GEM 1 – Kurssikerta 7

Kiitos opetuksen, olemme nyt valmiita GIS-guruja, joille tietokannat ovat selkärangassa ja aineistojen hyödyntäminen on silkkaa rutiinia. Olisimme siis valmiita kohtaamaan maailman meitä vastaan heittämät haasteet ja tekemään haluamamme karttasarjan itsenäisesti! Reisillehän se homma meni…

Olin suunnitellut kandin tutkintoni aiheeksi pääkaupunkiseudun vuokrien hinnan muodostumista ja tasoa sekä niiden alueellisuutta. Tämähän tarjoaisi mahdollisuuden optimointiin, joten suunnittelin tekeväni alustavia laskelmia ja karttoja aiheesta. Helsingin kaupunki ei kuitenkaan tarjonnut sopivaa aineistoa, sillä tarkkaa tietoa löytyi vain HITAS-asunnoista, eikä niissä ollut tarkkaa alueellisuutta. Kun yritin etsiä ja ladata kaupunginosien vektoritietokantaa sain vain 404-virhekoodin. Oli lohdullista todeta, että myös Lotalla (2018) oli ollut vaikeaa, ja tietokannat olivat kohdelleet myös häntä kaltoin.

Tilastokeskuksen datassa Helsinki oli jaettu neljään osaan, mikä taas ei olisi palvellut tarkoitustani ollenkaan. Pääkaupunkiseudun postinumerotietokanta olisi löytynyt, mutta ei siihen sopivaa dataa. Myös kaupunginosia koskeva data oli puutteellista, eikä senkään yhteensovittaminen oikein onnistunut.  Pohdin myös sen manuaalisesti muokkaamista järkevämpään muotoon, kunnes totesin illan eri tietokantojen yms. kanssa tapeltuani “fuck this shit”!

Sen siitä saa kun löytää itsestään ripauksen kunnianhimoa. Jatkossa kannattaakin pyrkiä menemään siitä mistä aita on matalin. No onneksi meille oli annettu valmiiksi linkit toimiviin ja hyväksi havaittuihin tietokantoihin. Jotta välttyisin uudelta tappiolta tietokantapirua ja yhteensopivuuspaholaista vastaan, päätin pysyä Suomen kamaralla ja hain Paitulista liikenneonnettomuuksien tietokannan, minkä alueellisuutta päätin tutkia. Pistemuotoisen aineiston (tieliikenneonnettomuudet) tiedot täytyi liittää polygonimuotoisiin  (maa)kuntiin (kuva 1).  Afrikka tehtävä tuli suoritettua kahteen kertaan, joten jopa minä osasin tämän välittömästi.

 

Kuva 1. Tieliikenneonnettomuudet suhteutettuna väkilukuun. Uusimaa nousee selkeästi esiin, joskin myös Pohjois-Savo on yllättävänkin korkealla tilastossa. Selkeää syytä tähän ei ole, mutta kysee saattaa olla myös vuosittaisesta vaihtelusta. Käytetyt tilastot ovat vuodelta 2015.

Uudenmaan nousu pahimmaksi liikenneonnettomuusalueeksi ei tullut yllätyksenä. Täällä on paitsi paljon teitä, myös vilkas liikenne. Vaikka luvut on suhteutettu väkilukuun, erottuu Uusimaa silti selkeästi. Lapissa harvemmin joutuu varomaan risteyksiä. Poroja kyllä riittää ja mietin saattaisivatko hirvet vaikuttaa Pohjois-Savon yllättävän suuriin onnettomuuslukuihin. Kuvasta 2 selviää, että mikäli tarkkaillaan pelkkää onnettomuuksien absoluuttista määrää, erottuvat kartasta ensisijaisesti vain suuret kaupungit.

Kuva 2. Vertailun vuoksi Kuvassa on liikenneonnettomuudet kunnittain. Suuret, vilkasliikenteiset kaupungit erottuvat selkeästi.

Palloittelin erilaisien muuttujien ja alueiden laskutoimituksilla ja esimerkiksi onnettomuuksien, väentiheyden ja kuntien suhde nosti esiin jokseenkin mielenkiintoisen ilmiön Enontekiöllä “käsivarressa”.  Kyseisen kunnan esille nousua selittänee se, että  Enontekiön väestötiheys on vain 0,24 asukasta/km2 (Suomen toiseksi harvimpaan asuttu kunta) ja sen läpi kulkee jokseenkin vilkasta liikennettä.

Tilastokeskuksella on muuten kätevä paikkatietosovellus, josta näkee erilaisten liikenneonnettomuuksien tietoja. https://stat.webigu.fi/?lang=fi

Olin kuitenkin hieman pettynyt karttoihini. Kyllähän ne ovat ihan informatiivisia, mutta jotain niistä vain puuttui. Petri (2018) oli tehnyt hyvin samankaltaiset kartat, joskin eri aiheista. Niissä kuitenkin oli viety havainnollistaminen seuraavalle asteelle tekemällä niistä animaatio, jossa osuudet vaihtelevat vuosien perusteella. Samankaltaisia animaatioita on netti pullollaan, mutta ne ovat mielestäni hyvin informatiivisia. Vaikka aiheena onkin opitun kertaus, niin ei kai se estä uusien asioiden opettelua?

Ajattelin tehdä  uuden karta jostain ‘Muricaan liittyvästä aiheesta, mutta paikallisen hallinnon  sivustolla on meneillään “system maintainance”, eli varmaan puhdistetaan kaikki ilmastonmuutokseen liittyvät tiedostot. Linkki EU:n tietoihin oli vanhentunut ja Afrikan aineistossa on omat haasteensa. Pysytään siis jatkossakin Suomessa. En ole yhtä rohkea kuin Lyyra (2018), joka teki hienon karttasarjan Keniasta. Ilmeisesti dataa kuitenkin löytyisi, joskaan sen luotettavuudesta ja ajantasaisuudesta ei voisi mennä takuuseen.

Alkuperäisenä suunnitelmana oli verrata taas Tilastokeskuksen tietoja. Tällä kertaa oppilaitosten (pistemuotoinen data), väestön ja ehkäpä vielä ruotsinkielisten osuutta. Lopulta tekisin näistä vaihteluista animaation. Kaikki ei taaskaan mennyt ihan putkeen, sillä vuoden 2014 data ei jostain syystä näykynyt ruudulla. Muut vuodet näkyivät aivan normaalisti niin kuin aina ennenkin. Uusi lataus yritys ei muuttanut tilannetta. Mystiset ovat QGis:n tiet! No eipä siinä mitään, mennään sittenkin vain kahdella vuodella. Periaate on kuitenkin sama ja loppuvaiheessa on vähemmän työtä.

