli (Tilastokeskus 2017).

Teemakarttaani valikoitui siis Tilastokeskuksen vakiintuneessa käytössä oleva ruutukoko 250 m x 250 m (Tilastokeskus). Ruudukko sopi tehtävänannon kannalta periaatteessa alueeseen, mutta karttaan olisi voinut soveltaa myös esimerkiksi 500 m x 500 m ruudukon, mikä olisi tehnyt siitä helppolukuisemman. Muuten kartta onnistui ulkoasussaan melko hyvin.

Ruutumatriisi kykenee ainoastaan esittämään absoluuttisia arvoja. Kartassa esitetyt suuret arvot eivät siis ole suhteessa koko väestön määrään välttämättä kovin suuria, vaikka karttaesitys antaakin niin ymmärtää. Kartta olisikin kannattanut toteuttaa prosentuaalisesti, kuten Susanna Kukkavuori blogissaan. Kartta antaa lisäksi virheellisesti ymmärtää,  että muunkielisyys keskittyisi erityisesti tiettyihin alueisiin. Luultavasti muunkielinen väestö lähinnä mukailee pääkaupunkiseudun väestön jakautumista, kuten Ilona Tuovinen on kirjoittanut.

 

Lähteet:

Suomen virallinen tilasto (SVT): Perheet (verkkojulkaisu). ISSN=1798-3215. Vuosikatsaus 2017, 2. Viisi prosenttia perheistä kokonaan vieraskielisiä. Tilastokeskus. 18.2.2019. http://www.stat.fi/til/perh/2017/02/perh_2017_02_2018-12-05_kat_002_fi.html

Tilastokoulu – opi ymmärtämään ja käyttämään tilastoja: Tilastoteemakartat (2018). Tilastokeskus. 18.2.2019. https://tilastokoulu.stat.fi/verkkokoulu_v2.xql?page_type=sisalto&course_id=tkoulu_teemak&lesson_id=4&subject_id=3

Kukkavuori, Susanna (2019). Pisteistä ja ruuduista. 18.2.2019. https://blogs.helsinki.fi/kukkasus/2019/02/15/pisteista-ja-ruuduista/

Tuovinen, Ilona (2019).  Viikko 4 – Rasteriruuturuuturasteri?! 18.2.2019. https://blogs.helsinki.fi/tuoilona/2019/02/07/viikko-4/

Ensimmäisessä harjoituksessa tutustuin Afrikan valtioiden nimet ja rajat sisältävään tietokantaan. Tavoitteena oli liittää tietokantaan ulkoista tietoa sekä harjoitella join-toimintoa. Toin Excel-tiedostona valtioiden asukaslukumäärät sekä internetin käyttäjien määrät, jotka muutin ensin yhteensopivaksi QGIS-ohjelmiston kanssa. Tämän jälkeen liitin tiedot taulukkomuotoon. Liitettyjen tietojen avulla oli mahdollista laskea se osuus väestöstä, joka käyttää internetiä. Internetin käyttäjien osuuden kasvulla on yleisesti nähty korrelaatio alueen kehittyvyyden kasvuun.

Tämän jälkeen tarkastelin tietoja valtioiden konflikteista, öljykentistä sekä timanttikaivoksista. Tarkoituksena oli tuoda lisää tietoa valtioista tietokantaamme haluttujen muuttujien sijainnin perusteella. Pohdin, onko luonnonvarojen sijanneilla yhteyttä konfliktien sijainteihin tai niiden ajankohtiin. Mielestäni konfliktit ovat kaiken kaikkiaan levittäytyneet melko tasaisesti riippumatta luonnonvarojen sijainnista. Konfliktit tuntuvat kuitenkin varsinkin keskittyvän Saharan eteläpuoliselle alueelle, joka on erityisen köyhää. Näenkin suuremman yhteyden valtioiden ekonomisella ja sosiaalisella kehittyneisyydellä konflikteihin, kuin niinkään luonnonvaroilla. Kuten Peter Osunde tuo esiin artikkelissaan, taloudellinen hyväksikäyttö, eriarvoisuus, etniset erot ja poliittinen syrjäytyminen ovat yleensä useimpien aseellisten konfliktien keskipisteitä. Luonnon resursseilla on merkitystä, mutta on huomattava, että harvat konfliktit ovat johtuneet yksinomaan luonnonvarojen esiintymisestä alueella (Osunde).

Kurssikerran varsinaisena harjoituksena oli tuottaa itsenäisesti tulvaindeksikartta, jonka toteutin tietokannan tarjoamien tietojen avulla Suomen päävaluma-alueista. Tulvaindeksi kuvaa kuinka moninkertainen tulvahuipun vesimäärä on keskimääräiseen keskivirtaamaan verrattuna, eli käytännössä joen tulvaherkkyyttä. Tulvaindeksi saadaan jakamalla keskiylivirtaama keskialivirtaamalla (eli MHQ / MNQ). Lisäsin vielä koropleettikarttaan tiedot alueiden järvisyysprosenteista harjoitetun join-toiminnon avulla (Kuva 1).

