Month: January 2022

Mitä opin luennolla?

Käsittelimme luennolla erilaisia GIS:in mittauksia, valintoja ja erilaisia aineistoja ja niiden valintaa. Opin, että datan lähteitä on paljon ja suuri osa niistä on käyttäjälle ilmaisia. Tarkastelimme esimerkiksi Tilastokeskuksen ja Väyläviraston (ent. Liikennevirasto) aineistoja QGIS:sä. Mittasimme oppitunnilla etäisyyksiä ja pinta-aloja käyttäen erilaisia projektioita ja totesimme niiden tuottavan erilaisia tuloksia. Toteutimme mittauksistamme Excel -taulukon, joka löytyy alta (kuva 1). Harjoittelimme ilmaisen paikkatietoaineiston hankkimista mm. Tilastokeskuksen sivuilta, ja lopulta rajapintojen käyttö olikin helpompaa kuin aluksi luulin. Rajapintoihin kuuluu mm. WFS- ja WMS-aineistot. Pieniltä virheiltä ei kuitenkaan säästytty ja ohjelman käytössä vaaditaakin toistoja, jotta ns. Komennot jäävät mieleen.

 

 

 

 

 

Kuvat 1 ja 2. Kurssikerran mittauksia ja pinta-alojen vertailuja (ellipsoidi vs cartesian) ja eri projektioissa.

Erilaiset projektiot ja niiden vääristymät

Kun maapallon kolmiuloitteinen pinta esitetään kaksiuloitteisena, niin tunnetusti kuva on vääristynyt. Projektio voi olla oikeapintainen, oikeakulmainen tai oikeapituinen. Seuraavaksi vertailimme erilaisia koordinaatistoja ja niiden tuottamia vääristyksiä pinta-aloissa. Alla on ensimmäinen karttani (kuva 2), jossa vertailen Robinsonin projektion pinta-aloja ja Tm35 -koordinaatiston aloja. Robinsonin projektio on niinsanottu kompromissi, jossa vääristymät on pyritty pitämään mahdollisimman pieninä. Vääristymät ovat Robinsonin projektiossa suurimmat lähellä napoja.  ETRS-TM35FIN on poikittaiseen Mercatorin projektioon sekä UTM-projektion 35. kaistaan perustuva projektio. Se kuvaa Suomen aluetta hyvin todenmukaisesti. Vertailenkin siksi TM35 -pinta-aloja muiden projektioiden esittämiin aloihin. Myös Mercator -projektio vääristää pinta-aloja eniten napa-alueilla, kuten myös Olivia sanoo blogissaan. Hänen mukaansa karttojen vääristymät vaikuttavatkin mielikuviimme valtioista.

Kuva 3. Vertailussa Robinsonin- ja TM35 -projektion pinta-alojen eroja.

Kartoissa pinta-alat vääristyivät, mutta niiden lisäksi myös muodot vaihtelivat projektioiden välillä. Projektioiden visualisointi lisäsi ymmärrystäni niistä, sillä aluksi projektioiden ymmärtäminen saattaa olla hankalaa. Mercator tunnetusti vääristää pinta-aloja.

 

 

Kuva 4. Mercatorin projektion ja TM35 -projektion pinta-alojen eroja.

 

Lähteet:

https://blogs.helsinki.fi/tfolivia/

0-14-vuotiaiden osuus kunnissa -visualisointi

Aloitin aluksi helpomman tehtävän tekemisen. Tajusin, että tietokoneeni ei sovellu hyvin QGIS -ohjelman käyttöön, joten päätin jättää tehtävän alkuviikkoon ja tehdä sen koulun tietokoneella, jossa käyttö on mutkattomampaa. Ensimmäisessä tehtävässä tuli luoda koropleettikartta 2015 -vuoden kunta-aineistosta ja valmiita muuttujia tuli visualisoida haluamallaan tavalla. Visualisoin aluksi lasten, eli 0-14 -vuotiaiden suhteellisen osuuden kunnittain ja tämän jälkeen ruotsinkielisten suhteellisen osuuden (kuva 1). Luin Senjan blogipostauksen vertailun vuoksi, sillä hän oli visualisoinut saman muuttujan. Hänen karttansa näytti mielestäni samalta kuin omani.

Lasten suhteellinen osuus kiinnosti minua, sillä halusin tietää, missä kunnissa lapsia saadaan eniten. Tämän olisi toki voinut selvittää myös visualisoimalla suhteellisen syntyyyden. Huomasin Senjan tavoin, että pienikin valinta muuttaa kartan ulkoasua jopa dramaattisesti. Minulle oli vielä epäselvää, minkä luokkajaon käyttö olisi paras kyseiselle koropleettikartalle. Senja oli käyttänyt kartassaan kvantiililuokkajakoa ja tasavälistä luokkajakoa. Päätin itse käyttää tasavälistä luokkajakoa ja viittä luokkaa. Karttani (kuva 1.) näkyy alla.