Pohjimmiltaan näiden uusien karttojen teko oli hyvin samanlaista kuin aikaisempien. Ruotsinkielisten määrä oli prosentteina, joten oikeastaan eniten aikaa meni sen miettimiseen, miten ympyrädiagrammin luvut saadaan oikein. Myös muiden kuin ruonkielististen lukumäärä täytyi laskea kokonaisväestön perusteella. Ihmeellistä oli sekin kuinka uudet tekemäni kartat vain katosivat tietoineen päivineen! Mitään virheilmoitusta en saanut. QGis oli ilmeisesti kuullut kuinka tykkään tehdä karttoja uusiksi, joten se poisti vanhat kartat, jotta voin tehdä uudet kartat uusista kartoista samalla kun teen uusia karttoja! QGis, tuo uuden ajan Xzibit 😛

Animated GIF - Find & Share on GIPHY

Kuva 3. (Tai mika animaatio lieneekään). Asukkaiden määrä suhteessa oppilaitoksiin. Kuvasta näkee selkeästi kuinka suurissa kaupungeissa oppilaitoksia on selkeästi vähemmän suhteessa asukas määrään.

Suureen väestöön suhteutettuna pieni oppilaitosten määrä viittaa oppilaitosten suurempaan kokoon, mikä suuri väestöntiheys mahdollistaa. Sen sijaan pintapuolisen tarkkailun perusteella ruotsinkielisten suuri osuus ei näyttäisi ainakaan merkittävästi vaikuttavan oppilaitosten määrään vaan merkittävin tekijä on aikaisemmissa kuvissakin esiin noussut kunnan väkiluku ja väestön alueellinen jakautuminen.

 

Lähteet:

Furu, L. 25.3.2018. 7. Kurssikerta: Datan hankintaa ja oman kartan tuottamista. Viitattu 25.3.2018. https://blogs.helsinki.fi/fufufu/2018/03/25/7-kurssikerta-datan-hankintaa-ja-oman-kartan-tuottamista/

Mallinen, L. 7.3.2018. “How do you pick up the threads of an old life? How do you go on, when in your heart, you begin to understand, there is no going back?”. Viitattu 22.3.2018. https://blogs.helsinki.fi/lotmalli/2018/03/07/how-do-you-pick-up-the-threads-of-an-old-life-how-do-you-go-on-when-in-your-heart-you-begin-to-understand-there-is-no-going-back/

Manninen, P. 17.3.2018.  7. Kurssikerta. Viitattu 22.3.2018. https://blogs.helsinki.fi/mannipet/2018/03/17/7-kurssikerta/

Tilastokeskus 2018. Viitattu 25.3.2018. https://stat.webigu.fi/?lang=fi

Wikipedia 21.1.2018. Enontekiö. Viitattu 4.3.2018. https://fi.wikipedia.org/wiki/Enonteki%C3%B6

 

GEM 1 – Kurssikerta 6

Aiheena olivat pistekarttojen teko ja interpoloinnin hyödyntäminen. Ja aivan erityisesti niiden hyödyntäminen opetuskäytössä. Asensimme Epicollect5-mobiilisovelluksen ja lähdimme kävelemään raikkaan kirpeään talvisäähän. Harvemmin tulee arvostettua A113-luokan tunkkaista, mutta lämmintä ilmaa yhtä paljon. Luokassa yhdistimme keräämämme datan koetusta turvallisuudesta ja paikkatiedon Qgis:in Go2streetview pluginiin, mikä hyödyntää Googlen Streetview näkymiä. Sen jälkeen arvioimme Helsingin ydinkeskustan kortteleiden kaupallisuutta ja muita ominaisuuksia ja teimme niistä koropleettikartan. Harjoitusten jälkeen siirryimme varsiaisiin tehtäviin.

Alunperin kuvassa 1 oli datan tarjoamat kaikki yli 5:n Richterin maanjäristykset vuodesta 2002 lähtien. Näitä alle 6:n Ricterin järistyksiä on valtaosa kaikista maanjäristyksistä. Qgis ei valitettavasti (ainakaan minun tietääkseni) tarjoa mahdollisuutta nostaa tiettyjä lukuja pinnalle, mikäli ne ovat samalla layerillä. Tämä olisi johtanut suurempien ja harvinaisten järistysten jäämiseen pienempien pisteiden alle. Ne kuitenkin aiheuttavat suurimmat tuhot, jolloin niiden merkittävyys on suuri, vaikka niiden lukumäärä ei olisikaan. Tästä syystä poistin aineistosta kaikki alle 5.82 Richterin järistykset. Lisäksi yritin erilaisilla ja suurempi kokoisilla merkeillä kiinnittää niihin niiden ansaitsemaa huomiota. 

Kuva 1. Maanjäristykset ympäri maailmaa. Opetuksessa kiinnittäisin huomiota erityisesti Tyynenvaltameren tulirenkaaseen. Lisäksi yli 7,46 Ricterin asteikon järistyksiä on verrattain vähän.

Kokeilin myös tasaisia arvoja, mutta vaikka luvut olisivat olleet selkeitä, ei kartta ollut mielestäni yhtä informatiivinen. Esimerkiksi ainoa yli 9 Ricterin järistys Sendaista itään peittyi pisteiden alle samoin kuin nyt, mutta valkoisten pisteiden määrä kasvoi entisestään. Toisaalta niiden informaatio arvo on silti merkittävä, sillä tarkoitukseni on havainnollistaa, kuinka harvinaisia erittäin tuhoisat maanjäristykset viime kädessä ovat.

Kuva 2. Tulivuoret (punainen piste) ja niiden esiintymisalueiden hahmottamisen helpottamiseksi on lisätty heatmap. Ruotsissa ei ole oikeasti tulivuorta, vaan datassa on koordinaattivirhe.
Tectonic Plates of the World
Kuva 3. Litosfäärilaattojen liikkeet. Valtaosa maanjäristyksistä ja tulivuoritoiminnasta tapahtuu laattatektoniikkateorian mukaisesti mannerlaattojen saumakohdissa.
Kuva 4. Eveliina Sirolan tekemä kartta, jossa on eriteltynä eri tulivuorityypit. Valitettavasti Eveliinalla oli sama ongelmakuin minulla, eli merkit menevät helposti toistensa päälle, jolloin niiden luettavuus kärsii. Eveliina oli myös selvittänyt “Ruotsin” tulivuoren olevan Lakagigar, joka sijaitsee oikeasti Islannissa. (2018)
Kuva 5. Meteoriittikraaterit ympäri maailmaa. Meteoriittien putoamisalueiden voisi olettaa olevan pitkälti sattumanvarainen, siksi onkin merkittävää huomata tiedossa olevien kraatereiden olevan pitkälti joko tiheästi asutuilla alueilla tai aavikoilla, missä ne on helppo havaita. Myös bruttokansantuote/henkilö saattaa vaikuttaa löydettyjen kraaterien määrään.

