Miia Vuolle

Päätin sitten mennä vaikeamman kautta. Viimeisellä GIS-tunnillamme saimme tehtäväksi luoda vapaasti minkä tahansa itseään kiinnostavan paikkatietoa hyödyntävän projektin. Hetken mietittyäni mieleeli tulivat metsät ja niiden ikärakenteesta muodostettava koropleettikartta. Lisämausteeksi sopisi muutama lajihavainto sekä luonnonsuojelualueet. Niimpä ryhdyin hommiin.

Kartan aineistojen lähteinä käytin Tilastokeskusta, Luke luonnonvarakeskuksen tilastokantaa, Laji.fi:tä sekä Syke.fi:tä. Näistä löysin tietoa muun muassa maakuntarajoista, metsien ikärakenteesta maakunnittain, lajihavainnoista sekä luonnonsuojelualueista. Kaikkien muiden osalta siirto QGIS-ohjelmaan sujui lähes ongelmitta, paitsi tietenkin tuon pääidean mukaisen metsätiedoston osalta, mikä osoittautui lopputunnin vieväksi työksi. Olin tässä vaiheessa siirtänyt tiedot Exceliin, jossa seuraavana tehtävänäni olisi sopivilla laskukaavoilla saada luvut järkevämpään ja käytännöllisempään muotoon. Tiedostoni näytti seuraavalta.

Kuva 1: Alkuperäinen taulukko Suomen metsien ikärakenteesta ja pinta-aloista.

Kuva 1 kertoo, mikä määrä hehtaareina minkäkin ikäistä metsää Suomen maakunnissa kasvaa. Tiedot on kerätty vuosina 2017-2021, minkä mukaan rajasin myös myöhemmin esittelemäni liito-orava- ja karhuhavainnot. Jotta voisin esittää ikärakennetta kartassani, täytyi minun muodostaa kunkin maakunnan metsille keskimääräinen ikä. Olin aivan hukassa, vaikka edellisestä pitkän matematiikan ylioppilaskokeestani olikin kulunut vasta vuosi. Päädyin siis kysymään neuvoa ystäviltäni sekä internetin ihmeellisestä maailmasta. Tuloksia syntyi googlettamalla, kun löysin vihdoin kaavan luokitellun aineiston keskiarvon laskemiseen, jonka tutun tuttuni (kuulemma yliopistomatemaatikkoja) hyväksyivät, ja ryhdyin pikaisesti hommiin. Vielä seuraavana näkyy kyseinen kaava.

Kuva 2: Keskiarvon laskeminen luokitellusta aineistosta (Tilastokeskus).

Ensin arvot suhteutettiin kunkin maakunnan kokonaismetsäpinta-alaan, minkä jälkeen oli painotetun keskiarvon laskemisen vuoro. Tämän jälkeen tulokset kerrottiin luokkien määrällä eli kahdeksalla (laskuissani myös viimeinen luokka samaa muotoa eli 141-160 vuotta). Lopputuloksena olivat viimein varsinaiset ikäkeskiarvot kunkin maakunnan metsille. Laskut sujuivat Excelissä suhteellisen vaivattomasti, vaikka välivaiheita olikin paljon, sillä Excelin solukaava-menetelmä teki kaikesta helpompaa ja vähensi laskuvirheiden riskiä.

Kun kuitenkin yritin tuoda valmista CSV-tiedostoa QGIS:iin, kohtasin uuden ongelman: ä-kirjain ei tahtonut toimia, ja täten en pystynyt liittämään tietokantoja projektissa jo olevaan maakuntatiedostoon. Vaihdoin koodausta, kokeilin numeroita, vaihdoin sarakkeita teksti- ja numeromuotojen välillä niin useaan kertaan, etten enää muista mikä keino sai liitoksen lopulta toimimaan. Lisäksi atribuuttitaulukon muokkaus ei aluksi ollut mahdollista tason ollessa jollain tavalla lukittu, minkä selvittäminen vei huomattavasti aikaa. Vastaavien tapahtumien varalta tiedän kuitenkin nyt, että kun tuodun tason tallentaa uudeksi shapefile-tiedostoksi, avautuu myös sen muokkaaminen. Kiitos Kaisla Hietalalle, joka autoit pähkäilemään ongelmien kanssa! Myös Kaisla kertoo blogissaan oppineensa ratkaisuja moniin kokemiinsa ongelmiin, mikä on hienoa. Tekemällä oppii!

