Olin poissa toiselta kurssikerralta koronan vuoksi. Täten taistelin tehtävien kanssa pelkän ohjeen avulla. Katselin kylläkin vinkkejä kurssikavereiden blogeista, että teen edes samansuuntaista asiaa. Näiden karttojen parissa vierähti aivan liikaa aikaa. En tajunnut, mitä “hatulla” tarkoitettiin, joten en saanut aluksi mitään pinta-aloja näkyviin mittaus-toiminnolla. Kuvassa 1 on esitettynä minkälaisilla kuvioilla sain aikaiseksi taulukon 1 tiedot. Oli vaikeuksia ymmärtää QGIS:n toimintaa ja ihmettelyyn ja erehdyksiin meni tuhottomasti aikaa.

Kuva 1. Tarkasteltava pinta-ala ja pituus Suomen kartalla.

En osannut itsenäisesti valita projektioita, joten katsoin vinkkiä Korpisen blogista. Taulukon 1 muuttujat laskin aluksi aivan päin mäntyä. Jouduin googlettamaan, miten lasketaan “kuinka monta prosenttia suurempi” ja siitä huolimatta epäilen itseäni, sillä osalla kurssikavereista on aivan eri suuruusluokkaa heidän tuloksensa. Esimerkiksi Lipposen tuotoksissa on erilaiset luvut sekä suuruusluokaltaan että arvoiltaan, jos kyseessä olisikin itseltäni pilkkuvirhe.

En ole varma teinkö jotakin väärin (varmaankin..), kun ellipsoidiset arvot ovat kaikissa samat. Toisaalta järkeen kävisi, että voisivat olla eri projektioilla samat, kun kuvataan pallolla, mutta tämä jäi epäselväksi. Taaskin joillakin kurssikavereilla oli eroja ellipsoidisen ja karteesisen lukemien välillä.

Taulukko 1. Projektion vaikutus pinta-alaan ja pituuksiin.

Taulukon 1 perusteella voi todeta, että projektion valinnalla on suunnattoman suuri merkitys, miten informaatiota esitetään. Tärkeää olisi käyttää aina tietylle alueelle mahdollisimman sopivaa projektiota. Pinta-aloja tarkasteltaessa etenkin on tärkeää valita oikeapintainen projektio. Maailman laajuisia ilmiöitä tarkasteltaessa taas voi käyttää suuripiirteisempää projektiota, jos pinta-alalla ei ole niin merkitystä.

Esitin Mercator-projektion vääristymää prosentteina verrattuna TM35FIN-projektioon kahdella eri tavalla. Lukuarvoista huomaa, että vääristymä kasvaa nopeasti mitä pohjoisemmalla leveyspiirillä liikutaan. Kuvassa 2 on esitettynä kymmenen luokkaa ja värimaailmana monivärigradientti. Kun on näinkin monta luokkaa, värierojen tulee olla selkeät. Kuvasta huomaa hyvin Mercator-projektion aiheuttaman kasvavan vääristymän pohjoista kohti, jossa pinta-ala kasvaa ääripohjoisilla ja äärieteläisillä leveyspiireillä.

Kuva 2. Mercatorin projektion vääristymä prosentteina verrattuna TM35FIN-projektioon kymmenellä luokalla kuvattuna sekä monivärigradienttina esitettynä.

Kuvassa 3 on esitettynä sama vääristymä käyttäen seitsemää luokkaa. Valitsin tähän esitystapaan yhden värin gradientin. Yhdellä värillä kuvattuna luokkia ei voi mielestäni olla niin montaa kuin edellisessä tapauksessa, sillä silloin värit sekoittuvat helpommin toisiinsa. Toisaalta jatkuvan oloisen gradientin ollessa kyseessä, useat luokat kuvaavat ilmiötä paremmin. Vaikka monivärigradientti on näyttävämpi, pidän itse enemmän yhden värin gradientista, sillä tällöin mielestäni näkyy selvemmin, että tilanne “pahenee” pohjoiseen mentäessä värin tummuessa. Kyseessä on kuitenkin suure, jolla on niin sanotusti alku ja loppu, eikä monivärigradientin tapauksessa kaksi ääripäätä ja neutraali keskiväli.

Kuva 3. Mercatorin projektion vääristymä prosentteina verrattuna TM35FIN-projektioon seitsemällä luokalla kuvattuna sekä yhden värin gradienttina esitettynä.

Tein itse valittavan projektion pinta-alatarkastelun Winkel tripel -projektiolla. Sen esittämä vääristymä on huomattavan paljon maltillisempi Pohjois-Suomessa pinta-alojen ollessa maksimissaan noin 55 % suurempia kuin TM35FIN-projektiolla kuvattuna. Mercator-projektio vääristi Pohjois-Suomen pinta-aloja jopa yli 700 % suuremmiksi. Winkel tripel -projektio pyrkii minimoimaan kaikki vääristymät tehden kompromissin, jolloin mikään määre ei ole absoluuttisen oikein. Mercator-projektio on oikeakulmainen, joten se näyttää ilmansuunnat oikein, mutta ei välitä pinta-alojen tai keskipituuksien oikeellisuudesta.