Itseäni ainakin kiinnostaisi tietää, miksi Omanissa (Arabian niemimaan kaakkoiskärjessä on niin paljon meteoriittikraateireita. Rutiköyhän Yemenin vähäiset löydöt eivät ole ongelma, mutta rikkaan ja aavikkoisen Saudi-Arabian vähäiset löydöt selittynevät jollain muulla, kuten vähäisellä tutkimuksella ja kiinnostuksella tieteeseen.

Kuva 6. Maailman väestötiheys, joka vaikuttaisi omalta osaltaan korreloivan löydettyjen meteoriittien määrään. Ongelmana on tämän kaltaisen aineiston yhteensopivuus muun datan kanssa.

Suurimpana ongelmana tämän kaltaisissa tehtävissä oli valtavien aineistojen yhdistely toisiinsa tai ehkä tarkemmin sanottuna sen visualisointi. Jo pelkkä maanjäristystietokanta oli niin massiivinen, että se informatiiviseksi saattamiseksi sitä oli karsittava raskaalla kädellä. Interpolointi tarjoaa ratkaisuja vain tiettyyn pisteeseen saakka. Siinä vaiheessa, kun kaksi valtavaa pistetietokantaa yhdistetään on niiden informaatio arvo hyvin pieni. Ironista kyllä, tämä johtuu juuri informaation paljoudesta.

Näin jälkeen päin ajatellen, olisi voinut lisätä karttoihin mannerlaattojen rajat, jotka mm. Vivi oli lisännyt karttoihinsa. Ilmeisesti Googlesta olisi löytynyt sopiva tietokanta (Tarkka, 2018).

Lähteet:

Johomaps – Online Map Library. Tectonic Plates of the Earth. Viitattu 20.3.2018. http://www.johomaps.com/world/worldtecton.html

Silvermangallerybuckscounty 2018.Population Density Map Of The World. Viitattu 20.3.2018. https://silvermangallerybuckscounty.com/population-density-map-of-the-world/population-density-map-of-the-world-6/

Sirola, Eveliina : Kurssikerta 6: Pakkassäässä reippailua ja pedagogisia karttasarjoja 26.2.2018. https://blogs.helsinki.fi/7k110738/2018/02/20/maailma-vaarallinen-kumpula-turvallinen/ Viitattu 20.3.2018.

Tarkka, V. 2018: Vähän maanjäristyksiä ja pari tulivuorta. https://blogs.helsinki.fi/vivitark/2018/02/23/vahan-maanjaristyksia-ja-pari-tulivuorta/ Viitattu 20.3.2018.

GEM 1 – Kurssikerta 5

Viidennellä kerralla keskityttiin ennen kaikkea bufferointitoiminnon hyötykäyttöön etäisyyksien ja lukumäärien laskemisessa. Näin jälkikäteen arvoituna opetettavat asiat ja niistä saadut tehtävät olivat kaikista kurssikerroista haastavimmat.

Puskurivyöhykkeet ja niiden soveltaminen oli verrattain yksinkertaista. Sillä voi kätevästi tutkia paitsi melurajoja, myös saasteiden ja ikävien hajujen suoja-alueita. Sen sijaan en ole selvästikään lopullisesti sisäistänyt mitä mikäkin toiminto tekee. Yrityksen ja erehdyksen kautta ja ohjeita lukemalla haluttuja lukuja on kuitenkin mahdollista saada. Tehtävien soveltaminen, niin helppoa kuin se periaatteessa olisikin on vielä minulle yllättävän haastavaa, vaikka meillä on kaikki tarvittava data valmiina, eikä siten tarvitse tuhlata aikaa datan etsimiseen  tai pelätä yhteensopivuusongelmia. Bufferoinnissa ei ollut juuri muuta muistamista, kuin että kun valitsee luvuksi vaikka 1km, niin se tulee valitun janan molemmille puolille, eli siis yhteensäö 2km.

Tehtävän suorittaminen alkaakin turhan datan karsimisella, sillä esimerkiksi Yhtenäiskoulun oppilaiden määrää selvittäessä tarvittiin vain muutamien ikäluokkien tiedot, jotka piti yhdistää tutkittavaan alueeseen. Sattumoisin kävin lukioni Helingin (Käpylän) Yhtenäiskoulussa. Olikin mielenkiintoista vertailla sen potentiaalista oppilaskantaa, se kun on ollut lopettamisuhan alla kaiketi koko olemassaoloaikansa. Tilanne vaikuttaa olevan sama tänäkin päivänä ja lukio taisi mennäkin jo 2014 (Helsingin Sanomat, 2017).

 

Kokonaismäärä 1km 2km < 55db Extra melualue
Rakennusta 55811 748 4689 1728 3588
Asukkaita 490173 8699 56930 11913 25198
Asukkaita yhteensä As. 500m asemalta %
Rakennusta 55811 5169 9,26
Asukkaita 490173 106691 21,77
500m työikäiset 71108 66,65
Asukkaita yhteensä Työikäiset %
Rakennusta 55811 47211 84,59
Asukkaita 490173 421219 85,93
Asukkaita yhteensä Taajamissa %
Rakennusta 55811 45713 81,9
Asukkaita (kaikki) 490173 7821 1,16
Asukkaita (kouluikäisistä) 49284 7821 15,87
Vieraskielisten osuus <10% <20% <30%
Alueita 65 21 13
Yhtenäiskoulun piiri 6 vuotiaita yläasteikäisiä kouluikäisiä (%)
14 81 9,7 %
Muunkielisten määrä 110  arviolta noin 11 henkiloä
Asukkaita 12 170
Uima-altaita 856
Omakotitaloja 345
Kerrostaloja 181
Rivitaloja 113
Muut / ei tietoa 216
Suurin esiintyvyys Lauttasaari
Saunoja 21 922
Saunoja % 24 %

Kuva 1. Taulukossa on kurssikerralla kerätty data.

Pelkään, että oppiakseni asiat oikeasti nämä tehtävät olisi tehtävä uudelleen. Tämä voisi olla senkin takia suositeltavaa, sillä tehdyt työt katoavat aina kun joudun siirtämään valmiit tehtävät toiselle asemalle, Z:aseman vähäisen tilan vuoksi. Myös C: asema tulee nopeasti täyteen. Tiedostot ovatkin usein valtavia. Yleinen ongelma onkin turhan datan paljous ja olennaisen tiedon löytäminen ja säilyttäminen. Materiaalin paljous lisää myös ohjelmistojen kaatumisherkkyyttä.

