Lisää QGissiä ja projektioiden tarkastelua

Toisella kurssikerralla leikimme erilaisten projektioiden kanssa. Lopputuloksena syntyi kaksi eri karttaa, jotka kuvastavat eri projektioiden pinta-alavääristymiä.

Kuva 1. TM35FIN vs World Winkel Tripel pinta-alavääristymän kertoimet 

World Winkel Tripel -projektion vääristymät olivat Suomeen kohdistetun TM35FIN-projektioon verrattuna 1,232-1,555 -kertaisia. Vääristymiä siis on, mutta pinta-aloihin ne eivät vaikuta mitenkään valtavasti. Vääristymä kasvaa pohjoiseen päin siirryttäessä, niin kuin kuvasta 1 näemme. Kuvasta 2 taas näemme sen, miten vaikka pinta-aloissa vääristymät eivät ole niin suuria, muodoissa niitä on taas paljon.

Kuva 2. TM35FIN vs World Winkel Tripel pinta-alavääristymät esitettynä Winkel Tripel  -projektiolla

Toinen projektio jota tutkailin, oli World Mercator -projektio. Niin kuin kuvan 3 legendan arvoista näemme, Mercator-projektiolla pinta-alojen vääristymät ovat todella suuria. Kerroin on 3,95-8,26 ja niin kuin Winkel Tripelin kohdalla, tälläkin projektiolla vääristymä kasvaa pohjoiseen liikuttaessa. Mercator-projektiolla esimerkiksi yksittäisten kuntien muodot eivät ole yhtä vääristyneitä kuin Winkel Tripel -projektiolla, mutta Suomen pohjoisosien paisumisen näkee selvästi (kuva 4).

Kuva 3. TM35FIN vs World Mercator pinta-alavääristymän kertoimet 

 

  Kuva 4. TM35FIN vs World Mercator pinta-alavääristymät esitettynä Mercator-projektiolla

Valitsin kartoissa käyttämäni väriskaalan opettajan esimerkin mukaan, mutta lukiessani Atte Nevalan blogipostausta Projektiot ja niiden aiheuttamat vääristymät (2024), aloin ajattelemaan, olisiko eri värivalinta ollut sittenkin parempi. Tällaisessa aineistossa, jossa luokat menevät suuruusjärjestyksessä eivätkä ole mitään erillisiä luokkia, olisi voinut hyvin käyttää yhden värisävyn skaalaa, joka olisi ehkä paremmin kuvastanut pinta-alakertoimen suuruden kasvua. Nevala käytti kartoissaan vaaleankeltaisesta tummanpunaiseen kulkevaa väriskaalaa, joka oli mielestäni erittäin toimiva.

Toinen kiinnostava asia Nevalan postauksessa oli poikittaisen Mercatorin käyttö, jolloin vääristymä kasvoi sivusuunnassa lännestä itään päin. Pinta-alakertoimet eivät kyseisen projektion kohdalla olleet kovin suuria, ja Nevala pohtikin vahvojen värisävyjen käyttöä sellaisessa tilanteessa, jossa vääristymät eivät oikeasti olekkaan kovin suuria. Tämä oli mielestäni hyvä havainto. Tältä kantilta katsottuna opettajan ehdottama väriskaala olikin ehkä toimivampi, koska värisävyt eivät ole niin ääripäitä, vaan värejä on monia.

Lopuksi

Karttojen tekeminen sujui tunnilla ihan hyvin, mutta QGissin kaatuessa kurssikerran lopussa ennen kuin ehdin tallentaa mitään tekemistäni kartoista, pieni masennus iski päälle. Kun jouduin tekemään kartat uudestaan ilman Artun apua, monet viime viikolla läpikäydyistä toiminnoista olivat ehtineet unohtua. Onneksi on kavereita, jotka osaavat auttaa näissä asioissa, mutta nyt tuli kyllä selkeäksi se, että paljon on vielä QGissin kanssa opeteltavaa ja jos asioita ei kertaa, helpotkin jutut unohtuu.

Lähteet

MAA-202: Geoinformatiikan menetelmät 1 – Kurssikansio 2: kunnat2020_tilastoja.shp

Tilastokeskus – Kartta-aineistot https://www.stat.fi/tup/karttaaineistot/index.html

Nevala, A. (2024). Aten blogi – Projektiot ja niiden aiheuttamat vääristymät. Viitattu 31.1.2024.

 

QGis ja oma oppimiseni

Ensimmäisen kurssikerran luento-osuus oli aika lailla kertausta TEM-kurssin ja ekan GIS-kurssin jutuista. Vaikka asiat olivat tuttuja, tuntui silti hyödylliseltä saada muistutus esimerkiksi paikkatiedon määritelmästä ja rasteri- ja vektorimuotoisten aineistojen ominaisuuksista, varsinkin näin joululoman jäljiltä. Tutustuimme uuteen ohjelmaan, QGis:iin, joka ensimmäisellä kokeilulla vaikutti ihan käyttökelpoiselta ja mukavalta. Harjoittelimme ohjelman käyttöä tehden samalla karttaa Itämerta ympäröivien maiden Itämereen päästämistä typpipäästöistä (Kuva 1).