Kuva 3: Suomen metsien keskimääräinen ikärakenne, lajihavaintoja sekä luonnonsuojelualueet.

Siinä se nyt on, valmis luonnonmaantieteen karttani. Keskimäärin yli 80-vuotista metsää osoittautui kasvamaan hyvin suuressa osaa Suomea, mistä yllätyin iloisesti. Tarkemmin sanottuna kyseistä metsää kasvaa suunnilleen Kainuun, Pirkanmaan ja Etelä-Savon rajaamalla aluella, Keski- ja Itä-Suomessa. Suomen luonnonsuojeluliiton mukaan lapin metsistä jopa 75% on talousmetsää, mikä selittää sen, etteivät Pohjois-Suomen kunnat yltäneet korkeimpaan luokkaan. Kunnissa on kuitenkin myös luonnonvaraista metsää, joka säilynyt lähes koskemattomana. Nuorta, keskimäärin alle 20-vuotiasta metsää löytyy ainoana Ahvenanmaan kunnasta. Myös seuraavaa sijaa pitävät rannikkokunnat: Varsinais-Suomi, Pohjanmaa sekä Keski-Pohjanmaa.

Lajihavainnoista oli tarjolla monenlaisia suodattimia, ja valitsin itse vain varmistuneet havainnot tuloksen luotettavuuden varmistamiseksi. Lisäksi havainnot ovat vain vuosilta 2017-2021, kuten mainitsin aiemmin blogissa. Liito-oravat muodostavat selkeitä keskittymiä Etelä- ja Keski-Suomeen karhuhavaintojen levittyessä paljon harvemmin, lähes yksittäisiksi havainnoiksi. Suojelualueiden suuresta määrästä suorastaan yllätyin, vaikka ne eivät tosin ole kovin suuria lapin muutamaa aluetta lukuunottamatta.

Tarkoitukseni oli tutkia kartalla, sijoittuisivatko karhu- ja liito-oravahavainnot enemmälti vanhemman metsän alueille sekä luonnonsuojelualueille, mutta näin ei oikeastaan käynyt ilmi. Karhu suosii selkeästi enemmän yli 60 vuoden ikäisiä metsiä, mutta kartasta pelkästään on mahdotonta muodostaa kausaliteettia niiden välille. Karhujen reviireihin vaikuttavat varmasti monet muut muuttujat, kuten metsän tyyppi, laajuus sekä riistaeläinkannat. Suojelualueet puolestaan tekevät kartasta ehkä hieman liian sekaisen, mutta ne olivat kuitenkin tarkoituksen näkökannalta välttämättömät ja tuovat toisaalta mukavasti kirkasta väriä kuvaan. Voisi olla mielenkiintoista tehdä kartta uudestaan niin, että suojelualueiden värit vaihtuisivat niiden metsien iän mukaan.

 

Jälkipohdinta

Muistelen haikaillen ensimmäistä geoinformatiikan kurssia täällä yliopistossa, kun yritin itsenäisesti työstää jonkin kartan kotitehtävän onnistumisen innostamana. No eihän siitä tullut yhtään mitään, ja tajusin onneksi luovuttaa ajoissa. Nyt ovat taitoni aivan toiset ja kykenen jo tuottamaan haluamistani aiheista monipuolisia karttoja. Tämän kurssin viimeinen kerta näyttääkin konkreettisesti, kuinka mielenkiintoisen kartan voi luoda lähes tyhjästä omin neuvoin. Toki kaverin apu on joskus toivottavaa.