Paras vaihtoehto lienee siirtyä käyttämään omaa läppäriä, jolloin pääsisi eroon pöytäkoneiden jatkuvasta kiukuttelusta. Qgis:in kaatumista se ei valitettavasti lopeta, mutta ehkä silloin muistaisi mitä tulikaan silloin tehtyä. Mistä tulikin mieleeni, tämä blogi kannattaisi kirjoittaa välittömästi tehtävien tekemisen jälkeen.

Kuva 2. Ympyrädiagrammi uima-altaiden jakaantumisesta.

Haastavinta on mielestäni ymmärtäminen, mitä toimintoa täytyy milloinkin käyttää:

Spatial Query – Etsii alueellisesta vektoritietokannasta haluttuja ominaisuuksia
Join Attributes by Location – Yhdistää ominaisuuksia alueen perusteella (tehden uuden layerin)
Select by Expressions – Valitsee halutut kohteet tietyn ominaisuuden perusteella

Kuulostaa yksinkertaiselta, mutta käytännössä oikean tiedon yhdistäminen haluttuun alueeseen toimii vielä viime kädessä “yritys&erehdys” metodilla. Myös laskutoimitukset näyttävät yhä ajoittain virheilmoitusta tai nollaa. Tämä valitettavasti tarkoittaa, että olen vielä kaukana näiden asioiden syvällisestä ymmärtämisestä.

Päätinpä tehdä osan näistä uudestaan, varsinkin kun viime kerralla jouduin nostamaan kädet ilmaan viimeisen tehtävän edessä. Eemil Becker (2018) oli suorittanut sen onnistuneesti.

“Ensimmäisessä kohdassa käytin select features by expression-toimintoa ja Boolen AND-operaattoria saadakseni valittua talot, jotka on rakennettu vuosien 1965 ja 1970  välillä. Tämän jälkeen loin valituista pisteistä uuden tietokannan ja suodatin siitä vielä edelleen kerrostalot. Jälkeenpäin mietittynä olisin varmasti voinut suodattaa kaiken samalla valinnalla käyttämällä Boolen operaattoreita.”  (Becker Eemil, 2018)

Kuulostaa tosi hienolta ja silleen… Vastaavasti Matti Moisala (2018) oli  käyttänyt select features by expression-toimintoa ja Boolen AND-operaattoria sekä luonut valituista pisteistä uuden tietokannan (2018). Arvelin itselläni olevan kuitenkin jo ihan riittävästi haasteita ja kahdessa aikaisemmassakin tehtävässä (3 ja 4). No eihän niistäkään tullut aluksi yhtään mitään. “Count points in polygon”-komentoa ei löydy sen perinteiseltä paikalta, ja “Join attributes by location” herjaa virheilmoitusta. “Omalta” läppäriltä moiset löytyivät, mutta onnistuin vain kaatamaan ohjelman ja kun lopulta yritin tallentaa valittuja kohteita uuteen tasoon, sain vain OGR:virhe, permission denied -virheilmoituksen. Missä on mun oikeudet!!!1 Ja miten ihmeessä olen onnistunut tässä aiemmin?

Kuva 3. Uusi, uljas ja onneksi myös hienompi kartta pääkaupunkiseudun uima-altaiden määrästä. Ohjeistetut pylväät on korvattu informatiivisemmilla tarkoilla lukumäärillä, jolloin kartta on myös helpommin luettava. Koropleettikartta on kiva, seutu jaot olisi ehkä voinut lisätä, jos ne jostain saisi kätevästi.

Ongelman syy sevisi, tällä kertaa ongelman syynä ei ollut ruksaamaton ruutu, vaan ilmeisesti kenttä johon piti vain kirjoittaa “jotain”, vaikka kyseessä ei ollut otsikko tai muuts mielestäni olennaista.

Yeminda onkin toisaalla todennut:

“Olen huomannut, että QGIS:n toimivuus on suuresti kiinni itse käyttäjästä.”

Niinpä niin… QGis, miksi emme vain voisi olla kavereita ja lopettaa tämän turhan kiusan ja vihanpidon?

 

Lähteet:

Becker, E. Julkaistu: 19.2.2018.  Homma rupee sujumaan… Luettu: 19.3.2018. https://blogs.helsinki.fi/beemil/

Helsingin Sanomat. Julkaistu: Helsinki lopettaa koululaisten erikoiskohtelun Käpylässä ja Puistolassa – jatkossa lähikoulu määräytyy osoitteen perusteella koko kaupungissa. Luettu: 19.3.2018 https://www.hs.fi/kaupunki/art-2000005491154.html

Moisala, M. Julkaistu 21.2. 2018. Viisi QGIS -tähtee. Luettu: 19.3.2018  https://blogs.helsinki.fi/moisalam/2018/02/21/5/

Rautavaara, Y. 5.3.2018. Kurssikerta 5. Bufferointia ja uima-altaita. Luettu: 19.3.2018. https://blogs.helsinki.fi/yeminda/2018/03/05/kurssikerta-5-bufferointia-ja-uima-altaita/

GEM 1 – Kurssikerta 4

Neljännen luonnon aiheena olivat rasteritietokannat. Ruututeemakarttojen tarkkuus, informaatioarvo ja luettavuus vaihtelevat muun muassa käytettyjen ruutujen koon perusteella. 1km x 1km ruudut eivät välttämättä ole erityisen onformatiivisia, mutta esimerkiksi alle 250m ruudut eivät yleensä sovellu kuin kaikkein suurimittakaavaisiin ruututeemakarttoihin. Mielestäni pääseutua kuvaavissa teemakartoissa  250m x 250m oli selvästi liian pieni. Lopulliseksi valinnaksi päätynyt 500m x 500m (kuvat 1 ja 2) on jo sekin hieman vaikeasti luettavaa, vaikka kartan saakin muutettua suuremmaksi.

Kuva 1. Vieraskielisten osuus Espoon, Helsingin ja Vantaan väestöstä. Kartasta on jätetty selvyyden vuoksi pois lähes kokonaan suomen-, ruotsin tai saamen kieliset alueet. Eli ne alueet joilla vieraskielisten osuus on vain 0.0-3,5%. Rastereiden koko on 500 x 500m.

Vaikka ruututeemakartat saattavatkin vaikuttaa äkkiseltään hieman sekavilta ja vaikeasti luettavilta, tarjoavat ne huomattavasti tarkempaa tietoa kuin esimerkiksi useimmat koropleettiteemakartat. Käytetty muoto kannattaakin valita kartan kontekstin perusteella. Lisäksi ruututeemakarttojen etuna on monen datan rasterimuotoisuus. Täten dataa ei tarvitse alkaa muokata vektorimuotoon. Toisaalta rasterimuotoiseen dataan saa liitettyä vähemmän hyödyllisiä ominaistietoja, kuin esimerkiksi pistemuotoiseen vektoriaineistoon.