Kartasta näkee, että tulvaindeksi ja alueen järvisyys ovat kääntäen verrannollisia. Tulvaindeksi on siis suurta siellä, missä järvisyys on vähäistä. Tämä liittynee järvien vedenvarastointikykyyn, mikä vähentää jokien tulvaherkkyyttä. Karttateokseni esittää halutut tiedot melko selvästi värityksen ja legendansa puolesta. Järvisyyden olisin voinut esittää tarkemmin, kuten Anttoni Tumanoff blogissaan, jossa järvisyydet esitetään kokonaan erillisenä kaaviona. Nyt järvisyyden eroja on hankala verrata toisiinsa. Myös ympyrädiagrammit olisivat voineet olla toimivia kuvaajia pylväsdiagrammien sijaan.

Lähteet:

Osunde, Peter (N.d). Evaluate the link between natural resources and conflict.

https://www.academia.edu/9349031/Evaluate_the_link_between_natural_resources_and_conflict

Anttoni Tumanoff (2019). Tietokantaliitoksia ynnä muuta. 6.2.2019

https://blogs.helsinki.fi/gis-1-anttoni/2019/01/29/tietokantaliitoksia-ynna-muuta/

Viikon kurssiharjoituksen tarkoituksena oli vielä syvemmin tutustua QGIS-ohjelmiston sekä -tietokantojen perushallintaan. Perehdyin myös erilaisiin projektioihin ja siihen, miten ne konkreettisesti vaikuttavat karttojen pinta-alojen esityksiin sekä minkälaisia eroja projektioissa on havaittavissa. Karttaprojekteissa pyritään esittämään kolmiulotteinen Maapallo kaksiulotteisesti, jolloin ne ovat vääjäämättä vääristyneitä. Esityksessä siis automaattisesti joko välimatka, pinta-ala, muodot tai suunnat vääristyvät. Yleisesti projektiot ovat joko oikeapintaisia, oikeakulmaisia- tai oikeapituisia. Onkin käyttötarkoituksesta riippuvaista, mitä projektia olisi sopivinta soveltaa.

Aloitin harjoituksen tutustumalla valinta- sekä mittaustyökaluihin. Mittasin Suomi-neidon päähän piirretyn ”hatun” pinta-alan sekä Vaasan kohdalle piirretyn itä-länsi-suuntaisen pituuden erilaisin projektion. Vertailuun valikoitui Mercatorin projektio, Cassini sekä Lambertin tasoprojektio (Taulukko 1).

Kuten taulukosta näkee, projektioiden esityksissä on eroja, jotka vaikuttavat osaltaan niiden luotettavuuteen. Hyödynsin Tissot’n indikaattoria kuvastamaan näitä eroja (Kuva 1). Tissot’n indikaattori kuvaa kartalle piirrettyjen soikioiden avulla esiintyviä vääristymiä, mikä mielestäni helpottaa karttaprojektioiden vertailua (Buckley 2011).

Seuraavaksi tuotin kartan, jossa ilmenee projektioiden väliset erot pinta-alojen esityksissä. Aineistona hyödynsin Suomen 2015 kuntapohjaa, jonka avulla eroavaisuuksia oli mahdollista tarkastella alueellisesti koko Suomen osalta. Ensimmäinen tuotokseni vertaa pinta-alan vääristymiä Lambertin oikeapintaisen tasoprojektion ja Mercatorin oikeakulmaisen projektion välillä (Kuva 2).

Tämän jälkeen vertailin Winkel Tripel-projektiota Lambertin karttaprojektioon (Kuva 3). Winkel Tripel pyrkii minimoimaan aiemmin mainitut kolme vääristymää luoden alueesta jonkinnäköisen kompromissin. Molemmissa kartoissani pinta-alan vääristymät kasvavat kohti pohjoista, vaikkakin kartat näyttävät erilaisilta projektioidensa esitystavan johdosta. Kuten Iina Rusanen blogitekstissään tuo esiin, olisin voinut valita värimaailmat karttoihin paremmin. Karttaesitykset näyttävät vääristävät pinta-alaa yhtä paljon, vaikka Winkel Tripel-projektio tosiaan kompromissiprojektiona vääristää huomattavasti vähemmän.

Kaiken kaikkiaan harjoitukset tarjosivat runsaasti toistoa, jolloin QGIS-sovellus tuntuu jälleen tutummalta ja helppokäyttöisemmältä. Projektio-asiat ovat myös vähän tuoreemmassa muistissa. Lienee tärkeää muistaa, että eri projektioiden ominaisuudet muovaavat aina karttaesityksen visuaalista lopputulosta, jolloin alueellista tietoa esittäessä on tärkeää kiinnittää huomiota projektion valintaan.