 

Lähteet:

Kansikuva https://www.metsagroup.com/fi/tietoa-metsa-groupista/kasvun-strategia/strategia-ja-arvot/

Hietala, K. (18.3.2023). Viimeinen kurssikerta. KH’s blog. Viitattu 21.3.2023. https://blogs.helsinki.fi/kaislahi/2023/03/18/viimeinen-kurssikerta/

Suomen luonnonsuojeluliitto. METSÄTALOUS. Viitattu 21.3.2023. https://www.sll.fi/lappi/toiminta/metsatalous/

Tilastokeskus. Tilastokoulu – Tilastojen ABC. Viitattu 1.3.2023. https://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_tlkt&lesson_id=4&subject_id=4&page_type=sisalto

Ulos keräämään oikeaa dataa! Miten mahtava tunti. Tunnin alussa sekä kotona olimme tutustuneet Epicollect5-sovellukseen, jota käytimme tällä kertaa datankeräysvälineenä. Sitten vain puimme lämpimästi päälle (ainakin minä), varmistimme että meillä on voimassa oleva bussilippu ja lähdimme noin 45 minuutin pituiselle seikkailulle Helsingin pakkaseen.

Kuva 1: Koettu turvallisuuden tunne Helsingin Kumpulan lähiympäristössä.

Kaduilla tarpomisen ja QGIS:llä säätämisen jälkeen tuloksena oli kuvan 1 kaltainen kartta, jossa esitän koettua turvallisuuden tunnetta Helsingin Kumpulan lähialueilla. Kartan mukaan suhteellisen turvalliseksi koetaan varsinainen kampusalue, Arabianrannan itäpuolinen alue sekä Kumpulan kasvitieteellinen puutarhan lähiympäristö. Sen sijaan turvattomuutta on havaittu erityisen paljon Kumpulan kampuksen liukkaassa mäessä sekä Vallilan varikon kohdalla.

Minä ja Atte Ahokas olimme ainoat ryhmästämme, jotka lähtivät bussilla Kumpulasta etelään. Olen siitä mielissäni, sillä saimme suurennettua kartan skaalaa mukavasti. Ensimmäisen pisteen, muistaakseni Ristikkokujan bussipysäkin, otto kuitenkin epäonnistui kohdallani, sillä olin vahingossa ottanut talteen pisteen koordinaatit kampuksella, enkä siis tajunnut virhettäni ennen pisteen julkaisua. Täten yksi piste kartalla sijaitsee väärässä paikassa, mutta toinpahan esille tästäkin luotettavuusongelmasta esimerkin. Olen sirti varsin tyytyväinen tähän tuotokseen!

 

Itsenäinen tehtävä

Myös kuudennen kerran itsenäistehtävä oli erittäin mielenkiintoinen, sillä tehtävänantona oli luoda valitsemastaan hasardista kolme vapaamuotoista karttaa, joita olisi mahdollista käyttää opetuksessa. Valitsin hasardiksi suhteellisen helpon aiheen, maanjäristykset sekä tulivuoret, mutta ei tuntia ilman vaikeuksia. Koin hankalaksi saada maanjäristystaulukon koordinaatit toimimaan QGIS:ssä, joskin aikani pähkäiltyä tajusin vaihtaa projektioksi sovelluksen default-projektion, joka sai pisteet vihdoin näkymään oikeilla paikoillaan. Lisämausteeksi toin karttoihin litosfäärilaattojen rajat. Kuvien 2-4 lähteinä toimii Yhdysvaltain geologian tutkimuskeskus (USGS), Yhdysvaltain kansallinen geofysiikan tietokeskus (NGDC) sekä Ahleniuksen, Nordpilin ja Birdin luoma aineisto github.com-sivustolla.

Kuva 2: Pienet maanjäristykset maailmalla vuonna 2022.

Ensimmäinen hasardikartta kertoo pienistä, tarkemmin sanottuna 2,5-4 magnitudin maanjäristyksistä. Litosfäärirajojen läheisyyteen osuvat järistykset sijoittuvat hyvin tarkkaan joko sivuamis- tai törmäysvyöhykkeille, sillä niissä laattojen väliin kerääntyy jännitettä, joka ajanmittaan purkautuu maanjäristyksenä. Muutamat erkanemisvyöhykkeellä tapahtuneet järistykset saattavat puolestaan olla peräisin tulivuorista, joita kuva 3 esittää. Litosfäärilaattojen kulkusuunnat olisi voinut olla hyvä lisäys karttoihin, sillä ne eivät vielä mielestäni ole liian monimutkaisia. Lisäksi se toisi mukaan uuden opetettavan asian, jonka voisi helposti yhdistää kartoilla jo esitettyihin aiheisiin.

Kuva 3: Aktiiviset tulivuoret maailmalla.