Kuva 2. Variaatio samasta teemasta kuin kuva 1. Värit on vaihdettu vertailun vuoksi. Tällä kertaa karttaan on myös merkitty kaikki alueen asutut rasterit, joiden koko on edelleen 500 x 500m. Erottuvuuden parantamiseksi rasterit, joissa vieraskielisten osuus on yli 3,5 %, on vahvistettu.

Kuvista 1 ja 2 näkee molemmista kuinka vieraskieliset ovat hajaantuneet yllättävänkin laajalti ympäri pääkaupunkiseutua. Kuvassa 2 on lisäksi vertailun vuoksi ne asutut alueet, joilla vieraskielisiä on alle 3,5%. Moniin muihin, ainakin Länsi- Eurooppalaisiin pääkaupunkiseutuihin verrattuna vieraskielisten osuus on vähäinen. Eri mailla on tosin erilaiset tavat kirjata väestöä, esimerkiksi Saksa ja Ranska eivät käsittääkseni kirjaa juurikaan tietoja asukkaistaan historiallisista syistä. Tilastokeskuksen suomalainenkaan, maailmanlaajuisesti tarkka väestödata, ei näillä spekseillä erottele vieraskielisiä sen tarkemmin. Monia maantieteilijöitäkin huolettaneesta segregaatiosta ylläolevat kartat eivät kerro juurikaan mitään. Vieraskielinen kun saattaa olla joko huippupalkattu koodari tai luku- ja kirjoitustaidoton työtön. Mikäli tarkempaa dataa ei ole saatavilla, jäävät tehtävät johtopäätöset herkästi ylimalkaisiksi tai jopa vääriksi.

Kuva 3. Vieraskielisten osuus alueen väestöstä suurpiireittäin vuoden alussa 1992–2017. (Helsingin kaupunki, Tilastokeskus, 2017).

Hieman tarkemmin dataa tarkkailtuani, huomasin vieraskielisten määrien vaikuttavan hieman liian pieniltä. Tilastokeskuksen data kertoo vieraskielisten osuuden olevan jopa 24. Kun tähän vielä muistetaan kuin samanhenkiset ja kieliset ihmiset tykkäävät asua samoilla asuinalueilla on oman karttani maksimiluku 14% oudon pieni. Helsingin kaupunki antaa ulkomaalaistaustaisten(sic) suurimmaksi alueelliseksi luvuksi 36,8%. Mitattu määre on hieman eri, eivätkä alueet ole samoja, mutta erikoisia käytetyn datan luvut silti olivat, sillä Helsingin kaupungin keskiarvon on 14,9 %. Siis korkeampi kuin oma korkein lukuni yksittäisellä ruudulla!

Sekä ruututeemakartalla, että pisteteemakartalla voidaan kuvata samanlaisia asioita. Erona on ennen kaikkiea se, että pisteteemakartoissa arvot ovat yleensä absoluuttisia, sillä pisteillä on hankalaa kuvata prosentuaalisia vaihteluja, vaikka se periaatteessa eri värejä käyttämällä onnistuisikin. Ruututeemakartta on näiltä osin helpompi käyttää ja soveltaa. Ruudut ovat myös siististi rivissä, kurissa ja järjestyksessä, kun taas pisteet ovat helposti häröpallomaimaisesti siellä, täällä ja valitettavan usein myös toisiensa päällä. Absoluuttisten arvojen kuvaaminen onnistuu ruututeemakartoilla aivan yhtä yhtä hyvin kuin prosentuaalisten. Olennaista on kuitenkin oikean ruutukoon valinta. Myös käytettyjen prosenttiosuuksien tai absoluuttisten arvojen välisten suhteiden valintaan on kiinnitettävä erityistä huomiota, jotta kartasta tulisi informatiivinen ja selkeä. Kaikkein pienimpien alueiden kuvaamiseen ruututietokanta soveltuu kuitenkin vektoriaineistoa huonommin, sillä se ei yleensä ole yhtä tarkka. Alueiden “luonnollisia” rajoja on myös vaikeampi havaita.

Taas kerran koen epäonnistuneena visualisoinnissa. Toisaalta koen ruututietokannat myös erityisen haasteellisiksi visualisoida niin, että niiden informaatio olisi sekä monipuolista ja tarkkaa, mutta myös helppolukuista. Sitten katson muiden töitä, ja huomaan karttojen olevan välittömästi selkeästi luettavia, kuten Olivian kartta (kuva 4).

Kuva 4. Pääkaupunkiseudun teinit 500m x 500m ruutukartalla kuvattuna. Suurimman ruudun korkein arvo on 52 teiniä. (Halme, 2018)

Katkerana ja kateellisena totean tämän johtuvan vain siitä, että Olivian luvut jakautuvat lähtökohtaisesti tasaisemmin. Tätä en voi soveltaa omassa kartassani, sillä vieraskieliset ovat hyvin usein selkeästi omilla alueillaan.

 

Lähteet:

Halme, Olivia. Kiikarissa pikselimeri. (Julkaistu 11.2.2018).  https://blogs.helsinki.fi/sadvarpu/2018/02/09/64/  Viitattu 16.2.2018

Helsingin kaupunki. Itäisessä suurpiirissä asuu yli neljännes ulkomaalaistaustaisista ja vieraskielisistä. (Julkaistu 11.8.2017).  http://ulkomaalaistaustaisethelsingissa.fi/fi/alueellinensijoittuminen Viitattu 16.2.2018

GEM 1 – Kurssikerta 3

En ole aikaisemmissa blogipostauksissani vaivautunun kertomaat sen kummemmin ajatuksistani tai tehtävien aiheuttamista tunnetiloista, koska minusta ne kuulostavat jostain kumman syystä hieman hölmöltä. Tällä kertaa päätin tehdä kuitenkin poikkeuksen. Kolmas kurssikerta aiheutti paitsi syvän eksistentialistisen kriisin. Tarkoituksena oli pohtia Afrikan kriisien yhteyttä luonnonvaroihin ja valuma-alueiden suhdetta järvisyyteen. Valitettavasti tehtävät tehtyäni siirsin ne toiselle asemalle, kun Windows kohteliaasti ilmoitteli Z:aseman tilan loppumisesta. Valitettavasti, koska samalla katosivat kaikki tekemäni laskelmat yms. Tämä tragedia aiheutti suunnatonta epätoivoa ja tuskaa, pistäen syvälle sydämeeni kuin myrkytetty kaksiteräinen tikari. Epätoivoisista yrityksistäni huolimatta, en onnistunut enää palauttamaan tehtyjä tehtäviä, vaan jouduin tekemään ne uudestaa. “Kertaus on opintojen äiti”. Perkele!