Karttaa tehdessä käytimme monia ohjelman ominaisuuksia, mutta vaatii varmaan monia toistoja ennen kuin ne jäävät kunnolla mieleen. Kurssin pienet ryhmäkoot tukevat ainakin omaa oppimistani, kun jäädessäni jumiin saan heti apua ja pääsen taas eteenpäin. Opettajajohtoinen kartan tekeminen on näin alussa minulle hyvä tapa oppia uuden ohjelman käyttö, mutta huomaan usein turhautuvani, jos eteneminen on todella hidasta. Siksi varsinkin silloin, jos ohjelma on jo tuttu, tykkään myös tehdä tämän tyylisiä tehtäviä itsenäisesti, varsinkin kun tiedän, että apu on lähellä.

Kuva 1. Itämeren typen päästöjen osuus maittain

Valmis tuotos

Kartasta tuli mielestäni hyvin luettava ja selkeä. Jos johonkin asiaan olisin vielä halunnut palata, se olisi ollut typen päästöjen luokat. Tällaisessa luokittelussa en vielä oikein osaa sanoa, mikä luokittelutapa on paras ja millä tavalla esitän tiedon niin, että se antaa mahdollisimman todenmukaisen kuvan aineistosta. Luokkarajojen sijoittaminen vaatii siis vielä treeniä ja toivon sen mukana tulevan myös itsevarmuutta, koska niin kuin meille sanottiinkin luennolla, näihin asioihin ei aina ole yhtä oikeaa vastausta. Värisävyissäkin on hiomisen varaa, mutta informatiivisuuden kannalta kartta kuitenkin kertoo sen, mitä sen on tarkoituskin.

Veera Matikaisen blogia lukiessani tajusin myös, että luokkarajojen valinnanvaikeutta olisin voinut keventää sillä, että olisin lisännyt maiden kohdalle niiden typen päästöjen osuuksien prosenttiluvut. Näin kartan katsoja saa heti ensimmäisellä vilkaisulla kokonaiskuvan värien avulla, mutta näkee myös tarkat arvot kartalta. Uskon, että tällainenkin valinta olisi sopinut karttaan, jossa ei ole mitenkään liikaa sisältöä niin, että siitä tulisi sekava jos prosenttiluvut lisäisi.

Järvien ja syvyyskäyrien esittäminen kartalla tuntuu visuaaliselta kantilta katsottuna turhalta, mutta toisaalta näillä saattaa olla merkitystä typpipäästöihin. Järviin ehkä jää varastoon typpeä, joka muuten olisi joutunut mereen, ja syvyyskäyrät ainakin näyttävät katsojalle, miten matala ja näin ollen myös vähävetinen meri Itämeri on. Vähäisessä vesimäärässä typpi vaikuttaa voimakkaammin kuin isommissa ja syvemmissä merissä, ja tällöin typen aiheuttama rehevöityminenkin on voimakkaampaa.

Valtoista Suomi, Viro, Liettua, Tanska ja Saksa ovat päästöjen osuudessa alle 8 prosentin luokassa, Ruotsi, Latvia ja Venäjä ovat 8-13,3 prosentin luokassa ja Puola yksinään 13,3-33,7 prosentin luokassa. Vaikka tarkkoja prosentteja ei kartalla esitetä, tästä viimeisestä luokasta kartan katsojakin voi päätellä, että Puolan typen päästöjen osuus on tämä 33,7 prosenttia, joka on luokan yläraja. Tämä on siis kolmannes kaikista Itämereen joutuvista typen päästöistä. Kartta ei tarjoile sen katsojalle mitään syitä näille arvoille, mutta niiden taustalla ovat varmaan monet asiat. Heikki Säntti pohtii blogissaan teollisuuden ja ympäristömääräyksien vaikutusta typpipäästöihin. Jos asiaan syventyisi tarkemmin, tulisi varmasti esille juurikin näihin asioihin liittyviä tekijöitä, joissa Puola eroaa muista Itämerta ympäröivistä maista. Säntti pohti myös rantaviivan pituuden ja maan väkiluvun merkitystä päästöihin, mutta ainakaan tämä kartta ei paljasta mitään suoraa yhteyttä näiden tekijöiden ja typen päästöjen määrän välillä.

Lähteet

MAA-202 – Geoinformatiikan menetelmät 1. Kurssikansio. HELCOM marine area.shp, Lakes.shp, Administrative boundaries.shp, Depth contours.shp ja Nitrogen Inputs.shp

Matikainen, V. (2024). Veeran Gis-blogi : ) – Ensimmäinen kurssikerta. Viitattu 22.1.2024.

Säntti, H. (2024). Heiggi’s blog – Ensimmäinen kurssikerta. Viitattu 24.1.2024.