Eri lähteet määrittelevät aktiivisen tulivuoren käsitteen eri tavoin, mutta itse päädyin NGDC:n sivuston luokitukseen eli vuonna 1964 tai sen jälkeen tapahatuneisiin purkauksiin. Myös tulivuoret sijoittuvat siististi litosfäärilaattojen rajakohtiin kuumia pisteitä, kuten Havaijisaaria ja Ranskan Réunionia lukuun ottamatta. Erityisen paljon tulivuoria ja samoin myös tapahtuneita maanjäristyksiä sijoittuu Tyynenmeren tulirenkaalle eli Tyynenmeren ja Nazcan laattojen reunoille. Tästä tulikin mieleen, että varsinkin suurimpien litosfäärilaattojen nimet olisi voinut lisätä karttoihin tunnistusta helpottamaan.

Kuva 4: Voimakkaat maanjäristykset maailmalla vuonna 2022.

Vuoden 2022 voimakkaat maanjäristykset ovat vain muutamaa poikkeusta lukuunottamatta tapahtuneet litosfäärilaattojen rajakohdissa, ja suurin osa Tyynenmeren tulirenkaalla. Kartalta voidaan huomata esimerkiksi 6,1 magnitudin järistys Pakistanissa. (Kataja & Burtsoff, 2022). Kesäkuinen maanjäristys oli hyvin tuhoisa ja aiheutti ainakin 1 000 ihmisen kuoleman. Järistyksen takana on Arabian laatan liike kohti Euraasian laattaa.

Kuva 5: Maanjäristykset Utsjoen lähistöllä 2000-luvulla (Helsingin yliopisto, Seismologian instituutti).

Esimerkiksi jo olemassaolevasta kartta-aineistosta valitsin Helsingin yliopiston Seismologian instituutin kartan Pohjois-Norjan maanjäristyksistä. Kartta ilmentää tehokkaasti järistysten suuruuksia pallojen koolla ja näyttää jopa järistyskeskukset, mikä tuo karttaan todellisen tieteen tuntua. Maiden rajat ja taustakartta itsessään on jätetty vähäisempään huomioon pitämällä ne himmeinä, mikä sinäänsä vaikeuttaa hieman alueen tunnistamista. Lisäksi alueet, jossa järistyksiä on tapahtunut paljon, näyttävät sekavilta. En esittäisi kyseisen kaltaista karttaa lukiolaisille tai sitä nuoremmille opetuskäytössä, mutta yliopistolaisille se on jo ymmärrettävä.

Kurssitoverini Lucas Yoni keroo blogissaan erinomaisesti, mitä opetustarkoitukseen tehdyissä kartoissa on tärkeää näkyä. Hän mainitsee muun muassa helppolukuisuuden, kirkkauden, kontrastin, symbolien esittävyyden sekä kartan varsinaisen kiinnostavuuden. Mielestäni nämä toteutuvat hyvin Lucaksen kartoissa ja jotenkuten omissanikin. Sinäänsä tulivuoren perinteisenä symbolina toimii ruskea tai punainen kolmio, mutta toisaalta keltaiset tähdet tuovat mukavasti kirkasta väriä karttaan ja tekevät siitä ehkä puoleensavetävämmän. Lucaksen kartoista kauniit tekevät erityisesti pisteiden koko- ja värivaihtelut!

 

Lähteet:

Kansikuva https://en.wikipedia.org/wiki/Kumpula_Campus#/media/File:Physicum,_Kumpula_Science_Campus,_University_of_Helsinki.jpg

Helsingin yliopisto, Seismologian instituutti. (29.11.2021). Maanjäristys Norjassa herätti Utsjoella lauantain 27.11. vastaisena yönä. https://www.helsinki.fi/fi/seismologian-instituutti/ajankohtaista/maanjaristys-norjassa-heratti-utsjoella-lauantain-2711-vastaisena-yona

Hugo Ahlenius, Nordpil and Peter Bird. (6.10.2014). World tectonic plates and boundaries. https://github.com/fraxen/tectonicplates

Kataja, M. & Burtsoff, P. Tuhoisa maanjäristys tappoi ainakin tuhat ihmistä Afganistanissa – tuntui kolmen valtion alueella, uhreja voi paljastua lisää. Yle Uutiset. (22.6.2022).  https://yle.fi/a/3-12505737