Lähdin kuitenkin tekemään tehtäviä uudelleen ja ensimmäisenä oli internetin yms. käytön yleisyys eri Afrikan valtioissa. Erot olivat usein suuria maiden kesken.  Harjoituksen tarkoituksena oli opetella hakemaan ja yhdistelemään dataa, mikä on enemmän tai vähemmän piilotettuna eri tietokannoissa. En kuitenkaan tallentanut aiheesta karttaa.

Jotta en hiihtäisi täysin samoja latuja, valitsin tällä kertaa vertailtavaksi Afrikan väentiheyden, konfliktit, timanttikaivokset ja öljylähteet. Aikaisempaan verrattuna otin mukaan siis väentiheyden ja pohdin pintapuolisesti sen vaikutuksia konfliktien määrään. Kuvasta 1 voi kuitenkin päätellä, että merkittävää korrelaatiota, saati kausaliteettia tuskin löytyy.

Edellä mainittua lähdin pohtimaan pitkälti uteliaisuudesta, sillä en huomannut konflikteilla, timanteillä tai öljylähteillä olevan niin suurta merkitystä kuin olin alunperin kuvitellut. On yleistä, että kapinalliset rahoittavat toimintaansa timanteilla (esim. Sierra Leone) tai öljyllä, kuten Daesh Lähi-Idässä. Toisaalta pelkkä luonnonvarojen suurimittainen hyödyntäminen saattaa johtaa hallinnon autoritäärisiin otteisin, kuten Ugandassa.

Since it discovered oil, Uganda has instinctively reached out to its more authoritarian tendencies. Information on oil was “ring fenced” by government and secrecy around oil deals has become a major political issue.

Kuva 1. Afrikan väentiheys, konfliktit, timanttikaivokset ja öljylähteet. Konfliktit ovat ajalta ennen arabikevättä. Mitään selkeää korrelaatiota väentiheyden ja konfliktien välillä ei kuitenkaan vaikuttaisi olevan.

Itse olin kuitenkin yllättynyt kuinka vähän yhteyttä konflikteihin näillä luonnonvaroilla vaikuttaisi sittenkin olevan. Tarkemmat korrelaatiot jne. tulisi kuitenkin selvittää jollain muulla ohjelmistolla kuin qQIS:llä, esimerkiksi SPSS:llä. Aineistosta oli kuitenkin mahdollista selvittää kaivosten ja öljykenttien perustamis vuodet sekä konfliktien ajankohta.

Kuva 2. Konfliktivuosien lukumäärä sekä öljynporaus- ja timanttikaivosalueiden sijainnit Afrikassa. Antti Nevalaisen hyödyntämä värimaailma ei ehkä ole mitä itse käyttäisin, mutta siitä näkyy luonnonvarojen ja konfliktien korrelaatio, tai ehkä oikeammin sen puute. Huomatkaa hieno trollaus myös siinä, miten ihmiset intuitiivisesti mieltävät värien tummuuden vaikutuksen ja käytetyt väri(sävyt).

Afrikan ongelmista siirryttiin Suomen luonnonvarojen aiheuttamiin ongelmiin, tällä kertaa syyllinen on tosin divetymonoksidi. Erityisesti rannikon läheisyydessä olevat kunnat kärsivät sen muodonmuutoksista aiheutuvista ongelmista ongelmista, eli tulvista. Tehtävänä oli selvittää mitkä alueet kärdivät tulvista ja jos mahdollista, miksi?

Kuva 3. Lähes koko Suomen valuma-alueet, sekä niiden tulvaindeksi ja järvisyysprosentti. Mitä enemmän alueella on järviä (järvipinta-ala ympyrädiagrammissa), sitä pienempi tulvaindeksi ja siten vähäisemmät tulvat.

Vaikka järvisyys selvästi näyttäisi vaikuttavan vähentävästi tulvariskiin, näyttäisi (kuva 3) valuma-alueen pinta-alan olevan vielä merkittävämpi tekijä. SYKE kertoo seuraavasti: 

“Tulva on sää- ja vesistöolosuhteista johtuva luonnonilmiö. Valuma-alueen maastonmuodot ja maankäyttö vaikuttavat tulvan muodostumiseen. Säännöllisesti toistuvat tulvat ovat luontainen osa vesistöjen toimintaa etenkin alueilla, joissa järvialtaat ja niiden virtaamavaihteluita tasaava vaikutus ovat vähäisiä. Suomessa tulvat ovat tyypillisesti olleet vähäisiä verrattuna Keski-Eurooppaan, jossa sateiden rankkuus, järvien vähäisyys ja maaston suuremmat korkeuserot lisäävät alttiutta tulville. ” (SYKE, 2013)

Vivi Tarkka, niin ikään kertoo kuinka oheisen kartan avulla voidaan arvioida Suomen erialueiden tulvaherkkyyttä ja niihin vaikuttavia tekijöitä. Ensinnäkin voi havaita, että pahimmat tulvat ovat Pohjanmaalla ja Etelä- ja Lounais- Suomessa rannikoilla. Näillä alueilla on paljon mereen laskevia jokia, jotka voivat tulvia esim. talvella lumien sulaessa. Rannikolla on lisäksi alavampaa, mikä lisää tulvaherkkyyttä. Myös järvisyydellä näyttäisi olevan vaikutusta tulvaindeksiin. Alueilla, joilla järvisyysprosentti on suuri, tulvaherkkyys on pienempi. Tämä johtuu siitä, että vesi valuu ja varastoituu järviin, eivätkä joet siksi tulvi yhtä helposti tai voimakkaasti. Lisäksi voidaan havaita, että suuremmilla valuma-alueilla tulvaindeksi on pienempi. Tämä voi johtua siitä, että suurella valuma-alueella veden valuminen suurimpaan jokeen kestää kauemmin, jolloin se ei tulvi yhtä herkästi. Pienemmällä valuma-alueella vesi valuu jokiin nopeasti ja siksi virtaamakin kasvaa nopeammin.

Loppuun vielä esimerkit mitä olisin voinut tehdä paremmin.

Kuva 4. Yeminda Rautavaara on toteuttanut ympyrädiagrammit fiksusti niin, että diagrammin koko vaihtelee järvi-alueiden koon mukaan. Täten rannikon pienemmät valuma-alueet eivät peity diagrammien taakse, kuten omassa kuvassani valitettavasti tapahtui. Myös värimaailma on selkeä, joskin kuvasta oltaisiin voitu rajata pois valkoiset reunukset.
Kuva 5. Petri manninen taas on muuttanut konfliktit tähdiksi, mikä muistuttaa räjähdystä. Timantit taas ovat ruutuja, jotka muistuttavat hiotun timantin muotoja

Lopputulokseksi voisi siis tiivistää, että olin tyytyväinen omaan datan etsimiseen, sen digitointiin , spatiaalisuuden ja muiden ominaisuuksien pohdintaan. Sen sijaan valmiin tuloksen visualisoinnissa on edelleen parantamisen varaa ja olisi ehkä ollut viisaampaa käyttää sen hiomiseen edes hieman enemmän aikaa.