 

Lähteet:

Aileen Buckley (2011). Tissot’s indicatrix helps illustrate map projection distortion. 30.1.2019

https://www.esri.com/arcgis-blog/products/product/mapping/tissots-indicatrix-helps-illustrate-map-projection-distortion/?rmedium=redirect&rsource=blogs.esri.com/esri/arcgis/2011/03/24/tissot-s-indicatrix-helps-illustrate-map-projection-distortion

Winkel.org. Winkel Tripel Projections. 30.1.2019

http://www.winkel.org/other/Winkel%20Tripel%20Projections.htm

Iina Rusanen (2019). Karttaprojektiot QGIS:ssä. 30.1.2019

https://blogs.helsinki.fi/iinarusa/

Ensimmäisen kurssikerran tavoitteena oli tutustua QGIS-ohjelmiston perusteisiin sekä luoda koropleettikartta, joka kuvastaa Itämerta reunustavien valtioiden typpipäästöjä. Tämän jälkeen tarkoituksena oli vielä tehdä teemakartta opitun perusteella. Muista kurssilaisista poiketen olen ehtinyt jo opetella QGIS-ohjelmiston perusteet edeltävillä kursseilla, minkä johdosta ensimmäisen kurssikerran tehtävä tuntui suhteellisen helpolta. Toki ohjelmiston opettelu uudelleen tauon jälkeen vei oman aikansa.

Typpipäästöjä kuvaavasta koropleettikartastani tuli hyvin pelkistetty (Kuva 1). Useiden valtioiden rajat hävisivät jo varhaisessa vaiheessa taiteillessani karttaa, enkä saanut niitä usean yrityksenkään jälkeen palaamaan. Toisaalta kartta on ainakin yksinkertaisuudessaan helppolukuinen. En myöskään muistanut  korostaa Itämerta juurikaan, vaikka kartan tarkoituksena oli vertailla, kuinka suuri osuus kullakin valtiolla on Itämereen ajautuvista päästöistä. Typpi ajautuu Itämereen pääasiassa yhdyskunnista sekä maataloudesta, jossa sitä hyödynnetään ravinteena viljelykasveille (SYKE 2018). Typen ajautumisella vesistöihin on suora vaikutus ravinnepitoisuuksien kasvuun, joka rehevöittää Itämerta ja voi sitä kautta muuttaa koko alueen ekosysteemiä (Furman et al. 2014)

En myöskään tiennyt minkälaista luokittelutapaa tehtävässä tulisi käyttää: luonnollisia luokittelurajoja, tasavälejä vai kvantiileita. Päädyin käyttämään kvantiileita, jossa jokaisessa luokassa on yhtä monta havaintoa. Luokitteluvirheen johdosta esimerkiksi Ruotsin ja Puolan päästöt näyttävät yhtä suurilta, vaikka Puolan osuus on pyöristettynä yli 30%, kun taas Ruotsin osuus on lähempänä 10 %. Vilma Pylkön kartta onkin mielestäni tietosisällöltään oikeellisempi kuvaus typpipäästöjen suuruuksista.

Toisen tehtävän aiheen valitsin suoraan kurssikansiosta saatavilla olleista aineistoista. Vertailin vuokra-asuntojen osuutta asumismuotojen kokonaismäärästä kunnittain (Kuva 2). Vuokra-asuntojen määrä on  kasvussa isoissa kaupungeissa, etenkin yliopistokaupungeissa (Tilastokeskus 2018). Tämä mielestäni tuleekin hyvin esille kartastani. Tällä kertaa myös luokittelin aineiston luonnollisin luokittelurajoin ja uskoisinkin, että tuotos on edellistä oikeellisempi.

Lähteet:

Itämeren typpikuorma Suomesta (2018). Suomen Ympäristökeskus. 21.1.2019 https://www.ymparisto.fi/fi-FI/Meri/Mika_on_Itameren_tila/Itameren_typpikuorma_Suomesta(31457)

Eeva Furman, Mia Pihlajamäki, Pentti Välipakka & Kai Myrberg (2014). Itämeri – Ympäristö ja ekologia. Suomen Ympäristökeskus. 21.1.2019 http://www.syke.fi/fi-FI/Julkaisut/Esitteet/Itameri__ymparisto_ja_ekologia_tietopake(28801

Pylkkö, Vilma (2019). Ensiaskeleet QGISillä. 21.1.2019 https://blogs.helsinki.fi/vipy/

Vuokra-asuminen yleistyy – pienet asunnot useimmiten vuokralla (2018). Tilastokeskus. 21.1.2019 https://www.stat.fi/til/asas/2017/01/asas_2017_01_2018-10-10_tie_002_fi.html