Yoni, L. (23.2.2023). Viikko 6: Tarvottiin hangessa ja kerättiin dataa. GIS-AVAUTUMISET. Viitattu 20.3.2023. https://blogs.helsinki.fi/luberger/2023/02/23/viikko-6-tarvottiin-hangessa-ja-kerattiin-dataa/

Harjoituskerralla 5 tutustuimme erilaisten rajaustekniikoiden käyttämiseen. Käytimme muun muassa intersect, clip ja buffer -työkaluja tehokkaasti, ja loppujen lopuksi ne osoittautuivat yllättävän yksinkertaisiksi. Bufferin käytöstä liitinkin muutaman esimerkin alemmas. Näin jälkikäteen ajateltuna visuaalisuutta olisi parantanut huomattavasti bufferien läpinäkyvyys, kuten useat ovatkin tehneet.

Kuvat 1, 2 ja 3: Bufferit Pornaisten teiden, terveyskeskuksen ja koulun ympärille.

 

Kaikki kolme kuvaa ovat myös viime harjoituskerralla käytetystä Pornaisten kartasta (JEE!) ja kuvaavat asuinrakennuksia tietyltä etäisyydeltä valitsemistamme kohteista.  Kuvassa 1 kohde on tiet ja etäisyys 100 metriä, kuvassa 2 terveyskeskus sekä 500 metriä ja viimeisenä kuvassa 3 koulu sekä 1 kilometri. Tehtävämme kyseisistä kuvista olivat:

1. Laske tiebufferin sisältämien asukkaiden ja rakennuksien määrät sekä prosenttiosuudet kaikista asukkaista ja rakennuksista.
2. Laske terveyskeskuksen bufferin sisältämien rakennuksien prosenttiosuus kaikista rakennuksista.
3. Laske koulun bufferin ulkopuolelle jäävien rakennuksien prosenttiosuus kaikista rakennuksista.

Taulukko 1: Laskutehtäviä Pornaisten buffereista.

Kokosin tehtävän vastaukset Excel-taulukkoon ja merkitsin kysyttyjen kysymyksien vastaukset keltasella. Vastauksista voidaan huomata kuinka noin 20% Pornaisten keskustan asukkaista on asettunut asumaan teiden lähietäisyydelle luultavasti hyvien kulkuyhteyksien vuoksi. Suurempi osa asukkaista asuu kuitenkin kauempana teistä, esimerkiksi terveyskeskuksen lähelle, jossa asuu noin 28% asukkaista. Terveyskeskus sijaitseekin aivan Pornaisten keskiössä lähellä muita palveluja, kuten kauppaa, kirjastoa ja Postia. Tästä huolimatta yli 62% keskustan asukkaista asuu varsinaisen ydinkeskustan ulkopuolella.

 

Itsenäinen tehtävä 1

Lopputunnin kulutinkin seuraavan tehtävän parissa. Tehtävässä piirrettiin, laskettiin piirretystä alueesta bufferit ja näistä jälleen laskuja. En vielä selkeästi hallitse QGIS:in piirtotyökalua, sillä vaikka sain kuvat 4 ja 5 onnistumaan Malmin lentokentästä, en myöhemmin tehtävään palatessa osannut enää piirtää Helsinki-Vantaan lentokenttään pyydettyjä osia. Täytynee palata tulevaisuudessa uudelleen piirtoharjoitteluiden pariin.

Kuvat 4 ja 5: Bufferit Malmin lentokentän ympärille.

1. Laske asukkaiden määrä 1 km ja 2 km säteellä lentokentästä.
2. Laske, kuinka moni 1 km etäisyydellä olevista rakennuksista on rakennettu lentokentän käyttöönoton jälkeen ja kuinka paljon taloissa asuu asukkaita.

Taulukko 2: Laskutehtäviä Malmin lentokentästä.

Tällä kertaa merkitsin kysymyksen 1 keltaisella ja kysymyksen 2 punaisella, sillä jälkimmäinen oli lisätehtävä. Omiani sekä muiden kurssitoverieni, esimerkiksi Kiia Korpisen, vastauksia vertailtuani huomasin ensimmäisen kysymyksen lukujen olevan aivan pielessä. Sen sijaan lisätehtävästä sain lähes saman ratkaisun kuin Kiiakin. Siis osittainen onnistuminen?