 

Lähteet:

Angelo Izama, 2012. Fanaka Kwa Wote. https://www.globalpolicy.org/security-council/dark-side-of-natural-resources/oil-and-natural-gas-in-conflict/51454-off-to-the-races-kenyas-oil-ugandas-dilemma.html?itemid=id#40284

Manninen, Petri. Julkaistu 15.2. 3. Kurssikerta.  https://blogs.helsinki.fi/mannipet/2018/02/15/3-kurssikerta

Nevalainen, Antti.  Julkaistu 12.2.2018. Afrikka, some, valuma-alueet ja pinkit kartat. Viitattu 15.2.2018. https://blogs.helsinki.fi/nean/2018/02/12/afrikka-some-valuma-alueet-ja-pinkit-kartat/

Rautavaara, Yeminda. Julkaistu 12.2.2018. Kurssikerta 3. – Afrikan valtiot & Suomen virtaamavaihtelujen indeksit. https://blogs.helsinki.fi/yeminda/2018/02/12/kurssikerta-3-afrikan-valtiot-suomen-virtaamavaihtelujen-indeksit/

Tarkka, Vivi. Julkaistu 31.1.2018. Haloo! Tulvariski! Viitattu 15.2.2018. https://blogs.helsinki.fi/vivitark/2018/01/31/haloo-tulvariski/

Suomen Ympäristökeskus SYKE. Julkaistu 24.6.2013.  Viitattu 15.2.2018. http://www.ymparisto.fi/fi-FI/Vesi/Tulviin_varautuminen/Olenko_tulvariskialueella/Tulvien_esiintyminen

GEM1 – Kurssikerta 2

Toisen kurssikerran aiheena oli QGis:n valinta- ja erilaiset laskentatyökalut ja erityisesti koordinaattijärjestelmien ja projektioiden vaikutukset etäisyyksiin ja pinta-aloihin. Koordinaattijärjestelmät ovat jaettuja maailmanlaajuisiin- ja paikallisiin järjestelmiin. Tehtävän kannalta merkittävämpiä eroja löytyy kuitenkin erilaisista karttaprojektioista, eli eri tavoista, joilla ellipsoidin muotoinen maapallo projisoidaan kaksiulotteiselle tasolle. Tämä valitettavasti tarkoittaa, että jotkut seuraavista: pinta-ala, muoto, etäisyydet tai suunnat vääristyvät. Oikeakulmaisissa projektioissa (Mercator) ilmansuuntien väliset kulmat ovat oikein, oikeapintaisissa (Mollweide) pinta-alat ovat oikein, oikeapituisissa (Eckert I) ainakin jotkin etäisyyksistä ovat oikein. Näiden lisäksi on myös kompromissi projektioita, kuten henk. koht. suosikkini Winkel tripel tai taulukossa 1 käytetty Robinsonin projektio. Euroopan terrestrinen vertausjärjestelmä 1989 (ETRS89) on Euroopan alueella käytettävä kolmiulotteinen geosentrinen terrestrinen vertausjärjestelmä, joka on kiinnitetty Euraasian mannerlaatan yhtenäiseen osaan ja on identtinen Kansainvälisen terrestrisen vertausjärjestelmän (lyh. ITRS) määritelmän kanssa epookissa 1989.0. ETRS89 / ETRS-TM35FIN taas on edellä mainitun standardin Suomen oloihin sovitettu versio.

 

Projektio Vaasa – Suomen itäisin kohta Pinta-ala
ETRS89 / ETRS-TM35FIN 507 km 5 294,181 km²
World_Mercator 1119 km 43 744,368 km²
World_Mollweide 623 km 5 280,835 km²
World_Robinson 741 km 7 503,959 km²

Taulukko 1. Esimerkki eri projektioiden vaikutuksista etäisyyksiin ja pinta-aloihin. Mercatorin projektion valtavat epätarkkuudet pohjoisilla ja eteläiseillä leveysasteilla ovat maantieteilijöiden keskuudessa yleisessä tiedossa.

Nämä koottiin taulukoksi, missä Suomen ”päälaelta” mitattiin Utsjoen kunnan pinta-ala ja Suomen leveimmältä kohdalta pituus. Utsjoen kunnan todellinen pinta-ala on maanmittauslaitoksen mukaan 5 372 km²[ii]. Ei niinkään yllättäen Mercatorin projektion pinta-ala on monikertainen todellisuuteen verrattuna, myös pituus on huomattavan liioiteltu. Projektioiden aiheuttamat poikkeamat on otettava huomioon erilaisia mittauksia tehdessä, sillä kuten taulukosta 1 näkee, erot saattavat olla muidenkin projektioiden kesken huomattavia. Esimerkiksi pinta-aloja mitattaessa tulisikin käyttää oikeapintaista projektiota, kuten Mollweiden tai Lambertin projektio. Mercatorin ero ETRS89 LAEA:n (Lambertin oikeapintainen tasoprojektio) pinta-alaan on yli 7 kertainen (kuva 1)!

Kuva 1.  Mercatorin ero ETRS89 LAEA:han, mikä pohjautuu Lambertin oikeapintaiseen tasoprojektioon. Kuvasta käy ilmi selkeästi, kuinka Mercatorin projektio vääristää pinta-aloja suuremmaksi mikä pohjoisemmaksi mennään.
Kuva 2. Saman datan voi esittää myös monella eri tavalla. Hyvä esimerkki tästä on Varpu Savolaisen versio Mercatorin ja Lambertin pinta-ala eroista. (3. Savolainen V. 2018)

Kuva miellyttää visuaalisesti silmää, sillä siinä Suomi jaoitellaan melko tasaisesti viiteen osaan. Toisaalta tämän saavuttamiseksi lukujen suhde toisiinsa ei ole tasainen, eivätkä ne ala tasaluvuista. Tämä saattaa tosin johtaa virheelliseen mielikuvaan siitä, kuinka vääristymä on tasainen pitkin Suomea, kun todellisuudessa vääristymän määrä kiihtyy pohjoisemmaksi tultaessa.

Kuva 3. Väentiheys Lambertin projektion pinta-alojen perusteella. Lambertin projektio on oikeapintainen, eli se ei vääristä väentiheyden dataa. (3 Heinonen R., 2018)

Roope Heinonen on ansiokkaasti vertaillut blogissaan Lambertin ja Mercatorin projektion vaikutuksia laskettavaan pinta-alaan ja sitä kautta väestöntiheyteen. Aiheellinen muistutus siitä, kuinka tärkeää on valita projektio käyttötarkoituksen perusteella.