Kuva 4. Winkel tripel -projektion vääristymä prosentteina verrattuna TM35FIN-projektioon kuvattuna seitsemällä luokalla ja yhden värin gradienttina esitettynä.

Olen tiennyt alun perin, että projektiolla on suuri merkitys ja projektion valinnalla voi tahallisesti tai tahattomasti vaikuttaa lukijaan aiheuttaa tälle mielikuvia, jotka eivät välttämättä ole reaalimaailmassa tosia. Esimerkiksi tiettyjen valtioiden tai maanosien kokoa voi suurentaa ja muita pienentää tarkoituksella luoden kuvan tietyn alueen “mahtavuudesta” (Venäjä ja Yhdysvallat vs. Afrikka).

Tein lisätehtävän pinta-alaan suhteutetun muuttujan vääristymisestä. Käytin aineistona Natura-alueita niin, että laskin niiden pinta-alojen prosenttiosuudet suhteutettuna sekä Lambertin että Mercatorin projektioiden antamiin pinta-aloihin. Esitin osuudet pinta-aloista kummassakin tapauksessa Lambertin oikeapintaisella tasoprojektiolla kuvattuna.

Kuvien 5 ja 6 välillä ei nopealla silmäyksellä näe juuri eroa. Syy voi olla siinä, että käytin liian pientä määrää luokkia tai etten ymmärtänyt tehtävänantoa oikein. Kuitenkin kun tarkastelee numeerisia arvoja huomaa, että Mercatorin projektion pinta-aloihin suhteutettuna Natura-alueita on häviävän pieni osa maksimissaankin (14,2 %) verrattuna Lambertin projektion pinta-aloihin (max. 98,9 %).

Kuva 5. Natura-alueet kuntien pinta-alaan suhteutettuna (%) kuvattuna Lambertin oikeapintaisella tasoprojektiolla.

Kuva 6. Natura-alueet kuntien pinta-alaan suhteutettuna (%) verraten Mercator-projektion pinta-aloihin ja esitettynä Lambertin oikeapintaisella projektiolla.

Opin tämän viikon tehtävien kanssa painimisesta käyttämään QGIS:a sujuvammin ja etenkin tulosteikkunan kanssa temppuillessa nopeutui kuvien luominen. Tärkeä muistutus sisällöllisesti oli se, että absoluuttisia arvoja ei ole missään nimessä suotavaa ilmaista kartalla sellaisenaan vaan ne tulee suhteuttaa aina johonkin muuhun. Tämä siksi, että lopputulos voi olla pahasti vääristynyt ja aiheuttaa väärinymmärryksiä (tahallisesti tai tahattomasti) ja se ei ole tieteen etiikan mukaista toimintaa.

Lähteet:

Korpinen, Kiia. 2023. Kurssikerta 2. <https://blogs.helsinki.fi/kiiakorp/2023/01/27/kurssikerta-2/>

Lipponen, Joonas. 2023. Viikko 2: Ymmärrys projektioista. <https://blogs.helsinki.fi/joblippo/>

Itämereen päätyvät typpipäästöt

Kurssin ensimmäisellä harjoituskerralla tutustuttiin aluksi rauhalliseen tahtiin QGIS-ohjelmiston perustoimintoihin. Teimme opastetusti kartan Itämereen johtuvista typpipäästöistä valtioittain. Kirjoitan tätä tekstiä lokakuussa 2023, vaikka Itämeri-kartan numero 1 olen tehnyt tammikuussa 2023. Täten en muista enää oliko itse kartan tekemisessä jotain suurempia ongelmia. Kertasin ohjeista kuitenkin miten kartta luotiin ja tein sen uudestaan harjoitusmielessä katsomatta ensimmäistä karttaa.

Kartta 1. Itämeri-kartta tammikuu 2023.

Kartta 2. Itämeri-kartta lokakuu 2023.

Molemmissa kartoissa on kuvattu Itämerta ympäröiviä valtioita. Siinä on eritelty HELCOM-maat ja ei-HELCOM-maat. HELCOM on Itämeren merellisen ympäristön suojelukomissio. HELCOM-maiden typpipäästöt ilmoitetaan kartassa suhteellisina osuuksina eli prosentteina. Puola erottuu etenkin ensimmäisessä kartassa suurimpana päästölähteenä. Yoni (2023) pohti blogitekstissään, että onko lähteessä otettu mukaan Venäjän kaikki päästöt vai vain Itämereen päätyvät typpipäästöt. Mielestäni rajaus on selkeä, sillä kyseessä Itämereen päätyvä typpi vesistöistä, jotka laskevat Itämereen.

Puolan merkitys suurimpana typen tuottajavaltiona oli itselleni aiempien ympäristöalan opintojen myötä tuttu juttu. Se ei yllättänyt. Tämä johtuu siitä, että sillä on paljon rantaviivaa, runsaasti maataloutta ja typen poisto Itämereen laskevista vesistöistä esimerkiksi ojittamista rajoittamalla on heikkoa. Pohdin typpipäästöjen ja Itämeren syvyyskäyrien yhteyttä. Suomenlahti on suhteessa muuhun Itämereen matala, joten on tiedossa, että alueella rehevöityminen on runsaampaa kuin Itämeren kolkissa, joissa on enemmän syvyyttä.