 

Itsenäinen tehtävä 2

Tehtävä 2 koski taajamia, sekä niiden asukkaiden sekä erityisesti kouluikäisten asukkaiden määriä. Virallisen määritelmän (Wikipedian) mukaan Suomessa 7-16-vuotiaat ovat kouluikäisiä, joten näitä lukuja käytin myös tehtävässä. Vastaukset kysymyksiin merkitsin keltaisella, kuten aiemmissakin tehtävissä. Mielestäni tällä kertaa onnistuin paremmin, vaikka absoluuttinen lukuarvo heittikin niistä muutamista vastauksista, jota muiden blogeista löysin. Prosenttiarvot olivat kuitenkin lähes samat.

1. Laske taajamissa asuvien asukkaiden prosenttiosuus.
2. Laske kouluikäisten asukkaiden määrä taajamien ulkopuolella.
3. Kuinka monta prosenttia luku on kaikista kouluikäisistä.

Taulukko 3: Laskutehtäviä taajamista.

 

Jälkipohdinta

Saini Lankinen kertoo blogissaan “takaisin-napin” ikävöinnin loppumisesta, mikä oli mielestäni hauska maininta. Nyt tarkemmin ajatellessani toivoin itsekin alussa, että voisin vain pyyhkiä viimeisimmän tekoni yhdellä napinpainalluksella, ja toivon välillä yhä (varsinkin taistellessani sen piirtämisen kanssa…). On kuitenkin pakko myöntää, että olen oppinut useita tapoja korjata virheeni tämän napin puuttuessa, ja olen jo huomattavasti rennompi ohjelmaa käyttäessä. Mukavaa myös että useat pitivät tämän blogipostaukseni kansikuvasta ja mainitsivat sen omissa blogeissaan! <3

 

Lähteet:

Kansikuva: https://www.slideserve.com/ketan/vector-geoprocessing

Korpinen, K. (17.2.2023). Kurssikerta 5. GEOINFORMATIIKAN MENETELMÄT 1, 2023. Viitattu 13.3.2023. https://blogs.helsinki.fi/kiiakorp/2023/02/17/kurssikerta-5/

Lankinen S. (17.2.2023). Luento 5 ja tunnevuoristorata (part 2). SAINILAN’S BLOG. Viitattu 18.3.2023. https://blogs.helsinki.fi/sainilan/

Wikipedia. Kouluikä. Viitattu 15.3.2023. https://fi.wikipedia.org/wiki/Kouluik%C3%A4

Tästä tunnista pidin. Aiheenamme olivat tällä kertaa ruutukartat – mielettömän kiva uusi kokemus – sekä rasteriaineistot. Ruutukartassa kaikki ruudut ovat samankokoisia ja täten niillä voi myös esittää absoluuttisia lukuja toisin kuin koropleettikartassa. Tunnin aikana sain aikaiseksi kuvan 1 kartan.

Kuva 1: Ruotsinkielisten osuus Suomen pääkaupunkiseudulla.

Otsikkonsa mukaan kuva 1 esittää ruotsinkielisen väestön määrää Helsingin, Espoon, Kauniaisten ja Vantaan alueilla. Huomasin vasta jälkikäteen, että eräs luokittelun väreistä ja kuntien väri ovat lähes samat, mikä sekoittaa kartan antamaa kuvaa, mutta muuten työ on mielestäni onnistunut. Ruotsinkielisiä asuu huomattavasti eniten Helsingin kärjessä, sekä Espoon ja Helsingin keskusta-alueilla. Toki on myös otettava huomioon väestön suuri asumistiheys kyseisten ruutujen kohdalla. Pohjoiseen mentäessä vähenee niin ruotsinkielisen väestön määrä kuin asumistiheyskin.

Seuraavana tehtävänä saimme tutkia Pornaisten, siis oman kotikuntani rasterikarttaa. Olin hyvin iloinen tästä yllätyksestä ja varmaan hymyilinkin koko lopputunnin. Opettajan ohjastuksella yhdistimme siis ensin neljä eri tarkkuudella olevaa korkeusmallirasteriaineistoa yhdeksi “virtual rasteriksi”. Lisäksi teimme karttaan varsinaisen rinnevarjostetason sekä korkeuskäyrät 5 metrin välein.