 

Kuva 1. 0-14 -vuotiaiden suhteellinen osuus Suomen kunnissa vuonna 2015.

Kartasta voimme huomata, että esimerkiksi itäisessä Suomessa on keskittymä, jossa on suhteessa hyvin vähän lapsia. Esimerkiksi Pohjois-Pohjanmaalla taas lasten määrä on suhteellisen suuri. Uusimaan alueella on myös  suhteessa paljon lapsia. Kartasta voi myös huomata, että pienempiä suuren lasten määrän keskittymiä on useita. Pohjoisessa Suomessa lapsia on suhteessa vähän, mutta tulee huomioida, että siellä asuu myös huomattavasti vähemmän ihmisiä. Syntyvyys on laskenut viime vuosina koko Suomessa. On kuitenkin mahdollista, että syntyvyyden lasku näkyy enemmän joissain kunnissa kuin toisissa. Esimerkiksi taloudellinen tilanne ja terveydenhuoltopalveluiden sekä koulujen yms. palveluiden saatavuus voi vaikuttaa asiaan.

 

Kuva 2. Histogrammi 0-14- vuotiaiden määrästä Suomen kunnissa vuonna 2015.

Ruotsinkielisten suhteellinen osuus -visualisointi

Seuraavaksi visualisoin ruotsinkielisten osuuden Suomen kunnissa v. 2015. Osasin ennustaa tuloksen jo ennen kartan tekoa. Arvaisn, että mm. Varsinais-Suomen, Uudenmaan ja  Pohjanmaan alueelle on keskittynyt paljon ruotsinkielistä väestöä mm. naapurimaan läheisyyden takia. Arvaukseni osuivat oikeaan, minkä voi nähdä kartasta (kuva 3). Maan keskiosissa on vähän ruotsinkielisiä kuten myös Lapissa, poislukien aivan Lapin pohjoisimmat osat, jossa ruotsinkielisiä on enemmän. En ole aivan varma, valitsinko karttoihin oikeat luokkavälit yms., ja tämä voi vaikuttaa lopputulokseen. Mielestäni kartat onnistuivat lopulta hyvin ja ilmiöt ovat mielestäni hyvin luettavissa molemmista kartoistani.

Kuva 3. Ruotsinkielisten suhteellinen osuus Suomen kunnissa vuonna 2015.

Useiden teknisten ongelmien jälkeen koen, että ohjelman kanssa taisteltuani osaan nyt ainakin sen peruskäytön. Ehkä seuraavalla kerralla yritän myös vaikeampaa tehtävää. 🙂

 

Lähteet:

https://blogs.helsinki.fi/senjamak/

 

 

 

 

MAA-201, Geoinformaatikan menetelmät

Kurssikerta 1

Käytin oppitunnilla QGIS -ohjelmaa ensimmäistä kertaa. Ohjelma osoittautui kuitenkin samanlaiseksi kuin muutkin käyttämäni paikkatieto-ohjelmat, vaikka teknisiä ongelmia aina tuleekin.  Uskon, että ohjelman käyttäminen sujuu hyvin jatkossa. Laskuominaisuus ja statistiikka -valikko osoittautuivat tosi käytännöllisiksi! Oppitunnin teoriaosuus oli minulle pääosin kertausta.

Oppitunnilla harjoiteltiin ohjelman käyttöä tarkastelemalla HELCOM -alueen typpipäästöjä. Typpipäästöistä tehtiin teemakartta (koropleettikartta) maittain. Kartasta voi nähdä, että Puolan, Venäjän ja Ruotsin typpipäästöt olivat suurimmat. Saksan ja Suomen typpipäästöt ovat myös korkeat. Esimerkiksi Viron ja Tanskan päästöt ovat aiemmin mainittuja maita alhaisemmat.

Kuva 1.  Helcom -alueen typpipäästöt maittain.

Mielestäni karttani onnistui ihan hyvin. Punainen väri tuo hyvin esiin eniten päästöjä tuottavat maat, kuten Puolan ja Venäjän. Tiesin jo aiemmin, että Puolan päästömäärä on suuri. Itämeri on minulle tärkeä aihe ja perehdyn siihen paljon biologian opinnoissani. Luin Eeva Rakin blogista asioita, mitkä vaikuttavat päästöjen määrän. Tähän kuuluu Rankin mukaan esimerkiksi teollisuuden ja maatalouden määrä valtiossa, valtion koko sekä sijainti.

Odotan innolla uuden ohjelman käyttöä ja toivottavasti sen käyttämisestä tulee luontevaa ajan kanssa! Mielestäni kartan ulkoasua olisi voinut vielä hieman säätää, mutta valitettavasti kurssiaika loppui kesken. Jatkossa siis lisää viimeistelyä!

 

Lähteet:

https://blogs.helsinki.fi/eevaraki/