Kuva 4. Linnea oli tehnyt kartan Natura-alueen ja kunnan koon suhteesta. En ole kuitenkaan ihan varma siitä osoittaako karttanuoli todella ihan oikeaan suuntaan.

 

Lähteet:

Heinonen, R. Vääristynyt todellisuus. Viitattu 29.1.2018. https://blogs.helsinki.fi/hcroope/2018/01/25/22-01-2018/ 

Maanmittauslaitos 2017. Pinta-alat kunnittain 2017. Pinta-alat kunnittain. Viitattu 29.1.2018.

Savolainen, V.  Projektiovertailua.  Viitattu 29.1.2018 https://blogs.helsinki.fi/sadvarpu/2018/01/24/projektiovertailua/

Vuori, L. 9.2.2018. Viikko II: QGIS II. Viitattu 25.3.2018. https://blogs.helsinki.fi/linneavu/

Wikipedia 2018. Euroopan terrestrinen vertausjärjestelmä 1989. Viitattu 29.1.2018. https://fi.wikipedia.org/wiki/Euroopan_terrestrinen_vertausj%C3%A4rjestelm%C3%A4_1989

GEM 1 – Kurssikerta 1

Geoinformatiikan menetelmät 1-kurssin tarkoituksena on tutustua OpenSource-ohjelmisto QGis:in käyttöliittymään, toimintalogiikkaan sekä paikkatieto-ohjelman perustoimintoihin. Tehtävänä oli etsiä dataa, joka lopulta visualisoidaan. Käytännössä tutkittiin typen määrää ja sen tuottajia Itämeren ympäristössä.

”Typpi kulkeutuu Itämereen enimmäkseen (85 %) jokiveden mukana. Muita tärkeitä typpikuormituslähteitä on suora pistekuormitus ja ilmalaskeuma mereen. Itämeren typpikuormitus on suurimmaksi osaksi peräisin maataloudesta ja yhdyskunnista. Muita huomattavia kuormituslähteitä ovat teollisuus, haja-asutus ja metsätalous, mutta kalankasvatuksella ja turvetuotannollakin on osuutensa. Myös typpilaskeuma järviin suoraan ilmakehästä on merkittävä Itämeren kuormittaja. Eri lähteiden osuudet vaihtelevat merialueittain.” 1

Kanssabloggaaja Meri Suppula selvitti HELCOM-nimen alkuperän.

“Kaikki nämä Itämeren ympärysvaltiot (Suomi, Ruotsi, Tanska, Saksa, Puola, Viro, Latvia, Liettua ja Venäjä) kuuluvat HELCOM (Baltic Marine Environment Protection Commission, toiselta nimeltään myös Helsinki Commission) järjestöön (Helcom 2016). HELCOMiin kuuluu myös Euroopan Unioni, mutta sen jäsenvaltioiden päästöt eivät ole oleellisia Itämeren kannalta. HELCOM on siis järjestö, joka vastaa Itämeren ympäristön suojelemisesta.” 2

Kuva 1. Koropleettikartta Itämeren typpipäästöistä maittain. Arvot prosentteja Itämeren kokonaiskuormituksesta.

Kartan tulisi aina olla selkeä ja tarjota vain tarvittava informaatio. Tässä tapauksessa olennaista on vertailla eri valtioiden typpikuormaa. Mielestäni kartasta käy selvästi ilmi Ruotsin, Venäjän ja erityisesti Puolan merkittävä osuus Itämeren typpikuormituksesta. Pienet luvut ovat vaalealla ja suuret tummalla, mikä on intuitiivisesti järkevältä tuntuvaa. Lisäksi punainen väri voidaan mieltää negatiiviseksi (vrt. vihreä), varsinkin ympäristöön liittyvissä asioissa. Keskityin kartassa vain Itämeren alueeseen ja merkitsin Itämeren ulkopuoliset alueet harmaalla, joka epävärinä eroaa selvästi vertailukohdista. Toinen vaihtoehto olisi ollut poistaa maat kokonaan, mutta omaan silmääni esimerkiksi Norjan katoaminen olisi näyttänyt hölmöltä. Jätin kartasta mielestäni epäolennaiset Itämeren syvyyskäyrät, jotka tekivät kartasta levottoman. Toisaalta on hyvä huomioida, että Itämeri on verrattain matala, millä on merkityksensä myös typen ja muiden rehevöittävien ravinteiden vaikutukseen.

”Valtameriin verrattuna Itämeri on pieni ja matala. Itämeren keskisyvyys on vain 54 metriä, kun esimerkiksi Atlantin keskisyvyys on noin neljä kilometriä ja Välimeressäkin noin puolitoista kilometriä. Itämeren syvin kohta on 450 metriä syvä. Itämeri on yhteydessä Pohjanmereen kapeiden Tanskan salmien kautta ja veden vaihtuvuus on hyvin hidasta. Laskennallisesti Itämeren koko vesimäärän vaihtumiseen on arvioitu kuluvan noin 30 vuotta. Veden hitaan vaihtumisen vuoksi ympäristömyrkyt ja merta rehevöittävät ravinteet jäävät vaikuttamaan Itämereen pitkäksi ajaksi.” 3

Suurin osa päästöistä on maatalouden aiheuttamia, jolloin valuma-alueiden merkitys on suuri. Mikäli Itämereen laskeva valuma-alue on suuri, kerää se myös huomattavia määriä typpeä. Tämä ei kuitenkaan ilmene tehdystä kartasta. Valuma-alueet liittyvät myös osittain rantaviivan pituuteen, esimerkiksi Ruotsilla on huomattavan pitkä rantaviiva. Vastaavasti Venäjän rantaviiva on verrattain pieni, vaikka siihen täytyykin muistaa lukea myös Kaliningradin alue.

Näin jälkeenpäin ajatellen kartan legendaan olisi voinut merkitä prosentit ja jättää ylimääräiset nollat pois, jolloin sitä olisi ollut selkeämpi lukea.

 

 

Lähteet:

1 Ympäristöhallinto. Itämeren typpikuorma Suomesta. Julkaisija: Suomen ympäristökeskus SYKE. Julkaistu 17.11.2015, päivitetty 20.10.2016. Viitattu 24.1.2018.  http://www.ymparisto.fi/fi-FI/Meri/Mika_on_Itameren_tila/Itameren_typpikuorma_Suomesta(31457)

2 Meri Suppula 2018.  Viitattu 24.1.2018. https://blogs.helsinki.fi/merisupp/2018/01/18/1-kurssikerta/

3 John Nurmisen Säätiö. Tietoa Itämerestä – Helposti haavoittuva sisämeri. Viitattu 24.1.2018.
https://www.johnnurmisensaatio.fi/puhdas-itameri/tietoa-itameresta/