Kuva 2: Pornaisten Myllykoski Maanmittauslaitoksen peruskarttalehdellä.

Kuva 3: Pornaisten Myllykoski QGIS-sovelluksella.

Kuvissa 2 ja 3 esitän Maanmittauslaitoksen tekemiä sekä itse tunnilla tekemiäni korkeuskäyriä Pornaisten Myllykosken alueella. Kuten myös toinen alueen hyvin tunteva Kiia Korpinen arvioi, ovat käyrät hyvinkin toisiaan muistuttavia. Tosin QGIS luo käyrät tietokoneen taidoilla, eikä osaa yleistää käyriä, jolloin tuloksena saattaa paikoin tulla liiankin tarkkaa käyrien mutkittelua. Pisteet QGIS:lle kuitenkin hyvästä yrityksestä. Kurssitoverini Kiia esittää itse piirtämänsä käyrät mielenkiintoisella tavalla: vaaleina viivoina tummaa korkeusmallia vasten, mikä saa ne erottumaan taustasta todella hyvin. Lopputulos on myös tyylikäs!

 

Kotitehtävä

Kuva 3: 0-17-vuotiaiden osuus Suomen pääkaupunkiseudulla.

Kuvan 1 kartasta sovelsin myöhemmin vielä toisen kartan (kuva 3). Halusin tutkia lapsiperheiden sijoittumista pääkaupunkiseudulla, ja ajattelin alaikäisen väestön kuvaavan tarkoitustani parhaiten. Lapsiperheitä on sijoittunut alueelle suhteellisen samankaltaisesti kuin ruotsinkielisiäkin lukuunottamatta koilliseen Lahdenväylää pitkin suuntautuvaa virtaa. Sofia Salosen karttaa pääkaupunkiseudun asukasmäärästä tarkasteltaessa voidaan huomata lapsiperheiden sijoittuvan valtaväestön mukaisesti, heidän välttäessä kuitenkin aivan Helsingin rantaviivaa ja työntyen vahvemmin esimerkiksi Vantaalle. Espoon keskustaa he eivät puolestaan karta, kuten Sofian toisen kartan yli 85-vuotiaat selvästi tekevät.

 

Lähteet:

Kansikuva: https://asunnot.oikotie.fi/myytavat-tontit/pornainen/16123745

Korpinen, K. (15.2.2023). Kurssikerta 4. GEOINFORMATIIKAN MENETELMÄT 1, 2023. Viitattu 8.3.2023. https://blogs.helsinki.fi/kiiakorp/2023/02/15/kurssikerta-4/

Salonen, S. (13.2.2023). Kurssikerta 4 – 8.2.2023. SOFIA’S BLOG. Viitattu 11.3.2023. https://blogs.helsinki.fi/sofisalo/2023/02/13/kurssikerta-4-8-2-2023/

GIS-kerralla 3 olin valitettavasti kipeänä, enkä meinannut oikein päässyt kärryille tunnin aiheesta itsekseni. Aiheena toimi tällä kertaa Afrikka, sen timanttikaivokset, öljykenttien poraaminen sekä konfliktit. Tuntitehtävässä taulukoiden sisältöjä muokattiin, sarakkeita yhdistettiin ja luotiin niihin jopa uutta tietoa laskukaavoilla. Koin aluksi vaikeuksia useissakin juuri mainitsemissani vaiheissa, mutta näin myöhemmin koen opit helpoiksi ja erittäin hyödyllisiksi. Jostain syystä QGIS kuitenkin kadotti osan työni tiedostoista, enkä saa sitä enää järkevän näköisenä auki, minkä vuoksi en lisää kuvaa blogiini.

 

Kotitehtävä

Kuva 1: Kartta Suomen valuma-alueiden virtaamavaihteluista.