Ensimmäisessä kartassa väritys on mielestäni miellyttävämpi kuin toisessa. En ponnisteluista huolimatta löytänyt karttaa tehdessä toimintoa, josta olisi voinut värejä vaimentaa. Löysin sen vasta myöhemmin. Toisaalta puna-vihreä kontrasti on huono, jos on punavihersokea. En kuitenkaan halunnut tehdä ei-HELCOM-maista valkoisia, sillä silloin on vaara sekoittua typpipäästögradientin ensimmäiseen kategoriaan kuten Lankinen (2023) harmitteli omassa kartassaan. Ensimmäisen kartan neljä kategoriaa ovat selkeämmät kuin toisen kartan viisi kategoriaa. Toisaalta legendan tekstit ovat toisessa kartassa enemmän oikein. Puutteita on silti, sillä toisen kartan legendasta puuttuu Itämeri-konteksti. Itseäni jäi häiritsemään kartan ulkoasussa se, että järvet ovat valtioiden rajojen päällä. Ajan puutteen vuoksi en kuitenkaan alkanut vatvomaan asian kanssa, joten annoin olla.

Näitä karttoja tehdessä opin muuttamaan kartan koordinaattijärjestelmää, muokkaamaan kartan ulkoasua, lisäämään labelit, kategorisoimaan, suodattamaan muuttujia, lisäämään sarakkeita attribuutti-taulukkoon ja laskemaan uusia muuttujia. Hiottavaa on, mutta tästä on hyvä jatkaa seuraavien karttojen pariin.

Eläkeläiset Suomessa

Kokeilin ensin tehdä itsenäisen tehtävän valmiista kurssikansion aineistosta. Olen kuitenkin kadottanut kartan jonnekin, joten sitä ei ole saatavilla enää, enkä halunnut tehdä sitä uudestaan. Sen sijaan tein ohjeen vaikeamman tason ja latasin kuntapohjan vuodelta 2022 tilastokeskuksesta rajapinnan avulla suoraan QGIS:ssa. Muistan, että sen lataamisen selvittämiseen meni keväällä monta tuntia, mutta nyt kun ei tarvinnut aivan alusta asti muistella toimintatapaa, meni se melko kivuttomasti.

Halusin käyttää tuoreinta aineistoa, joten valitsin tilastokeskuksen sivuilta 65-vuotta täyttäneiden osuudet kunnittain sekä eläkeläisten osuudet kunnittain. Ajatuksenani oli esittää kartoilla kuinka eläkeläiset jakaantuu Suomessa. Vertailtavuus-ajatuksena oli muuttuuko kartalla kategoriat ja visuaalisuus, jos mukaan otetaan myös nuoremmat eläkkeellä olevat kuin eläkeiän ohittaneet.

Olettamuksen mukaan kaikkia eläkeläisiä on enemmän kuin kuin 65-vuotta täyttäneitä. Tämä selviää karttojen legendasta. Toisaalta eroavaisuudet eivät ole helposti karttoja vertailtaessa nähtävissä. Tämä johtuu siitä, että merkittävä osa eläkkeellä olevista on samalla yli 65-vuotiaita ja nuorempia eläkkeellä olevia on suhteessa todella vähän. Lisäksi ovat ne yli 65-vuotiaat, jotka eivät ole eläkkeellä.

Kartta 3. 65 vuotta täyttäneiden osuus kunnittain vuonna 2022.

Kartta 4. Eläkeläisten osuus kunnittain vuonna 2021.

Koropleettikartoista on nähtävissä, että yliopistokaupungeissa on eläkeläisten osuus pienempi kuin pienemmillä paikkakunnilla. Tämä johtuu siitä, että nuoria ja työkykyisiä on enemmän kaupungeissa kuin maaseudulla. Eläkeläisiä ja yli 65 vuotta täyttäneitä on molempia kuntavertailussa eniten Kainuussa, Itä-Suomessa, Itä-Lapissa sekä Keski- Suomen maakunnan eteläisemmässä osassa. Tämän näkee karttojen samankaltaisuudessa.

Kategorioiden määrää pohdin aika pitkään. Päädyin kuitenkin viiteen kategoriaan, sillä erot alkoivat häivyttyä neljällä kategorialla tarkasteltaessa. Halusin värigradientiksi jotakin neutraalia. Esimerkiksi punainen olisi ollut liian “varoittava” mielestäni. Olen itse tyytyväinen karttojen ulkoasuun, mutta sisällöllisesti karttojen välillä olisi voinut olla jotakin järkevämpää kuvattuna

Lähteet:

Yoni, L. 23.1.2023. Viikko 1: Try, try again. <https://blogs.helsinki.fi/luberger/2023/01/23/viiko-1-try-try-again/>

Lankinen, S. 20.1.2023. QGIS ja tunnevuoristorata. <https://blogs.helsinki.fi/sainilan/2023/01/20/4/>