Kuva 1 esittää Suomen erilaisia hydrologian piirteitä, kuten sen valuma-alueet, virtaamavaihtelut sekä järvi- ja maapinta-alojen osuuksia. Kuvan mukaan eniten virtaamavaihtelua koetaan Lounais-Suomessa, missä järvien pinta-alaosuus on kuitenkin erittäin pieni. Virtaamavaihtelujen voimakkuus keskittyy muutenkin rannikkoseuduille, joissa maasto on alavaa ja kaupunkien rakennettu maa vaikeuttaa veden imeytymistä. Toisin sanoen rannikkoseuduilla tulvariski on reilusti sisämaata suurempi, meren ollessa suurin riskin aiheuttaja. Sen sijaan järvipinta-ala on suurempaa Keski-, Itä- ja Pohjois-Suomessa, missä ylimääräisen veden on helpompi päästä takaisin kiertokulkuun aiheuttaen harvemmin tulvariskin.

Kurssitoverini Sini Koskela oli myös päätynyt ympyrädiagrammeihin järvisyyden osoittamisessa kartalla, mikä oli ilo huomata. Mielestäni Sini toi diagrammit itseäni selkeämmin esiin, sillä omalla kartallani niiden alla olevia virtaamavaihtelualueita on hieman vaikea erottaa. Myös Sinin valitsema vihreä väri on pirteä. Tulevana maanteiteilijänä hän lisäksi hoksasi hyödyntää aiempien kertojen aineistoja esimerkiksi kartan merialueiden värittämisessä ja toi karttaan vielä valtioidenkin rajat. Mikä mestariteos!

 

Lähteet:

Kansikuva https://www.reissusuomi.fi/alueet/jarvi-suomi/

Koskela, S. (2023). Luento 3: Kotoa käsin karttojen tekemistä. Kosini’s blog. Viitattu 3.3.2023. https://blogs.helsinki.fi/kosini/2023/02/13/luento-3-kotoa-kasin-karttojen-tekemista/

Toinen kurssikerta painottui projektioiden vertailuun ja tutkimiseen. Tehtävänämme oli luoda kartta Suomesta, josta näkee, kuinka paljon alueen pinta-ala vääristyy pohjoiseen mentäessä tietyillä projektioilla. Vääristymiä verrattiin Suomessa yleisesti käytettyyn ETRS89/TM35FIN-projektioon.

Kuva 1: Projektion vääristymäkertoimia Suomessa

Valitsimme verrattavaksi projektioksi Mercatorin projektion, sillä se vääristää niin pohjoisen kuin etelänkin aluetta täydellisen mehukkaasti kyseistä tehtävää varten. Kuvan 1 värit lähenevät sinisestä kohti punaista, kun vääristymäkerroin nousee. Kerroin saavuttaakin yli 6,99 Suomen käsivarren kohdalla.

 

Kotitehtävä

Yritin pitkään väsätä tunnilla aloitettua taulukkoa pinta-alan ja viivan pituuden vääristymisestä, mutta kotona homma ei sujunutkaan enää kuten tunnilla ja tajusin lopulta tehneeni koko taulukon aivan väärin. Yritin epätoivossani liittää edes vääränlaisen taulukon tänne blogiin, mutta en tahtonut onnistua edes siinä. Kohdatessani siis vain ongelmia toisensa jälkeen päätin antaa tämän kurssikerran tehtävien olla ja siirtyä eteenpäin.

Selatessani muiden blogeja huomasin kuitenkin esimerkiksi kurssitoverini Rebekka Ylätalon saaneen taulukot ja varsin hienot sellaiset tehtyä. Mukavaa, että joku onnistunut! Rebekan taulukoista huomaa hyvin, kuinka muun muassa Pattersonin ja Winkel Tripel -projektioiden pinta-alat ja pituudet vääristyvät hyvinkin voimakkaasti verrattuna Suomen omaan projektioon. Olen Rebekan kanssa samaa mieltä, että Equal Earth -projektio on taulukon vaihtoehdoista luotettavin korvaamaan ETRS89/TM35FIN-projektiota.

 

Lähteet:

Kansikuva: https://images.cdn.yle.fi/image/upload/f_auto,fl_progressive/q_88/w_1797,h_1011,c_crop,x_42,y_21/w_1200/v1496065206/17-83383592c242fa5fad.jpg 

Ylätalo, R. (2023). Kurssikerta 2: Projektiovertailuja. REBEN BLOGI. Viitattu 16.2.2023. https://blogs.helsinki.fi/rebekyla/2023/01/29/kurssikerta-2-projektiovertailuja/